01

DEPARTAMENTO DE ESTADSTICA Y METODOS DE DECISION FACULTAD DE CIENCIAS ECONOMICAS Y EMPRESARIALES UNIVERSIDAD COMPLUTENSE DE MADRID
TEORA SUBJETIVA DE LA PROBABILIDAD: FUNDAMENTOSD EVOLUCION Y DETERMINACION DE PROBABILIDADES,
GREGORIA MATEOS-APARICIO MORALES
TESIS DOCTORAL
DIRIGIDA POR EL DOCTOR
D.
MANUEL
LOPEZ CACHERO.
MADRID,
1985
INDICE
III
Pgina
INTRODUCCION
CAPITULO 1 APROXIMACIONES A LA NOCION DE PROBABILIDAD
1.1.- La incertidumbre
14
1.2.- Incertidumbre, previsin y probabilidad 1.3. Vinculacin con la toma de decisiones
19 25
CAPITULO II HISTORIA DE LA TEORA DE LA PROBABILIDAD DESDE SUS ORIGENES A LAPLACE.
2.1. La teora del azar en sus comienzos
32
2.2. Los inicios de la teora de la probabilidad 2.2.1. Gerolano Cardan (15011576) 2.2.2. Johann Kepler (15711630) 2.2.3. Galileo Galilei (15631642)
. .
35 35 36 37
2.3. Los primeros fundamentos 2.3.1. Blas Pascal (16231662) y Pierre Fermat (16011665)
40
40
IV
Pgina 2.3.2. 2.3.3. Christiaan Gottfried Huygens Wilhelm (16291695) Leibniz (16471716)
. . .
44
2.4. De los problemas particulares a las formulaciones generales 2.4.1. James Bernoulli 2.4.2. Pierre (16541705) (16781719).
. . .
52 52 59 65 75
Remond de Montmort
2.4.3. Abraham De Moivre 2.4.4. Rey. Thomas Bayes
(16671754) (17021761)
2.5. Pierre Simon Laplace (17491827):
Formalizacin de 83
la teora clsica de la probabilidad
CAPITULO III EVOLUCION Y FORMALIZACION DE LAS DISTINTAS TEORAS SOBRE LA PROBABILIDAD.
3.1. La teora clsica de la probabilidad y sus objeciones 102
3.2. Teora frecuencial
110
3.3. Teora logicista 3.4. Teora subjetivista
119 129
Pgina
3.5.- La teora matemtica de la probabilidad
139
CAPITULO IV FUNDAMENTOS DE LA TEORA SUBJETIVA DE LA PROBABILIDAD.
4.1. Introduccin
156
4.. 2. Algunas ideas respecto a los mtodos de obtencin de probabilidades subjetivas 166
4.3.- La cuantificacin del juicio o grado de creencia
176
4.4. Axiomtica de la teora de la probabilidad subjetiva 4.4.1. Axiomtica de De Finetti (1931) 4.4.2. Axiomtica de Koopman (1940)
. .
188 188 196 202 214 223 239 242 254 265
4.4.3.- Axiomtica de Savage (1954)
4.4.4.- Axiomtica de Anscombe y Aumann (19 63) 4.4.5. Axiomtica de Villegas (1964). 4.4.6. Axiomtica de Scott (1964)
4.4e7e e . . e
Axiomtica de Fishburn (1967)

.
4.4.8. Axiomtica de Suppes (1974) 4.4.9. Axiomtica de French (1982)
VI
Pgina
4.5. Valoracin de las distribuciones de probabilidad sub jetiva. 4.5.1. Las reglas de puntuacin 4.5.2. El problema del consenso en las valoraciones degrupo
ee..eee...eeeeeeee
274 276
279
. . e .
4.5.2.1.- Aproximaciones matemticas
280 288
4.5.2.2. Aproximaciones behavioristas
4.6. Caracterizacin conjunta de la utilidad y la probabilidad subjetiva 4.6.1. La utilidad esperada 4.6.2.- Sistemas de axiomas para la caracterizacin conjunta de la probabilidad subjetiva y la utilidad 300 293 298
CAPITULO V UNA METODOLOGA PARA EXTRAER PROBABILIDADES SUBJETIVAS DE UN DECISOR.
5.1. Introduccin
324
5.2. El mtodo del autovalor
328
5.3. Comparacin con otros mtodos
340
VII
Pgina 5.4. Aplicacin del mtodo del autovalor para fijar probabilidades subjetivas en el mercado de capitales 5.4.1. Tabla de datos
..
345 347
5.4.2. Determinacin de la rentabilidad de los valores

..ee.ee..e..e.e..ee
378
5.4.3. Construccin de la matriz de relacin de valores 5.4.4.- Obtencin del autovector de probabilidades.. 387 394
CONCLUSIONES
402
BIBLIOGRAFIA
416
INTRODUCCION
Plantearse
el
comienzo de
un trabajo de
investigacin
encaminado a su posterior presentacin como tesis doctoral requie re, en principio, justificar las motivaciones tanto personales, que nos llevan a elegir un tema determinado
como intelectuales
y no otros cientficamente prximos dentro de la misma rea cientfica de conocimientos. En muchos casos, esta difcil eleccin
viene determinada por exclusin: ficas que, desde diversos
son muchas las propuestas cient conversaciones o lecturas,
consejos,
se le presentan al doctorando cuando decide culminar sus preocupa ciones intelectuales con el inicio de la redaccin de su tesis
doctoral con objeto de presentarla a la consideracin de un tribu nal van los acadmico. siendo Por diversas causas hasta del que o razones, ellas No estas concita propuestas a la vez
rechazadas
una de
intereses que
y saberes con esta
interesado.
es ste el caso del pues de desde hace
trabajo
introduccin presentamos, en la misma lnea
bastantes que cin
aos
trabajamos
investigacin
ahora concluye de este
-momentneamente, en la Facultad estos que
al menos con la presentade Ciencias a Econmicas del y
trabajo Durante
Empresariales. trabajo, tema por por ello surgen los que
todos
aos, nos
travs
propio el Es
las motivaciones que nos
llevan a encaminar atractivos e pues
derroteros nuestra
resultaban ms result
eleccin no
dificil,
no era
ms que atrs.
la continuacin de una preocupacin vigente desde tiempo As, dentro del estudio de la teora de la probabilidad
-estudio al que siempre nos hemos visto abocados debido a nuestra profesin docente en. el Departamento de Estadstica y Mtodos
de Decisin, en el que llevamos varios aos impartiendo las asignaturas de Estadsticade

,
es quiz el problema de la concepcin el que nos ofreca y nos ofrece nuestro
subjetiva mayores
la probabilidad de
posibilidades
sugerencia
para
desarrollar
trabajo de investigacin,
al margen de la docencia. Y esa atrac-
cin tiene sus fundamentos en diversos motivos.
En primer lugar, el atractivo de la concepcin subjetiva de la probabilidad radica en que dicha concepci6n aporta,
a la hora de
establecer la probabilidad, algo ms que las simples
reglas inflexibles para la medicin de lo exacto, de lo objetivo, de aquellos fenmenos que pueden ser comparados con un experimento de laboratorio, na, como en cuando la realidad -tanto en la vida cotidiade la elaboracin de decisiones en cual-
el marco
quier mbito, aunque especialmente en el empresarial, nos muestra que raras veces de vista no la a son ocurren estas situaciones ideales desde el punto
probabilstico. experimentables de la
Muchos de los fenmenos que observamos no son repetibles de los y para determinar correspondientes la experiencia,
medida esos
incertidumbre juegan un
sucesos
fenmenos
papel
fundamental
la informacin y la intuicin basada en un comportamiento coheren te por parte del que tiene estos en el que establecer dichas probabilidades. citados, y en mayor medida sino la
Son precisamente experiencia (no
factores sentido
de experimentable,
en el de
conocimiento previo de situaciones similares), a la teora subjetiva de la probabilidad.
los que interesan
En de decisiones
segundo se
lugar,
el
citado
marco
de
la de
elaboracin fondo, en la
mantiene presente,
como
teln
teora objeto de este trabajo, pues la determinacin de la probabilidad subjetiva constituye siones. El e decisor incorpora en del un paso anterior a la toma de decila informacin de que tiene sobre la -l
situacin slo o
interviene la ayuda
la asignacin experto
la probabilidad de la
con
(figura
que hablaremos
en el captulo IV de este trabajo) sobre los sucesos considerados. Ello nos lleva de a pensar que la aplicacin de esta teora el
a sucesos reales
la vida cotidiana en los que se plantea
problema de la toma de decisiones es ms coherente que la aplicacin de las teoras que precedieron en el tiempo a la teora
subjetiva de
la probabilidad,
como iremos viendo a lo largo del
desarrollo de esta tesis.
Por
ltimo,
la necesidad
de
estructurar
de una forma
determinada el estudio de que, si bien ha sido
la teora subjetiva de la probabilidad en numerosos estudios y trabajos
tratada
de investigacin en publicaciones unitarias o artculos cientficos en publicaciones de en una se carcter peridico al bastantes de esta de ellos
recogidos en los
amplia bibliografa
final
tesis,
que
planteaban no la
aspectos y puntos conocemos
de vista
concretos del tema en la
respecto tal y
a este tema, nosotros
una estructuracin Los autores
como
proponemos. recogen de y
citados
bibliografa enmarcados versin en
propuesta, el
resuelven teora o
algunos bien
problemas su
contexto
dicha
proponen
desde
el punto de vista de partidarios
de esta teora-
sobre miento
lo que deba de ser la axiomtica que regule el comportacoherente exigido a la hora de asignar la probabilidad
subjetiva.
Nuestra si realmente
propuesta
de
estructuracin
deber entonces,
quiere aportar una nueva visin del tema, responder
a la necesidad de estudiar la teora subjetiva de la probabilidad de tal forma y que aparezca de las la como teora colofn de lgico del desarrollo enlazando, teora en el incluso
general de de que esta
anterior con
la probabilidad a la
forma,
teoras
anteriores del
propia
la probabilidad se desarrollan
subjetiva dichas
dentro
marco
histrico partimos
teoras.
Para ello,
de los primeros pasos de la teora de la probabilidad, para consi derar su propia evolucin que responde, como veremos, a la necesidad de resolver determinados tipos de problemas. Para de esta
forma concluir en el estudio de
la teora que nos ocupa desarro-
llando sus fundamentos y evolucion.
Con justifique el
este
objetivo
para
seguir de
un orden
lgico que credo
tratamiento
propuesto
este tema,
hemos
conveniente comenzar el trabajo con un capitulo donde se relacionan, entrelazndose, y probabilidad podramos los conceptos de incertidumbre, probabilidad segn su desarrollo en el tiempo, la forma: que
subjetiva, de
significar
incertidumbre-probabilidad
probabilidad subjetiva.
Justificando como esta ltima la probabi
lidad subjetiva- es la ms adecuada para valorar la incertidumbre de los sucesos que pueden ocurrir en el contexto de la toma de
decisiones.
Por la trayectoria
ello, de la
hemos
considerado de la
conveniente que
desarrollar nos lleve
teora
probabilidad
al momento en el que aparecen los primeros inicios de subjetiva.
la teora
Esta iniciar en el
trayectoria capitulo II
de
la
teora de
la probabilidad histricos
se de
con
los antecedentes
esta teora hasta el momento en el que se crea la primera escuela sobre la una concepcin clsica del modo de determinar de el la la probabilidad: A
concepcin de esta
(Teora
Clsica en
Probabilidad).
partir
concepcin,
tratamos
capitulo
siguiente las
esta teora clsica de la probabilidad y cmo van surgiendo teoras frecuencial, logicista y subjetiva para resolver
incon
venientes de las anteriores, y dar soluciones a los nuevos proble mas que se plantean.
En
el
captulo
IV
se
recogen
las
axiomticas
de
los
que, a nuestro juicio, por el tratamiento dado a nuestro trabajo, son los ms notorios representantes o partidarios de esta teora. Es decir, exponemos la los criterios fundamentales aportados por
dichos
autores a
teora de
la probabilidad De Finetti,
subjetiva,
desde
los primeros aportaciones French, dentro
inicios con Bruno actuales,
en 1931 hasta las
especialmente la ltima recogida de Simon autores importantes propsito no
en 1982. Evidentemente existen otros del contexto de esta teora,
pero nuestro
era tanto ser exhaustivos sino realizar un recorrido significatiyo los que en a lo largo del tiempo con una seleccin representativa de
autores ms los la trabajos
importantes.
En este sentido,
hemos de advertir
de autores no citados quedan tambin recogidos final. Bibliografa que pensamos constituye
bibliografa
uno de los pilares de esta tesis, puesto que en ella quedan recogidos la mayor parte de los trabajos publicados sobre el asunto
que nos ocupa.
Dichas
axiomticas
crean
el
marco
que
fundamenta
la
teora subjetiva de la probabilidad, regulando como hemos sealado ha anteriormente de asignar el comportamiento probabilidades. coherente Algunas del de individuo que
las
las
axiomticas
referidas
exponen
la axiomatizacin ya que,
conjunta de la probabilidad se seala en el capitulo
subjetiva y la utilidad,
como
1, dichos conceptos se interrelacionan en el proceso de decisin.
Tambin las de situaciones las
dentro de que pueden
este captulo IV, ocurrir de la en la
se plantean aque la hora
prctica a Se
establecer los
valoraciones de las
probabilidad.
tratan, y de
entonces,
problemas
valoraciones
individuales
grupo, introducciendo la figura del experto o asesor como persona o grupo de personas que, en el marco de la elaboracin de decisio nes y, por tanto, en el marco de la valoracin de las probabilida des de los sucesos implicados en el proceso, mente en dicha valoracin. interviene tcnica-
Por proponemos en
ltimo, el
despus V
de con
estos el que
fundamentos damos por
tericos, finalizado
captulo
el trabajo- una metodologa para extraer probabilidades subjetivas de un decisor. Se emplea el trmino extraer debido a que
suponemos qu existe un experto en la aplicacin de tal metodologa, es decir, un tcnico que es el que facilita la obtencin exac ta de las probabilidades por el una vez que ha recogido la informacin sobre el conocimiento que ste
proporcionada ltimo tiene la una situacin
decisor, la
acerca de que se le
situacin
a la que se enfrenta (o de la que tiene de los que hacer distintos
presenta) de las
y en
asignacin
exacta
probabilidades
sucesos posibles, nes. Obviamente, no es la
para as lo que de
tomar ms correctamente sus decisio-
interesa a esta metodologa y a esta decisiones, sino tal y como venimos
tesis
toma
diciendo la asignacin de probabilidades.
Como un de caso
aplicacin planteado tomado un
de con
esta
metodologa de de
proporcionamos de Comercio a los
prctico Hemos
datos
la Bolsa treinta
Madrid.
conjunto
valores
que se aplica la metodologa referida para calcular las probabilidades de invertir en cada uno de esos valores.
Una vez realizada esta obligada sinopsis introductoria, y para dar por concluida esta presentacin debemos sealar aqu algunos aspectos de la confeccin formal de esta tesis doctoral,
que no por su menor importancia deben ser obviados.
En primer lugar es necesario advertir que para la confeccin de esta etc.) por tesis hemos la doctoral (caja de escritura, paginacin,
mrgenes, al de de efecto Tesis
seguido estrictamente Complutense en la Ley
las normas dictadas para la realizacin Imprenta
Universidad recogidas
Doctorales, de
de Prensa e
18 de marzo
1966, por no haber en el momento de redactar
esta tesis ninguna norma posterior que anulara aquella.
Por otra parte, esta introduccin, das en primera as
como el lector habr podido comprobar,
como el resto del trabajo, estn redactadel plural. en La utilizacin del dos nos o
persona
plural Una, el
mayesttico profundo al
tiene,
este caso, que
justificaciones. todo tribunal
respeto
intelectual escondindonos
impone
de tesis
doctorando:
tras el plural resultaba
ms sencillo hacer afirmaciones intelectuales que haciendo presen te el yo

.
La
segunda,
menos
personal,
es
de
ndole
social
y est avalada por la opinin de Umberto Eco cuando seala:
Algunos primera
creen persona) No
que en es
es as.
ms Se
honrado de
(utilizar el
la
lugar
utilizar
plural
mayesttico. partido cial
dice nosotros por que
se supone que aquello que se afirma puede ser compor los lectores. Escribir es un acto so(1).
(1) Umberto ECO, Cmo se hace una tesis. Gedisa. Barcelona. 1982, pg. 187.
lo
Todas
las
citas
textuales
se
presentan
traducidas,
para facilitar su lectura, original (como expresan
aunque hayan sido ledas en el idioma referencias). A pesar de ello, se
las
escribirn entrecomilladas y con mayor margen que el texto, marcando as las diferencias dos. entre nuestro propio texto y los cita-
Las referencias de cada captulo se incluyen agrupadas al final 1 de cada uno de ellos, con numeracin correlativa a par,
tir del sola,
salvo
en esta introduccin en la que, por tener una
se sita a pi de pgina.
CAPITULO
APROXIMACIONES A LA NOCION DE PROBABILIDAD
12
CAPITULO
1: APROXIMACIONES A LA NOCION DE PROBABILIDAD.
1.1. La incertidumbre.
1.2. Incertidumbre, previsin y probabilidad.
1.3. Vinculacin con la toma de decisionese
13
Hablo de azar cuando lo que sabemos no es suficien te no para predecir: en que sabemos cuales pueda como son ocurre de las al tirar el dado, a que situacin hablamos azar debido
condiciones una tirada
iniciales que otras
(y cabe concebir que un fsico equipado con buenos instrumentos predecir personas no pueden)e
Karl R. Popper. La lgica de la investi-ET1 w363 gacin cientfica. pg. 192.
14
lele-
La incertidumbre
En gnero,
gran
nmero
de
situaciones,
econmicas
de
otro
nos enfrentamos
a determinados hechos sin poder predecir ocurrirn. Esta no certeza sobre el
con absoluta certeza
como
modo de ocurrir los hechos, tar un determinado
sobre los resultados en que se concreque observamos, es lo que llamamos
fenmeno
incertidumbre
Una vez centrada la nocin de incertidumbre nos situamos en un plano mucho ms general, para analizar las distintas situa
clones en las que puede presentarse.
La incertidumbre puede presentarse en situaciones reales del pasado o del presente, por falta de conocimiento e informacin, o poca confianza en tambin proceder, de un fallo de la informacin de la que disponemos; podra
en lo que se refiere a situaciones del pasado, memoria para proporcionar el recuerdo de estas
situaciones.
La previsin.
incertidumbre
se
presenta
tambin
en
los
actos
de
(Ver figura 1).
En este anlisis, de forma muy especial, prestamos atencin a la presencia de la incertidumbre frente a la toma de decisiones.
15
FUTURO
Figura 1
En debe el al hecho
este de
caso, que
podemos
pensar
que
la
incertidumbre
se
las
decisiones real,
tienen que estar basadas en y que esta situacin real
conocimiento
de
la situacin
sea en ella misma incierta, por lo que para estas decisiones nos guiaremos por la previsin de sucesos incontrolables, ce la incertidumbre en las decisiones. lo que produ
Sobre
este
problema de
la incertidumbre
en la toma de
decisiones Manuel Lpez Cachero expone:
Supuesto minado, rrollar se por
un
sujeto
(individual
colectivo)
que
realiza algn tipo de actuacin en un mbito detery admitido que dicho sujeto trata de adop(...).
tar algn tipo de decisin a partir de este pero diferentes hallar tanto, opciones factores,
La accin a desadepender de que de de las ms su propio hecho

(...).
instante, desde el de
origen,
condicionada de la
por
a seguir sean mltiples hiptesis
Partamos,
existencia
16
una opcin. Ello inmediatamente, ralidad de opciones ha de
nos lleva al prola plureaccin toda una
blema de la incertidumbre, pus en efecto, suscitar
de duda sobre
la que debe ser seguida. Pero,
incertidumbre es de suyo problemtica?, esto es, la simple existencia de mltiples opciones, provocar una posicin de incertidumbre en el sujeto?. Pensemos, a partir de este momento, explcitamente en sujeto que realiza una funcin econmica es obvio que el problema de la incertidumbre existir estrictamente en la medida en que tal incertidumbre puede resultar nociva o perniciosa es decir, cuando existiendo varias alternativas, la elegida se manifiesta menos adecuada que alguna de las abandonadas (1). un
La incertidumbre tambin puede deberse a otros factores ya que en los procesos de decisin adems de las opciones posibles a seguir influyen la intervencin de otros individuos y el contexto del problema.
De acuerdo con lo sealado sobre el carcter econ mico del sujeto, parece lgico resaltar que en la problemtica cotidiana de la actividad econmica la ta el de de incertidumbre puede deberse a la accin, conjuno separada, de al menos uno de dos elementos: ambiente del problema y las posibles actuaciones otros sujetos interesados en el mismo orden cuestiones (2).
17
Las
ms o menos
decisiones
econmicas
se hacen
en
condiciones
de
incertidumbre.
Nosotros no vamos
a ocuparnos de los
problemas de decisin determinsticos, donde no existe incertidumbre, ya que el tratamiento que pretendemos hacer tiene como punto
final la teora de la decisin estadstica. Puesto que como seala G. Hadley:
La al
teora
de
la de
decisin tcnicas la
estadstica de toma de
concierne decisiones desempea
desarrollo
en situaciones donde un papel crucial (3).
incertidumbre
Hay que
sealar que
la incertidumbre tambin puede ser
parcial, considerando sta como la referida a aquellas situaciones

en que los estados de la naturaleza (estados del ambiente) tienen una distribucin de probabilidad parcialmente conocida. Segn
lo indicado por Sixto Rios:
Una que una da
de
entre
varias leyes fenmeno. como un Se
de probabilidad suele considerar
es
la
regula el de estas
cada En
estado
del
ambiente.
el caso de ley de probabilidad parcialmente conoci(. ..)
puede mejorarse la informacin por experi-
mentos planteados adecuadamente con duracin fijada o aleatoria, o bien, durante el desarrollo efectivo
del proceso (teora de Wald, procesos secuenciales (4). y adaptivos)
18
Los
conceptos
de
incertidumbre y probabilidad
aparecen
juntos; de la incertidumbre surge la necesidad de estudiar formalmente, y describir determinadas situaciones en las que aparece;
y la probabilidad responde a esta necesidad. A veces los dos conceptos no se presentan en este orden, como ocurre en el caso anterior, donde una ley de probabilidad parcialmente conocida produce incertidumbre. Los conceptos se van entrelazando en el anlisis
de la incertidumbre-probabilidad, y de ciertas situaciones probabilsticas vuelve a surgir la incertidumbre.
19
1.2. Incertidumbre, previsin y probabilidad
Una vez que estamos en una situacin con incertidumbre, si queremos distinguir entre el conjunto de alternativas todas
aquellas que con el estado de informacin que tengamos nos parecen posibles y las presentamos de la forma que nos parece ms efectiva (o en cualquier forma conveniente) empezamos a entrar en el
mbito de la previsin.
La previsin no significa necesariamente adivinar algo. No afirma que algo podra resultar verdadero o falso, pretendiendo
transformar
la
incertidumbre
en certidumbre,
sino que
reconoce
que lo que es incierto es incierto.
Cuando nos enfrentamos previsin consiste en tener
con la incertidumbre, hacer una o menos fuerte
una propensin ms
a esperar que ciertas alternativas resulten verdaderas antes que otras, o pensar que la respuesta a una cierta cuestin es sir
antes que no o que la estimacin de un valor desconocido variar en un cierto intervalo de valores.
Estas
actitudes
no
nos
llevan
afirmar como
cierto
o imposible algo. Las cosas inciertas son inciertas, pero nosotros atribuimos a distintos sucesos inciertos un mayor o menor grado
de un factor personal y subjetivo que expresa esta postura (estas actitudes). Esto es
lo que llamamos probabilidades siguiendo las
ideas de Bruno
de Finetti,
Savage y otros destacados autores de
20
esta teora.
Se
utiliza este
enfoque
personalista,
aunque con ello
nos adelantemos a la exposicin del criterio subjetivista o personalista, como veremos posteriormente, puesto que con estas ideas
iniciales se pretende trazar una lnea que nos lleve a la necesidad de establecer la probabilidad subjetiva, como un paso anterior a la toma de decisiones.
De pensamos que:
acuerdo con Sixto Rios en su Anlisis de Decisiones
Se supone que se manejan probabilidades objetivas al hacer abstraccin experimental de situaciones como lanzar una moneda, un dado, hacer girar la
ruleta, en las extraer una bola reales de es una urna, etc. que Pero no se situaciones frecuente
pueda asignar a los sucesos que puedan presentarse probabilidades objetivas en forma anloga a los anteriores. No tiene sentido por ejemplo, hablar de las probabilidades objetivas de sucesos como el caballo Lindo ganar tal carreras, o el Real
Madrid ganar el partido del domingo prximo etc... o la venta del nuevo producto que se va a fabricar superar los diez millones de pesetas nos de decisin a situaciones de
,
Nos ocuparemos por tanto de extender los criteincertidumbre,
introduciendo de paso el concepto de probabilidad subjetiva apropiado a las mismas (5).
21
Y, del tema por
siguiendo las que
con se
esta lnea
de
trazar
las el
directrices
ha llegado a plantear
estudio de la
probabilidad subjetiva, similar a la anterior.
tomamos una cita de G. Hadley con sentido
Al tomar una decisin, a veces se encuentran problemas que nunca antes han surgido, ni ocurrirn
de nuevo en la misma forma. En tales situaciones tambin es cierto que al tomar una decisin no se pueden determinar todas las implicaciones de las acciones, y conviene imaginar que el azar jugar un papel importante en la determinacin del resultado de la accin seleccionada. En situaciones de este tipo se supondr que al usar el concepto de probabilidad ser posible expresar en trminos cuantitativos la manera como la incertidumbre inter viene en la situacin. De hecho, el uso de la palabra probabilidad en el lenguaje cotidiano se refiere en general a tales la en situaciones.
(...)
Estas
poder no
situaciones ser
tienen
caracterstica trminos de se repetirn
de
no
interpretadas
frecuencias;
(...)
pueden ser repetidas ni
Al usar
la
probabilidad en esta manera,
se dice que esta
expresa el grado de credibilidad racional. Tales probabilidades son consideradas como personales o subjetivas (6).
Siguiendo
con
la
nocin
de
previsin, en
lo
que
sta
comporta como expresin de una conjetura, podemos decir que consis te en formular las alternativas posibles para asignarles nuestras propias expectativas de probabilidad.
22
En
este campo
de la previsin entramos cuando estamos
en una situacin de incertidumbre, a veces sin una necesidad concreta, sino slo por el hecho de que, de forma espontnea, formula mos las alternativas que creemos que pueden ocurrir, y nos preocupa el que ocurran las situaciones desfavorables.
Tambin puede surgirnos una necesidad ms concreta debido a unos objetivos planteados y, ante el riesgo que ellos comportan, tengamos que valorar los pros y los
contra
y expresar
nuestra previsin.
En este proceso cumple un papel cia del individuo.
fundamental la coheren-ET1 w471 4
Estas condiciones de coherencia a la hora de establecer probabilidades, acerca de ellas, deben expresar la forma en que uno debe razonar por tanto como debe ser
sobre como evaluaras;
el comportamiento en la elaboracin de decisiones bajo incertidumbre. (Figura 2)
TOMA DE
INCERTIDUMBRE
PROBABILIDAD
>
DECISIONES
Figura 2
23
Esto nos llevar a establecer criterios para medir posibilidades es decir, para establecer o calcular probabilidades.
Lo que debemos hacer al establecer nuestras valoraciones estar, por tanto, en funcin de evitar en las consecuencias de
las
decisiones
efectos no
deseables,
efectos
que produzcan
una
cierta prdida.
Las
condiciones
de
coherencia,
de
hecho,
no producen
restricciones en las probabilidades que se pueden asignar, excepto que no deben estar en contradiccin con ellas mismas.
Segn Manuel Lpez Cachero que cita a Bruno De Finetti:
El grado de probabilidad atribuido por un individuo a un suceso, se manifiesta por las condiciones en las que l estara dispuesto a apostar por este suceso, estableciendo como principio bsico para la cuantificacin de la probabilidad (y para su establecimiento) el que se verifique el principio de coherencia (conjunto de reglas a las que la evaluacin subjetiva de las probabilidades de diver sos acontecimientos por un mismo individuo debe someterse, si no quiere que entre ellas se produzca una con1~adiccin fundamental) (7).
De
acuerdo
con
De
Finetti,
fijaremos
las condiciones
fundamentales para obtener la probabilidad como medida, teniendo en cuenta en primer lugar que esta sea operativa, que pueda esta-
24
blecerse para cualquier suceso, y que si lleva alguna incoherencia,

el individuo debe revisar sus valoraciones para modificarlas hasta que esa valoracin sea coherente. La coherencia debe excluir la
posibilidad de ciertas consecuencias inaceptables para todos.
Sobre
este
punto
de
la
coherencia
la
racionalidad
del sujeto Ward Edwards plantea, lo siguiente:
en su obra Toma de Decisiones
El hecho fundamental acerca del hombre econmico es su racionalidad. Esto significa dos cosas: puede ordenar debilmente los estados en que puede colo carse, y toma sus decisiones para maximizar algo (8).
25
1.3. Vinculacin con la toma de decisiones
La toma de decisiones se efectua considerando, en primer lugar, los incrementos de varias de utilidad individuales asignados a las
consecuencias
decisiones
posibles y ponderndolas con
las respectivas probabilidades. Esto estd de acuerdo con lo expues to por G. Hadley al hablar de la teora de la decisin estadstica:
La teora de la decisin estadstica se vale de modelos matemticos como instrumentos bsicos para la solucin de problemas de decisin bajo incertidumbre. Se apoya en grado considerable en la teora de la probabilidad y, adems, acude en buena medida a la moderna teora de la utilidad. Antes de estudiar la teora de la decisin hay que desarrollar primero los fundamentos de la teora de la probabilidad y discutir la teora de la utilidad (9).
Dejamos
constancia una vez ms
de
la
importancia
de
la probabilidad en la toma de decisiones, aparicin un nuevo elemento:
y adems hace aqu su elemento
la medida de la utilidad,
que hasta ahora no habamos referido y que tambin tiene un papel importante en este estudio (bajo el punto de vista del anlisis
que vamos a hacer).
Recordemos
que uno
de
los
objetivos de
este
trabajo, la
est referido al modo de asignar probabilidades subjetivas y
funcin que desempean en la toma de decisiones y, en este proceso, la teora de la utilidad tiene una aplicacin importante, como ya veremos. Nos serviremos de la utilidad para la asignacin de probabilida-
26
des subjetivas. Son dos elementos deun mismo proceso, ambas valoracio nes nos sirven para fundamentar la toma de decisiones. (Figu-
ra 3).
Para la toma de decisiones tenemos que establecer proba

bilidades, y la probabilidad subjetiva parece la ms adecuada
a este proceso.
1
Figura 3 A esta funcin que para la toma de decisiones desempea
TOMA DE DECISIONES
la probabilidad subjetiva
se refiere Manuel Lpez Cachero cuando
dice:
La
elaboracin
de
un
sistema
de
probabilidades
requiere,
sobre el
obviamente,
tipo de
una inicial toma de postura

a considerar
(...)
probabilidad
resultar lgico que dediquemos alguna atencin a las cuestiones que suscita la probabilidad subjetiva, por cuanto, cara a la adopcin de decisiones, parece ms verosimil este planteamiento que cual
27
quier
otro.
En
efecto,
la aproximacin al conoci-
miento del conjunto de los estados de la naturale-
za,
pone de
manifiesto las
notables
dificultades
de conocer expresamente una distribucin de probabi lidad objetiva referida a tales estados; de ello se sigue el inters y lo atractivo de la concepcin subjetiva (10).
Las aproximaciones objetivistas, sin embargo, se inclinan por dar respuestas trminos de aceptar o no probabilsticas, sino expresarlas en
rechazar una hiptesis dada,
aunque esto
no signifique aceptarla como si fuera totalmente cierta, al menos que realmente se considerase verdadera, es decir, actuar como
en la lgica ordinaria.
esto
responden
los
subjetivistas,
cuando
plantean
que el comportamiento adecuado est en maximizar la utilidad esperada.
El comportamiento en el campo cientfico no puede escapar de tener que ponderar las consecuencias favorables y desfavorables, de verificar de algn modo las opiniones coherentes. Esta
verificacin puede mostrarse pasando de las probabilidades a prio rl y las probabilidades a posteriori de Bayes. Por tanto de acuerdo con el teorema
la formulacin bayesiana puede eliminar los
defecftos del esquema objetivista.
En este aspecto han contribuido de forma esencial Leonard J. Savage, Irving John Good y Dennis V. Lindley.
28
NOTAS AL CAPITULO 1 (1) Manuel LOPEZ CAHERO, Teora de la Decisin. Ed. I.C.E.
Madrid 1983, pag. 19.
(2) (3)
LOPEZ CACHERO, opc. cit., pg. G. a HADLEY, la teora Probabilidad de la y
20. Estadstica: Fondo de una introduccin Econmica,
decisin.
Cultura
Mexico 1979, pg. 12.
(4)
Sixto ROS, Anlisis de Decisiones, pg. 8. 5. ROS, Op. cit., pg. 95. G. HADLEY, op. cit., Pp. 2122. M. LOPEZ de
202.
l~ parte, Madrid 1973.
(5) (6) (7)
CACHERO,
El problema de la regulacin y la adopEl papel

de
cin
pg.
decisiones:
de
la probabilidad y de
del C.U.N.E.F.
la
informacin.
Separata
Anales
198081,
(8)
Ward EDWARDS
y Amos
TVERSKY,
Toma de Decisiones,
Fondo
de
Cultura Econmica, Mxico 1979, pg. 17. (9) (10) G. HADLEY, op. cit., pg. 13. 202.
M. LOPEZ CACHERO, op. cit., Madrid 198081, pg.
CAPITULO
II
HISTORIA DE LA TEORA DE LA PROBABILIDAD DESDE SUS ORIGENES A LAPLACE.
30
CAPITULO
II:
HISTORIA DE LA TEORA DE LA PROBABILIDAD DESDE ORIGENES A LAPLACE.
SUS
2.2.- Los inicios de la teora de la probabilidad 2.2.1. Gerolano Cardan (15011576) 2.2.2. Johann Kepler (15711630) 2.2.3. Galileo Galilei (15631642)
2.3. Los primeros fundamentos 2.3.1. Blas Pascal (16231662) y Pierre
Fermat (16011665).
2.3.2. Christiaan Huygens (16291695). 2.3.3. Gottfried Wilhelm Leibniz (16471716).
2.4. De los problemas particulares a las formula-ET1 w197 3

ciones generales
2.4.1. James Bernoulli (16541705). 2.4.2. Pierre Remond de Montmort (16781719). 2.4.3. Abraham De Moivre (16671754).
2.4.4. Rey. Thomas Bayes (1702-1761).
2.5.
Pierre Simon Laplace
(17491827):
Formaliza
cin de la teora clsica de la probabilidad
31
Probability is a science of inference about real things. John Venn. The Logic of Chance, pg. 120
32
El clculo de probabilidades surge para resolver proble mas de juegos de azar, para estudiar porque ante formalmente ellos no los sucesos hacer
aleatorios,
caracterizados
podemos
predicciones sin riesgo a equivocarnos, ya que con ellos se produce de manera inmediata la incertidumbre.
En un primer momento azar con se las plantean tabas las
de
la historia de empricas Egipto del
la teora del juego de azar que
situaciones
utilizadas
en Grecia,
y Roma parece
de estas dor desea
tabas procede el actual dado-. En estos juegos el jugahacer un anlisis acerca de la posible ocurrencia o
no ocurrencia del suceso que
le interesa,
con el objeto de valoDurante cien-
rar de antemano sus posibles prdidas o ganancias.
tos de aos este problema quedaba sin resolver ya que para estos jugadores de azar, culabilidad, lo aleatorio del juego llevaba parejo la incal llegaban despus de gran nmero
creencia a la que
de intentos sin xito sobre el clculo de sus predicciones; todos los mtodos de prediccin fallaban cuando se presentaba la aleato riedad. En este sentido comenta Karl R. Popper:
Para
deducir
predicciones
se
necesitan
leyes
y condiciones iniciales: si no se dispone de leyes apropiadas o si no cabe averiguar cuales son las condiciones iniciales, el modo cientfico de predecir se desmorona. Al tirar el dado, lo que nos falta, sin duda alguna, es un conocimiento sufi-
33
ciente de las condiciones iniciales; si dispusie ramos de mediciones suficientemente precisas de estas tambin seria posible hacer predicciones en este caso; pero las reglas para tirar el dado correctamente (agitar el cubilete) estn elegidas de tal modo que nos impiden medir las condiciones iniciales. Llamar marco de condiciones las reglas del juego y todas aquellas otras que determinen
las condiciones en que han de ocurrir los diversos eventos de una sucesin azarosa: consisten en
requisitos tales como el dado tiene que ser correc to (hecho de un material homogneo), de mover bien, ... etc. (1) que se ha
Con
estas
condiciones
dado
correcto,
moverlo
bien,
etc. podemos mejorar nuestras predicciones respecto a otra situa cin en que estas condiciones no se cumplan y no tengamos informa cin sobre ello, pero en cualquier caso existe la necesidad del clculo de probabilidades para aplicar a los fenmenos de este tipo.
A pesar de la gran aficcin al juego de los dados entre egipcios, griegos y romanos, estos no advirtieron que en un gran nmero de jugadas se tenda a obtener el mismo nmero de veces
una cara que las restantes del dado. La razn por la que no se plantean este problema de equiprobabilidad es debida segn Ubal
do Nieto de Alba, que cita a F.N. David, a dos razones: la imperfeccin del dado y las creencias religiosas. Sin embargo, este mismo autor, la primera explicacin segn
no es compartida por
algunos estudiosos de la materia, entre ellos M.G. Kendall, quin
34
afirma que muchos dados estn bien construidos. Este ltimo autor considera las cuatro razones siguientes como causa para no advertir la equiprobabilidad:
a) Ausencia de una teora combinatoria. b) Supersticin en los jugadores. c) Ausencia de una sucesos de azar. notacin adecuada de los
d) Trabas morales y religiosas para el desarro lo de la idea de aleatoriedad. Antes del cristianismo los griegos y romanos parece que consideraban el mundo parcialmente
(...)
determinado por el azar (...). Un procedimiento mediante el cual las deleidades como La Fortuna, Los Hados o el Destino podan expresar sus deseos era interviniendo en el lanzamiento del dado (...). Precisamente, en Grecia y Roma las cuatro tabas de jugadores se usaban de los dioses (2). tambin en los templos
Con el cristianismo estos planteamientos cambian bastan te, ya que segn San Agustn la mano de Dios estaba en todas nada era aleatorio, por tanto
partes y nada acaeca sin causa:
no haba azar. Ms adelante Santo Toms de Aquino considera que el azar y la suerte existen.
Todo
este
tipo
de
cambios pueden
llevarnos a lo que
se cree que fue el motivo, o bien influy en gran parte, de que

se retrasara el desarrollo del clculo de probabilidades.
35
2.2. Los inicios de la teora de la probabilidad
2.2.1. Gerolano Cardan (15011576)
En
el
siglo
XVI
tenemos
los
primeros
inicios
de
la
teora de la probabilidad con Geroalno Cardan (o Cardano), matem
tico, mdico y fsico italiano que trabaj en el clculo de proba

bilidades.
Cardan le domin toda
fu
un
apasionado fu la
del
juego,
esta pasin se dedic
que al
la vida,
causa por
la que
estudio de los juegos de dados.
Escribi un tratado titulado De Ludo Aleae
(Sobre los
juegos de azar), publicado en 1663 en Lyon despus de su muerte, en el El un que resuelve de varios problemas de anlisis manual combinatorio. escrito, para
tratado jugador
Cardan puede
ser el mejor
de la poca. Contiene diversos asuntos relacionados
con el juego, como descripciones de juegos y precauciones necesarias para emplear contra el adversario. En uno de los captulos de su libro muestra el nmero de casos favorables de cada tirada que puede hacerse con dos dados, por ejemplo dos y doce slo
pueden obtenerse de una forma. Diez puede obtenerse de tres formas: cinco en cada dado, etc... seis en uno y cuatro en otro, o bien
a la inversa,
Cardan tambin muestra el nmero de casos
favorables para cada tirada que puede obtenerse con tres dados.
36
Henry
Morley
comenta
en
su
obra
Life
of
Cardan
que
este autor afirma descaradamente,
como uno de sus primeros axio-
mas, que el dado y las cartas deben jugarse por dinero. Posterior mente veremos como el planteamiento de estos problemas particulares poco. de los jugadores va evolucionando y formalizandose poco a
2.2.2. Johann Kepler (15711630)
Kepler, se form
astrnomo
alemn,
estudi
en
Tubinga
all
en las ideas de Coprnico.
Fu profesor de Matemticas
y Astronoma
en
la Universidad de
Graz
(1594),
Matemtico en
Linz (1612), y creador de la mecnica celeste.
En su trabajo De Stella Nova in pede Serpentarii, publi cada en 1606, hace algunos comentarios sobre el tema del azar.
Kepler analiza las distintas opiniones sobre las causas de aparicin de una estrella que brill con gran esplendor en 1604, y
entre estas opiniones est la de que la estrella se ha producido por la concurrencia fortuita de tomos. Kepler afirma tambin
en su obra, adems del comentario anterior sobre la intervencin del azar en la formacin de la estrella, que incluso los sucesos como las tiradas de un dado no suceden sin una causa.
37
Como podemos de la probabilidad es
ver la aportacin poco relevante, el
de Kepler a hecho
la teora
de mencionarlo
se debe al inters por dejar constancia de los pequeos indicios que hay en el siglo XVI sobre esta teora. Por estas razones
slo se hace esta brevisima referencia a l.
2.2.3. Galileo Galilei
(15631642)
Galileo Galilei, matemtico, fsico y astrnomo italiano, dei escribi Dadi, una obra titulada Considerazione sopra il Giuco
cuya
fecha
de publicacin no
es posible
determinar
puesto que no hay datos

probabilidad le surgi
para ello. Parece que el tema sobre la

a Galileo porque 9 y un 10 amigo le consult
el problema siguiente: con tres dados
los resultados
se pueden obtener pero la
mediante seis
combinaciones
diferentes,
experiencia demuestra que el resultado 10 se obtiene mayor nmero
de veces que el 9.
Galileo hizo un que
anlisis preciso de que de los 216
todos casos
los
casos
podan ocurrir y comprob a que
posibles,
27 eran favorables
resultase el 10, y 25 eran favorables
a que resultase el 9.
Veamos como contaban uno y otro estas combinaciones.
38
El el orden y
amigo
enumera
que
as
consulta
los
a Galileo
no
tiene
al 9:
en cuenta
1 2 6
casos
favorables
1 3 5, 1 4 4, 2 2 5, 2 3 4, 3 3 3; y del siguiente modo los casos favorables al 10: 1 3 6, esta manera 1 4 5, 2 2 6, 2 3 5, 2 4 4, 3 4 3. De
obtena el mismo nmero de casos favorables a 9 y
a 10, en ambos casos seis.
Galileo
calculaba
as
los
distintos
3
casos
216.
posibles
y favorables: N~ de casos posibles: VR63=
Casos
favorables
que
ocurra
el
resultado
9:
El
126 y en cualquier otro orden, son P 3 = 3! 6 casos favorables. El 1 3 5 y en cualquier otro orden son P = 6 casos favora 3 21 bles. El 1 4 4 y en cualquier otro orden son P3 = 3 casos fa
vorables. El 2 2 5 y en cualquier otro orden, son 21 P3
=
6 casos
favorables. El 2 3 4 y en cualquier otro orden, son favorables 6

+
P ~=
6 casos son
y
+
por
+
ltimo
+
la
combinacin
3.
En total
25 casos favorables al 9.
De la misma forma al 10, cambiando el orden
se calcularan los casos favorables de cada combinacin distinta. As se
obtienen 27 casos favorables al 10, 10 que muestra que el resultado
10 se obtiene mayor nmero de veces que el 9. Realmente,
el
amigo de Galileo no haba calculado todas las posibilidades.
39
Las referencias
del siglo XVI que se acaban de hacer
son de poca importancia, sin embargo debido a los contactos que en ese momento se dan entre Francia e Italia en el aspecto intelectual, muchos de los trabajos italianos pasaron a Francia,
entre ellos a manos de
algunos sobre el clculo de probabilidades llegaron Blas Pascal y Pierre Fermat, que son considerados
por muchos autores como los verdaderos iniciadores de la teora de la probabilidad. Pascal y Fermat se proponen resolver algunos problemas sobre probabilidades y de esta forma con ellos entramos en el siglo XVII. De estos dos autores se hablar en el prximo epgrafe.
40
2.3. Los primeros fundamentos
2.3.1. Blas Pascal (16231662) y Pierre Fermat (16011665
Blas Pascal,
filsofo,
telogo,
matemtico y escritor
francs y Pierre Fermat, matemtico tambin francs, se estudian conjuntamente en la teora de la probabilidad debido a que inician sus investigaciones con el mismo motivo y existe una intensa correspondencia entre ellos.
Al parecer, el caballero De Mr, persona muy aficionada al juego, propuso un problema a Pascal y ste, a su vez, se
lo comunic a Fermat dando lugar al inicio de sus investigaciones paralelas. En palabras de Poisson, en su obra Recherches sur
la Probabilit, un problema relativo a un juego de azar propuesto a un austero jansenista por un hombre de mundo, ha sido el origen del clculo de probabilidades.
Por esta razn, el Caballero De Mr est indisolublemente asociado con los nombres de Pascal y Fermat en la historia de la teora de la probabilidad.
Existen tres cartas de Pascal a Fermat sobre este tema, escritas en 1654 y publicadas en Varia Opera Mathematica por
Pierre Fermat en Tolosae, 1679, en las pginas 179188.
. )
41
Tambin
los
trabajos
publicados
por
Pascal
contienen
algunas
cartas
escritas por Fermat a Pascal y que no estn en dos de estas cartas referentes al tema
los trabajos de Fermat, de probabilidades.
El problema propuesto por el Caballero De Mr llamado, en ingls, The Problem of Points, es discutido en la corresponden cia entre ambos autores, comenzando as la teora de la probabili dad.
El dos jugadores puntos para
Problema
de
los
Puntos
consiste
en
lo
siguiente: de
necesitan conseguir, si abandonan el
cada uno, juego
un nmero dado
ganar;
sin acabar de
jugar,
cmo
dividiran el premio
entre
ellos?.
La pregunta hecha de
otra forma podra ser:
Cul es la probabilidad que cada jugador
tiene de ganar en cada etapa del juego?.
Una de
las conclusiones
de Pascal y Fermat es que los
jugadores tanto)
tienen
iguales
posibilidades les
de
ganar
un punto
(un
cualquiera es decir
supone igual habilidad, y sobre
este acuerdo Pascal enuncia dos resultados generales sin demostra cin que, actualizando la notacin seran:
1.
Supongamos
que cada jugador ha apostado una cantidad
de dinero representada por A, que el nmero de tantos es n+l,

y supongamos que el primer jugador ha ganado n tantos y el
segundo jugador ninguno.
Si
los dos jugadores estn de acuerdo
42
en no seguir jugando, el primer jugador tiene derecho a la cantidad 2AA
II.
Supongamos
que
las
apuestas
el
nmero
de
puntos
del
juego son como antes, y que el primer jugador ha ganado un y el segundo jugador ninguno. Si los jugadores estn de
punto
acuerdo en no continuar el juego, al primer jugador le correspon-
de la cantidad
A+ A
1,3.5.
2.4.6.
...
(2nl) (2n)
. . .
En Fermat,
el
intercambio en
de
correspondencia del
entre
Pascal y
concretamente
la segunda carta
veinticuatro de
agosto de 1654, Pascal afirma que el mtodo de Fermat es correcto slo si hay dos jugadores pero no lo es si hay ms de dos; sin
embargo, en este punto Pascal estaba equivocado. Vemos por qu.
En agosto de
una
carta
de
Pascal al
a Fermat
del
veintinueve
de
1654
se refiere
problema de
los puntos para tres
jugadores.
El veinticuatro de septiembre, Fermat responde a Pas-
cal y en esta respuesta seala el error de este ltimo respecto

a ese problema.
Pascal
haba
supuesto
que,
si
los
jugadores
son A,
B y C la combinacin
jugadores, dice que era
ACC, que indica el orden en que ganan los

favorable a A y a C; pero Fermat
igualmente es
este caso
slo favorable a A,
ya que A gana un slo necesitaba un
tanto antes de
que
C lo gane,
y como A
43
tanto, con esto el juego queda decidido a su favor.
Con este comentario tratamos de indicar de forma resumi da dnde en el estaba el error de Pascal sin intencin de ahondar ms dar las referencias ms
tema, puesto que slo pretendemos
importantes de la historia de la teora de la probabilidad.
Como ya se ha sealado,
la teora de la probabilidad
se puede
decir realmente que

y Pierre
comenz
con Blas Pascal
Fermat.
La ms amplio
fama
de
Pascal, Fermat,
sin
embargo,
reside
en
un
campo
que
la de
pero la de ste ltimo tambin es
importante en la teora de la ciencia.
Hay que recordar que en
la poca de Luis Felipe, el gobierno francs asign gran cantidad de dinero para publicar una nueva edicin de la obra de Fermat,
aunque esta no lleg
a realizarse. Posteriormente se reimprimi
en Berln, en el ao 1861.
Mientras la teora de la probabilidad comenzaba,

ya se ha insistido repetidas veces junto con Pascal
como
y Fermat,
vivan en Europa importantes matemticos: entre ellos Descartes,

que muri en 1650; Newton y Leibnitz, que an eran desconocidos, ya que el primero naci en 1642 y el segundo en 1646; Christiaan Huygens que merece una atencin especial por su aportacin al
clculo de probabilidades.
44
Huygens naci en 1629, y en la poca de Pascal y Fermat ya haba

altura.
dado muestra de su influencia pero an no estaba a su
Podra parecer que un tema de inters, como el de Pascal y Fermat, era lgico que hubiera llamado la atencin de los ms distinguidos y gran parte de matemticos sus de la poca, pero esto no ocurri con
investigaciones
fueron
indiferentes,
lo cual cada uno de ellos y aportacin del otro.
tuvo que conformarse con la aprobacin
Pascal una vez
muri en 1662, la segunda
a los 39 aos, mitad del siglo
y Fermat en 1665, XVII, en la que
comenzada
lo que ms llam la atencin fu la invencin del Clculo Diferen
cial por Leibnitz y Newton, en cambio la teora de la probabilidad avanz muy poco en esta parte de siglo.
2.3.2. La aportacin de Christian Huygens (16291695)
Ya hemos
Huygens,
hecho
referencia en el
importante
apartado anterior
como matemtico
de la poca y por su aporta-
cin a la teora de la probabilidad.
Christian
Huygens
naci
en
La
Haya,
el
14 de
abril
de 1629, y muri, tambin en La Haya el 8 de junio de 1695. Este
45
astrnomo y matemtico holands de buena familia estuvo en contac to en Paris con matemticos franceses y mantuvo despus correspon dencia con Fermat. Se cuenta con una biografa suya en su obra
Opera Varia, publicada en Leyden, en 1724.
Ubaldo Nieto de Alba comenta de l:
Si damos por conocidos los origenes y nos fijamos en el desarrollo de la teora, sta recibi el
mayor impulso en Huygens (3).
los aos 165060 con la publicain Aleae Ludo de Christian
cin de De Ratiociniis
De acuerdo con U.
Aleae Ludo, en castellano
Nieto
Sobre
el tratado De Ratiociniis
el razonamiento de los
in
juegos
de azar,
fu la ms importante aportacin a la teora de la proba
bilidad en la segunda mitad del siglo XVII.
Este final
tratado
fu
publicado
primero
por
Schooten
al
de su trabajo titulado Exercitationum Mathematicarum libri publicado en Leyden, en 1657, y ocupa las pginas 519
quinque
a 534 del volumen.
Schooten haba sido maestro de Huygens en matemticas, y el tratado se lo comunic Huygens a Schooten en su lengua;
siendo Schooten quien posteriormente lo tradujo al latin.
46
Es conveniente
ms usual en las
no olvidar que el latn era la lengua

cientficas citadas hasta de la poca, y por como las
comunicaciones las obras
podemos
observar por
ahora
que citaremos en adelante.
Este
tratado de
vuelve James y
4
publicarse
con
un
comentario
en Ars Conjectandi citar
Bernoulli, en la que
partes de
obra que
tendremos que
en muchas ocasiones,
de las
el trabajo de Huygens
las que se compone el
conforma la primera de Bernoulli.
Sobre esta obra comenta tambin Ubaldo Nieto:
En
este
tratado,
Huygens
ser
trata
el
a
problema de
cabo de su por si No
una forma sistemtica y aade los cuales pudieron mismo ya que reconoce, en el
algunos resultados, resto obra,
llevados
los
trabajos
de
los
matemticos
franceses.
obstante, tos y
mientras
aquellos reservaron que no parte de
sus mtolos mismos
dos, l los da a la luz comenzando por los elemenconsiderando (4). principios
Este trabajo contiene catorce proposiciones;
la primera
de las cuales afirma que si un jugador tiene iguales posibilidades de ganar una cantidad representada por A que otra representada por B, su expectativa de ganar es 2 (A
+
B).
47
La segunda proposicin afirma que si un jugador tiene igual es 3 probabilidad de ganar A o B o C, su expectativa de ganar
La tercera proposicin afirma que si un jugador tiene probabilidad p de ganar A y probabilidad q p.A
+
de ganar B,
su
expectativa de ganar
q.B
p+q En la cuarta, quinta, sexta y sptima proposiciones
vuelve a discutir Problema de los Puntos, referido anteriormente,

con dos jugadores,
con un mtodo similar al de Pascal. La
octava
y novena proposiciones discuten el Problema de los Puntos cuando hay tres jugadores con un mtodo similar al utilizado para el
caso de dos jugadores. puede En un la obtenerse un
En la dcima proposicin investiga como con un once solo dado investiga con muchas tiradas. como puede obtenerse
seis nmero de
proposicin
doce con un par
dados.
En la nmero doce investiga con
cuantos dados debe tirar un jugador para conseguir en una tirada al menos dos seis. La proposicin nmero trece trata el siguiente problema: A y B juegan con dos dados, si con los dos se obtie ne un siete gana A, si se obtiene un diez gana B y se obtiene cualquier otro resultado el premio se divide. Comparar las probabilidades de A y B. Por ltimo la proposicin nmero catorce consiste en lo siguiente:
dos jugadores A y B juegan con
dos dados con la condicin de que A gana la apuesta si obtiene un seis antes de que B obtenga un siete, y que B gana la
48
apuesta si obtiene un siete antes de que A obtenga un seis. Si A comienza el juego y tiran alternativamente propone comparar
las probabilidades de A y B.
Hemos ciones, ciones
dado nicamente
los enunciados
de estas proposi-
sin resolverlas, sobre el clculo
con el objeto de sealar las investigade probabilidades de este matemtico,
y por otro lado no alargar demasiado este captulo.
Huygens, al final de su tratado propone cinco problemas

sin demostracin, cuya solucin se da en Ars Conjectandi de James Bernoulli.
Los cinco problemas son los siguientes:
1.
juegan
con dos
dados.
A gana si
obtiene un
y B gana si obtiene un 7.
A tira una vez,
despus B tira
dos veces, a continuacin A tira dos veces y as sucesivamente hasta que uno de los dos gana. Puede demostrarse que la probabili dad de A es a la de B como 10.355 es a 12.276.
2.- Tres jugadores,
A, B y C tienen doce bolas, ocho de las cua-
les son negras y cuatro blancas, y juegan de la siguiente forma: hacen una extraccin con los ojos tapados y el primero que obtiene una bola blanca gana. En la primera vuelta empieza A, despus B y sigue C, otra vez A y as sucesivamente. Determinar las proba
bilidades de los jugadores.
49
Bernoulli
resuelve
el
problema
bajo
tres
supuestos.
En primer lugar supone que las extracciones de las bolas se hacen con reemplazamiento; en segundo lugar supone que slo hay doce
bolas y que las bolas no se reemplazan despus de las extracciones, y en tercer lugar supone que cada jugador tiene su propio
conjunto de doce bolas, y que las extracciones se hacen sin reem plazamiento.
3.
Si tienen cuarenta cartas y se forman cuatro grupos de diez A y B juegan extrayendo cuatro cartas que obtienen de
cartas.
cada grupo. Con estas condiciones
se demuestra que la probabili-
dad de A es a la de B como 1000 es a 8.139.
4.
Se
toman
doce
bolas,
ocho
negras y cuatro blancas.
A y B
juegan extrayendo siete bolas
hasta obtener tres blancas. Compa-
rar las probabilidades de A y B.
5.de
A y tal
toman que y
cada uno doce fichas si A obtiene B obtiene un el la juego
y juegan con con los
tres
dados da
manera
un once
tres dados
un ficha a B, una ficha a A;
si gana que
catorce con los tres dados da obtiene de A es primero a la todas de B las como
quien
fichas.
Demostr
probabilidad
244140625 es a 282429536481.
Insistimos
de
nuevo,
en
que
los
enunciados
de
estos
problemas
en
algunos
casos
las
soluciones,
se exponen
aqu
para dar informacin
de las investigaciones realizadas por este
50
autor,
sin nimo ninguno de profundizar en estos
temas que nos
desviaran excesivamente del ncleo central de esta tesis.
El del siglo
tratado de Huygens, como ya se
uno de los grandes matemticos fue el mejor informe
XVII,
ha sealado,
sobre el clculo de probabilidades hasta que fu sustituido por otros ms elaborados, como los de James Bernoulli, Montmort y
De Moivre, que ya tendremos ocasin de referir al estudiar estos autores.
Ubaldo Nieto vuelve a opinar sobre Huygens:
Aunque slo sea por la ideas de los matemticos
cristalizacin de las franceses, este autor como el
ha ganado el derecho a ser considerado padre de la teora de la probabilidad.

dad no fu solamente en el juego,
Despus de Huygens el inters de la probabili aunque este
continu durante unos cien aos aproximadamente.

Su libro fu el primero que se public sobre
clculo de probabilidades y ejerci una gran influencia sobre Jaime Bernoulli y De Moivre, por
tal razn, con Huygens el clculo de probabilidades se puede dar por comenzado seriamente (5).
Con esta cita se resalta una vez ms la figura de Huygens y su aportacin que con todo lo a la teora de la probabilidad, pone de manifiesto y pensamos
expuesto se
la importancia
de este autor.
51
Para acabar este epgrafe se mencionar muy brevemente a Leibnitz.
2.3.3. Gottfried Wilhelm Leibnitz (16471716)
Godofredo
Guillermo
Leibnitz,
filsofo,
matemtico,
fsico, telogo y filsofo alemn, mal a la vez que Newton.
invent el Clculo Infinitesi-
Hacemos esta mencin por la importancia
que tiene como matemtico, y en general por su reputacin universal, lo que hace que sea importante considerar el gran inters
que mostr por la teora de la probabilidad.
Leibnitz afirma que era consciente de su importancia, aunque l no hubiera contribuido a su avance, y que se senta
atraido por los juegos de todo tipo.
52
2.4. De los problemas particulares a las formulaciones generales
Antes
hemos
comentado
la
influencia
que
Christiaan
Huygens tuvo sobre James Bernoulli, Montmort y De Moivre. Precisa mente de ellos y del reverendo Thomas Bayes, quienes comienzan
a formalizar de forma ms general que sus antecesores, se ocupar este epgrafe; dejando para un posterior punto el estudio de
Laplace,
que va a ser el primero que cree escuela sobre una de
las concepciones para la determinacin de la probabilidad.
2.4.1. James Bernoulli (16541705
Para destacar la importancia de este personaje, veamos lo que dice D.E. Smith de la familia Bernoulli en su obra History of Mathematics:
De los paises europeos que ejercieron una influen cia esencial en las matemticas del siglo XVII, Suiza se mantiene probablemente a la cabeza. Esto no parece debido a influencias intelectuales parti culares sino al esfuerzo de una de las ms interesantes familias conocidas en la historia de la
ciencia, la de los Bernoulli (6).
La familia Bernoulli procedia de los protestantes belgas que fueron expulsados durante el reinado de terror del Duque
53
de Alba, de paises
como ocurri catlicos
con otros pueblos protestantes los siglos XVI y XVII.
expulsados toda
en
Por ello,
la familia se traslada de Amberes a Suiza sobre 1650, instalandose definitivamente en este ltimo pais.
Nueve eminencias
de
los miembros
de
la familia
Bernoulli ellos
fueron
en matemticas y fsica,
y cuatro de
tuvieron
el
honor
de
ser elegidos miembros
de
la Academia de
Ciencias
de Pars.
El
primero
de
la familia
en conseguir una reputacin llamado James Bernoulli por
como matemtico fu Jacques Bernoulli,
los escritores ingleses. Jacques Bernoulli naci en Basilea, el 27 de diciembre de 1654 y muri en la misma ciudad el 16 de agosto de 1705.
James
ms tarde
estudi
en primer
lugar
teologa,
decantndose
por la astronoma, a estos
las matemticas y la fsica. Para
dedicarse su
estudios estuvo en Blgica, de donde proceda Francia e Inglaterra, y volviendo a Suiza
familia,
Holanda,
en 1682.
James
Bernoulli
fu
de
los
continuadores del
calculo
infinitesimal de Lelbniz y Newton. Y entre sus innovaciones podemos sealar el usar por primera vez la palabra integral. En 1682 lleg a ser profesor de matemticas en la Universidad de Basilea.
54
James
Bernoulli
mantuvo
correspondencia
con
Leibniz
y fu ste el que puso objeciones a su clebre teorema. Recordemos el enunciado del teorema en terminologa actual: La sucesin
de frecuencias relativas de un suceso aleatorio converge en proba bilidad a la probabilidad del suceso cuando el nmero de realizaciones crece indefinidamente.
Sobre
este
teorema,
ambos
autores van
a mantener una
larga y polmica correspondencia.

teorema de de este Bernoulli a su
Las objeciones de Leibniz al

al igual En 3 que las rplicas las 1705
son constantes, oponente a Leibniz, muestra
ltimo de
cientfico. fechada el
la ltima de de sus junio de
cartas poco a la
Bernoulli de
antes
morir, de
dramticamente John por trece
desventuras:
ingratitud
su hermano
aos
menor que l y intelectual
siempre profundamente resentido de James,
la superioridad
se unen los recelos de su maestro Leibniz y la penosa
enfermedad que Bernoulli padece.
La sobre aos de el
clebre de
obra
de
James
Bernoulli se
Ars en
Conjectandi 1713, ocho
clculo de de
probabilidades,
public
despus obra
su muerte ocurrida en 1705. Algunas James Bernoulli aparecen en la
referencias
la
correspondencia
entre Leibniz y John Bernoulli.
El prefacio de Ars Conjectandi fu escrito por su sobri no Nicols Bernoulli, al que tambin le propusieron los editores
acabar la cuarta parte de la obra que James Bernoulli dej incon-
55
clusa. fuese
En realidad acabado por
los editores hubiesen deseado que el trabajo John Bernoulli, pero este no acedi a ello
por lo que el encargo pas a Nicols Bernoulli, que ya se dedicaba a la teora de la probabilidad y que tampoco consider adecuada la empresa rechazandola, por lo que el trabajo qued tal y
como lo dej su autor.
El
Ars
Conjectandi,
que
no
aparece
en la edicin
de
sus obras completas,
est dividida en cuatro partes:
La primera parte de esta obra es precisamente el tratado de Huygens que comentamos antes. Las pginas 1 a 71 dedicadas
a De Ratiociniis in Ludo Aleae incluyen tambin un acertado comen tario res En de Bernoulli de sobre esta obra, ms valor trata deduce que el comentario que algunos autopropio de tratado de Huygens.
consideran esta parte
cuando
el Problema
los Puntos para dos de los jugadores
jugadores, cuando uno o o igual igual
Bernoulli tiene
las probabilidades
que conseguir y el esto otro puede
cualquier nmero de puntos menor cualquier nmero extenderse temas de puntos menor puntuaciones
que que
nueve, siete; Tambin
a otras
cualquiera. favorables cada
investiga
otros
como: numero de casos pueden obtenerse o ms dados, en o
de
los distintos las que
resultados hacerse
que
tirada de
pueden
con dos
bien en cuntas pruebas puede uno conseguir un seis con un solo dado.
56
Es necesario cuatro de los cinco
sealar aqu que James Bernoulli resuelve problemas planteados por Huygens al final
de su tratado, Al quinto
tal y como se dijo en la pgina 49 que Huygens dej sin
de este texto. Bernoulli
problema,
resolver,
le d solucin pero
general que el de
sin
demostrarlo,
que puede
y aportando un
verse en
caso ms
Huygens,
la pgina 71 de
Ars Conjectandi.
La la teora de
segunda
parte,
pginas y
72
137, y
est
dedicada a
combinaciones
permutaciones
en ella pretende que
conseguir
una regla para hallar el nmero
de permutaciones
pueden hacerse con un conjunto de elementos dado, cuando no existen repeticiones en l. De forma similar estudia tambin las
combinaciones
dado, etc.
que
pueden
formarse
con
un
nmero
de
elementos
tomandolos de uno en uno, es decir el nmero de
de dos en dos, que
de tres en tres, pueden formarse
combinaciones
con m elementos tomados de n en n, dando para ello un mtodo semejante al Tringulo de Pascal.
La
tercera
parte,
pginas
138
209,
consta
de
las
soluciones
alguno
de
veinticuatro problemas de
juegos de azar. Veamos
de ellos:
tira
un
dado
a continuacin
repite
la
tirada
tantas veces como el nmero obtenido la primera vez. A consigue todo el premio es si la suma de los nmeros del ltimo grupo de
tiradas
superior a doce,
obtiene
la mitad del premio,
si la
57
suma doce, estas
de
los nmeros
del ltimo conjunto
de tiradas
es
igual a
y no obtiene nada si la suma es menor que doce. Con todas condiciones propone determinar el valor de la expectativa
del jugador A.
Otro llamado
de
los
problemas
tratados
en
esta
parte
es
el
Bassette,
que posteriormente al que
ser estudiado tambin por
Montmort y De Moivre,
dedica ocho pginas y cuyo objeto
es calcular la ventaja de la banca en el juego.
Por pginas
ltimo,
en
la
cuarta
parte
de
Ars
Conjectandi
210 a 239, aplica la teora de la probabilidad a algunas
cuestiones
qued
interesantes de la ciencia econmica. A pesar de que

por la muerte del autor, puede considerarse
incompleta
la ms importante de la obra. Esta parte constaba de cinco captu
los
que
lo ms notable de ella es el enunciado y estudio de lo

como teorema de Bernoulli, cuyo enunciado hemos
conocemos
expuesto anteriormente.
Los problemas
de
las tres primeras partes de Ars Con-
jectandi no pueden considerarse iguales en importancia y dificultad a las investigaciones en los dos de Montmort y De epgrafes, Moivre, sin de los que
hablaremos
prximos
embargo
debido
al clebre teorema de Bernoulli,
que lleva su nombre, desarrolla-
do en la cuarta parte de esta obra, consigue que tanto Ars Conjec tandi como su autor, James Bernoulli, adquieran una importancia
fundamental en la historia de la teora de la probabilidad.
58
Es
interesante
sealar
que
Bruno
De
Finetti,
uno
de
los ms importantes subjetivistas del que hablaremos en la parte

central de esta tesis, considera que Ars Conjectandi es el primer
tratado sobre clculo de probabilidades cuando comenta:
Es frase
importante como
aprender ttulo
el
arte primer
de
previsin sobre
adaptada de Ars Conjectandi usada por James del tratado
Bernoulli
el clculo de la probabilidad (7).
Sobre
este
tema D.E.
Smith hace otro comentario mucho
ms amplio que el anterior,

Conjectandi hace referencia
en el que adems de hablar de Ars

a otras obras. Comentario que nos
servir, para adelantar,
con los titulos de stas,
datos importan
tes de la teora de la probabilidad:
El
primer
trabajo
publicado
sobre
el
tema
fu
probablemente
un ensayo
un
el
tratado
de
Huygens
Pero
publicado
el primer
en 1657. Pierre Rmond de Montmort public tambin sobre tema en 1708. libro dedicado enteramente a la teora de la proba
bilidad fu Ars Conjectandi Bernoulli. El segundo libro

Doctrine (1718); Simpson y of Chances the el de De Calculating Probability Laws
(1713) de Jacques sobre el tema era

o A Method of Events Chance in de Play Thomas of of
Moivre,
tercero,
(1740).
Uno de los trabajos ms conocidos
sobre la teora es Theorie analytique des probabi

lits de Laplace, publicada en 1812 (8).
59
Recordemos
que
en este
aspecto
comentaba Ubaldo Nieto
que De Raticiniis in Ludo Aleae era el primer libro que se public sobre clculo de probabilidades te), (cita ya sealada anteriormen-
pero sin lugar a dudas la referencia anterior es mucho ms
precisa.
Leonard J. Savage tambin se pronuncia en este sentido

sobre la obra de Bernoulli cuando dice:
La obra pstuma de Jacob Bernoulli, di (1713), dinado sobre el tema (9).
Ars Conjectan
parece que es el primer esfuerzo coor-
Queda todos diar los a
pus
manifiesta la
relevancia de
este autor
en
comentarios como
que hemos hecho, habamos
pasamos entonces a estual principio de este
Montmort
anunciado
epgrafe.
2.4.2. Pierre Remond de Montmort (16781719)
Pierre octubre 1719. de 1678,
Remond y
de
Montmort tambin
naci
en el
Paris, 7 de
el
27
de
muri
en Paris
octubre de
60
Montmort filosofa sera pero ms
se
dedic
en
primer lugar de
a las
leyes y lo
la que
tarde,
despus
casarse,
comenz
a partir de ese momento
su dedicacin
intelectual princise interes vivamen el que entablara
pal, las matemticas, y dentro de este campo, te por la doctrina del azar,
tema que motiv
relaciones cordiales con De Moivre, John y Nicols Bernoulli.
La danalyse la segunda sur
principal le jeux en
obra
de
Motmort se
sobre
este
tema, en
Essai 1708 y en
dhasard, 1714.
public
en Pars se
edicin
Ambas
ediciones tiene
publicaron
tamao
holandesa,
la primera
edicin
189 pginas
con un
prefacio de 24 y la segunda 414 pginas. La diferencia de pginas entre en la la primera segunda y la segunda una edicin se debe, sobre en parte, a que que
existe
introduccin
combinaciones
ocupa de la pgina 1 a la 72, y por otra parte debido a que aade una serie de cartas entre Montmort y Nicols Bernoulli, y una
carta de John Bernoulli.
Leibniz
mantuvo
tambin
correspondencia
con Montmort
del que tena una opinin favorable como cientfico, sin embargo
Leibniz comenta del trabajo de Motmort:
Hubiera deseado que las leyes de los juegos estuvieran mejor un poco mejor descritas y los trminos explicados para los extraos y la posteri-
dad (10).
61
La su trabajo de
introduccin surge porque
de unos
la
obra
de
Montmort
refiere
que la
amigos le piden del Pharaon y
que determine
ventaja
la banca
en el
juego
esto le llev a
un trabajo en el que hace algunos comentarios sobre las supersticiones que tienen algunas personas dedicadas a los juegos de
azar, a las que quiere demostrar que hay unas reglas de ese azar.
El trabajo de Montmort est dividido en cuatro partes: la primera trata y en sobre la contiene juegos la teora de de cartas, la las combinaciones, sobre la segunda
la tercera de
juegos de dados problemas, entre
cuarta
expone
solucin
varios
los que estn los cinco problemas propuestos por Huygens, citados
en la pg. 48 de este texto. Recordemos que este autor es uno
de los seguidores de Huygens.
Antes
de
la
segunda
edicin
de
la
obra
de
Montmort
aparecen dos tratados sobre el tema: De arte conjectandi in Jure de Nicols hace Bernoulli, y De Mensure Sortis el de De Moivre. Este
ltimo
referencias
ofensivas
sobre
trabajo
de Montmort un bosque-
y este para defender los argumentos de su obra expone
jo de la teora de la probabilidad desde sus orgenes, como funda mento de de sus propias conclusiones. la probabilidad Este bosquejo de la historia adems del
la teora de
resulta interesante,
motivo por el que Montmort lo hizo, porque al tema de la historia de la probabilidad se la haba prestado muy poca atencin hasta
entonces.
62
En la primera parte
(172) de la obra Montmort argumenn (a + b) debe las distintas
ta, a priori, que el coeficiente del desarrollo de ser igual al nmero de casos que corresponden a formas fichas
en que pueden aparecer las caras blancas y negras de n tiradas al azar, en que cada ficha tiene una cara blanca
y una cara negra.
Otro es como sigue:
de Se
los
problemas
propuestos
en la primera parte nmero de caras
tienen p dados encontrar b doses,
con el mismo
y Montmort propone, obtener a unos,
el nmero de formas en que podemos c tres, etc., cuando se tiran
los dados al azar. El resultado en notacin moderna sera:
a! b!
c!
En complejos c de un
esta
misma
parte
resuelve
tambin b
problemas
ms
como:
obtener tipo,
a caras etc...
,
de un tipo,
de otro tipo, que sean unos,
tercer
....
sin especificar
doses o tres
En Montmort da
la una
segunda solucin
parte (pginas propia del
73
172) del
del
trabajo, con
problema
Pharaon
dos tablas de resultados numricos. Este juego fu tambin discutido por Nicols Bernoulli y Euler.
63
Adems juegos, algunos
del
anterior, Montmort tratados por
tambin
discuti
otros los
tambin
otros
autores.
Entre
juegos discutidos Bassette tratado este por
en la segunda parte estn: Lansquenet, Treize es muy parecido como al del en Pharaon, y ya fu n~
~j
ltimo
James
Bernoulli
referimos
la pgina
de este texto.
En la tercera parte quenove, Hazard, Esperance,
(173215) Trois Dez,
trata los juegos: Passedix, Rafle
Quin y Le
Jeu des Noyaux. tidos
De estos Hazard y Raffle o Raffling son discu-
por De Moivre en su obra Doctrine of Chances como veremos
posteriormente.
Como hemos
dicho otras veces no se comenta en qu con-
sisten estos juegos para no desviarnos demasiado del tema, aunque por otro lado interese nombrarlos con el objeto de aportar datos sobre los temas que trataron los autores, que estudiamos, en
sus investigaciones.
En
la cuarta parte pginas
(216 a 282)
incluye varias
soluciones de problemas de azar, entre ellos los cinco de Huygens que hemos de comentado estas anteriormente. son Es importante a las indicar dadas que
algunas
coluciones
similares
en Ars
Conjectandi por James Bernoulli.
Tambin Montmort
dedica algunas
pginas
al
Problema
de los Puntos (pginas 232 a 248) y da por primera vez dos formu-
64
las, siendo cualquiera de ellas una solucin completa del Problema de los Puntos para dos jugadores teniendo en cuenta la diferencia de habilidad de ambos, habilidad. La habilidad que tiene en la primera edicin lo hacia con igual de cada los uno jugadores de ganar se representa por en una sola la
probabilidad
prueba,
con la condicin de que la suma de ambas sea la unidad.
En merece la
la segunda
edicin hay cuatro problemas nuevos que el el primero trata de una lotera que
pena Pars
mencionar: en 1710,
comenz en
segundo es un problema sencillo de
combinaciones, el tercero es un juego llamado Le Jeu des Oublieux y el cuarto es una extensin del problema nmero once de Huygens
que se da tambin en el Ars Conjectandi de James Bernoulli.
Tambin en esta segunda edicin Montmort trata el problema de la Duracin entre del Juego, que tambin es discutido por
otros autores,
ellos especialmente De Moivre,
que lo trat
con gran agudeza y xito como luego veremos. Este ltimo comenta en una carta dirigida al propio Montmort que la solucin de este
coincide con la de Nicols Bernoulli y la demostracin tambin

est deducida encontrarse de la primera solucin de aquel. Esta carta puede De Moivre Doctrine of Chances, en la
en la obra de
pgina 122 de su primera edicin.
En de
general,
podemos
considerar
importante
el
trabajo
Montmort por atreverse
a tratar temas
hasta ese momento tan
poco elaborados y por la constancia que puso en ello.
65
Sobre la importancia de Montmort seala 1. Todhunter:
No una
se
puede o muy
comparar matemticamente De Moivre, elevada ni de parece la su verdadera trabajo,
con
James
Bernoulli idea
tener
formada dignidad y su in-
e importancia del tema. Pero estuvo con entusiasmo dedicado a l, no escatim
fluencia directa o indirecta estimul los esfuerzos de Nicols Bernoulli y De Moivre (11).
Queda puesta
de manifiesto
en esta cita la influencia
de Montmort sobre De Moivre que es el autor del cual hablaremos en el siguiente apartado.
2.4.3. Abraham De Moivre (16671754)
Abraham Champagne- el 26
De Moivre, de Mayo de
geometra francs, 1667, y muri
nacido en Vitri el 27 de
en Londres
Noviembre de 1754.
De en Londres y
Moivre pas su vida a partir de los dieciocho aos por este motivo puede figurar con la escuela de
matemticos inglesa. Fu creador con Lambert de la trigonometra imaginaria e investigador importante des. del clculo de probabilida-
66
De la en de
Moivre
tuvo
la
suerte de
que cayera en sus manos su desventaja dedic
obra Principia de Newton con el campo de la matemtica,
la que descubri a partir de
entonces se estudio
lleno
a ella y por su de como
constancia en la
en el
lleg a ser En 1697 fu
un hombre admitido
gran habilidad miembro en la
investigacin. Society.
Royal
Tambin
ingres en
las Academias de Paris y Berlin.
Sus trabajos principales los encontramos tra y teora de la probabilidad.
en trigonomeel
En trigonometra formul
teorema que lleva su nombre y que por su importancia, nos un poco del tema que nos ocupa, reproducimos aqu:
desviando-
(cos x
sen x) n
cos nx
i sen nx
relacin
que
conduce
interesantes
identidades
en
la
teora
de los nmeros complejos.
En la teora de la probabilidad es conocido por formular la regla que permite obtener la probabilidad de un suceso
compuesto.
Public
Doctrine
of
Chances,
su
obra
fundamental
en
teora de la probabilidad,
en Londres en el ao 1718,
con poste-
riores ediciones en 1738 y 1756, esta ltima despus de la muerte del ms autor. arriba. La obra fu dedicada a Newton, por la razn expuesta Posteriormente fu editada en italiano en el ao
67
1776 en Miln.
Doctrine of Chances fu el segundo libro ms importante sobre teora de la probabilidad de acuerdo con la cita nmero
8 de este mismo captulo y era llamada tambin A Method of Calcu-ET1 w386 605 lating the Probabilities of Events in Play
De Moivre escribi tambin una memoria De Mensura Sor tis, referida anteriormente en la pgina 61 de este texto, de
la que envi una copia a Montmort y este expres su opinin sobre la obra en una carta dirigida a Nicols Bernoulli publicada en
la segunda edicin del libro de Montmort.
La memoria recoge veintiseis problemas y algunos comentarios que explican como establecer la probabilidad. Para darnos una idea de la obra veamos lo expuesto en algunos de ellos:
El segundo problema es un caso particular del Problema de los Puntos y lo expresa asi: Supongamos que A necesita cuatro puntos y B seis puntos y la probabilidad de que A gane
un solo punto es a la de B como 3 es a 2. Es importante recordar las que hasta ahora, de en los todo lo publicado sobre el slo problema, punto se
probabilidades
jugadores de es lo
ganar un
haban considerado en los dos
iguales, Segn
decir se supona igual habilidad referido anteriormente Montmont
jugadores.
trata este problema tambin con distinta habilidad de los jugadores pero en la 2~ edicin despus de la publicacin de De Mensura Sortis
68
El
octavo
problema
es
un
ejemplo
del Problema de
los
Puntos con tres jugadores.
Respecto Huygens para
al
noveno
problema,
el
quinto propuesto
por
solucionar,
ya hicimos
referencia en
la pgina 38
de esta tesis doctoral. En l encontramos publicada por vez primera la frmula para determinar la probabilidad que cada uno de
los dos jugadores tiene de arruinar al otro en un nmero ilimitado de jugadas.
Los propuesto
problemas
once y doce recogen el segundo problema En este caso, la interpretacin dada por El problema nmero
por Huygens.
De Moivre coincide con la de James Bernoulli.
trece corresponde al primero de Huygens, y el catorce corresponde al cuarto de estos problemas de Huygens, cuyos enunciados podemos encontrar en las pginas 48 y 49 de esta tesis doctoral.
Todos Doctrine y of
estos
problemas a excepcin
vuelven de
estar dos
repetidos ltimos
en
Chances, por
estos
(trece que en
catorce) los obra.
ser extremadamente quince
sencillos. tambin
Los problemas se encuentran se
hacen esta al
nmeros Los de
a diecinueve del veinte
problemas la
al veintiseis tema
refieren sido
problema
Duracin
del
Juego,
que ya haba
tratado por Montmort, pero cuyo trabajo fu criticado muy duramen te por De Moivre. (Ver pgina 64).
69
Muchos Mensura Sortis Ars Conjectandi
de
los resultados
publicados
en
la memoria De de
por De
Moivre ya existan en
los manuscritos
y tambin
en la correspondencia mantenida entre
Idontmort y los Bernoulli.
Hagamos ahora una pequea referencia de la obra Doctri-ET1 w468 57 ne of Chances
Doctrine en 1718.
of Chances edicin
como ya hemos dicho
fu publicada
La primera
de ella fu dedicada a Newton y la
segunda a Lord Carpenter.

las distintas ediciones: na refiriendose
Tambin existe otra diferencia entre
el prefacio de la primera edicin termie invita a Nicols y John Ber-
a Ars Conjectandi
noulli a seguir el tema empezado en la cuarta parte de la misma, sin embargo este prrafo no figura en otras ediciones.
De Moivre envia una copia de esta obra a Montmort cuando fu publicada, aproximadamente dos aos antes de que este
ltimo muriera.
En esta
obra
De
Moivre
hace
un
avance importante
en
la notacin como es observar la ventaja de emplear una sola letra en lugar ocurra un que de dos o suceso. tres para representar As, si lp p la probabilidad de que de su
representa a la probabilidad la probabilidad de
ocurra un suceso, y si
representar
fracaso;
q y r representan a las probabilidades de ocup (lq) (lr) representa
rrencia de otros dos sucesos, entonces
70
r la probabilidad de que ocurra el primero a la vez que ocurre el fracaso de los otros dos. Esta simplificacin de la notacin
es importante para los problemas de este tipo.
Aunque
en
la
primera
edicin
de
Doctrine
of
Chances
slo haba cincuenta y esta cifra se amplia a
tres problemas, setenta y
en ediciones posteriores Evidentemente no es
cuatro.
este el lugar oportuno para considerar blemas citados, por lo que slo
los setenta y cuatro proa colacin aquellos
traeremos
que nos sirvan para continuar la trayectoria comenzada en epgrafes precedentes.
Por
ejemplo,
el
problema nmero seis
de esta obra es
un caso particular del ya citado Problema de los Puntos con tres jugadores, Fermat. casos Pascal Moivre En para el cual De Moivre propone la misma solucin que la segunda edicin De Moive tambin discute algunos
sencillos de este problema siguiendo el mtodo que utiliz para resolver el problema una regla con dos jugadores. este Adems De problema
propone
tambin
para
resolver
cualquiera que sea el nmero de jugadores,
basndose en el mtodo
de Fermat que comentbamos con anterioridad. Esta regla ya haba
sido publicada por el mismo autor en su obra Miscellanea Analyti-ET1 w376 19 ca, editada en Londres en 1730. En la segunda edicin de Doctrine of Chances, publicada en 1738, se explica este mtodo en las
pginas 191 y 192.
71
Otro de los problemas, han sido ya tratados de Bassete y
como son el trece y el catorce, anteriores. Pharan. Este Nos referimos al
en epgrafes al juego del
juego vuelve
tlimo
problema en
a ser tratado
tambin
en el problema treinta y trs,
el que De Moivre trata de encontrar qu tanto por ciento consigue la banca en el juego del Pharan del total del dinero apostado.
En los cinco problemas numerados del quince al veinte, De Moivre etablece, mediante sencillos ejercicios de probabilidad,
una teora de permutaciones y combinaciones. Esta teora de combi

naciones tambin es aplicada para resolver los problemas veintisiete a treinta y dos, que se refieren al juego llamado Quadrille y en los donde problemas nmeros cincuenta y uno a cincuenta y seis, son aplicados a la
ejemplos
sencillos
de
combinaciones
resolucin de los juegos de Piquet
Tres Montmort, a los
juegos ya citados
y analizados
anteriormente por Nos referimos los problemas
van a ser retomados el llamado
por nuestro Treize, que
autor. ocupa
siguientes:
nmeros treinta y cinco y treinta y seis de la obra de De Moivre, pero que que lo no es tratado por hecho en su este autor con la misma profundidad Nicols Bernoill y
haban
correspondencia
Montmort; el llamado Hazard, que ocupa el problema nmero cuarenta y seis, y sobre el que Montmort haba obtenido un resultado
parecido al
de
De
Moivre;
y el llamado Raffling, que ocupando

ocho y cuarenta y nueve de la
los problemas
nmeros
cuarenta y
obra de De Moivre, haba sido estudiado por Montmort en las pgi-
, .
72
nas 207 a 212 de su ya citada obra Essai danalyse sur le jeux

d hasard
Este ltimo de tres dados. dobles,
problema,
el
llamado Rafling,
es un juego
Al tirar o ni
tres dados pueden darse resultados trini dobles, esto es una combinacin
pes,
triples
de tres
resultados
diferentes.
Contando slo las tiradas en las tanto De Moivre como probabilidades. tema que Este
que los resultados fueran triples o dobles, Montmort ltimo adems, do establecen trata la una ms tabla en numrica de el
autor, rebate
profundidad originalidad
Montmort, atribuyen veinte
posible el
del de
juego, este
a Francis
Robartes
primer
estudio
juego
aos antes de la publicacin del trabajo de Montmort.
Otro de los temas importantes de la aportacin de este
autor a la historia de la teora de la probabilidad es su estudio

del problema de la Duracin del Juego, del cual ya haba publicado algunas investigaciones anteriormente, este en su obra De Mensura Sortis, como
comentbamos mort. Ms
y que
tambin fu tratado por Montllamar tambin la atencin
adelante
problema
de Lagrange y de Laplace. De este ltimo hablaremos en un epgrafe posterior, matemtico, no pero de Lagrange, a a pesar por de su importancia como ser suficientemente
volveremos
hablar,
no
representativo en la historia que nos ocupa.
Despus en De Mensura
de citar De
el problema de la Duracin del Juego Moivre vuelve a tratar este tema en
Sortis,
73
la
tercera edicin
de Doctrine
of Chances,
en varios problemas
que ms tarde do general
sealaremos. Pero antes, debemos exponer el enuncia problema de la Duracin del Juego: Supongamos
del
que un jugador A tiene a su vez, n fichas.
m fichas y que otro jugador B tiene, Si las probabilidades que tienen estos
jugadores de ganar una sola jugada se dan en la relacin equivalente al cociente a/b
,
el
juego
se
hace de
tal
forma
que
el perdedor de cada jugada tiene que dar una ficha a su adversario, calcular la probabilidad de que un jugador haya ganado todas las fichas de su contrario antes de un cierto nmero de jugadas. Con la relacin gane una jugadores. a/b entre las posibilidades de que cada jugador establecida la distinta habilidad de los
jugada queda
Los
problemas
que
tratan
sobre
este
tema en Doctrine
of Chances son los siguientes: y m nueve,

=
el cincuenta y ocho y el cincuenta el problema para el caso de
en
los
que
resuelve
el sesenta y tres y el problema segn sin la condicin
sesenta y cuatro, en los que redel enunciado general,

=
suelve el esto es, nmero
las condiciones previa de m
n ;
y el que hace el
sesenta y cinco, nmero
en el que expone un caso particular del m de fichas de del A de jugador A ilimitado, que A infinito.
problema con el En se este caso,
al
ser el capital
el problema
plantea
calculando
la probabilidad
arruine a B
en un nmero determinado de jugadas.
74
Otra
de
las
grandes
aportaciones
de
De
Moivre
la
teora de la probabilidad es el teorema que el que aproxima mediante una curva
lleva su nombre, por binomial a
la distribucin
la normal. Por esta razn
se considera que la idea de esta lti-
ma distribucin se debe, precisamente, a este autor.
De Moivre es, en cualquier caso, el gran perfeccionador de esta parte de las matemticas, a pesar de que le han surgido
un gran nmero de detractores y que sus aportaciones fueron siempre sale muy al discutidas. paso de Thomas Bayes, del de que De pronto hablaremos, a
estos
detractores
Moivre,
y defiende
este autor cuando seala:
Estan muy equivocados
quienes han
insinuado
que
Doctrine of Chances es trivial como estudio mate-
mtico, y que no puede tener un sitio en una inves

tigacin seria (12).
En este mismo sentido se manifiesta tambin 1. Todhunter, cuando expresa:
No hay debe ms
duda de que la Teora de la Probabilidad a l con (De la Moivre) nica que a cualquier excepcin de otro Lapla-
matemtico, ce (13).
Compartimos consideracin este es
estas uno
opiniones, de los
pues
tambin
en
nuestra de la
autores
fundamentales
75
historia de la teora de la probabilidad, consideracin que creemos justificada por los datos en esta exposicin. que hasta ahora han sido aportados
En el siguiente apartado de este de otro autor de al similar que importancia
epgrafe Nos
hablaremos referimos a
a ste.
Thomas Bayes,
acabamos de citar defendiendo
precisamente
la importante obra de su predecesor De Moivre.
2.4.4. Rey.
Thomas Bayes
(17021761)
El el primero de
reverendo
ingls del
Thomas
Bayes
naci
en
1702,
fu
los hijos
matrimonio
compuesto por Ann Bayes
y Joshua Bayes, de
ste ltimo tambin pastor protestante. A pesar
la importancia de este hombre en la teora de la probabilidad
se
que
conoce muy poco

les
sobre su historia personal,
hasta el punto
fu imposible fijar con certeza su lugar de nacimiento.
Ni Todhunter, bilidad, este ni
en su ya citada Historia de la Teora de la Proba-ET1 w276 24 G. A. ni Barnard otros en su nota biogrfica que sealan de 1958 sobre
autor
(14),
autores
datos
personales
de Bayes
hacen
referencia
a este punto.
No resulta extrao que
estos autores tampoco fijen con certeza el dato de su nacimiento, pues incluso del The siglo Dictionary pasado, of National Biography, recopilado de Bayes,
al final
que dedica
un apunte
al padre
Joshua
Bayes,
como
uno
de
los
primeros pastores protestantes
76
que
fu
ordenado
publicamente
como
tal,
no
aclara
nada
sobre
su hijo Thomas. dos de
En otras obras especficas, concretamente tratalas matemticas, se habla de tales como los de Loria sus contribuciones a la
las historia de y Cantor (1908),
(1933)
teora de la probabilidad y al anlisis matemtico, pero se omite de

,
en todas ellas,
los detalles biogrficos personales. A pesar hemos Bayes podido naci comprobar en Londres en la Enciclopedia y muri el 17 de
estas
dificultades que Thomas
Britnica
Abril de 1761 en Tunbridge Wells, Kent.
Por aportados han
las
razones
expuestas, de
los
datos biogrficos
aqu
sido
tomados
la ya citada nota biogrfica de
G. A. Barnard sobre Thomas Bayes.
Pudiera ser que Thomas Bayes hubiera dado sus primeros pasos G. A. aos, en la ciencia matematica como alumno de De Moivre, Barnard comenta que en la poca que Bayes escribe a Leibniz comentando ya que
cuenta con doce pobre De
Bernoulli
cmo el
Moivre se ganaba la vida en Londres como profesor de matemticas. Y no Bayes es descabellado pensar entonces, esta ciencia como seala Barnard, con uno de los que
hubiera
aprendido
fundadores
de la teora de la probabilidad.
Con el tiempo, Thomas Bayes fu ordenado pastor protestante, y comenz su ministerio con la ayuda de su padre, que
como veamos ces pastor
tambin era pastor y haba sido nombrado por entonde los Presbiterianos en Leather Lane. Ms tarde,
77
siendo tratado that is
pastor
en
Tunbridge Divine End of
Wells,
Bayes or
escribe, an
en
1731, to
un
titulado: Principle
Benevolence,
attempt
prove
the
of the
Divine Providence que fu que
and Government por John de
the
happiness En este
His Creatures, Bayes
publicado el
Noon.
tratado
argumenta
fin principal
la Deidad es
la felicidad de sus criaturas.
Para tener una idea
ms clara de las teoras de Bayes reproducimos aqu el siguiente prrafo contenido en la carta enviada por Mr. Prince a John Can-
ton sobre un artculo de Bayes:
El
propsito
que me
gua es
demostrar
la
razn
que tenemos para creer que hay en la constitucin de las cosas leyes fijas, por las cuales los sucesos ocurren, debe y ser que, el por tanto, de el la esquema del y mundo resultado sabidura
el poder de una causa inteligente, y as confirmar el argumento de las causas ltimas para la existen cia de Dios (15).
Podemos
considerar
precisamente
en
este
intento
de
establecer unas leyes fijas, gente que las la y superior, se sobre
que procederan de una causa intelilos sucesos, y con la una de
la ocurrencia de demostrar este
Bayes
propona por las
la existencia se vuelca de
de Dios, en
razones
que
autor
la teora de
probabilidad,
dedicando
a esta parte
las matemticas ms
esfuerzo que a otras.
78
Thomas Bayes se retirar de sus obligaciones como pastor en 1752, ton, Segn otros de quien siendo sucedido en su ministerio por Willian Johnstambin heredara este la valiosa biblioteca de Bayes. para
algunos fu
autores
abandono
fu voluntario, se le plante
pero
debido
a un problema que
con un grupo
pastores independientes
de Londres que llegaron a su capilla
en 1750.
La de
importancia de que nos de las el que
Bayes ocupa
en
la historia de
la teora es el teora
la probabilidad de a una
es decisiva.
Este autor de esta
iniciador al de
ms importantes mtodo puede
partes
comenzar las
aplicar las
de obtener
las probabilidades
causas por
haber sido producido un suceso
que se ha observado.
Segn
la opinin
de D.
J.
Struik,
Bayes
comenz
esta
investigacin que fu posteriormente desarrollada por Laplace:
Laplace una
rescat
del
olvido por
y volvi a formular Bayes, un oscuro
teora
esbozada
Thomas
clrigo ingls, da como la
que fu publicada en 176364 desde las probabilidades inver-
pus de su muerte. Esta teora lleg a ser conociteora
sas (16).
Es
necesario
exponer
aqui
para
dejar
clara
esta teora de la que habla el autor citado, que se llaman probabilidades inversas a las probabilidades de las causas por las
79
que
puede
haber
sido
producido
un
suceso
observado.
Sobre
la
teora de las probabilidades inversas y en general sobre la impor tancia de Bayes., el doctor Ubaldo Nieto de Alba comenta:
El reverendo Thomas Bayes es el autor de la frmu la de la probabilidad inversa, publicada en 1763, as como de su famoso postulado, que todava hoy se encuentra en los tratados de Estadstica Matem tica. No obstante, queda asegurada su inmortalidad teniendo en cuenta que fu el priu~ero en utilizar la probabilidad en el razonamiento inducti-
vo (17).
Las Bayes public
dos
memorias teora
de de
las la
que
se tiene
constancia son: An
que
sobre
probabilidad
Essay
towards solving a Problem tration of la de of the in second the
in the Doctrine of Chances y A Demos-ET1 w460 37 in the of Essay towards the solution ambas en
Rule
a Problem revista Bayes.
Doctrine
Chances,
publicadas despus de
The Philosophical Transactions Estas dos memorias John haban en sido
la muerte por Mr. de que
comunicadas despus de
Richard aquel
Price
a Mr.
Canton
una carta, los
encontrara
ambos
ensayos
entre
artculos
su amigo
Bayes, una vez fallecido ste.
La a en del 418 del
primera volumen
de 53
estas de
memorias
ocupa
las
pginas
370
Philosophical segunda es, el ocupa 54 de
Transactions, publicado las pginas 296 a 395
1764,
mientras
que
la
siguiente
volumen,
esto
la misma publicacin,
editado en el ao 1765.
80
En breve
la
primera de
de
dichas leyes
memorias, de
Bayes la
expone
una la
demostracin
las
generales
teora de
probabilidad, cuyo
a partir de las cuales establece su famoso teorema, obviamos por el ser suficientemente de calcular conocido; ms
enunciado el
adelante
autor
propone
modo
la probabilidad
de un suceso compuesto.
Otro de es el siguiente:
los
teoremas que Bayes
propone en sus ensayos
Si un suceso ha ocurrido p veces y fracasado de que su posibilidad de ocurrir en
q veces,
la probabilidad
una sola realizacin est entre a y b es igual a
b x~ dx (l~x)~ a (l~x)~ dx
1 1 xp
Mr.
Price,
del
cual
ya comentamos
antes
que encontr
los artculos de Bayes, nes de su amigo
qued tan sorprendido por las demostracio este tema, sobre el que
que continu estudiando
realiz laboriosas investigaciones.
Es importante mencionar tambin una carta que el propio Bayes escribi a John Canton sobre Series Asintticas y que fu en la ya 269 citada Philosophical a 271 es breve Transactions al volumen en 52. 1763, Este
publicada en las
pginas
correspondientes y de gran
trabajo matemtico
calidad,
al igual que el
resto de los trabajos de este autor sobre la teoria de la probabilidad. Y quiz sean estas dos expresiones brevedad y gran
81
calidad- las que mejor definan y resuman la labor de Bayes.
Por tanto, a pesar de la brevedad de sus trabajos matemticos, lidad a pesar de que sus tratados sobre teora de la probabidespus de su muerte, y a pesar de que
fueron publicados
slo comenz una investigacin que desarroll ms tarde Laplace, Bayes tiene una gran resonancia en la historia de la teora de como hemos visto, por la impor inversa, tema del que este
la probabilidad, fundamentalmente, tanda del tema de
la probabilidad
oscuro clrigo fu el precursor.
Una epgrafe
vez
estudiado a Pierre de las que
Bayes, Simon
pasamos Laplace,
estudiar,
en
un y de
distinto, de
como
conformador el modo
formalizador
una
interpretaciones va a crear
sobre
calcular la probabilidad
escuela,
la escuela de
la teora clsica de la probabilidad.
En ese epgrafe observaremos que algunas de las opiniones de Laplace utilizadas ya de han juegos para sido que lo calcular utilizadas tanto hemos que hace, la probabilidad por sus como
cantidad en
numrica
antecesores ahora;
los problemas en este
citado hasta a nuestro
pero,
caso,
Laplace
entender,
es dar carcter general a la teora.
El hecho de dedicar a Laplace un epgrafe entero puede resultar breve que desproporcionado los anteriores, al resultar este epgrafe mucho ms
sin embargo creemos conveniente
estu
82
diar a este tanto
autor
en un
epgrafe distinto a sus antecesores en acabamos de expo-
en cuanto,
precisamente por todo lo que
ner,
encontramos
en este
autor
la primera formalizacin de
la
teora clsica de la probabilidad.
83
2. 5.
Pierre
Simon
Laplace
(17491827).
La formalizacin
de la teora clsica de la probabilidad
El nombre de Pierre Simon Laplace,
uno de los persona-
jes ms importante de la historia de la teora de la probabilidad que estamos tratando, ha sido ya mencionado en diversas ocasiones a lo largo de este trabajo. Comenzaremos este epgrafe, tal como lo hemos hecho anteriormente, citando algunos datos biogrficos
que nos ayuden a situar a este autor en su contexto intelectual.
El
matemtico
astrnomo
francs
que
llegara a ser
con el tiempo marqus de Laplace, naci en la ms absoluta miseria en Beaumont-enAuge (Calvados), un 23 de marzo de 1749, y
muri ya marqus el 5 de marzo de 1827 en Pars. En esta ascensin personal la poltica, que admirados influyeron, la proteccin por la adems de sus buensimas dotes para
de algunos intelectuales de la poca, del joven Laplace costearon su
capacidad con la
educacin. una plaza
Precisamente, de lo profesor que le
ayuda de
DAlembert,
consigui militar de
de matemticas
en la escuela Ms tarde, y de
Beaumont, en la
di gran reputacin. de la Escuela
tom parte la Escuela
organizacin
Politcnica
Normal donde tambin lleg a impartir lecciones.
Sus
grandes
dotes
de
oportunidad
para
la poltica le
llevaron a anteponer sus intereses personales sobre sus creencias polticas. los As, a pesar de ser monrquico, de Napolen Bonaparte, destac pronto entre le di el ttulo
seguidores
quien
84
de Conde y le nombr Ministro del Interior en 1799. Pero el genio militar no soport durante demasiado tiempo al genial y excntrico matemtico y antes de los seis meses le hizo dimitir con el
comentario de que tena en su trabajo el espritu de lo infinite simal (18).
Una volvi a
vez el
restaurada carro de quien
la monarqua sus en primitivas recompensa
en
Francia,
Laplace
tomar a Luis
creencias le
polticas en la
apoyando
XVIII,
ascendi
nobleza nombrandole marqus en 1817.
La capacidad
intelectual
de Laplace
le permiti tocar
diversos campos de la ciencia, por ello su nombre est fundamentalmente la relacionado la con de la astronoma, la mecnica el celeste, y las
geodesia,
teora
la probabilidad,
clculo,
ecuaciones
diferenciales.
Sus
dos principales obras en el campo
de la astronoma y la mecnica celeste son: Exposition du Systme du monde, y Trait publicada en Paris, de mecanique cleste, en el ao 1796, que se public en dos volmenes, tambin en Paris,
entre los aos 1799 y 1825, y que consta de cinco volumenes.
Remitindonos al campo que a nosotros ms nos interesa, esto es, memorias lytique y al campo de la probabilidad, Laplace escribi numerosas que ms tarde des
incorporara a su gran obra Thorie Ana-ET1 w428 152 publicada en Pars, en el aos ao 1812 la
Probabilits tarde,
reeditada ms
tambin en Pars,
en los
1814,
segunda edicin, y 1820, la tercera.
85
Dado que, fueron de de ms tarde
como hemos dicho, a esta
la mayora de las memorias obra, a la hablaremos primero
incorporadas adelante
ellas,
para ms
referirnos
estructura general
su obra compiladora,
de esta forma mantenemos una coherencia
cronolgica en la estructura del pensamiento de este autor. Como es que dad. lgico, tratan pasaremos revista esencialmente a aquellas memorias con la teora de la probabili-
aspectos relacionados
La primera de estas memorias cronolgicamente hablando lleva por ttulo Memoire sur les suites rcurrorecurrentes
et sur les usages dans la thorie des hasards, y en ella nuestro autor considera tres problemas.
El en este
primero de
de
ellos,
el del
ya mencionado
repetidamente
trabajo
la Duracin
Juego, que como vimos haba se encuentra
sido tratado anteriormente por De Moivre y Montmort,
resuelto en las pginas 225 a 238 de la primera edicin de Tho rie Analytique des Probabilites. Laplace plantea aqu el problema para el caso de dos jugadores con igual habilidad e igual capital, que para ms cada tarde resolverlo para un caso particular pero en el
jugador
aplique
distinta
habilidad
manteniendo
la condicin de capitales (nmero de fichas en el enunciado general del problema que hacamos antes) iguales para ambos
=
jugado-
res. Recordemos que este ltimo caso en el que m la notacin enunciada en el epgrafe 2.4.3) es
n (siguiendo el
precisamente
que resuelve De Moivre en los problemas nmeros cincuenta y ocho
86
y cincuenta y nueve de su obra Doctrine of Chances. Pero volviendo a nuestro es autor, esto es este a Laplace, problema debemos sealar una que su en
aportacin
resolver
mediante
ecuacin
diferencias finitas con una variable independiente.
El segundo es un problema relacionado con una lotera sin excesiva dificultad, y el tercero, cuya solucin se da en
la pgina 201 de la citada primera edicin de Thorie..., consiste en tomar al azar de un montn de fichas un nmero cualquiera de ellas y determinar la probabilidad de que el nmero de fichas tomadas sea par o bien la probabilidad de que este nmero sea impar.
Otra
de
las
memorias
es
la
titulada Memoire
sur
la
probabilit des causes par les vnemers, y en ella Laplace enuncia por primera vez y de una manera clara el principio para la estimacin de las probabilidades de las causas por las que puede haber sido producido un suceso observado. Recordemos que este
tema es precisamente el haba tratado Bayes;
tema de la probabilidad inversa que ya
sin embargo, Laplace no hace aqu ninguna
referencia a su predecesor.
En esta misma memoria se trata tambin el antiguo Problema de los Puntos, del que venimos hablando desde los tiempos
de Pascal y Fermat y que ha sido tratado por casi todos los autores citados en este trabajo. Tambin define aqu el concepto
de media, y lo hace en dos sentidos: en sentido aritmtico, como
87
promedio de todos los valores observados; y, en sentido geomtrico, como el valor que corresponderla a la abscisa del centro
de gravedad del rea encerrada bajo una determinada curva.
En Recherches diffrences sards,
otra memoria,
publicada des
en
1776 bajo
el
ttulo de aux
sur
lintgration et
Equations dans
differentielles
finies, de
sur leur usages temas
la theorie des ha-ET1 w51 561
se ocupa
diversos
de la teora del azar que ya
han sido citados en pginas anteriores.
As, hace observaciones de carcter general sobre lanza mientos de monedas, par o impar o sobre la probabilidad de obtener un nmero Tambin
de fichas al coger de un conjunto de ellas.
se ocupa del Problema de los Puntos para los casos de dos o tres jugadores, finitas. resolviendolo Para el caso de mediante tres una ecuacin en diferencias una solucin
jugadores
propone
que depende del desarrollo de una expresin multinomial idntica a la obtenida por De Moivre. Trata tambin el Problema de la
Duracin
del Juego,
que
como vimos
ya haba sido tratado en la
primera memoria que de este autor citamos. Aqu discute el proble ma para jugadores con capitales iguales y capitales distintos,
pero no se plantea la posibilidad de habilidades diferentes para los jugadores.
Otras son: Memoire
memorias
interesantes
que
podemos
citar
aqu
sur les Probabilits,
publicada en 1781;
y Mmoire
sur les suites,
que publicada en 1782, aborda el tema de la Teo
88
ra
de
Funciones
Generatrices,
cuya utilidad en la estadstica
moderna es obvia.
En de como de se los los
este sentido, temas
es
importante citar un ejemplo claro
tratados por este autor cambian profundamente sus antecesores. Mientras antes de Laplace es a partir
tocados
por
investigan
fundamentalmente
problemas
de juegos,
de l temas
cuando comienza a hacerse una formulacin de teora de les la probabilidad. et les As,
adecuada de los
en su memoria Sur les Laplace aborda
naissances un tema de
mariages
morts
Paris,
inferencia
estadstica sobre
poblacin
inaugurando
un campo sociales, el
de aplicacin de la ciencia estadstica a las ciencias que tanto se va a aplicar en el futuro. Laplace encara de la siguiente forma: supone conocido el nmero
problema
de nacimientos tambin, o muy
de un ao completo en Francia, fcil de determinar, el
y supone conocido de nacimientos
nmero
y la poblacin total de un determinado distrito. Suponiendo enton ces que la razn en un ao, resultara Laplace de la poblacin total al nmero de nacimientos, no
es la misma en todo el pas que en ese distrito, difcil calcular as la poblacin sobre total
francesa. de
plantea
adems una investigacin
los mrgenes
error, investigando la probabilidad de que el error en el resulta do inferido no supere una determinada cantidad. El autor llega
a la conclusin de que, ble, el distrito debe
para que el resultado sea preciso y fiatener al menos un milln de habitantes. la citada vemos
En este problema, primera edicin
que ocupa de Thorie
las pginas 391 a 394 de Analytique des
probabilits,
89
un
claro
ejemplo,
a pesar
de
su planteamiento
rudimentario,
de
un moderno problema de inferencia estadstica aplicado a la deter minacin de la poblacin.
Otras la relacin con
dos la
memorias teora de
importantes
deben
ser citadas por la publicada en
la probabilidad:
1810 bajo el titulo de Mmoire sur les approximations des formu-ET1 w218 573
les qui sont fonctions de trs grandes nombres, et sur leur
application
con el
aux probabilits;
de Mmoire
la
de
1811,
que fu Dfinies,
publicada et leur du
ttulo aux
sur les et
Intgrales
application
Probabilits
spcialement
la recherche
milien quil faut choisir entre les rsultats des observations
Adems de las memorias citadas, Laplace publica tambin
sobre
estos
temas
des
gran
nmero
de
artculos
en
la
Revista
Connaissance
Tems, y en ellos,
el autor
relaciona la teora
de la probabilidad con otros temas, al igual que en las dos ltimas memorias citadas. La versatilidad de este autor, as como
su gran capacidad para advertir las posibilidades de aplicacin

de la teora de la probabilidad a otros campos demuestran una
vez ms su importancia en la historia que estamos tratando.
Por nombraremos
citar
slo que
algunos puedan
ejemplos
de
estos
artculos la
aquellos
resultar esclarecedores de As, merece
autntica verstatilidad de Laplace.

Sur Lapplication y, du calcul
la pena citar:
des probabilits
la Philosophie
naturelle ts
sobre el mismo tema, a la Philosophie
Sur le calcul des probabili ambos publicados por
appliqu
naturelle,
90
Connaissance
des
Tems
en
1818,
pero
que
haban
sido
fechados
por su autor en 1815. Como ms tarde veremos, estos temas sern
tratados de nuevo en su gran obra, Teorie Analytique des Probabi-ET1 w299 65 lites. Otros artculos publicados en la misma revista son: Appli
cation du calcul des probabilits aux oprations godsiques,
de 1818 y Application du calcul des probabilits aux operations godsiques de la mridienne de France, publicado en 1822, pero
fechado en 1820.
Todos estos artculos, as como casi todas las memorias

citadas en las pginas precedentes das en la ya citada gran obra de fueron posteriormente incluiLaplace, Thorie Analytique
des Probabilits. Por ello, es conveniente dedicar algunos prra-
fos a esta obra, de la que Ubaldo Nieto comenta:
Pierre Simon Laplace (17491827) publica en 1812 su Theorie Analytique

se suele considerar
des Probabilit,
como la mayor
obra
que
a
aportacin
la probabilidad y que incorpora todos los trabajos pequeos de Laplace que se extienden durante cuarenta aos (19).
Esta obra,
publicada por primera vez en Paris en 1812,

como se haba indica-
es reeditada posteriormente en 1814 y 1820,
do anteriormente. antes expuestas,
Al
estar dedicada a Napolen, por las razones
y al publicarse despus de la cada del Empera-
dor, la obra de Laplace fue muy censurada.
91
La
introduccin
esta magna
obra
fu
publicada
por
separado con el ttulo de Essai
philosophique sur les probabili
ts en el ao 1814, y posteriormente fu incorporada a la segunda

edicin de ese mismo ao. En ella se contienen las reflexiones
de Laplace sobre la epistemologa de la probabilidad. Sobre esta introduccin D. J. Struik sostiene:
Essai
philosophique
sur les probabilits
es una
interesante introduccin a la teora de las proba-
bilidades;
lado de
contiene
la
definicin
igualmente
negativa
probables:
de
la
Laplace sobre las probabilidades mediante el postu los sucesos
teora del azar consiste en la reduccin de todos
los
sucesos
del
mismo
tipo
cierto nmero
de
casos igualmente probables que son casos tales que, nosotros estamos igualmente indecisos acerca
de su existencia, y la determinacin del nmero
de casos favorables al suceso mos la probabilidad (20).
del
que necesita
En
Struik, est
la definicin
contenido lo
de
que
Laplace,
nosotros
recogida en la cita de
llamamos principio de
indiferencia; y cuando admitimos este principio,
estamos diciendo
que
los
sucesos
son
igualmente
probables.
Es
decir,
en otras
palabras,
cuando no existe razn alguna que favorezca la presen-
cia de un suceso ms que la de otros. En las cuestiones de probabilidad Laplace mantiene que en parte ignoramos y en parte conoce mos.
92
En esta introduccin hay una seccin titulada Des mtho des analytiques sur calcul des probabilits dedicada, fundamentalmente, a la teora de las funciones generatrices. Entre comenta-
nos
pleta
sobre
juegos y leyes de probabilidad,

pginas dedicadas al
sta seccin se com

de Bernoulli y sus
con unas
teorema
consecuencias y
a la aplicacin
del
clculo de
probabilidades
a las ciencias morales.
Otras secciones del Essai

tud de temas en los
...
laplaciano abordan multi-
que volvemos a ver la preocupacin de este
autor
por
las
aplicaciones
de
la ciencia de De
la probabilidad.
Citaremos algunas a modo moignages, De la
de ejemplo: des
la probabilit des t-ET1 w329 4 des tribunaux, Des
probabilit
Jugemens
Tables de mortalit
et des dures moyennes de la vie, des maria
ges et des associations quelconques, Des

tions des probabilits, etc.
llusions dans lestima

en la ltima seccin
Precisamente
de
esta introduccin,
cuyo
ttulo
es
Notice historique
sur le
calcul des Probabilits, Laplace matiza la importancia histrica de esta rama del conocimiento, y as, el ltimo prrafo del autor es el siguiente:
es extraordinario que una ciencia que comenz considerando el tema de los juegos, haya dado lugar por ella misma a uno de los ms importantes objetos de conocimiento humano (21).
Observacin de alguna forma
que
evidentemente
compartimos de
que
es
la motivacin principal
este captulo que
93
pronto concluiremos, pues en el desarrollo histrico de la teora de la probabilidad se encuentran las claves de su importancia
actual.
Dejando ya a un lado esta introduccin que tanto espacio nos ha ocupado, debemos entrar a comentar la estructura general de la obra de Laplace, que repetidamente hemos tildado aqu Thorie Analytique des Probabilits consta de
de su gran obra. dos volmenes: tions
el primero de ellos
titulado Du calcul des Fon-ET1 w380 51
Gnratrices,
que presta especial atencin a la notacin
y en el que se resuelven diversos problemas matemticos que ata-
en a la teora de la probabilidad; y el segundo, titulado Tho rie Gnrale des Probabilits, en el que se establecen unos principios generales de la teora de la probabilidad con problemas relacionados con loteras, extraciones de bolas de una urna,
el ya famoso Problema de los Puntos, con algunas modificaciones,

y el tambin muy tratado problema de la Duracin del Juego, que
ya se encontraba en algunas de las memorias citadas anteriormente.
La obra consta de
un total
de once
captulos,
de los
que citaremos algunos para hacernos una idea de los temas tratados por Laplace. As, el Des bis de capitulo que tercero, bajo el titulo de
la probabilit
resultent de
la multiplication
indfinie des vnemens trata entre otros
temas del teorema de
Bernoulli. El cuarto, De la probabilit des erreurs des resultats moyens dun grand nombre dobservations et des rsultats moyens les plus avantageux, es segn 1. Todhunter:
94
(...)
el
ms importante de
la obra de Laplace, los mnimos cuadra-
y quiz el de ms dificultad; contiene la extraor-
dinaria teora del mtodo de dos (22).
Tambin D. E. Smith valora la importancia de la teora del mtodo de los mnimos cuadrados cuando seala:
Uno de
de la
los
trabajos ms conocidos sobre
teora
probabilidad es Thorie ... de Laplace, (...). En l expone sus demostracin del mtodo de los mnimos cuadrados (23).
La
obra
de
Laplace
sus
demostraciones
del
mtodo
de
los
mnimos
cuadrados
estn
indisolublemente
unidos,
como
demuestra la cita de Smith, que inmediatamente relaciona la publi cacin de la obra de Laplace con esta teora.
En el mismo sentido, pero de forma ms concreta, Ubaldo Nieto seala la importancia del mtodo laplaciano, especificando de forma precisa el origen de este mtodo:
En la mecanica celeste es donde se origin el mtodo de los mnimos cuadrados, que condujo a Laplace (as como a Gauss) a la ley normal al estudiar la distribucin de los errores de las observaciones. Bajo la influencia de sus trabajos se consider durante mucho tiempo, casi como un axioma, que todas las distribuciones estadsticas
se aproximaran a la normal si se dispusiera de
un nmero suficientemente grande de observaciones y estas fueran bien hechas (24).
95
La
afortunada
cita
del
doctor
Ubaldo
Nieto
pone
de
manifiesto no slo el origen del mtodo de Laplace, sino tambin que mediante l se puede estudiar la ley normal, ley imprescindible y fundamental en la estadstica.
Los
du calcul
captulos
quinto
sexto
titulados:
Application
des probabilits
la recherche des phenomnes et leur
causes, y De la probabilit des causes et des vnements futurs, tire des vnements observs, tratan temas significativos como
demuestran sus ttulos. Un apndice y tres suplementos que corres ponden a las memorias reseadas en la pgina 76 de este texto, completan la gran obra de Laplace.
Por todo lo expuesto hasta ahora,
es evidente que nos
encontramos ante un autor de espectaculares dimensiones por diver sas razones: por la variedad de los temas tratados, por la innova cin que supone tratar determinados temas en la prolija cantidad que Laplace lo hizo en todas las memorias reseadas, por la propia originalidad de esos temas -tengamos en cuenta que hasta slo se hase
este autor los anteriores estudiosos de estos temas

ban preocupado, en cuanto a la teora de la
probabilidad
refiere, a los problemas de juegos- por la formalizacin de mto-
dos tan importantes como el de los mnimos cuadrados,

desarrollado el tema, tambin de la
por haber
de la
mxima importancia,
probabilidad inversa que Bayes haba iniciado, etc.
96
Por
todo ello,
creemos ms que justificado
decir que
de todos los autores estudiados
en este capitulo Laplace es el
ms importante, y en esto coinciden diversos autores, entre ellos 1. Todhunter que seala al respecto:
En ms
general la teora de la Probabilidad est en deuda con Laplace que con cualquier otro
matemtico (25).
97
NOTAS AL CAPITULO II
(1)
Karl R.
POPPER, La lgica de la investigacin cientfica 191.
Ed. Tecnos. Madrid 1977. Pg. (2) Ubaldo NIETO DE ALBA,
Introduccin a la estadstica. Vol.
II. Ed. Aguilar. Madrid 1975. Pg. 32. (3) (4) (5) (6) U. NIETO. Op. Ibidem. Idem. Pg. 36. David Eugene SMITH. History of Mathematics. Vol. 426. Ed. Wiley. 1979. 1. Dover cit. Vol. II. Pg. 35.
Publications INC, New York 1958. Pg. (7) Bruno DE FINETTI.
Theory of Probability.
Pg. 72.
(8) (9) D. E. SMITH. Op. cit. Vol. II. pp: 529530.
Leonard J. SAVAGE. The Foundations of Statistics. Ed. Dover
1971. Pg. 1.
(10)
Gottfried V. Pg. 17.
Wilhelm
LEIENIZ.
Opera
Ommia.
Ed.
Dutens.
Vol.
(11)
Isaac
TODHUNTER. Ed.
A History
of the
Mathematical Co.
Theory of VI del
Probability. Prefacio. (12) Thomas BAYES,
Chelsea Publishing
1965. Pg.
An Essay
towards solving
a problem in the
doctrine of chance. Biometrika 1958. Vol. 45. Pg. 297.
98
(13) (14)
1. TODHUNTER.
Op. cit. New York 1965. Pg.
193.
G. A. BARNARD, Thomas Bayes-A Biographical Note. Biometri ka 1958. Vol. 45. pp. 293 a 295. 297.
(15) T. Bayes. Op. cit. Biometrika 1958. Vol. 45. Pg. (16)
Dirk J. STRUIK. A Concise History of Mathematics. Ed. Dover Publications INC. New York 1967. Pg. 136.
(17) (18)
U. NIETO. Op. cit. Vol. II. Pg. 36. D. E. SMITH. Op.
cit. Vol. 1. Pg. 486.

36.
(19)
U. NIETO. Op. cit. Pg.
(20) (21) (22) (23) (24) (25)
D.J. STRUIK. Op. cit. Pg. 136. 1. TODHUNTER. Op. cit. Pg. 503. 1. TODRUNTER. Op. cit. Pg. 560. D. E. SMITH. Op. cit. Vol. II. Pg. 530. U. NIETO. Op. cit. Pg. 37. 1. TODHUNTER. Op. cit. Pg. 464.
C A P 1 T U L O
III
EVOLUCION Y FORMALIZACION DE LAS DISTINTAS TEORAS SOBRE LA PROBABILIDAD
loo
CAPITULO III:
EVOLUCION Y FORMALIZACION DE LAS DISTINTAS TEORAS SOBRE LA PROBABILIDAD.
3.1.
La
teora clsica
de
la probabilidad y
sus
objeciones.
3.2. Teora frecuencial.
3.3. Teora logicista.
3.4. Teora subjetivista.
3.5. La teora matemtica de la probabilidad.
101
Un empirista supone que un enunciado bsico verdadero de probabilidad dice algo acerca del mundo inanimado, cia o grado de mientras que un subjetide un pensador
vista considera que dice algo sobre la creenconfianza ideal Max Black. Induccin pg. 129. y probabilidad
102
3.1. La teora clsica de la probabilidad y sus objeciones
La teora clsica, tiene un punto entre
relacionada con los juegos de azar, la existencia de una simetra posibles; los desde simetra que posibles de vista
de partida clsico: los distintos que
recproca viene pueden a
resultados de
significar ser
qualquiera
resultados el punto
considerados
equivalentes
de la probabilidad.
As, juego, y estos
si se
suponemos consideran
todos
los
resultados favorables
posibles
del
igualmente
-igualmente
verosmiles, por tanto,
existe una simetra mtua del tipo referido antes; jugador es indiferente, en este caso, arries-
para el
gar su apuesta por cualquiera de los resultados posibles.
La sobre el
teora
clsica,
debido
a la falta
de
conocimiento
experimento
aleatorio del cual
se derivan los sucesos,
trata de valorar nicamente probabilidades a priori
El
hecho
de
considerar
los sucesos
equiprobables,
en
la teora clsica, segn los
se caracteriza de distintas y variadas formas autores. En la formulacin de Laplace, a
diferentes
travs del principio por T.L. Fine-, la
de la razn insuficiente trmino utilizado equiprobabilidad de los sucesos va a venir
caracterizada por la no existencia de razn alguna que favorezca ms el a unos trmino sucesos que de a otros. Sin embargo Keynes, o de la razn utilizando suficiente
Principio
indiferencia
. ,
103
considera se tiene
los
sucesos
equiprobables
cuando
la
informacin
que
respecto
a ellos,
en cuanto a su
tendencia a ocurrir
o no ocurrir, est equilibrada.
Segn anteriores:
Terrence L.
Fine,
que recoge las dos posiciones
La esencia
de
este enfoque es bien el principio (supone las alternativas
de la razn insuficiente
equiprobables por falta de razones conocidas para el contrario), las o el de principio de indiferencia cuando
(supone
alternativas
equiprobables
hay un equilibrio
los datos o hechos en favor
de cada alternativa) (1).
Para dejar suficientemente aclarada la aplicacin prctica de total de la teora casos clsica vamos a suponer que N es el nmero ex
posibles igualmente
verosmiles y mutuamente
cluyentes,
y que desde
el punto de vista de un jugador los casos
posibles se pueden dividir en dos grupos:
Casos favorables al suceso que interesa al jugador. Casos desfavorables a este suceso.
Representaremos por y por N
al nmero de casos favorables
al nmero de casos desfavorables.
104
Esto significa, que cualquiera de los casos favorables, lleva implcito el que gane el jugador, y los desfavorables llevan implcito el que el jugador pierda.
Por tanto,
si queremos estimar la probabilidad de que
gane el jugador, lgicamente, consideraremos esta como el cocien n te , entre el nmero de casos favorables y el nmero de N casos posibles.
Esta es la forma razonable que proporcionan los clsicos para valorar cuantitativamente la probabilidad. La dificultad para n determinar y N este cociente estaba en calcular los nmeros
de casos favorables y casos posibles en cualquier n siendo N si ocurra dicho suceso el
juego. Una vez conocidos se escriba la probabilidad del suceso, jugador ganaba. tal que
Esta
interpretacin
llev
la definicin clsica de
la probabilidad, por la cual: formas mtuamente excluyentes
si un suceso puede ocurrir de N e igualmente verosmiles, y si
n de estas N son favorables a que ocurra un determinado suceso, la probabilidad de dicho suceso ser: P
=
n/N.
Durante hacer de ella un
mucho
tiempo
se utiliz
esta definicin
sin
anlisis ms
formal que resultaba necesario,
ya que, adems, la consideracin de los casos favorables y posi
105
bles fuera del campo de los juegos de azar quedaba sin resolver. Fu Pierre Simon Laplace quien ampli el campo de aplicacin
de esta teora de los juegos de azar, como hemos podido observar en el anlisis de un extenso y variado precedente. Esta opinin no es trabajo en el captulo
compartida sin embargo por Max
Black, que opina que:
La nocin fundamental de derivar igualdades de probabilidades a partir de la paridad de razones favorables tiene, por lo menos, un siglo ms, habiendo sido formulada por Jacob Bernoulli en su Ars Conjectandi (1713), publicada pstumamente (2).
Pero, decir
continuando
con
Pierre
Simon
Laplace,
debemos
que en su obra Thorie Analytique
des Probabilits obra
fundamental en la historia de la teora de la probabilidad, como hemos venido viendo comete el error de considerar la definicin clsica aplicable a todos los casos, es decir, que todas las
aplicaciones que hace son comparables
a un juego de azar en el
que todos los sucesos posibles elementales son mtuamente simtri cos, en el sentido de igualmente verosmiles que antes explicaba mos.
Otro inconveniente de esta definicin se plantea para el caso de que el nmero total de resultados posibles sea infinito. Este problema es resuelto por Alexander Mc Farlane Mood y con una solucin
Franklin A.
Graybill para un caso particular,
106
que puede servir para situaciones similares. As, Mood y Graybill proponen que:
Podra de par. 1/2. que La Si
buscarse, un nmero
por
ejemplo,
la
probabilidad al azar sea
natural
extraido
respuesta intuitiva a esta cuestin es hubiera de justificarse este resultado
basndose en la definicin, podra razonarse del siguiente modo: supongamos que slo se consideran los veinte primeros nmeros naturales; como diez de estos son pares, la razn de sucesos favorables al total de los posibles es 10/20 1/2. Si consideramos los 200 primeros, 100 de estos son pares y la razn es tambin 1/2. En general los 2N prime ros nmeros naturales continenen N nmeros pares; si formamos la razn N/2N y hacemos tender N a infinito, de modo que comprenda todo el conjunto de los nmeros naturales, la razn sigue tendiendo a 1/2 (3).
Volviendo
la
obra
de
Laplace,
Thorie
Analytique
des probabilits, que fu publicada en 1812, es importante resaltar que despus de su publicacin sigui un periodo de estancamiento de la parte matemtica de esta materia. A pesar de esta
aparente prdida de contacto con el anlisis matemtico, la teora de la probabilidad tuvo un gran auge durante el siglo XIX,
lo que motiv que ese contacto se fuera recuperando por la necesidad de examinar de una manera crtica y formal la teora clsica de la probabilidad, ms notable y slida. con el fin de construirla sobre una base
107
Sobre la teora de Laplace tambin se manifiesta Boudot cuando afirma:
La
teora
de
Laplace no
est ms
axiomatizada
que cualquier otro desarrollo que date de la misma poca. De todas formas, ocurre que no lleva a ninguna contradiccin en tanto que no plantea sino problemas estrictamente matemticos y se le puede dar una forma que satisface las exigencias del rigor matemtico contemporneo. La axioma tizacin del clculo de probabilidades propuesta por Kolmogorov no es ms que una traduccin a un lenguaje riguroso de los principios sobre los que Laplace fundaba la teora matemtica de las probabilidades; de ah el nombre de teora neoclsica que se le atribuye a menudo. Pero las dificul tades surgen cuando se trata de aplicar la teora de Laplace. Estas dificultades conciernen a la determinacin de los datos numricos de la probabi lidad, la interpretacin emprica y la verificacin de los enunciados de probabilidad. Parece que resultan de una probabilidad (4). definicin insuficiente de
De hechos,
acuerdo nuevas
entonces
con
los
comentarios la
hasta
aqu
surgen
tendencias
para sustituir
definicin
clsica de probabilidad por otra con ms rigor lnea se manifiesta Cramr cuando afirma:
lgico. En esta
El primer intento de vencer las dificultades consisti en analizar el concepto de simetra o de casos igualmente posibles usado en la defini
108
cin clsica,
e intentar mejorar esta definicin
incluyendo algn criterio apropiado que fuese aplicable a dicho concepto. Entre los autores cuya obra sigue esta orientacin cabe mencionar particularmente a Bertrand y Poincar. Sin embargo, otros autores mantuvieron firmemente la opinin de que en muchas de las ms importantes aplicaciones es difcil o imposible formase idea con creta alguna acerca de la naturaleza de la divisin de cierto nmero de casos igualmente posibles requerida por la definicin clsica (5).
Hasta tal punto
es
limitada la definicin clsica que
basta con que el tipo de problema ms sencillo, por ejemplo el lanzamiento de una moneda en el que el lanzamiento est sesgado a favor de una de las caras para que no podamos aplicar la defini cin de probabilidad que estamos tratando, ya que en ese caso
no sera posible admitir el postulado de indiferencia
Para casos
similares
a este,
en
los que no pudieran
considerarse los sucesos elementales igualmente posibles, tendra mos que ampliar la definicin. Esta nueva orientacin busca la
definicin de probabilidad basndose en una serie de observaciones del suceso, esto es en la estabilidad de las tal frecuencias y como se
relativas,
tema ya tratado por James
Bernoulli
dej referido en el capitulo segundo; mientras que la definicin anterior quedar relegada a aquellos casos en los que puedan
considerarse los sucesos elementales igualmente verosmiles.
109
Por las razones expuestas pasamos a estudiar, por tanto, la teora frecuencial basada precisamente en la observacin
de las frecuencias relativas.
lo
3.2. Teora frecuencial
La teora frecuencial una frecuencia relativa ideal,
considera esto es,
la probabilidad como como el lmite de la
sucesin de frecuencias relativas de un suceso al aumentar indefi nidamente el nmero de realizaciones. Este enfoque emprico es
fundamental a la hora de determinar la probabilidad en diversas situaciones en las que contamos con la informacin de un nmero determinado de ocurrencias del suceso. As, Max Black, de acuerdo con lo anterior, comenta:
Todos los
tericos de la probabilidad coinciden
con el planteamiento del sentido comn en reconocer que el conocimiento de las frecuencias relativas de ocurrencias influye convenientemente, a veces, en los juicios de probabilidad. De no ser as, las agencias de encuestas no mereceran ms crdito que los adivinos y su inters por la infor macin estadstica sera un desatino intil (...). Una moneda sin trucar puede, en ausencia de ms informacin instar a la aplicacin del principio de indiferencia, pero cuando ensayos reiterados con la misma moneda muestran que las caras predominan acusamente sobre las cruces, la evidencia deja de ser simtrica (6).
En
el
conjunto
de
observaciones
empricas
recogidas
de los juegos de azar se manifest la regularidad de los sucesos que se presentaban, y este hecho fu fundamental para el desarrolo de la teora de la probabilidad. Cramr piensa sobre este
111
tema de la regularidad lo siguiente:
A pesar del comportamiento irregular de los resul tados individuales, los resultados medios de las sucesiones de los experimentos aleatorios muestran una fuerte regularidad (7).
En efecto, si lanzamos una moneda al aire un gran numero de veces, observamos que las caras y las cruces se presentarn aproximadamente el mismo nmero de veces, si la moneda no est
sesgada en una de las caras, es decir, el nmero de caras y el nmero de cruces ser aproximadamente 1/2 del total de tiradas.
Si repetimos un determinado veces 5, en al las mismas condiciones f y
experimento aleatorio n f veces el suceso
ocurre
nmero
ser la frecuencia
absoluta del suceso,
y el cociente f/n determinar la frecuencia relativa.
Ahora bien, si de y admitimos el
es un nmero suficientemente grande regularidad, cuando obtenemos
principio
una larga serie de frecuencias relativas repitiendo el experimento en las mismas condiciones un gran nmero de veces, el trmino general de stas suceso o bien, es aproximadamente igual a la probabilidad del la probabilidad del suceso es el lmite de esa
sucesin de frecuencias relativas.
Este principio ya se utilizaba en la poca del caballero De Mr como algo evidente, aunque no se formul de forma
112
explcita hasta una fase posterior de la teora de la probabilidad. Fu James Bernoulli quien formula el famoso teorema que
lleva su nombre en su ya citada obra Ars Conjectandi, publicada en 1713, y sobre la que Cramr comenta:
En esta obra encontramos, entre otras cosas, la importante proposicin conocida como teorema de Bernoulli, mediante el cual la teora de la probabilidad fu elevada por vez primera del nivel elemental de conjunto de soluciones de problemas particulares a un resultado de importancia general (8).
Dicho
teorema, ~
,
como
es bien conocido,
establece que: la
Dada una cantidad,
positiva y suficientemente pequea,
probabilidad de que el trmino general de la sucesin de frecuencias f/n de un suceso aleatorio dicho suceso, n
+
difiera en valor p
,
absoluto de
la probabilidad de
una cantidad mayor que
tiende a cero cuando
Esto seria, abreviadamente:
P Se
If/n
p~
>
omite
la demostracin
de
este
teorema puesto
que
aqu se trata solamente de dar una visin global del tema y de las distintas concepciones para la determinacin de la probabilidad.
113
La obra de John Venn,
The
logic of chance,
publicada
por primera vez en Londres, en 1866, es uno de los primeros traba jos de la teora frecuencialista. En ella, Venn define la probabi lidad en trminos largo de frecuencia relativa de Pero, otra ocurrencia de un
suceso a del autor
plazo. es
interpretacin distinta a la la obra de Max Black cuando
ingls
ofrecida por
expone:
C. 5. Peirce consider que la probabilidad corres pondia a las argumentaciones ms que a los sucesos; y por tanto, la medida importante era el nmero proporcional de veces que la argumentacin conduca de premisas verdaderas a conclusiones verdaderas, y se ha de establecer mediante la investigacin emprica de a la largat (9) los xitos de la argumentacin
La definicin frecuencial de la probabilidad est limitada a los casos en los que el experimento aleatorio es repetible en las mismas condiciones. El esquema objetivista de la definicin frecuencial hace que dicha definicin tenga ventajas claras cuando se pueda hacer uso de ella, y estamos de acuerdo con el profesor Ubaldo Nieto de Alba cuando expone las razones por las que esta teora ha encontrado tantos partidarios:
Las principales razones por las cuales esta inter pretacin ha encontrado muchos adeptos son: 1) Que esta teora da a la probabilidad un sentido anlogo al de proporcin, lo cual es muy corriente en la vida ordinaria.
114
2)
Que
con esta
interpretacin
es ms fcil
el
contraste de los modelos matemticos y del clculo de probabilidades como rama especfica de la matemtica (10).
Los ms importantes seguidores de esta teora han sido: John Venn -quien, segn Nieto de Alba, fu el primero en formular la-, Von Mises, del que hablaremos ms extensamente en adelante, Cramr, Fisher, Neyman, Pearson,
En los sita en
cuanto John
los
orgenes filsofo
de
esta
teora,
Max
Black cuando
Locke,
ingls
(16321704),
habla del argumento probable en su obra Essay Concerning Human understanding; y ms tarde, tambin segn Black, en Leslie Ellis, autor en el que es posible encontrar indicios de teora frecuencial cuando se refiere a la teora de la probabilidad como una ciencia relativa a las cosas tal como realmente existen o cuando afirma que todo posible evento tiende a recurrir en una razn
definida de frecuencias.
Ms tarde, y movindonos ya en el terreno de lo cercano y comprobable, es John Venn, filsofo e historiador ingls (1834 1923), y sobre quien todo en sus trabajos e investigaciones sobre lgica,
en su
obra The logic of chance,
se convierte en
el autor fundamental de la teora frecuencial del siglo pasado.
Ya esta
en
nuestro
siglo,
el
ms
importante
defensor de
teora ha sido Richard Von Mises,
matemtico e ingeniero
115
alemn
(18831953).
Von Mises
fu profesor en las universidades
de Estrasburgo, Berln y Estambul, y hasta la subida de los nazis al poder en Alemania, Aplicada de fu director del Berln, Instituto de Matemtica trasladndose ms tarde
la Universidad de
por motivos polticos a los Estados Unidos.
Karl R. Popper afirma de este autor:
La les
primera del
teora de
frecuencial
que
proporciona propuesta
unos fundamentos para todos los teoremas principaclculo probabilidades fu
por Richard Von Mises (11).
Uno de es una y el el concepto de
los conceptos claves en la teora de Von Mises de colectivo, que que este el autor considera de como
serie
sucesos de
verifican Este
axioma de
convergencia que
axioma
aleatoriedad. no admite
axioma
aleatoriedad
postula Von Mises
ningn sistema
de jugar por el que
el jugador pueda mejorar sus posibilidades de ganar; y si hubiera un sistema de juego, ste podra dar resultados a corto plazo,
pero nunca a largo plazo. En definitiva, no admite que haya regularidades ejemplo, por la resumen, dentro por la de que la se sucesin de pudieran tiradas de una moneda, es por
hacer predicciones; un sistema vlido
decir,
que pudieramos
encontrar
de juego. En
la teora de Von Mises
se basa en el concepto de colec-
tivos irregulares.
116
En
cuanto
al
axioma de convergencia
establece
que
la
sucesin de frecuencias relativas tiende a un lmite cuando aumen
ta la sucesin de sucesos.
Estos
por el hecho de
dos axiomas han sido muy criticados
sobre todo
que Von Mises basa su teora en la combinacin
de los dos, ya que no es lgico obtener un lmite de una sucesin que no tiene ninguna regla.
Una conflicto es
de la
las de
soluciones formular slo
propuestas el
para
resolver
este y
axioma de
convergencia
prescindir del de aleatoriedad, o bien, tal como lo hace Reichenbach, utilizando otro axioma de aleatoriedad ms dbil; Reichen-
bach acepta para ello series regulares.
Ante se plantea por
esto
Karl
Popper piensa de de los
tambin que dos axiomas y
el
problema
la combinacin del axioma
y propone el
eliminacin
perfeccionamiento
aleatoriedad
la
del axioma de convergencia. El axioma de aleatoriedad modificado, como lo llama Popper, slo tendra las condiciones indispensables para poder deducir con l el teorema de Bernoulli y los dems
teoremas de convergencia de la teora de la probabilidad.
La gran la asignacin
se interpreta
dificultad
de
la
teora
frecuencial
est
en
de la probabilidad a sucesos particulares ya que

que la probabilidad corresponde globalmente a una
serie de sucesos indefinida. En este sentido Max Black manifiesta:
117
El
hecho
de
que
nunca
se
han
de
hallar
en
la
experiencia series de tal tipo, hace de los enunciados de probabilidad, segn esta interpretacin, algo que ni es estrictamente verificable, ni estrictamente falsable. Esta limitacin y la necesaria exclusin de los enunciados de probabilidad referente a eventos singulares contribuyen a res-
tringir el alcance de la probabilidad, as interpretada demasiado drsticamente por simple comodidad (...). A pesar de los valientes intentos de Reichenbach para superar este defecto, puede decir se que la interpretacin frecuencial refleja,
en el mejor de los casos, slo una parte de la verdad sobre la probabilidad (12).
Uno una coherencia
de a
los la
seguidores teora de
de Von Mises ste fu
que
trat que
de dar comenz
Copeland,
por limitar la condicin de irregularidad. Muchos otros continuadores de la teora estaban de acuerdo con el mtodo de Copeland, entre ellos Reichenbach que trabaj en la misma lnea que l.
Boudot se pronuncia tambin en este sentido:
Todo rio de
el
problema
es
limitar
el
debilitamiento la consistencia si es posible, clsica. Si
de la condicin de irregularidad al mnimo necesapara que la teora, los no se pueda establecer de que la un a fin de conservar,
todos bilidad la
resultados hay de mas
teora
se quiere salvar la teora frecuencial de la proba procedimiento: que es, de hacer modo coherente la definicin de Von Mises restringiendo condicin irregularidad manifiesto, demasiado fuerte. (13). Es lo que han hecho
sus discpulos
118
A.
Wald,
como partidario de esta teora,
proporciona de
unos resultados ms fuertes que los de Copeland,
estudiando
forma general y combinada como constituir una teora del colectivo coherente con los lmites que sta tiene. Por el contrario,
Reichenbach est ms en la lnea de Copeland que en la de Wald.
Otro de plantea objetivos
los discpulos similares a
de Von Mises los de Wald:
es J. la
Ville quien
de
posibilidad
la teora del colectivo y sus lmites. Uno de los aciertos ms

importantes es no decir de este autor consiste en tomar como colectivos,
como series irregulares, aleatorios.
algunos que la teora clsica obtenidos por J. Ville
considera
Los resultados
sobre este tema son el principio del fin de esta teora.
119
3.3. Teora logicista
La
interpretacin
logicista
de
la
probabilidad
est
basada en la relacin lgica que existe entre dos proposiciones: hiptesis y evidencia. Segn esta interpretacin, el proceso
consiste en asignar la probabilidad a una hiptesis en la medida

que sta se ve avalada por la experiencia o evidencia. Estos
trminos, evidencia y experiencia, sern utilizados indistintamen te a lo largo de nuestra disertacin. Respecto a la teora logi
cista, Max Black afirma:
Las punto
(...).
teoras de
lgicas descienden clsico de
directamente y
del
vista
Bernoulli
Laplace
Laplace y sus seguidores (...) conceban (...) el grado de probabilidad como totalmente determinado por una relacin calculable entre la informacin dada (o la carencia de ella) y
una hiptesis dada, independientemente de que se apelar a frecuencias asociadas o a cualquiera otras materias de hecho (14)
Uno el ya citado
de
los
autores
fundamentales
aunque
de
esta
teora es
la
Reinchenbach, de la
que
comienza se
utilizando propone
definicin
clsica
teora
frecuencial,
segn
palabras de M. Boudot:
Por del
una
parte, de
ampliar
el
campo y
de
aplicacin ciertas
concepto
probabilidad
evitar
dificultades, suprimiendo los requisitos relativos
120
a la irregularidad de las series. intenta mostrar que el concepto
Por otra parte, de probabilidad
es una nocin lgica que va ligada a la introduccin de un nuevo ciones y conector del clculo de proposias la construccin Boole se de una es autorizar fcilmente. sucesos por
lgica inductiva. Este ltimo resultado se alcanza bastante tuir Esta los Desde sabe que que
posible en la teora de las probabilidades; sustiproposiciones afirman esencial que esos sucesos se han producido o se producirn. transformacin constituye la etapa en la constitucin de una teora lgica de probabilidad (15).
Hans Reinchenbach,
filsofo y matemtico alemn,
resi-
dente en los Estados Unidos, es el autor de la ms clara formulacin lgica del concepto de probabilidad aunque esta definicin
introduce una terminologa problemtica y excesivamente rigurosa. Uno de los trabajos ms importantes sobre teora de la probabilidad de este autor es Theory of Probability,, publicado por primera vez en 1934 en alemn. En esta obra, Reichenbach se basa en
la teora frecuencial de la probabilidadd, mediante el conocimien to experimental y el uso de la regla de induccin; esto le va
a llevar a una lgica inductiva mediante la cual va a ser posible determinar la hiptesis ms probable.
Adems de las teoras
de
este en
autor,
son
representantes
importante Keynes,
lgicas
nuestro
siglo,
John Maynard
Rudolf Carnap,
Harold Jeffreys y B. Koopman,
autores que iremos
conociendo a lo largo de la exposicin.
121
En general,
esta
teora plantea la necesidad
de
una
persona idealmente racional que enjuicia,

imparcialidad, la fuerza de la evidencia
desde la ms absoluta
hacindola equivaler
a un determinado grado de probabilidad. Esta fuerza de la evidencia, o grado de probabilidad, que existe entre es la se determina por la relacin lgica planteada ella. y el grado en que la
hiptesis con
experiencia cin, y por
compatible
Para establecer
esta rela-
tanto para estimar las probabilidades,
es necesario
observar unas reglas de racionalidad.
Por probabilidades
lo
que
acabamos en el
de
ver,
es
difcil
valorar una
las
porque
proceso
habra
siempre
parte
de arbitrariedad, duo. A pesar
aquella que se deje a la intuicin del indivique evidentemente presenta esta
de esta dificultad
teora, los autores citados hacen un intento de axiomatizacion.
Entre los defensores del logicismo se pueden distinguir distintos modos de formalizar la teora.
lgica comparativa, que establece:
De
un
lado,
aparece
la llamada probabilidad
o probabilidad ordi-ET1 w386 268
nal, formulada por Koopman,
(H1 / E1) ~ (H2 / E2)
Esto es, cia
la hiptesis H1
condicionada H2
por la experiencondicionada por

<
1 no es ms probable que la hiptesis 2 supuesto que
la experiencia E
la ordenacin
la establece
una persona guiada por su intuicin y racionalidad.
122
Esta relacin definida de esta manera por Koopman venfica un conjunto de axiomas, de los que T. L. Fine nos dice:
En entre mas
los la de
axiomas
de
Koopman
hay
un
paralelismo condicional condicional
probabilidad probabilidad
comparativa comparativa
de las hiptesis sobre la experiencia y los axiola
de sucesos (16).
Segn
Koopman,
a esta relacin comparativa
se
le
puede asignar una probabilidad cuantitativa para H/E verificndose entonces la implicacin:
/ E1
<
H2 / E2
P(H1 / E1)
<
P(H2 / E2)
donde la implicacin inversa no se cumple necesariamente.
Por
otro
lado,
es necesario
considerar
la teora de
la probabilidad lgica de Carnap. Rudolf Carnap, filsofo alemn

nacido en 1891, fu profesor en las universidades de Viena y
Praga,
a partir de 1936 en la Universidad de Chicago. conviene destacar Fundamentos de
Entre
sus obras
la lgica simblica
(1929), Fundamentos de la lgica y la matemtica (1939) y Funda-ET1 w472 193

mentos lgicos de la probabilidad, publicada esta ltima en 1950.
Carnap en
establece
en
estas
obras,
fundamentalmente C (H
,
la ltima citada,
la relacin cuantitativa
E)
entre-
hiptesis y experiencia, llamada probabilidad lgica cuantitativa
123
o grado de confirmacin, siendo C (H, E) el grado en que H (hiptesis) est confirmada por E (experiencia). Carnap llama a esta funcin de confirmacin, y sta ha de verificar los
funcin C
axiomas relativos a la coherencia, invarianza y al modo de utilizar que la experiencia. El trmino invarianza de viene a significar
la relacin entre
H y E
slo depende
lo que se diga en Sobre su teo llegar a ella,
ellas y de los sujetos a los que hace referencia. ta de la lgica inductiva y sobre la forma de
el propio Carnap matiza:
Yo la
entiendo
por
lgica lgica
inductiva que de
una teora de reglas
probabilidad
proporciona
para el conocimiento inductivo. la naturaleza y propsito
Probar a explicar la lgica inductiva deci-
mostrando como puede usarse para determinar siones racionales. to,

(...)
Debemos entender la probabilidad en este contex no en el sentido objetivo, esto es, como el sino en el sentido grado en a de la las creencia. teora de subjetivo, Esto la es un del
concepto emprica ser
sicolgico referido real de
decisin
creencias Hasta el
reales algunas
humano
(...)
introduciendo
condiciones
racionalidad.
punto que estar de acuerdo con los representantes de la teora subjetiva de la probabilidad. Despus har cin una nueva conducir (17). etapa, a la llamada al teora que la transicin yo llamo del concepto casisicolgico lgico. Esta transilgica
inductiva
124
La
lgica
inductiva
es
esencialmente
la lgica de
la
incertidumbre,
de la
la misma
Un
incertidumbre
que
conduce
a la teora
en una serie
decisin.
argumento
inductivo
consiste
de proposiciones, siciones la tomadas o
tomadas como premisas, y una o ms nuevas propo como conclusiones. y una las Las premisas constituyen la que
evidencia La
experiencia es
conclusiones no
constituyen
hiptesis.
induccin
inferencia
demostrativa
conduce a una conclusin referida a alguno o todos los elementos de una clase, basada en la evidencia de estos elementos. En este proceso, la la confianza que tenemos en la hiptesis depende de
evidencia
a la que est
asociada.
En este sentido Max Black
sostiene:
Los abogados de moda de las teoras lgicas tipi camente interpretan la probabilidad como relativa
a la evidencia, en realidad, el slogan la probabi-ET1 w437 341 lidad vara con la evidencia se considera comunmen te, por parte de ellos, como autoevidente (18).
Ahora inductiva, ria de
bien,
el
tema
de
la induccin,
de
la lgica
es un tema que siempre ha estado presente en la histoGeorge Henrik von Wright afirma en este
la matemtica.
sentido que fu el propio Aristteles quien hizo el primer intento de un tratamiento sistemtico de la induccin, resumiendo
as las contribuciones del filsofo griego:
125
Aristteles ter no
fu el primero del
que
indic el carac inferencia que
demostrativo
tipo
de
tratamos bajo el nombre de induccin (...).Arist
teles era consciente del doble aspecto del mtodo inductivo como un proceso de inferencia y un proce so de definicin (formacin de conceptos) (19).
Aristteles
define
la
induccin
como
un
paso
de
lo
particular a lo universal.
Pero la lgica inductiva moderna tiene filsofo ingls que vivi publicada en 1620,
su verdadero fundador en Francis Bacon, entre 1561 y 1626.
En su obra Novum Organum,
se propone mejorar el que en el razonamiento
Organum de Aristteles, y en ella indica es el mtodo que debe utilizarse A pesar de
inductivo
la investigacin de
las ciencias y de las artes.
sus detractores, no podemos olvidar la importancia de este autor en la historia de la ciencia moderna y a l debemos el tratamiento de la estructura lgica de las leyes, mrito que Von Wright
tilda de inmortal.
Por abordando en de
no
desviarnos el
excesivamente recorrido moderna, de
del
tema que estamos inductiva a modo (1711-
obviaremos
largo
la lgica
la historia de ejemplo
la ciencia como
y slo
citaremos
algunos hitos
el marcado
por David Hume
1776), filsofo escocs, que con su obra Enquiry Concerning Human Undestanding, publicada en 1748, tativo autor logicista del se convierte en el ms represenrevolucionando la histo-
siglo XVIII,
ria de la induccin en ese siglo.
126
Ya en el XIX podemos citar
a John Stuart Mill (1806-
1873). El filsofo y economista ingls escribe en 1843 su Siste-ET1 w470 67 ma de Lgica, que se convierte en el principal tratado de este
siglo en el que se exponen la teora y los mtodos de induccin.
En
el
siglo
XX,
el
inters
por
la
lgica
inductiva suficiente
vuelve a resurgir con John Maynard Keynes (1883-1946), mente conocido por sus doctrinas econmicas, su obra fundamental donde desarrolla, sobre
que escribe en 1921
probabilidad A Treatise on Probability y con anterioridad a Carnap,
por primera vez
una sistematizacin del concepto de probabilidad lgica.
Otros autores de imprescindible cita en la teora lgica de la probabilidad en nuestro Truth Harold and Probability con su (1926) obra y siglo son: Ramsey con sus obras Further Considerations (1928); el
Jeffreys
Theory
of Probability
(1939);
ya citado Henrik von Wright con A Treatise on Induction and Pro bability (1951) y ms recientemente el trabajo de Henry E. Kyburg Probability ocasin and Inductive Logic, de 1970, del que tendremos
de hablar ms
extensamente en los captulos posteriores
dedicados a la teora subjetiva de la probabilidad.
Todos una relacin de
estos
autores entre
estn la
de
acuerdo las de
en
que
existe que
fuerzas y la que
evidencia
premisas un
antes
citbamos
hiptesis puede
conclusin con
argumento de la
inductivo,
relacin
crecer
la acumulacin
experiencia adecuada, la cual debe ser medida.
127
As la hiptesis,
estos H
,
autores consideran que

,
la relacin C entre
y la experiencia, E
a la que se podra asig-
nar un nmero (una probabilidad), vara entre O y 1
o
y expresa el
y
C (H
E) 1 1
grado
de
creencia racional,
As
independiente de
los
juicios
caprichos lgica que
personales. Carnap
se constituye grado de
una relacin y que
puramente
llama
confirmacin
resulta de la funcin de confirmacin C.
Sobre
este
mismo
tema
es
tambin
conveniente
tener
en cuenta lo que Richard Mattessich propone al respecto: Debemos distinguir entre la probabilidad a priori de la evidencia da a posteriori C(h, e), y C(e) y la probabilidad condiciona de la hiptesis dada la evidencia
la probabilidad C(h
.
conjunta de hipotesis
y evidencia
e); entonces la relacin entre
esta teora y el teorema de Bayes podra ser expre sada como sigue:
C(h
e)
C (h . e C (e)
(20).
Una vez realizado este pequeo recorrido por las aporta ciones de algunos autores a la teora logicista de la probabilidad, conviene matizar algunos de los conceptos manejados asidua-
mente en este epgrafe.
128
El
grado
de confirmacin se identifica en la actualidad
con la interpretacin lgica de la probabilidad.
La interpretacin lgica de la probabilidad est ntimamente relacionada con la lgica inductiva.
Este
concepto el
logicista de
pretende
ser puramente hiptesis
lgico, por un
expresa
grado
creencia
en una
individuo puramente riencia dada.
racional,
sobre la base de una expe-
Para
concluir
este
epgrafe,
debemos
sealar
que
la
diferencia
tema ste
entre
que
probabilidad
estudiaremos
lgica
en el
probabilidad
subjetiva
radica
epgrafe
siguiente
esencialmente en que la probabilidad lgica expresa como decamos arriba grado de creencia racional y objetivo, mientras que expresa en la el que grado de creencia su real de y
la probabilidad una persona
subjetiva
determinada,
influye
subjetividad
su intuicin personal.
Sin embargo, a pesar de los esfuerzos conseguir establecer de modo
logicistas
por
objetivo la probabilidad,
el grado
de confirmacin sigue lidad. Estos
teniendo problemas de objetividad y medibi no han sido resueltos para lograr que
problemas
esta nocin de probabilidad cas y a los procesos
sea aplicable a las ciencias empridecisiones. Las teoras
de elaboracin de
subjetivistas, que estudiaremos a partir de ahora, al estar basadas en el grado de creencia real sern ms aplicables en el estudio de los procesos reales de decisin.
129
3.4. Teora subjetivista
Tal
ral,
como indica el propio ttulo de esta tesis doctosubjetivista de la probabilidad
el estudio de la concepcin
es el punto bsico sobre para mantener cierto
el que girar este trabajo. Ahora bien, sistemtico en nuestra exposicin,
orden
abordaremos en este epgrafe el estudio general de esta interpretacin, tal y como hemos hecho para las dems interpretaciones
y teoras, para ms adelante en los captulos que siguen, desarro llar, de forma ms exhaustiva y sistemtica, ta de la probabilidad. la teora subjetivis
El concepto de probabilidad subjetiva, personal por algunos autores, abandona el
llamada tambin del grado
criterio
de confirmacin como grado de creencia objetivo y racional, expre sando, por contra, el grado de confirmacin como grado de creen-
cia real de una persona, ta de juego.
tal y como lo manifestara en una apues-
Para
fijar
de
una
forma
clara
las
interpretaciones
estudiadas hasta ahora utilizaremos una cita de Mattessich:
La probabilidad es un concepto emprico objetivo (como frecuecia (como relativa) grado de o un concepto lgico o un objetivo creencia racional)
concepto emprico subjetivo
(como grado de creen-
cia real) etc... Parte de la discusin se resuelve por el hecho de que exista una teora de la proba
130
bilidad
general
puramente
matemtica,
cuyos
axiomas se supone que son vlidos para las distintas dad interpretaciones (21). del concepto de probabili-
Suele en un se E.
usarse
tambin para interpretar la expresin grado
la probabilidad de confianza que
sentido subjetivista en una
tendra Otros
hiptesis prefieren,
o proposicin H dada sin embargo, utilizar
la evidencia simplemente
autores
la expresin grado de creencia
Para explicar y subjetivo, de la
la frontera entre
los trminos objetivo
que va a determinar cada una de las interpretaciones que estamos estudiando, K. Popper citando
probabilidad
a Kant sostiene:
Si
algo
es
vlido
para
quien
quiera
que
est
en uso de razn, entonces su fundamento es objetivo y suficiente. Kant aplica la palabra subjetivo a nuestros o menor es sentimientos El la de conviccin (de mayor
grado). de
exmen de como aparecen stos sicologa: pueden surgir, por
asunto
ejemplo, segn las leyes de la asociacin; tambin pueden servir razones objetivas como causas subjetivas del juzgar, mos sobre ellas cia (22) desde el momento que reflexionay nos convencemos de su congruen-
El grado de creencia que mide la probabilidad se podr establecer indirectamente por la apuesta sobre la ocurrencia
131
del
suceso.
Esta probabilidad Koopman, es
procede directamente de
la intui-
cin y,
segn
la experiencia
la que se interpreta
en trminos de probabilidad, y no la probabilidad la que se inter preta en trminos de experiencia (23).
Una de
las
notaciones
que parece ms interesante para C5 (H / E) que como ve
representar la probabilidad subjetiva es
mos es similar a la de la probabilidad lgica: grado de creencia de la hiptesis H

,
dada la evidencia
E C
con la variante subses decir grado
tancial y fundamental de que escribimos de crencia o grado de confianza, va, donde 5 es el
5,
segn la interpretacin subjetiH E

,
sujeto que reflexiona acerca de 5 en H dado
por
tanto leeramos grado de confianza de
Hay
discrepancias C5
en
cuanto La
que
se
identifique de dos de
la los J. 5
probabilidad con ms
directamente. subjetivistas Finetti,
propuesta
representativos y Bruno De
contemporneos, en proponer al
Leonard sujeto
Savage
consiste
que asigne grados de creencia de H y
C5 (H / E) para distintos valores
E . Si algunas de estas asignaciones son incoherentes, rectificar sus grados de creencia hasta eliminar las
tratar de
incoherencias, de de creencia
y a estas nuevas asignaciones se les llama grados Savage para cree que existe es una funcin decir Savage
rectificados. personal
probabilidad
cada
individuo,
y De Finetti conscientes de que el mayor problema de este concepto y su medida est en el sesgo personal y en la inestabilidad con la que algunas de estas probabilidades estn en la mente
132
de una persona, recomiendan que el concepto de probabilida subjetiva no sea tanto una gua directa para funcionar sino principalmente como una inspeccin sobre la consistencia de las asignaciones.
La coherencia dos para hiptesis ambas,
significa
que
el
mismo dadas
sujeto las
ante
lgicamente lgicamente
equivalentes equivalentes
experiencias grados
tambin,
asignar
de creencia iguales.
En cuanto a la rectificacin de los valores del grado de creencia nos diche Max Black:
Demos eligir persona que sistema
la de tales
rectificacin 5 el valores contra valores dichos que l de
de
los
valores
de
la 5
confianza
siguiente ser
significado: imposible a Si 5
toda el es las
apostar de los
(...)
aceptando lquidas confianza
diferencias de
garantizan
ganancias
(...).
coherente
valores
obedecern
reglas de adicin y de multiplicacin de la teora
matemtica
permite al matemticos cados por
de
azares.
y
Este
sus
chocante
a los
resultado
axiomas
(...).
subjetivista usuales los
acceder
consecuencias clculos sus para de
Todos los sistemas de valores de confianza rectifi usarn diferentes mismos sean derivar partiprobabilidades complejas a partir de otras simples que puntos
da (24).
133
Los fundamentos de esta teora con un desarrollo sistemtico De fueron establecidos Pero, por Ramsey y ms tarde ampliados por cuando el concepto tuvo ms despus de of la publicacin Statistics en
Finetti.
fundamentalmente, y J. aplicacin Savage fu
amplia del
aceptacin de L.
trabajo
The
Foundations
abril de 1954. Savage mantiene en esta obra que:
Para la
los
personalistas que de la un una
la
probabilidad particular de que dos
mide tiene
la en
confianza verdad y no de
individuo
proposicin
particular
(...)
niegan
posibilidad
personas la misma
razonables ante
confianza proposicin
la misma evidencia tengan grados

en la verdad de
distintos (25).
El personalista
Finetti:
libro
de
Savage est basado en el punto principalmente

sus
de vista Bruno De
deducido
del
trabajo
de
La previsin:
leyes lgicas,
sus fuentes subjeti-
vas, publicado por el Instituto Henri Poincar en 1937.
Posteriormente, y utilidad, rrollado
el enlace entre probabilidad
subjetiva
originalmente descubierto por Ramsey, y despus desaNeuman y Morgenstern, es esencial para entender
por
esta interpretacin de la probabilidad. Es esta relacin probabilidad esta subjetiva-utilidad probabilidad que que este en la la que hace que sea ms Por fcil esto medir no es y
probabilidad haya
lgica.
sorprendente aplicacin
concepto las
tenido dos
tanta
aceptacin sobre
prctica
ltimas
dcadas,
todo en
134
las ciencias administrativas.
Respecto a esta relacin entre probabilidad subjetiva y utilidad ya se insisti de manera especial en el captulo 1
y volveremos sobre ella en el capitulo siguiente. Por el momento

dejamos este asunto pendiente, ya que este epgrafe slo trata
de
dar
ideas
globales y bsicas
de
esta
interpretacin de
la
probabilidad.
Teniendo en cuenta que el utilizacin de nes, esto est la
objeto
de
esta tesis es la
probabilidad subjetiva en la toma de decisioporque la interpretacin clsica,
justificado
lgica y frecuencial no son adecuadas para ello.
Fine comenta sobre este punto:
Las
interpretaciones
de
la
probabilidad
como
frecuencia relativa, cipalmente la inferencia.
clsica y lgica estn princon de el conocimiento y estas interpretaciones
relacionadas Ninguna
conduce por ellas mismas a una justificacin ade-
cuada para el uso de la probabilidad para guiar el comportamiento o facilitar la elaboracin de

decisiones. Ni son stas interpretaciones suficien tes para dirigir el uso de la probabilidad en la elaboracin de decisiones; mento general (26). mediante adecuados requieren un compleestadsticos
principios
135
El
desarrollo
de
la
teora
de
la
decisin requiere
que los decisores expresen sus probabilidades especficas y prefe
rencias. Estos
modelo accin. de Sea
datos
de comportamiento se van incluyendo

que el con el proceso de la adecuado discusin
en un
la no
decisin cual sea
facilita general
resultado
afectar a la utilidad de las probabilidades subjetivas y preferencias marcadas. ltimas, Si estas evaluaciones son eliminadas por las
decisiones nes reales,
bien por procesos analticos o por decisio-
se puede recurrir a combinar las aproximaciones subje
tiva y frecuencial.
Cuando de
en
prximos subjetiva
captulos volveremos
hablemos sobre
de
la
teora de la
la probabilidad
este punto
toma de decisiones. De momento volvemos a los autores de la teora subjetivista, etc. sobre lo que dicen, sus influencias, trabajos
Recordemos que los fundamentos de la teora subjetivista los encontramos en F. P. Ramsey con sus obras The foundation
of mathematics, publicada pstumamente en 1931 y Truth and Proba bility trabajo en The esencial para la teora subjetivista, and other que se
encuentra
foundations
of mathematics
logical
essays, publicada en 1931 y donde el autor desarrolla en profundi dad su criterio personalista de probabilidad y utilidad.
De y que su
L.
J.
Savage
podemos
decir
que
procede origen en
de
Ramsey de
punto
de vista
personalista
tiene
Bruno
136
Finetti. prana
Este ltimo llega a la
a la teora subjetivista por su temempirista de los pensadores del
aficin
filosofa
liberalismo anglosajn. Como l mismo comenta:
Estoy convencido de que mis ideas bsicas proceden de de mi Locke, los aos de la High School como resultado por los filsofos todo de britnicos:
(...)
preferencia Berkeley y
sobre
Hume (27).
Yo
creo que mi
trabajo basado en la intercambiabili-
dad corresponde a las ideas de Hume
Pero influencias obra A
las
teoras de las
subjetivistas ideas
de
De a
Finetti travs en
tienen de la
tambin on
Keynesianas,
treatise
probability,
publicada por Keynes
1921.
La idea sugerida por Ramsey, de que el grado de
en su obra pstuma antes comentada, a partir de la ventaja
confianza se asigne
que una persona da frente a otra es recogida tambin por el autor italiano.
Otros
autores
con ideas
similares B.
son Harold Jeffreys 0. Koopman y The con sus axioms con
con su obra Theory of Probability (1948); trabajos and Intuitive of probabilities and
sequences e Irving
algebra
intuitive
probability
John
Good
su trabajo Probability and the weighing of Evidence, publicada en 1950.
Otros autores que tambin interesa mencionar son: Rudol Carnap, autor del cual De Finetti le supone una interpretacin
137
subjetivista, pero que a nuestro entender en l se solapa tambin el esquema logicista; y George Plya que disiente en el tema
del argumento probable en el
sentido de la probabilidad subjeti-
va. Merece tambin atencin especial Dennis V. Lindey que, aunque en principio se decanta por la teora objetivista, pronto descubre las inconsistencias de esta teora optando por la teora
subjetivista,
a la que encuentra ms clara
tanto prctica como
tericamente, el punto de
las
obras
ms
importantes nos
de
este
autor,
desde
vista
que a nosotros
interesa,
esto es desde
la ptica subjetivista son:
Introduction to probability and sta-ET1 w256 4
tistics, publicada en 1965 en dos volmenes y en la que el autor adopta un punto de vista bayesiano; y Statistical Inference
anterior a aquella y publicada por primera vez en 1953.
Lindley y De Finetti mantuvieron importantes contactos, pero sin lugar a dudas una de las relaciones ms fructferas entre dos subjetivistas tan til es la mantenida intensa. entre De Finetti y Savage,
relacin
como
Ambos
autores
realizan varios
trabajos al alimn, entre ellos On the Manner of Choising Initial Probabilitities, en 1962. El importante libro de Bruno Probability, de Finetti,
Induction and Statistic, publicado en 1972 en Roma es en
t dedicado a Leonard Savage que haba muerto repentinamente Yale meses antes. Otras obras de estos dos autores sern
citadas
en captulos posteriores, y quedarn reflejadas en la bibliografa final de este trabajo.
138
La nmina de autores partidarios de las teoras subje

tivistas de la probabilidad es muy amplia, por ello, citaremos
aqu, slo de pasada,
los nombres de algunos de ellos, no menciopor haber sido consultada de esta tesis doctoral.
nados hasta ahora y cuya bibliografa, aparecer reflejada en la bibliografa
Entre otros podramos citar a F. Anscombe y R. Aumann, que escriben juntos y una definicin E. de probabilidad que recopilan subjetiva; juntos un Henry E.
Kyburg
Howard
Smokler,
conjunto
de artculos bability,
sobre
el tema en la obra Studies in subjective Pro en 1964; Peter C. Fishburn, John Kemeny,
aparecida
Patrick Suppes, ze, E.
George Henrik Von Wrigth, John

...
De Zeeuw, Jacques Dre Luce, C. Villegas,
Galanter, L. Winkler
W.
Pratt, Y
R.
Duncan los
Robert de la
etc.
entre
espaoles a Angel
partidarios Vegas Prez,
teora
subjetivista
podemos
citar
Ubaldo Nieto de Alba,
F. J. Girn, etc...
El tema de la teora de la probabilidad subjetiva ser analizado ms extensamente en los siguientes captulos; nas de las cuestiones que, superficialmente as algu-
tratadas en este epgrafe
como decamos al principio, de esta teora como se
slo trataba de dar una visin venia haciendo con las otras,
general
sern tratadas con ms extensin en los captulos dedicados especficamente a ellas.
139
3.5.- La teora matemtica de la probabilidad
La teora matemtica de la probabilidad crea un modelo

abstracto que permite calcular la probabilidad cualquier suceso que cumpla determinadas cuantitativa para basndose
condiciones,
en la teora de la medida del anlisis matemtico.
La definicin
de
probabilidad
como lmite de la suce-
sin de frecuencias relativas es la base para el modelo que funda menta la teora matemtica de la probabilidad.
Para la creacin de este modelo matemtico se comienza
observando los fenmenos reales, de tal manera que las operaciones que se definen entre los elementos del modelo recojan estas situaciones estructura hacen reales. De hecho, unin, las operaciones y definidas en la
matemtica: que
interseccin suceso de
en
complementacin pueda
posible
con
cualquier
un
fenmeno real
de otros
expresarse
estas
operaciones
funcin
sucesos
de probabilidades conocidas.
Hay
que
tener
en
cuenta
que
los
procesos a realizar
para crear y aplicar un modelo matemtico son:
Observacin
de
los
fenmenos
reales
conceptualizacin
de la idea intuitiva que recoge estos fenmenos.
Axiomatizacin mediante la identificacin referidos anteriormente con los
de los conceptos formales del
elementos
140
modelo.
Esto
es,
los
axiomas
recogen
las
propiedades
de
esos elementos y las relaciones existentes entre ellos.

-
Se
deducen proposicones
de
estos
axiomas creando as la
base de comportamiento de la teora.
Los
axiomas
iniciales
fundamentales
deben ser compati-
bles entre
ellos y es conveniente que sean independientes
en el sentido de que unos no se deduzcan de otros.

-
Una a su
vez creada aplicacin
la base real,
de
es
la teora matemtica,
decir, interpretamos la
se pasa
teora
prcticamente.
El esquema siguiente del profesor Sixto Ros (28) resume este proceso:
REALIDAD
conceptualizacin
00
~
(~) Efl -4-
OE
desconceptualizacin APLICACION
TEORA
MATEMATICA
141
Esta teora est justificada por el hecho de que, desde las investigaciones del siglo XIX en materia de probabilidad,
haba una tendencia a la axiomatizacin. Esta tendencia se mani

festaba buscando una definicin cial, de probabilidad de tipo frecuen-
es decir, para fenmenos que presenten regularidad estads-
tica,
que asociase un valor numrico a los sucesos como medida y que cumpliera
del grado de incertidumbre que estos conllevan, una serie campo de de axiomas.
Con esta formalizacin es ms amplio el este concepto. No hay que olvidar que lo
aplicacin de matemtico,
todo modelo
que quiere interpretar
la realidad,
que hace es idealizarla, y por tanto simplificara. Pero entonces
se har necesario, para considerar correcta la teora matemtica

de la probabilidad, que sta se vea confirmada por la experien-
cia.
El modo con que la teora matemtica de la probabilidad aborda el tema de la asignacin de la probabilidad se desarrollara como sigue:
Si se observa un experimento aleatorio y se considera uno de los sucesos 5 de ese experimento, de pruebas que se realizan, y es siendo n el nmero
f/n la frecuencia relativa
del suceso 5, estadstica se
supuesto que el experimento presente regularidad obtiene una sucesin de frecuencias relativas
de 5, con n suficientemente grande, que diferirn poco entre si.
142
Apoyndose matemtica 5) es la establece
en que
ese
comportamiento P(S) (la de
regular,
la del
teoria suceso
probabilidad la
idealizacin
matemtica
frecuencia
relativa
f/n. En definitiva, para un valor grande de n, f/n es aproximadamente igual a
Se P(S) P (para es una
trata, todo
por 5)
tanto, que
de
establecer
la
probabilidad condiciones. conjuntosy
suceso
cumpla determinadas -funcin de ella. editiva de
funcin
de medida ms adelante
como tal
hablaremos
En algunos cin de la
casos no es necesario estadstica de las
recurrir
a la observarelativas
regularidad para se
frecuencias
como condicin ocurre cuando
determinar
entre
la probabilidad matemtica, como

los sucesos del experimento las
admite
reglas de la definicin clsica.
A partir
de
1920,
comienza a considerarse
el clculo
de probabilidades como una teora matemtica basada en la teora de la medida. Fu en 1933, con la publicacin de la obra de A.
Kolmogorov Gundbegriffe der Wahrscheinlichkeitsrchnung (Fundamen tos de Probabilidad), cuando qued axiomatizada la teora matemtica ms ampliamente.
Veamos cuales son los elementos del esquema de Kolmogorov para la probabilidad:
143
1. El de
espacio todos
muestral
que
es
el
conjunto
los
resultados
posibles elementales
a los que da lugar el experimento aleatorio. Este espacio puede ser finito, infinito numera
ble o infinito no numerable.
2. La clase tAJ donde cada
de todos los subconjuntos de subconjunto representa
un
suceso
excepto en el caso de que La clase ~
sea no numerable.
cumple las siguientes propiedades:
a)
S2E~
b) Si
Sc
~4~
SE
4*
siendo tode c) Si se
5 ~
el complementario de
respec
tiene
un nmero ~
infinito numerable ~ ~2
de subconjuntos de entonces: U 5. i a-
Con estas operaciones y propiedades ne estructura de algebra.
tie
3.
La probabilidad establecida de
P,
que es funcin de medida [0,1]
en el intrvalo
[0,1]
144
La probabilidad
P cumple los siguientes axio-
mas:
1. II. III.
(~)
1 P (5)
>
VS Si
~
,
...
disjuntos que constituye
S~c~ycadados 5. son 1 n n P (u 5.) = E p (5) i=l ai=l ala propiedad de aditivi-
dad finita.
Con aditiva.
estas la
propiedades se aditividad
dice que la
P que
es finitamente ms se ajusta
Aunque
finita es
a la experiencia, sin embargo, para facilitar el desarrollo matemtico de la teora, est de es

~
y puesto que en la estructura de infinita numerable de
a-lgebra
definida
la
unin P es ~
.
subconjuntos aditiva, numerable
aadimos para tambin de
la propiedad de completamente aditiva para un nmero finito
decir,
de subconjuntos axioma.
Esta ltima condicin determina el cuarto
IV.
Si
1,
..
...
nmero infini ~
,
to numerable de subconjuntos de
dis
juntos dos a dos, entonces se cumple:
~ 5.) i=l a-
i=l P (5.) a-
145
Del axioma editiva para un lo
IV se
deduce
el III,
puesto que si de
es de
nmero
infinito un
numerable
subconjuntos por esta
tambin
ser para
nmero
finito;
razn,
muchos autores suprimen el III en la axiomtica.
En la teora de la probabilidad formalizada por Kolmogorov es importante mencionar tambin el siguiente resultado: P(S. fl 5.) 1 ~ p(S) 3
siendo
P(S.)# 3
En cuanto a la estuctura de
a -lgebra para la clase
y su relacin con un lgebra de Boole conviene aclarar que si en la propiedad (c) de
dicha
clase
se
tiene
un nmero finito
de sucesos 5 porque
fuera finito, entonces:
n ~ ~2 SnE~ ~ 1
~iEM
la clase
si
c..54
tendra
estructura
de lgebra
de Boole. Ahora
bien,
es infinito numerable y hay que realizar la unin
infinita numerable, esto es, si
5n
...
i~l
5~
entonces la clase
tiene estructura de
a lgebra.
Sobre
el
origen
del
lgebra
de
Boole,
R.
Mattessich
expone:
146
Fueron Auguste de Morgan (1806-71) y George Boole (181564) los que entre lgebra advirtieron lgica y las similitudes numrica, invenlos
estructurales t el primer
lgebra que
pero fu Boole en 1847 quin ingeniosamente prctica (29). principios de la lgica
obedeca
Con estos trs elementos ~ la terna

(
queda establecida
~,4,
P) que recibe el nombre de espacio probabilisti
co, y es el esquema bsico de la teora matemtica de Kolmogorov.
Hemos
dicho
anteriormente
que
los
elementos
de
~ se
llaman resultados elementales;

dos por subconjuntos unitarios
con ello, los sucesos representase llamarn sucesos elementales, compuestos. El problema
y los que se deducen a travs de ellos,
inicial es la asignacin de probabilidades de los sucesos elemen-
tales con cualquiera de las interpretaciones anteriores frecuen

cial, se clsica, logicista y subjetivista y a partir de ellas
obtienen las de los otros
sucesos por las reglas del clculo
de probabilidades axiomas antes expuestas.
Respecto a este punto, Max Black apunta:
La teora matemtica puede considerarse propiamen te como neutral mente aporta respecto a los anlisis filosfiSimple(aunque una estructura abstracta cos rivales del concepto de probabilidad. asombrosamente fecunda)
para calcular los valores

(...)
de las probabilidades complejas
Los valores
147
de
las
probabilidades
de
los
resultados
bsicos
deben
ser proporcionadas
a la teora y no pueden
determinarse dentro de ella (30).
En
cuanto
estn
determinadas
las
probabilidades
de
los sucesos elementales mediante cualquiera de las teoras anteriores, esas asignaciones se ajustan a las reglas de la teora
matemtica. Esto es evidente para la teora clsica y frecuencial (su propia evidencia hace innecesaria la profundizacin en este
tema). En cuanto a la teora subjetiva, ya dijimos en las pginas 130 y 132 que sus valores obedecen tambin a estas reglas de
la teora matemtica y que, por tanto,
permiten al subjetivista
acceder a los axiomas matemticos usuales y a sus consecuencias. Para el caso de la probabilidad lgica se establecera el mismo
principio.
La axiomtica ble es restrictiva puntos que para
de Kolmogorov si ~ es infinito no numera algunas de aplicaciones. esta Hay, por es tanto, el de
algunos
discutir
axiomtica, como
la seleccin del campo de sucesos para el caso de que ~2sea infinito no numerable. de el
Si el experimento
se describe con un conjunto ya dejamos dicho que los subconjuntos

~?
resultados campo de
finito sucesos
o infinito numerable, que es la clase de
de de
tena
estructura de
(si
lgebra de
numerable),
Boole
y en
(si
finito)
a-lgebra
infinito
ambos casos
quedaba describe el l
resuelto el problema. Ahora bien, si el experimento se con una variable real, esdecir, ~
infinito no numerable,
gebra
de
sucesos
ser un lbebra de Borel
de los subconjuntos
148
de
la recta
real.
Fu
Crmer el
que
introdujo
esta
sugerencia
en los axiomas de la probabilidad.
El contiene
algebra los
de
Borel
es El
el ms pequeo lgebra de
a-lgebra que de sucesos
todos
intervalos.
Borel
est generada por los sucesos ms imples de los resultados experi mentales, y contiene a todos los conjuntos que puedan obtenerse
mediante la unin,
interseccin y complementacin aplicados sobre fa,b]. Puesto que el nmero de elemen la U e fl puede ser finita o infinipara otras
[
los intervalos de la forma tos de ta ~ es infinito, Es
numerable.
importante
sealar,
definiciones
,
de esta teora,
que los intervalos de la forma
x]
tambin
pertenecen a la clase de Borel.
Dejamos
sin
tratar
los
postulados
fundamentales
que
se deducen de los axiomas, y por tanto tambin otros temas importantes de la teora matemtica de la probabilidad puesto que
aqu tal y como hemos hecho con las otras teoras slo queremos dar una imagen la global teora de ella, para pasar a estudiar con ms central de esta
profundidad
subjetivista
objetivo
tesis doctoral y parece lgico que toda persona interesada en el tema de la teora subjetivista conoce la teora matemtica
de la probabilidad como base formal para aplicar a las asignaciones de bsicas las otras de la probabilidad las de Lo tratado los sucesos elementales
teoras.
en este epgrafe es un simple
recordatorio de las ideas ms fundamentales.
-149
NOTAS AL CAPITULO III
(1)
T.
L.
FINE,
Theories of Probability, dres 1973, pg. 167.
Academic Press, Lon-
(2)
Max
BLACK~
Induccin
y Probabilidad, Ed. Ctedra, Madrid
1979, pp: 125 y 126. (3) Alexander Mc Farlane MOOD y Franklin A. GRAYBILL4
Introduc-ET1 w453 54
cin a la teora de la estadstica, Editorial Aguilar, Madrid 1978. pg. (4) MauriceBOUDOT 11.
Lgica inductiva y probabilidad, Editorial 121 y 122. de probabilidades 13.
Paraninfo, Madrid 1979, pp: (5) Harald CRAMER Elementos de la teora
Editorial Aguilar, Madrid 1977, pg.
(6) (7)
MaxBLACK, op. cit. pg. 132. H. CRAMER

Mathematical Methods of Statistics, 141. op. Princeton
Univ. Press, 1957, pg. (8) H. CRAMER, Elementos de la
teora de probabilidades,
cit. pg. 9. (9) (10) M. BLACK op. cit. pg. 133. Introduccin a la estadstica, Vol
Ubaldo NIETO DE ALBA
II, Editorial Aguilar, Madrid 1975, pag. 40. (11) Karl R. POPPER La lgica de la investigacin cientfica
Editorial Tecnos, Madrid 1977, pg. 142.
150
(12) (13) (14) (15)
Max BLACK, op. cit. pg. 134. M. BOUDOT, op. cit. pg. 129. Max BLACK, op. cit. pg. 129.
M. BOUDOT, op. cit. pg. 136.
(16) (17)
T.
L.
FINE, op. cit. pg. 184.
Rudolf CARNAP, The aim of inductive Logic en Logic, Metho dology Suppes, and Philosophy P. and Tarski, of Science, A., (eds.). Nagel, E.; Stanford,
Stanford University Press. pg. 303. (18) (19) M. BLACK, op. cit. pg. 129.
(California). 1962,
George Henrik von WRIGHT, A Treatise on Induction and Proba-ET1 w277 37 bility, Harcourt Brace and Co., New York 1951, pp: 151 y 152. Instrumental D. Reidel reasoning and systems Dor
(20)
Richard MATTESSICH
methodology,
Publishing
Co.,
drecht (Holland) (21) Idem., pg. 184.
1978, pg. 163.
(22) (23)
K. R. P0PP~R
op. cit. Pp. 43 y 44. The axioms and algebra of intuitive probabi Mathematics 1940, vol,
B. O. KOOPMAN
lity en Annals of 41 n2 2, pg. 269.
151
(24)
M. BLACK, op. cit., pg.
136 y 137.
(25)
L.
J.
SAVAGE
The
Foundations
of Statistics,
Ed.
Dover,
1971, pg. 3.
(26)
T. L. FINE,
op. cit. pg. 212.
(27)
Bruno DE FINETTI, Theory of Probability, Vol. 1, Ed. Wiley,

1979, pg. XII (prefacio).
(28)
Sixto
RiLOS,
Mtodos
estadsticos,
Ediciones del Castillo,
Madrid 1967, pg. 19. (29) (30) Richard MATTESICH, op. cit. pg. 74.
Max BLACK, op. cit. pp:
112 y 113.
CAPITULO
IV
FUNDAMENTOS DE LA TEORA SUBJETIVA DE LA PROBABILIDAD.
153
CAPITULO IV: FUNDAMENTOS DE LA TEORA SUBJETIVA DE LA PROBABILIDAD.
4.1. Introduccin
4.2. Algunas ideas respecto a los mtodos de obten-ET1 w184 60 cin de probabilidades subjetivas
4.3.- La cuantificacin del juicio o grado de creen-ET1 w184 52 cia.
4.4.
Axiomticas subjetiva
de
la
teora de
la probabilidad
4.4.1.- Axiomtica de De Finetti (1931). 4.4.2. Axiomtica de Koopman (1940). 4.4.3. Axiomtica de Savage (1954).
4.4.4.- Axiomtica de Anscombe y Aumann (1963).

4.4.5. Axiomtica de Villegas (1964). 4.4.6. Axiomtica de Scott 4.4.7. Axiomtica (1964).
de Fishburn (1967).
4.4.8. Axiomtica de Suppes (1974). 4.4.9.Axiomtica de French (1982).
4.5. Valoracin de las distribuciones de probabili-ET1 w184 154 dad subjetiva 4.5.1.- Las reglas de puntuacin. 4.5.2.- El problema del consenso en las valora ciones de grupo.
. .
154
4.5.2.1.
Aproximaciones
matemticas.
4.5.2.2.- Aproximaciones behavioristas.
4.6.-
Caracterizacin la probabilidad
conjunta subjetiva
de
la
utilidad
4.6.1. La utilidad esperada.
4.6.2. Sistemas de axiomas para la caracterizacin

subjetiva
conjunta
de
la
probabilidad
y la utilidad.
155
Los frecuencialistas no estn ausentes de subjeti

vismos, y los que militamos que en el lo bayesianismo que tiene de pretendemos demostrar todo
atractivo la teora frecuencialista est implcito en la teora personalista. Leonard J. Savage, en U. Nieto
de Alba, Introducci6n a la Estadis tica, 41. vol. II, Madrid 1975, pg.
156
4.1. Introduccin
Desde principios de siglo, algunos filsofos han tratado de establecer la tesis de que las probabilidades atribuidas
por una persona a los sucesos posibles de un experimento aleatorio son necesariamente de naturaleza subjetiva. de algunas Esta tesis ideas era
mantenida partiendo por James tud en Bernoulli
fundamentalmente
expuestas
del que ya hemos hablado con relativa amplide este en (1) trabajo. el se Las principales ideas de la cuarta parte brevemente
otros
apartados por Ars
desarrolladas de su obra
Bernoulli Conjectandi
comienzo pueden
expresar
como sigue:
El conocimiento que un individuo en un momento dado tiene a su disposicin es, acerca de a veces, insuficiente para obtener de un
certeza
la ocurrencia
o no ocurrencia
posible suceso.
Sobre grado un
esta base el individuo puede obtener solamente de confianza es definido, al conjunto grado de que es
un
a la certeza como y que o es llamado
subconjunto
total,
probabilidad.
Este
confianza
probabilidad
depende del conocimiento que el individuo tiene a su dispo sicin otros. y, por tanto, puede variar de unos individuos a
157
El en
arte
estimar,
de
de
la
estimacin
forma tan
(ars
conjectandi)
como sea
consiste
los
precisa
posible,
valores correctos de las probabilidades relativas al conocimiento posibles. del que se dispone de los diferentes sucesos
El
grado
de confianza puede atribuirse
a la posibilidad,
que depende del peso de los argumentos a favor y en contra del suceso.
El peso de un argumento de un tipo bastante general depende del nmero de casos en el que el argumento es vlido,
con tal de que los casos puedan ocurrir con igual probabilidad.
Excepto en los casos la equiprobabilidad
simples de los juegos de azar, donde es forzada artificialmente, raras
veces podemos saber si los diferentes casos son igualmente probables o no, y por tanto, pocas veces podemos atribuir
probabilidades correctas a priori
Estas
probabilidades
sin
conocimiento por medio
previo pueden
ser de
estimadas
a posteriori
de un gran nmero
observaciones.
El
grado
de
confianza es menor
que
la certidumbre
y no
aumentar por el crecimiento del nmero de observaciones.
158
A pesar de que en estas ideas existan pequeos indicios

de subjetivismo, la teora de J. Bernoulli no es, decididamente,
una teora subjetiva.
La
teora
subjetivista
comienza
desarrollarse
de
forma explcita y general con el
trabajo de Leonard J. Savage,
The Foundations of Statistics, publicado en 1954 y obra fundamental de esta teora como ya ha sido comentado en varias ocasiones. Sin embargo, teora, aunque no este trabajo olvidar trate que en el los de forma ms completa claro De
dicha de
debemos lo
primer trabajos
intento de
axiomatizacin
encontramos
Bruno
Finetti publicados en 1931 y 1937, tal y como referimos al comien zo del epgrafe 4.4.1. de esta tesis.
Las ideas de Savage proceden como ya hemos hecho referencia en el captulo anterior de F. P. Ramsey, de Von Neumann-
Morgenstern y de la Escuela de Econometra de Chicago.
Savage, interpretacin confianza
como
sus
predecesores, de la
piensa es
que un
la
nica de
consistente que
probabilidad tiene
grado
subjetivo
una persona
en la verdad
de una
proposicin,
y que es el nico concepto de probabilidad esencial
para la ciencia estadstica y para otras actividades que necesitan de de estos conceptos. sentido distinguir Este matiz entre de Savage implica que carece correctas y errneas,
evaluaciones
excepto que dad.
se violen los axiomas de la teora de la probabili-
159
Uno de es
los puntos
fundamentales del que a veces
trabajo de Savage se crea, entre los
intentar evitar la confusin, de la teora
partidarios
subjetivista
que confunden
los siguien-
tes puntos de vista:
1.-
La
creencia
de
que
la teora de
la probabilidad
trabaja con las probabilidades subjetivas realmente atribuidas por un individuo a todos los sucesos posibles.
2.
La
creencia
de
que que
esta un
teora trabaja debe
con las atribuir
probabilidades
individuo
a los sucesos de acuerdo con una norma dada.
Este segundo punto de vista se puede describir tambin matizando que la teora subjetivista trabaja con las probabilidades que una persona ideal (racional, coherente, que se atiene
a las normas) atribuye a los sucesos.
Si, vista, el
por
el
contrario, tratamiento
aceptamos axiomtico
el de
primer punto
de
posterior
la probabilidad
requerira
la prueba emprica de que el individuo en considera-
cin atribuye realmente tales probabilidades a los sucesos satisfaciendo los axiomas. o incluso las Las preferencias por determinados sucesos, de sus consecuencias, llevaran
probabilidades
a establecer un orden parcial entre ellas, que sera vlido solamente para un nico momento. Por tanto, si las probabilidades
160
estn definidas como caractersticas de un individuo son entonces probabilidades subjetivas; pero no podemos calcular probabilidades subjetivas si los axiomas no se satisfacen consistentemente.
Con el segundo punto de vista, que Savage llama normativo debido a que una persona real se comporta como ideal, es posible atribuir a esa persona ficticia cualquier consistencia
que se desee. Debe considerarse pues un mrito de Savage el que hiciera la distincin entre las dos interpretaciones, y que deliberadamente eligiera esta segunda.
En la obra citada, Savage demuestra, usando una definicin bastante razonable de consistencia, que una persona que
actuase consistentemente si tal persona existiese se comportara como si asignase probabilidades subjetivas que obedeceran
exactamente a las leyes usuales de la probabilidad. En este caso hablaramos de autoconsistencia.
En
los
supuestos econmicos intervienen
ms
simples,
esto
es
en
los supuestos en los que dinero, te, la
las apuestas con pagos en
que son los casos ms facilmente tratados matemticamenautoconsistencia transgresin est garantizada por el que se haga de los hecho se de que
cualquier
axiomas
castiga
econmicamente. Pero la teora ha de extenderse para cubrir todas las decisiones, y no slo las citadas, puesto que los premios
no son en general econmicos y es necesario introducir una medida del premio o ganancia (en su caso, prdida) producidos por cual-
161
quier
decisin.
Savage -siguiendo a Von Neumann y Mongenstern-
tuvo una idea ingeniosa en este sentido: comparar cualquier premio con un nmero de tickes de una lotera, el sus individuo ser consistente, tomando en esta las de tal manera que respecto a
situacin, decisiones
preferencias
entonces
pertinentes
con la mxima utilidad esperada.
En los argumentos de Savage encontramos que una persona consistente (coherente) establecer probabilidades que obedecern las mismas leyes que las probabilidades frecuenciales y las valoraciones de ambas sern iguales cuando estas ltimas (las frecuen ciales) sean conocidas. de Del mismo modo esa persona establecer
los valores
sus propias utilidades que usar en el proceso
de toma de decisiones. Esto no significa que el complejo proceso mental de la toma de decisiones y de la valoracin de los grados de creencia puede comprimirse hbilmente en unos cuantos nmeros, pero sucede que estos nmeros son suficientes para relacionar
los resultados finales de estos dos procesos en forma matemtica.
Vamos a suponer, por el momento, que las probabilidades subjetivas son exactamente medibles y obedecen las mismas leyes que las frecuencias. Con este supuesto, los mtodos personales,
aunque estrictamente hablando sean subjetivos, tienen la ventaja de que indican cuando la respuesta es virtualmente objetiva.
Uno de los problemas que encontramos a la hora de establecer probabilidades subjetivas es que las personas son demasia-
162
do imprecisas
e inconsistentes (en el sentido que antes defini-
mos). Para paliar este inconveniente, es suficiente que los argumentos decidir de consistencia, como podramos antes pensar propuestos o actuar por Savage, ayuden a
razonablemente
cuando
los datos son demasiado complicados para analizarlos intuitivamen te. La teora frecuencial ayuda, tambin, a asignar razonablemente las probabilidades, y en este sentido tiene el mismo objetivo.
Por las
esta
imprecisin y utilidades
ambigedad no estn
de
las
personas, de manera
probabilidades sino que se
definidas
nica
determinan
en un cierto campo
de aplicacin y aunque los
dependiente
de la situacin real de cada momento,
clculos se compliquen por la imprecisin de las probabilidades la persona, de en la prctica, siempre tiene que tomar una decisin u otra. Una forma de establecer probabilidades y
una forma
utilidades iniciales consiste en obtener la decisin de tal manera que maximice la utilidad esperada. Con la teora de Savage
no necesitamos
tomar los mismos valores para esas probabilidades
y utilidades cada vez que elaboramos una decisin sino que depende en cada caso de la situacin presente. Esto significa que
lo ms simple,
desde el punto de vista prctico, es comportarnos
segn el mtodo de Savage, con la reserva de que algunas decisiones y conclusiones tienen cierta flexibilidad. No hay, por supues to, ninguna ley que nos obligue a probar que se es consistente;
cualquiera es libre de hacer el tipo de anlisis que desee. Pero supongamos que uno desea optimizar dicho anlisis de acuerdo
con algn criterio comocometer el mnimo nmero de errores posi
163
ble o maximizar el beneficio; entonces si formulamos cualquiera de estos criterios de forma numrica exacta, encontraremos
que son consistentes, en el sentido de que no se afirma simultneamente que A es mejor que B y que B es mejor que A. Cualquiera de los diferentes mtodos de anlisis basados en tales criterios deben necesariamente satisfacer la teora de Savage.
Un mtodo de aproximacin propuesto por Smith (2) para usar H.

1
en
la
prctica consiste
en
lo siguiente:
cada hiptesis
)
,
puede tener su propia probabilidad inicial X
P(H.
1
y despus
de que el suceso militud so X P(X/H.) 1
haya sido observado calcularamos la verosi-
o probabilidad condicional de observar el suce H. es verdadera. En principio esta verosimi

1
supuesto que
litud puede ser una probabilidad dependiente de una opinin personal, pero en muchos casos ser una probabilidad frecuencial;
afirmaremos entonces que las probabilidades finales o a posterio ri de las H. son proporcionales a
1
P(H.)
1
P(X/Hj.
1
Si
la verosimilitud es
una probabilidad frecuencial,
podemos calcularla numricamente, y cualquier persona puede proporcionar sus propias habilidades iniciales y determinar a partir de ellas sus probabilidades finales y, por tanto, su propia inter pretacin o decisin. Esto que tiene un sentido perfectamente
objetivo a veces puede complicarse.
En
el
sentido
subjetivo
si
pensamos
que
individuos
diferentes no es probable que difieran mucho en sus probabilida-
164
des
iniciales,
podramos
probar a escoger alguna distribucin
inicial que no estara necesariamente de acuerdo con todas las opiniones individuales, pero que puede ser razonablemente aceptable para todos como una aproximacin de la distribucin de probabilidad requerida.
Podemos establecer posibles, ejemplo especificadas podramos
un nmero
de
diferentes
hiptesis Por por
mediante las
distribuciones conclusiones
iniciales. que suponen
investigar
una parte que las varianzas verdaderas en un proceso sean iguales, y por otra que dichas varianzas sean desiguales. Estas son la mayora de las personas asignaran
conclusiones extremas y
a cada uno de estos supuestos extremos una probabilidad. Si dichas asignaciones no difieren apreciablemente, estar seguros de que todas llegaran entonces podemos a la misma
efectivamente
conclusin. Esta conclusin ser entonces prcticamente objetiva en el sentido de que las personas estn generalmente de acuer do. Pero si los resultados de los dos supuestos difieren notablemente, debemos permitir diferentes que las diferentes mismso personas datos. lleguen a persona
conclusiones
sobre
los
Cada
tiene derecho a su propia opinin, y los datos son entonces insuficientes para asegurar cualquier conclusin de acuerdo general. El nico recurso en este caso es, por tanto, recoger ms datos. Sobre este asunto de las opiniones o juicios individuales y de grupo, as como sobre otras cuestiones tratadas en esta introduccin hablaremos en el desarrollo de este capitulo.
165
Teniendo de las ventajas de
en cuenta
lo
que
acabamos
de
comentar,
una
la aproximacin que depende de una opinin
personal es que puede claramente indicar cundo podemos esperar una conclusin objetiva y cundo esperaremos una conclusin subje tiva.
Los mtodos utilizados por estas aproximaciones pueden dar, en algunos casos, una respuesta nica, pero los datos disponibles no siempre conducen a conclusiones nicas. En definitiva, la confianza en cualquier mtodo slo llega con la experiencia, por muy buenos que sean sus fundamentos tericos.
166
4.2.. Algunas ideas
respecto a los mtodos de obtencin de pro-ET1 w98 693
babilidades subjetivas
Bruno del
De Finetti y L. J. Savage, unidos en el estudio proponen una nocin de probabilidad personal
subjetivismo,
o subjetiva que puso en duda las tcnicas estadsticas aceptadas hasta ese momento, proponiendo los mtodos de obtencin de probabilidades personales aproximados a travs de las ideas de la
teora de la decisin estadstica, y en los que el mtodo terico de la toma de decisiones proporciona una nueva base para definir la probabilidad personal.
Bruno De Finetti (3) cree que no hay necesidad de suponer que la probabilidad de algn suceso tiene un nico valor
determinable. Su punto de vista filosfico es que la probabilidad expresa el sentimiento de un individuo y no puede tener significa do excepto en su relacin con l. El trabajo detallado de este autor es parte importante de la base para la aproximacin de
la probabilidad subjetiva o personalista, por lo que la probabili dad subjetiva es considerada como una cuantificacin de la incertidumbre. La probabilidad subjetiva representa hasta que punto
una persona coherente cree que una afirmacin es cierta, basada en la que el informacin disponible para l en el ese momento. Para
individuo sea coherente se requiere que cada valoracin con cada una de sus restantes valoraciones, tal fundamentales entre ellas. Estas como ya comentamos en el
sea consistente
que no existan contradicciones restricciones de
coherencia aseguran,
167
epgrafe anterior, la aplicabilidad de los axiomas convencionales de la probabilidad, para facilitar as el manejo de las cantidades correspondientes a las probabilidades valoradas.
Ya hemos hecho referencia anteriormente a la incapacidad de las definiciones clsica y frecuencial de la probabilidad para resolver el problema de valorar probabilidades que se refieren a sucesos nicos. Esta incapacidad nos lleva a explicar por que la probabilidad requerida en el anlisis de toma de decisiones es necesariamente una probabilidad que haya sido subjetivamen te valorada. La naturaleza y ocurrencia probable de los sucesos
en dicho anlisis estar en la esfera de la experiencia del deci sor, cuyo conocimiento pasado es valorable. Pues mediante el
uso de
su juicio,
su experiencia es explcitamente
incorporada
en el anlisis. Esas valoraciones de la experiencia son una medida que se requiere para el anlisis de la decisin basado en
un esquema bayesiano.
Una lnea general de esta aproximacin analtica consis te y en: 1. Formular 2. la lista el de todas de las posibles decisiones los
sucesos;
Mediante
rbol
decisin,
identificar
resultados de cada decisin con cada suceso posible; 3. Valorar en trminos de utilidad los resultados y 4. Establecer la probabi lidad de ocurrencia de los sucesos.
En
este proceso
hay que
distinguir
si el decisor es
un individuo o un grupo de ellos. En el primer caso, con un slo
168
individuo,
podemos
establecer
dos aproximaciones para
calcular
la probabilidad subjetiva de la ocurrencia de un suceso:
1.
La persona puede de sus juicios.
ser directamente Esta es
interrogada
acerca simple,
la aproximacin ms
que consiste en preguntar a la persona cal es su proba bilidad para un suceso, y puede expresar su creencia O y 1, o mediante una
estableciendo un nmero entre
respuesta visual dividiendo un segmento en dos partes cuyas longitudes correspondan a la probabilidad de
dos sucesos disjuntos.
2.
Las valoraciones
de
la persona pueden ser
inferidas
a partir de sus preferencias entre decisiones posibles. Este mtodo indirecto del que Savage era ms partidario elimina entre la desventaja a que da lugar juicios que se mantienen la discrepancia realmente y los
los
formulados en las probabilidades valoradas directamente. Un procedimiento para aplicar este mtodo consiste en usar una tcnica de juego o lotera para obtener
la probabilidad subjetiva de la ocurrencia de sucesos nicos. En este caso, las probabilidades vienen inducidas a partir de las probabilidades de las apuestas
de dicho juego.
Antes hemos manifestado, al referirnos a la lnea general para
la aproximacin analtica de
la probabilidad,
que hay
169
que valorar la probabilidad de ocurrencia de los sucesos, y esto requerir a veces en la prctica establecer muchos valores posibles de probabilidades correspondientes a cantidades inciertas.
Este problema de asignar probabilidades a un nmero de valores posibles de una cantidad incierta, se convierte en la valoracin
de una distribucin de probabilidad. Los mtodos sugeridos para tales valoraciones son: el ajuste de la curva de los juicios
directos, los datos histricos y el uso de la hipottica informacin muestral. Los datos de la histricos disponibles generalmente
determinan
la forma
funcin de probabilidad que expresa
la valoracin de la distribucin.
En el caso de que el decisor sea un grupo de individuos el anlisis bayesiano formal concibe la valoracin de una funcin de probabilidad subjetiva individual. que ser asignada por un grupo Pero si esa funcin tiene
de individuos surge la cuestin
de la aplicabilidad del anlisis, a no ser que las valoraciones individuales valoracin de coincidan todo el o puedan o combinarse para del dar una grupo sola
grupo,
los miembros
puedan
ser persuadidos para que modifiquen sus juicios de acuerdo con un slo juicio individual.
Si una
cada uno de
de
los
individuos
del
grupo que
proporciona su
distribucin
probabilidad individual
representa
juicio, Winkler (4) sugiere como veremos ms adelante un nmero de esquemas basados en la combinacin lineal de las distribuciones individuales para obtener una nica distribucin del grupo.
170
Las
ponderaciones usadas en tal combinacin
lineal
reflejan la
racionalidad y habilidad de cada uno de los individuos, as como su experiencia. Es decir, las ponderaciones expresan que unos
individuos son mejores valoradores que otros. En el caso de que todos se consideren igualmente capaces para hacer buenas valoraciones las ponderaciones es serian del iguales. grupo y Winkler que concibe una
autoridad
que
responsable
har el
esquema
de las valoraciones de las ponderaciones.
Otras
ponderaciones
propuestas
estn
basadas
en
la
autoclasificacin de los miembros del grupo o en las comparaciones deducidas de distribuciones valoradas previamente con resulta dos reales. El esquema de las ponderaciones propuesto por la a la que llamaremos D para abre-
autoridad nombrada de antemano,
viar, puede reconocerse como un sistema de la decisin del grupo donde todos sopesan las opiniones de los dems miembros.
Un
mtodo
alternativo
sugerido
por el
mismo
Winkler
consiste en que cada distribucin individual sea un miembro de una familia de distribuciones, similar y tales distribuciones puedan del
combinarse teorema de
de manera Bayes.
a las
sucesivas
aplicaciones
Estos
mtodos
distintos
producen resultados
diversos, pero Winkler mantiene que D es responsable de la valora cin final de la distribucin individual consensuada y D usara
los mtodos que simplifiquen el problema y que considere relevantes.
171
Algunos comentarios utiles sobre el problema del consen

so en las valoraciones de grupo al que nos referiremos ms exten-
samente en un apartado posterior pueden encontrarse en referen cias como la de R. B. Wilson (5) que plantea un problema de decisin de grupo. La estructura de dicho problema consiste en que elegida aleatoria,
existe una decisin comn

E
a que depende de un resultado

y el pago que resulta
de
=
una
E
,
variable
p(
se distribuye mediante alguna regla entre los miem-
bros del grupo. En dicha referencia se da la justificacin matem tica para la consideracin de una valoracin de grupo de la proba bilidad y de la funcin de utilidad.
La grupo supone
discusin que y cada hay
matemtica miembro
del
problema ya
del sus de
consenso de respectivas distintas
ha valorado
distribuciones opiniones,
que
llegar a un
acuerdo
las
estimulando a cada individuo a reconsiderar su valora-
cin, despus de presentarle algunas observaciones de las valoraciones de de todos los miembros del de grupo. las Winkler referidas considera dos
tales
aproximaciones;
adems
anteriormente
basadas en la combinacin lineal de las distribuciones individuales, y estas dos y ltimas la aproximaciones del son: grupo. las la El realimentacin primer mtodo annimas
revaloracin en
revaloracin a un
consiste
presentar
miembro
valoraciones
del resto de los miembros del grupo, para obtener una nueva valoracin de este individuo, una vez que conoce las de los dems.
El mtodo se repite con todos ner una convergencia de todas
los miembros del grupo hasta obtelas valoraciones. El segundo mto-
172
do,
la revaloracin de grupo, consiste en presentar a los indiviy que estos discutan el asunto hasta llegar
duos como un grupo a un consenso a
individual. ms
Ambos mtodos son behavioristas y nos en el epgrafe 4.5.2.2. de
referimos
ellos
extensamente
este mismo capitulo.
N.
Dalkey
(6)
critica
tales
discusiones
de
grupo
por
que cree que son dificultadas por la influencia de los individuos dominantes miembros, a las (lderes de grupo), la poca comunicacin entre los
y por la distorsin de los juicios individuales debida del propio grupo sobre los individuos que lo
influencias Dalkey
componen.
est de acuerdo
con un mtodo que consiste en
que los miembros del grupo sean expertos en el tema que se considera de y ellos independientemente hagan explcitas cualquier desarrollen sus sus y valoraciones fuentes de
probabilidad,
hiptesis
informacin y soliciten
fuente adicional para mejorar
dichas valoraciones. En definitiva, Dalkey antepone las valoracio nes individuales de miembros con experiencia a cualquier valoracin ponderada o consensuada del grupo.
Para el decisiones que
anlisis de toma de decisiones aplicado a las o de negocios, en los que es frecuente la deci-
empresariales de
sea un grupo estas
individuos
el que tenga que tomar
sin,
teoras sobre
la interaccin del grupo y sus efectos Sobre
en la toma de decisiones han sido seriamente consideradas. este asunto se han desarrollado prioritariamente
algunos aspec-
tos: a) La difusin o reparto de la responsabilidad: Al compartir
173
la
responsabilidad, ante el
la
propia
experiencia
del
grupo
reduce
la
ansiedad
riesgo de las posibles consecuencias negativas
de la decisin puesto que la responsabilidad se reparte sicolgicamente entre los miembros del grupo. b) La especializacin y
la familiarizacin con el problema: liarizados de con a el problema, de la asumen
Los miembros del grupo, famimayores riesgos en la toma
decisiones aparejada
causa la
reduccin de c) Otros
la incertidumbre que similares de la
lleva
decisin.
aspectos
decisin empresarial.
Resumiendo pueden usarse visto cmo
hemos
tratado
en este
apartado mtodos que subjetivas y hemos puede usarse
para establecer esquemas de
probabilidades
los
la toma de
decisiones
para ello.
Ha surgido el problema del consenso para el caso que
sea un grupo y no un individuo aislado el que tenga que establecer dichas valoraciones, problema que ser tratado ms ampliamente en un apartado posterior distintas formal y con que ellas axiomaticas fundamente queden que la una vez que se hayan formulado las autores proponen como base la probabilidad los subjetiva
distintos teora de
formalmente
establecidos
requerimientos Otro asunto no que o
necesarios mencionado cierre de
para en
establecer
dicha
probabilidad. que merece
este
apartado pero es el
una referencia de
este
epgrafe es decir,
tema de
las reglas
puntuacin
tanteo,
la prctica y tcnica en la valoracin de
probabilidades, puesto que esta tcnica puede reducir inconsisten cias en las valoraciones del decisor.
174
Las reglas de puntuacin nos capacitan, para descubrir toma de de las opiniones de y, por de tanto, los
en principio,
las personas implicadas en la implicadas en la asignacin Los
decisiones de
grados
creencia
distintos
sucesos posibles.
posibles campos de aplicacin los encontramos preguntando porqu y cundo estamos interesados en las opiniones de dichas personas. A veces queremos hacer uso de una persona considerada a la que llamaremos experto o asesor. experta,
El
dominio
de
la aplicacin
potencial
de
las
reglas
de puntuacin propias es sugerido, no tanto por el problema de obtener las opiniones de otros, como por la dificultad de obtener la nuestra propia. Pero eso no significa que sea fcil obtener
nuestra propia probabilidad. La imprecisin es el mayor obstculo para ello y la primera opinin es a veces modificada cuando tenemos ms datos implicados.
Los que han experimentado por ellos mismos, o a travs de otros, la prctica frecuente con reglas de puntuacin sienten
que estas ayudan a una persona a combatir la ambigedad (imprecisin), y a conseguir ms rpidamente y de forma ms precisa su personal. Esta proposicin podra ser difcil de
probabilidad
investigar experimentalmente e, incluso, parece difcil de establecer con precisin, pero si logramos establecerla puede resultar de gran utilidad.
175
En general, es la que hace que
la buena se
comunicacin entre
los expertos
distribuya la
informacin y as ayudar
a otros a pensar a travs de sus opiniones de forma aproximada, y la mala comunicacin ser, por contra, la que estimula varios
vicios como la exageracin o la diferencia excesiva en las valora ciones por parte de diferentes personas. Ms tarde o ms tempra-
no, a pesar de todas las tcnicas de comunicacin, las opiniones divergentes solucin la de los expertos tendrn que ser enfrentadas. Una
para resolver estas
posibles divergencias es utilizar
combinacin de uno o ms expertos al tiempo que la nuestra Un procedimiento para establecer la combinacin de las ya referido anteriormente al hablar del
propia.
valoraciones seria el
consenso en las valoraciones de grupo, de promediar las opiniones, es decir, de hacer el promedio de las distribuciones de probabili dad asignadas por el grupo de expertos, dando a cada una la ponde racin que consideremos apropiada.
176
4.3. La cuantificacin del juicio o grado de creencia
Segn de las de su la que la
se
viene
repitiendo
en
este que
trabajo una en
la
teora usara
probabilidad de
subjetiva
prescribe
persona
valoraciones decisiones, juicio. figura el
la probabilidad personal estas valoraciones introducido por la se en
la elaboracin con
y que
corresponderan el epgrafe vamos
Tambin del
ha sido o
anterior
experto se
asesor; en
tanto, del
a considerar Por ello,
juicio
establece
mente
asesor.
De Finetti ha propuesto al asesor a hacer y por que
el desarrollo de los mtodos que obligan las valoraciones que se correspondan con sus bajo
juicios,
tanto,
su comportamiento
se investigue
tales mtodos.
En ya un ha sido
la
teora
personalista
de
la
probabilidad, la confianza
como que
establecido, particular
la probabilidad tiene en la
mide
individuo
verdad
de una proposicin
particular. El punto de vista personalista difiere de otras aproximaciones, como ya ha sido tratado, al no intentar especificar
que valoraciones son correctas. tentes, o coherentes,
Todas las valoraciones autoconsis
son admisibles hasta el punto que el indi-
viduo piense que se corresponden con su juicio.
Se puede probar que las probabilidades personales valoradas de acuerdo con ciertos postulados estar de acuerdo de coherencia sobre el con una
comportamiento
deben
matemticamente
medida de probabilidad.
177
Si de la
negamos
la
existencia negando al
de el
valoraciones
correctas
probabilidad, de
estamos
carcter normativo de
la habilidad
los asesores
valorar las probabilidades de
los sucesos. Aunque no estemos interesados en un sentido normativo acerca de cmo las valoraciones de probabilidad se corresponden con algo en la realidad, sin embargo, si estamos interesados
en que las valoraciones de dichas probabilidades se correspondan con los juicios del asesor.
Segn
la
teora
personalista de
la probabilidad
las
valoraciones de un experto o asesor y las de otra persona cualquiera son igualmente buenas si adems de ajustarse a los postula dos de coherencia se si el es corresponden experto valora con que sus respectivos juicios. que
Por ejemplo,
la probabilidad de
ocurra un suceso es 0,20, si
0,9 y otra persona cualquiera valora que
este suceso ocurriera realmente parecera mejor la sin embargo, igualmente de acuerdo con la teora, buenas si se corresponden
valoracin del experto, las dos valoraciones
son
con sus juicios respectivos. Debe tenerse en cuenta que, aunque las axiomatizaciones de la teora no tengan que ver con la habili dad del experto, sin embargo, no puede olvidarse la habilidad
del experto en las aplicaciones de la teora.
Entonces,
nuestro
inters
en las valoraciones
de
la
probabilidad personal se centrar en dos condiciones:
178
1. Las valoraciones de la probabilidad obedecen ciertos postulados de coherencia. 2. Las valoraciones de la probabilidad se corresponden con los juicios del experto o asesor.
Si tuvieramos un conjunto de probabilidades valoradas, es bastante sencillo verificar la condicin primera, sin embargo, no es posible verificar la segunda condicin, ya que una valoracin de la probabilidad intuitivo, en de es el resultado de grados de la interaccin, o
proceso que
numerosos del
creencia o
juicios,
existen
la mente
asesor.
Adems cualquier conjunto
de probabilidades valoradas se define solamente de forma vlida para un instante dado de tiempo, y est sujeto a revisin cuando el asesor obtiene nueva informacin. Por ejemplo, podemos desear cambiar nuestra valoracin de la probabilidad del suceso maana llover si justo despus de elaborar esta valoracin disponemos de ms informacin al observar el cielo y costatar la existencia de nubes oscuras. Tendramos dificultades si tuvieramos que reali zar estimaciones de probabilidades en cada momento segn vayamos disponiendo de nuevas informaciones, por ello, nuestro propsito consiste en elaborar las decisiones a partir de estimaciones
aproximadas de las probabilidades.
A pesar de que no podemos verificar la condicin nmero dos, como hemos dicho antes, podemos intentar, sin embargo, desarrollar mtodos para ayudar al asesor a valorar probabilidades
que estn de acuerdo con sus juicios. Una aproximacin a la valo
179
racin de probabilidades es la interrogacin directa que consiste en formular preguntas que impliquen probabilidades, por ejemplo, probabilidades de apuestas, etc. el observaciones Este tipo de de muestras aproximacin futuras, tiene el
loterias hipotticas, inconveniente de que
asesor no
tiene
estmulos para hacer
que sus valoraciones se correspondan con su juicio. Por ejemplo, si al asesor se le pregunta directamente por la probabilidad
del suceso maana llover puede decir un nmero que se le ocurra como valoracin de tal probabilidad. Ahora bien, si conseguimos estimular la decisin del asesor implicando en ella un premio o pago, se consigue optimizar la valoracin al depender sta
del premio.
En definitiva, siguiendo a Bruno De Finetti:
Queremos construir y proporcionar para uso prcti co mtodos que favorezcan automticamente la expre sin de los grados de creencia de cualquier persona (7).
Si
suponemos
adems
que
los
juicios
del
asesor con
respecto al problema considerado pueden estar representados por una distribucin de probabilidad f(x) de una variable aleatoria X. Consideramos X1
, ,
una particin del Xn

,
campo
de variacin de
X en
partes por p1
entonces f (x) puede estar representada P.

1
...
siendo
P(xEX.) para
1
1, 2,
...,
n.
180
La distribucin de probabilidad real valorada o conjunto de respuestas estar denotada por r(x), o por se considera una particin de restriccin es que no impuesta debe a esta n r1
, ... ,
r n si
subonjuntos o partes. La nica de probabilidad real Entonces,
distribucin
violar
los postulados
de coherencia.
tenemos
inters
en analizar mtodos
que
conduzcan al asesor a igual a pa-
que r(x) coincida con f(x), es decir, a hacer r~ ra i

=
1, 2
...
n.
Un mtodo para analizar las respuestas del asesor consiste en ofrecer a dicho asesor una serie de apuestas. Estas
apuestas cada
son reales y no hipotticas,
en el sentido de que en
caso es
una persona determinada el ganador de la apuesta que la cantidad de dinero implicada realmente cam-
y, por tanto, bia de dueo.
Veamos el mtodo propuesto por R. L. Winkler: En cada caso presentado, el experto o asesor debe elegir entre dos apuestas y no puede dejar de apostar. En primer lugar el asesor debe elegir de entre una apuesta con probabilidades fijadas q y lq
ganar E
y perder,
y una apuesta que depende de si ocurre un
suceso
o no ocurre.
APUESTA 1.a.: El
asesor gana
la cantidad A si
ocurre el
suceso E. El asesor pierde la cantidad B si no ocurre el suceso E.
181
APUESTA l.b.: El asesor gana la cantidad A con probabilidad q. El asesor pierde la cantidad B con probabilidad 1-q.
Si los valores
es
la probabilidad de que ocurra el suceso E, de las apuestas l.a y i.b por el

=
esperados
asesor
son respectivamente; valor esperado para la apuesta l.a.
A.p
B (l-p)
A.p
B.p
valor esperado para la apuesta 1.b
A.q
B (lq)
A.q
B.q
Por
tanto,
podemos
extraer
las siguientes
inferencias
de la posible decisin del asesor. Si la apuesta l.a es elegida
A.p
B.p
>
A.q
B.q
por tanto
p~q
De forma similar si elige la apuesta 1.b
A.q entonces
B.q
>
A.p
B.p
q >p
182
Vemos, por tanto,
que la eleccin de una de estas apues p

,
tas llevara al asesor a una desigualdad que implica que habamos dicho notar que que la la probabilidad eleccin de q
puesto Es del
estaba fijada. por parte
interesante
una apuesta
asesor es independiente de A y B.
Si existe un suceso E q bien establecida, la apuesta con la l.b. que
que ocurre con una probabilidad el asesor est familiarizado, por el hecho q de no
entonces que
estara o no
condicionada En
ocurra el
suceso E
ocurra.
esta situacin
est explcitamente formulada pero est implcita por la eleccin del suceso E. el Para suceso la mayoria de conveniente los valores E aunque de esto q
,
se puede de
encontrar
depender
la experiencia del asesor con diversos tipos de sucesos.
El segundo caso,
difiere del anterior en que el asesor
debe elegir entre dos aspectos de la misma apuesta.
APUESTA 2.a: El asesor gana la cantidad A si E ocurre El asesor pierde la cantidad B si e no ocurre
APUESTA 2.b: El asesor gana la cantidad 8 si E no ocurre El asesor pierde la cantidad A si E ocurre
Los valores esperados de las apuestas 2.a y 2.b son:
183
valor esperado de la apuesta 2.a
A.p
B (lp)
valor esperado de la apuesta 2.b
B (lp)
A.p
Si la apuesta 2.a es elegida
A.p
B (l-p)
>
B (l-p)
A.p
de donde se deduce que:
P.(A+B)
>
P.(A+B) 2 B
2 P.(A+B)
>
por tanto B A+B
Si
la
apuesta
2.b.
es
elegida
la
desigualdad ltima
resultara a la inversa. En esta segunda situacin vuelve a ocurrir que la eleccin de la apuesta lleva al asesor a una desigual dad que implica p y en este caso la eleccin de dicha apuesta
por parte del asesor depende de A y de B.
184
Mediante las apuestas presentadas obtenemos informacin acerca de la probabilidad del suceso E dependiendo de la eleccin realizada quiera de por el asesor. Tomando intervalos que E como una combinacin cualpodemos obtener informade Las la distribucin de
de la recta real, es la
cin sobre f(x) de probabilidad
representacin anteriormente.
mencionada
situaciones
apuesta presentadas proporcionan resultados a partir de las desigualdades que implican las probabilidades, tal y como acabamos
de exponer. Naturalmente, podemos usar estas situaciones de apues ta para determinar una probabilidad con cualquier grado de precisin deseado, pero para obtener un alto grado de precisin se
requerira problema
un mayor de
nmero de el
apuestas. de
una forma de evitar el sera valorar las
aumentar
nmero
apuestas
probabilidades por medio de la interrogacin directa a la persona o asesor, y despus usar las situaciones de apuesta como una
comprobacin o prueba de la precisin de las probabilidades valoradas. Los dos mtodos -interrogacin directa y uso de las apuestas se complementan el uno al otro; con el primero se proporciona el vehculo para la cuantificacin del juicio y con el segundo el incentivo para lograr que esa cuantificacin sea lo ms precisa posible. la Las probabilidades directa nos valoradas por el asesor mediante dan dichas alguna idea de que apuestas tiene
interrogacin para
presentarle, el
comprobar
probabilidades.
Esto
inconveniente
de que si el asesor est enterado del procedi-
miento referido respecto al modo de presentar las apuestas, falsi fique intencionadamente sus respuestas en la interrogacin directa para recibir una eleccin de apuestas atractiva para l.
185
Winkler ha demostrado que los diferentes mtodos pueden producir diferentes respuestas (8). Es decir, si consideramos
,
K mtodos distintos, podemos obtener las respuestas r1. (
r.(x) ) por el mtodo jesimo, para j = 1, 2, ... , K. Me 3 diante una seleccin apropiada de apuestas para presentar al asesor seria posible determinar p1
, ... ,
que p n
conjunto
de
)
respuestas
se
aproximan mejor a las qu conjunto de
f(x)
determinando
respuestas es consistente con las probabilidades
obtenidas mediante las apuestas.
Una vez
que hemos
analizado
el papel
del
asesor y la
forma en que ste asigna sus probabilidades, es decir, cuantifica sus juicios, podemos deducir que el concepto de buen o mal asesor se puede tomar en dos contextos distintos. En primer lugar tene-
mos un criterio de bondad con respecto a la teora personalista de la probabilidad. los En este de contexto, coherencia un buen asesor es el que y hace valoraciones r(x) que
obedece se a
postulados con sus
corresponden f(x). En
juicios es podemos
decir,
hace
idntico
segundo
lugar
considerar
otro criterio de
bondad basado en las aplicaciones de la teora. En este contexto, que por un buen asesor ser el muy erudito en la materia que tiene considerar. la Esencialmente, en el rea se el primer de contexto se interesa de la en
experiencia y el
general interesa
la valoracin la
probabilidad,
segundo
por
experiencia
el rea de aplicacin. El primero requiere que las probabilidades se correspondan con el juicio, mientras el segundo requerir
que dichas probabilidades se correspondan
con la realidad. Lgi-
186
camente, la situacin ideal se dara cuando ambos criterios fueran satisfechos simultaneamente. requerira valoracin Es decir, esta situacin ideal en el sentido de la rea de aplicaca-on.
la competencia del asesor tanto de la probabilidad como en el
Desafortunadamente esto no ocurre habitualmente.
Si consideramos
por ejemplo el caso del anlisis del pronstico del tiempo, un estadstico que est familiarizado con la teora de la probabilidad personal puede ser capaz de hacer valoraciones coherentes
de acuerdo con sus juicios, pero puede saber muy poco de metereo logia. Mientras que un meterelogo es un experto en su campo,
pero no es tan habitual que entendiera a la vez la teora subjeti va de la probabilidad. El estadstico satisface el primer criterio, pero no el segundo, el mientras que el meterelogo satisface
segundo pero no el primero.
La pregunta es entonces cal de
los dos es el ms vlido como asesor. En un sentido normativo, es decir, atendiendo a la coherencia, el estadstico es claramente el mejor asesor; pero realmente no es necesario hacer una
eleccin entre
los dos criterios de bondad, ya que con alguna ser entrenado para (esto sera
instruccin y prctica el meterelogo puede usar los mtodos de valoracin de
probabilidades
ms fcil
que hacer del estadstico un meterelogo competente),
pues con esta instruccin el meterelogo satisfara ambos criterios de bondad.
En
cualquier
caso,
es
necesario
considerar
tambin
el factor experiencia, pues gracias a ella ambos asesores elevaran su grado de competencia, al incrementarse su conocimiento
187
de
los
mtodos
lo
que reducir el nmero de
inconsistencias y
dar al asesor la capacidad de entender la correspondencia entre juicios y probabilidades. Por otra parte, la experiencia tambin conduce a que el asesor cumpla mejor los criterios de bondad
tanto en el primer sentido referido como en el segundo.
Despus del juicio,
de
analizar el
problema de
la cuantificacin que constituyen
pasamos a estudiar las axiomticas
la base formal que garantice el comportamiento racional y coheren te al que nos venimos refiriendo.
188
4.4.- Axiomticas de la teora de la probabilidad subjetiva
Para presentar
en este
captulo
algunas
de las
axiomti
cas fundamentales de la teora que estamos tratando en este traba jo, seguiremos un orden cronolgico, pues cada una de ellas hace, la mayor parte de las veces, referencias concretas a las de sus antecesores. A pesar de que consideramos esta forma de exposicin cronolgica como ya como la ms adecuada, no podemos dejar de sealar, que la axiomtica de L.
lo hemos
hecho anteriormente,
J. Savage, expuesta en su obra Foundations of Statistics, publi cada en 1954, est considerada por casi todos los especialistas
en esta materia como la formulacin terica ms explcita y general.
4.4.1. Axiomtica de Bruno De Finetti (1931).
Segn
C.
Villegas:
La primera
formulacin
clara
precisa de los axiomas de la probabilidad cualitativa fu dada por De Finetti en Sul significato soggetivo della probabilit en 1931 (9). Posteriormente De Finetti publica en 1937 su trabajo La prvision: ses bis logiques, ses sources subjectives que ha
(10).
En estos dos trabajos el autor propone las leyes
de seguir la probabilidad tal y como l la concibe.
189
De Finetti no concibe la probabilidad como una nocin abstracta, sino que esto la supone es, una idea elemental entroncada a
la vida diaria,
como una nocin prctica aplicable a es posible
la vida cotidiana.
Segn est elemental apreciacin,
suponer un suceso bien definido pero que nos plantea duda sobre su ocurrencia o no ocurrencia. Esta incertidumbre acerca de su ocurrencia obliga al autor a definir dos trminos, la comparacin y la graduacin de la incertidumbre de esos sucesos. La comparacin la establece con la relacin ms probable que y la graduacin consiste en una valoracin cuantitativa y directa del grado de probabilidad atribuido por un individuo al suceso.
De
Finetti
comienza
estableciendo
cuatro
postulados
para la relacin comparativa ms probable que. Estos postulados son:
1.
Un suceso incierto puede ser igualmente probable, ms probable o menos probable que otro.
2.
Un
suceso
incierto
siempre
ser ms probable que un
suceso imposible y menos probable que un suceso seguro.
3.
Si un suceso E es ms probable que otro E y ste ltimo es ms probable que otro suceso E
,
entonces E
sera ms probable que E (propiedad transitiva).
190
4.
Si E1 que E 2
es ms probable que E2 entonces resulta que:
y E1
es
ms
probable
E1 vE 1
es ms probable que
E 2
VE~
2 que se consery
,
Es decir que la relacin ms probable va con la suma E1 lgica o y disjuncin
con
tal E2
,
que E2
los sucesos
E1 sean incompatibles, y
sean tambin incompatibles.
En grado
cuanto
la definicin
cuantitativa y
directa
del
de probabilidad es decir lo que el autor llama la incertidumbre, individuo a un De Finetti considera dado de que
la graduaes asignada
cin de por un
suceso
tal manera que con ello
expresa
las condiciones
por las que estara dispuesto a apostar
por la ocurrencia del suceso.
La evaluacin de las probabilidades por parte del individuo ellas, requiere es decir, que no existan contradicciones intrnsecas entre
requiere la coherencia del individuo. Es precisa la que constituye el nico prin
mente esta condicin de coherencia
cipio del que se puede deducir el clculo general de la probabilidad desarrollando un conjunto de reglas a las que debe ajustarse la evaluacin subjetiva de la probabilidad de varios sucesos
por un mismo individuo, fundamental entre ellas.
si no quiere que exista una contradiccin
191
Una de estas reglas del clculo general de la probabili dad lo constituye el teorema de la probabilidad de la suma lgica de sucesos, teorema que pasamos a demostrar siguiendo a De
Finetti:
Sean
E1
...
una
clase
completa
de
sucesos
incompatibles, rrir. Y sean esos sucesos

...
de los cuales uno y slo uno puede ocup1,..., valoradas son los ~n por las un probabilidades individuo dado. de Si
S~
premios
positivos de
o negativos los
que corresponden sucesos, tantos sern ganada de los las casos las si n
a la ocurrencia n
cada uno de
ganancias en los posibles como entre
casos posibles (hay pueden de la y ocurrir) apuesta la suma
sucesos el
diferencias ocurre el
premio
suceso correspondiente
desembolsos pagados.
Con estas condiciones De Finetti demuestra que: La suma ser igual lidad de de a las probabilidades 1 de dichos sucesos debe
y de forma ms general que la probabi-ET1 w439 24 lgica de los n sucesos es igual a
la suma
la suma de sus probabilidades
La demostracin propuesta por De Finetti en los artculos antes citados es la siguiente:
192
Llamando apuesta k
Gk
,
la
ganancia
proporcionada antes
por
la
por lo que hemos comentado 5k n l~l los n 5k

1
Gk ser:
.S.
[1]
Considerando sistema de
como
incgnitas se obtiene un
ecuaciones lineales
S Pl 1 1
~2 5
-P
(lP 1)
~2 ~2
-P
=S
-P
5 11
-P
5 22
PS n n
~ ~
(lP2) ~2
PS n n
=S
5 11
5 22
PS n n
1~1 P 2S2~~+(Pn)Sn
193
cuyo determinante
es
P1
(lP2)
. . .
n
=
(P1
...
....
(l-P)
Si
este
determinante es distinto de O , se pueden 5k de tal forma que los Gk tengan valores todos positivos, en contra de la condicin la coherencia obliga a impoel determinante se igual a
fijar los arbitrarios,
de coherencia. Por tanto, ner O

,
la
condicin
de
que
es decir,
Pl +P 2 ~ =1
Esta condicin necesaria para la coherencia es tambin suficiente, puesto que si se satisface se tiene Sk: la
identidad siguiente,
cualquiera que sean los
n ~ k= 1
Pk.Gk=O
Vamos a deducir 5k Gk
=
esta
~ 111
identidad 5. es la igualdad [1]
194
multiplicando por G
-
P
-
obtenemos
~
~k
5k
ki
y sumando estos trminos en

E
k ~k
~ ~i
5i
n
E
k=l
P k Gk
E~
pero
P k
por tanto
k n
n Pk Gk
=
n ~k
~
z
k=l y los
k=1
j1
a- 5. 1
no pueden ser todos positivos, con lo que que la condicion.
da demostrada
Las probabilidades
p 1
, ...
p~
corresponden
la
opinin coherente de un individuo, a priori ninguno de estos
y la teora no puede rechazar que la suma de las
juicios al menos
probabilidades atribuidas no sea igual a la unidad.
En cuanto a las probabilidades valoradas
cuantitativa-
mente De Finetti argumenta tambin que tiene los elementos necesarios para poder definir formalmente la probabilidad condicionada, escribiendo:
195
probabilidad de
condicionada por
P(E.E P(E)
y de este resultado se deduce el teorema de la probabilidad del producto lgico de sucesos
P (E.E)
P(E) P(E/E)
indicando por E y E y con
P(E/E) E.E
la probabilidad el producto
de
condicionada por de los sucesos E
indica
lgico
196
4.4.2
La axiomtica de Bernard Osgood Koopman (1940).
Bernard intuitiva en
O.
Koopman de
utiliza
el
trmino de probabilidad y expone que la
lugar
probabilidad
subjetiva
tesis intuitiva de la probabilidad se mantiene tanto por su signi ficado como por las leyes que obedece ya que la probabilidad se la expesentido
deduce directamente riencia estricto, de objetiva, es decir,
de la intuicin y existe antes que utilizando la palabra objetiva en
prcticamente equivalente afirma que las
a un experimento definiciones
laboratorio,
incluso
llamadas
objetivas de la probabilidad dependen, para su aplicacin efectiva a casos concretos, de su traduccin en los trminos de la
probabilidad intuitiva.
Koopman idea de
al
intentar intuitiva entre O
la
formulacin
axiomtica
de
la
probabilidad
(11) y 1
toma como punto

,
de partida al grado
un nmero comprendido de creencia racional. se basa en las
correspondiente
Pero el desarrollo de la teora de Koopman probabilidades intuitivas, que
comparaciones de
obedecen leyes fijas anlogas a las leyes de la lgica intuitiva, basandose, a su vez, en el conocimiento que el hombre tiene de
su propio proceso racional.
Cuando la intuicin se aplica a una situacin que conlleva sucesos inciertos se pueden cumplir dos funciones, mer lugar va y en se en pri-
formulan comparaciones de la probabilidad intuitilugar se establecen leyes de consistencia que
segundo
197
dirijan tales comparaciones. A partir de las leyes de consistencia se construye una teora (este es el objetivo que persigue
Koopman)
con la cual
las comparaciones de la probabilidad intui-
tiva -y por tanto los valores de la probabilidad numrica- puedan facilitarnos otras. la construccin de unas comparaciones a travs de
Koopman, desde el punto de vista de la intuicin, ne unos axiomas todas que constituyen las leyes
propo que
de consistencia
gobiernan
las comparaciones de
la probabilidad.
A partir
del punto de vista lados
de la matemtica estos axiomas son los postula relacin igual

<
,
formales que satisface
menos probable
que, que representaremos con el signo
los cuales son acepta
dos convencionalmente. Estos axiomas constituyen una base terica suficiente para configurar la teora de la probabilidad intuitiva. Antes de exponer estos axiomas, empezaremos por explicar
la notacin de este autor:
a, b, h, k, representan proposiciones
a/h <b/k
o bien
b/k
>
a/h
(1)
se leen as;
a, en
el supuesto de que h es verdadera, ble que b

,
es igual o menos probak es verdadera.
en el supuesto de que
los
simbolos
a/h
b/k
se
les
llama a y
conjeturas b se les pueden
o eventualidades. llama
A las proposiciones es decir,
contingencias,
proposiciones que
ocurrir o no ocurrir en las eventualidades, y las proposi
198
ciones
son los supuestos en las eventualidades.
Una expresin
como la
(1) es una comparacin de probabi-
lidad que podemos leer abreviadamente as: a/h b/k : a sobre h es infraprobable a b sobre k.
<
o bien b/k
>
a/h : b sobre k es supraprobable a a sobre
h.
Con la notacin expuesta y suponiendo que est definido el anillo de BOOLE de las proposiciones, pasamos a formular los
axiomas propuestos por Koopman.
1.- Axioma de la contingencia verificada (V)
a/h <k/k
2. Axioma de implicacin
(1)
Si
a/h
>
K/k
entonces
h C a
3. Axioma de reflexividad (R)
a/h
<a/h
199
4. Axioma de transitividad (T)
Si
a/h < b/k a/h <c/l
b/k
<
c/l
entonces
5.- Axioma de antisimetria (A)
Si
a/h <b/k
entonces significa
%a/h
>
~ub/k
donde
negacin de a e igualmente
ab
significa negacin de b.
6. Axiomas de composicin (C)
Sean donde
~ b1 h O
2 b
es el elemento unitario del anillo de Boole
de las proposiciones respecto de la operacin disjuncin que representamos por Entre las
y
,
es decir, que estn
ayO
a. por
proposiciones
representadas
letras escritas unas a continuacin de otras se realiza la operacin conjuncin que simbolicamente se representa por el signo
. ,
que en
esta escritura
se ha
omitido.
C(l)
Si
a1/h1 < a2/h2
b1/a1h1 < b2/a2h2
200
entonces:
a1 b/h 1 1
<a2
b2/ h2
C(2)
Si
a1/h1
<
b2/a2h2
b1/a1h1 < a2/h2
entonces:
b/h 1 1
<a
b/h 22 2
7. Axioma de descomposicin (D) (Cuasiinverso de (C))
Sean
a1 b
h1 ~O
a2 b
h 22
~O
a1 b/h
<a
entonces si cualquiera de las dos conjeturas: b1/a1 h1 es supraprobable

( >)
con respecto
a cualquiera de las dos siguientes a2/h2 b2/a2 h2 la otra conjetura de la primera pa

( <)
reja es infraprobable gunda pareja, es decir: Si a1/h1 > a2/h2 b1/a1 h1

<
a la otra conjetura de la se
entonces h2 etc...
b2/a2
201
8.- Axioma del supuesto alternativo (P)
Si
a/bh < r/s a/h

<
a/%bh
<
r/s
entonces
r/s
Obsrvese que
~bh
es igual a
%b).h, es decir,
que
la negacin slo afecta a la proposicin b.
9.- Axioma de subdivisin
(5)
Sean las proporciones para cualquier i,j=l

, ...
a1 n a=
a2,..., tal que a1

y...
13
a a. a.
va
n
=
,b
1~
=
13
..
n O (i~j);
entero ,n ~0 ;
b. b.
...
an / a
b1/ b
....
<b n / b
entonces a
<
b/ b
202
4.4.3. Axiomtica de Leonard J. Savage (1954).
Formulamos fundamental personalista por o
en
este
epgrafe de los
la
axiomtica
considerada de la teora
la gran mayora subjetiva de la
partidarios
probabilidad.
Dicha
axiomtica
fu expuesta por Savage en su obra The Foundations of Statistics publicada que: en 1954. El propio Savage declara acerca de su obra
Presenta una teora de los fundamentos de la esta distica que est basada en el punto de vista perso nalista de la probabilidad, deducido principalmente del trabajo de Bruno De Finetti, ses bis logiques, La prvision: ses sources subjectives (12).
Savage implicaciones
(...)
tambin con
afirma la
que:
la teora mostrada tiene la utilidad (13). debida, en su
teora de
forma moderna, a Von Neumann y Morgenstern
Esta implicacin con la teora de la utilidad la recoge Savage de la obra de esos autores Theory of Games and Economic
Behavior (14).
Para comportamiento nes. Esta de
exponer de
su
teora,
Savage
parte
de
la
idea
del
una persona
racional
en la toma de decisio-
racionalidad de la persona se refiere a los comportacoherencia y consistencia, as como de idealidad,
mientos
trminos que hemos estado manejando en epgrafes anteriores.
203
Savage empieza definiendo los siguientes trminos utili zados en su teora:
La naturaleza est interesada. Un estado de de
es el
objeto
en el que la persona descripcin
la naturaleza es una y en
concreta
dicha naturaleza, dejar ningn (de la
esta descriprelevante es el
cin no se puede sin describir. El estado
aspecto
verdadero
naturaleza) es decir, (15)
estado que de hecho
se obtiene,
la des-
cripcin verdadera de la naturaleza
Establecemos a continuacin la notacin de los elementos utilizados por este autor en su axiomtica, respetando, como venimos haciendo con otros autores y haremos en los siguientes,
las notaciones originales usadas por ellos.
5 s
,
es el conjunto de los estados de la naturaleza s

...
son elementos de 5, y si escribimos que s es un estado.
s ~S queremos decir
A,
B,
...
son sucesos, 5
es
decir,
A,
B,
C,
...
son
subconjuntos de
y escribiremos
A, B, C,... C 5.
Un
suceso
,
es
un
conjunto s
de
estados,
y si de A
,
escribimos esto signi-
s ~ A fica
es decir, s
es un elemento A.
que
es un estado en
204
%A UA.
1
es el complementario de es el conjunto al
respecto de
5 de 5 que
de aquellos elementos menos a uno de los
pertenecen A1,
1 1
conjuntos
A2, 5
,
(~A. es el conjunto de los elementos de cen a cada uno de los conjuntos A1
que pertene A2
, ...
5 ~
es el conjunto universal es el conjunto vacio
Otros las as:
trminos
usados por y
Savage en su axiomtica son que l mismo define
consecuencias,
acciones
decisiones,
Una decisin se hace cuando hay dos o ms acciones para elegir o decidir. Para decidir una accin hay que tener en cuenta los posibles estados de
la naturaleza, y tambin las consecuencias implici tas en cada accin para (16). cada posible estado de
la naturaleza.
Una consecuencia es algo que puede
ocurrir a la persona
Estas pueden est este por: referirse
consecuencias, a dinero, El
tal o
como algo en
las lo
define que
Savage,
salud,
la persona
interesada. autor f
,
conjunto de letra F
,
las consecuencias lo representa las consecuencias particulares
por la
,
...
205
Una con cada
accin de
es una funcin la naturaleza. f

,
que Las g
,
logra
una consecuencia son denotadas
estado
acciones h
, ...
por Savage mediante los simbolos exacta del autor
(la simbologa
consiste en la utilizacin de los mismos smbo-
los que para las consecuencias particulares, pero en letras negri tas. hemos Ante la imposibilidad de utilizar este tipo de impresin,
optado por la expuesta).
Pensamos que Savage utiliza esta
notacin para dejar implcito con ello que una accin puede identificarse con sus posibles consecuencias en encontrar una notacin que una accin con f respete al (de ah nuestro inters mximo esta idea). que logra Si la
consideramos consecuencia
sta es una funcin el estado s

.
f(s) c F
El conjunto de todas
las acciones posibles ser representado por de esta forma por las mismas razones que
(lo representamos expuesto para
hemos
la notacin ciones
de las
acciones definidas
particulares). del conjunto F
Las acciones de los
son fun5
arbitrarias
estados
en el conjunto
de las
consecuencias
Otro trmino utilizado por el autor en esta axiomtica y que es Es es necesario a explicar y que trabajar es la relacin entre acciones representa relacion con el no de es la smbolo
<
no
preferido
Savage con la la
conveniente es
preferido relacin
>
a es
ya que
directamente
complementaria
preferido a, que se representa simbolicamente por si vez decimos que es imposible que: g es preferida a f 1 es preferida
Por tanto, g y a la
entonces esto es equivalente a decir
206
que vemos
no es preferida a que para poder afirmar
g esta
no es preferida a equivalencia
Obserestamos
lgica
aplicando las leyes de Morgan de la lgica proposicional mediante las cuales podemos escribir:
siendo
las operaciones de conjuncin y disjuncin entre establecer tambin entre las
proposiciones que nosotros podemos acciones, cin. y donde
se utiliza para negar cualquier proposi-
Tambin
la
definicin g
,
de
preferencia
sugiere a h
que
si
no es preferida a es f imposible que f
no es preferida h
,
entonces
sea preferida a h
.
o lo que es lo mismo
no es preferida a
Simblicamente escribiramos esta condi
cin del siguiente modo:
<Fi
entonces:
<Fi
La formulacin de esta condicin constituye
la propie-
dad transitiva que satisface la relacin no es preferido a.
Recogiendo
las
dos
,
propiedades que son:
satisfechas
por
dicha
relacion no es preferido a
207
1. 2.
f<~
r<~
~<Fi
entonces ~ <Fi
Podemos entre las
decir Con
que lo
dicha que
relacin
es
un
orden
dbil
acciones.
se formula
el PRIMER POSTULADO
de la axiomtica de Savage:
POSTULADO
1.
La relacin 1 orden
no es preferido a
es un
dbil entre las acciones.
Otro
de
los
supuestos
de
la
teora
de
Savage
es
el
principio de la cosa segura que formalmente establece as:
Si una persona no prefiere que ha ocurrido el suceso do el suceso ~B

,
bien sabiendo
o sabiendo que ha ocurrif a g (f~g).
entonces no prefiere
Adems, te imposible, si
con tal de que el suceso definitivamente B

,
B g a
no sea prcticamen a f sabiendo
prefiere f
que ha ocurrido ha ocurrido B
y si no prefiere
sabiendo que no g a f
entonces definitivamente
prefiere
208
Esto nos lleva a definir
<
dado
DEFINICION 1
f do
<g f
dado y g
si
y slo
si
<
g y
para tog respec
que coinciden con B

~ ,
tivamente, en con ~ y
y con
que ~)
coincidan en ~B, y
mtuamente
bien para todos los pares o para ninguno de ellos.
Con esta definicin podemos establecer el segundo postu lado:
POSTULADO
2.
: Para todo
ffg
dado
dado B.
Antes de pasar al tercer postulado necesitamos establecer dos definiciones previas.
DEFINICION 2.
Esta
definicin
establece
la
relacin
formal
de preferencia entre consecuencias y puede expresarse as:
Para cualesquiera consecuencias g 1 g e(s)

=
si y slo si g y r(s)
=
f 1 P g
cuando s~S
para todo
209
DEFINICION
3.
El suceso si y y g. slo
B si
es prcticamente imposible o nulo

f
<
dado
para todo
POSTULADO
3.
Si s EB f
e(s) y
g 8
e(s)
para todo
no es nulo, entonces B siyslo g~g
<f
dado
DEFINICION
4.
A<
siyslosi f A f s ~A g
<f A B
gg
para todo ~A (s)

5 E%A,
=
talque
,
g ~
para
=
~ s~ ~B
para
para s~
? (s)
para
Usando esta definicin postulado
Savage
formula
el
siguiente
POSTULADO 4.
Para todo A
210
Las implicaciones
que pueden deducirse
de estos cinco
primeros postulados nos llevan a las conclusiones que establecemos en la definicin y teorema siguientes:
DEFINICION 5.
: Una relacin
<
entre sucesos es una probabilidad
cualitativa si y slo si para cualesquiera sucesos A, B, C, se cumple:
1. 2.
<~
es un orden
dbil
A<B
si y slo si ACIC 4,<.5

=
AUC<BUC
BC
=
con tal que 3. ~<A y
4,
TEOREMA 1.
: La relacin
<
aplicada a los sucesos es una proba<
bilidad cualitativa y ble que
significara no ms proba-
Savage
utiliza
el
mismo entre
smbolo para
la relacin no
ms probable
que
sucesos que para la relacin
no es preferida a
entre acciones.
POSTULADO 6.
Supongamos
que es falso que f si
<
entonces para
toda consecuencia de 5 tal que,
existe una particin finita g coincide con ~ y
coincide con rio de
Fi
excepto y f
en un elemento arbitrag en y ese
la particin, consecuencia
Fi
tienen de
la la
misma
elemento
211
particin, g
~
<
entonces
ser
falso
que
>
<
Fi
y
Fi >Fi )~
(Por tanto ser verdader
Fi
DEFINICION 6.
~<g
dado dado s
B (g<~ B (Fi<~
dado dado
B) B)
si
slo si Fi(s)
=
~<Fi
cuando
para todo
POSTULADO
7.
Si para f<g
<
~(s) s dado
dado
E
B (~(s)
<
dado
todo
B B(g<f
entonces dado B)
Debido desde el punto
a de
que vista
los
axiomas
de
Savage
son
complicados su contenido con prefe-
formal,
vamos
a describir se establecen decisiones
intuitivo. rencias del
Insistimos entre las los
en que los axiomas decisiones, estados de y las
son funciones
conjunto de
la naturaleza en el conjunto de se establecen de tal manera que
las consecuencias. cualquiera que los
Los axiomas satisfaga
maximizar
su
utilidad
esperada.
Esto significa que la forma en que satisface los axiomas generar una distribucin de probabilidad subjetiva acerca de sus creen cias respecto al estado verdadero de la naturaleza, y una funcin de utilidad sobre de de una el conjunto de las se consecuencias, define sobre con tal que la a de la la
expectativa distribucin
decisin
dada
respecto
probabilidad
subjetiva
los estados
212
naturaleza,
y la
funcin
de utilidad
se define sobre el conjunto
de las consecuencias.
Savage establece en su primer postulado que la preferen cia entre las decisiones sea transitiva, y que dadas dos decisiones cualesquiera una es al menos preferida dbilmente a la otra.
El
postulado
dos
extiende
este
supuesto
orden
dbil
para que se cumpla cuando el dominio de definicin de las decisio nes se restringe ya que el a un conjunto decisor B de estados de que la naturaleza verdadero total.
dados,
podra saber subconjunto
el estado conjunto
de la naturaleza
est
en algn
del
El
postulado
tres
afirma
que
el
conocimiento
de
un
suceso no puede cambiar las preferencias entre las consecuencias, donde las preferencias entre las consecuencias son definidas
en trminos de preferencias entre las decisiones.
El de estados de
postulado
cuatro
afirma
que
dados
dos
conjuntos
la naturaleza cualesquiera, uno es al menos tan
es decir, como el
dos sucesos otro, con
cualesquiera, esta condicin conexa.
procable
la probabilidad
cualitativa
entre
sucesos
es fuer-
temente
El postulado todas las
cinco
excluye
el
cs.so
trivial
en el cual y por
consecuencias fueran equivalentes
en utilidad,
tanto que
toda decisin fuera equivalente a cualquier otra deci
213
sin. Es decir, das.
todas las consecuencias no son igualmente preferi
El
postulado
seis
establece, induce
puesto
que
la
relacin
de preferencia entre ble que que un entre suceso de
decisiones
la relacin no ms probaA no es ms probable del mismo conjunto
sucesos, que si un suceso B (A y B
son subconjuntos entonces existe
de estados conjunto cada B). de
la naturaleza) estados la de
una particin del que la unin de
los de
la naturaleza con A
tal
elemento
particin
no es
ms probable que
El
postulado
siete
es
una
formulacin
del
principio
de la cosa segura.
Resumiendo, Savage establece la relacin de orden dbil no es preferido a entre las acciones, y a continuacin la misma relacin cin se supuesto que establece de ocurre un suceso determinado. Dicha relaforma entre las consecuencias,
la misma
supuesto que ocurre ese suceso. entre las decisiones y las
Con esta relacin de preferencia la relacin de
consecuencias induce
orden dbil no ms probable que entre los sucesos y esta ltima es una probabilidad cualitativa sobre los sucesos.
214
4.4.4.
Axiomtica
de F. J.
Anscombe y R. J.
Aumann (1963).
Anscombe y Aumann consideran el concepto de probabilidad subjetiva o personal de Ramsey y Savage, y de acuerdo con este y las utilidades
concepto definen
las probabilidades
subjetivas
en trminos de las preferencias de una persona, siempre que estas preferencias decir, dichas satisfagan ciertos y supuestos utilidades de consistencia, es
probabilidades
pueden
determinarse
a partir de las preferencias observadas. Las utilidades son definidas por estos autores, al igual que Savage, a partir de la
teora de Von Neumann y Morgenstern.
Anscombe y Aumann junto
(17)
comienzan estableciendo un consobre dicho conjunto
O..
de
premios,
y una lotera
O.
Una lotera es un recurso para decidir qu premio de
0~se recibi
r si tiene lugar una observacin de un conjunto de sucesos mutua mente excluyentes y exhaustivos. En primer lugar, estos autores
consideran que los sucesos pueden tener asociadas probabilidades conocidas y, por otra parte, que dichos sucesos pueden no tener
probabilidades asociadas o bien que los valores de tales probabilidades sean desconocidos. El primer caso correspondiente a sucesos con probabilidades con vez los una sucesos ruleta; que el asociadas es comparado pueden segundo observarse caso, en esta axiomtica girar una sla a sucesos sin
haciendo
correspondiente conprobabilidades
probabilidades es comparado de
asignadas
o bien
desconocidas,
con las observaciones que se pueden obtener en una Esto nos lleva a distinguir dos tipos de
carrera
caballos.
215
loteras: ta y el
el primer tipo identificable con una lotera de rulesegundo identificable con una lotera de caballos.
La lotera de caballos est basada en una sola carrera de caballos. dades El objetivo de Anscombe y Aumann es definir las probabilisubjetivas asociadas a cada uno de los resultados posibles
de esta carrera de caballos.
Adems hacer que se
de
las
loteras
simples
a las
que
acabamos de
referencia podemos construiran es una de Von
considerar de
tambin
loterias compuestas simples; una lotera Las
a partir
loteras
compuesta utilidades
lotera cuyos
premios
son otras para los
loteras.
Neumann-Morgenstern
premios bsicos
se construyen a partir de las comparaciones de preferencias entre loteras de ruleta compuestas, y las probabilidades subjetivas
de los resultados de
la carrera de caballos se construyen a par-
tir de las comparaciones de preferencias entre loteras que estn compuestas a partir de loteras de caballos y ruleta.
Para establecer las utilidades de las loteras de ruleta basadas en el conjunto de premios
a,
1
es conveniente suponer
que entre todos los premios hay uno ms deseado que representaremos por por A o
,
A1
un
premio
menos
deseado
que
representaremos
por tanto,
,
lgicamente,
es definitivamente prefeA1>AQ
,
rido a alquier
A o
que simblicamente se escribir A se cumple las
y para cu de
premio
dos relaciones
siguientes
preferenciaindiferencia:
216
A1~A
A~AQ
La la siguiente:
notacin (f 3~ B 1
utilizada
~
para
las (1) B1
loteras
de
ruleta
es
f k Bk)
representa a la lotecon probabilidad f1, B2
ra de ruleta que ofrece el premio con probabilidad des f.

1
f2
etc.
siendo la suma de las probabilida-
igual
a la unidad.
Si de ruleta
consideramos o
el conjunto
~R. de
en
todas en
las loteras
,
(simples
compuestas)
con premios
y donde
se ha establecido un orden de preferencias los axiomas de la lotera de la utilidad, u sobre
..R~ X
que satisface
entonces es posible
,
definir una funcin
de utilidad
que adems de
cumplir las propiedades usuales satisface las condiciones siguien tes:
1.
Para u(A)
cada
premio
puede A
establecerse
un
nmero
llamado utilidad de B1
, . . . ,
2.
Si
son
algunos
,
premios
elegidos
del
conjunto de premios ~f2B1

,
~9.
la lotera de ruleta simple
~k Bk)
tiene utilidad: f1 LL(B1) ~k U.(Bk)
~L ~fB1
,...
~k Bk)
3.
El el
orden orden
de
preferencias de las
sobre utilidades
es
isomorfo
con
numrico
correspondientes
217
podemos
normalizar
la funcin
de utilidad para que
U. (A1)
tIJA ) o
Respecto a la carrera de caballos referida anteriormente supongamos que tiene yentes y exhaustivos, mos de ahora la s resultados posibles mtuamente exclu h1
, ... ,
representados por
Suponga-
lotera compuesta que consiste caballos son
en que los premios es decir, si de
la lotera de s
loteras de ruleta, R1
, .. ,
tenemos
loteras de ruleta
como elementos
,entonces el smbolo
[R1,...,
R] 5
representa a la R1 de la caballos
lote
ra de caballos compuesta que ofrece el premio do de la carrera h 2 es h1 R2 si el resultado
si el resulta carrera es
etc. El conjunto de tales loteras de por
compuestas
se representar
Sea, de que de ruleta cuyos acabamos
ahora,
~*
el
conjunto
de
todas
las
loteras
premios son las loteras de caballos compuestas referir, es decir, los premios son elementos
de
Ji
en lugar de elementos de
El recurso de la teora de Anscombe y Aumann para asignar de probabilidades caballos subjetivas en a los la resultados teora de de la lotera dos
consiste
aplicar
la utilidad
veces, y relacionar los dos sistemas de preferencias y utilidades de

.~
Es decir,
tenemos un orden de preferencias sobre u sobre

.
que produce la funcin de utilidad
Supongamos tam-
218
bin que tenemos
un orden
de preferencias
sobre
~*
que satis-
face los axiomas de la teora de la utilidad, en este caso elementos de

~J{,
siendo los premios elementos

~
en
lugar
de
de por
~
Representaremos esa relacin de preferencia sobre y la funcin entonces los de dos de utilidad sobre sistemas de
*
por
LL.*
Relacionamos entre
preferenicas
utilidades
los elementos tes:
j~
J~
mediante los dos supuestos siguien-
Supuesto 1
(monotona de los premios) Si R. >/
Rl
entonces
Observemos que
R.
1
R~
1
son loteras
de
ruleta y a su vez premios de las loteras de caballos compuestas, y stas

,...
ltimas
son elementos de y [R1

,...,
Ji
,...,
y [R1
5
R!
1
R ] son loteras de y a su vez premios sta
caballos de la
compuestas de
lotera
ruleta, de
siendo
.
ltima un elemento
2~*
Por tanto,
hemos establecido la condicin de monotona entre los premios de loteras de Observemos tambin que R.
1
es el h.
1
premio de una
ofrecido si ocurre el resultado lotera de caballos, y R~

1
es el premio h~ 1 de
ofrecido si ocurre el resultado otra lotera de caballos.
219
Supuesto
Inversin tas. ~. 1
del orden
en loteras
compues-
%*[(fRi,...,fk
Rk 1)
,...,
1 (f1R5
,...,
k fkRs)]
El supuesto compuestas son
formula que si dos loteras de caballos excepto para los premios h.

1
idnticas
asociados una
un resultado (el resultado i-simo, de caballos, y cia entre h!

1
que es
para
lotera
para la otra lotera), entonces la preferen
las loteras de caballos est regida por la preferencia i-simo.
entre los premios asociados con dicho resultado
El va de a estar
supuesto
formula que si el premio que recibimos por las siguientes cosas: una carrera
determinado giro
caballos y el el
de una ruleta, o
entonces no importa si se despus de la carrera de
realiza
giro de El smbolo
la ruleta antes
*
caballos.
indica indiferencia. Observemos que
es
una
lotera es
de ruleta decir, el
cuyos
premios que
son loteras acabamos
de caballos
compuestas, un
elemento
de escribir es
elemento de
.R~
con notacin anloga a la que escribimos
en (1).
220
Los
supuestos
reflejan la idea intuitiva
de que el resultado de
la carrera de caballos no se ve afectado
por ning~n giro de la ruleta ni a la inversa.
A partir del supuesto es la lotera de caballos
se deduce que y
[ A0
,...,
[A1
, ...,
A1]
ms deseada
A0] es la lote
ra de caballos menos deseada. Normalizando dad
la funcin de utiliA1]
=
LL~
sobre
,...,
R*
A0]
para que
=0
,
~I*
[A1
,...,
y teorema,
~j* [A0 propuesto
establecemos
el
siguiente
por
Anscombe y Aumann, subjetivas
que nos garantiza la existencia correspondientes a los resulta-
de las probabilidades
dos de la carrera de caballos.
TEOREMA Existe nicos ra todo [R1

,...,
un p1
conjunto
,...,
de
nmeros
no 1
negativos
,
p5
cuya suma es
tal que pa
R ]
5
de
34.
P5.l~(R5)
,j*
[R1
,...,
R5]=
Pl.
11(R1)
...
El nmero
p~
es llamado probabilidad h.
1
subjetiva
del resultado
de la carrera.
A partir de este teorema resulta por tanto, identificamos

[ R
, ..,
que R
Ui
[R
,...,
R]= u(R)
R ]
con
y las preferencias
constituyen un orden dbil definido sobre todas las loteras.
221
Observemos
que
escribimos
[ R1
,...,
en R
5
el
teorema
expuesto, de
,...,
[ R1
,...,
porque
] es el premio
,
una R
5
lotera de ruleta que es elemento de son R 1

,...,
~
de
a su vez
R1
premios R
5
.~ ,
de son
una
lotera
de
caballos ruleta
5
compuesta, que son
pero
tambin
loteras u(R1) [R1

,...,
elementos
de
por esto escribimos
,...,
u(R ) . Como convencio R5 ] a una lotera de caba
nalmente representamos por los compuesta,
esto significa que la lotera ofrece:
si ocurre si ocurre
h1, h2,
con probabilidad con probabilidad
~ p2
si
ocurre
con probabilidad
p5
Siendo los resultados
p1
,...,
p5
las probabilidades h1,...,
subjetivas h
5
de
de la carrera
de caballos
Si el mtodo de Anscombe y Aumann que acabamos de exponer se aplicara a un conjunto de resultados excluyentes y exhaustivos h.
1
de tal manera que cada resultado tuviera probabilidad entonces las de ruletas. 1 1 R ]%(f
.
conocida en
f.
1
loteras de caballos significa R ) s ; que
degeneraran suponiendo
=
loteras [R1,...,R
Esto
estamos p.
1
es decir,
f.
1
pa
ra todo
Tambin aaden estos autores que la teora de lote-
222
ras
de caballos
que hemos expuesto finito { h. }

1
puede extenderse medible
de un conjun de resulta-
to de resultados dos.
a un espacio
Si comparamos
la terminologa utilizada en esta teora
con la utilizada por Savage en la axiomtica expuesta en el epgrafe anterior podemos decir que: las loteras de caballos~
se corresponderan de la
con las
acciones
de Savage;
los resultados
carrera de caballos con los estados de la naturaleza
y los premios con las consecuencias de Savage.

IT
II II II II II It II II ti II II II II II II II ti ti ti ti II II II
11 II it ti ti ti it it II ti II ti ti
OBSERVACIONES
sobre tenas.
la notacin utilizada para las lo
(a)
es una lotera de ruleta, elemento cualquiera

,...,
f B ) donde los premios

,
deJR. B.
1
R=(f1B1
son elementos de objetivas
O..
kk y las
f.
1
son probabi-
lidades (b)
conocidas. elemento cualquiep5R5)

=
it ti ti it ti ti ti ti it II ti ti II ti it ti it
H es una lotera de caballos, ra de

.
II It It II It II It II ti II II II ti ti ti ti ti ti ti ti II ti II ti ti
H
1
(p1R1
,...,
[R1
,...,
R5]
Los premios R. son loteras de ruleta que pertenecen a (c)

~2f
es una lotera de ruleta elemento de

=
~*
R*
(f1 [R}
R~]1
...
fk[R~
,...,
donde los k 1 premios ... R1 ] son 1 Hk = [ R k H = [R 1 , ... R5 1 1 5 loteras de caballos que pertenecen a
it it it ti
ti it ti it it
223
4.4.5. Axiomtica de C. Villegas (1964)
Hasta propiedad teora de de
1964,
con
Villegas
(18), en
no el
se haba usado desarrollo de
la la
numerablemente
aditiva,
la probabilidad
cualitativa,
sin embargo,
este autor
opina que tal propiedad es fundamental y que, por tanto,
en la teora de la medida tendra inters en
una propiedad equivalente
la teora de la probabilidad cualitativa, y en particular facilitara la prueba de la existencia de medidas de probabilidad compa tibles epgrafe. con la probabilidad cualitativa, como veremos en este
Villegas demuestra que si una probabilidad cualitativa es una no atmica y montona continua, medida de probabilidad entonces existe una y slo con ella, y esta medida
compatible
de probabilidad es numerablemente aditiva.
Definamos entonces, antes de seguir adelante, to de probabilidad es cualitativa a decir no que atmica: no tiene la
el concep no la
expresin en
atmica teora de pios es (es
equival-ente
tomos y,
la medida, decir, un
tomo es un conjunto sin subconjuntos proy con probabilidad del suceso tienen mayor que 0, En
irreducible) simple
decir,
suceso las
distinto
imposible.
consecuencia,
distribuciones
discretas
tomos y las
continuas son no atmicas.
224
Enlazando que cualquier a
con
lo
anterior
se puede fina
demostrar y
tambin puede
probabilidad
cualitativa
ajustada
extenderse por tanto,
una probabilidad
cualitativa si
montona continua y, consideramos solamen-
no hay prdida
de generalidad
te probabilidades
cualitativas
que sean montonas
y continuas.
Igual los aqu conceptos utiliza
que
antes,
tenemos
necesidad
ahora
de
definir que
de probabilidad Villegas, pero
cualitativa que han sido
fina y
ajustada, por
definidos
Saya
ge (19).
Si y y 5
representamos total,
la B
probabilidad es un suceso que:

<
cualitativa (es decir,
por BCS)
es el conjunto vacio,
~ es el conjunto B
>
diremos
es fina si y slo si 5 tal que ningn ele
para todo
4,
existe una particin de B
mento de ella es tan probable como
Antes de establecer tiva ajustada necesitamos
el concepto establecer
de probabilidad previamente el
cualita concepto
de sucesos casi equivalentes.
Diremos que dos sucesos si y slo si para

,
B H
,
son casi equivalentes nulos tal que
todo BVG>C
G y
sucesos no
B<~G=CflH=4,
CUH>B
Es obvio
que
si
dos sucesos son equivalentes
son tam-
bin casi equivalentes.
225
Diremos que
la probabilidad cualitativa
<
es ajustada
si y slo si para todo par de sucesos casi equivalentes son equivalentes.
Despus
de esta pequea
digresin
necesaria
para defi-
nir esos conceptos poco habituales, por C. Villegas. Antes de formular los que
retomamos
la teora expuesta de esta teora, que van
los axiomas
comenzaremos a
estableciendo al igual
elementos hemos
y operaciones
ser utilizados,
venido haciendo con otros
autores.
Consideramos usuales de unin,
los
sucesos
sujetos
las
operaciones
interseccin
y complementacin que satisfacen es decir, la unin e intersec-
los axiomas del lgebra de Boole, cin de por dos sucesos y por A y
,
se representarn respectivamente y el complementario de A y

,
A Li B
A Ch B
A
,
por
A.
Si intuitivamente hablando decimos que mos de

(
C
=
implica AUB~B
.
escribire
CB
y en este caso la representaremos
AChB por
La identidad signo igual
sucesos
)
dejando el que lo
.
para un
significar parcial.
igualmente probable El suceso imposible
La relacin
es
4,
orden
representaremos excluyentes Un resultado es que todo
por si
Dos sucesos son incompatibles o mtuamente es el suceso de las imposible lgebras de

(
4,
su interseccin en
).
fundamental lgebra cio ~

,
la teora
Boole
de Boole
es isomorfa al lgebra de conjuntos de un espa-
siendo este resultado debido a Stone (20) y su construc~ tiene la siguiente interpretacin: clasifica los suce
cin de
226
sos en dos clases, ocurrir. siones: Esta
los que pueden ocurrir y los que no pueden nos lleva a las siguientes conclu-
clasificacin
1. 2. 3.
Si Si Si
ocurre entonces y y A B
no ocurre B ocurre A no ocurre.
A CB A CB
ocurre entonces
no ocurre entonces
Esta ~ de todos
clasificacin
siempre
existe
el del
conjunto lgebra
los estados
es el espacio
de Stone
siendo juntos de ~
a
.
el Si
lgebra A
de sucesos
isomorfa al lgebra de conA

E
es un suceso
O..,
se corresponde A ocurre.
con el conjunto de los estados
w para los cuales
Con estos cualitativa. Si
elementos vamos a establecer hablando, A

=
la probabilidad E son sucesos
intuitivamente
A
.
y A
igualmente probables escribiremos te menos probable
Si
es estrictamenB
,
(o estrictamente ms probable) que A B
respectivamente). ms B).
Sin embargo, que
es menos
probable
(respectivamente A
<
probable)
entonces escribiremos
>
La cualitativa
relacin si
<
entre los B
sucesos
ser una axiomas,
probabilidad donde A
<
satisface A 
significa que
pero no
227
Axioma de preorden La ~ relacin

<
es
un
preorden
~?
total
entre
sucesos,
con
como primer elemento y (a) Si A B (b) (c) (d) y <A B
como ltimo, es decir, entonces A B
son dos sucesos
<
Para todo suceso Si A<B y
<
B<C
entonces
A<C A
4t
4, <
y para cualquier suceso
<A
<~
Axioma de monotona Si B1 (~1B2=
4,
entonces de
A1 1
sededu
ce que A y si en una 1 de kJA <BVB 2 1 dos

<
2 desigualdades el signo se
las
primeras
es reemplazado
por
entonces la ltima desigualdad por

<
cumple reemplazando el signo 1
Estos
axiomas
son
equivalentes
los
propuestos
por
De Finetti en la axiomtica expuesta en el epgrafe 4.4.1. Formal mente, la relacin A

=
que significa que A1B y BIA
son igual-
mente probables es definida por
228
Si casi
4,
diremos A sern
=
que
es nulo o que es un suceso que A es un suceso casi si su interseccin
imposible, Dos
y si
~ casi
diremos
seguro.
sucesos
incompatibles
es el suceso nulo.
Si
G.. es un
lgebra de sucesos y
<
es una probabili,
dad cualitativa definida sobre
a1
entonces
<
ser
llama-
da lgebra de probabilidad cualitativa, y las siguientes proposiciones son consecuencia de los axiomas.
1. Transitividad estricta
Si
A
B2CB1 B 2
entonces
de
<B 1
se deduce que
4. Dualidad Si A<B entonces
229
Recordemos
que
la innovacin
en la teora de Villegas
estaba en introducir la condicin para la probabilidad de numerablemente aditiva, dad cualitativa para ello necesitamos sobre un
a lgebra,
establecer la probabiliy que y como esta probabilidad se establecer en definicin sobre de un
cualitativa un teorema
sea montona continua tal posterior. Damos
a continuacin continua
dicha
probabilidad
a lgebra.
cualitativa
montona
definida
Definicin
Diremos que una

nida sobre espacio ~ un
probabilidad cualitativa defia -lgebra de conjuntos de un
es montona continua,
si dada una A n
+
sucesin de sucesos montona creciente
A A)
(es
decir,
~ CA2 B
,
C...
que converge a n
,
y un suceso
tal que para todo Si es un

~?
,
An< B
entonces
A <B
a -lgebra de con
<
juntos de un espacio
una probabili-
dad cualitativa montona continua definida sobre
entonces
el par
a.
<
ser lla-
mado estructura de cualitativa
a -lgebra de probabilidad
230
TEOREMA
1.
Una
condicin
necesaria y
suficiente
para
que
<
sea
montoma continua es que dada una sucesin monotona crecien te de sucesos ro N>O A n
+
y un suceso n>N tenemos
B <A B<A
existe un ente
tal que para
En una estructura de
a -lgebra de probabilidad cualita
tiva se cumplen las siguientes proposiciones:
PROPOSICION
1.
+
Si
An
n
<
B Bn
(o alternativamente
,
A n
B)
entonces de
An
1, 2,
...
se deduce que:
A~B
PROPOSICION
2.
+
Si
y A
B n
+
=
B B n
(o alternativamente
,
A n
B)
entonces de
1, 2,
...
se deduce que:
A=B
PROPOSICION Si B
=
3. C1B 2,
=
m
...
4,
paratodo
m~n
entonces de
<B
1,
se deduce que:
UA<
UB
231
LEMA
1.
Si
) es una estructura de dad cualitativa y si i A. : A. ~

~,
<
<
a4lgebra de probabili , i E II es una colec-
cin finita de sucesos casi incompatibles, entonces dado un

suceso A
>
~ ,
existe un nmero finito de A
A.
que son ms
probables que
COROLARIO. Si
<
es montona continua, y si
{ A.
1
: ~ ~ II
es una colec
cin infinita de sucesos igualmente probables y casi incompatibles, entonces todos los A.
1
son sucesos nulos.
LEMA
2. Si
(a,
<) y
es una estructura de
{ A } n
a-lgebra de probabilidad de sucesos entonces montonas A n con
cualitativa
es una sucesin A n+l

<
decreciente tal que verge a un suceso
A n+l
nulo.
LEMA
3. Si una estructura de algebra de probabilidad cualitativa A

>
es no atmica entonces dado un suceso
4,
existe { An ~
una
sucesin montona decreciente de sucesos no nulos cuyo primer elemento es so nulo. A

,
y que converge a un suce
232
TEOREMA
2. a -lgebra de probabilidad cualitativa de sucesos casi in-
Si una estructura de
es no atmica entonces toda familia
compatibles no nulos es a lo sumo numerable.
El lema siguiente el cuarto y el teorema nmero trs, fueron comunicados a Villegas por J. J. Schffer, tal como l
mismo manifiesta. A pesar de que no son un eslabn esencial para nuestros argumentos, se incluyen para dejar completa esta teora.
LEMA
4. En una estructura de algebra de probabilidad cualitativa
existen a lo sumo un nmero de tomos numerable que pueden ser ordenados en una serie tal que para todo entero n
,
{ A.
i A n
>
1, 2,
...
A n+l
TEOREMA
3. de sucesos no nulos casi incompatibles de
Toda familia una estructura de
a lgebra de probabilidad cualitativa es,
a lo sumo, una familia numerable.
Como exponer
base
para
los
siguientes
teoremas
que
vamos
damos la siguiente
definicin:
233
DEFINICION Una particin cin de de un suceso no nulos A casi es una colecincompatibles
sucesos es A.
cuya unin
Una es
particin una
incompleta de
de
un no
suceso nulos
A casi
coleccin
sucesos A
incompatibles contenida en
Obsrvese que
por el
teorema
previo,
las
particiones
y las particiones incompletas de un suceso son, a lo sumo, colecciones numerables de sucesos. Si la unin tos A
-
de todos los elemen probable que
de B
una
,
particin
incompleta
de
es menos
entonces la particin incompleta ser llamada particin
incompleta menor
TEOREMA
4. a-lgebra de probabilidad cualitativa todo suceso puede ser particionado
Si una estructura de es no atmica
entonces
en dos sucesos igualmente probables.
TEOREMA
5. algebra de probabilidad cualitati-
En una estructura de va,
las proposiciones siguientes son equivalentes:
234
1. 2.
No existen tomos Todo suceso puede ser particionado en dos sucesos
igualmente probables. 3. Existe una sucesin uniforme de variables aleato-
rias con dos valores. 4. Existe una variable aleatoria uniforme.
Formulamos que con ellos se
estos
lemas,
la
teoremas y proposiciones
desarrollada para por
por
recoge
teora
Villegas. en otros
Algunos
establecen
resultados
formales
utilizar
posteriores,
y en otros casos establecen consecuencias importanOmitimos las demostraciones para
tes para completar esta teora. no alargar la exposicin dificultad y son
de esta teora y puesto que no ofrecen localizables en el artculo al que se
mayor
hizo referencia (18).
Una vez que hemos establecido la condicin de probabili

dad cualitativa montona continua y por a-lgebra medida de de probabilidad cualitativa, tanto la estructura a formular de la
pasamos
probabilidad
y cmo esta medida de probabilidad puede
ser compatible con una probabilidad cualitativa sobre un algebra, y la condicin para que sea numerablemente aditiva, constitu
yendo
esta ltima parte
de la exposicin el objeto fundamental
de la teora de Villegas. Pasamos, por tanto a definir:
235
MEDIDAS DE PROBABILIDAD.
Una un nmero
medida
de probabilidad A
,
es
una
funcin
que
asigna
P(A)
para todo
llamado probabilidad
numrica
y que satisface los siguientes axiomas:
1. P O
(4,)
<
=0;
P (si)
1;
yparatodosuceso
P (A) <1
2. Si Si Afl~B P
=
entonces
P(AUB)
P(A)
P(B). sobre P ) se
es una medida de probabilidad
definida (
una lgebra de sucesos
a.
el par
a.
llama lgebra de probabilidad.
Si mos
c3.. es
algebra de conjuntos de un espacio P 1 es numerablemente y 2
dire-
que la medida de probabilidad
aditiva
si adems de cumplirse los axiomas el axioma siguiente:
se satisface tambin
3. Si { A.
1
: i
1, 2,
. .
.1
es una sucesin de suce
sos tal que para
i # j
A1I~A~
entonces
P (CIA.) 1
~ lE
P(A.) 1
236
Estos propuestos
tres
axiomas
son
esencialmente y proporcionan
iguales
los
por Kolmogorov
en 1933
la base de la
teora moderna de la probabilidad.
Se puede
deducir
facilmente
que si una medida de proba{ A.I es

1
=
bilidad es numerablemente aditiva y sucesos montona entonces P ) en el que hm.
una
.
sucesin El P par
de
P(A1)
P (hm A.)
1
es un
algebra de conjuntos y
una me a-lge-
dida de probabilidad numerablemente aditiva, es llamado bra ( de
de
~.
probabilidad.
,
Un
espacio
de
probabilidad
es
una
terna
P)
en el cual de
~
es un conjunto, @.,es un
algebra aditiva
conjuntos
es una medida numerablemente
definida sobre
Diremos
que
un
lgebra
de
probabilidad ~ Po y
,
R~,
P) si
es
una extensin de una lgebra de probabilidad es isomorfa a un sublgebra ~ de

~,
P~) P
toman y
los
mismos valores sobre los elementos correspondientes de
O...
TEOREMA
6. lgebra de probabilidad puede extenderse a un
Cualquier
a-lgebra de probabilidad.
Observese P numerablemente
que, aditiva
puesto
que
la medida
de
probabilidad
cuya existencia
est garantizada por
este teorema puede definirse escribiendo
237
P(A)
sup.
{P0 (Aa) : AQCA
para cualquier dada P0
a..,
resulta
que, P
si
la medida de probabilidad
es no atmica, entonces
es tambin no atmica.
Diremos que una medida de probabilidad ble con una probabilidad cualitativa
<
es compati-ET1 w241 57
si y slo si
A <B
es equivalente a
P(A) ~ A y B
P(B)
para cualesquiera par de sucesos
Recordemos sucesos significa
que
la
probabilidad
cualitativa
<
entre
no ms probable que
Puede verse dad por P A
facilmente un
<
que dada una medida de probabili

~,
definida sobre
<
a4lgebra P(B)
la relacin definida
si
P(A)
es una probabilidad cualitativa P
compatible con la medida de probabilidad dada
TEOREMA
7.
Una condicin necesaria y suficiente para que una medida de probabilidad cualitativa
<
,
que es compatible con una probabilidad
sea numerablemente aditiva es que la proba
bilidad cualitativa sea montona continua.
238
TEOREMA
8. a -lgebra de probabilidad cualitativa es no atmica
Si un
entonces existe una y slo una medida de probabilidad compa

tible con ella y que es numerablemente aditiva.
TEOREMA
9.
Si un lgebra de probabilidad cualitativa es fina y ajustada entonces puede extenderse a un a-lgebra de probabili-
dad cualitativa.
TEOREMA
10. a lgebra de probabilidad cualitativa es no atmica es fina y ajustada.
Si un entonces
Con
estos
teoremas
hemos establecido
fundamentalmente
las condiciones para tener una medida de probabilidad compatible con una probabilidad cualitativa
probabilidad es numerablemente
<
,
y cuando esta medida de
aditiva.
239
4.4.6. Axiomtica de D. Scott (1964)
Generalmente las teoras desarrolladas para la elaboracin de decisiones Koopman, ticen racionales bajo incertidumbre por De Finetti,
Savage etc., han tendido a producir resultados que garan de probabilidad nica sobre los estados
una distribucin
de la naturaleza para la expresin rando que las
o cualquier otra coleccin de entes que se usen de los grados de creencia a priori, consideexpresadas en los axiomas pueden
idealizaciones
observarse como teoras de pura racionalidad.
Una de
probablemente De Finetti de
las versiones ms
Scott
simples
en
de esos axiomas es
de las
la dada por D. probabilidad
1964 para el esquema en el que
subjetiva
cualitativa,
decisiones y las consecuenciaz no estn explcitamente consideradas.
Los axiomas de Scott quedan formulados definicin 1, en la cual la notaca-on la funcin caracterstica de un Ac
en la siguiente
se usa para representar A

,
conjunto
4,
representa,
como es habitual, al conjunto vacio.
La funcin caracterstica se establece as:
Ac
para
un
conjunto
Ac (x)
xA si x~A
240
DEFINICION
1.
Sea
un conjunto
no vacio
>
una relacin binaria X
sobre
el
conjunto
una
de
todos
(
los subconjuntos de
X
,
Entonces finita para
estructura de
>
) es una estructura
de grado todos los
creencia cualitativo si y slo si

A y B de X se satisfa
subconjuntos axiomas:
cen los
siguientes
Axioma 1 A >B
>A
Axioma 2 A
>~
Axioma 3
>4,
Axioma 4
Para todos los subconjuntos

B O o
<
, ... ,
A
A.
1~
...
B
,
de
si
>
B. para todo a-
<
n
+
y para todo
+
x EX B c (x) o
+
...
Ac (x) o entonces
...
A c (x) n
B c (x) n
Bn
241
El de X
axioma
slo
requiere
que
cualquier
elemento
pertenezca <n
exactamente
al mismo nmero de
A. 1
B.1
para
O <i
Veamos
como
el
axioma
implica
la transitividad.
En primer lugar para tres funciones caractersticas cualesquiera
Ac
B c +C c
B c +C c +A c
es decir, para todos los elementos
de
Ac (x)
+
c B (x)
+
c C (x)
=
c B (x)
+
c C (x)
+
c A (x)
Por hiptesis,
para probar la transitividad, partimos A

,
de que tenemos tres sucesos y B >C
tales
que
>
B C
por tanto, utilizando el axioma
deducimos que
>
es decir, hemos probado que se verifica la transitividad.
Scott (X
,
demuestra
que
para cualquier
estructura 1 A y
,
finita existe B sub
>
que
satisfaga
los axiomas de la definicin
una medida de probabilidad

conjuntos de X
tal que para todo
A >8
si y slo
si
P(A) ~ P(B)
La mayor como desarrollo
dificultad
que plantean
los
axiomas
de Scott
de una teora del grado de creencia es que apare-
242
ce un nmero
combinaciones
tan grande de posibilidades en relacin con las

posibles que ocurren al verificar dichos axiomas
si el nmero de sucesos establecidos es muy grande. Por ejemplo,
para probar el axioma

sucesos sucesos, y para probar
1
la
slo necesitamos considerar pares de

transitividad utilizaremos axioma ternas de
pero para probar el
hay que considerar n
uplas de sucesos y, por tanto, para este caso, necesitamos expresar condiciones necesarias y suficientes que estudien las nuplas de sucesos con n arbitrario si el nmero de sucesos aumenta
considerablemente.
4.4.7. Axiomtica de Fishburn (1967).
Hasta
este
momento,
como
hemos
venido viendo,
se
han
usado dos aproximaciones fundamentales para definir la probabili-
dad subjetiva.
Por una parte,
la aproximacin intuitiva,
usada
por Koopman, Scott, Villegas etc., que formulan los axiomas aplicando la relacin de probabilidad comparativa ble que
parte, relacin do a ; la
no es ms probaPor otra la
a un
conjunto
de
sucesos o proposiciones.
basa los
aproximacin
que
axiomas tericos sobre

comparativa
de preferencia-indiferencia esta ltima aproximacin
no es preferiSavage,
es
usada por Ramsey,
243
Anscombe
y Aumann.
Cada una de las axiomatizaciones realizadas

la deduccin de una medida que combinadas con
con esta segunda aproximacin permite de probabilidad y una funcin de
utilidad
las probabilidades producen un modelo de utilidad esperado consis tente con la relacin no es preferido a.
Presentamos
a Fishburn, sobre un
ahora
una
nueva
axiomatizacin,
debida
que conduce a una distribucin de probabilidad nica de n estados en el contexto de un modelo
conjunto
de utilidad esperado.
Los tres etapas:
mtodos
usados
para
esta
aproximacin
implican
La primera
etapa
establece los axiomas para obtener
un modelo de utilidad esperada en el cual las utilidades comprenden das n todos con los n que estados, y las probabilidades tener relacin estn asociacon los
sucesos
pueden no
directa
estados.
La
segunda etapa usa un axioma adicional para hacer exhaustiva (que comprenda los n estados)
que
cada
utilidad
sea igual
a la suma de
las utilidades dependientes de cada esta-
do, es decir, uu1 donde y u. 1 u
+u2
...
+un n estados, s.1
es la funcin de utilidad que comprende los
la funcin de utilidad asociada con el estado i-simo
244
La tercera
etapa
define u. 1
cada
u.
1
sobre
un
mismo
conjunto y supone que cada misma ordenacin sobre dicho
(para un De
s. 1
no nulo) tiene
la
conjunto.
esta manera llegamos
a la definicin
de las probabilidades subjetivas de cada estado
y a un modelo de utilidad esperada sobre dichos estados.
Esta axiomatizacin que combina probabilidad
subjetiva
y utilidad basada en la preferencia tiene caractersticas propias y especiales. Ramsey (21), Suppes (22) y Davidson y Suppes suceso de probabilidad a ( .~<), 1/2 (23) sobre
plantean
la hipotesis
de un no
la base de
la relacin
es preferido
y despus
utilizan este hecho para determinar la utilidad de los resultados, para finalmente con esta funcin de utilidad construida establecer las probabilidades subjetivas de los estados. Sobre este
planteamiento
este capitulo.
hablaremos
ampliamente
en
el
ltimo epgrafe
de
Los un experimento
autores cannico
Pratt, con
Raiffa
Schlaifer igualmente
(24)
emplean
resultados
verosmiles
(dicho para
experimento
cannico es un recurso de medida operativo) y probabilidades

el epgrafe 4.4.4., a los
sopesar
como
utilidades
vimos en
subjetivas.
De
forma
similar, usan juego Estos
Anscombe y Aumann
resultados de un
probabilidades de ruleta, ltimos
conocidas siendo dichos
asociadas resultados utilidades
igualmente
probables. utiliza esperada utilidades
autores
miden las
de los premios de la utilidad de dichas
dos en su teora de Von Neuman
por medio
de la teora y
y Morgenstern,
a partir
245
deducen el caso
las
probabilidades son los
subjetivas resultados
para de
los
estados de
que
en
expuesto
una
carrera
caba-
llos.
La aqu, usa de la
axiomatizacin teora de
de
Finsburn,
que
vamos
exponer
Von Neuman y Morgenstern de probabilidad.
aplicandola a antes de
nuplas
distribuciones
Por tanto,
empezar con dicha axiomatizacin,
vamos a exponer a continuacin
una idea general de la teora de Von NeumannMorgenstern:
Definiremos, como un
a~
en primer
=
lugar, C un
...
un }
conjunto de
mixtura
conjunto (1a)
.
.4
B
{ A,
B,
y con una operacin de
A
a
que asocia
elemento
<-4
tal
con que:
cada
[o
1 ]
y cada par ordenado
(A,B) ~ ~2 1]
si
A,Bsc~
a,~[O,
entonces se
cumple: 1.lA+OB=A
2.
3. a[~A
aA+(1a)B=(1a)B+
+
aA
a~A
+
(l~) BJ
(1a) B
(la~)
Esta
definicin
es
idntica
la
dada
por Herstein
y Milnor en su trabajo An axiomatic approach to measure utility
(25). Observemos que las propiedades 1, 2 y 3

aA
+
implican que:
(1 a) A
246
y que
a [~A
(1 8) B ] (1 a)
(1a)
(1Y) B ] ]
[a~
y]
[ a8
(1 a)
Con la relacin binaria A<B=[A~B y y la relacin

4~
.$.
sobre
c9~
y
sea
B<A] B\<A]
sobre
~9k es
un orden dbil si es transi-
tivo y fuertemente conexo
(o completo).
Los axiomas establecidos por Von NeumanMorgenstern para el conjunto con la relacin son:
1.
Axioma de estructura
c5~
es un conjunto de mixtura
2.
Axioma de orden
La relacin
sobre
<9k
es un orden dbil.
3.
Axioma de independencia para combinaciones convexas
Si
A,B,C~
(0
1)
A<B
entonces
a A
+
(1 a ) C
a8
(1
a)
247
4.
Axioma Arquimediano
Si
A,
E~5
A <B
B<C
entonces aA
+
(1a)
+
< B
B < BA
(1 ~ ) C
para
algn
(0
1)
Estos
axiomas
son
completamente
estndar
con
los
resultados dados podemos demostrar el siguiente teorema:
TEOREMA Dado si ~ y slo si el axioma una 1 los axiomas de 2

,
3 y 4 se cumplen reales u sobre
existe
funcin
valores
tal que
[1]
A.~B
si y slo si
u(A)
<
u(B)
para todo A,B
[2 jI
u ( a A para
(1 a) B ) A ,B
a u(A)
(1 a ) u(B)
todo
[o
Si
son dos funciones de valores reales sobre [1] O

,
de tal manera que cada una satisface existen dos nmeros a y b

,
[2]
entonces
con
>
tal que
[3]
y(A)
a u(A)
para todo
Ac~
248
Una vez que hemos expuesto estas la teora de Von Neuman-Morgenstern
ideas generales sobre
pasamos a formular la axioma
tizacin de Fishburn, tal y como antes anunciamos.
Para formular esta axiomatizacin partimos de un conjun to ~

=
~ ~ X
~n }
que es el conjunto de los
esta-
dos, y donde
mos al
es un conjunto de consecuencias. Como ya comenta

la axiomtica de Savage vamos a respetar la
establecer
notacin utilizada originalmente por cada autor aunque sean distintas entre s. Una distribucin de probabilidad sobre un conjun to diremos que es simple si algn subconjunto finito tiene probabilidad 1 en la distribucin.
Consideremos ahora el conjunto
de todas las distri.
buciones simples sobre
y sea
gn
Cada
P .}{
, ... ,
es P )
una n-upla de distribuciones de la forma

siendo P.
1
P
s.
1 1
.
(P1
la distribucion asociada a P
Con esto queremos de
cir que si
}t
P.
1
es seleccionada y
s. es el estado verdadero, X ser elegi-
entonces la consecuencia que resulta del conjunto da utilizando
Se define por vector como a~ p+ (1a). Q
ap
(1~a ).Q
de la forma natural escalar
(aP1
(1a)
Ql ,...,aP
(1a)
donde
Ql
3{
de
a.P1
(1a ) . Q~
es la
combinacin convexa usual
las distribuciones de probabilidad.
249
Es axioma ple cuando
de estructura, puede verse facilmente que se cum,
iJt=.~
y podemos decir que si
c.~
=J{
la teo-
ra de Von NeumanMorgenstern expuesta anteriormente puede apli carse directamente a

,
por tanto,
los axiomas propuestos nuplas de distrisi los
por estos dos ltimos autores se aplicaran a
buciones de probabilidad.
estados idea de se formulan que cada i de
El axioma
que
sera aplicable
tal manera sea, de
sean consistentes con la el P.

1
uno
hecho,
estado verdadero.
,
Si,
por ejemplo,
denota tiempo y cada
como (P1
,
una
...
distribu P~)
,.. ,
cin de probabilidad cualquiera de la nupla selecciona un sobre los n x.
resulta un vector consecuencia (x1
x)
periodos de tiempo.
En
el
siguiente u
teorema sobre
vamos
a ver
como
establecer
la funcin de utilidad
~L.
TEOREMA Los axiomas 2,3 y 4 considerando

=
~iiJ{
=
implican que, si establecemos la funcin de utilidad que satisfaga las condiciones existen tal que: n [4] u (P1
,.. .,
sobre~{
[1 ]
[2 ] u1
del teorema anterior,

, ...,
funciones de valores reales
un
sobre
.1?.
P ) n (P1
u.
1
(P.)
1
para todo
,...,
34j
[4 ] se cumple, para cada i
y cuando la condicin
250
[5]
u.
1
(1 a)
E)
av~.
(R)
(1a) u.
1
(E)
para todo
R,RE9~
aE[O,
1]
Si la funcin y [4]
y la funcin
u.
satisfacen
y
l],[2] y
y. 1
y si las funciones de valores reales para i =1,2,..., a

,
sobre [1], siendo
sobre
n b1
satisfacen
,. .
[2] y [4] a >0
entonces existen los nmeros tal que la condicin b=b1 +...+b ~
bn
3]
del teorema anterior se cumple siendo
[6
(R)
a u.
1
(R)
b.
1
para todo
R ~
...,
No demostramos este teorema ni los anteriormente expues tos por no alargar excesivamente la exposicin de estas axiomticas y pensando que con los enunciados de los teoremas quedan
suficientemente reflejadas estas teoras.
continuacin
formulamos
los
axiomas
definiciones
que completan la tercera etapa de la teora de Fishburn.
Axioma 5 P<Q
(No trivialidad) paraalgn P
251
Definicin 1 Si E R
(Orden para
R.
entonces (E
, ... ,
E .~.E donde (E
si y slo si
E)
(E
...
Definicin 2 s. ~ 5 1 P
,
(Estados nulos) es nulo si y slo si P
para
todo es de
siendo
P. =Q. 3 3
paracada
j ~ 1
Q) n
siendo s.
1
P.
Q.
para cada
entonces el P.
1
suceso no in
con distribucin de probabilidad
Q.1
fluye para la indiferencia de las dos n-uplas de distri buciones de probabilidad.
Axioma 6 Si P
(monotona) (P1
=
...
il il
~+1
...
~ ~ n P n
(P1
2 ~,entonces si si R <E
R,P 1+1
pertenecen a P .~P p <p
y y el estado s.
1
es no nulo.
El axioma nica sobre los
asegura una distribucin de probabilidad Y el axioma u.

1
estados.
con
la ayuda de s.
1
los nulo
otros axiomas proporciona cada
para un estado
no
con la misma ordenacin, es decir:
252
si
s.
s. 3
son no nulos, entonces
u~(R) cuando
<
u~(R) R R
si y slo si
u.(R)
<
u.(R)
E,R.
TEOREMA
3 Si u sobre
~4= ~{ es
[1 j y [2] siendo
ir
cualquier funcin de valores y si los axiomas

=
reales que satisfacen se R cumplen,

,
5 para
entonces,
u(R)
u(R
,...,
R)
cada sobre
existe una funcin 5 n
de valores reales nica
el conjunto de los estados
tal que
[7]
u(P 1
ir
u(Pi)
1 ~
para todo
(P1
EJ{
n [8]
iT(S)
>0
para cada
5 ES
ir
(s.)
1
y bajo estas condiciones
ir
(s)
si y slo si
es nulo.
Observemos que las subjetivas de los estados. El consecuencias con acotada si X al menos
ir(s.)
1
son X y
las es u
probabilidades un conjunto de
conjunto
dos elementos,
necesita estar
contiene un nmero infinito de elementos.
Con
los
trminos que
han quedado establecidos podemos
pasar a formular el modelo bsico de utilidad esperada subjetiva.
253
Dicho F de
modelo
para
el
caso
de
estados de 5 en
implica X
,
un conjunto del
acciones que
son funciones
es decir,
conjunto de estados en el conjunto de consecuencias, de tal manera que si 5 de

,
es un
elemento de
y por
s tanto
es un elemento de ser un elemento
f(s)
ser una consecuencia,
Con estos datos el modelo de utilidad esperada subjetiva
se formula con la siguiente condicin: n [9] f si y slo si

~ E
~ (s.).
1
u(f(s.) )<
1
<
n E l~ 1
ir
(s.).
1
u(g(s.)
1
paratodo
g~ F
La y f i
=
condicin f
[9 con
]
P
resulta
=
de
las
,
condiciones
[7
]
s. 1
1
,
identificando f(s.)
1
(P1,
1
P
1
y para
como cada
identificamos
,
f(s.)
con g
P.
...
identificando
en la misma forma.
Observemos que en la axiomtica de Fishburn los conjuntos y epgrafe y secorrespondenrespectivamente usados por Anscombe y Aumann que ya 4.4.4. Para estos ltimos autores, de ruleta con premios en con los conjuntos en el
referimos es el
conjunto
de todas las
loteras
Xb~ que es el
conjunto de consecuencias usado por Fishburn, res citados en representaban por El
pero que los auto,que era
conjunto
la axiomtica
anterior el c~njunto de todas las lotefas de
caballos, es, en esta axiomtica, el conjunto de nuplas de distribu
254
ciones de probabilidad. La novedad en la teora de Anscombe y Aumann radica ba en la doble aplicacin de la teora de Von Neuman-Morgenstern, ya que deducan las probabilidades de los estados para to a partir de las funciones de utilidad sobre mo, la novedad en la teora de Fishburn, se encuentra en la aplicacin y
~$.
finiAsimis
como ya hemos sealado
antes,
de la teora de Von Neuman-
Morgenstern a n-uplas de distribuciones de probabilidad.
4.4.8.- Axiomtica de P. Suppes (1974)
Suppes proporciona una de que minimizaran el nmero de
las
axiomticas ms simples necesitadas y que si
comparaciones sobre la
produciran sta se existe.
algunos Es
resultados
medida
fundamental sobre
un modelo
conceptualmente
sencillo
cmo
pueden
simplificar
las comparaciones y cmo podemos
obtener
algunos tipos de resultados si los axiomas se satisfacen.
Suppes considera son (N) ciertos ; (C);
cinco
clases de
sucesos:
sucesos que
sucesos que son ms probables que su contrario son menos probables como que su contrario (L)
sucesos
que
sucesos que
son tan probables
su contrario
(E); y sucesos
255
que
son
imposibles tomar
(1).
De
estas
cinco
clases (C)
de
sucesos,
dos
se pueden tres, forma:
como bsicas: definir, es
la clase
y la (N);
las otras
se pueden si A A un A
a partir de A es
esas dos, su
de la siguiente entonces A
un suceso y A
contrario,
ocurre si si A es
no ocurre;
es un suceso imposible si y slo A es menos A ; A probable que A si
suceso seguro;
y slo si A que
es ms probable que A
es tan probable ms
como
si y slo si A
,
no es seguro, ni imposible, ni A
probable
ni menos probable que
Con
las
consideraciones
anteriores,
Suppes
establece
los axiomas de lo que l llama estructura de probabilidad cualitativa dbil. de los sucesos Para ello considera un conjunto no vacio A
,
don-
...
son subconjuntos de
Entonces,
los axiomas de esta estructura de probabilidad cualitativa dbil son los siguientes:
AXIOMA 1 X es el suceso seguro.
AXIOMA 2 Si un suceso A implica otro suceso B es seguro. E y A es el
suceso seguro entonces
256
AXIOMA 3 Si un suceso que A A implica otro suceso entonces B es B y A es ms que
probable B.
ms probable
AXIOMA 4 Si un suceso A
,
A y
implica A
otro
suceso
B A
pero
no implica B
es tan probable como E
entonces
es ms probable que
AXIOMA 5 Si A es un suceso seguro entonces A es un suceso
imposible.
AXIOMA 6 Si A un suceso A es ms A probable que A entonces
es menos probable que
A partir de estos
axiomas se pueden deducir facilmente
los siguientes teoremas elementales:
Si un suceso probable A. que
A E
implica otro suceso entonces A es
E menos
es menos que
probable
257
Si
un suceso
es
tan probable como A
entonces
es tan probable como
Si un suceso probable como entonces la
A B
es tan probable como y A y E de los
es tan
son mutuamente excluyentes, dos sucesos A E es
disjuncin
un suceso seguro.
En muchos casos las situaciones descritas por los axiomas suponen que una persona conoce sus grados de creencia. Estos axiomas son estructurales y pueden no satisfacerse en una situacin dada. Se exponen simplemente para indicar el tipo de resul-
tados que podemos conseguir mediante algunos supuestos estructura les aparentemente sencillos. Observese que incluso con estos
elementos estructurales no somos
capaces de probar la existencia
de una ordenacin entre los sucesos en trminos de menos probable o ms probable. Los axiomas anteriores no son los axiomas ms
generales
posibles,
pero proporcionan
una sencilla y til base
cualitativa.
Desde un punto de vista formal Suppes proporciona (26) otra estructura creencia. las donde tos de no vacia, que X X Desde se de medida aproximada finita para punto los de vista las los grados bsicas de a
este
estructuras (X
,~
aplican
axiomas
son cudruplas
,f
>
es un conjunto no vacio,~ es un lgebra de subconjun

,
es
decir, ..2F~ es una familia de subconjuntos
de
y es cerrada respecto a la unin y la complementacin, primera, estn
es un lgebra de conjuntos similar y contenida en la
constituida por los sucesos que se usan para las medidas
258
dar, es decir para las medidas de referencia, y a los sucesos
de por
5
,
los T
,
llamaremos
...
sucesos
>
estndar,
que
representaremos
La relacin
es la relacin de orden
.
no menos
probable que definida sobre tuales para la
Utilizamos los smbolos habiestricto a partir de la
equivalencia y el orden
relacin de orden dbil te conexo).
(un orden dbil es transitivo y fuertemen
Pasemos
a formular
con
estos
elementos
la estructura
de medida aproximada finita para los grados de creencia referida anteriormente:
DEFINICION Una estructura de medida X aproximada es
3C
(X
, ~,
>
es una estructura de creencia si y
finita para
los
grados y
slo si
un conjunto no vacio, X B
son lgebras
de conjuntos de cualesquiera de A,
y se satisfacen los siguientes axiomas para

,
de
y para cualesquiera
AXIOMA 1 La relacin
>
es un orden dbil en
AXIOMA 2 Si ACIC= ~ y si BflC= AUC

~
entonces B~JC
A >B
siyslo
259
AXIOMA 3
AXIOMA 4
AXIOMA 5
cf
AXIOMA 6 Si
es un subconjunto finito de
entonces
AXIOMA 7 Si 5 5 ~TLJV
>
entonces existe un (donde el signo probable)

~,
de
tal que
significa igualmente
Comparando A es un 5
los
axiomas del
tres
seis
observamos
que el
elemento arbitrario (referido en

.
lgebra
general ~,pero
suceso del
el axioma 6) es un elemento arbitrario en el axioma siete 5 y T son
sublgebra
Tambin
sucesos estndar, es decir, cen al sublgebra
los sucesos de referencia que pertene 1,2,3 y 4 son precisa
c2/
Los axiomas
mente los conocidos axiomas de De Finetti si ningn cambio. Todos los que 5. sucesos estndar (en nmero finito)
,
son
tambin
sucesos ya
CJ~
es un subconjunto finito de 1
,
segn expone el axioma
Los axiomas
se cumplen tanto para los suce
260
sos estndar como para los sucesos arbitrarios. El axioma 6 garan tiza que todo elemento minimal del sublgebra dad cualitativa positiva. A Tcnicamente de suceso A
.
<1 tiene
elemento ~
probabiliminimal
,
un
de
es cualquier suceso da el que B caso es de que
tal que B
y no se ,tal
exista un
no vacio
dej
subconjunto propio de de es tal que
Un intervalo abierto mini y

~
mal (S,S)
S<S
es equivalente
a un elemento minimal de minimal de

,
1.J
Tengamos en cuenta que un elemento es equivalente a la
tal como se utiliza aqu,
nocin de suceso simple o elemental que se utiliza habitualmente. El axioma siete es el principal axioma estructural, pero se cumy no para el lgebra gene-
ple solamente para el sublgebra ral
Adems de la medida de probabilidad ordinaria establecida para los sucesos estndar, Suppes usar las probabilidades
inferior y superior para expresar la medida inexacta de los sucesos arbitrarios, es decir, de los elementos del lgebra general.
Una que se
buena de
discusin tales
de
las
propiedades
cuantitativas
esperan
probabilidades
inferior y superior se titulado Subjecti set (27).
encuentra en el trabajo de J. 1. Good de 1962, ve probability as the measures of
a non-measurable
Suppes propone las siguientes propiedades para las probabilidades inferior y superior (no exponemos aqu las del trabajo de Good,
pues ste trabaj con probabilidades condicionadas):
261
PROPIEDADES
Observacin:
P~(A) es la probabilidad inferior de un suceso A y P*(A) es la proba-
bilidad superior de ese mismo suceso.
1.
P~(A)
II.
P~(X)
p*(x)
III.
Si
A flB
+
entonces
.~.
P~(A)
<
P~(B)
<
P~(AL)B) 1 P~(A)
+
p*(B)
p*(A VB) A
p*(A) y B
Para todo
de
Para los sucesos estndar cir es la para los sucesos de referencia coinciden
p(5) la
P(5) de
p*(5) Es deprobabilidad superior con en
medida
exacta y, inferior.
por tanto, Para un
la probabilidad A
,
suceso arbitrario
no equivalente
probabilidad cualitativa con un suceso estndar, verdadera pertenece al intervalo abierto (P~(A) ginalmente, Suppes incluy una cuarta propiedad,
su probabilidad
,
P*(A)
).
Orims
que elimin
tarde para simplificar la axiomtica, dad deducirse diciendo que de las propiedades
al poder esta cuarta propie tres; como hemos venido originales,
dos y
queremos ser
fieles a las
axiomticas
incluimos aqu esta cuarta propiedad a pesar de lo expuesto:
P~(A)
p*()
262
donde
es el complementario o contrario de
Exponemos
tambin el
argumento
que demuestra
que esta
propiedad se deduce de la segunda y la tercera:
P~(X)
-
P~(AIJ~)
=
<
r~(A)
p*(~)
<
p*(AV~)
p*()
por tanto 1 <P~4A) p*(X)
<
luego P~(A)
+
p*()
Una
propiedad mas
fuerte
que
cumplen
algunas medidas
de probabilidad inferior y superior es la siguiente:
Iv.
P~(AUB)
P~ (A<1B)
P~(A)
P~(B)
Referente a esta propiedad
IV
Suppes da un contraejem
Po para demostrar que no se cumple para toda estructura cualitativa.
Enunciaremos Suppes formula la
continuacin de medida
un
teorema
con
el
que
estructura
aproximada
finita para
los grados de creencia:
263
TEOREMA Sea
=
(X
Y,
<1,
>
una estructura de medida
aproximada finita para los grados de creencia, entonces
(i)
Existe una medida de probabilidad tal 5 y que T para cualesquiera dos
sobre
~1
sucesos
estndar
>
si y slo si
P(S)
P(T)
(u)
La medida
es nica y asigna la misma probabili
dad positiva a cada suceso minimal de
(iii)
Si definimos (a)
P~
~*
de la siguiente manera: A de equivalente a
Para todo
suceso
algn suceso estndar 5 P~(A)

=
p*(A)
P(S)
(b)
Para cualquier
de 5
no equivalente pero que pertenece (5

,
a un suceso estndar al intervalo
abierto minimal 5 y 5
5) para
los sucesos estndar
P~(A)
P(S)
P*(A)
P(S)
entonces P~ 1
,
y II
~ y
satisfacen las condiciones III para las probabilidades
264
inferior y superior sobre
(c)
Si de
es el nmero de elementos minimales entonces para todo A de
cf
SP
se
cumple P*(A) P~(A) < l/n
(iv)
Si definimos para todo A*

>
de 5 de
si y slo si existe un suceso A

>
tal que
>
B
,
entonces si A*
>
es un se B entonces
miorden sobre
y si
P~(A)
>
p*(5)
entonces
>
Es interesante observar que se requiere, por lo referido hasta el momento, sea finito. El tener incluso
>
que el conjunto
de los sucesos estndar
lgebra general de los sucesos arbitrarios podra un cardinal mayor que el del continuo y as la
relacin
sobre
podra no ser representable numricamente,
y sin embargo los sucesos de
las probabilidades inferior y superior para todos existiran y se definiran segn el teorema
que acabamos de exponer.
Resumiendo, la particularidad de esta axiomtica radica en que plantea la existencia de unos sucesos arbitrarios (los
265
elementos de
con probabilidades no determinadas exactamente, (los elementos de Entonces
y unos sucesos de referencia de la probabilidad estndar.
<1>
con la medida una medida de
establece
probabilidad de
aproximada para los
sucesos
arbitrarios en funcin tal y como queda
las probabilidades
de los sucesos estndar,
establecido en el ltimo teorema expuesto.
4.4.9. Axiomtica de 5. French (1982)
Simon French,
realiza dos observaciones que son adecua-
das para muchas de las axiomatizaciones de la probabilidad subjetiva. En un primer comentario, se refiere al uso del experimento
auxiliar para cuantificar sentimientos cualitativos de verosimili tud y este de experimento de auxiliar es esencialmente manteniendo distinto del
campo
sucesos
inters
real,
esta
distincin
en la axiomatizacin que este autor propone. En una segunda obser vacin, French comenta que todas las teoras de la probabilidad
subjetiva estn
de acuerdo en que los grados de creencia (senti-
mientos cualitativos de verosimilitud, en expresin de este autor) estn condicionados por el estado del conocimiento de la situa-
cin presentada y por el modo
y actitud del individuo que est
266
implicado tiempo el el y
en
esta
situacin.
Como
el
individuo
cambia
con
el que
tiempo que cambia la situacin y el conocimiento tiene de ella, cambian estos condicionantes tambin. bajo Este las
individuo estado
(conocimiento va se a tener
sicolgico) para las
cambio cuales
implicaciones el problema, biarn
condiciones
plantea cam-
y por tanto, las
al cambiar estos condicionantes, bajo las cuales
tambin
condiciones
se aplicar el
teorema de Bayes, para prescribir cmo el individuo racionalmente actualizara sus grados de creencia a la luz de una nueva observa cin particular.
French propone medida un de probabilidad todas las
que para asegurar la existencia que represente el grado deben
de una
de creencia de requerir que el
individuo
axiomatizaciones
espacio de sucesos sea un subcampo de sucesos, cuyas probabilidades el sujeto acepta como dadas, y adems estas probabilidades [O
,
deben formar un subconjunto denso del subcampo ha sido denominado de
intervalo
1 ] . Este
forma variada
como
experimento
auxiliar, experimento cannico o experimento de referencia. French, concre tamente, utiliza el primer trnino. Algunos autores como Savage (28), Luce y
Krantz (29) no reconocen el experimento auxiliar explcitamente en sus sistemas de axiomas, mientras que otros como DeGroot (30), Pratt y otros
(31) si lo hacen.
Las axiomatizaciones que describen el experimento auxiliar al margen de los sucesos de inters real utilizan una medida simbolica para ponerla en manos del sujeto, al tiempo que le
267
informan de cmo usarla. El anlisis de la decisin real introduce explcitamente tar al recursos aleatorios artificiales para capaciPor
decisor a sopesar las incertidumbres de su problema.
esto, French prefiere que el experimento auxiliar sea axiomatizado por separado.
Ahora bien, dado que el experimento auxiliar es conside rado por separado de los sucesos de inters real tenemos que
hacer otra indicacin previa a dicha axiomatizacin; esta indicacin es que no hay necesidad en la practica de considerar la
verosimilitud de los sucesos formados por uniones e intersecciones de sucesos extraidos del campo de inters real y del campo de formar
del experimento auxiliar, el ms pequeo auxiliar, individuos y a campo que la
y que
tampoco hay necesidad
contenga a ambos campos, ordenacin en dicha de
el real y el los que-
extender ste,
la verosimilitud de normalmente
aunque
axiomtica
de establecido.
Con de por
estas
ideas,
French
presenta el
una
axiomatizacin auxiliar
probabilidad separado del
subjetiva campo de
manteniendo sucesos de
experimento
inters real.
Veamos como
establece las condiciones de dicho experimento auxiliar:
Empezaremos
por definir algunos trminos para estable-
cer las condiciones de dicho experimento:
268
es
el
conjunto
de
todos
los
resultados
posibles
a los que se enfrenta el sujeto, y cualquier subcon junto l. de 5 es un suceso posible de inters para
es
un espacio de sucesos, 5
,
es decir,
el conjunto
de los subconjuntos de
el cual es cerrado respec
to a la aditividad finita y la complementacin.
es la relacin que expresa el sentimiento de verosimilitud espacio relativa del

e>,
sujeto
entre
los sucesos del
es una relacin binaria sobre un
conjunto, inicialmente
SF
que ms tarde se extiende auxiliar. El significado
para incluir el experimento de
>~
se toma de tal manera que sea intuitivo para
el sujeto.
se lee
el
sujeto cree que B
es al menos
tan probable como
~ E
significa y se lee
que
A>,B
B~A
por definicin A es igualmen
El sujeto cree que B
te probable que
>
E B
significa por definicin
que
y A
se
lee
el
sujeto cree que B
es estrictamente ms probable que
269
El trmino rs y el el sujeto puede
suceso
se refiere a los objetos de inteauxiliar tal que

,
imaginar un experimento al intervalo
resultado
debe pertenecer con un
[O
1 de
ya que forma
estamos
tratando los
experimento Los axiomas
cannico y suponen de
esta la
tipificamos
resultos. para
que
relacin generados que no de
>~
por es
puede este
extenderse experimento
comparaciones Sin
sucesos
auxiliar. sucesos
embargo,
recordemos
necesario
considerar
formados por
intersecciones
sucesos del experimento auxiliar con sucesos de
Con estos trminos French formula un sistema de axiomas partiendo del campo de Borel ciones finitas de intervalos
de todas las uniones e intersecy cerrados en
abiertos
[O
Entonces el individuo imagina un experimento auxiliar con sucesos de
tal que
la relacin>~
se extiende a
BU~F
y entonces
se cumplen los siguientes axiomas:
Axioma 1 La relacin quiera A

,
es un orden dbil, B
,
es decir, para cuales
se cumple (a) (b) bien Si A >.B y
B>,A
ambas
A>,C
A>,.B
B>.C
entonces
270
Axioma 2 Sean 1 J intervalos abiertos o cerrados de 11 y l~ respectivamente entonces con
amplitudes
1 ~J
si y slo si
1>1 1
Axioma 3 La relacin cualitativa, se cumple:
>,
es
restringida a decir,
IB
es una probabilidad ser un orden dbil,
adems de
(a) (b)
[0
1]> ~ A
,
Para cualesquiera A(IC

=
tal que
BC~C
se cumple A>B si y slo si AUC ~.B~)C
Axioma 4 (a) (b) 5 [0,1] A
Para cualesquiera que Afl~B Si A~C

=
tal
COD y
B>,D
entonces
AVB~CUD ysi C>,A

,
D~B
entonces
Ck)D>,.AUB
271
Axioma 5 Para cualquier { p~ AL } los conjuntos y { P [0,1]! A>. [O,P ]}
[o,]/ [o,P ]~~A
son ambos cerrados
Axioma 6 Si y si A12A2~ A
>
A~L~ para algn

,
n=1 p
,2,3,... donde p
L
[0,p] n
fijado,
[0,1],
y para todo
entonces
n=1
El bil. El
axioma
establece el supuesto usual
del orden d-
axioma dos describe la uniformidad del eperimento auxi-
liar. El axioma tres exige que la relacin bilidad cia. El cualitativa sobre el
debe ser una proba-
experimento auxiliar o de referenque los sucesos seguros de ambos

,
axioma cuatro asegura real 5 y el
campos el
auxiliar
[0
1 ]
son igualmente
ciertos y tambin establece un supuesto que vincula la verosimili tud de de usado puesto por las uniones de con la verosimilitud de las uniones
. Esto se establece utilizando un argumento similar al

en el axioma tres, distinto porque Usualmente pero es necesario hacer este nuevo suy
iB
son campos que se construyen
separado.
la relacin
>, se aplica al conjunto
272
constituido
por
el
ms
pequeo
campo
que
contiene
y la relacin sobre para dicho obtener
>~
se supone que es una probabilidad cualitativa El axioma cinco es un axioma de continuidad de
campo.
la probabilidad
subjetiva,
y podra escribirse
una forma ms clara que la anterior, y sta sera: para todo

,
existe
P A
[0,1]
tal que
[o,~
A
El axioma seis es necesario aditiva, en cuyo caso y
si la probabilidad es numerablemente deben ser tomados como acampos,
tal y como expusimos en la axiomtica de Villegas, en el epgrafe 4.4.5.

,
adecuando dicha axiomtica al sistema que estamos tratan
do aqu.
El
siguiente
teorema
nos
garantiza
la
existencia
de
una medida de probabilidad finitamente aditiva.
TEOREMA Dados probabilidad es compatible un [0

,
los
axiomas
del
al
existe una medida de P :

-~
finitamente
aditiva y nica ~ sobre
[o
1]
que es
con la relacin y
. Adems, si
a campo 1 ]
lB
es un
a campo de Borel
sobre el intervalo P es numerablemen
y se cumple el axioma seis, entonces
te aditiva.
Frerich una axiomatizacin nales,
sugiere
que
podan
extenderse
estas
ideas
de utilidad esperada con resultados condicio-
sin embargo, pensamos que esta aproximacin puede aplicar
273
se
cualquier
axiomatizacin
de
probabilidad
subjetiva
con
sin un tratamiento simultneo de la utilidad.
*_ *_ *
*_ * _ *
Han que
sido
tratadas
en
estos
epgrafes y tiles
las
axiomticas el punto
consideramos
ms
representativas
desde
de vista que queremos dar a la probabilidad subjetiva como parte de un proceso de decisin. Despus de expuestas estas axiomticas pasaremos a tratar algunos problemas que se plantearn a la hora de establecer la asignacin de estas probabilidades, los axiomas no queda ya que con
la formalizacin de
resuelto por completo
el problema de dicha asignacin.
274
4.5. Valoracion de las distribuciones de probabilidad subjetiva
Una los axiomas
vez
que
disponemos en los
de
la
base
formal,
mediante la que
expuestos
epgrafes
anteriores,
con
guiar nuestro comportamiento a la hora de averiguar probabilidades subjetivas chos axiomascomportamiento nuestro es que sera coherente si cumple dien la valoracin de
problema fundamental
probabilidades
estudiar cmo
se determina
si una valoracin,
en particular, o la habilidad del asesor en el epgrafe 4.3

,
-trmino ya introducido
en general, es buena o precisa
Desde
el
punto
de vista del asesor ninguna valoracin
puede ser errnea con tal de que sea coherente y est realizada con todo el cuidado y la consideracin de todos los hechos relevantes y conocidos. Las valoraciones de probabilidad sern ms
o menos precisas a la luz de los sucesos posteriores. La cuestin es por tanto tres en un determinar la extensin de ese ms o menos. Al
menos como
mtodos han sido usados para ello. El primer mtodo, experimento de laboratorio, compara las respuestas
del sujeto o probabilidades lidades realiza objetivas tambin
subjetivas con las llamadas probabiexperimentador, Un que es quien
halladas por el la comparacin
objetiva.
segundo
mtodo,
consistente en evaluar las valoraciones de la probabilidad median te funciones de penalizacin, que dependern de las distribucio-
nes valoradas y de los sucesos que se obtienen. En tercer lugar, es posible de hacer una evaluacin de las valoraciones sobre una
serie
pruebas comparando el alcance con el cual las frecuen-
275
cias relativas empricas de los sucesos predichos se corresponden con las probabilidades valoradas.
Winkler
Murphy
(32)
han
hecho
una
distincin
muy
til, por la que la bondad del asesor adquiere dos dimensiones. La primera, conocimiento La segunda, bondad que el sustantiva, asesor tiene se refiere sobre el primordialmente objeto de al
interes.
bondad normativa,
ser la capacidad
que el asesor
tiene para expresar sus opiniones en forma probabilstica.
En el el problema de
epgrafe
4.3,
tratabamos de forma mas detallada bondad del asesor en estos dos
la habilidad o Tambin al
sentidos
o dimensiones.
se coment con anterioridad que a hacer buenas valoraciones
un mtodo para estimular de las probabilidades,
asesor
y por
tanto para medir
la habilidad del
asesor,
es mediante el uso de las reglas de puntuacin o de tan-
teo a las que nos referiremos a continuacin.
276
4.5.1.- Las reglas de puntuacin
Para evaluar las consideramos n sucesos yentes y exhaustivos.
valoraciones
, , .. ,
de 5 n
las probabilidades, , mutuamente exclu es ~ requerida ~2 ~ por sus de n
~2 que
Supongamos
una persona
para valorar una distribucin de probabilidad sobre y que las r probabilidades

=
formuladas
pueden
representarse
el vector creencias
(r1
r2
...
y,
r) por
. Adems, supongamos que

tanto, las probabilidades p
=
verdaderas
los sucesos inciertos, entonces cuando r el

=
pueden representarse por que presenta sus
(p1 ,p2
~n~
asesor p
dir
creencias
verdaderas
Si llamamos regla de puntuacin a una funcin del suceso obtenido y del vector de probabilidades r
,
entonces el Sk(r) si se
asesor admite una puntuacin que representamos por obtiene el medir regla
k-simo suceso. Ademas de proporcionar un medio para del asesor, al los objetivos de una
la habilidad predictiva de puntuacin
son estimular
asesor para que cuide sus
valoraciones y que presente solamente sus creencias verdaderas. Para lograr estos objetivos se han hecho varios supuestos. Dire-
mos que el asesor posee las siguientes propiedades ideales (33):
1. 2.
Nunca viola los postulados de coherencia. El asesor entiende completamente los procedimientos
usados para obtener sus valoraciones de la probabilidad y los mtodos usados para que dichas valoraciones sean
277
prudentes.
Es
decir,
entiende
las
alternativas
que
se le presentan y las implicaciones de cada alternativa. 3. El sus asesor establece de su funcin de utilidad y elige
respuestas
tal manera que maximice la utilidad
esperada.
Si cuando ocurre
Sk(r)
es la
puntuacin
obtenida
por
el
asesor
el suceso
k-simo y si la probabilidad verdadera

,
del asesor respecto a dicho suceso la representamos por tonces su puntuacin esperada subjetivamente es S(r,p)
,
en-
donde
S(r,p)
. Sk(r)
k Diremos que una regla de puntuacin es propia estrictamente si:
S(p,p)
>
S(r,p)
para todo
r #
Esto significa que con tal funcin el asesor maximizar su puntuacin esperada subjetivamente si y slo si presenta
sus probabilidades verdaderas.
Las
reglas
de
puntuacin
postulan,
en
primer
lugar,
la existencia de una distribucin de probabilidad verdadera impl cita en el asesor. Sin embargo, frecuentemente los asesores no
conocen exactamente cules son sus opiniones probabilstica ver
278
daderas. sores a
En segundo lugar, maximizar sus
aunque la teora estimula a los aseesperadas subjetivamente,
puntuaciones
las reglas de puntuacin no tienen en cuenta el coste del procedi miento de valoracin de hacer por parte del asesor. es un Es decir, el coste que
subjetivo
una valoracin
factor
importante
no debe ignorarse. En tercer lugar las reglas de puntuacin estn establecidas de tal manera que pueden no ser entendidas por perso nas con las falta de experiencia matemtica. de puntuacin sern Por esta razn por otras a veces personas
reglas
establecidas
en lugar de por los asesores mismos, si stos no estn capacitados que para entender de las dichas reglas reglas. de Finalmente no se son ha demostrado
muchas
puntuacin
significativas
en el sentido de que las diferencias entre las puntuaciones esperadas atribuibles Es decir, a si diferentes probabilidades no son siempre
grandes.
ante diferentes probabilidades formuladas mediante dichas
las diferencias entre las puntuaciones esperadas,
reglas de puntuacin no son significativas, dicha regla de puntua cin no fomentar necesariamente valoraciones precisas.
La evidencia emprica de de puntuacin es evaluar de
sobre
los efectos de las reglas
incompleta, ya que aunque existe una necesidad los asesores y las reeste propsito, si
las diferentes habilidades de pueden ser tiles
glas
puntuacin
para
se tiene cuidado en establecer de forma correcta los procedimientos de valoracin, sin embargo puede ocurrir que la valoracin
de un asesor particular cree ms problemas de los que resuelve.
279
4.5.2. El
problema del
consenso
en
las valoraciones
de
grupo
En muchas situaciones, un grupo de personas puede necesitar valorar una distribucin individual como resultado del
conjunto de opiniones del grupo. As, no solamente deben individuos en forma ser capaces de valorar que sus deben propias
estos
incertidumbres
probabilstica,
sino
encontrar la forma de
construir una distribucin de probabilidad del grupo. Este proble ma hace que surjan dificultades importantes, tanto tericas como prcticas.
Al conceptualizar los problemas de valoracin del grupo, es conveniente considerar los miembros de un grupo como un
conjunto de expertos que estn representando a una tercera persona, caso esta de situacin que el abarca dos situaciones distintas, una, el
grupo
de expertos sea realmente consultado por y un segundo caso en el que se plantee su existencia
una tercera persona ajena a ellos, esta persona no exista,
pero el grupo
hipottica o ficticia, para poder formular esa distribucin individual opinin las que representa las En opiniones de todo el grupo como una ambas situaciones tiene intefes usar
consensuada. de
reglas
decisin para transformar
varias
distribuciones
de probabilidad en una distribucin global del grupo, es decir, estamos planteando el problema de la agregacin estadstica de
distintas distribuciones de probabilidad y discutiremos mtodos de comportamiento donde el consenso del grupo se alcanza a travs
280
de la interaccin de los individuos en el propio marco del grupo. El problema del consenso ser, por tanto, determinar una distribucin individual por parte del grupo.
Siguiendo a Stone (34) la mayor parte de los investigadores conciben las valoraciones de grupo como representacin
de una fusin de opiniones, ponderado de las opiniones
que se forma tomando el promedio Pero, sta no es la
individuales.
nica forma de llegar a esa fusin de opiniones. Por tanto, plantearemos aqu algunos mtodos diferentes a quel para tratar
este problema del consenso del grupo, mtodos a los que ya hicimos referencia en el epgrafe llados de forma ms explcita. 4.2.
,
pero que aqu sern desarro
4.5.2.1. Aproximaciones matemticas
Supongamos que
expertos
E1
E2
Ek
han si-
do consultados y cada uno de ellos ha valorado una distribucin de probabilidad para un parmetro (o vector de parmetros) Sea f. ( e ) la distribucin de probabilidad del experto 1 f1( e )
,
O E.1
,
suponemos que en la valoracin de
E.1
no ha violado los satisface los
postulados de coherencia. Es decir, cada
f. ( e ) 1
requerimientos matemticos de una distribucin de probabilidad. El f.

1
problema, ( e )
entonces,
consiste
en determinar
a partir de las
la distribucin individual consensuada que representare-
281
mos por
f( e )
que representa el consenso de todas las
f. ( e ). 1
Si llamamos o expertos
al decisor que contrata a los asesores hiptetico D aunque no exista, supuestos,
suponemos un .
tal como antes planteamos ste D (decisor)
En cualquiera de ambos
es el que quiere determinar la distribucin . Existen varias aproximaciones matemti-
de probabilidad
f( e )
cas para resolver este supuesto, esto es, existen varias aproxima ciones matemticas para combinar las determinada f( e ). f.1 ( e ) de forma que quede
A.
Mtodo del promedio ponderado
Quiz el mtodo ms simple para obtener la distribucin f( O ) es tomar la media ponderada de las
k f( e )
=
distribuciones
w.
1
f. (
1
1=1
k
donde
w.1 >0
E w~=l 1=1
La restriccin de que las ponderaciones necesaria para que f(
w. 1
suman 1 es
est normalizada.
El
problema
para
realizar
esta
fusin
de
opiniones
por el mtodo del promedio ponderado est en determinar las ponderaciones para cada una de las distribuciones de los asesores
282
o
1
expertos.
,
Parece
razonable -asignar E.
1
una
ponderacin mayor f.(e)

3
,
f.( e)
y por tanto al experto E. 3 solamente si
,que a
por
tanto al experto sor que E.

3
E.1
es considerado mejor aseen los que se situe
con respecto a los parmetros
el problema. Pero la cuestin de quien es mejor asesor y en que grado no admite una respuesta objetiva y nica, tener una experiencia disponible previa, aunque podamos que podamos
es decir,
tener informacin sobre la precisin de cada experto en prediccio

nes anteriores.
La mayor
menor
bondad
del
asesor
se
plantea-
ra como un juicio subjetivo de otra persona acerca del asesor, y sta persona tendra en cuenta la experiencia disponible. Puesto que el decisor D es responsable de llevar a cabo el anlisis, l sera el encargado de valorar subjetivamente las ponderaciones. Operando as D asignarla cualquier valor no negati yo a cada i=l 1 podra usar una de las siguientes reglas para determinar las ponderaciones, con tal de que la regla en cuestin est con sus juicios. de acuerdo w. 1
,
con tal que
k
E
W.
En muchos casos,
Regla
A.1. Ponderaciones iguales regla propone un esquema de ponderacin w.1

=
Esta
simple
...,
que asigna iguales ponderaciones a cada miembro del grupo.
1/k
para
1,2,
En este caso el decisor (D) no tiene
razn para pensar que hay mucha diferencia entre las capacidades de los E. 1 y por ello asigna ponderaciones iguales.
283
Aplicando esta regla,
el resultado de la distribucin f.( e ), por 1
de probabilidad consensuada sera el promedio de las tanto

k E f.
1
(e)
f( e )
lii
_____________
Regla
A.2. Ponderaciones proporcionales a una ordenacin E.1 de 1 a k se
Este mtodo consiste en ordenar los gn su bondad

,
donde
la categora o posicin ms alta de al mejor asesor. E. 1 pueden Esta regla supone ser clasificados de ellos,
esta ordenacin corresponde que el decisor de esta forma, D
piensa que los
ya sea por el conocimiento que posee
ya sea porque el grupo de asesores haya sido compuesto de esta forma.
En este caso las ponderaciones asignadas a los
E.1
son
r k
E
r=l con rango r

para r
=
1,2,
...
284
Regla
A.3.
Ponderaciones proporcionales a una autovalo racin (o autoordenacin)
En este expertos en mayor
caso,
es
el propio grupo bondad,
quien ordena a sus
o menor
siendo el mtodo elegido E.1 se auto-
por el grupo el de la autovaloracin, esto es, cada
valora en una escala de 1 a c , donde c expresa la valoracin ms alta y 1 la ms baja. Entonces se asigna a cada E.
1
una ponderacin proporcional a su autovaloracin,
donde la cons-
tante de proporcionalidad es determinada para que las ponderaciones sumen 1
La racionalidad de esta regla se encuentra en que una persona puede ser un experto en un campo dado, pero su experien-
cia puede variar de un tema a otro del mismo campo y la persona, por ella misma, puede ser la que mejor juzgue cmo es de competen te respecto al tema o parmetros especficos. En esta misma racio nalidad puede residir el peligro de esta regla, al ser posible
que la autovaloracin se descompense por la propia sobreestimacin (o subestimacin) de cada experto.
Regla
A.4.
Ponderaciones basadas en alguna comparacin

de distribuciones valoradas previamente con
resultados reales Obviamente por la propia definicin de esta regla,
el mtodo se basa en la experiencia de resultados reales previos
285
que mediante comparacin han clasificado de alguna forma la bondad de los expertos.
Ahora bien,
el
problema se plantea
al
pensar en
cmo
establecer estas comparaciones. Por una parte Winkler re algunas hacer reglas dichas de puntuacin (o Por tanteo) otra que parte
(35) sugieusarse (36)
podan
para
comparaciones.
Roberts
sugiere
establecer
las
razones
de verosimilitud para comparar
la habilidad predictiva de los expertos y esto implicara, como

ya vimos, la aplicacin del teorema de Bayes para revisar formalmente las ponderaciones de experiencias reales anteriores, actua lizandolas a partir de una determinada observacin formulada.
Estas cuatro reglas son meramente sugeridas como aproxi maciones convenientes. Las valoraciones finales de las ponderado
nes tiene que establecerlas el decisor D y ste usara las
reglas solamente si
las ponderaciones resultantes no estuvieran
en desacuerdo con sus juicios.
Obsrvese
que,
segn
hemos
propuesto
al
principio,
puede no existir realmente el decisor pio grupo elegira la regla ms
D . En este caso, el propara la resolucin
conveniente
del problema teniendo en cuenta los parmetros de ste.
286
B.
Otros mtodos
B.1.
Mtodo de DeGroot
(37).
Un mtodo interesante propuesto por DeGroot para alcan-
zar el consenso de grupo, consiste en lo siguiente: cada miembro

del grupo debe valorar primero una distribucin pus de confrontara con las distribuciones
f 11 ( e ) para des
obtenidas por los
otros miembros del

las otras
grupo,
revisa su propia opinin a la luz de

una valoracin grupo. Cada de la importancia revisada se
opiniones, de cada
haciendo del
relativa
miembro
opinin
obtiene de la forma k f 12 (e)

=
j=
p..f.
13
31 (~)
donde
los subndices
se refieren a las distribuciones p~ por es la ponderacin el individuo i
revisada y no revisada respectivamente; y
correspondiente
a la
importancia
asignada
al miembro del grupo

k y
E
P..
13
paratodo
1=1,2,3,
...,
j=
Dado
que
cada miembro del grupo revisa de esta manera para que sta sea consistente con las demas. de actualizacin de sus propias distribu-
su propia opinin,
Continuando el proceso ciones,
a la luz de las revisiones de las de los dems miembros,
hasta que deje de haber variaciones en las nuevas revisiones.
287
DeGroot demuestra que este proceso puede interpretarse dentro de la teora de de lmite de dicha las cadenas de Markov y los teoremas
teora pueden utilizarse
para ver si existe
la distribucin
de consenso y caso de que exista determinar cual
es. Puesto que adems de las valoraciones originales de las distribuciones de cada miembro del grupo, los nicos juicios suple-
mentarios que se necesitan son las ponderaciones ce que este mtodo sea lo suficientemente
p1~
esto ha
simple como para ser
recomendado.
B.2.
Mtodo de Eisemberg y Gale.
Eisenberg
en un hbil
Gale
presentan
para
tambin un mtodo basado

combinar distribuciones de
esquema
mecnico
probabilidad, que se basa en el mtodo de apuestas totalizador. Por apartarse bastante del inters general de este trabajo, no
exponemos aqu este mtodo que puede encontrarse en (38).
B.3.
Mtodo de las distribuciones conjugadas naturales. Otra alternativa para la fusin conjugadas cada de opiniones es el
mtodo Winkler grupo y,
de
las
distribuciones Con este que
naturales propuesto por de un miembro del
(39).
mtodo
opinin una del
consideramos formar la a
constituye final
experiencia grupo, se
muestral
para
valoracin priori,
combinan las conjugadas
distribuciones
que
Winkler
denomina
288
naturales
mediante sucesivas aplicaciones del teorema de Bayes. este mtodo es determinar difcil de aplicar puesto que las ponderaciones asignadas a
Desafortunadamente no slo es
necesario del
cada miembro
grupo
sino que tambin hay que establecer el
grado de dependencia de las muestras ficticias que recogen los datos de las opiniones de cada miembro.
4.5.2.2.- Aproximaciones behavioristas
Como dejamos apuntado en el epgrafe
4.2.
los behavio
ristas aplican al problema del consenso de grupo mtodos no matemticos, intentando resolver este problema mediante dos aproximaciones, que se basan fundamentalmente en aspectos del comporta-
miento de los individuos que componen los grupos. Estas aproximaciones son:
A.
Mtodo de revaloracin y realimentacin (feedback) cada individuo del grupo).
(para
Este mtodo considera que cada miembro del grupo vuelve a valorar su distribucin de probabilidad, supuesto que esta
estuviera ya establecida, valoraciones de
despus de obtener informacin de las mediante
sus compaeros del grupo de expertos, E.1
un proceso de feedback. Si cada experto

~.
vuelve a valorar su
( e )
1
despus de realizarse el proceso de realimentacin de in
289
formacin,
el
resultado E.1
,
sera en
an de de
distribuciones,
una
por cada experto
lugar
una sola distribucin como
representacin del grupo, que es el objetivo planteado. El proceso de realimentacin se realiza que conduzca a un acuerdo entre n veces de forma repetida hasta los expertos para as resolver
el problema, puesto que tenderamos a aproximarnos a una distribu cin es limite si el nmero de veces grande. La razn que se realiza el feedback por la que se llegara a
suficientemente
esta situacin de convergencia o consenso dependera de la cantidad y naturaleza de las diferencias originales entre las distintas valoraciones, y el juicio que cada experto tenga sobre la
bondad de los otros expertos. Por ejemplo, supongamos que todas las distribuciones, e) y menos una o dos, son muy similares y sean
f2( e ) las dos distribuciones de probabilidad ms diferentes a las dems. Si E1 y E2 tienen confianza en los juicios de los restantes haciendolas k-2 expertos, a las podran cambiar de los otros. sus Por
distribuciones
similares k
otra parte, supongamos que las
distribuciones no son en abso-
luto similares y cada experto tiene ms confianza en sus juicios que en los juicios de sus compaeros de grupo, en este caso puede ser que el proceso de feedback y revaloracin no conduzca a
un acuerdo, y en el caso que si llegara a un acuerdo sera despus de un alto nmero de veces en que se repitiera el proceso. Entre estos dos casos extremos se encontraran todos los posibles.
La tcnica de realimentacin y revaloracin puede ser de utilidad tanto si conduce como si no conduce a la convergencia
290
en el sentido indicado antes. En el caso de que la convergencia ocurra el problema del consenso quedara prcticamente resuelto a falta de especificar completamente la distribucin de probabll dad f( e ) . Si este proceso no conduce a la convergencia, una realizar el anlisis formal con cada una de
alternativa seria las k
distribuciones individuales por separado y comparar los
resultados.
E.
Mtodo de revaloracin del grupo
Con antes, cada nuevo sus las E
la
tcnica es .
de
feedback y revaloracin expuesta para valorar de le presentan
preguntado individualmente Aunque al experto los otros E.1 se
f.( e) 1
distribuciones de de feedback,
expertos cuando se realiza el no existe contacto directo
proceso
sin embargo,
entre los miembros del grupo. Otros mtodos que implican revalora cin si permiten tales contactos entre los miembros del grupo,
y estos mtodos son los mtodos de valoracin de grupo. Los estudios experimentales que utilizan mtodos de revaloracin de grupo investigan los efectos de la interaccin del grupo.
Puesto que recoja la
que
se
necesita del
una
distribucin el
individual
opinin global
grupo,
procedimiento ms
simple consistira en reunir a los miembros del grupo presentndo les los resultados del proceso de feedback e instruirles para
discutir el asunto y llegar a un consenso individual o distribu
291
cin de grupo.
Este proceso es comparable lleva
al de elaboracin de adems
una decisin que
implcito factores de otro tipo,
de las distribuciones de probabilidad. Los factores de otro tipo podran ser, por ejemplo, las funciones de utilidad de los expertos, y entonces el consenso de grupo tendra que elaborarse consi derando dichas utilidades adems de las distribuciones de probabi lidad de los parmetros.
El contacto entre los expertos y su objetivo de acordar una distribucin individual conducira a entrar en factores sicolgicos. Por ejemplo, alguno de los te sobre E.1 puede influir fuertemen
los otros miembros del grupo y puede dar sensacin de
unidad incluso sin que el grupo est de acuerdo, dado el liderazgo que ese miembro del grupo ejerce sobre los dems. de este supuesto lder de grupo, esto es La opinin la
su valoracin de
distribucin de probabilidad,
en trminos de la discusin antef.( 6 ) 1 seran
rior sobre ponderaciones, significa que algunas ms ponderadas que las dems
en la determinacin matemtica de f( e ) del grupo.
la distribucin consensuada
Para evitar grupo
la
influencia posibles
de este
supuesto
lder
de
y para evitar otras
influencias
por diferentes
motivos sicolgicos,
es recomendable que cada miembro del grupo f.( e ) 1 individuales, despus
de expertos vuelva a valorar sus del acuerdo del grupo sobre
f( e )
Esto puede reflejar mejor
sus juicios reales a posteriori, a la vez que capacita al grupo, una vez que ha estudiado la forma de convergencia de sus
292
valoraciones,
para futuros problemas de esta ndole. Esta nueva
situacin de discusin puede servir para rechazar la distribucin consensuada individual f( 6 ) y llegar despus de una nueva revaloracin el proceso cuantas veces sea necesario f( 6 )
,
repitiendo
para conseguir una mejor mejor consensuada.
al menos en el sentido de
Los mtodos de grupo difieren de los discutidos previamente en que permiten a los miembros del grupo estar el problema, aunque debe indcarse que esto juntos y slo es
discutir
posible hacerlo en el caso de que sea econmicamente factible. En muchos casos, el coste de reunir a un grupo de expertos seria muy grande justificar tambin todos. pero, el si el problema es suficientemente a un determinado el nmero de serio para expertos,
consultar serlo
podra
para justificar
coste de reunirlos a
En definitiva,
la magnitud del problema condicionar el el factor econmico no es pero este problema de estudio que aqu
factor econmico.
En cualquier caso,
posible olvidarlo en la toma de decisiones, constituira por si slo un amplio campo
dejamos abierto para posteriores trabajos.
293
4.6.-
Caracterizacin subjetiva
conjunta de la utilidad y la probabilidad
Para finalizar este capitulo, pasamos a estudiar conjun tamente la probabilidad subjetiva y la utilidad ya que como se
indic en el primer capitulo de esta tesis doctoral dicho tratamiento este conjunto merece de una
atencin
en
especial.
ese
Recordemos,
captulo,
que
se
asunto
adems
mencionarse
primer
ha tratado a lo largo de ste cuarto captulo en el punto dedicado a la axiomtica de Fishburn. El intento, por tanto, de este
apartado es estudiar ms extensamente la relacin conjunta preferencia-utilidad-probabilidad repetirn ideas subjetiva. En algunos casos, se
formuladas anteriormente,
que utilizaremos para
dar una imagen total graf e.
del problema objeto de estudio de este ep-
Comenzamos con unas referencias al tema de la utilidad. En la literatura econmica clsica, que se hace y sobre la utilidad es cardinal. la distincin ms importante la distincin El trmino entre utilidad ordinal
ordinal
utilidad
utilidad
se refiere nicamente mientras que y el si
al supuesto del orden entre las utildades, cardinal cumpliera est ste referido al se exige, supuesto al menos, de la
trmino no se
aditividad, unicidad en neal.
la asignacin numrica salvo una transformacin li-
294
Durante el teora econmica se
siglo XIX era bastante comn creer que la desarrollara solamente sobre la base de
las funciones de utilidad ordinales,
siendo Pareto
(40) uno de
los grandes contribuidores a dicha teora.
La teora de las funciones de utilidad ordinales trata precisamente sobre otra. con la preferencia cualitativa de una alternativa
Para aplicar el anlisis matemtico en este marco,
lo primero que se necesita es la representacin de la preferencia en forma de una funcin de utilidad numrica. Una vez que tal
funcin numrica est construida se puede usar para desarrollos tericos posteriores con la posibilidad de aplicar instrumentos
matemticos estndar a los problemas de comportamiento. Por esta razn trataremos una serie de teoremas generales sobre la existen cia de funciones de utilidad numrica que reflejan la estructura de preferencia cualitativa. La teora de las funciones de utilidad ordinales fu de hecho desarrollada para responder a algunas cuestiones del comportamiento del consumidor. Por ello, vamos
a esbozar el marco de estas cuestiones.
Supongamos en el tiempo
que
el
consumidor
tiene
unos t0
ingresos
t0 (consideremos el caso de que
sea esttico,
evitando as la referencia explcita al tiempo). Con estos ingresos el consumidor puede comprar un conjunto de artculos de consu mo x
=
que
(x1
vamos
, ... ,
describir
por
un
vector
ndimensional
real
donde la componente isima expecifica n la can~idad que es consumida del articulo i . Siguiendo la nota-
x )
295
cin estndar,
que x i
,
decimos que el vector

x >x Como
,
nupla
es mayor
en smbolos x. >x
1
si para todo de
x1> x ~
para
algn
fundamento
la teora de la demanda
del consumidor se introduce una relacin de preferencia los vectores de artculos. La relacin
to Los del de artculos M y x es preferido del consumidor, su
sobre
y se lee: el conjun
de artculos corrientes preferencia P y.
al conjunto los precios
ingresos mercado,
la estructura de
relacin de
determinan la eleccin de los artculos.
Adems de la relacin cir una relacin que de de dos 1
es tambin necesario introdupara que no sea razonable
de indiferencia,
conjuntos
distintos
de
artculos uno
cualesquiera
al e R 1 otro. por
ellos
sea
necesariamente para
preferido
estrictamente P
En muchos
casos,
abreviar,
reemplazaremos R . La relacin
la relacin de preferencia dbil respecto de P
representa
,
lo mismo que la relacin numrica

>
>
represen-
ta respecto de cias evidentes:
. Tenemos por tanto, las siguientes equivalen-
x x x
R 1 P
y y y
siyslosi siyslosi siyslosi
xPy xRy xRy
e yno
xly yRx yRx
Los siguientes postulados cin de preferencia dbil R
sobre
la estructura de relaintuitivos y
son razonablemente
garantizan la existencia de una funcin de utilidad.
296
DEFINICION
1.
Una relacin nupla de
sobre el conjunto de todas las (vectores ndimensionales) los siguientes cualesquiera n
artculos
es una relacin de preferencia si postulados uplas x

,
se y
,
satisfacen, z
para
Postulado 1.
Transitividad
Si xRy
yRz
entonces
x Rz
Postulado 2.
Conexidad
x Ry
yRx
Postulado 3.
No saturacin completa
Si
x>y
entonces
x Py
Postulado 4.
Continuidad Si x R y
X
y R z
entonces existe un nme y
roreal [Xx
+
talque
O<A<1 y
(1 X)
z]
De
estos
cuatro
postulados,
los dos primeros
son los
ms generales y cuando stos cin o xRy R del e es una relacin dos
se satisfacen, decimos que la relade orden que se dbil. Se entiende que el ambas relaciones
axioma yRx.
incluye
cumplan
297
El
siguiente
teorema
nos
garantiza
la
existencia
de
una funcin de utilidad.
TEOREMA 1. Sea R una relacin de preferencia sobre el conjun-
to de nuplas de artculos en el sentido de la definicin 1. Entonces existe una funcin de utilidad u
que satisface u(x) u(y) si y slo si x R y
>
El problema de la representacin numrica de las preferencias no queda completamente resuelto demostrando la existencia de una funcin de utilidad sino que para conocer el alcance en
que los mtodos numricos de anlisis pueden aplicarse es necesario tambin que dicha funcin de utilidad sea nica. Referente
a este problema de unicidad enunciamos el siguiente teorema:
TEOREMA 2. Sea R una relacin de preferencia en el sentido de
la definicin 1. Entonces para cualesquiera dos funciones de utilidad que satisfagan la condicin: u(x) estn u(y) si y slo si x R y
>
relacionadas mediante una transformacin monto-
na creciente.
298
Siguiendo en el contexto del comportamiento del consumidor, es tambin importante aadir el supuesto, hecho en la
segunda mitad del siglo XIX por los economistas Jevons y Walras, referente a que la utilidad de una nupla o vector ndimensional
de artculos es la suma de las utilidades de las componentes
individuales, es decir,
u(x1
..
xn)
u1(x1)
...
u n(xn)
como ya qued reflejado al tratar la axiomtica de Fishburn.
4.6.1. La utilidad esperada
La de hacer la
teora
ordinal
de
Pareto
(40),
a la que
acabamos domin de este
referencia
en la introduccin de la utilidad
de este apartado, el comienzo
teora econmica
desde
siglo
hasta
la
publicacin del
tratado
sobre teora de juegos
de Von Neuman-Morgenstern de 1944 (41) que termin con el supues-
to de que el individuo al elegir entre las alternativas posibles, no tiene incertidumbre acerca de las consecuencias de estas alter nativas. Una vez que se admite la incertidumbre en las consecuencias, ninguna teora ordinal de eleccin puede ser completamente
299
satisfactoria. La hiptesis de la utilidad esperada que fu formu

lada por primera vez por Daniel Bernoulli
(42) es una aproxima-
cin importante sugerida para elaborar decisiones en el contexto

de resultados debe
inciertos.
elaborar
La idea fundamental
una decisin entre
es muy simple:
el
individuo
varias alternativas
posibles.
Estas
decisiones
tendrn
distintas
consecuencias,
ordinariamente las consecuencias no estarn solamente determinadas por por que el la decisin estado de tomada sino que estarn afectadas tambin (condiciones o contexto en el
la naturaleza
la decisin se toma).
Suponemos que el sujeto establece una
funcin de utilidad sobre las consecuencias posibles, y que tiene igualmente establecida una funcin de probabilidad sobre los
posibles estados de la naturaleza. Segn la hiptesis de la utili dad esperada, el decisor selecciona una decisin o curso de
accin que maximice su utilidad esperada.
En la determinacin de la utilidad esperada intervienen, como es lgico, las probabilidades de los estados y la utilidad numrica de las consecuencias que resultan de tomar una decisin con cada uno de condicin [9 1 los estados posibles, del epgrafe 4.4.7. tal como se expuso en la
Como nuestro bojetivo es establecer la relacin coordinada de los conceptos preferencia-utilidad-probabilidad subjetiva, no nos extenderemos ms sobre este punto de la utilida esperada, que ya habamos tratado.
300
4.6.2. Sistemas de axiomas para la caracterizacin conjun ta de la probabilidad subjetiva y la utilidad
Consideramos la aproximacin de
la
direccin
ms
importante
en
la
que
Von Neuman-Morgestern ha sido generalizada,
es decir, numrica
la deduccin de una funcin de probabilidad subjetiva as como de una funcin de utilidad, a partir de los
postulados cualitativos sobre preferencias entre elecciones.
En
muchas
situaciones
en
las
que
un
individuo
debe
decidir o elegir entre varias alternativas, no existe una medida de probabilidad cuantitativa disponible para ser usada para evaluar la utilidad esperada de esas alternativas. Por ello, vamos a utilizar un sistema de postulados sobre decisiones que produzcan medidas de utilidad y probabilidad, extendiendo por tanto
el dominio de aplicacin del principio de la utilidad esperada.
Una pequea reflexin sobre el problema de las condicio nes estructurales de axiomatizacin conjunta que son suficientes para producir medidas de utilidad y probabilidad subjetiva, sugie re dos formas diferentes de proceder. de tal La primera consiste en
intentar
formular axiomas de
forma que
obtengamos
primero
una medida
la utilidad que despus ser usada para obtener
una medida de probabilidad subjetiva. La otra aproximacin procede en orden inverso, esto es, formula los axiomas que permiten
obtener en primer lugar una medida de la probabilidad subjetiva la cual se usar despus para medir la utilidad.
301
En la aproximacin de Ramsey
(43)
la utilidad se mide
en
primer
lugar.
La idea esencial
de este autor era encontrar

1/2
,
un suceso aleatorio con probabilidad subjetiva
entonces
usar este suceso para determinar las utilidades de los resultados,
y finalmente aplicar la funcin de utilidad construida para medir las probabilidades subjetivas de los estados de la naturaleza.
Esta teora se basa en un simple juego de una persona con dos opciones y dos
estados de la naturaleza.
Para realizar
este mtodo, lo primero que hay que dejar claro es que uno puede
establecer un suceso aleatorio con probabilidad subjetiva 1/2
sin tener previamente una medida cuantitativa de la probabilidad. El sujeto elegir entre las dos opciones mostradas en la siguiente matriz:
opcin
opcin
Si el sujeto elige E
,
la opcin a .
y si ocurre el suceso Sin embargo, si ocurre
entonces E 2
recibe el
resultado
el suceso la opcin c
,
recibe el resultado y ocurre el suceso E
b . Por otra parte, si elige entonces recibe el resultado d .
mientras que si ocurre los estados de
recibe el resultado siendo E el
de
son E.
la naturaleza
contrario
302
Si el y si tuvieramos de
sujeto elige una funcin u
la
opcin
sobre
la opcin s
2 y
de probabilidad definida sobre
subjetiva
una funcin
utilidad
las consecuencias
o resultados,
con el principio
de la utilidad esperada subjetiva
expresariamos su eleccin mediante la siguiente desigualdad:
[1]
s(E)
. u(a)
s()
u(b)
>
8(E) u(c)
s(~).. u(d)
Si
el
sujeto se
manifestase
indiferente
ante
las
dos
opciones, la desigualdad se convertira en la siguiente igualdad:
[2]
s(E)
. u(a)
s()
. u(b)
s(E) u(c)
s(~) u(d)
Ahora intentamos todo par de alternativas a
encontrar un suceso y b se verifique:
E*
tal que para
[3]
s(E*) u(a)
s(*)u(b)
s(E*)
u(b)
s(*)
. u(a)
En los trminos de la matriz anterior esta ltima ecua cin significa que los resultados de las dos opciones pueden
ser expresados ahora como sigue:
opcin opcin
1 2
a b
b a
303
Si [3] que:
u(a) ~
u(b)
resulta inmediatamente de la igualdad
[4)
S(E*)
S(*)
en el
supuesto de que las probabilidades subjetivas s(E*)

=
sumen la unidad entonces
1/2 . Suponemos que las probabi
lidades subjetivas satisfacen los axiomas habituales de la teora de la probabilidad. Entonces hablamos de la medida de probabilidad subjetiva de un suceso, donde el suceso es dado segn la interpretacin formal usual como un subconjunto de un espacio X-. El espacio total X representa al suceso seguro y el conjunto va
do
representa al suceso imposible.
Una medida de A y X B
de probabilidad
sobre los subconjuntos
ha de satisfacer los siguientes axiomas para cualesquiera subconjuntos de X ; estos son los axiomas de la teora
matemtica de la probabilidad de la que ya hablamos en su momento.
Axioma 1.
Axioma 2. Axioma 3.
P(A)
P(X)
>
O 1
=
P(AUB)
P(A)
P(B)
si
AIIB
4>
Ya
sabemos,
como
se
coment
en
el
epgrafe
4.4.5
que se imponen algunas condiciones adicionales cuando el conjunto

X es infinito, pero en este momento suponemos que X es finito.
304
Cuando nos referimos a la medida de probabilidad subjetiva suponemos satisfacen, pongan el en que los tres axiomas que (44) acabamos de exponer se
incluso duda 3
,
aunque Edwards las
y algunos otros autores

subjetivas caso, satisfagan E*
el que de
probabilidades En
axioma
aditividad.
cualquier
poniendo
en la igualdad dentemente
[2 ]
y usando la igualdad
[4 ]
obtenemos evi-
s(E*) u(a)
s(E*) u(b)
s(E*) u(c)
s (E*)
. u(d)
es decir,
u(a) y de
+
u(b)
u(c)
u(d) la igualdad de las diferencias de
esta ecuacin deducimos
utilidad:
u(a) u(c)
=
u(d)
u(b)
Siguiendo
axiomas sobre las
la
aproximacin
de
de
Ramsey,
imponemos
los la
diferencias
utilidad
para garantizar
existencia de la funcin de utilidad
u . Para conjuntos fini-
tos de alternativas, estas ideas han sido desarrolladas por David son y podemos Suppes citar (45) y para conjuntos (46) infinitos de alternativas
a Suppes y a Winet
quienes trabajaron sobre
ese tema.
Una aaden otros
vez
que
la
medida
de utilidad
se ha obtenido en los
se
axiomas
simples
para
justificar
trminos
305
de la igualdad
va del suceso
2 ]
la siguiente medida de probabilidad subjeti [2
E . Escribiendo de nuevo la igualdad
s(E) u(a)
s() u(b)
s(E) u(c)
s() u(d)
sacando factor comn s(E) (u(a)
P(E)
u(c))
s() (u(d) .(u(d)

u(b))
=
(1
s(E)).
u(b))
(u(d)
u(d)
u(b)
s(E)
u(b)).
entonces s (E) (u(a)
u(c)
u(d)
u(b))
u(d)
u(b)
por tanto
u(d) [5 s(E)
=
u(b)
+
u(a)
u(c)
u(d)
u(b)
Para produndizar en el anlisis formal de esta aproxima
cin de Ramsey que empieza estableciendo la funcin de utilidad para despus determinar las probabilidades subjetivas de los
estados de la naturaleza, nos situamos en los axiomas de De Fine

tti para la probabilidad cualitativa formulados mediante la relacin ~~ms probable de que
,
para garantizar refleje la
la existencia de una de orden de
medida
probabilidad
que
estructura
la relacin.
306
Sea Para establecer
>
la relacin ms probable que
(dbilmente).
formalmente
>
los
axiomas es conveniente
suponer
que esta relacin
se establece entre sucesos que son subconjun

X . Es decir, usamos las nociones de
tos de un espacio total
la teora de conjuntos para representar los sucesos. Con el espacio X y la relacin cualitativa
,
>
pasamos a definir la estructura de la que ya se hizo referencia son los de De Finetti en el
probabilidad epgrafe
4.4.3
cuyos axiomas
(expuestos
en 4.4.1).
DEFINICION
2.
Un par dad
(X
.1) es una estructura de probabili-
cualitativa
si
se
cumplen
A
,
los B
,
siguientes
subconjun
axiomas, para cualesquiera tos de X
Axioma 1. Axioma 2. Axioma 3.
Si
A >B
A>B
B>C
B >A
entonces
A> C
Si
ACIC
A>B
4>
y
si y slo si
B fl C
4>
>
entonces E UC
A U C
Axioma 4. Axioma 5. no 4> >X
Los
>
dos
primeros dbil de
axiomas los
establecen de
que X
la .
relacin El tercer
es
un
orden
subconjuntos
axioma formula,
en trminos cualitativos,
el principio esencial
307
de
aditividad
para que
sucesos
mutuamente suceso
excluyentes. es ms
El
cuarto que el
axioma
establece
cualquier
probable
suceso imposible y el quinto axioma establece que el suceso seguro es estrictamente ms probable que el suceso imposible. Teniendo
>
en
cuenta
que
la
relacin
estrictamente
ms
probable
se define por
A>B
entonces el quinto
si y slo axioma se
no
B>A
podr
formular
tambin
como:
X >4>
Formulamos a continuacin algunos teoremas que permitan
reconocer las propiedades que tiene esta estructura de probabilidad cualitativa. En estos teoremas es conveniente utilizar la
relacin menos probable que definida de la siguiente forma:
AA
Teorema 1.
Si
ACB
entonces
A<A y AflB= 4>

entonces
<
A Li B
Teorema 3.
Si A>B entonces B
>
308
Teorema 4.
Si A>B
C>D
AflC=4>
entonces
AUC
>BUD
Teorema 5.
Si AUB
>
CUD
CC1D
4>
entonces A>C B >D
Teorema 6.
Si B>B B>C y ~ entonces
Con estas propiedades reflejadas en los teoremas, nos preguntamos si se garantiza la existencia de una medida de probabilidad
A y B
numrica
de X
tal
que
para
cualesquiera
subconjuntos
se verifica que:
[6
P(A) .1 P(B)
si y slo si
AIB
Si
cin 2
X
no
es un conjunto infinito los axiomas de la defini

son suficientemente fuertes para garantizar la
existencia
de
tal
medida
de probabilidad.
Sin
embargo,
si
se
309
aaden
supuestos estructurales 2
especiales
los
axiomas
de
la
definicin
es posible garantizar la existencia de la medida [6]

. Una solucin
de probabilidad que satisfaga la condicin para el caso finito ha sido encontrada por
Scott,
del que ya
hablamos en el epgrafe necesarias y suficientes
4.4.6. Tambin encontraron condiciones para la existencia de una medida de
probabilidad Kraft y otros autores, pero sus condiciones multipl cativas son al de difciles tratar Scott de entender. Sin embargo, como tambin Scott, La la
comentamos formulacin
anteriormente gana
la axiomtica de y claridad.
en simplicidad
idea
central de la formulacin de este autor, recordemos que era imponer una condicin algebrica sobre las funciones caractersticas
de los sucesos. Scott comienza estableciendo la relacin

>
binaria
,
sobre
el conjunto de todos
los subconjuntos de
siendo
un conjunto finito y no vacio, entonces la estructura una serie de axiomas que no repetiremos
(X
satisface
aqu
ahora
pues se encuentran en el epgrafe
4.4.6.
A continuacin Scott
establece que la condicin necesaria y suficiente para que exista una [6 ] medida de probabilidad P que satisfaga la condicin
es que se cumplan dichos axiomas (este teorema tambin se
encuentra enunciado en el epgrafe 4.4.6).
Si
es infinito se han demostrado algunas condicio-
nes estructurales fuertes que son suficientes pero no necesarias. Por ejemplo,
para que
De
Finetti
(47)
y Koopman
de X
,
(48)
usaron un axioma en con
exista una particin
de forma arbitraria, axioma, junto
sucesos equivalentes
en probabilidad y este
310
el de la definicin
es suficiente para probar la existencia
de una medida de probabilidad numrica. Podemos aadir que Scott
ha mejorado
estos
resultados
anteriores que
para el y
caso
infinito
y ha encontrado
propiedades
son necesarias
suficientes,
pero que no formularemos aqu para no extendernos en exceso en este epgrafe.
Nuestra
intencin,
es
este
epgrafe,
era
considerar
conjuntos de axiomas que caractericen a la utilidad y probabilidad subjetiva de manera conjunta. Hemos hablado de las aproximaciones de Ramsey, De Finetti y Scott como aproximaciones alternativas, no haciendo ms que breves referencias a estos dos ltimos ya que hablamos expuesto sus teoras con anterioridad.
Siguiendo
conjunto de de Savage,
nuestro
objetivo
comentamos
este
estudio
utilidad y probabilidad subjetiva con la axiomtica

ya que este es el ms conocido conjunto de axiomas
que hemos estudiado.
Savage parte de una relacin de sobre las decisiones

del conjunto F de 5
preferencia
dbil
<
o acciones siendo las decisiones funciones
de los estados de la naturaleza en el conjunto

En trminos de la relacin
<
las consecuencias.
es com-
pletamente sencillo definir una relacin correspondiente de prefe rencia sobre las consecuencias, y una probabilidad comparativa
sobre los estados de la naturaleza. Suponiendo estas dos relaciones adicionales,
los
siete
postulados
de
Savage que ya fueron
311
formulados en el epgrafe 4.4.3. nos van a servir como base para establecer un teorema que veremos ms adelante que garantiza
conjunta de una funcin de probabilidad subjetiva
la existencia sobre cias.
los estados y una funcin de utilidad sobre las consecuenExponemos brevemente esos axiomas, con una interpretacin
ms ajustada a nuestros propsitos en este epgrafe, para dejar constancia aqu de las hiptesis de este importante teorema.
1.
La relacin
<
es un orden dbil
en el conjunto
de
las decisiones.
2.
Dadas
dos decisiones restringidas a un subconjunto de los

entonces una es debilmente preferida a la otra.
estados,
3.
Dadas dos decisiones,
que tienen un resultado o consecuenB de los estados de
cia constante sobre un subconjunto
la naturaleza, entonces una decisin es debilmente preferida a la otra, dado el suceso B

,
si y slo si
el resulta-
do constante de la primera decisin es dbilmente preferido al de la segunda decisin.
4.
Para cualesquiera dos conjuntos de estados de la naturaleza

A y B A uno
<
es B
dbilmente ms
probable que el otro, es
decir:
<
5.
Todas las consecuencias no son igualmente preferidas.
312
6.
Si la decisin ces
es estrictamente preferida a finita de

coincide en con
enton-
existe una particin

con de la g y h
5 h
g g
tal
que si
coincide elemento la misma
excepto en un
y h tienen
particin, f g
la cual
consecuencia a h y
entonces es
es
estrictamente preferida a
preferida h.
estrictamente
7.
Si al
cualquier menos
consecuencia
posible
de
la
decisin f
es g
tan atractiva
como la f
decisin
entonces
es dbilmente preferida a
Sobre guiente teorema:
la base de
estos
axiomas,
Savage prueba el
si-
TEOREMA
(Recordemos la notacin utilizada en el epgrafe 4.4.3)
Si
(5
<
es un sistema que satisface los (1 a 7) entonces existe una fun-
postulados anteriores
cin de probabilidad subjetiva tos de 5
sobre los subconjun u ~

y g
y una funcin de utilidad
sobre ~2 ~
de
F n
F
tal que, para cualquier particin finita,

de 5 y cualesquiera funciones f
constantes sobre los elementos de la particin si y slo si

E
i
p(5)
1
[~(s.)] <
1
~ p(s.) u[~(S.)]
1 1 1
313
Desde niente ms serio a sta es el
el punto de vista del comportamiento el inconvede la teora de Savage y de todas las similares de las decisiones que tienen un resultado o
uso
consecuencia constante independiente de los estados de la naturaleza. En la prctica real es raro que tales decisiones sean reali zables. Desafortunadamente parece no ser un mtodo sencillo de
poner en prctica. En la discusin tcnica de Savage, las decisio
nes constantes se usan para definir la ordenacin sobre las conse cuendas y sobre los estados.
Volviendo a la lnea general del
tema que nos ocupa,
en que las medidas de probabilidad subjetiva y utilidad se establecen en un slo estudio e incluso a veces en la misma sesin experimental y las prediciones se hacen a partir de ambas medidas, podemos decir que en general la medida de utilidad precede
a la medida de probabilidad subjetiva.
El
primer
intento
de
medir
la probabilidad
subjetiva
experimentalmente fu realizado por Preston y Baratta nao Toda la (50) propuso un mtodo que es de juego
(49). Masa
bipersonal para medir al procedimiento
probabilidad
subjetiva
muy
similar
de juego de subasta de Preston y Baratta.
Es importante tambin recordar la axiomtica de Fishburn que expusimos en 4.4.7. la cual

proporciona una distribucin
de probabilidad nica sobre contexto de un modelo de
los estados de la naturaleza en el y este modelo es
utilidad esperada,
314
consistente establece de
con la relacin el modelo: X si
<
5
no es
preferido
a.
Fishburn
as
es el conjunto de los estados U

,
la naturaleza, de X
el conjunto de las consecuencias, 5 en X

,
el s ~ 5
conjunto f(s)
E
las acciones de
siendo
(recordemos que esta notacin es distinta a la usada
por Savage, y que durante todo el trabajo respetamos las notaciones originales de los distintos autores). Entonces, bajo los
axiomas expuestos en 4.4.7., existe una funcin de valores reales

u
ir
sobre
y una medida de probabilidad finitamente
aditiva, tal que
sobre el conjunto de todos los subconjuntos de f

,
para todo
f ~g
condicin ya que la que
si y slo si
es equivalente
,
E [u(f(s)
a la
ir]
<
E [u(g(s))
,ir]
[9 ]
del epgrafe E [ u(g(s)

,ir
4.4.7., ] ) es
E [u(f(s))
ir]
(y
de
anlogamente u(f(s))
esperanza
matemtica
ir
con respecto
a la medida
de probabilidad
La medida de probabilidad
ir
est determinada de manees nica salvo una transu puede estar o no
ra nica y la funcin de utilidad formacin lineal positiva. La
funcin
acotada, sin embargo, est acotada si existe una particin numera ble de 5 donde cada elemento de la particin tiene probabilidad
ir
positiva respecto de
No hay
restricciones
sobre
excepto que son conjuntos no vados y
contiene al menos
dos elementos.
315
Fishburn la aproximacin
en
un
estudio en
posterior
(51)
generaliza una axioma
anterior y
particular
ir
introduce
de preferencia que implica que
es numerablemente aditiva.
Merece
a este de un
la
pena
Pedro
tambin
E.
sealar el
estudio
realizado
respecto por mtodo
Ferreira
(52) donde sobre la base

por un doble uso de la
axiomtico
caracterizado
teora de
la utilidad
de Von Neuman-Morgestern y una condicin ~

,
de continuidad monotona sobre

gas,
similar a la usada por Ville-
cuya teora expusimos en el epgrafe 4.4.5., da una defini-
cin
constructiva de
probabilidad
subjetiva semejante
a la
de
Anscombe y Aumann. la
La continuidad montona capacita para probar

iT
,
a-aditividad de la probabilidad
cuestin resuelta por
Villegas en el epgrafe citado.
316
NOTAS AL CAPITULO
IV
(1) (2)
James BERNUOLLI. Ars Conjectandi. Basilea 1713. Cedric A. B. SMITH. Personal Probability and Statistical Journal of the Royal Statistical 479. ses
Analysis.
Society. 1965, serie A, vol. 128, pg. (3) Bruno DE FINETTI. sources La prvision: ses bis
logiques, de
subjectives.
Annales
lInstitut
Henri Poincar, (4) R. L. WINKLER. The
1937, vol. 7, pp: of subjective
168. probability vol. 15,
consensus
distributions. Management n2 2, 1968, pp: 6175. (5) R. B. WILSON. The theory of
Science,
sindicates. 119131.
Econometrica,
1968, vol. 36 n~ 1, pp: (6) N. DALKEY. An experimental
study of group opnion. Futu408426.
res 1969, vol. 1, n~ 3, pp: (7) B. DE FINETTI.
Method for Discriminating Levels of Partial
Knowledge concerning a Test tem. The British Journal of Mathematical and Statistical Psycho bogy, 1965, vol. 18, pg. 117.
(8)
Robert
L.
WINKLER.
The Assessment of Prior Distributions
in Bayesian Analysis. Journal of The American
Statistical
776800. (9) C. VILLEGAS.
Association,
1967,
vol.
62
pp:
Qn qualitative probability
a-algebras Annals
of
Mathematical
1787.
Statistics,
1964,
vol.
35,
p.
317
B. DE FINETTI. Sul significato soggetivo della probabilita. Fundamenta 298329. Mathematicae, 1931, vol. 17, pp:
(10) (11)
B. DE FINETTI, 1937, op. cit. Bernard O. KOOPMAN. The axioms and algebra of intuitive 1940,
probability. Annals of Mathematics, 2 2, pp: 269292. vol. 41, n (12)
Leonard J. SAVAGE. The Foundations of Statistics, Ed. Wiley New York, 1954, pg. 4.
(13) (14)
Idem. pg. 5. John VON NEUMANN y Oskar MORGENSTERN. 1947 (2~ edicin). Theory of Games and
Economic Behavior. Princeton University Press,
(15) L.J. SAVAGE,
1954,
op. cit. pg.
9.
(16)
Idem. pg. 13.
(17)
U.
J. ANSCOMBE y R.
J. AUMANN.
A definition of subjective 199205.
probability. Annals of Mathematical Statistics, 1963, vol. 34, pp:
Puede encontrarse otra versin de esta axiomtica, as como la demostracin del Teorema
enunciado en ella en: J. GARCA AGUADO. Analisis Borroso y Teora de la Decisin Tesis Doctoral. Madrid, (18) C. VILLEGAS. 1964, op. cit. 1984. Pp. 107117.
318
(19) (20)
L. J. SAVAGE, 1954, M. H. STONE.
op. cit., pp: 3637.
Theory of representation for Boolean algebras Transactions Society, of the American Mathematical
1936, vol. 40, pp:
37111. en The London, Foundations
(21)
E.
P.
RAMSEY.
Truth and probability
of
Mathematics
and
and
other
Paul,
Logical
Essays
pp:
Routledge 156198.
Kegan
1931,
(22)
P.
SUPPES.
The role of subjective probability and utility in decision-making. Proceedings of The Third Statitstics Berkeley Symposium on Mathematical and Probability, 1955, vol. 6173. axiomatization of 5. of California Press. pp:
University
(23)
D.
DAVIDSON y P.
SUPPES.
A finitistic
subjective
probability
and utility. Econome 264275. The Uoundations an elementary
trica 1956, vol. 24, n~ 3, pp: (24) J. W. PRATT, of H. RAIUFA y R. SCHLAIFER.
decision
under uncertainty:
exposition. Journal of the American Statisti cal Association, (25) 1. N. HERSTEIN y J. MILNOR. re pp: (26) P. SUPPES. The Royal utility. 291297. Measurement Statistical of Belief. Society, 168. Journal 1974, of the B, 1964, vol. 59, pp: 353375.
An axiomatic approach to measu Econometrica, 1953, vol. 21,
serie
vol. 36, n~ 2, pg.
319
(27)
1.
J.
GOOD.
Subjective
probability
as
the
measurement
of a non-measurable set en Logic, Methodology and 1960 Philosophy of Science: Congress. Proceedings (E. Nagel, of P. International
Suppes y A.
Tarski, eds.).
Stanford:
Stanford
University Press 1962. (28) L. 3. SAVAGE. The Uoundations of Statistics, 1972. 2~ edicin:
ed. Dover, New York, (29) R. D. LUCE y D. H. KRANTZ.
Conditional Expected Utility 1971, vol. 39, pp: 253271.
Econometrica,
(30)
M.
H.
DeGROOT.
Optimal
Statistical
Decisions.,
Mc
Graw
Hill, New York, 1970. (31) (32) J. N. PRATT, H. RAIFUA y R. SCHLAIFER, R. L. WINKLER y A. Journal 7, pp: (33) 1964, op. cit.
H. MURPHY. Good Probability Assesors. of Applied Meteorology, 1968, vol.
751758. some Metho vol. 62,
R. L. WINKLER. The Quantification of Judgement: dological can. pg. Statistical 1107. Association, 1967,
Suggestions. Journal of The Ameri-
(34)
M. STONE.
The opinion pool. Annals of Mathematical tics 1961, vol. 32, pp: 13391342.
Statis
(35)
R.
L. WINKLER. pp:
The Quantification of 11051120. Probabilistic 50-62.
. .
1967. op.
cit.
(36)
Harry
V.
ROBERTS. the
Prediction.
Journal
of
American
Statistical
Association,
1965
vol. 60, pp:
320
(37)
M. H. DeGROOT. Reaching a Consensus. Journal of the Amen

can Statistical Association, 1974, vol. 69,
pp: 118121.
(38) E. EISENBERG y D.GLE.Consensus of subjective probabilities: The Pari-Mutuel method. Annals of Mathemati
cal Statistics, 1959, vol. 30, pp: 165168. (39)

(40)
R. L. WINKLER. The Consensus of . .

Vilfredo PARETO. Manuale di ulla
op. cit. 1968. politica, sociale. con una
economia scienza
introduzione
Milan,
Italy: Societa Editrice Librarla, 1906.

(41) (42) 3. VON NEUMANN y O. MORGENSTERN. 1947. op. cit. D. BERNOULLI. Specimen theoriae novae Comentaril (Traducido 1954, vol. (43) (44) academiae 1738, L. por Petropolitanae, de mensura sortis. imperialis pp: 175192 5, en
scientiarum vol. Sommer
Econometrica,
22, pp: 2336).
U. P. RAMSEY. 1931. op. cit. W. EDWARDS. Subjective sions probabilities inferred from deci Review, 1962, vol. 69,
Psychological
pp:
(45) (46)
109135.
D. DAVIDSON y P. SUPPES. P. SUPPES y Muriel based 270. on
1957. Op. cit. An axiomatization 1955, vol. 1, of utility pp: 259
WINET.
the notion of utility Science,
differences.
Management
321
(47)
(48)
B. DE FINETTI. 1937. Op. cit.

B. 0. KOOPMAN. the The bases of probability. Society, Bulletin of
American Mathematical 763774.
1940, vol.
46, pp:
(49)
M.
G. PRESTON y P.
BARATTA.
An experimental
study of the
auctionvalue of an uncertain outcome. American Journal of Psychology, 1948, vol. 61 Pp.

183193.
(50)
Masanao
TODA.
Measurement
of
intuitive 2940.
probability
by
a method of game, Japanese Journal of Psycho logy, 1951, vol. 22, pp: (51) P. C. FISHBURN. sets
Subjective expected utility with mixture and Boolean algebras. Annals Mathemati-
cal Statistics, 1972, vol. 43, pp: 917927. (52) Pedro E. FERREIRA. On subjective probability and expected Statistics,
utilities. Annais of Mathematical 1972, vol. 43, n2 3, pp: 928933.
CAPITULO
UNA METODOLOGA PARA EXTRAER PROBABILIDADES SUBJETIVAS DE UN DECISOR
323
CAPITULO V
UNA METODOLOGA PARA EXTRAER PROBABILIDADES SUBJETIVAS DE UN DECISOR.
5.1. Introduccin
5.4. Aplicacin del mtodo del autovalor para fijar probabilidades subjetivas en el mercado de
capitales 5.4.1. Tabla. de datos.

5.4.2. Determinacin los valores. 5.4.3.- Construccin de la matriz de relacin de valores. de la rentabilidad de
5.4.4. Obtencin del autovector de probabilidades.
324
5.1. Introduccin
Al aplicar el mtodo de los rboles de decisin bayesia na, uno de los ms difciles problemas que se presenta es conseguir que un decisor individualizado proporcione su evaluacin
subjetiva de las probabilidades de

yentes mtodos y exhaustivos aplicados con
sucesos mutuamente exclu

Algunos sido de los los de
influencia este
aleatoria.
para
resolver
problema han
Brown, Kahan y Peterson (1), Hogarth (2) y Schlaifer (3).
En
este
captulo
se
presentar
una
metodologa para
resolver el probler>ia mencionado basado en la obtencin del autovector correspondiente al autovalor mximo de una matriz, forman do dicha matriz con las comparaciones entre las probabilidades
de cada uno de los sucesos tal y como son observadas por el decisor. los Este efectos mtodo de fu desarrollado por Saaty (4) para evaluar
distintos factores en sistemas j~errquicos y fu (5) para comparar la importancia de las restric-
usado
por Yager
ciones y objetivos difusos en una decisin difusa.
Saaty, (4)),
al
proponer en
este
mtodo
(Ver
Saaty,
1977,
en
estaba interesado
desarrollar una escala de intensidad
de la importancia de unas componentes para la formacin de concep tos de trabajo ms de alto orden Saaty y a partir de los de orden (6) se hace inferior. En el al concepto
Khouja
referencia
de la influencia de una nacin cualquiera en el mundo, suponiendo que esta influencia estara determinada por cinco factores: recur
325
sos
humanos,
riqueza,
comercio,
tecnologa y poder
militar.
En
este caso, cepto de
la influencia de esa nacin en el mundo sera el conorden al que hacamos referencia ms arriba, que constituyen esa influencia
ms alto que
mientras
los cinco
factores
seran aquellos que hemos de es orden inferior. Lo
dado en llamar componentes o conceptos los autores pretenden en su trabajo
que
asociar a cada una de las componentes un nmero positivo que tiene en la influenqueda formulado por la mayora
indique la importancia que dicha componente cia de Saaty de los y esa nacin en el mundo. Khouja, individuos que es Tal y como ms
sicolgicamente
fcil
para entre
formar juicios por parejas construir de

=
dos objetos los n
particulares objetos. Los
un
orden
completo
entre
artculos W
Saaty proponen un procedimiento para (w1

,
construir un vector las una ponderaciones de las
w2
..
w)
donde las
w.
son
deseadas que
expresan
la importancia
de cada
componentes.
Estas ponderaciones son todas positivas
y su suma es
la unidad.
El vector
se obtiene a partir de
una matriz cuyos componentes, para
elementos son comparaciones por parejas de las evitar -como antes de sealamos todos el problema,
sicolgicamente
ms
complicado,
comparar
los
objetos
a la vez.
Para hacer estas comparaciones po, para realizar la comparacin entre duo debe responder a dos cuestiones: dir cual de ellos dos a o
por parejas, por ejem a y b

,
el indivi-
en primer lugar, debe decies ms importante, para
despus
seleccionar
una nmero
entero en una escala del
1 al
326
9 del
como medida de
la relacin por cociente de
la preferencia
objeto ms preferido seleccionados puesto no
sobre el menos preferido. Estos nmeros sern, sin embargo, las ponderaciones
enteros deseadas entre ficado que
que se asignan como una medida de los cocientes w a w . b
las ponderaciones dos a dos lingistico
Seaty da un signila escala y sugiere de compromiso entre
a los nmeros impares de se De usen como valores este modo, wa si y
los nmeros
pares
dos valores
impares.
se asigna el valor tres, wb indicara que
por ejemplo, al cociente entre es ms importante que b
en una escala de 1 a 9. Esta relacin
se establece entre las componentes del concepto de orden superior que comentbamos anteriormente. El problema entonces consiste
en obtener el vector de ponderaciones a partir de estas estimado nes de los cocientes entre los propios w.
1
Construiremos entonces una matriz
formada por estas
comparaciones dos a dos en la forma que se expondr posteriormente. Si tenemos seria
elementos para ordenar, la dimensin de esta

. Las ponderaciones deseadas se obtendrn autovalor de esta
matriz
n x n
a partir del autovector asociado con el mayor matriz A
El propsito de este captulo ser describir esta metodologa y extender su aplicabilidad para la obtencin de probabilidades subjetivas. Por ello, 5.2., una vez descrita la metodologa
a emplear
en el epgrafe
reservaremos el ltimo epgrafe
de este captulo, que ser con el que cerraremos nuestro trabajo,
327
para aplicar dicha metodologa a un caso prctico que consistir

en la obtencin de probabilidades reales, subjetivas mediante el mtodo
de autovalor. cio de de que
Con datos
obtenidos en la Bolsa de Comerla probabilidad los restantes, subjetiva teniendo
Madrid, un valor
intentaremos sea ms
obtener
rentable
que
en cuenta la informacin sobre las cotizaciones de dichos valores durante un periodo de tiempo determinado. De esta manera, conside rando este planteamiento para cada valor, calcularemos la probabi lidad de invertir en cada uno de dichos valores.
328
En
la
elaboracin
de
decisiones
bayesiana una
tarea
presentada al analista es la de extraer del decisor sus evaluado nes subjetivas para un conjunto discreto finito de sucesos mutuamente excluyentes y exhaustivos.
,
Es decir,
tenemos un conjunto
de sucesos
A1
A2 P1
...
An
...
y
,
queremos obtener el conjunto

P n asociadas a cada uno
de probabilidades
P2
n
~ P. = 1 . Adems, las 1=1 1 se usan para determinar
de los sucesos con la condicin de que consideraciones subjetivas del decisor
los valores de las probabilidades.
Supongamos
probabilidades.
que hemos
obtenido
de alguna manera estas

M constituida
Entonces
consideramos
la matriz
por los cocientes
de estas
1~ 1
probabilidades,
P 1 1
esto es:
Pl
n n
329
Observemos propiedades:
que
la
matriz
cumple
las
siguientes
1.
Cada elemento forma
de la matriz
m.
13
se obtiene
de
la
P. m.
=
13
3 2. Todos los elementos de la diagonal son iguales a 1. m.. 1
11
3.
P3
1 m..
Las
propiedades
se
llaman ahora
propiedades el producto
de consistencia de la matriz de M por el vector n X
M . Consideremos
cuyas componentes son las probabilidades
Pl
Pn
330
P P MX=
1 1
P P
1 2
P P
1 n
Pl
n n
n
-
P 1
P2
Pn
nP
Pl
nX
[1]
Por matriz
tanto n
es un autovalor o valor propio de satisface la ecuacin:
la
M . Esto es,
det. siendo n x n (Ver

,
(M
XI) del
O de matrices de dimensin Saaty
1 y
la matriz X
unidad
conjunto asociado que M
es un autovector ha demostrado
con ese autovalor. debido
(4),
1977)
a su estructura 1. La matriz que
especial M tiene
es una matriz nl
de dimensin que son n
n x n 0
y rango
,
autovalores el
y el
autovalor
queda,
es decir
Amximo, es
331
El las sean
problema P.
1
real del
consiste, decisor de
sin
embargo,
en
extraer
probabilidades desconocidas. est
en la situacin extraer el las
en que stas probabilidades tener
El
problema de riesgo.
subjetivas
lleno
Aunque
decisor puede
creencias sobre que sucesos son mas probables, al probar a elaborar todas las creencias subjetivas dentro de una escala inflexible, esto es generalmente
llega comparar
bastante difcil,
sobre
todo cuando
es ms fcil
el nmero
a ser grande. slo
Sin embargo,
para el decisor terico mtodo. que As, de
dos sucesos
a la vez. El desarrollo
acabamos si
de
exponer
que de
sirve
el
como
base para nuestro

proporcione los su
conseguimos cocientes ocurrir,
decisor nos de
estimacin sucesos que
los pueden
probabilidades valores
distintos para
estos
pueden
usarse
formular una matriz, y a partir de esta matriz, las probabilidades subjetivas de la forma que
podemos generar anteriormente se
comentaba.
En
primer
lugar,
pedimos
al A. dos le
1
decisor o A. 3
que
proporcione
su valoracin subjetiva de que suceso que ocurra, es de decir, cual de los
es ms probable la mayor el
sucesos tiene pedimos ms y

,
probabilidad cociente
ocurrencia. la del
Despus del
que
exprese
entre
probabilidad suceso menos A.

1
suceso
probable
sobre a este A.
1
la probabilidad
probable, sobre A. 3
llamaremos supuesto que
cociente la verosimilitud de
sea preferido a
un esquema de
A. .
3
Saaty,
en el articulo citado, el cual valorar esta
ha propuesto cuestin, y
puntuacin
con
sugiere una escala de nmeros enteros del
1 al 9
en el cual
332
los valores pueden interpretarse

tabla:
como se muestra en la siguiente
VALOR 1 3 5 7
SIGNIFICADO igualmente probable verosimilitud dbil de uno sobre otro verosimilitud fuerte de uno sobre otro verosimilitud manifiesta de uno sobre otro
verosimilitud sobre otro.
absoluta
(mxima)
de uno
valores intermedios entre dos juicios

contiguos.
Hay que indicar que no es necesario presentar los valores el lingisticos asociados con la escala de puntos, sino que los
decisor podra presentarse 1
con una valoracin al 9 La

,
propia de
nmeros en la escala del den hacer las
a partir de la cual lleva
se puea pensar
comparaciones.
experiencia nos
que en principio presentar al decisor las asociaciones lingisti cas le causa problemas en su proceso de seleccin. ne observar aqu que suponemos que las Tambin convie de los
probabilidades
sucesos son comparables, es decir, que tienen similar magnitud.
333
Teniendo una matriz E de
en cuenta todas estas cuestiones, consideramos dimensin n x n que se puede construir de A.

1
la siguiente manera: el decisor compara
A. 3
segn la esca
la de valores
anterior,
y selecciona un nmero que
depende del
grado de preferencia. A.1 b.13

.
Sin prdida de generalidad,
suponemos que
es preferido a
de la matriz para todos E
,
A. 3 . Luego asignamos este nmero al elemento

E
,
y asignamos
hasta
b.. 31
1 b. 13
.
Hacemos esto los elementos B
mismo
los pares teniendo
completar
todos
=
de la matriz
en cuenta que
b11
1 . La matriz
por tanto ser un reflejo de la evaluacin subjetiva del decisor

de las probabilidades de los distintos sucesos, y dicha matriz
se construye de tal forma que de ahora en adelante consideraremos

que es la aproximacin de la nica matriz terica M
,
presentada B es una
al principio de este epgrafe.

aproximacin de la matriz te sugiere una forma M
,
Puesto que la matriz
lo que hemos expuesto anteriormende obtener las probabilidades a
natural
partir de la matriz mximo de B
E . Es decir, podemos encontrar el autovalor Xmx

...
que representaremos por Y

=
y luego encontrar asociado a
el autovector unitario dicho autovalor,
(Y 1
,Y) n
siendo el autovector unitario aquel cuyas compolas componentes subjetivas B. Y1

,
nentes suman la unidad. Por tanto, del autovector son las
~Yn tal
probabilides
del
decisor
y como fueron representadas en la matriz
Veamos
un
ejemplo para dejar
expuesto
de forma
clara
como se aplica esta metodologa:
334
Supongamos sin, su el decisor de debe
que en algn decidir
momento de un proceso las los probabilidades tres productos
de decique tiene X
,
sobre
competidor Z.
fabricar
uno de
Un analista, guntas, extrae
despus
de un
nmero del
considerable decisor:
de pre-
la siguiente
informacin
Fabricar el producto
es tres X
veces
ms probable
que fabricar el producto
Fabricar el ms probable
producto que fabricar
es alrededor de dos veces el producto X
Fabricar el producto
que fabricar
es tres veces ms probable Z
el producto
A partir guiente matriz:
de
la
informacin
anterior
obtenemos
la
si-
X X B= Y ~l ~3 1/3 1 1/3
z
1/3 3 1
L2
335
Aplicamos el mtodo expuesto y obtenemos el autovalor

mximo que el En si y su autovector unitario asociado, teniendo en cuenta
se cumplen las condiciones de consistencia en la matriz, unitario asociado al autovalor mximo es nico.
autovector este ejemplo

,
aunque la matriz no es consistente debido a que sin embargo,
~ l/b31
matriz
al determinar los autovalores
de
la
como soluciones
de la ecuacin:
det.
(B
XI)
el autovalor mximo, como puede comprobarse, tiene grado de multi

plicidad 1
,
por tanto,
un slo autovector unitario asociado.
Al resolver la ecuacin:
det.
(B
XI)
obtenemos tres autovalores, siendo el autovalor mximo:
Amax.
2,9635
y el autovector unitario asociado lo obtenemos resolviendo:
L~
~1
~
1/3
Lk
=2,9635.
K2i
336
tal real
y como indicbamos esto seria:
en
[1 1
Con la notacin
del
problema
B P siendo
AP
Pl
P3
El valor obtenido para el autovector unitario
es:
0,145 0,604
L
Observemos en el primer epgrafe
0,251
j
P es el vector referido
que el de este
autovector captulo.
Las
probabilidades
de
que
el y
competidor Z son:
de
nuestro
problema fabrique los productos
P siendo
x P
0,145
P P 1
0,604
0,251
Py
Es decir, estos valores
seran
una
evaluacin
de
las
probabilidades subjetivas de estos sucesos tal y como son observa
dos por el decisor.
337
Este referida producto el producto en Z el es X
mtodo
permite
valoraciones cuando
inexactas expresa:
como
la el
ejemplo alrededor
.
anterior
fabricar
de dos veces ms probable o
que fabricar
Esta inexactitud
ambigedad queda recogida

=
en la matriz emprica escribiendo

la valoracin hubiese b13
=
b 31
y veces
b 13 ms
1/3 .
Si
sido 1/2
.
exacta Como
(dos la
probable) es inexacta
=
habramos escrito cabran
valoracin b 13
.
=
dos posibilidades
para
el valor b13
=
b13
1/3 ine-
y consideraremos
ms adecuado
1/3
Esta
valoracin
xacta nos lleva a una inconsistencia en la matriz. De este proble ma de la inconsistencia hablamos inmediatamente.
Hay
los resultados
que
indicar
que
el hecho
crucial
que
conduce
redondos
que se
obtenen en la parte terica
es la estructura especial que tiene la matriz
Esta estructu
ra especial est determinada por el hecho de que:
m..
13
.m
jk
-m
1k
Esto es debido
a que
m1~ mlk
P./P. 1 3
por tanto 3
P ~/Pk=m..13 . m jk =P/P 1 k -m 1k
-
A esta condicin se le llama propiedad de consistencia
de
la matriz
Dicha propiedad transitiva
se cumple si se
338
cumplen las propiedades del consistencia enunciadas anteriormente.
En la construccin de la matriz emprica

seguros cia de conseguir que esta condicin de consistencia.
no estamos
La experien-
demuestra
tales matrices empricas construidas mediante

consistentes. Sin embargo,
comparaciones
dos a dos pueden no ser
el mtodo propuesto por Saaty no requiere la consistencia. Lograremos, por tanto, una
B
seleccin
de
ponderaciones
algunas
positivas a
,
partir de una matriz
que es, en
ocasiones
mani-
fiestamente
inconsistente
(como la del ejemplo).
La interpreta-
cin de la confianza depositada en tal vector de probabilidades,

si si la matriz la matriz no B es consistente, no es es algo ambigua. inconsistente, Sin embargo, entonces las
demasiado
percepciones fundamentales del decisor no sern demasiado inconsistentes y, por tanto, nuestra
de extraer sus probabilidades.
metodologa
es
una buena
forma
Xmx
Saaty ha demostrado que el
es una buena medida de la consistencia de la matriz si

el
ya que
el
decisor
=
fuera perfectamente consistente obtendramos que

.
Xmax
Cuanto ms inconsistentemente se sea en la cons-
truccin de la matriz lleva a sugerir que

consistencia.
( (
B
X
ms diverge max
Xmx.
de
esto
nos
n)/n
se use como medida de la mayor sea B

.
De
,
tal
manera
que
cuanto
el
cociente
x max
n)/n
ms inconsistente es la matriz
Por tanto,
si obtenemos que el mximo autovalor de entonces podramos juzgar que la matriz damente razonable B
est prximo a
forma una base adecua como ocurre
para construir las ponderaciones,
339
en el ejemplo donde el
xmax
2,9635
Si
el
Xmax diverge
de
la matriz
tiene
algunas inconsistencias e intrasitividades notorias, presentar su esta informacin de al
se le puede
decisor y pedirle que reconsidere para probar a formar una matriz
seleccin
preferencias
ms consistente.
340
Al
inventado mientos
intentar evaluar
para
el procedimiento propuesto se ha
este mtodo con otros procedisubje-
un mtodo usados
comparar para
frecuentemente
obtener
probabilidades
tivas. Comentaremos brevemente los resultados de este experimento

del que pueden encontrarse ms detalles en el trabajo de Wade
Yager (7) y en otro trabajo tambin de Wade (8).
Los mtodos que se comparan en este experimento son:
1.
Mtodo
de
asignacin
directa
de
probabilidades
a los sucesos
En una
este
mtodo de
se
les
present
a los
sujetos y
descripcin
una
situacin
hipottica,
despus se pide a los sujetos que evaluen las proba

bilidades de los distintos sucesos que aparecen
en la descripcin. El mtodo requiere que el sujeto escriba suceso la en probabilidad cuestin. estas 1 de un el suceso sujeto para prximo tiene la al que suma
Despus
distribuir total sea
probabilidades
que
2.
Mtodo de la probabilidad
En este cin
caso,
despus
de presentada
la descrip
de una situacin
a cada uno de
los sujetos,
. .
341
se
les
pide
que
elijan
el
suceso
que
crean
ms
probable, y a este suceso se le asigna una probabilidad los P . otros

Luego se le pide al sujeto que evalue
sucesos
en
forma
de
una
fraccin
de
P, y con esta informacin se calculan las distintas probabilidades.
3.
Mtodo del Este anterior.
autovalor mtodo es el descrito en el epgrafe
Para
contrastar
estos
tres
mtodos
se
describieron
situaciones hipotticas. Los criterios seguidos para seleccionar estas situaciones fueron: en primer lugar, el hecho de que simula
ran una situacin de toma de decisiones, en la cual los sujetos
tenan alguna familiaridad con las situaciones implicadas y algn
sentimiento
en esas
impreciso
acerca
de
las
probabilidades
implicadas
situaciones
sin conocerlas realmente;
en segundo lugar,
estas situaciones eran tales que el experimentador poda calcular las probabilidades verdaderas a partir de los datos. Los resultados calculados se usaron despus para comparar los mtodos referi dos.
Para
realizar
esta
comparacin
entre
los
distintos situado las
mtodos se presentaron a una muestra de individuos las nes hipotticas de decisin y as se
tuvieron disponibles
342
probabilidades reales correspondientes a estas situaciones hipot

ticas aplicando cada uno de los mtodos. Con estas respuestas
muestrales bilidades. tores,
se construyeron tres vectores de medias de las probaCada media, como componente de cada uno de estos vec-
se refiere a la media de las probabilidades reales asignade individuos tiene para la misma situacin. Por tancomponentes los como situaciones para que las
das por el total to, el vector
de medias se les
tantas a
hipotticas
presentaron
individuos
valoraran y se tiene un vector de medias por cada mtodo de obten

cion. Luego se tiene compararon estos tres vectores de medias donde
cada vector con el
una componente para cada situacin de decisin, de las probabilidades verdaderas
vector
correspondiente
de
para
dichas situaciones.
analizar si las
Para realizar este contraste,

diferencias eran significativas,
es decir,
se us
el
test
T2
de Hotelling.
Las muestras
de cada mtodo fueron comparadas con las test T
de los otros mtodos usando tambin este Esto significa
2 de Hotelling.
que lo que se compara en este
caso son los conjun-
tos o vectores de respuestas (probabilidades reales) de la muestra de individuos para cada mtodo. vector tiene tantas para componentes Es decir, en este caso, cada
como
individuos esto
haya, obteniendo para cada situa-
una muestra cin
cada mtodo
y repitiendo
de decisin.
Cuando usamos este
test
es
importante que
las matrices de covarianzas Por ello, se us un test
para cada dos muestras sean iguales. jicuadrado para discutir si dichas iguales, es decir, si las diferen
matrices pueden
considerarse
343
cias
para todas
las
comparaciones son cero,
y que,
por tanto,
no se viola el supuesto de homogeneidad de las matrices de coya rianzas.
Puesto que el objetivo de este capitulo es la exposicin des, del mtodo del autovalor para la obtencin de probabilida-
hemos hecho esta breve referencia al experimento que compara con los otros dos mencionados sin nimo de desarro-
este mtodo
llarlo de forma explcita.
Los detalles de este experimento pue-
den encontrarse en los trabajos antes mencionados.
Resumiendo decir que los mtodos
las
conclusiones
,
del
experimento, directa
podemos de proba-
1 y 2
de la asignacin
bilidades
a los sucesos, y de la probabilidad
P respectivamenel mtodo 3
te, (del
producen
resultados
similares,
mientras que
autovalor)
produce resultados significativamente diferentes
de los otros dos mtodos.
Concluyendo, traer est probabilidades basada en las
hemos
discutido de
una metodologa para exmetodologa que probabilida-
subjetivas
una decisor,
comparaciones
por parejas
de las
des de un individuo,
para comparar tres
y hemos discutido brevemente el experimento

mtodos distintos de extraer probabilidades
subjetivas. Al realizar este experimento se tiene el inconveniente de que el mtodo del autovalor es un procedimiento ms complicado que los otros y que por tanto necesita una instrucin mdlvi dual para que pueda aplicarse. Esto es difcil de conseguir tra-
344
tndose
de
un
grupo,
sin embargo,
esta metodologa
tiene
una
ventaja fundamental que es la capacidad para comprobar las posibles

la
inconsistencias
de volver
en
la matriz,
sus
y as
datos.
permitir
Por tanto,
al
el
decisor
mtodo
opcin
a evaluar
del
autovalor
es
ventajoso
cuando
se
solicita la
informacin
del decsor sobre una base individual.
345
5.4. Aplicacin del mtodo del autovalor para fijar probabilida-ET1 w90 693 des subjetivas en el mercado de capitales
Para 5.2., hemos
aplicar
la
metodologa un conjunto
expuesta de
en el
epgrafe de la
seleccionado
treinta valores
Bolsa de Comercio de Madrid, con el objeto de obtener las probab lidades de invertir entre en cada uno de ellos. Los valores se han
seleccionado
aquellos que
ponderan para el ndice general
y que consideramos ms significativos dentro del mercado burstil madrileo.
Presentamos las a lo cotizaciones largo de y
una el
tabla de
de
datos
para
cada o
valor
con
nmero
ttulos
comprados
vendidos
doscientas
sesiones.
En dicha
tabla figuran tam-
bin las fechas en las que se han realizado esas sesiones: desde el veinte de julio de 1984 al dieciseis de mayo de 1985.
Si en vendidos o
la columna
correspondiente O
,
al nmero de ttulos que la sesin
comprados
figura un
significa
se ha cerrado en posicin
dinero
o posicin
papel
Dichos valores, tes:
agrupados por sectores son los siguien-
BANCOS Bilbao, Central, Banesto, Hispano, Popular, Santander
y Vizcaya.
346
ELECTRICIDAD FECSA, Hidrola, Iberduero, Sevillana, Unin-Fenosa.
ALIMENTACION Azucarera
CEMENTOS Y CONSTRUCCION Asland, Valderribas, Dragados, Vallehermoso, Huarte.
INVERSION MOBILIARIA General de Inversiones, Popularinsa, Espaola de Inversiones.
QUMICAS Y PAPELERAS Sarri, Energas, Explosivos Rio Thto, CEPSA, Petromed.
S IDEROMETALURGICAS Altos Hornos, Tubacex, Motor Ibrica.
COMUNICAC IONES Telefnica.
A continuacin presentamos la tabla de datos correspondiente a cada uno de estos valores.
347
5.4.1. Tabla de datos
Exponemos treinta pginas que recogen las cotizaciones de los treinta valores mencionados a lo largo de doscientas seas como el nmero de ttulos comprados o vendidos a
siones,
esas cotizaciones, como ya habamos indicado.
348
u ~
.1
Ji II 1 11111
W w ti tu tu Li .13 . UwJ l3 ti t Ij Jt~LfliJCCOhNJ.Z~OJt~ON4<}LW 0om.JC$wt30JC.~LW0 1 It 111111111 II 1 11111 liii
m1M9 4Th414-C 0.0 0 0* ~ 1 III 1414111 liii II t 4 1 II 1111 I 1114111 liii III .114 aa,3ww.x~twWw0)WuJ wCUZ) wwuoC0CQWW0Jc000JC0&JiCflCDC0O=mOJ~CDC0C0WCUJ0~CuUiW LJ...c>.C-t--- .tLZLtLJ-....L4~4tI LLL~~~t t.L~L~LS.z..L.t.Ltt~Ltt.L.tL
ITt tm lr-< II II.
ir,
C>.u.0.,
.
0010 D00D0000000000000000000000000OCJCbOOOOODO~ rnnnnooo0oo01300000000000000000000OD0000O00fl00~O0O0 DCiCC=CDfl0Ci~ C~flfl000C10C0.DC.O0000013C.0000000000O00CGDOO
413 1 lo 4
-A
~
oc>,,
wruw cn0ma-~Jra,nrflo-~J13fl13WJ~Ut4iw
JrJ1~-NQ,,ij~cflcq0oomJs-~Joc>j-owcoraruc>y.0-.Ji.icD
C~JIfl.ttlhL4ICi1In 0.000cnLLflGctiintru-4i-Jcn0LaicntooLo~ hiflr0-.JL.L..--0.L~&lnLuroNJfIh)mtu<cn-.Jrl9--h>L0..--r.~cK0r0yr3Jtr3w.0c4
{1rn0-.JljIoLtjtCDty4IL1I.L. iurus~J13 coroo
---4 lcr Ir 113 t .1 1
~ 11111 1 III III 1 III 1 III 111111111
wrurutJIJtJIOfJtO
WWhlk)h>I<JN)t~.t 1111 1111 111111111111
kIuIu<utjIutJljI) 00000000000000000000Zi III II 1 tull 1 1 1111 II 1111114111111 141111 1 llllIl ciicoO3DCO mm n~1mmcDcimcommi;jcfloriimlY3comOjoimcocommcomwwwmmcnmmo3mrjic0romm
u I~1 m Ir, JI 1
2~JiLRlYJWO.L113134j1C4.N10tL4WOYiCJLiNJt0W.ii 1
_
~ iO,CIiCC1CIiOOu3NJCOOCO000siiL43COOOtJl
O A
13 1 lO 1
00000000000000000010000000000000000000000000000000 fl0000C,0 00C,000000130C00000D0000000000000000C.,130000000 C.00C.D00flC.000000O0L.i0i0Ci000000C.0013000.fl0000000O~.A~~i0
Ti
h.1 1~irui~irJti eH lA 10 ir
~ Jw,ijJLuLrI.JoluvJruo.o..txJwccciu0w.L~ow0NcP.u1co0wcJh>j1u1rLltuNJLLLn ~ t~J4lt..1<.i<3Iltul.tI~) 1 1 1 1 y coco:ci 1 1 1 1 3 1 1 1 1 1 1 t 1 1 1 1 4 1 1 1 1 l

1
TO
Y Ci
1 3 l 1 1 1 1 1 1 jI 1
1
H/
ni rn
7< 1 t 1 t 1 1 1 1 t 1 1 1 t 1 4 II 1 4 1 1 1 4 1 1 t 1 1 1 1 1 4 1 1 1
1
Ilitq13tu~ J&.0 -lic>) JI.. 1 t 1 1 3 1 1 1 1 1 1 1
3 II t 1>
r
lj<r.u)c0I.iwiu.D<flwwoJU)wc>jtuw~wcuw.uwIuwt<)Incuwwix4wwJ1c>Jwwlu0)wtoWwYjiwJwfIl.o 1 iurLLcrLrot>irll.uiroIoul.rcu%atuliu. OoOcici.011i00C0000001D0DC.C,.-uLiOCicDOC.0C.000CiOOOOOocuQ>000Ci000 flOflOOflC,000flC.000000 r00000000002i00000000000000000130 C000130000001300001307<OOOOOCOOO0000C0Ci000000000000000
tu-u.u
113 1 1> 113 0
r
1-A
ni
i1t1.jb)
.
O T
U)
wru. JWW 1.J0)1)3Wtgt..0U)oi43tO.4Ji4)09tJW-xJ.4~0<).--(J10S~0.I4)mfJ1O31.flfl0C4m0S~W -.Jm-no-j00---c01l-.uiYooiJ)NJr. 0Ujli~IJL1u).~0 ~ii4-JJtJ1Cfl.~meJtilOubU1of O3~I--Jiu.t01u CruflcflwcCr.0.4-J-t-.uJ0.t~0m00.-U1.L~C0Co0ws~wCOcfl0 wClltu-0cn.~gNJNJr3Lw -4 o tr lo w 1 4
wCirur-<rol< fOt-3iutJb)PiJN cS.<.c000mNJC4~W0<l0 u.CwCiom-.Jc>.u1ru0-.0mwr.Jt0).Jou1rJ0mtJ1.wroo~~J0 II III 1 1 1 1 1111 1111 11111 III 114111 t 1 II liii 1411111 11,11 1 II 1 1111 tIl 1 II 1 4 III n.ymcrlOo:cocOroi3rx,cicrctimcnoitfxc.mflcncrisiu III 1 II 1 1 1 1 1111 1 II III rnrrcrurnn-rnmmmmmcnmmnmmrcirrirnruixln
Ci tJt03 III III
1 1 1~1~1 1 m lO II 1
cuco<.i,ui.uw.ijikicu(ujul.utul.uwi.uccuwwcu,.iwinwwi.uwi.ui.i&u
wc,iwucjxiiiJinw(um-.uwLuuul.utu ts4L~ambummrocemmmuALncLc4J-.J~JNJLnNJ000000000000m~.J-J~Juin
Ci
12 13 O O 0 2- 0 Ci O O 0 0 0 2) 0 0 2 0 0 0 0 0 0 0 C. O O O O Ci O O O Ci O O O O O O O O O O O Ci O O r...JC,0O0flO13ciooCio0CiOc00ociGioOooo00ooo0.~-ioooooo0ooDofl0n 0 0 13 u 0 13 0 13 2 00 ti O -Ii 1 Ci 0 0 Ci O O O 0 0 O 0 0 13 0 0 0 fl O Ci O O O O O Ci O Ci Ci O O
i
-i lA
Ir
~ tO-JO.1u00C>--.J0c0m.0u1->Jcfloo.t.-.Jmtu.C-JtkicJt-.oodli.o.umootJomloL4(u i:.cflC-1n <lLO~ui4.ti.L<1ifl<)C ir..J1uJ1J1~~rfilT4ciu:lLfl-.JrolI1cii2iuu j0-Q...fflc121 It. u ~

il<ui} S..
It ti 1 <fi 1
349
t,jwf-~irJiur.Ji<.l.liJ
~
iJJl.A3fJ1.ll.JIJ.I 111111 Ii fil Illilil t iii liii

1
1 iT liii Ii liii i i iiiiiiiii
II
II
lii
II
iii.
liii
Iii
~
LLL4LLLLL4~LLLLLL4~.4~L4-. COu UJCCi3C.iTVO3WL9JiLi(flUiiflWWWWWCi4GiTfliJ3tOC0iWCO.i3COb3CUWCL31JiU3tflWWWWb3~OWti)iflCiJWiiiii3 31LT1LiiL11Lfly!ikiO-~3 ci ~i .n -nn;r. L9 ~11fl It 3 fi 111fliiA jldllflflYiCflAiC,y Ci fy Ci LTiiJl31Cfl 4-. L .-L-.CO
1 3 il-l i u 1 n IX iT
ir;

CG0
1
rn o 1
0002.0021
r.flbOZOZ.CCfl flflon0c,0or~iCD000.2to0o000i7oooc~o0oo0fl2ic~ci.r2 c3c~rfl9,floc,0D000o0C0Z0000000CJ0~4000DCJC900O0OOO00O0-.~
0$Gi0Gi0C2i0C.0000000OC000~
OOOOOOOOOOOOOOOOC0CO0
i -A
ir
i.di.i4,i
TjjiZ~ ~
44-.iilT.ii
iOifiLi4=.ti.<ifr.j
-,J-iiffi~JOCr
-.iUlil1U~.LOJi.3.4~.L-.WJbiITltJC~CtOi0Ci.LflO LLG-COOSsO3iiO-Ol.3CP.iAt-tJCOO~-flCflG(it
TV lo
3
~
(i 4-.ii1-.)i.30-OU3i.I~giOLiCi~LiJ3ff<ii-.~Jfl
3>
1.
LJi.itCCit040i.~O.U10~WI,iiL3l-J0LCh3WUiiCSIi3WOLi~J1OOIJlOWU1CJlNI0WCilCttTJ10
wrjt-.3NiMt.it-0N3
wwtOLt0&lMr.3
~ iii iii iii 3 3 iii liii 3 Iii iii iii i i iii iiiacoco ia>tOr.jLirJN)iOiO OOOOCiOOOOCsOOOOOOOOOOO iii iii liii iii iii liii 7iCflmoj~rnwOicnfOwo)j3weIffiCO lii 1 liii iii iii i-nO)mmCi~Cflhr.Cnr~flrnCO3fflcOocoCOrncOcOO3rnCOtncnmoonrnCi
3
rl
m i O 2: 7]-
(iAu3U3Lijci,www~OujCAJciJogwC,iiciJLtiwLi4ciiwwL.icOffiwCAj(iiwii3Ci3aiiJju3wLi3G3f.Oci4cOinwctiCUWTiJ4Ci3wI4
~oocoo~~Lirarr.wwwwcocoraror..)McowwoL.titiL01uuAo0101CKCto.fr.c~Ni-o-oNJryfyu
Vi
~>
i9-4--I--J-J~L3aiU3NJCC-{
03cOLnLn-J0~N4oriu3.Ck0wulu1u1-\J.6rOuiCQn-ciLiLfl~41aIff1
IX 1)3
O A
-D i~
OoOoOooOooOOOoOOOoOOOOooooOOOOOooOOoOOOooOoOOOOOOo cCC0r00000Ci0000000000c,021000000000000000000-DOOOOOON DOC c.-D.z..z0000c.00C2oooCioOODQa.000C,0000DocOoCioOriODOODooD
tDu
ir
fi
WO-C --I=~ -1--CO -4 >J0.At3lICJ100Nli?Ou43NJ0LCO01COLi0tl121-L-.~0,JCrLiCOC--N3.0Ui NJCDUl~i004~lJb4fl330CflC.iDi~ ce f1JJ19D-O~1W.2l3iJ3)C .JCffIlVi.34Li~iC,jLiCiitiCi~lICOVCOCi.01Li1=ilOCu-(DCl1J)JCOCi-LCi.L.Lll Li hf ~
oo
H
-i
.
~.
i iii
3~i
iii iii
ci 3 te Li Li 1.: re Ti Li
hu liii iii iii
ff
Li Li Li Li Li
liii iii Li IT.) [liii
3-r3
1
-
iii 1.119 V1.J 313
-rl
CO
i..i ii ti Ii~ii Ti
U ir
1
re n cr
iii
0 1,3 f,i 3~ ii 040 lii) Ti Li LiT iii iii ti 1 iii L~ cf 33 CO CO O) ff1 CO 1~i 03 Cfi CO ~r (O CC) (1
liii llilil 1 1 iii iii O? O) ffi fi Di fli 03 ffi 33 1. 10 03 ff1 CI) CO CC> 0) ffj O) Di CC fi <fi II CO }f, O CC
r.
02.2.2 .~-.ji.0.00OC.0Ci00CiNir,4tCLJ3U1CiIi~iLir3l-fii.~-Jti

r.i.,,i,3ih41,i.itil,3i.ji.iiu,3.Ji.rnTt3iT.ii..~~..C.2,0C. If.2..-~-u3iuCCib..WC,-i0CiCi000Citf1,1t.0Cr-O
02C>CJOOCOOOOOCiOOOOOOOOO.DOOCiOOOOCiOOOCiOOCiOOCiOCOOOCiOOCi
2ZG2.2i0-DCiODCiOjiOCiOCiOGiCCiOCDOOOOCiC02i0202100202i00000000021 002i22i02i02OOOOCiOOOOCi0COOO2iOOOOOCOCiijiG30000000000ZCiOOO
3:] IX CO
O
-J
ni
t
-9 O ir NiLiCJ101NiCi-iflu30LCOL001i-L0OOl,iCijLUM01C.,l~iDi000(O01OJ~O0.0-.JNi01i000Niu2lCO.ti 0O3W0~J-O-0WwLi-O~WwNi01CiiW1oti-1001Di~W-Oifl03t0101lO03Q.titDi-JWtWLt00rO
fi
WI-O1OLiLiL3M MtONLltOl.ilOt-.) C- -ti (O O 0034 Ci (330 00. (-33 -~ w d ~30) Ni O. Ji Li ~O ~43O)(O Li .1) ff1 Ni f> 01 laO 0)01.LW -a Di4 0 014-. liii Ii liii iii liii liii lii iii
Li
3 CO
1
iii
oIl (-33 (-31 01 01 .33 Ji Lii (Ji L -ti -ti 4-. -ti ti -t- ti .ti .L~ .ti -ti ti .ti ti -t. ti -ti -ti. -ti Cii (O 33 (.3 vi Ci 33 Cii (O (O Ci.) 333 .1 iii (u <33 <33 33 1 1 iT Iii 1 IT iii iii tT i liii -3 Ci Ci u Ci CO:) CO 0)3 CO O: CO 030 030 ))f1 Ci ii CO O) (O~ CfiI iii CO Ci) O3CO ff103 CO 0)03 CO CC. DL (iO fi ~O o Cfi Trjl0133r01,flfl.JlLl3CTuJ3Cll01.T301cflnfl01ufl01iJ01,fllJl;3iTflLl0131,3301 0330113n033,n,Jl,J(JJiJlJl,nflJl WCflviIiiiflii)L
un: 1 Li) (OU3CiLiLOL(iLiCiiCi)W133w1003(OCi=COC4CUWCOLi)C(oic.i.)LiCfiw(OCi4(OCi433CiuiOfliilCiiCiiuu lii
C.3i0fl2,OOOOOO2iCiC.flflflOOOC,O2,flCiOO iiiC0flCr~iflnO00fl,nGiciflociicir~c,nri~Cnfl--
OOOCiiCiOOOOOOOCiOOOOOCflfl CiirOOOOOOCiOOOOO2iOO.r,flci
1 3
CCC.
000033.oiDoOu.OoOciciiDooooociozi
2,0
CCiOOOCOOC.OO-DOCiOc<0C.
--A ~
01
-1
-Cii
O ir ci 3 <fi
1-ii
iu.i-i-fiCOfitiiT
-JI.illliiii
(Cit-.il)0.LCi-
CCi.---Jl.CiL~-.o1.L.tiiT1oI..
-.J43OL0101.iC,
Iti-ti%JLiCCitiC33OLii0I30
350
-
r.ir~r- u-3u.iT.i cfii.vf.33.iT.iTiiTdi.3 -3 l-i .~ i.iiiflTJii.iT.iT.i.3 rnui& i ifl.ti~ci.<ifN3tii33(OCiJf.tifl4i.i,i.O.CCCi~J4~l33friONJ0.tiCiiO0WNjO.333ii~CNJ0Ji.iJiO 3 1 u 1 u u u u ir 1 0-:---C#fl0000>0-0 Ti ~ 333 u u u Tt II 33 3!

-.4. i33iji> O--u 0101~t Od i)ijOQ-00cpO-.ti.L-.NJNiN4-O L4-4-4-&4~t4i.t4-k4-4-4-4:-4tS-.L4-4-4-4-4-LtL4-4-.1SLL4-4-i.ti4.--.LL
T~1
qn
2:
u
2) u?-
(OCiLi(O)iW(O -J ii--.i--.]
ixiui0(O(Oi33(OCiLi(OCi>%)CiiCiiOiCi4Ciui>3W(OCi)iji(i>Cxi(O(Oi33CiLlCiiCiiCiui33(O(OWv (OCiui33<fi.T CCiL--C. -d4v44NJ VJSiCiC>Ci~CiCiCi CiCiuiiOii&.3XN1J-J -ci-Jn.ci-fif,.y.i.n

.JTJ1NJO&LtOOC01JICWOO-
.j.u.C2.C,O-2000ri2,flC,OOiNui-NC,OCiCCOOflOOOOOOOOOOOCiOOOOiDCiOO fl>NflOG7i .rOOOOOCiOOCNC.2i0flCflOnOCCiOC.COOflOCiCOOOCiOCiOOCCin<>r.

iZL-9i 9C-C D002-C-7-O-Z--2) L--000oOOOZiC-CiO0C.C~CiC.OCiOOZOOOOOOO0Ci
2 no
A
u rn !334-i3LiijiLi4-lii(OCiut*iiiViO4-01(O(O0101i33WCL(Oi.ti.ti.ti.tit(O.tiO.D~01Ci)Ci)Li>ilO0(OC/3t301i33Cfl4-ufl riti~ -i)--Cfii-0t~i-iT14-.--i-4-4-0034-03CNCi>0)03\)ti0CiiiiO.CNti03tONJUT01LiDi0COLLCi -(ifi 3-C 2 1. O3
321
~itLiiLiDCu
UT4-:i. uLiiJl-.ti4Ci.CiLitiCi.d0-JJULi.43(iLiCiff1tifl(Oti.tiNJONJ-CiCi-OD.NO)i.ii4-
wt.il~ih)NNLiN3h) (,4W3333JNti.)ti> iiiti0NJCi,01L&i0t03JfJ.(Ot>i-0-O0fJttiCiiPJCuflNJtl.01ti.i0O&.ULC,JtJiOWNJO.01000)3J3tW1Q III 333 3333 3333 33333 iii rol-ut.Tjt-.i3\it-ataLi OOOCiOOOOO0OCiOOOC-LvOCD-D i 3 T 333 333 t 3 3 3 i u u iii CrOiiiCODioniCOCCi0)03OLWCniCo03DiDiDiwcoDicrT0)w0)030)aCODi0)0)DiDi03WDiDiWCoCCi0)0303Di.nCiCninn0)m
13 CO
2)
2-
CricciCti(OC)iai.i3 ~ tuu.tu.iLiraLiiflu.ti.ti.ti4-44-4-t4-.ti.tiL44-.ti4-.ti01C,.CNCLNO.Ci.NJNJ034 40-0000) .ti~il33) ONi(O01(-fl01O.Li.O-4-..J>JLi3aLi01TJ301&t.O00.OOOOCOOU3--xJCf,C..~O01O.ti CiCiCDODC.-ZC.000000i0000-Z--DCC.COCOOCOOOCOCiCOOOCoOoOoCoCo C-DCL OC

n.DCO.DitC.DCiCCOOOCC0-Z-OOOCCiIDOCiCiOODCOC-00000C.CiCiOOOCCiOOLCi
4t CO ci
T o 37] IR CO 3
Ci
A
rl
ZCCOCO-DCiCDCi0C.-ZCOCCoiZioDCOC.DCDCO0OC.CCiC.COoOoCoCio
rn,
~ O
.-<~
<i.ffl0)t-O(OLiOCi.CiOC.i.ti0~hitjit.-t-flCi.4-.4. ClCCiisi-C--J-ZiTOtO>J-4Li.t.t.tiLi-NJtOCi~-Ci0-IOCt.i~03CCiCCii.tiCiLiC--Ci CCn4-~LflC.i---4l--)--O
O it 30 ~
ni w ni A
CO
ji
1. 1-- 3-3 IL Ni ti it
-
3-Li u~ --Li 1., lii ti.> ti..) u ti u 3 T 3 3 u
3-~ 3* t iii 3-.

Ji0{ifl)-J(3
tu
i~ u u ti3CiiiOCiyCiiCiiIjiCiiiii(iiiiiCi.iCiit33(Oi,iui(O(OCCt,333i.ijCOi.Li(Oiuiifl,uCitCiii33iili.i.i
u 33 3 33 u u u 3 331 333333333 u Li) CO CC <fi >fl O) C3 O <fi 0) Lii O) O) <ti ro -n) fC <Ci 0) Ci) (Ci (:1 03 fI C 03 CC CO CO fi CO CC O) CC 03 CC 0) a no 03 Cr Cf Di u Di CO O 0 u) iliJi.Tt01Ill01I31itt01cfl01&lJl01iiimfliJTUul3J30113.?tiJlctrCil0101J313l01ji033,.330101011i330144-4-4-.
iJii,iiIiLiiifit33~.iii33(Oi33Ci)ij~i(OG7ij3
4-4-L ~
(-314-ti
Li-(O~.~i~iiiii
vi--CO
ti4-LfluflC4-33LuLiiLi3ijLiCiLi4-4.UiC.LiL.Li(OiJCIIi33L.ii~i33C3l-It.i
tt-
ticiuiC) <1330 .o 0-000

2. 1 u IX
U
OciC.r>OrflciOC)OCoC-i000000000000C.uiui.I OOCOOOOOOOCiODOOCiOCC>COOOCiCI0iLLOOOO000 OCiCOC.C.O0C.chOOOOOOOOOCZiCCioOC.OOOCiOzOCi
C2i-DCOOoO-2000LvOO J-iinn,r7-002i-20-200000-n: rDj-Q-iDDOCioziCOCOCiOL
uro 3 .-i 2)
.4)
-A

En
-A
h3lCi.CO0J(O4-CO&-01}.-dtC31 i-NJijINJT3tCCilOiLLiiti4-CCiti OLi(O-O4-012iCii.tiJ0)DL(O 01O-ONiC~001-oCO03-JW ~ L,OiJlLiLCi JJ03CCi(Oiu-.J0i030 (O(O0)01At.tO0101CNi-ODiO)0t-3010W0Di(O03OC.ti0)L.T-.~0 .JWiCr
-
Ir un -ti..IoOCCLOCOO.NitO-2Otc 001t4<Li01NiNJ4-0O O.ONI-s titO4-3u4-.-.J.tiLiu-0C3C.Li001CN5Ci1Ci01Di~-2-.(O03.tiM3l33NJ>iki~ i.JO~NitO&010CiJCi3Oi0W03~O0101OiO001L01001CiLiW0*JCii0 3>4

it
u CO
4-(O0.oCf u
(i33iII.iNLilOt.i dCoCiiC.0Ck014-x 3 33 II 1
-.
t-Ot-lat.itiiIOlOtii O03Ci.J3Li20WWLit0)Ni0(-fltO00)01.~(OLiCCi-JCi.014-03 TI 3 333 II 3 333 39333113
3 3- it liii> 1 COri- Cr 01 Ci lOt 0) Ci- <0 0 L31rA33cfliJi01ui1-J1iA01L33T0101

it Tui 33333-13333 u u u TI 3 ni? CC 0)0)33 7)03 CC CC CC fi) O~ fiO) fo <fi O)03-~O 0)030)0)0)03 CC fiL CO 70 CCi (Ci <ii 03- Is.ItuI3Ln-ruiJ3ri101utu3u3uAintnu&301t.nI3LnI,i3Ji.i1I33.)1u3hn~nit-
liJ(O-i>CiiU3COiji-L tiLii u Ci IX u 1-
31-
33i.iit.iLiiii 7i330101u31ull3J3u3101rflC31ti4-4-4-(O3i.J~Oi.4iuiwI.00)03 OCiii.iitiiuiLiCiti)(Oi.ii(iii33iiiLib3i.riiiii)liiittiu)i.ilji - (OCLitiJuJtiii,iliu3i.mnii33u.i (-it01 1-. ---ir- irtCiiIIi.iCii vi> T.iI.tt, iIT.33iii.i3~i3.iii~it..TOI.Li3-itiiiu.3T..iIi~irii3iLititar.Li -73--Li -L3-OT-iiiirii(Oi.uCLIJ-.4-CiLi.- O>LiILiLLtCiLi(OCtiIL.iIfCiiLli1C31i!21 CrnDC.-:C.CCiOOoCi-LLlCO OO0OCii2)fCiOOC.CuiZlitiOOCiO0OOCiO-Zi0CiIE.C~OCoCiC.ID. C-DG.OCiOOCoOOCiCiCLi OCC-CiCOCiOCL-CiflOOOiflOCCiCiOOCiOOOCOOCiOOnOn O LL3C.DCI-L7L.OniiOZiCC-00 -ZOc-O-ZiOCioIDoOCiOo-nioE,ociooociociooon.Doci-:9 <9
A 3-O tato
4-J ta .330 3. J3133314-.tini4-Jin04-rniioia-J-o-.Jcilouowsi4-Qn.01-ooo>qNio.0101 01-.s0103Lrl<iin 2i,L
-iiii trrt.jo<oi-i.COotiwaCC.)oi Ji~I.-Clr~~ (OliCiNJffn~~<NJ4-I>3Ci%J<flt)ii.0ff>0t>-.qCotio ti-iiOO-.J01CiIO4-fri.iiJt-ZiSsC2ii<it0uiO01wtacini-.ccl.~JCfi-.a0L.-o.)Licn4-0a....c,Lnitroo ~ i
A
1 -z
Ci33iAidIi-iC.-..
-t-34-toli

4-~~iCj3-J4-uifil3>-]
351
TI
-34-
o t
-iii
10-1-3 i-r--i-i-fn-~i.t.r~>td ti uu u
uitiii0=irri u uit
iil.~-Zi--.jr,~s-.>.dI7.-<iCO-iO-C.>3-.--.---CiNJryii-iD i u tu u tu u tu> mt
cro
t u t t u u t u T t u u u t t u T u u T t -ii1~-i-i---i <~ o--oco--<nir-o..r <fi fCiffiif>03iii..l-nrictfi-iIui ffO) nfifOffiDi~Ci0)COcci>3niOJ03 4-:4-4.4-4-4-L4-..-c-..4-4-4-4-4-4-4-4-4--ti4-4-4-4-4-4-4-4-4---4-4-4-4-4-4--t-4--L>-L-k4-4-.-4-4-4-4T.iT.ii.i3--i>-t-t 1.4-ii. ZiiLiOCiO--Cuivi
-fl-flr----j-j--l.
ti
1 u~ u
-
t.ttd>dTiTT-it.Litcitdt.>ttTi
-tti.iik-4OC.l-.iNiCC0Cflti
iTritOt.itd3-.Iu.)t.iu.i3-a3-.Lii1iiudr.i3-.Li~.>tdududt.)tO3-~ttdt.Li3-.i3-.iti.itLiritiuLi -u-Iu-L4-.t-.Cai.>-t-2.tit -fl-ACi~ci~-i-CiCitiJt tir-iCti0).igiLiLiiLi-O-TtniCk2-4-4-00-dCfit.iintii.i01C1Li0ni-tiCiLitiit.i--diiiO-ii-fl
9Q--LiOfii
-7121 .2.--
flCv2.CiCL-CLiOO oc: 7.00 OOOOOOOCLiCiOOOOCJO-s of-.Tic.--D.zoOooocicic,iTioooiDooooO-flriCLii71-i722 ~.0.Z-2 0-92. L9flCiOC.2i2i020 0000
--
-u
3-IT
i-(O .i)t--ii
Ti.
i4-i.i4-Cii~r.iuLt.Li.~>.i~~.
(iLi.i4
t-13.Lii.ltiiCiifft1t311.i
lT-.
L31COClil.>03Ci~iJiiJ00ttiClI(-31TiCt~iJ3CiitlC31Ii.4LiCiJ4CNL31VJ0CCI4ifii .itniATi.i(-it~~4nii>I-dILiC-Iilua4-O D.COO)-i?-i7i01-LiLO.-ti-Ci 1>11> .itcLi03C-.-.Ot,liiLifi--{i0iZiti,COCCIOt-a4-t31iitci>Ji.niCt-t.OCat
Ji -iCirtxtiuit jr.i
-lu -J 14-ii-
itj>.)
tui i.lTIiiLi3-auiit*itOta
Cititat-dT.ii>tOi-O (OcO3-.iLit,4tutN4 JCt314-ui2-~3u. iCi-u.)u-a-0io0014-Ci3t-O03NJC.~01t-O00ci.014-Lii3-OcCCiNify2tl~otC0L31.tii33la ti u ut.g tt ti tui u 3 II 9
3 OOOOOOOOOCiOOciOOOOOOCiO
no
CO
3 Ji
ti
Cf
-- ~
ti
u it u u u u it it mu u tt ti u 3 tui u u u o nO)) 330> > cci co CC CO 7))) 0) Ci 03 0) 1<10)0?. CC O) f3 CC Cc 030) Cin CC (ini CL 430) CO Cf CCI O O) Cf CC CC 03 C ni
2: 1]u
4-4-4-4
4-4-L4-4-4-4-4-4-4-4--.4--L~i4-4-4-4-4-4-L4-t4-4-4-4-4-L.titt.ti4-4-4-4-4-L4-LL4-
9
u
3>34 u-Li tLi 3--u t-l t-~ Tv r-> 3.) 3-..) ia iL tt Li l-~ ti.)
do
t..) i~i tu ti 13 tu ) u.) 314 dIO t-.) t T- u. a Li tu Li t-3 ii tu 1-Li 3. ti a .t0303-.it-auau-Luii31.lr-:udtaTatii,.i3-O(OiJ1LiICiLiCii4-4-4-L(OILIi(OCi34-4---.4-113.-ACi lLLiTILit.ti ti.iJt-t03-4?iOO3-di.it1u312.lIJiOOOOOC01Otd3*ut.ivJOCiLiu.)Li03ki3-dNJuO2JOiJlOO 3-L130dtainfl ,fl210
7]~
2ir21-i ff.C.O 7i~i~i 2,02i2-7i~ DCilOifiiCiiDoOOiDiLui OOOOOOoOOOoOOOCiOOOiDOOOOOOC.LiOOOOOO2iO2iOOOOOC71 iCL, 2~02000(1102 i 0000210 ~
_-OOc
u 21 ci
1u --t
litO
-(Ii--.
ti . ti; iiiIl.01t3
CriVItJiLtC.t33
403a4r.i(-it-i.i
>314-la
-~-{i
-Liii> itt>ilLi4-1i>iT1t4tt3-.i-i.Lii--Ci4-43i.itdt.Lit.LiLfi.i.Li.ti-.i--04-4iui--ii-C. i~i> 1-l-ul.03--JiJiO)QLiCt-0.)3.0~---.t-.
u n uf
--u
4-3 III
(i
li>t4-04-9
:i-iitiiit
-t.~0ffiCi
Ti u
i..--.OL
uii4-4-oOii31r. c.3.4.tiss
iiirtn-7--cii-i
uIti.tv>.ii2i--J~o-uiitaCt3IiTCatViCiu34-C-01tiC.(i 4-CiuCioi ii.L>i-.L.vu-24--7i 4 oit 2.- -IT 4 -i)i)?iuLi tiT--?i -T.iG-tt.<fi4i. -d4-Cffi-i?it.i Lii.tii01ul,i-> 94i012O Ci.Ciui.i<iiCi-Tsit-LtOiiihit
inri m
--
i~ii-I
if
1-3
T
JCiit4-.-~--Ci{iii)it4-ii Tt It i tu
iii, ?. LII --
1
u tu tutu At2-M3O)-d4-WuifO 1
-
iT tTTi>.t
ni ii -ti
iii- <-
14-..it-iCCi u u
u Li CC
:-- if
it. u
il III
C
01
Ti Li
<fi lo lT0101ui331i.it
u ti CCi Li CII lii Iii -Iii.

-.31 tiyfl-ti01cflJtAfl01ufliliJl it it ti>
uit
1 ti u u u tt>. Ci: A CI OLni <ti Ci (CO) CO.)? yI - 1 II <fi -in3101-019310131LitLitj(-314-4-4-44-4-
iiiiCK--i%i-J-dLi-.Jt-di
4-ifii
ufl4--4----.
~21--r,ilO-
Ci. iLiliIi.J4 4--T~tuiJi-4-utaJi
-4-.JvJii-lT>T,CLiCi JtJicL133--f -42
.iOliui2-t.uJiLIa-77t01
i...
<
313-Li

j It>
no
iLiO2>OtLv 002000002i-ZiO u CiL.OOOOCDOOOOOoOIiOFirfl -:902cc--r.-c-o-z 0.roo(niO-?nni-:90Oc.Oc CiOCIOCiOZICDfl-->00000-7-OOOOCLiOC-iOOor-,
-n
Lii
flu
tj-<-ii
Jtii.IinriI~riiit
Ivt.il.i>iOtlt-diLrtt-. fi iv
T.LiiLaCkCflt.L3101-31t0Ci-dJ.aLIArdOtu4taCd4--.JiJi01onil-3 ifi7,ti4-Ia4iCiOLiCfliL.iiuvO~ --~-]CCtaCC-->31uit-t~~>i
rut
t
iii
vi.-
21
u CF-.ini LICO4-Ll .4 fl4-v4-O((-31-i34-.&i4-i30I31(-314.)Ci-..0i33iO01ctii0CCi(O0[>~fil01-4i01fl CIJtCCtivu.)oiIi-.Lt33 iLiIti.LiCiT,iCiiIiLiJIJTiJl -11 flOi-.--CiviO->O.C<it.dO)fi~.Lit1I.) ft04-iOAOlT tt -tCi--JC.M)t4-4-tti3-u4-ti-U4w(OuLiuLiitiO~OLi-tOO~N0)ti4-
di.
.1--.) iiii.u
3>4 lara
Li tu t tu ti
u
-
u ti
it
CO Li 3>1v ti> tt Ni ,u u u
tui
mii
ti
u T t u u u u 3 u u t u t u u t u t u u u u - c7?- Ay -- -nC CO < 7v (.0 fu> fi - - - C<-ini - - O. 0 07 Lt -?u -- ff1 E fI) -iL Ii? A- ni? CC cC :3 o (AiiAA-0iL31>33 iTJirtiJi.iti31lLitLituTiLJlUT:Li1JiUrtic31.Tt-Lti.jTLTTvirit-TiJiitit 1-Ji.LiTit03101iJi(-31(-u<31-fl-itui n--itti
uu
-i
1 - i ni Ci~ Ci- C Li. Vi 71- Ci- C- O- C~ Ci- Ci-. Ci - -ti :ti <31 Ji 131 (-1111 (-tu 71231.1 Ji Cii (-11 (31031 uiI.~4-4-4-4-t4-.4-tiL4-4-4-L4-g31i.i.3-..<ifCiiCiuO)CflfO03O.)O)fu)O)OLiiTICCiO)0i(O-.Ji7i.~CiiniiLiuOi,iiI~i ---4i-vCL-2.-7--0C-O-DYi Q.0-Z-0021fD22i-vOlO
2i-2i-:OC-Cif71CiC. 2.0 2O-
0-
(i
Ci cl Chi.)
u 21-DiAD-OtooCoOCnloooocovioOnc, -
OtiCiClOitiflCiC~Ci0IitCi0f2i2.OC00f71nOfni.-flri21flfl2.09 O-702O-.OO0A2iC>0
--
A 1..>
.- tu-
l~ ivf-
db-iCCi-
4-ir jl-lfli-li
li.
iii
uaN>1.
Ci. li u? tdi t *31 t-i iuit3ui.-i4--A71CCtiu>rO>Jc31i1z-JiitIii1i
iii
ti-li
3--i-CC-i >127<27
ifi
i-itl-(3
d0----.<uip4-t-
ini27O)-7i-.iiO)~2.Z.iOiz
-1)
C.2,iu~t3fi.--
.4
352
3-tuuit
TuttLTa
?.i.t-.ui.l.?3-~uou 1ut. u

(OCu-.ut.Att.>t.?u u t
u u
~ u u u u u u u
utr
21
2:
a>
u u ti t u it ti it itt 3 ti ti Tt iii tt it 4-4-4-4-4-4--tui ti -liv> 4-t-.-.4-4-4-4-4-4-4-274-4-4-2727--.4-4-t4-.ti4-4-4-4-4-4-4-4-L4-4-4-.ti4-4-4-4-4-4ii>iiiiiti3Cv~ii~-I tiLiCiLt)LiwILii(Oi33l1u ii>T.OC1133Ci.>Ci4133Ci4C.itOCitflni(OuCOf.t(33i.4W(OCi4(Ot.0Ci4133WCi3Ci.iC-iL CT.uu ---un lfltfliiILflit27~t.C.tii-IAI3--it)tlLitttl~~lt 3-.tuIl.)iI~u.3Ci3Ca(O4-.tiLtiulitIjl27TOuillt) ~
2.02.c.c.2.02I2-02-ocni-nnI2-oooJonnioooooc.00000000000000002z2 CiOflC> -mO21210000GoOflCioOOOOOcOrlOflOOOriOOOOflOC>021 Gio:.c.unLiO>iri ~
iZ
tnn u
-A
u Ci
33(i
-il.
iiLi-d(O3-ldCfilxI4-uLitti Li 3-d01CaL>-d310=10?i 0)~uii (-31 uii 0ifl033-O<t-<i3o--d~i?fl(Oia.ti<i(O01fu-1-.03Ci.03Ci-&.CCl(O4-00COlv2i
--4 IX 21 u 7)
u
-ni
iiui7ii33ci-ki-4ni-tLini ii4litiiluur4--d~-0)iit-O-vi0laCO-Juy~.icci01d0)(O.-.w(OiOtlfuLitd(O-014--O>itMi 4-(-310(O t-i fuiClo-n-2iou-a--Clli-CuurAi-~J&.--ci3-ud>JiOnitiLetiLianuCii.3tCi.I0)Cg3I3ldCCIo .tiCO~00)03(OC.if14-014-D.01Ni0fr0CiLi;?i~0W3-dLflNiti0t-dNi0t>3>J~LiNu3-d3ai0tJi
(3iudkitiiN3>=t.LitOt>Lt
CiLiWt4N>t-Ot~3tOtO
wi~i0J&01~uLiC-003..JCNCiLiLi0t&u01L(O3O0)NiCi.01tdO00.01.tiCi4tO00)NJ&.01O00)01i4tO it tu u u u tu u ti ti it tui tt tt it tt mili tuu.taIiuu3-dt>Lit-OtO it u u u t ti ti tt tt i itt OOOOOOOCiCOOOOOOOOOOiLLiZ tt ti it mt miii tt;
no (rl
U>
7]
<iCfiCOOiD> ul0)O)O-i0)rIiEfI0)DiCOmDLiCflCCi03Di03criCnCO03ffI0)OniCO03inCt0)03O)O)tL0)DiDni0)ixiOnitniICn03DiCClffI 4-4-4-4-4-27t4-~L~4-4-4-~~4-4-4-tLt.ti4-4-.ti4-4-4-4-Lti.titi4..t.4-tiL4-4-4-4-4-4-ti4-
it t~ 7]
c-uuL.iiLiiLu.,Li>i)(OiiuCi4-i>(OCOCiLiCi3WCaCaitC33CaiiLit>
it4-4-4-
(Ouiyii33ti.)Cfi(Oi~i(Oui~iit33(O333t33ttitiut4-t.tiL4-L.i
U
DLilIiiCiidiffiCfiiCi-4?iOiCiiC>0)uC.)i44O.--2iiCiCA.ii3-Liti)ti--2.
u
Tl>JiCi-CFCiNJOiOiiOI=iDLICi.)CCi~i?iI3?iNti-Ci.-.J-diu3
o0000c.00000-zlO0-r0200000c.O00-r.C:OOOoOOOOciOOOOOOciO-D0000 2OOCiOCiOCiOOOflDo.flOOOOO2uOCAiOOOoOCiOOO2.OOOOOOoOOOOooOC.2i
A H
21
0021002i00000020E-00002i00000000-OOCO00-902u0
rvvvil-0000000
cn
-~
1::
-4
H
tLi~~~01LiuiLii3301~3Ol?iUit013-u4-.tiCih314-Ci. u
-tt4-LituTJ1 C
3-atI?31CiAlti3-iLt~O
9 ti~ii

Jo
fl%
tLll132u-Cu3-ta-J-Li-LutiLiu4-4-I..Li-O<-i?i-u4i~fl-AA.Iiufi~>t~2i~J..<i.fl3C))T4tyi.-.<iiit.4;it4-L,fi-4-3-L314 uLI.OiT4-Ci2fl~(OL0)<u.0Ci NJOC>0(OtaO043CiLN10030iC>CO(O4-Di(O001NJ01.tiCi4.tiCi.ii03lO4i-LiOCLtaw
c 5
CiLi(OudtOu31-Lu.ul-u30
t.lT.iTt.LiuiL~t.i~
tLit.it.tT..3.u~
i-Cyt4-0--tniCCi-JL-CiuuaCi
u ti u tu u
~~..-
-jniC>lu-..t.--cuii4ni-Lfl27Caua--O) JCiUit-t-.---O.u<tLIJl27(OivDL ti u tu u u ti ti u tutu itt tui

u.. ILiIuLitiIIuuAlultLit.iit.AITuT.iiullvTit.Lii.I
iii u
Ci
-Jo
0-<urfi-;3
Tui u u
u: it>
u u
-- 3-u -it ii ti -u u... u.u 1- t.. u it tt u iii Oni cC E.) 0) Cii ini) O) O> fu) C)i CC Cf Ci: -ni:- O) <fi 03 0? 03
-~i ~I
7]
u - it tu u it u t 1 u u u t ti 70 <f 0 ini O? CC CC 07 <fi CC- 70 Di -l CC CO C7- 07 DL (2 CO Al. CC O) CC- CC CC ni <ini <o
itUt3101iJiL31n2310101011JiLit12iJi1L31Ctt0101Ji.JirLit0101L31Ji01LfliitrJiiJiCn.it010101010101-Ji4-274-4-4-4-4-4-4iii(.ii.u(34(3.i
-4->CfilLi)-J-4J -JJuufta0:i
.0 Li--O) CiC~-tCi)uC -Li -CO-?vdd -u--uO?iCCI-4niALii:LILL-nci-dLiO) 4DACCi~iJt4--t-itJiAtT?iJd i-L01-LiC tO.ti4-CtlJiuO{it.iLiCijit.iciuOO)0.t-dLiLi-O0~4-2i-2AuL31CClCiOAita4-L.u3-.uuJ12uu.i
Ci-
u r 1
TE
a
2i212.02u02i22.OOOOOEAiOoOCiOOOOOOoooocicIocioooOooOOoooooc.Oizio iiC 212.007 oOCi7i2l0DoOOOOOOOoOoooooO2iooOriooOc.00002ICni2.002i 000000000000002l00000002i0002u0-lioOoooOc.ooCiO-OuriCioOoOoOo
r ni Pl
1.0
u COC
LaLi4-J4-(O-3-dt(OiflFi.)4-031t.LiuaNiCi-3Otd
-A 2i---4.--C31..iJi4-tAi-?i~ck-CO3-atiCO-0i.CiCa4-.til33Ct3-a.ti~~i-..tCEio0)Ci.)0)n31(O4(Ouutuu(OLC31u.O(-31tt t-df)iUjttul.OCi(Oiu
LT>-C-C-2.).CitOO
ir iii(O0&itO01O~Jtt-.Li0(O00O.NiOiuOW-0NiO.01~-iOO(O03Ot.4td.tiW0OCi.-nics0001013at
CjtOtiLitl3-d3>i Ci
u
frtt-d3-dt*t3--Litu43\Li
ta
4-Ca0tOni~.Ci.<OC.-Liuna314-(iLitd L-O)-.JC.01u..3000)i33ti.iOCO-..tCi 01Li0W01.ti(OL-DiNiCi.01.ti-O) it mu> ti u u iii it it tt ti u ti iii it

L31C31LitutiL31LflJiutJiti4-.tit4-.ti4--C:4-.ttititL4-Lti.titi(O>33Ci4C0E.>tiu>iLi(OCiau(O(OLOuiI.u

-iii
it
u-ii
u ir CO u
-Ii
t
CC Y.
u
-Ii
u
CO
itt
u u u u t u u t CO CC niAiCO CC lfi -7) 3 9 O.) Cf 07 7> Co
u T u u O cci -: CO 03 CCI ECl 33
u t u u t Cf DL> CO?> r.Ci CC 03 DL CC Ci) 1< C) uit
(OCiuuuuuuu u u u CI fi) Ci) O Al -LC
L.
u
9.OCiOiTiOoOOC,02i-7Ai?niOC.OOoCIoC.iziDooCioOoOoiDociOioiniocOonoC.O 2.2i-L7i0-O2.00O-~i.flufln-o21000iA7100oc.00000000oCic>oo0iz0r-.I~-i0oo0flh:92.
AQi2iD~7i2iCi2i2i(12,2u~uiiiV(1i~2uQ<9 0~0000002
ii
uuJ CO iii 33 (u.) Li Ci.) Li (O -iiiu) Lii Ci Ciii) (34 Ca (34 iAl Ci.) LO Ciu Ci.I >33 (O <.4 Li (Li Iii (O Ci.) ii Iii y> cO La CO Li.) 33 33 iLiLi 133 Lii (O CO u.) Li.) y. 3 CO -fi (-Civ T>TIItAITIYCiCi-Ci--j -0 <liC,- JdJd0ni-JCi-JcCi~dalCiC.?O03Cfl -Jd-.J-J-O -j -1-4 tti3tLti4-itiOrJ.CLi.i)i~4- 0~~tdtuJllitO)2LiuO.J-.j0taCCI4-3-i>030 2i00).JuOo~O~iu 0)cttufi fiLO
7CO Ci) 2i002.OOOooO2ioOoOOnAuo
i.4lutLi
2>7
-i
ld~ t33-dh-Li4-~- d<i-<fitCOCCi.C314-ifl0CCtLCYCiONJCO0tN.tNj--.t<3.ti0iQ0~fy--oO4-<u0t-.iCfl(Ofl~..).tfl~,t0flfllEi

r~iLi >~uiivJLTl4tLitiO~iiiv4.Jiitiit4-ChiwCiCi27j274II..it.
21
Li jiiOOCiIu4Ciu1>271E4-lLiu
353
u u uii-.7-Cu0><u0 eCOOniDLi--.-.CO?CO)03criCO0)CODiO)lnc-CCi03DiCCCCiCOci) E> iLi7t--O-L-O-0-mu u t u t u u Cr 713 u)> CC-ni- CO CO CC DL
ti
itt
u ti it ti
u ti 3 u
ti
ti
tu
no
0> o
-J-ij--t--t-J-.t
t u u t u u it mt ti u mt ti u tui tui t it CC.> -ni) (Ci Cr O) O) CC <fl CA)) Cti CC C) CO CO CO DLi CC 04 CC CO CI> CC Ou CC CO CC 0) Di fm) 0) CC Cli Cf.) CL Di O.) CC CO 71 fi 4- 4- 4- 4- 27 4- 4- 4- 4- 4- 4- 4- 4- ti 4- 4- 4- 2~ 4- 4- 4- 4- 4- 4- 4- ti 4- .1. 4- 4- 4- 4- 4- 4- -ti 4- 4- 4- 4- 4- 4- ti 4- 4- 4- 4- 4- 4- 4- 4-
2: 2-
U3>LiCOCO<(Ot33Ci4Ci4ULiI70(OLOLi4COCuCiiC (OW(O(Otil(O(Oisi(O(O(ii(OLOtOtttCi4COCi4t33(O(O133Ci3CiLiii3(OW(33WCi333Ci.) ti,. TuIitiTAl<9TiTitLiTOllTiIuLi t>3-.LiuiTtt.ir.utiL>.1-)t-iCiiCiLi~.OC,ttAlli)ui.t~4--ti-tZ.4-t-.4-4-iI-.4-iuSiiCuiui .. .WOt-iLicotr.)(O3>4W4-Ci.014-4-Ci4301010101Lt3010101iJ tO4-1u4W01Ni0.luNi.4-4-tLi.Jtw

-->7. lOt
u Et ti-
2.
u 0 0 2. >7- >7. 0 9 2 21 0 -D C~i
AiOLAI00000C3C712iCi2i20000000020002i000C40Zi00i-i0Ci22ii~~i200~~I0 -i 21 0 2 7 7V 7- 0 Ci 7i AlO 21 21 21 >7. -~ o lO 0 0 0 2 0 0 >7 21 >7 0 0 21 u CA- 0 CL> :9 0 0 0 2 7- 0 2 0 2 0 2. 0 21 0 -D 7> 2 Ci O O O lO. 21
oo
uf iuiiAT.IN>udta4-tiAl4-4-OLit-d -iLuI?>ILt3,iti>uoiLCiLfltdtOudtOtOiiLitiiLO3-d3-0t..>t-Ou0md01CiLi(O(OLaudi(iLiLiLI3-t\4(OiflIi.i3iOi<i4-2.-CACj4Jiat-01-Ci-CuNi.JOti.t-(u(-Tl~--CCiCi.-.J-03T
uILiLi.4--.jCN~NJ4-01T.iuO0C~01CtUJi004--.OCkf.i0)--uJOtJ01i.LiNJ4niti3~034iv4-,w4-i.)rO4-CiuinftLid~iCSCi4Oi.0td.~2)ii00304-..t33tO4-u33~(O(O3X3t4NLiV(OO0CjtVJt401lu01
(34t>3MtdtNLitOtuJN>t -t-otciLiidt)taN>tdt-d
(O(OrdN)LiuOrO3>.)
u u
OOOOOOOOCOOOOOOOOOCui.L,2i
aira~O-o.014-Iv00O)~ICi.LOLi-O0fr014-(ON0)NiCtU1N000014-Otd00)NiO-01O00)014-tiuLi u tt u u mi u iii ti t u t i u iii tt ti m it it u
it
uro
ui tutu u u u m tt tt miii tt tt tui tutu T Cnio)cniCoEi303ifiCODLiO)OAiCCiCciEI03O)CC.DLi0)WCCiCCiCOCc>O303CCI03LIJCODiCnicri03CDDLIuXi0)0)CO03CCiCflDLIO3DLiO303Ci33 274-4-4-4-4-4-4-.ti4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-.ti4-4-.ti4-4-4-4-4-4-4-4-4-4-4-4-4-4-27t-
2: 1 u
u 2.
tt
u-. LII-.)
talo 3-Ola (4 iO Lii..) (>3(3.)).) <3 i3 Li. 1>310:93-03-..) 3d 3>.) u.) Li) 3-030 ti.) 3-ii Li 3>.) u) t t 33.? 4-4.33 OCr Ci.4->31OLi..~tt.tt<>000C-01COJ1L31CiO.CO2i0<iCi.010dN4>JCt~C0ldCi.3-OOE.i(ONJDLI&4-DLi2fl
Cd (O
ii
Lii iAl
Lii tg to
2 Cxl
Ci
CCLiCO LOOOOCO>7iOOOOOCiOOOOOOCuOOOOOOOOOiDOOOOOOOOO.ODOOO iiri C.2.2,2.iOCi2il7C.0000>7i0002i212i2i000000210lOCiOOCiOlO002.OOOOOflCiilO OC.ZiD-lOoCi-DCi0Ci0000-lO.ZiCiOoOoZiOOOOoOOOoOo&-OOCiO00.DCiOOOOC.lO0
1:>

Li t ua 3-a
u --4
u--
0) H
1>
u 21 -Ji
J3-aC(iCi---
CitJiTa--JO)funiD4-4-td(O4-ii4Lfludt>39311Ji4i4-(-fl1Ji014-C314-4-dDLICi-011JiC1Ci.Cjit4-tOCAIO.ti-..ni4-t-i4-07i4-
C-*J <Ca
4-3-d----iu-titJi(Jt I31ui>-{iO7CiCi~OTiii33ixi iLLE. Ci- utCLi-Ci-iLtiCtLiti. Ciu-O0Ci~ifi4-i.. 43-o-INI d~f.Ci3-d01~.JCni~04-Ci~u-OLO4-4-CCuLfl-JO.04-CCt4-001NJOi33430)(O-3CiCDft-4--Ci
1--ni
3-4 u- tu
u.
ti.
3-.u u 9 ti 01 CC u u itt
utAtakLO3-:mai.iti-L~---
TCiLitra.-li-i
Li) Ii) 1.3 1*1 10 3-) 3-0 ~i 1.4 E.tLiitt4-i33tit0).d~iCfl4-04iXCJi4-ii.)raOidCiLjl4-i~lO0CCuNJ4-Li4ui4CLiNLii0iCC.)
2u
ti u u it> iii ti tutu

i
~1
Tu li r
u
T mu
t 3->vi-ilt t-.T7i
o o
u 4? iii t it t 1 it Li? O) CC CC. CC O? Ci) 7< (-7 CC CO 03 Oh liii iii u m liii i it iii it t -31 iAO fu: fu) 04)7 70 CC E.).) ATt O) fi 0) 4 CiLCC-?iL CLI).) -ji Ci? Cli CCI -3 Ci
$~fl
u
2
u LA- -A? LA CA
>3T 233307110>1
iii 1 ECl ci ~1 ~ lLit.)Ji01iJ1lJm.ttiflLtiijiJiLttuJililiitLit01L3iV3ttJiLitiJtL31LJi01L310101LitLtl0101LJl0101LttiJtL31014-4-4-.-..4-4-4-4-4-
0 fl.
Iii
>0>331,1 ii) Li) Li? CO (O (u
liii
iiii 33 (O (3)>.> (O uit (O jAl (O (O
(<(O
iii
Ci) (O Ci Li Ci) Li~ 33(3)0.) Ci 10(3)1..) CL CO >0>0
1>
u IX u o u
0
(41?.
00?iZ-.-~L~0>-ZT4-03CCt4-~-0)4-lLitttau.Otiii.T033(OuuL(tll~u4Iu4-.-i-.J4->O:..u01u4CitukC
L97uAAiCi 0oiDOOOC0000OlO.O~0000O0000002u02i00O0O000020O0O~~i2iCi 2iAAiO2iOCiAZi 21-7CA.COCi-7iC7i0210002i00021002i002121ZioOOCiOC>0OC-7OOCiOCuOO 21?ACiCiCO.AAAiOOOOOCIOOO-AvOOOOOOOOCuO2.0000002i0000000>7iOOOOOOO
O
u
Pl
4
-4 01A4-i?i~
iuij.7)..27.-iLOOfuC31CLA.%tiitCCi ~ 0.>
U
uJ011Ji0d0iJi133014-4-01fy01.ti(O4-0t1314-(i44-(OCJtCO014-4-0014-01Ci.4-4-4-L31Dii4)4-iJiC01t.i4-4400 ~
21 21
77.
t0i.nitO duii4-4-u4?iCi-t?Li0CJ~XJ3aC(t0~d4-.01CClE4niI44LTlNiO0CiLiC.mtCCi~0)LitC>CCiLii0)ui.i4-3-dilOO7>jI27 40 I01CiLi4-(O00014-010)4-0iOtO4-WO.4-01013>44-300NiOCfl4-W.4(O-.tli-Ct0)4-4-Cf3i.44-O U)
u-.
Li.ti)tO3-OLildti) !Ot-..)30ti33-dtd3d3-d I7i4-iLO0=i03-iJCi.LOO0Ci.ilu4-)LiiO03u.tCuiJitI4O0DiCO3~d00)NJ0013-OO03d34-COtOCCiNJC,c3i4-03
3>)
iii
iii
itt
tt
tt
tt
mmi
tt
ti
tt
tu
it
31 m ~ilit~ACflhitu31CflL31L314-4-4-4-4-4-4-4-4-4-iti4-4-4-ti4-4-4-4-4-(O(O(OLuJij4(O04i.O(Otti(OLii(Oiiut.3Lii.uuLi4(3Lit33N u i u T t u u i u t u u u u u u u u u u u u u Ii CE ii 70 AlL 1?7L CLiu 1*1.1.1 >71 03 (U .~i y Ef CC ~ fuu fi 0 CE CC ii~i CC 0 0.) 0) 07 ifl CC CC CC CL 04 CL 77-? Ci? 47? CC <Ci AtAl <Cfi A yCut--.itigifli.flLfltQttlit.itlJi iltllJiL3liitiJiLtlflttiLtlLttJTiJiiJiUiliJi?3101L31fliJi01.tttJititiJiiJi01ijTiJiiJilJiiitLt3-jiL31
Ca oCa--. TI
fl-TlIitit
~~i-ii-~i
fi-tu-it
liLi.ii>3->
9iutJ1Cut4.4-4-4-4-4..t-.274-lltlAt-Jm.4lfiLt-3urmt~Afiu.tl1ul.JiCJllJiC314-4 2i214tcot314-3-d3>44-O.Ci0u.).~iJiLTt01Ltuii(33tO0000N40)Ciij>31ttlC31 OflflOlOAIOOOOOOCiOO2100000000000CiOOO ~iiflrflil2I0~0ilOO000O02i>7.iflilOfl2iC,2iOlOciOO>7i0rO02iflOfloiui~~u
274-uu-.t-.4
4 >tllt
CulO
TE>
ti
OOiDOO2iO2iOCiODOCiOO-DOOCiOOCiCOOO
lOviOlO
uf Li lii LO
lu
Lii >04-mv ti. (Oh 21. 4,E<j-fu4u

tiiiii iuliijuui
iu4iitL31Oi~ifCi.NH.uJiJui..iilO0iiL4<iujflOyiI31OiOiOii)hjiCOCi)3-Jt>L-.ini .4-ti tii la (O t Li Lxi t w (O (34ta ud t NO.>)> 4- (O (O 4-331)4 Li

lu
CO 0) (O
-.)~
fi <(33-o (O (O iCii4-l?ii.Ci{lC3CJitl-.u>fi.-..~~)uri i?i-CCL>-J4-CI Ci uJ4-4-itu-iCLi4>tuiiiI71ttiZhfiCui.i.0i-Lgt4-IifiECi.JiZifi.t-Lu>(-314nii~iCmii,fl4-0)Itl.CI4-4-li >uiJiui
u-A TI
iii
04-Mi
u u
354
tui 1-3 l.t

>.> tui
t.iTh--
(3.1.
-
1--- tu u-.)
ni-u
u.
u.: u 3 t u 3 33 >fi 3-u t u
tu tit u Ti
i c.i<juQ..i-iCiijiLt~ii~%O<i.l-Ot-tI0u~ii3CijCfiO)W4Ci.ni0)CIiO)DLiCCiyi03O)CLiO4DLIQ4Cr.)03DLi034d.J u 1 u u t u u it u u i t u u u u u u u u u u u 3 u u it >unimCrlnoC)CCIru>7,ACiOiii<l CCICI.rJ)0)03r.-iC>iCficr.Cfi03oiO)O)O)03cr11)3ChiC<tCCFcriOgO)030303C00)03Cn0)O)Di13)DiCfiEflcrI
u u u u
4-4-4-4-4-4.L-.4-i4-4-.ti4-L.ti4-t~iit. -.4- -b4-4-.ti4-4-4-L4-4-.ti4-4-4-
4- 4-4-4--ti4-4--ti4--ti4-.ti4-.ti4-4-
II u
4-4-4-4-LL4.4-4-4-4-4-4-.tit.4-.L4-(Oi.Li.)LOLi4-331i)3Li3-C3Cd(O(O(O.---L.ti.ti-ti.tiuti-t--tiutiLL(34LiiLi(O LI.)Li>T.T-3 ~ -ti .--.i.. u-,. <<i=. 2-u--0

ulOi
AI0-C) --.JrO)CLix(O-<L31L31o03>.)C~00Ni0101LiNiLfi014-La21.ti~010)0)0)01NJ0)to0ww0104~3>4Liof)i(O--.u
O Z02-00>7.ci.0.DOCIOOOO>72-000000000000000>7.0002OLAI0-Du00 :9fllOiD.Doi21ai21lOin>7i2u~ O~cufllOi00D0Ci0>7.02100000>7iO>~riEinfl0Cu0 u2u >OZuO-sCL-j E> <>lOiD0Cu000D>7.C0Ci0000Cu0000Ci>7iCiC20Cfl~ifl
iii-
21 2
ci
u 1 <ili
ti., ~iailv
tu
j04-.fiCi~~ta0CCuuLiCfiLi)~01LO03uJ.tiL3t4-ui4CCi7l4-ti?iO)0NtXiNJititJi-i.hji
--~dfiLtuijIL9
21
cl ij>
nO-tu~4ifiC-OCOC
-1=--] uvCi-t.-mu-ti-DCi {iC0)<i--c--J.u3t.AEj03I>fi4-C-27E,-.Lfii.41Li.ivJiutitaC-I4-07-LiLfi.4-4,ht..uh31lOiCCt..J03O)iO.tituuC01LCO0iO0mOLiDi0.tiLO0~)LJl4-2i(O0CO0i7iLiO0
ti4t~Ot-O3ON4Li3O-d
Ci4(O3-dti3J3O3dt
ti-mit
(Ota0Ni0iJiL(O000)---j0(OtuOO001.~O3U0).4fJUt>3O0OiCfl.ti)4i>300)Nt001~OiO0)014-(Ota u u u u ti ti mmi ti t it it it mt 393 uuitih

O00000000000000000000
uro u tt 9
mii
uarau,uLi3-Litt-Ot u u tu u ii t itt uit ti t u
tt>
ti>
tt
U?
.33?O3~O Ini-vi-Y> cCIcOcoauniuucCu-3CLiCiniairaCCi03Cu03EiCCiCCIO)03onontacoCcicri0)0)f<taniCODiCCi0)ixioniuuCoCConifunlno
4-4-4-4-4-4-4-4-4-S.44-4-4-4--ti4-4-4-4t4-.4-4-4-t.4t4-4-4-iLiL4-4-4-~4-4-4-.4-4-4-4-4-4-41ti4-4-4-4-2$4--tiJi.4-4-4-t.4-4-.C.4-4-.ti.ti.ti.ti.ti4-4-.ti.ti4-iti.ti4-ti4-Lt.ti.ti4-4-4-.4-ti4-4-4-.ti4DlO.lOilOi~-.u.)m-.)Liua3-i.ir.)3- vJ.hi>t4-ituu<iN4tu0ifO.iwnlOO(OuCi(340
--
I~
3-dt>3utOtu.(O-ti4--ti4-(O-ti-CfiL31Lfi27LJt.fiCiC$Ci-Cfi4OhJiiJiL31-Ci(O-4-d4-03fs.OLii04-0?ttddiflCOCOCy Ii (Orhi
000000000000000000000000000000000000000000002100000
-- OOOOOOODoCuOoOoflflOooOoOoOOOoOOOoOOflOflolOi yunii...2uoooooi:9OooOocoooooooooooooOoOooovioOo-.oiv
u 2) u 7]u IX u 03 3
A
N
u-A -A
it-O ~Li.) it ut>
It TT)
aH
CL)
Uh 4 tu.. diiu.>i-imOiiuiuO 4 .401-
milO
iii >1 iii dNd 4-<i~T->
Cfi
034
t~ .J-Ll3iCiiCO4-Li3-.)210Ci-tL>Ci~Li-00LiCu)>uNJ.ti010)-~Cfi.tiO)td2iLiL0Li4Li.i .JiiC.tiui27>J4-CiiOuiJiO3-iO-fiiO4-COi?i-bj0L01Li-iCti?i.tiNJ0301Cii)uiLh
Hl u
44-Cu&~Cm--J03LfiLi<i03iLa0O3Lfi3--dO..tit-ifu010ti(O77r0101OmNiflI4-.ti~
NPl O Ju
LiuilNiiiuCi>.umaui
--
rtir
Ci
N4t>tiit.
1 it-. 1 Ti i-3 t
31a~4ii?C-fi4-Li?~T.ii--LLiJis.tu4-C0 u u 1 u u u
iii
i
ti LI
01-C-.ju.dcui4--.-2LiLCd4-(O>LC t i u u u u t u u
di 4 u u
1
1
hu
III.
T ro
<.4 i.i lii u-. t u.u 3--) Li ~ tu. u-?. u u u u 1 u u it ui t u u t u ti u u u t u Cf <U -1 <u ff170 0 CO CL CO 1.) O) <ti nC u fuL 03 xi c< O) At Cr 03 CO O) O) CCL CC 7) CC 01 03 13 Ch -17. 03 CC 03 03 no LO n -Cii Ci-- 4)7) u Cfi .fiLtuiA01.AcfiLtu01JihJiJ01Lfi.fiJiLflLfiyfiL01Lfi01-fiLflJi010101Ltu010101Lfi010101.JiLfi0101014--ti4-4-4-L4-4-4tLb4-LL4-4-t4-4-L4-L(O4-4-4-4-t4-L4-LLt.tiL4-.ti4-4-4-4-4-.titi4-27L4-4-tt4-4-4-4-2744O
iIi.tiyiiIuii.)id~~r.i{iCiu.,ia4-a(Liu,.) .ILv4-COiiljji--~.NJ(Oi-.IJi#iW-OCi.Ci4-i.liOuY3d4-03 tOtiLi.--..L.~.~ taua~ 4d-4.)-4<u~u.O01.)0wLfiu~-.rcilu
a
t-it.ut.?
u 2 C d31
..
Co

C.2.-2.000>7i02.00000000000000000>7io00000000CiOOOOo>MolOiOO0.D2i Ci2i-Qg7>2ii7>21iD000i.Ci2,lO2i0002i2i02l>7uCAi0Ci2iC.0002i000iDCi2i0fluDE>ir~-i00CuCuiDI~~i 22u-?iiCi2OC00C.02C-CiC000000020-D22o00-o2iOOOoOOOOC0002.flZc.-Do
u u u
ful
t
H
-tL >hfl4-3i-Li,3.it-.3>uuLiCu.i-.j(O3d3-CyLi.i3.)t*iLiu3J
(fi~ -9 --J4--iidt?CtuL31ti3Ci3LOLfiO.7>CCi.titLi3inOtyxJ-uiCirnlflfiC.ti.Ii33Ci ~ C-ilftki0uiCivJC.t?ivJuw~O)~0to04-t-u~C0)~i-Ci.
t-.Imu.i3Ot4
39.ti--ttiuC-Ci-Lfita270Ti-l0 JLfiLiNJ4-!u.i0Ou.0.(OL310)0&.tiuCE00-u.J204-
CC
u 21 u u
.OCuCi01u.JO2(O0.ti010.tiC.w01u.JWco~CItO)43Cs.tiwtAu(w(O.tim010.ti00ijioo.cuo.~iJi0ro
Litiitu3OLi3-u.t3 u u u mi 9 3 3 t tt
t-dti.43u.i3dt-3td
tv
mm
n3ttl ITCtuQtutfiCAtu01?itt.4-.tit4-tt4-.tittt4-.ti4-LtL4-iy>li.)333(O(O(LiCiJL.)041y>Ci4<OLiu(Ooiu..wiaT.iiir-I u i u u u u i u m u u u u u t t T u u < CL-??- ffi>-~ii L>t O. 9 C>7CI ni? CC DLI fui O) Ci 03 ~i <ini u 0.) u ni? O? Oni AA CC CC. (Ci 04 03 CC Cf ACI Cu Ci) cn Co CO CC CC> CC <CC
CO
-1-4-4-4-4--ti 4-t4-4-4-4-L4-4-4-4-t4-.ti4-4-4-.ti4-4-4-4-4-4-4-4-4-L4-t.4-.titL4-4-.ti4-t.ti41. u.u ti u-..-. la 3-al-) 10,1 u; tu.> i tui Li ti.) t t (34 L.i Ci.>
~
Ci fl i-i -~
iL
-33-ii
3-.~ <9
O
Li.
Li.
Li
CO
00>72
E> 00000>7
02 0000>7.00-7-007-212 0C71>7i2.i0210000000021000000-AAuoCiOooooo>7ioooo 00000C00-D0000002OC020202oooO23oLAioooCoci
00>7-7> 000
ti4-N3
N4
tu.4L
Ci4t-)
.1iirii
>1>1
J4--Ciit..
JCCi;?~*4i)~i.4iAAuuLstiLi.i?tu3-.444-tui0t.iiOr~ii.UliuiLtuCu?fiCi.
di.?i-0-.JT-l.
flu
355
u)
,
~ ~ ~ > u, un i- ti->)
77.
u
t
i
Cl
u
u u u 1 u u u u u
u-> >a t u.) 1.? t u t u u
Li? 1-7 Tu) u u
ii-LI 1-> u i
u? 1 -guL Li 31>1> t u
0
~
4. 0 3 0 0 -o 0 ~0 <0-O o0 0 0 <0 0 ni 03 03 0) Oua 93 0) 03 03 ix 0) CO 0) O) 03 0) 03 0) 03 CC) CC) 0) Ni 4 -J Ni Ni u u u u t > u u u u u i u u u u u u u u u m u u u u Ci7-?.?iO) fu?iC?-d4CLOuX77<77-~ ~
Cii? C>-Ci~Ci ~ ..g-i-i-0-LALIi--i-ivtuLi.i.-Tdtiitvuuitd0tni7i(i?Iii-gDLi4 4x.O)-f-L21dCm-i-tun)4-Lfi>4i?uuOi-0

iJiuD
ti
d4-LO4--ODLt
-zttuAIuuu
2itZiCA0-fiifit>LtllOi 2Lg7><9 311>O d0ltuL312iJi>7i01f7>CiLfl-
i4C~Ni.uifii31it~ 2iE>iO2100Ci-IiOCi?--i-i>7u
.-tuu>.
fin
fiiai..)i2-imu01 .u4i?LiCiA?ug.DLtCNiAA 01nuLficuLmviJiiDLvLAfinu

JOCiL3100-A4L3100iJIOu.d0100i-.toOiJi
u u o
1
rnO>7ulO12.Cii7>000E>uOOOizioGiCilOiifl
-A
.--.t-ttii
ru.u
u
04-27>14-
i-i-
Cu dCi?tC tul) dfi C7-ii--O
lSE,. -.14-O <4CmDLifu4-JiiL.iJJituufi iCAtrli-i-f03-iifiniujuiufiLiuiIiLiu.]QLfiri0iifiCii-i4>tii-idiiui
Ju.iIJiu.]0104--ni-.J0(fi0-j03-O) ~Cui33(O-j(O4-->703(O4-L31-flCi.i-Lu>JCi34fu-7>
_ 21 u Ji ha>
tu u.-..OIi.ilfLiuiiui 4O~ 4-JunO-4-CitOi?ui-tl 03-uLfiL.i?fi0iiiu.JLiLiOiii--OL.iLtu0tad-Li4-4-iii-- 4-uuiij)Lu.i~~i-iJi>4NJCiiti0DLtiDt-.N (OIJi0mLILi0LiuLi304-uJiFJiOi-m31ifiOiCf1i-j(O.4-.tit0Lu?iCOLtutuiti~4-Lfii?Ci0 ma-iuC~Ltu.i3Otg.i-i.lu.ii iL(O4-000lii-0)-ti0Lu.3-O2 d03OCCiLu01~-.tii-ii--Jt.tt-i-4C,~4---OCr.Owi-CmCitAL
tOt.43-.itnimOtuudt.4
v4Wtdt.4303-u.i3-i4t0
(Ota0Ni001b(Li00DLiNiCi~(O3OO0001LCi4ti40)Ni0Cfi1O0CiiLtu4-Ci43-d00)i-Nt001O00301.tiLOLi u u m m ti ti u 9 mt mmi tu itt ti tt 99 tiuut.udru.i3-d1u.iu-i.i3-u.i ti u itt t it ti u m u tt c:oo~ooooo~nooooc:ic.~.o~uo it mt it itt iii
itt
miii
ff.)0)031?Li0)DiDiCOCiAO)i4)0)0)0)03COCO03COO303DiYi030)O)030307i0)DiCCIO)DiC<tO)CO0)0)0)DLii?igO)0303Ei4Cu->O?i0303
4-4-4-4-4-4-4-4-4-4-4-ti4-4-2-.4-4-4-4-t4-44-4-iIti4-4-.4--ti4-4-.ti27
-ti4--ti4-4-4-4-2-.-ti4-4-4-4-4-4-
u mi mm un 2: 1 un
CTuCh>(Oi-O
--.Cunit.>
dNil?fOi00)C00-uJO000DC3~04-(OLiCi)~3-Oi-ti4-.titxJ3OW(OCi401.tiLii.ti0101030)LfiNii->tNi.ti4-ta
u IX >C~
O
O A
H Ti. .1/ i ~
u
ti-
fiL!
-43-u.>Ji>tt
d3-ifi03-.4L31fu)0Li.~010Ni-d0Ltuu.4Ci.t0Lili-fi001Liri.itONJi4WCi-~Ct~7>Lfii-.40ii4rOI?C31i--j01Lfi fO!) J0100i-dOO01iJioOtfi3-.?iNi010cuOLit01>i-fi01iJiNit)3-00001Ni01tJiLi300CtuOOt-3O CiO2iOiiii-.AluifllOoOCiC.0>7iCiOOOOOOCuOCiOOOOi7>i7>0000E>.2.iO000>7IC>OOOCioOO
PIE)
COCi-.-Li3-.) -ii-u.ittu4-td .4 -JO

4-C.)--Liuft
tiNJ.i-3u.i .i--tLit>4 Li4t.?iii-iitd(fl4-u)u.ijLLuuCii- tO.nn0Ci ou.LIC,.u.iCot O4Iiubi-tii-tiii-fiIJii.u.itLIfu3Niu..tCiti.)C>~Ni0ii-i-~Ci4-.ti-.i---o i31i..i?i. 0C.)--.J01.4Li?uf>i-tacfi-Li-3-O-O-.niixio 00)Ei-~010c-04-03Id0(O0)4-0DLu4-Ci-i-i01iJi--t4-
Pl~ un
ii-L>00txi00Ci~4-03i.4i-CuiiCi2u21-1iuO~ifihfi .Cituioufii31Cr--JE.4Ni-d--i-JCJiiA>Jiu-L4iLi.tOuL,i-7i 04i-.JCi~Ci-liffui.a7>Co4-ug3td3ixti4ti01dL31i?uCAO)Ci-t-4-~uta
444-
01i?a400~C>.0010)LOi0tLi<4Cf0301t33O(O4-u33t,4mi->01(O01
J(Oi.iu01i-d0Di4-4-CfiC-tOuuCi-
T-. ni ti
t
(OLi.iT.itiiti4lui?t)T
t.>3-u.i ji,
3-anglt-gtg-.
1 u u u t u u u u u u 9 u i u
i-i--
-JA>-i-2uO3-J4-
3
i
U urn
u
u
jilii
u
u u i h u
.
u
3-~TLipi.4~i.g>i3-iii~>
u u t u u u i u u u u u u u u
uu
ru-u
t.i3->tit.ilit-]3-3-.9t.43--]T-u3~t--T--.il)3-u.it-?i3-d3-.)
u ji uit
t.~iIPi
71
(3~E>il334--u4i?i0300lA<t-4Ci-L4-0)ly-<i2TtitdLLii0
0-07)
ji u]
Li
O0)j41<u0<0LiOEi
c-C 0-7 Ci CC imii31O.001u>~4C>Li.LtufE 44 diii 4.11

00212002i00007>000AAi02102OCL0 C07>C
Ji-
dLnniZi.i?itOC tgCL-O?~fl--jti-~i-i-tTi-.Ci~(-3103jtg -J Dii t-uidtl-uu.,uLYiu,utu-Li-lLtlL,OLtuCi df)- -4--AAfuu 0L31C1101-dO--4Ctu3OtJi03i.iNi01JiNi001Li0-dt31Lfiii-fiUOkguJiOiJiLii-u.JNi01000tiitOOOtfiLi01uvOi-,JiJi0

CiO2iOC-0COOOOOCuOAA?0000000C
(3-u o
u
ni
t
tdLiijg(ii~Li>(ONi4-Li(3Lti-flCi44Ni0)NiWtdL4-tdN)Li3>4ti4t3.3LLt01W(OL.
-C~Cu3L.-~Ci.t-i?gi~-i)2i?fiTii.iCCiLt~gCi -JCOIt.iCi-i-tu-C-i-i7Ot AAvihu taCO -Ji ~ DLiCii.i33Ltu.~(O3d(340CiNi=itOLiDLi4-LfiDLi?NNQ31L030Ci -diltgii[fuiNjCi
mo
tiLi4-L31DLIii47iti2iCi~4-Ci <uOl0i-tiOC-LJt4-OVJLOCOiu.u04-tdL31Ci4Ci uO~~CLi2iO.i~LiC. 4-(3403Ni01Nif>Di0Lii-)0)0CONiCi-013-.4LfiL.i133DLl4--ii-i
u ~ u it-
u
OCfi.Cu0u40)VJCi400(4Li?iCi4-3-NO-m-d0VJ4Ti-flNi4-Ck.(LWDLI0tu.jJ4-fl4Cm30Li-4i-i-4-.J4-4s21 4--dCi-ta
xi
-Ji
hit itt
~
O0DiNi0I330<(i01i-tiCi4uuh<i0)Ni&1fiLi000)O?iLi0DiNiCii01NO0)01LChLi03--40>tJi4-i-CuJ ti m mmi t miii u iii mt mu tutu
Ci)tOttit>33-idtOt.?i
t-dtrd3d3-dt-.43u.iNi
u-
it
mli
uno
u u u u u u u i u u u u u t t u t u u u u u u u CE.) Cg) Ci 0) 0)0) Cf CC 0)03 Cfu Cfi Cf CC OJO) ~3 ii-ii fu 0)01 CC Chi CO Ci) C3 LCi 0) Ci O) CE> ff)i 0? 0) co Cf DL ff030.) O) CO 0)0 CC CC <u) fi CC Cfi jt<iLfii-itLtuCTliJihi-fiu.1lJliJiLfiLfiLfiLfiAt01C31~?i-tu Cfii?itlLfiLfiCtuiJii-901-11fi-tuiJiC.tu -tuJi01 -fiLfi JiLtlLfiCfittuiAifilJifiiiucfit21
iJi-Jiu~uu.ii-ji.Ju.j-.4NiCiCifiNJ.ijNiii-uu.i-j~.ji-uCi.f)Nii-4~.ti-iNi.iJi-4ii4.4~idNiu.j-ji-4u.jNii4Ci Ci.jNihiiCt~Ni---.tu.J-iu.. (.4.liLii3mu.u2i<i..3M?ilOi3-.4i-Otci-CiiChCi--Li(O3*itO(3i. ta-.i-Nuti3-oii-.0-EIC. OiDLuDt
21
ix ti u
u
UCiL~fivJCOC3Wi-J0i~3tdLj~iNuLiLtu-iJ0i-XJ~LiCuu43li-u.IC31CY0 dLi.)>i-i-COuIii-tui--jih~--4l.uLtl-D3-d03i?ui.u03-.i-m-i-.tDLuxiiiDLfi CAt.2tJi -~,001iZrO01d013-.J0ijtO>iLit3acfi0 ->J0ti-u.iAA>ii-tu 4<9 2fi (1011)0101 0001J-4NiNt0101Ni--d E>:977g02i0000~7> 0ci0-7i0 (1007>0000>7 OOADOCOOOOCO0i7>000-
it
ti--]
C>4-dDlu.i~NCiddfy010O)<iLO03Ci-Liii-i-~4Cfu4ii-til.iCLOOCfuni4-3.4u.viOi40Ni<0CyC>E><0.d21.i-itC,0 .3. ~
~td
(O
t -A
3> 21
C0i3tiAL0F.iiL-tiLiuNtL31Ci.L4-LLiiuIffiti.~C. tu)i\i0)fitimi-u.itiu~iyii-~Cflm-u.glOi0>i?(flC,0t4u.rit.u~Nii.iL33-.iuu4id<i-fiigO-(iii-,LiDLuWJiOCI4--.7)OOC)~-dNi->t0b4-01O dii Li.iDyiLLiO)liI01i.h4---&i~i.i-tl--.J7>C>uLi?iCit-iil-u.>fi
miii
niL)
~
i
a(O-:<w
u
u
u
lu>uuiiuui>>T.4 4-W21hi03Ni4WiO4O CV l>V>>i4Ti-hi Cliim001000)i4-U&i1NiC>i-01 u u t u u u t t u u u t u u u u u u u
u
t ti >9
u u tt itt 3
J0Ci?3O0--.iCi-LWO .?Lal..)uli-lt..ut-Li u t u u u u
u no ful
E->
hu 4.4-4-mi-4-4-:.s4-S-.4--24--u<-C4-ti4u.4-4-4-4-4-t4-tit~t2T.2i-L4-titi(14-h
ti
iii
ti
hilL
-.-Cu44-4-4-4-
tI-
i2.i ~
fi
OCu.f>.0C>~CiCii-i Cif ~ 4Ci.?~(OL>CdNi-OW9--ui4i.-i?Iii-~Ji-i4-4-01

(-tu 3-.21~ud0NjiJi~TLii-iIO?iCiit.)di?fitJi7>01i~i-0)>7iD3-Ji~tuCi)>h
dC01JiLtuLtui.JlLtu&i-tiLt44-iti3i-VWtui~fiitulJiLtu4-4-4-i.NLtuCi4 Tgi--.l.4Lfl~lii9ugLfiCfutiE>-u3g
ti> IX
1)3 u
-uLfiCJi20tuY 212.-C.C. 0-DA
-uOdijiCLfi-i-Ji>l -j-02CiCAi2ICi2i
fidni-JLtuoCtu0101lLfio01CiNi?tuL31--u-i-41Ji0100000--dJ-oui.i010-i-iJiJihul v0v02-2C .002i212OCiOCiOOOOOOOC002200ClE>i0
un u
u -A u--y?. T-.)Ii-~u-g~Li~LO3--N-tit.i-i1-uLCihfi~(OCi4 h43i.iNitv(OLiLtLi3i3 taittu-d ~=I04-u>iNu-Ji4--iJ~-iLi010)Ni-.m0liiJiu.)~idi4--Ji0i7>ti.iCN.ticiNi3-i3-acLi~nir--0iJi..u uiii-21 CMiuniCflt-. ~

4. -i44-4Ii> -.O?>uO-d4-I~iCAO)--ihCCOiiiJi(.i--CILfi-Ju-dO3Li.-7>IJiCl)Ci
t03Ci)cfiti-uLiCii-u-~4Ci?uJiniujul?fiCi.tCLUi
>1
u CE un iC
u
0A.n--iI?3101NiO33O--.4~uO4-r0wI33iJi0hu3>4LfiC>~Ni.ti010O)sNu0)3OuOt.4C>.Cii-03Lis-4LnLn~4-4-01<00
Ci33OuOuO3O3u.i3OE.43O u tui
3-1u.~--
tJWFO343J3Ot-u4t0 it tt u u mmi t mmi iii m t tu ti

Fui
(Om0dO~~C.tiLO0003-.iO~(O3Oii-00001.tiLO3O0)NiCL)tlCi0O~LfltiCi4Li00)Ni0LflO00301L(OtO
it
mt
it
uu.toLitu-a3-O
O7>00000000000C00007>00 uit itt t itt itt mmi u tt 1999 LY>0)fOuii03QixDi0)Di03CODLi03DiCCiO30)Di03OiClifu)030)0)CCJ0)0303C330)030)0)DLiCO0)030)0)inigDL0)W03DiDLiIni)Oni
ti
ti
4-4-4-4-4-4-ti4-4-4-4-4-4-4-4-4-4-4-44-i-ti4-4-4-4-L4-4-4-i4-i-ti4-4-4-.(.4-.ti.ti4-L4-4-4-Si.4-4-4-4-4-
2: 1
~,
E)
1
-O ..J.dhi-xt LfiiJiiAT.)03-O(O.ti01Cti-NtdCid>J01Ci~4-Ni.tiLi(O(O>j4.ti4-4-tiLiEi.ti01CN0L(O.tiiJiNJDi00Ni000000
.fil?fi(-tu01010tJiifi04ifiLtuhdt0(Jii--403-i03.)NiLitt0niLtt231Cfit0010LfiLi0CLi0NiCi-fi0dN>LfiLfi~d 000.000 02100000007>00000C.00000007>0000-02100000
IX CO
0
A
Ir.-]
Ii
113
<fu -nCi
.Li -t.-3LuCiIi-Jth ti L.uCO030-u-i-{iLiiiiu t d -1 dL3t(ONJO)0CC .ulita Ci iy>-ti-0uOONiOui<ti
-u.J4-r.fi---OLi>Ci ttLiu 00
OLit4-01t-.)Cni{iiit-Ihi~u.d-i4-u-uCi-.?i?i
J(ODL4LC--]003NiL31~(-fi-ti--J.ti01<Lfi-
i-LOij4LODLiCi
-JCi-<uLi4-i-.ttL(-fi1tu4-~J4-ii-~
iy>0L31I31(O0030{i.~i.?i.~fi(OjxC
A CE
21 o
01~th<uhuLfi3-u(3iihi-fi-47-i?-~<4) -j>4C)hiLI0u-OCi.)--jiii-iihI-OCCi..Lf%OCi-hn-Li.i--i
hiLo

--~
dLi4(fiEM3-~Aig0~ti Ji..-. 4Ci LfiCdCfiitidLJ3-iLiOCi0.ify4-CJiCiCOLiit.i d0CflNi?3101.-010Mhu01La0)Li44-04-N4(Li0)0O001(OCi-(3uuLCi.-dt
ru
uy> .33 t-u
lii <9 1,, TiC--- ifl-~ ~
t la Li t-) hg 3.4 u u t u u u u u u u
u .?ldiiiTa>Li3-ViuVitOT~
-i-
3-3 IV t 1? 1.4
u
C(ufu)d4i
i!i~
u
i
u
i >1 T-it-u.iy u u
u 3.3n.4tIi.)ViI-uu
u
II
u --u
tu no tu?
Tui tui u tt iii tt u u u tt hill it iii ti <OuA) ihCtCfu?mCOCOcOOniCOcroniuniiDLlCOCOOniL-)Ei-CionIfgniO)fuL))inC0303CC177)C>nirfiitnoIIDLi03cCicru03O)CCi0)03-h?fjniCOclAlO)
19
ti ji
~
i-fl~fi
0?
4231
i IX
mro
202000002OC021-hA,C000>7i002h7LDOOOoOOOOOOOCO-i00000002 u
>71
.10 lij-u.J0--d>Ni21u.tL31Tu40031Cfl(-31-jnuiflLi01LfitJiCiui-fidC31(-31CAi01Lit0100101000(-31!u3-.JOOC.CfiOO i-Ci4030O)03OhIOWtai-.01tu.it-.u-dCuhiCrti-OCiNiO-i.JiJi iitaTLfi-J ddC.dLic.t302ut.--WLtiLfi7>ia01O
r o
Pl
Iv.tiLtt4uu.uLi(O~LiLt~>L01ti?fifitiLiJttifNLinuai3.4ti33tii)0i0Li3>4Ci4L3u.L~Lii3>AlNi01i-3C.NNjNit.3
-lTuLiLtu2i4-ih>-d-jifiVglCCiiAiit-4-diju-Ci(y>iOi-lC--J~CiCKi?D-C.) uLilfiLi.hCi~d2i~.Ci~<in?uh?lt.?ii.iiihC3t
4-u)
ti
jfIii--d(Lu-ui034-L31-7>Lr0Cu-j.tiy>3O0001~4-0t-.i4-Li04-Ci0-O030Cr01(-3101CC>Li0(-tui)hi (3i>Ji.fl3Cfify.i.~010.-(-314i.0(-tu.tii00Li0fy.--N.9.-(-fii.hift4-CCiN>-3i30.-.(343-.h001fl3iiinit4-Lui<i0 00-d0(O4-.0)000Niwui-u0)i-.i3301.LuC.(O03-0000)00)0Ni04-033>4i.O(O0Ni0Cli(O04- 0)iAiui.u01
u u 1 9 u CE un
u ~u
Lii u u
ty>tOt-O33-3-3-i4
i7i-S-Ci0-mi03Ni&.ii0i-00L314-LOtd1i0)Ni0CJfit4.~0303LxiLi~~)Cti.4
3.itta3-Ot-.43-3O3o
01Li003,Jl.tiLOtu-403i-dCi-014--0)
u-ii
u
u u u C
Ji LJi
it
it
ti
ti
ti
miii
itt
mi
ti
ti
-
9
01Lfii2fiL31i23101t-.31>Ji014-4-t4-~L~4-L4-4-.t4-L4-LOLOhi.)O.it33(OO.i(O(O(O(O(OLO2iLa(Oty>fu(O(Ou.4
ti
it
uro
un
3-1
>
tu
- Cf CC> 03 CC> Oh O) hO co Cii ~fu E> flt CO CFi <th CO E. - ~ Cf C <Ci <fi <Ci fui <fi CO Cf CO CO <fi CO Ci) 2.t(-fi.TTJi Ji it fiLfi(-tuiJi?tuLtuJi(3l-ALfiLtuLfiJT(-fl01LficfiLfiifiyfictlitu Ahfitflcfi-tu01TLtuufi
t u u u u u u CO 21 CO 03 <0 CO O~ O) CO 7iNiLAi01i7>00LiLiIJiiJii-L310-d02OLttONiLflytufaiJiJiO3-d-dNi011Ji(-33uJi01tJi0NiNi0-ud0-diJiTytui
tiu
tun
Ci
Lii.au-.tt..)
t->3-.?it->uu.JTLtt)3--3.--(O
343-L.u
~.3-a~~>
-d ~
LLuaC~3-dCi~0Ln2.Ji001Ci .h~LiiLm3ci.CCiO-tu.~JiuaL-t-ui--.--lJi4-u,i--.&i-ni-uihuummoLfirv0.~i-.04-u..01uJiN~Li. CAiniiYIlOiCui~ V 1ilO.jl.>iIi.4-t>uituJiCuiJCi-jiE>.li21tuiiiiia7>i->Jig0>,r.i.-L. 03CuLtuCi.0ihO(O-C&.4i-.4DLutv4-fOia4-uiduu.it-&.Iyi~-h.ii-tgw 01u 0-i-d~Cj>J4-ilOniCi~i7> 04-fy-ODL4-W0toW03N-j01w40>3l3-o
-A i 2. un
fi
357
u.g.u.iT~lTu.i3-.gtu
u
u
ni u u u u 0h0C<Itu
u u u u h
u it
)g
no uro 7 O? 2: u 1
iii <liii
ti O> 1?u Cu C)3 4-4-4.4-
C0-Ci.77-Ci-C>--(iC>inumCtICOCOni)CEiOniCCiOCCI03iYaC>)icCCOCOCOCOCC-Au>--dh--t4--J-4-J u t - u u u iii ti iii it u ti u It iii u CO Cu DL <fi- a. Co fi L~ (O th<i ni CC 7< Ci? CCi O) Ci? CC DL Cr O) <u) O) iYt 0u O) CO 0) 0 0) 03 0) 0) 03 <fu <4) 0.) O) fi CL -t----ti4-4-4-4-4-L4-4- L-4-4-4-4-L4-4-4-4-4-4-4-4-4-.ti4-4-4-L44-4-t-.4-4-4-i-ti4.4-4-4-
ii-iii
YCOI -t~Ju J 4 uudut-i---4-4Wj-t-t-W- -t-u~jOl7id-4-dvJJO~OCCiCiCiCO<iCi w4-~00.)~00ONi0)Qu>JGi-4-01LJW0iu.uO0TOt>4tiOi-ti3V-NiMjO--t>4tO&0&~C>-Cii-L~4(i4(OiLiiitj

-
2) Y IX
ir
E>
3d k4CtiCu d:Ltunumg ~ jlO..fi~fi.~tufi u> uit ~ --tiO cii-.-uii21CVi>7iocuCi>7iE>iCICVOOOCn.0E>onOCioooOor
u~
-t ii-iiu.iiE-~tuCi~01>u _ ull
>iiv
4~ 3>~ i4-fi4-034.00-dtJi.ti010)03C,.~>-d(O~Di0-j(O0104-tOd-tii-glJi-i.i4-4 ini iE-Oi-Z-ih-Cihi-uhi-mhifuhl Tat.uDLi0i?~Lfiy?LtuO~CCi-Cti-JCi~>42itami.)d~i
u
jigVniLi.) fiC J2?-CufiO
u
iv
<flu Li (3 E-iluvfui .flLfiNi~..330Ci00u.JCuN4ti0-f-00i-i-iJCiti<i00OudT.3 u?g--j 1. iLii-fl..i.CiiCiJ2ii.tu&.Ci)(Oufii-iJO?iy>~i-i-4-93.ii-i-tiiy>iit4-ViCNuOAidCfiixii-ii4i4.-dCfiifi -i--Qjvi~4-w~.f>w03~f> iJ4--O0-J(ODLiOtO03-~0)0(O014-0100LONi0)001O)0
Li43-<t0Jii
(OLi0
ti CuOOOOOOOO7>0000>7C020C0
1
u
u it
u u
it u i
(3.>3O3i4t->33tiItOtiu (34W3.4303.4d3O3O -..001i-tiLOO<03CN(O14O0001Lii)3O0)Ni001t0O00014W3O0i-4C-010<i0)01L(Ota ti it u mliii it iii liii ti it 9 ti
u iii ti tutu u
iui Ti
13
--
t-araLiui?ut-.)3>4t>3tiut
mii
u u mt
tui
4.4-4-4-4-L4-4-4-4-4-4-i4-i4-4-4-4-4-ti4-4-i-ti4-~4-4-4-4-4-4-4-4-4-4-4-
hill 21u TI 7] >
E)
un u 1 IX
Oi-iiiOitDLiDLu03i?t7fuIhOuiiDLu03 iv .Jtu.uw4-ifii-CuEi
uiCEu03CCiCOCCiC>)O7IiACiDLuDLiCOCO0)-dNi0)C<0)DLiO30)0)DLi0)Ohi0)CfCfu.O)O)OAIi?uAi-17uO) dIJiiJiti(O.ti>7i0Ci~00~~0030)01aL.ti(Ou4iy>L)3NiO)lJiCi~u.J0->?u00Ou
A
o
u 1
LiO)0 LO-
l-JLfi~j3.Lid
-
43i010 4Oih,Ni0tNiONit.fl01N4taOuJiNiONitOOt.uONiCi4iJiCi.ty>-7>0)00tJit.i idliflflE-i>Ji03-alJiO3OL31LfiO013-OOLfihJiOOUCi(-fiLtuOLtuOifiduT-iiui-47>td2-OOiJi fCE-i~ui.0E>.2i07>0CiE-i2i7>i7>000000O00E>iCi0000C.CuE>i0zi0E>i0lOit
u
u 1 --iii
--A
1
-A u 5 u 21 ciu
Li---ti
-3 lfiTgT424-.I
E-.3fi
t.gu-d 3-d Lini (OC311Li.u)tu3-ti3->i-)-t.t.i-.4 0h33ifiC)O)0~O-0i-ti2i-ug-Cu>i-tu-Jt-u7ii03C--(u-CtV<.)-7>>Jii.u.Ti 4UCiCOd-Liuvi JuJiriI-utitOi.u(-fi-u77177> Ci-i?fi4-t-Ci~u~4Lfiuifl0CCiCi~L31 4g0-tiCi)4-.4-Z-t--CiC-O)Z-y>
rn-t
Ti
i.o (-fiOCy>
iIiiuij ~ 7>C03i.hhi)0O)uJLtuOniCurui.Ci2i4-jfiO - iii (-tut4 i-iy>inug-uv-~~i ClDLiiiuLfiui70O4-O)-ih.-dui4<jfiCN-mhiSi-CT4-01000)uJiiLii-tiLfi-iini-fit ti (i Ti0i?31fi4?ittiDLu(OiS-ti-.i-fl0(OLiiJl0iCit4u.)NjitiNdtciCihu01CiflO.tihi-u4~dO~0)0100) d3.313301i
uit <iii
7?Vi
3ifit;
CC
t

CLtt-t~. iii DL-}m

O Ci Ci) O) ~~Ii~ig CO Ci? O) CC 03030ff ULiuCO Ca 0)03 CO CC DL O) i.O DL-CO O) CCI 70<11 1 <Ciii? Pt3l.tuLtu;tuiJiLtu,31Ltt01LituJidl01.fiLfi(-fiL31u.fi01ldTu~fi01LJiLtu01.JiL31ctu4-Cu4-4-J.44-4-4-4-
70 CA)? A? fu) O CO LtulJiuTl01LtuLtt.jilfi
u 71
-it ji
Ci
E-i 3(3
O lUCO
-i)
DL CC -A Ci. -Li) DL 07 <CO DL 0)0)7003(1

d4-Li0~i--00O.iuW-uJ01Ci-Nj.u<(Oai33--
03-nf)) CCifu
1 Cfi
un 2
ji
<iii 1 lO fl CuY> 2-00-7ruiuicoiuttti.uwuus.iinucti0zi-0..v0
r
ti3.u~E-JiL(30Lfi0LJl7>01~0(aifi
utufi~tu-~o
i.v>i-~0-
juu~E>u2.0CE-E--
t300NiO03uJiONiiJi01NiOOOOLfiLfiIAONi01DLit-,CfuNi Jiuifi>fi-7>>i-fi21-di7>OLtui7>2i010000CiOCi7>(-fiCuuitu 0-0000iE-flOOOOCLA00000000>7u007>000000
jifi
2,
TI
u d
ii-ii
ni
tii-CiiiiCuiiilitCiii0(O ttu4- di 0>4-O Jiidlf
j4-njCiCi-i-iy>4LP4-Li.itDL~tJ4-4-Cmt.uuJ(-tuLu4CLii.iiLfitu.u~t.u4.LfiClLtu-u.t.uuLiCi4 d~zLfiiJiu-3Ci-Cfi dC31 i-i-LiLihii-ti i?.)-.Lii.-C~N4-ui--.m.4f~C).uli-0CyOO)uL(-fiii.CfitJt00303-.~0-.JCu.0)(OCuuLuh001.dCi-uJi4--Ani;1.h-jO)

tu--Ci ~ ~ OO)02---031Oi-J.tt~L~~01CiJ(O
u u 21
iii.
u
u NiiO0t.)(O0030.J(O0Ci4-0)4.4Ni010NiNiCC0ai0-~0010COf14
33tyi3-a3u.>3--43-tO
3i.mtt-.43i.ttuutu.>tt>3
Ni
4-oT21-CuCCi-u.JCi-i~-0-Cucm~01LiiLi0DLu-dL,.01u>4O0CDL,4Li-.ocOi-.tCr01ui.OO)01LLO0)--do-01.tio4 iii u u u i tt u ti itt itt miii tt ti itt iii

ti
- -l iii
-u-u
E-u
u
i
idi
7] ST-A >11>31
u u i t u u u u u u u u u Cii C-Li i?ii fu fu) CCI 1 03 <Ci 3lLtuiJiLfiLfiLfiituiJi~Ji(-tuLfintui-fih9Ltulfi01Lfiitu
t u u u u t u O) (0 70 <fi 0) 70 -hl hO V? Ci C CL tiJiALtu(-fiOlvfiA
ugu{iiiiiLiu?iig,hi-Ci-u)-Li Lu(i-3Ai--O-h0-L-C-Lih ufiitui?JlcI-SA4-ctuitu4-uiiCati4-tu(.>uxift4-titiiJifs.
-O0000-Ci-uii3uih~-Cd7i0-Cii-Cj0-Li-O--Ouihu4u4i-4-flLi-Li-AIig-u. .JiJifyJLt3rfiCCi03-JO0O)-jiti(Oi01tOniuJiLfifuniLi
i u u 7]
Cfi IX 01 2CAIOOOOOOCIOOOCIC.OCi.DOOoOoCiCuOCu
ig-tujt>fiJtfl>72210iJi~1~0E>021
-vutui-giuCihL>CCu
0ifi010ua01;fi0Ni001Cii310000L310001213-o0u31fi0~d.:9I?fiE-uiuTCi
C0.AOE>092C022u210
u 2) it
(34 CviUi?iL.)-J>
--. ~tu4~
~ti.
~tht.)u~i
CE
>21
uCuLCo<4-4--d0-dN01O0)-O-----dLrO(OCii-.ti-J003ONiLi-0LC(O3o4---o~c.mTN0.-ru) uu uIiNuniCCiticfuimuCfiCOii-I-dNiL31Lig-Ci>7uCi3tii?O0CCiCi0i-.4-i7~fi.0tiL31>y>CO0ni.04-iACiniCEiLCi-i,I
DL--i-3Ctu4iiitui-?i~ CA-ST> ~ ~
0C>tiCAu..) -LiLA Li-TiC..) -tiC --TJL-OC)hC> .tiunnii.uu-.iJiCi Ci-0-jfOufi03C

~
-h
uu? Cu
358
07Ni&Ciu-0
40.
03 4i.,-iJi4-O0044-tiuUuNJO u u u u u u ? u fli<i.ui.fui14J.n.fi.fi40.oici.cii.f-.ci0iA0iu.mEu.t7003030303CO0)fu)DiDi0)E>illiCOO3030)ffi0)03Nwdd-d
3 u u 9 u u u u 9 9 u
40-014-LOO u u u u
401 t
uOfi-4N0 u u u
-JO u .L-.WD34
u
u u u
u
.iauCCuihi?i<33Li)h-LoCi)i).)-uiCfi?Li4~ ~ 4.4-4-.t.4-4-44..272.ti4-4.4-4i4-Ci-4--Cu4-4-4--ti4-iCu4-i-C.4-4.4-4-4-t.uLiCu4-4t..ti-4-4-4-4-t~4-4-i-1i-
4.41
~ .4~.34-pi-2-0000Cu0ii~i0-i.hi-i.)(m.iJ0OLiut-ir-O)i77)i4iUfiij3i..gLi4-u4
.1
u
Ci
2
m
O CL
Ci AS
tutu
di31d3-u.>Ni0Litv0uyi01u7>01UflLfiNi00uaO01i7>iJi000N.)O01tu.>NicoCiLiO0>7~0>7~>i-iO~. Ci Ci Ci 0 2 Ci CuJ 2 -0 0 2 0 Ji O 2 0 2 DE> -7> Ci 0 7> 0 0 0 AA 2 2 C >7. 0
-4
mit ng
Ch!
-A
tutu 4-L
If Li-ii
tuu 4TI J t..)LhOhi-.J>Jit.30101OCiLIi--d01i$iitt.f?0i0)itiCCi-iCA0C

Ii iii
tICl~Li.uuaLiI~4->uijuCi.t>u4ii.tiiAAu4-4-tVi0101i--L3hCi.i4010Cm?i0ODLiMhu0O)0lLfiiCu4-iidlCi iaiLfi v0i-dui>7i03.ti001CiuiSTi?iDL>4-~.J01tSOfuCCi0~~O.ti3-dLiNitOLi40Q)0h31DLi0)Cit.ut0iL.O.ilOi-li fui4-~iiiEi it.u>J.tii.i-OOih>u.-i(y>203(j) 0>7uii-00130i.uOiOO4-DiiO.-C.Lfi00LthLi)Lihd.i-tuiij4-i?dt>uu.uii
(343-Ot-Otu.1N43i-.4N4tO (OW3O3-OtO3*itiJ3-O Li)ha0i-dCi~01.ti(O0<0)i-u.JCi(Ou-O00001L(OtOWNi0Lfl3-OO-OO014.4Ci4300)Ni00100G301Laimo it t iii iii ti T iii h it mt u 3
miii
000E>OC0000000000-7>020>7u
itt m mii! miii
ti uro
21
anuuadu.t-.uatOlu
ti4-4-4-Ci-4-4-ti4-4-
it
ti
it
tt
it
mii
miii
0)hfl?gO)030)0)03DiOiCO0)030303CflCO030)03O)0)07u0)030)O)DLuDiO)030)Di0)CO0)hi)~i0)0)0)DiCCCC.)0)CCuO)O)Ci7>
7711? 7].
.S-LtiL4-4-4-tt.tiL4-4-L.ti.ti4-4-4-4-.tiitiL4-.Li4-L4-4-4-4-4-4-4-4-4-4-t4-
fu Ct~CLiO~CC>0O---dd-d~-J.-dNi~dNiNiC.hhi Ci-Oi-O.0-0 0000 Ciou.cii-0.0 000 ~-d~.u-JNii--d-.mi--J-J21-d~--4-d ifiCi4-.4Li0Ni030)4-4-4-iy>~01-.-000C~O0C,g 0-dW-01O--JNiNi00)Ni0~i-~4-4-u-OLOLJh--iiC>Ci)

Li21210-dLi3OO)N01OONiNi01O01Cu01Li01Li03iJi010LJl0NiNitOOLiNJNiW-i-m>3(i~0Ci.)iJiha LC7>E>DifitO>Jiifi dL313-..it>3OOi7>Lfii?flOO3>43-SOOOCfiOLfi-.tE>iOOOu>33>)Cu!tti-fi>Ji00101CL31-d301Li03u..JOLfi i7>21C10lO.OiviiiOOOOoOCiE>.OCuOE>i0E>iOOOOCuOOOOOOOOOOOOOOOOE>i00002.
u> ir 1ro
l~
H u u~i
It
tO
-tiL
tciNu01(O3a
but)
.Li
tO3>)tu.iiuuuLiLt-u.i
i;
-
[9H
-
JiLfitu-dt
4.~i-i7iLig~----Jii -L-?fiC<.fifi 1 Lar.)-TlOui4DLi
JLij4-4-4-O00)LO0iJiLtu0ti4iji0d0VCi44Cii.LiCi40M)-NLxiECU4-O-~i-Ci~3>.)--0
Ci --1013-oc--Y> fu-o--u.u--jLOnI.TJi~r.ui?ig~2iISTnh-Cm>7Li.i-iCioni LCfi0i-Lfi-CuDLiLi4Ci~JitN4Dit01i--J-4CfCi4C-N3? 4-OCi-tuEfiiSt.titSLiu-CiO7iCi.aCCit.ui-i-(ig-Li01Nic31Ci.t.4L31ui4Ci-d-.ni4-C,~LiLi)C.O-i-Ci du,--.3-aNi00)4-.ti3-O4-.ti4-3OL04-01<4-4-O)014s0JiCi-4-.tiO)NiL-03Ni001.400d
u 21 uc~
Tui u
~-
H/
U mi
r 10
014-O h.gE.tiSlvt-O--i-iuDLuNttLOt3CO--j?-i-0-Lini7>jt u
ti.ul-Vt.iu-jtu.i (34i.i?iuiuuu.ht.il.)t.u.ti) <dL- Aui--.O<icuniSi4-Lu.m1u~CC-uCi-.ST4-~~0--7ii?7.Ji.tily>u-.)~O7IJ7
1~fl >
u u u u
t-~
tui
t-o 1-> u
u mmi
u u u
ti u
u
t.g
~l u fi it u u u h 7] u
ji-
3?!.)
3-g tu.i
T.3
u?
CC O? fu DL 03 L?7i Lih 39 0) Li) ni) CO fui-u 03 03 DL Ti CC DL 03 CO DL 0) 0? 0? CO O? fu) CO Cli O) CO CC DL 0) DL O. 03 0) CO .fliut01luTittLfi5101tuLtuCtuL31.Jicfi-.i-fi010101Lfi.JiSlJi.fi01-tultuyit-JiJiIJiUli.tuifi>JilJi01iJitJi01uJhliT4-titti4-Cu4-4-4-
tg tu.> u-u.= u-~uua u-u -u u.u u u u
u.> 3-a> Vi ti l-g 1,?-iii ti t DL 03 03 DL (O O~ 07 -g
IP
r
Ci ti
tNu
di-uE.))CO03O)CfIO?Oni>yimi3-Cfi-iuCODLiCO-4-J--JNiNiNiNiNi--u4Ni-di-j-4--dCi NiNiCi.Cu~C Ciii, Ci Ci 0
C-C-
E-u h 3
CO ~ 0Lfiu1ituuL313>iufi2iCu>31CI~iuO>7u01012icfl01dNi0CiIJi21001iJiO01CflNiiJiNiQ31i?n000NuL31Lfi031Cfi0 OCDOOOCAICvOOCIOOO2.OCiOOOOOCiOOOOOOOOOOOOOOOCiOOOOOOC
u u
TI Pl
t
i-atit.ikitu.iNJ3>jLiCiuhity>tji(343>i(OL3u.i3>?tuinu3>4Li3>43i.i4-(Oi33W
ni~ u d-i)-d4-lJiCUi-i?iCC.)t-.u.Liti.u uNi-iLtu,h4-Ciihi~Cii?-~uE>i4~iO-.4ci(i~
.-3>4i-titj4tO(i4133t0
-CiLfiCF-3.)--4r.3-ihi~LCi-Lii-u-4~i~i--~uu->Cfi4-4-.
-CCOC01 <4-C>-N)CdW-dJ0Ni.ti.ti(OO4Cii..uCi.0-J0)LL31CuhOC.Ci~d0Litd0(O4-f.u~0000-O0)~j4-04-uA4O. 4-003>uO)aiNiC< -LiC OuuitDLit?iii-u.]ti4-iJi3-O0OhiOE)4-0)iCiuih.ti0Di001.ih4?(O--.ufr0i--3-Li4tS421u<iiLfiNi(O~i(OCONi4-(34dO(OOCrLi3-votfl-u.j0Li0.W033~0-.Ni010~O(Oi31ifuLit30ui-.0 0LiCi-L31Li000)0~.4LuUi01Lii4-0W(O03(O4-O~0W01~-t4~d-flO0)03,t0i-.J3O03LflO.?tfiO.3O---LiO.iO
i i Ch 21 CE> u (Ci 1
Li43-.u3u3-dti.4n4 3>ttOLit3>)Li3>4t3 u-.> O4-(O000)Ni0a00r014-(Oua<DLu4C-Lflto0<0)(OLi~00)NiC01IO00)LJm.tiLOt.u--a-.Joi-TJi4-nim it it m tt m it tt tt u itt u mii Ti ti tuLfiuJiLfiL31Lfi010101tittL4-t4-ititiiti4-Lt4-.titttit4-iy>Ci4Ci.iLujCi4(3J(O(O(O(O(O(Oti-u3iy>t33(O(3?(O(Oiji3-it u u u t u u u u u u u i u u u u t u u 1 i h-i t CCI mCi Ci CC- 1?> CC -- <u? 0? Cu Cf Oi-- t O) <O CC CO)?- Cf 0) CO Ci? 03 DL 0. CO CC 3) DL fu) <u? O) CO Cgi?) DL O) 03 fu? CC CO 03 CC Xi Ci? Cfi 7> fu) <u? Cu
i 17] mm 321 u t 71
nt-icniCOC>icri-u-uuNidi-d--j-~]-u~d-J-ju.di-ud--i.u--J-d-.t-j-i.]-d ~-d-.4~JN4J~i.]tJJi--J-Ji--iJ-Ii--Ju.~u.4y 4Ni u iU~O21DLiL-0C.01>xi<u~u.im.titiwCii(O~Liti01NiCy.>fiC%-i-400100)i-.4cr-iJ04-m~.4tuLi.)Ij4Nu(O0.-.4wn fi

~tuiAiE>iC.002iO00CiOCtuCLfiiJii?:i0O-.d0iJi3-Ou.iuC.Oti~i01tii-uOO0-~.uL31iJiuiuOOOhJi0CuO0OO2iLm3i.Ni 2OOOC-OE>0OC-CiOCLuuO C7>Ci-7>O-Y>OCCCOE>OE>iCOCi>7CuOcuOOOOOO>7iOC7)i7>CiC.iu.v
ti2 uno
5
3d
~ ~ ~
niCiiNi<u.tiiuniiLiuCN4-0-2.f-u3.4O3~00Cii00tiic310301O4-o
-
] 2 OtaL
i
ii.~i~i-JS-Ci->uCi.u-v,ni4-AiCiCmt-uOi7>>fiCt.i-Ci-cun3100)i-id~<uCL0hg.)03ri>;igi-iuiJiCi.Ci4-O
CAfiCk--Lh4-4-0Ud<iJOfu ~
>7T31ttuuJCCi70ifi--Cig
359
uui?utit.)lim-itt.u
<fi
i,4l~IT..t-Ot~tmvu..>u.iT-
mo -j
O
~
u
i
i
u ti ti it u
uit
tihi~ihuui>~3-ii ri.u.iE>i-flO3--j(>-(OLiui-~Ji ti-lo u u i u 1 u tui
ro >
>2:
i
u u 1 1 u u u u u t t i t u u u - u u u it ! u O? CO CL O) Dii?) fu? <33 fll0) Cf 700) DLu Efu Cf> Ci CO 03 70ff a?- Li ni> 03<0)) Di Ci) Di 0)0) DiO.. fi ni <Cg, C?u U? 4-4-4-L4-.ti4-4-4-4?SS4-4-4-4-4-4-4-4-4-4-4-4-.ti4-4-4-ti4-4-4-4-4-t4-4-4-4-4-4-4-4-4L4-4-4-4-4-4-
1.-
Ci?)
i?i-CiCiCiCiCii7E0CiC>CtC.~Ci-?-C>.CF-Ci-O-CCi00-0~C~~CfrCi0-tflCfif-0-Cu CCCiCflIJilfiifitJtiiiLtuCfirtu -0014-01C>0CNC -.4NiCiCi-0C TI~dlW.-~00tO3ii3O-0)0)--3OWN01tO00)0)01W LOLOLi

1 uC- >311Si..)u>uOd0L-Ct-lh-uv-~vA&--i01~Lfi0)i)3miuLi OAvituOOO>7uii-fihi-fl-F.E> tlOuii. ~ 0210C2-00L307>O Ci00002000COO07>C>7
i?i-D-i-3tiJiLfi~3ThifiuLLigOg;Lfiu.-E>i CiCAii.)E>uST E>2002E-
.4nuuui.-..
x--~u< UOniTS3-O-i
~
tit-3d3-u.-i-~~~uit(OL.it-.4-.hgt3-i-ODLiOCt ?& Ii i-.tCi-O-d-tiO3-i.t.tiNitCiit-fiu03 Cuitti0iU.fi4-Ci DL> dflt.4-CAi-LiCO0.LCi.03-ti0~diL.4u-i?uCii
4<ii
i~~ii
<y>
-jO)
OlitJt-ti03t-dO0--40)d01
1 iiOCfLfiC-4-
(Ci(3)C---ffit?i~ig4-0wi4i-u n fi
uit
ut<.>334O4-0101-4014-007i00101-?g.tiOOO03O)O
i-u.tiOL0C.)4-tJi0010O~Ni03~-4-.tiCiOi
(34-3i4LitONit<it-Ot>3 Ci)(Otu-43OtOtiJt-O3O LO3O~i-ONi001.ti(OO003iJEi-F.i.i)tiit-0<i0C.th.tL(iitt)0)NiCPu.01tO00001.tiWN00)NiCP-01000)LJh.tiCOLi ti ti u iii! it 9 iii it iii tt t u ti itt u i it

3O3-uuN.)t-Ot.itLi3>itu-O OOOOOOOOOOOOOCOOOOOC0
iii
ti
Ih!
it
iii
tt
tt
iii
ti
tt
iii
iu-l mm u Ch ir
ti>
4-4-4-4-4-4-4-4-4-.ti4-4-4-4-44-4-L4-tL4-4-4-.ti4-4-4-t4-4-4-it4-4-L.tiL4-4-4-4-L.ti4-4iiC>iiiO000.4-iJi-di-jNiNii-dNiNi0i)i00OiCkO00Ci00oi00ijf>Ci.CN0CiNiNiNJ-dNiidciO
~
Fi
o u u E
O A
CO
H
_
E-.ci.iLUOoctni3o003Niw0300301300OCJhOtisO-.NiOOUvit)Di0)0Ni3ffuCtiti-oLi-4CNO--dNi4 01 ttuOO01lLiO3a>4Lfi~-uOiJi~.dOiJiOt~O2.O0LthC3)iJhO000101di.tCi01htudtO4lLth01tuLCiLfi131ituti AAiCICCiOOC.OCiOCiuAA.CiClE>.0.ZOOOCiOi-i-iOlOiOOOOoOoCiOOOCiCOOOCiOOCiC.
r-j
Iii
CO
i i-A
Of> ChitOcu-tu3-.iLfiA;7-u,u-STO-i3--i-u-u4-Zu,-ST 4-0C.i-dC.C>u.C~fi~t)N)i?fl0L31?uiy>Lfi2it.iL31>i-31t-u-7>E>i-2 CE 21
~ .--iuTi-uiiCy>iJi4-04-O)iJiu-clhu0-O0n44-Ltu~.Ttdtit.iiLfiCii jiJi .ly>4.4-CiidlOCiivO.C)u0Li4004-.-004-fiDLiO
O
4-Cu3i-
i
OCCi4uiO0uaLoch-(O3-O0O01C0040w-431Ji0011))CiitOtDiCOCti-010)NOCC
0)Li0CJi.tiwh<030KmC,
719
u)
i.4L.43-lLr.uuSi-.utat-..) 3.utviNit3-.Lihit~-~-~i-
riitiring-~
En
u u u u u t u u u u u 3 i 9
i
u u
u
-
u it ti it iii u it> It ti
Tt u u it fui EC 03 Cg DLOu
ni,
no uno >477 u u
fu.) fi Ti 0)170030)071 nC Di-)? 03 CO O? -1 Cfi)? fi ffi 03ff 04(11030) o~ ng 0)03 CCI L3 Oni 0. 0)CuAu DL.) CO DL Li) fu. 7)) 01JiSTiJi01LfiLtu01i~flt4TLfiiJi0101iJi01QfiLJi01L3101Lfiy310101iJiJi01LIi01Lfi0101iJiL<Lfi0101iJiL31014-iti4-~ti4-4-4-4-iti
O
u-.
COii.i~Ci OCii-CF -ii-O g0)DLi(1iCFi-(3->103 -Id T
dd1 d-.4Onini?ICuLCCiOAff03?L--d0)f3hiO)COO)<f .4~-J>j>4i-J-.-J ~ ihui?iLfi-LicCinuia4-.ti4-4-lii-Cu-D4-tOOivC.)0CihuC%i.fl4-L334-i?Jt4-4-014-t.it0Oo-i30
u u E-> u ti
0u9Ci.LOi--d01Ltu0.J0)hLi0Lfl~O01Li-.j030O(3)i-.u01ohACFiJiti-hh0)0OOi-.JO0C~Ni01Di-tu4NuoO)NiC(g
_
O
0000000000002i00 O
r O
U
CAAiCLAiOO>70000000E>Ci002OOOOOOOOOOOOOC
Pl
Ci3Ci?iiLiit -ti>uL.4 (-fiS-O CfiC- iitLiitLC0L31C
4-4-iCugt(i3Ci4 4-Cfi -tiN>ICaC4L3101C.Lt.3t>3013-.itu.4 tit.4t3i--t -tit.L-Auitu.ij
W
4
i-i?iCo-iiNit 4tOLOO4DLii.)cunitO0.LLiLiC,.h-Oty>010uDLiO.4COla01Ci-fiNi(-31bit01(O<02110103Ci-4Ot)03-Outu 3-.itiaCfi4-CChtiO210)1.Lit03-d.tiO~3-u00010(OcitcCi<u-7>iJi-.O0-.uLO03--j0)ru.ici~O(Ou?itu.u>33--0-777iDLi4-Li
u 2.
9 uit
uOiAj0(O4-03ho~NiNiOOwO0)r-(Ot.40-oC.010)u)-d~010.ti~001O0r0)ro01~4-OLOtJiLu?fi-.4 (OLitu.i3-O3.u3u.it.4 tit3u.i3-Ottiui3Ot-,.m Ci.4-CS00CChNi0(OO0Ci-iAt(ONitiOO)Ni001NuO003rriNi--~003NiL~01tifl0)hJi.~(O303>4Ci-hJi4--~O) t ti liii 9 it iii liii t iii itt (uit
mii
miii
it ~
Tt
3-1
ro
ti u u u
Ci?
21 03Cui-i~CuCCii)gi70i?Cghi?Cfu)7 O)071O)DLICCDLI03DLiCfuCL
iii
uit
iii
it
LLiExiDLiCiCOCC
liii
OniCO07.)ii-C177)0)DiDLi7u7i0)inOV)funinODLiCClfuni
ti
Ti
(1r- u-
2:
E-u 1 -4 -J-,--J.J-d-Ji-d-.~-d>4Ni>J-dNi-u.4Nid-d.4Ni--J--j-d--j-.4 JNiJ-ddd-iJ-d--u-JdCL.JddJ--d d01t.4-4-i)ut*h3-CuiLi.u4-t4-3-.>01t-.4~rat*>4-Cii-C.01C~Ci~014-Ci4CiiCr01C -.tO-(Ota3-O>y>LO.o.tif fiifi

1i-~fi~~
u fiNJifiuii-ifi-ST21 CfiOi-i dE-E-01 4OiJiri-i0OLfiODiLiiJi~fiifiOti CAa fi J>4i>33-50011i.ifllOi4(O0300001t-dOOLiuid i.jiui~ii OCCO2O-vu.i-~2ic000Du7>CO2CC02i-aC0vi..j00 u01tii~iiri31ciorOi-.4nnit dflty>N01fl.uJhhfiDiiifiLfiLii ci-OO 0i.ui..g
uu E->
4-4
~
>~-.ii3>3
(iii--
h-it-.ut
Liiu.ttL ti0
tiu
ulu-u
Nito (3ALi-.ti .40-01 4-1J01O0>40)tOl))04-4-CO001uf4--Ci01.-NiidlCiD0)DLi<9 J dfi--L 4 4ififltiCfi~i~>Ji~~ti4-CfitiuiC3CiiNiLtuC31ffiOigi001Liui31 tt ~d~~Li.ifltii-i-.iC> .~..Oiy> jCu.ui?i.> iCCii-fu?ifiuuuuiJii.)iig-i~h>LiCT.)41>14-ii
ti t>11-ii
1
~ ti 4-t.0 ~
JtJi4-O4.4 ;Jiififfi u.]~-4-uO4-u
di--i-tu.fu
360
03i-4E,
OuA ini
u
uuii
u i.i iCi~ii0 i~0l0 u iii
miii
iJitO00)Ni4-i>3>.)ii.J001.~nu00O)i-uJ4-(Oti0NiLs4-u.vi00wNi0Ci.iiiri~o..JCFtiivo it u Ti liii uuil iii u
uro
-ni
4-o E-0fi -i-i9ACOflCh)0)COCfiffi<OCO0)OAuO)CfiO)Di0)ChADiCOfOCfNi u-J-t i iii u t u it u u it u iii -guu(Ciffitu)O3ffuffiffiffi0)1).7)?CLiDLiif1Di0)OAffihi0)(Ci03i))O)Ci?iCuhuW))O)i))CC0)O)Cl>0)0)i.iCki030)DLDLiff03030i -Li- 4--4.4-4-4-d-.4-4-t4-4-4-4--t.-.. 4 -L 4-274-4-4ii-4-4-4-.ti4-4-4-4-.ti4-4-4-44iit-4--ti4-4-4-4-4-4-4-
iii
u 3)
o
4- u..) u. 1. -0 >4 0- 01 LO LO <u) Ci.
(Li
.f~ 01 (33 01 Cii Jh 01 <41 01 LA 01 01 0- (Oua (O (34>401 Ji >31 u? 0) 0) <003 CC> (3. t -d Ni >4
i-~J>4
1 m
Ltud2i000C0210000OCilOuui-t00tiD2iCi000000000000O000002>7i000E>i0~fitu
E-<9Lit>7i2i7>000002.OOOOOOOlOiOE>iC.i2iO0000>7iOOOOCiOOOOOOOO>7iOOOCOfllO 02 2i2100E>IOCOC020-7>07>OC-OC7>07>000E>-2i0000000000000000-.7>E>C-
1
ti> u
u-A
u
ni-A
--(O
-9
E-?
ti)
u.u t.)t.ittO

3.) -JLOtO
Ji>a>4 03>4-
LO 0(JiLii W CfiO)
4-3d
ti
tu.init -
CE>
<1-LI-
4d]0)
0i-Outi.)
(1>03>4
(OtiO
(U> 30
Nl 0
LJ1 3it0~
Ci ii0
cr
(i4N4ti.3a3>u3>4t43u4t LO(Ohu3>43O3i4t.) CiiN40Ni0uit4-Ci)00ffi0LON-0<0Cfl4-LON03Ni0013O00~01-ti(OtO00)NtCi-Lfl--0007i01.tiLOtO 9 u u i u ti u iii ti it iii iii th T t Tt Ti

n.>uiiiuOui.3>uuat.u3-u.i

ro
it
ti
ti
02OOOOOOOCOOOOOOOAAOL0 1 u t it lii it iii> itt miii it tt u u Cliii )iC)DLiDLiC-iO)CO0307hFChcrlCCiDLufu3t~uDLi030303CiD3Di0)ChA~ChCEiwDi~CiOAiChA0)030)O)0)cOr>?OniDLi03O3i?CiCi?CfiO-4CCi 4-4-4-4-4-4-4-4-4-4-.ti4-4-4-4..ti4-4-4-4-4-4-ti4-.ti.ti4-4--ti.ti4-.ti4-4-4-4-ti4-ti4-4-4-4-4-ti4.4542i--tiS
u
n
2-
LIlItuitu7>tusui>7.>7iO35t5i?i0300(O3 Ni-JN J>4-4Ni-d-.4--dNthi-<.i0CiJiL3101Ci-0101010010-0(-3101L31Cif.t-CNL31.JiLIJiJi4-4-4--t1403N.titiuuo4-LDLi3dcLt>)(-fiONtCi4->44-tJi(O0)0fY3u4-O3-OCCi4-(O(O 02.0000COOOOOOOOOhOOOOO-AAOOCJtOOOCiOOOOAAiOOOOCuOOOCiOLfi

CiE>i210E>ii..-C0202COCu-DOC-000.Ji07>00>7i00>7i000DO-D000>7000000-DOC-00 -iygi.-?90E>OCi>7u>7-02CuOOOOOCiC0000000200000007>0000CAuE>iOOi7>212u>7Ci
IX
~U>
~1
H
D
fi
-9
ti IJH
Lfi3-OtiO4->4LtuLfi0iJCOCfi4--dTu.ii-0C3-E>NJ~-Ci.ff.)4.
t ~ fftO3-O>404-Ci-LiuCi-CiMhuLiiO
tSNJ-dO Ci tao--dO -ti

iO#it-Sl-O4-014-(-fi 4-niuf -70 4--J4-LO
irit0 Li
id4-tS-DCt~--0i11-AOCJiO4---0-u.JCfi uNiCCi>uNiLi.)Ni4-NiuitNu4-00~40oO0.J>7i21 -4.fuit0O~Li(-fi4-034-OLi4Lfl4-0001CCi4-CuiCfl0)L00-.J0)O)01(O0301QU>>4.tiC(O4-Ni4-m.)0001000

.ii.giii.ut?ig 4 fi t~----. -hO) (OLOt.ut.)3-u3--.)T-utOua-
Mi
TI
u ~ t.itiLut.ut.it.uui---. dCi-Clii.)
[1
u u
luir>
u u u
u
hgi?ii-giau.iTS
u
iii u t i u t u u u u u u t u u u u i lOmO CgtO?Chniih-7iihi?ii7(3COuU>A03Ct)170fu?CCiQU>03i?fCCiCO0)O)COCODI)?iffii?luiffiiii fi-~fi01-JiLtui-tu(-fiLit(-fiJiLfifiSTLfi01LfiLit01iJiCflii-fi014-4-4-4-4-4-4-4-4i
uitutiili.iuiFiituuitiiiiuliui
tro Ji
u 1-u O
-
ui70. E.)iu?<fiCClCfiiii.iiiiuii103CO<ui>ti07tC 1131 fituLfidlJliJiLflLfi01utu fi015101tuUtUl
iatituiau.it.itt-.it3->t.43-itittit N.)3-orot-.utS Su i>iii~i.-flfliijLi-~U>iguiiui0-ui-uI-~?uU>-g0-(iii-E>i0.g .CiiAO)iYi~Ji-4u.ddJjCi-EiO(-11-. .i-i33-Au4-fi -4>4ti-(i OCfii?fitJi-tg-AA-CCi4A-CA(LihoJ4-O).xiCi.o CCuiu.iOAACi Ci-4-2-dl

ii~flQ~fl~~ i~0ju..Cifly.O2i02uCu00000fl0(-31O000QiA7)Oi7>00000it E>C-?-CCCi00007>00000002100>7000000E-i0-7>000C>7COC0007>0020000
E-u E>0E>021-7>7>0000000DOOOOOCOOOAAO00E>00>7000000C-00CiDCi2>7iOOOE>i
Ti
Pl
Tt -A
-.
Li
u.)ua.g(O4--?itu.T04-.4-i--01tu4---~uEit
u.-.
O)DCiliLiT.g3>iE>C~00Eytu4Lt..4OOCiL3n401 iU>toCOL
(uitCiit0--J04-CiuDLi0(O(O04-d04-4-SliJi4-01L31(Olvts
fu Citu4-4-niti?Ci4-0-LiiLi(O00io4-00Cri ~hit.>u(-fihiiO.3->401N0Ci0.ti00.0(,u~014-OC4-0iJiDit,iNi010O~(ODLu(O0t)Ni0)4-0LO03O0CO0Lits
COLfiL-DLu311.)t--uy>0O 0)3-o-~J01h~iJihi-fi>Jti.u0Cu~DLii7i4OCuTi-fi0)-u.t051030 00LitO~0i-4.-0)(LiLuiiEuUu>J0O(-fiDLu0
21 7> Ci?
tOi-4t..tt.43uh-O3-Ota
LOt-O 003>40 01k> 00)014-
Ii.>
9 9 9 u 9 9 (ONu 03>40- Ji u u u u u iro u tflifiUAhfiLfiifiLfiULfl4-4-4.4-4-4-4-4u4-4-4-4-4-4-4-4-L44-4-(Lity>LOLiitLO(i4(O(Li(Oi.4CiuLO(Ouh(ODLi(O(O(Liiihu u u u u u u u u ? u u u t u u u i u u u u > u ti u - u t -Ci)?? Cr ci? CC> CC 07 7? CO -?Ci CO 3) no CO Ci) ni) CC ~ cci -70 CC 03 07 CC 07 ni? DLI CO DLu <ni CC U) DL DL O) O) O) CC )) CL Cf CC Cii Ci U> II
h
(Otoidti)t.u303-.it o 4-LOO 003>4 Ci. LOO 00> (-fi 4-LO uo 003>4 a <ii u-uo 00) u u u u u i 9 9 3 u
U>
i
u
Tv 3-> ~-i-- tu) tato tui 3.43>) tu t 3030 u-ato (uit E> -Cm i?i~iu)-ii MU> -C?- -<ni -Ci CL?-) O 7> -AA 7> -7> E> 15 ti.) u-g t-4 i-LtuOhi4-OU>tt.)d4-ffiOCu>4>4iy>0---00010(-3100COff21-Jft
ti 30~0 (uit liii) rS NL 3-03>4 u.) t taro tO u-u.u Li u-ala u-mu t t tt> 1) 1-u 15 3-5 t~- --Li y- Ci.) 3-u.> Li.) lA uit 1-.> Lit iAl ijO Li. iii.? Cv Li 4- i i.i
Ci ~ ygiv.uiif~E>u2iOE>C-u0fli210i7>21O00000CiE-i210lOuflE>ioooE-iOificiOOOOY>2.u-?c,CMOo 221-7>>7i2~021OOE>iO0E>iOi7>0>70>7O>7OOO0OOOncu0oOnC.oOo0oonc.ooc-uOE>iviv~. Ci2i-LiE>iOLuAAiCiOO-LiE>-CioOO7>00000CiCuCiOOC.ooC.oiD.oE>.OC.0t.OooOOi7>000si2
mi
111 D u
-9 u-.
ti-A
u-O Ltu4-Ch?COi-ti
u (OCLdCuA>40>.gO?
(1iutu40TtaCt-(u427LO-40 ?CuniCi-~liL.g~-iAAiCi f)?~Ci?i>h.) CiOuLOWC.hiO001iJiC0.ti(OituJiOm?i
0>4030
2:
LO
u-~ NlNi010O--Ci04-(L>0(Ot01001>40i7i.CF~
>21
u Cm
21
OL.uCi 0) 0---LONiLfl01(-fiC>44-.-010.003NiOCCfiOdDLi-O <3itCfiCi CO O DL>? tJi03ti-Ci?iCOLiiitAl.)0--7>i7tiiJ--O)Lfiil mA1flfi i4-CuOOOCiO0010DLi40)~0(O0Ci0)Cy0Cui-0~~u33Ltmu.dmii003ui?uix>
361
liii
uii-uTiui.i-iiu-ijm>i
i.utS~~n.4ui
.4
u
IT
Li mi
u
i>f.
~1 Ti Ch?-? CC -- ~fm Ci> f>g%- AlO4-t4 4-J4-J-.4--Li4-4-tli-4-4-4-iti4-4.-L-~L4-4-J.4-Ei-L4iii-(iuit? uCCil Ci.gi;i?i-?
u
viii. tu
u:>
ig -A
u
-.Li-C0u
iit Ti u
fiLE
iili-ir-iT-vCidOCfi4-lvfl0CO Tt
u lu
iijLiLl-t)~i
luir l.it4uCO-uEi itt u Tu> it u
litill
277 fu u u
Oj(-?iCOOuC?UL?E3AiCi)AU>Cml07 iii iit> uit Ti m?CCiCCiO)ChACOCOi)3O)COCfAEChi>iCiu livio> .44v4-4-4-4-4-4-4-4-4-~.i-4--< 4-.i-~.-..
>uaifiiu
-Cii.)
4i5iL-vAA CL CL -
-iifli0ti4-.tii?u)ii-uO tuAi->CiAAii7>C
i2i<9i.E-i3iE>u2.CuCu0Ci07>2.~uOlOu :u7>E>E>uAAuEfi1uu-AA A-rA> L>fl-~21 ifl-lOi>fMlOiE>u~ui7u>7i-A.uju >2-0021 cu>7iE>ifu~2.
fuACiCCi Ci -tf? --u -u T~d lIC -]fEfiiu 01C11LtuilLti0ujCLiDL>mfliii.i-i00O0---CluO~C--OU44-00~LtuLii
11
-
u (O..)
IT
4--ii-ii 44-4-LJhigAAi~-032uCiTituLihni
L>-u.-iifi A> .
u-fi
d ii.-CLfiiy>lTiiifiT
iiOuii-ifiCCiO>u~n u --iii
lii uMi4-.0i.~>uAAu0-4iitsLiit4-i?i-~u>4tijLi-t.udtu--li4-.E-LOLi?--.-drSL31 <-Ii iCuiCuV ..u~11-4O?liAAit.iCiC.).~.u~fiti~u21-uCit. -tu> fi d-AA-u-guta--i-uni
LiitOt-StittOu.it(u3t.it
(OLu3t-)3-htu43-itu3-
i
1 1
u u u
u u u
0000000
u
O00AA0>7-0
u u
O??-
u rt
Tinuuiiuuais1m4t- m iiCfii?mCC> <Ci CC CC 0)0 4-4-4.4-4-4-4-4-4-4-4-
it u u iii it iii u u u u u u CO O) DL CO 03 -Vi CO O) CO U>) CC 0)0)0))) CO 030) CC) O)h?- CO CO Ci?- CC ci) 1)3 Cxi?> O? 4-4.L4-4-4-4-4-4-4-4-4-L.ti.ti4-4-4-4-4-4-4-4.4.t4-4-4-.~4.L4-4-r
CL? CC- Ch? II
u
uifi t.ii-..Li
ufi
ITitumLtuCiCi-71
fi
0iA-Cti-O-LfiLITci
i~CiO-OCi0OC3iAi0Ci.d0iCi~>4>4>4ddi-d-l>4-4-J4CCi-dCC)OA-Ll-L.Mi
u -
u U
A
1
0(-fiO02.E>u(-fi2i2u0L3300O0O2.0O00000~2i2i0C.)Nj>Ji03-.)0>7~C.0Ci02.2uC.Qh~i-Lg AAiCL-LSAAiE>-7>E>C-OCiiLv21E>2E>iCiCADE>0 0O(-3122u01AAA7>02CI CiAuAAI7>AAOCL.02u0E>iOOOCiO2u0E>-0E-?0yuCu OOOCiCuOAAC-000
1 u?
>4-?) E-iI ~--
3
I~
11H
Ci 4-NuOiLLilOi u>itlO.Ci
tu Cfi LL Ci (41 (-it d (-non it? -?5 CO l.4
15 --- Cu LiLudCi~Cu5)iO4-7>ighOigi >Jiii.~-m Li3-~uiAAii31ih)Cg7)tiihiOAiL31mgg4-t-i-iu
.i-Cui-i 4)A4-<>AAiCLtui Ltutu4-LIT~-~it.Li~-O-~ 4..--V-t-ii?m.-gC74-AA-iCI4LA .44--uCi4-. 4.iitCi0OEu.CiCulusLACiE>-O0tu(1uujufifl-i44-o
u4-
--ti--J-l4-3>iii-4riCiiiuii-i?iitu.AACi4--liCuTIE-v i4u4-i--iLu0i?1i-tii.Cii--OOCCl0~Od 33>
ti
u--ini.,
.. --m
tVi .g
-1w Ci
--
fi4-v3-iO
u fi4--20CCiL3iLuut-.) -tui u u iii
hU1
77-d>tu4-uCu0.C-J4iLin.)A u u u u u u u
u
fiLtu
-1 1
u t1 t u T u u u u u u u u u u u Liii yLi-AC70AC UC 03ff CC CO Li? <fu)) C. 34 (LiC) CC <LO) -liC? LC ff0? U Ci) fiituLflLfiLfiLAdlCfiLTIutuiSTLtuCLfildlitufiLA01iJiLfli31Ltu(-tuLiT-tu.tuiST01i?11itu(-tu4.4-44JA
-e-
u-
tu
tuitumul
tuIT
>ifiifiitu-?lTT F4 tu -tuLfittuiITmfifiutu.fiLtui?4-LtuiYATIifiLhl 11CfiituSlCtuSl-11Afl4.-L4. a-.LuILiiL.jOijlLi.m4-li)(-u 01uST-uiAAu.Stu.)ifi-t4 l-lCi~Ltu.itLtuCiu,Ci.d

tuE-o
114-tu
u .
u 71
u--Co
lOuOLfiOOu7>00Cu3-02i0002.CiO>7uOCuOCiOC.CiOOi7>2u
i-ttE-iCu2uCuC.uiih7)E>iCuC.CiE>i7>E>iOCioCuf-uAAi002
uC-CAiC.D-LSAA>iDfi7>CE-i>ri-iiniUsOi7>210000fioGAA
Ci-AACiE>ucuE>i2.C-i7>u7>2iCAiE>iUAuE>iE>iM 200E>OAA0AA2CCL2C000
21
TI ni

Li-i-O)CtuCiit-i?i21Cu
O)
ZiifiCfiiYii-l-fC
~t
-i.AuCChCuniCi.-uCi.-tiu>Di 4iaiSiaO.O-JhLiuvwui-DLiu>0-JiC3-Omju0~C~0ujj--0. 24.LiLfi40304-tiuutu<iuuOii.u.-.-rj -010010Ci-E-(O0ldY>Jl
ffuiiflE-i-.fifu?Itu11.0CiL~dLfiNi~difi
-u.u-or,
a dufjv LiiOtuiCFo
ltu-o.4i-iOu.
-J4 310.Cy>iJi-i-~E>-0<ju~Oi-d>40i?Oww4-ufi~. u
Ci?ltuiut-.?i3-i3h.iitii3-iu u ITLtu u u uit
t-Otu3-i>tU><.4iu.iuStu.u
TI IT >fi
tutu >11111 TI
tt
u
fi4-44-tLi4-t-Oti4-Lti4-4-4-4-4-4-.ti-tiiy>hxuiiuLu3LOLiu(O tutu u tutu u u tui u u Li f Ci O. CO CO ~ Cii AC C? Vii CC <171 7i7~ nC 17 77) Ci Cg Ci?)? fifi-TIJiCLITiSTifiiST ITAfiLfiLtu 31>41>11 i-fiu-IT STi-fi Si-fiLfi
it
tt
u tui u u u tu u ti u it? C7CC Ci CC Cmi - hin - CC A~i ?C Ci JiSTCLfiytuCtumSt-iLTIStLTI 7t-TICLTI-ST<tuLfifll

Li?ijUitu3?u.uLOguiriirLiu-
u n
TI 111 2-9
0
tu.t-itltuSTfiATI-ST~fii77tum119TI44-4-L-t.L11Ci-4-L31fi-ST4-.(-fi
cfi4-STuim(-tu4-4-4-4.4-4-ui-4.uiilhiitu-uifiCi.AAAA~i72107>>7i>7u(-fi2iCifi01tuCL110~Au0fiCAAiAA>E>uituE>uCiE>i>7ufififi0ruAAvLfi >7iE>u:92121C7-21210CAAiOE>uCuE>ifl 2-A022CCuC 2uC102E>-AAE>AA :9uiuu.i-icu-u
lO.ufin?fiu..
nu3-)(-.iiuiu9ii
Cu,4-iiEu-u
ti
LA t-Lfif-4717-3t.it-#iCfiM?CuttO
u->
-iii.
-----Li tfl~tu<i-~
<~<
d~-tirfii
fiui..)--i?ii. 421.> 77Lfi-?.?
4-
4-- fiiu.iidliit4-i-(t;fi(Ni.u0iA71 di uAAO>ulcuCgu-.-uua Li3t)) i.uAA.i-i?E-iihtE>iN.4-CtuA7)CiCfE>uOC
-u
d-.4r-.4-y-i-< l>u4i--iiflii.u Ci ITaS-l fi L----ul-i..u-u----.ifii
-ini
II
362
us
~U
iuuf-<iMUu-0Mi-Ci#iiui
4f
tt
E-
u u
II
u
muu<uuuu -iuhi)h?uoAiJici~iiht7i~~uffi-7tiLLiO.?ffiLuU>i?Ci(3u..hy
Vi? ---LEiLi.il-iSt.)T-T.4hLtgT-i~~~~ --iuC-r.ilits 0)JO-Si~0Nt? 4-WC C31ti0iiO?Ni4-Li.iNji.~i-d~iLflJ 1 i u u u u t u Li?2i0DLuxiti(ii>5iNiLii-~iu.ii7>0 u t u u u u t u u u u u u u u u u t u u u ii0-<i0-iiig-i-0iA0i-<iCriffiffuOAuOLi OALCiCfiEficri0)i?u))?iiA?OitCOCfuCCumCCuCCuffi-~u-~u~u -u.u u u u u > u t u it u u m u t i u u t u u 9 9 i
ipi?Li C?uCCuCuUiit?uffiCi.iOuCiuigO.)03CuuCDmUCiAruCtuDiO.)LuuLfuLuiU>4W(Li(O
LLW x.0E>iOi7>E>iAA.02uCiOOE>u>7iE>Cu002i07>OCA2.E>i00OCu00OA>>7.OOOi.~>OCi2iO>7uiu0n E>i00-E>CE>u>7-0E>CA_,>fllO-flE>uOOit7>0t00C10AAOCiOOOCuCu>7OOOOOOE>u2i0007>O
LiLLiWuifiLOjLtlLitO0CC00t.fiLfliOii-.tludi01C~~CiCi0oL-~tJiC
iCAi0101,3101(-it0CCJlO
u
T Ci
1
2-CuOCCDA-2---A9
--a>----
-->-r--E>CiCu
2uCu2.E---O-7>07>000E>OC0000021E>7>7>OC0
u-A
(Li
tu
y
u-u 03 lO
ti?
..iti
tO O) (34 >4 01 Ci-
Ci
-uiit.u
tuTvnit~tai--Ji-tu.
Ni
-<--<-u) 41t5ff4i-i)OLi?i0Lit Ctt .1.0 0 40 .1. (LiO.)tafix.i??.UTi7>maCud2iLu03Ciuuu001tO000-u.uE>i0O0NiC.>4OtI?u00i~00iiU>OuJi0iu?iCuLOm0CiihLiCu
Di 0
03 (-31
0 <uN
u (-fi
2
fu) ffu
(i3iu.iLitit-OtONJthuLi
ioumi-.itauvLiNLititt.u
(OyOt)tOi.4N4totO u u u 3 tutu it ti liii

OOOOC-Z002C.000021C2uC-CuAA0
it
tu
tt
uu-u 2: u 7!-
u u u i u iii u it u ti itt iii Ti iii u tt ti iiiiaitgiCiitiU>U>uitUu07iiULuffiiA3-103CU>COffiiY>CY?ffCfi0)03ffiOhiiU>i-i07t03COOjC)0)OU>0)03CCuO)ChAu0)0)iU>AEfuCCgOACiU0)DLiCOCCui)?gCO03 4-4il-.4-tititii-ti4--Im,Li.1s4i.4-.ti4-4.4-4--ti.ty.ti4-4-.ti4-ti.ImCu4-4-.ti.ti4-4-titiLL.ti4-4-4--tijti.ti4-4-4.-Lm

iii.>
fuy>t->0i(Ol.)Tii(Ohi4(OLOLOiiLi4LO(OCu?L,4h33i.U>CCu4Li4(O(iit33tj~>LiU>LOtj4Ci3(O(O(OCOLi4t33(OCu.uLi4LiT(OCuiLi3Ci>ij4(OLO oixuCuc.--,ni -40 ~ -d0fu~>4d>4C-iLtuJhUl 212iCi0E>iiJi0.i-.Li?itJiC31iJiiSmcChcCiCu>7uONJ01(-fiOONiiVfi-uJ(-310)CiuOAfuAO)OLiu0OLfi0Ci~00DiCiOffi0)0(3iy>Lfi
21 2>
IX uno
A
000 u u~~i 9 i
OCuOOCuOOCiOO2iOOOOCuOOOOOOOOOOOOOOOOOOOOOOOOCOOOCU00
E>.OntE>.>7.-7>00C00>7.E>iC.E>OCuOC.C.0000E>iOE>-OOOOCu>70DC.OOCuOO7>00.7>E>u>7.O2.ICu
E>7>E>-OE>21>7.2.E>OE>-(A-C-OOCuCIO>70002C-7>2CO>7OCOOOC0212u00C0000Cu21000
1:
--
- -
Cfi
tit-
tiU>(O3-O-tO-~
ixu3>uiJiCi-t-.
-
tiLiL
--
tu-CE u??
rs
-.u
i-J uiitfi
Ci (-11010
t?N?i>7Ogi
tu -u-. 07i
us (-tu
03-7> <i~ Ni DL C--J.t.>7
U>) --u - 51 (-31 xi 4) ci 932 la 3-O Ci. Lfi (-tu4--CiiiU>d0VuOfiCkt<iCfiO-tS>4
-<4333 Ci (i tihLTI-4iifi01
dfi
~dOm
327
u
u
iii
uiii.jLflCtuL3100do7>0Di0Li004-.44-Lfiow-d--d04-003-7>0ffuci4-OU>ui-OO0LALiuOouiioLi.)Ou))Li
TI:
LflL00Cinu--u4-LOts.UCi
tu iuAAM) 1
CO-Ji4-ig3iu~DLu-tCi.iS3-1u~-i-~>7iiUCCA-flugii-u~DLi>dC
ui
0-CuO?21-J4-
it
u
3-5 u
tu
-)
i~i?
IT?
71
1-u
Tt..)>
3-it-
T-UitOt-.gl Lt-?iu-T--uTSuu.iuL3-?iu?i
u u u u u u u u u u u t u u u u u u u u u u u t it iii 1-1 CL Ctu CC 07 Ci 03 -AC Cr -3? CO O) O) Oh vi 70 0? CFi 03 C -?? oh DL. CL Ci? LA -fi 0? Onu cfi fu fu? CC- CC O? O) fu. DL iii <mu a CFi Cii 1)) tuLtuLTILfiA-AdlLA-Ji(-31.Ji01.STLitLfiLA01Lfl-TI>fiLfiLtu(-fiLtu-STLfiLtu(-fi-Ji01yfi(-fiLflLA-dlLfiLtuLflLflL31xfir.--.4-ri-.ti:.i4-4
i
u u-g ti Ex oit
-Ct0im0tO
2: 7!
En
u9
1101-510
i
E> 7>E>..-..-. E>.2uE>ir-iOc.21lt21.-.....CuE>uOE>lOE-lO.~..-.u.-.ui.~3-u.--.iiE-iui-tO2.i,glOu Lh3ii.5li-2uiy>i5->g(O22)aL~u(3it1.g00CA00-iuniF?3-5iJ~CA>4Ju03i-.ih000<i-0-(-317>tatiOig03

CiOE>ufluiDnnlO.cuE>iGuOoO>7.O07>ri>7iOCioE>unoCiOOOOOOOOOOOOOr-iE-iOfiOfloOc.
Cl
10-
IX
CO u
2->7210E>uCiOOE>OE>iOE>iOCA-2uOOCiOOGiE>0E>OCuOCIO7>OE>0002-0>7iOOOOCuE>uOCO0O
TI Pl JI
u
-A
3>it~0 O~4O.3101O)00Ln>Ji0.
-3O--NiO04-4-.tiLOLtu
LO(ONiCi-013-0Ni.Li>4
21
Ni
(r04Lfi4-3-(O>4 >7ui?O-di-iiOAtCe-(OLOtJimJi0 NiiJi032>d0>4iUiLml uO-tiLtO ONifji (3~i0 -4ACi.i~tu4L31 4-uu-7>00010-00iJi010u.i01NuLxuua:9o0)o003~AuhuoO---uiLOOo.tio-tioOoC~O~>Jio>4o
to u y> u u
ti
(Otvut-ONN4iu.it.u 4-LOO003>40(O0-q3L.(-fii(O3>O
t-O3-03>itlOt-OLiLitl.) (u.) O0)>4001t.,-O00)(Otui->uOC?~J0 01u03U>01SLLi.)Li-Di>4Ci~(-314-i?>g
ii
u
0? 07
tt
Lii
u U
Y
u t Cu? O
iii
it
ti
tui
tt
itt
(-tu i-tuCfi(-flcfi(-3101(-31<fi4-4-4-4-4-.ti4-4-4-4-4-t.ti.ti.tt4?.titt33(OLOLO(O(OTVu(Ot.ITLOh.JLO(OLOLOLO(OLOLO(Ora
tu u u t u t u u u u u u u u t u u u u u U> CC hu CC 3) 7) O Cr CC CC 0) 2) 03 07 CC CL Ci> 77? CC CC DL 07?? CC CC CC CC DL fu) CC CCi 0?

t -7V
u u u u u u u CC Cf O? CC CC> E - Ci?
no
uro
Vi
ti t 7~
iii(34 ixLiviiitu.i
flflE>-ilOiE-i
-Li4hi>fi CVuE>iE>iO>7iOCi>7iOOOOOOi7>002uE-ioooC71CiOO7>CiiAA.0O2u000000j.lOu0210c:ioiiFu A? CiD E-u 2- 0 2 0 E> 0 >7 2 >7 2 E> 0 0 >7 >7 0 7> 0 0 0 0 0 7> 0 2 0 0 0 0 0 0 2 7> 0 2
DCAACD0E-u-A5E-IL.?2iDOCOCiLDDO>702u2i0000E>oOOCuoE>OC.cuOooo-2.
u u TU>
1 Ci
0 0 0 0
ti--!
~
o Or.ro4-LOcriCNOODLi.ti27iousCEN) 93. 4iiiii.iaTl9 ]4-DLuO-0
un
Ci~
mO
itLiLi0-ti0tuOO03000-ti tiamO>4t-aLC. i0Ci2.i0~40n4-vi-i-iiSCfi21>421DL,DLu~~21Ltuu -x.0DLuLfi-xLi)21LiCi?ic.01t.ICiErCu0100Ci4-t01x>04-L31000Ni.0(1uLfi.-i-01

t--OnitiEi-4->Ohiiti uciCi-~tiSu 4-uuu 0142t.AA-7>?cLi?u
1<? u
la
363
u
u
t-g la 7g 3-1 i-~i iV 3-a Ci Cg 1-3 ti~ ti.) 3- lO hu.i tj 3d (-Ci uit 1-4 3-a F.j 1.> t~i ---CV uEu-iTIu,~o-(iDLiur.uxit.u~-.--.unmit~ri-iui--n it it u ti u tt ti u u ti ECii--d4u.i.ittl->7i-dtif=..?t-CuCO>4OC.itu------..7>-.uCF4-C.O u u u tt t i u u tt u it iii u iii
(1it.cuu?<u0i.UiL0l<uLm0Muii.)uu>tuiu00CjAuLii0)iviWvjfu4LiiaCLiCJj4u0)i4iuu>iiQitWCODLiDLiiAg
u
E>ufofo
tu
t iii tt
4-4-4-4-4-4-2-1
f?Cfu<fi 00 ininiCfuCfif.Yiff.C<uChni<fiCfiCOCru7)i2:O>-(CiO 4-4--tii-ti4-4-ti4-4-4-S -ti4-4-44-4-.ti-ti4-4-Lt-1i4-4-
ti
-
TT
iii:
-1
<i)CO07iCO0)ffuCriDiDiffi07uOniOnilYi 4-4-4-.tititi4-4-ti4-4-4-4-.1m.LL
tutu>
~ iNiNd-J>4 uit u
-O oh u u> nl

tu u ud-~i tiffLiLiiLiLit0103
uo~uo-uflflOOE-.fl
i~~1~~i
-Ja)i.u
LiniCifu.CiO 1 fit3Lui3-CCLI Cii-Li-7)fiJtC 1151.3131 Nut>OLi0Lu01.tiLiuta.tiNi01-440-CutiOi--JOLi f-0i-JiAi3300000>4iJiLfi(-31

0002121 ~..i000C02L-u0O21OtAA0 ii--.---r---y OOO0>7u7>O7>021E>-E>O 2-0 AAi-:90002ii0002i000VDDOE>E>IE>CI
u2
IX
T i
u -V
u --4 u-A
flua
4-T.ijiLiiCi iut--u-ititi4-Ni g4-YuuiyITTaCTILOIT.TICiO.uCfi04--403-ODLiCChhfilfi0Lfii?i-01(ii)U>0L4-0)>4itLit(-fidEJum.h(34TI41?(-fi
CE u <u
~ IT
iJiu<uLifflLiitiJi4-4-iU,ut5fN-d0yfi-~-t(Ort-u.ittiCNLi.0120103u21LOO 01 -O-Cu--Dug4-C3)ci~ ~ 27AALOiShOAAd 4-LiCiON0)0000CCi0h-3lu.iONid4-Y.niONi4-hJt4-~Ji01tJi00)Lu4CiOODit-074ChAlOhi-31DLi0LiitChh~ii-fi
Li43-Nu3-t.43-5N43-t~it WLiUuti.>t-ONu3-U>3-.4Nt iit.O>40Lfi4-(33O0DiNiCi~(OMO00014-(O3>4:ANio01mi)O0Ct~014-Ci4(u4o0)Nioi01000)01ri(Otd u u u it Ti tu u ti miii ti itt tt
mu
ti OOOOoOOOOOOOoCOOOOOO-D ti u 1991 i i ti iii
it u
tih.tt-OltiitFitiiJtLi u ti tt iii tt
u uhC
iii
ti--tu uro T ni tI
4.L4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-ti4-4-4-4-4-4-4-4-4-4-JS4-ti.ti4-L4-ti.ti4-4-4-4-.ti4-.ti.ti ST-ST
ti?--
Fi
lo
0103u3000LiJLO.J.ti03Li.ii3303Li.i>4iJiDLiO0OOCi~i-ti-
fiihiifiifl.iJi010CLCii-CN0CiCyCt0LiiJi01(-fi(-ficfl4-(-fl0101C.i(JiLfii) 0-Ct.Ciu.0-010-0-0i->4>4-J-dDLt03DL03-dOA
21uEy-4>4i??O-i--N4-hy>Litu.it-tiuiit2tNi4-3-5-(Li03
mR 9<1>
A
H
C
i
O.AAiO-AA.OLfi21>7.OOLflL31Ou7>3.it.3000000000000000000LflOLflOOOOOON]CiOOOOO CAiAALT>7-0i.v 7>O2.0212OLitI31E>.OOOOOOOOOi7>ttC>O>70000000002100(-fiOOOCiDE>i 0.i-v.aC.iDOCio2.iDOOOCCiOiU1000AJOOOOC.COCiOOOCiOOOOOOOiDO2uOOOOOCCi
2
(Ot-1n3~t-tat.4-i-(-fi
-4L.hU>TuIT?. tCi--(uu
4-uy ffiSciOLTl (3.) 3-~4ciC.)LiU (,LtuiITLOf10.i.o0OiDLCi.-.CLVJtdiU>DLiOLCi.~i01>4Cl001~--004-01004-Li4LiC.)LOO>4014-0iiiCi
u A u -277
t 21
Ciit*y3Ci1Si-i~ n0...)E>DLicr>y>4-cuDLi0hiifiuO-=i-Aitti-d4-Ot-3-5-43-5i-.uty>LiCi~t.u4-01Ot33-JU>(3uNit.401u33ou
u
u d(u4-.h>70
ni
iSN
a F~i -Ci
i-
ii 15-.) -i(34ii Lius tu) 3-it 15 lila i9150-CCh(-tu4-i.4u.u-C0--ucwLIT4-i-uAAi-0crutflliLilugi-dCi
93
tt
u.
ti
u
i
u u
tu4.CU>DLi~d4-u.hi.2Li u u i u u u
0>44 u u --u-u -Jiiji, t u yu f1C.ni)g
1 u tul
T2:
u 7]
Iimiimu,iiiiiiiuii3-itm.)hutLilgiiu3-3-uuu.inul.~~i-~~ u u u u ? u u u u u u u -mili11
u u u i u u u u t u u u u u Ti O) ffi03fuACOffi O) <u? DL i.u CO co Vifu) C) CO 03 iuO)O)03 cfi CE CCIII 3) O. DL tuifihflfii5151ufi01LflLtu(-tum5101LfiLitiJii51L31LfiiJi0101m?fi01Lfi01(-3101L1101Lfii3101(-31Ji0101LfiLtu4-4-4-4--t-274-4-4-
ti
Ci~--uNiCi~0~CiCi. 5-Li-Li Ci
-u-u-J--]-d----u--u-d~uuNJCi-
-]i?OCiihu4COSE.)-uJiLOyfi4-CN>4OCu00 -it ~
dd-
u-u-ti-u.u
-Jci
Ei
Ci
(>C
hiLl!
ITJi3131Ji-?fimtuLfi
0(-itOO>4O(-310100t310001i?Ji(-3100>7iOOOOOOOOOCJiOOAAOOOLJiOOOOOOOOOO 7 A7)>7AAiLimO2021C00CC OC.OC-C0002.00000002OCCuOC.>7O-DC>7OCC.Cci

CO ~C C.>7AiOLLi0C~CC.2uO000OO20E->.lOulOilOiCi2u0CA2iCu00Ci0000C.2i2.0C0
u U> IX u tyu u u -A
iJiO-i.u4-4-(Ots(Ot.i-tu.--uCt.ti-ti>4LOCi4(L>4-(u.LOt5-Liit-i-
(O
r
Ti
-
En
It
--4 CE
~ i?yi00tadu31C)0li00tu.u>4iuLi003>u.~~0Ci.>4tsCi-4-i-CMit4-4-CC4-4-t5WtiNit~001(OCCiuiuLO0)Lfl00i~. ~ u33u.ri0O-utu0t-5Lttl5.-~0~-Ci..--OC03010Cuit4-t-it4-0-JU>LfiT5 ItCg u.?
CO3-3-dtt-53t (uU>ut-.itutt-.4t.3t-.ut Ci ti.u2MADLi>4cNr.itC M?iO (-314-(3ita003i~i01t-.itO0O)LOti)00)4i(-313-5O07i014-uj?u~--i-ChU>NiCi-014-ffu u u u u u m -i 9 m u u u t u m u u 9 m u u u u u

i u u
u.u u u
u u no ro
tE-
u
Vi
?tV
t fr CC
-fi .i <ini Cmi
u u u u u u u u u u Ci: Li CC Ci? <7 <Ci 5? A: -Li. 074 CiA DLI ig AA 21
- -
u u u u u u u u t u u u u t CC yj Ci? Cfi -3? 33 (1 CC CO 03 Ci? CL Ci7 CC CC CC hin )7h7 CE Lfi01rfi010101015177fi0151-JiC3101VfiJiCfiLfi-fiitu

t
7]
--d--.i>4-4--d>4-d-.uNi-uJ-.4--u--udL-uO),
Ui.i
a UEj~its~O--d---.uCi--4--d>u--u-d--d-iu0~Ci-C-i-dCF--d-.i--4~u-. - -iACiu471O)f OM>4-4t~tJi4-Lat.u27O.i--i--AitOi-<~C>iLi3t5iii-fi
t.it4-ti-mhlJiiJi>4>u~N4-4-ciMjNiC>?
.E>i
-tuLAC2Vi2iC-COOC01(-tuhT--7> Ltui51>7ituui7>0002iOOA?2u0210Cu00001tJiCi0101(-flOOOh 0-E>uC-0>7-DC2-CDC-021l7>E>uC-AA2-uJi7>0C710>70O 0L400007>000000Cu2OLAiI 002-AAiOOAA-00000000000000000000 C00000002OOOOOC00
40
4
~t-uu
Cu--u iltiuiCaSi.~-li(-fifi
>cu.tuCfiflE-iilOu4-
iJi.-tuit-t5(O --Ci4W..~3>.) 013i4Nuhit---i-tuitt.u4C)?LO)FIC<4tgJiC4)>d(i4u.-.4-O(OLi4-C>O.-CtufoM).21i3C7193COfini7<<310>4Ci17> tCi tflt4N>d-C-J)fl3--itLDiLiiF.t00-(-fiiiui.u.2t i-J403O)~Ji>7uNiN)O~it(-fl~u-d
t
u
--
Ci
364
4-h.i~ d 4-.-u
03>40 7>0-f0 <0->A0-~Ai3Mg-ugg-Ci-f

0uCi0,<uifin
u
03-nigO)iniiCOO30)DiDiCOCODLiCODiCCuoA0)COCCiCri~J
1
L314--~0 u i u
fCO-4ri(Ota~Cu>4Ci014-Yu~20O)>44-(Ou?.0NmCiLu-iO0WNi u u u - u u u u i . m u U t u u u t u
0(ON4.-.L5Ni-> u u 9
u
it 2:
Tt t iii i i ti u ti u u u u iii u 4. 4- 4- 4- 4- 4- 4. 4- 4- 4- 4. 4- 4- 4- 4. 4- 4- 4- 4. 27 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 2-. 4- Si- 4. 4- 4- (1 4- 4- 4 it
it
it
4- 4- 4- 4- 4-
iC
fifu
OCiO
~ no
xi(-fiuStaCi-ITCx-TI-ALE>AAE>CCE>E>nCC00O51Cu2.OiJi021CLfi>7iLtuLfi>7uE>u0iJi01OCi2i>4lOuOn2~ifin. -iy.ifliiE>i7>07>E>i2iji>7.~0OE>j0O0~0>7i7>O000O2i0O0OOO~fi0OO00AA u E> 2 >7 0 2 Ch E>Ci2 2 2 LA 7> 0 2 0 C 0 2 7> Ci 2 AA O E> 0 0 .7> 2 0 2 0 >7 0 0 Ci
>7
u-A
u

t-O
.C~uuli u-uL-.tiuiCi-L-CiCtuO r.0CfiCLfiCit(-fi3-.mC--L0-OA4ii*u-tg-44LfiCiiStLOtDLu>7CO -i--CiCi---1g30)D4--0w uu.u-uni-uvuCi0~(O0)hS3iJiCi 0E>Ch)<ity>Ltu4----014-~J
4-CL-0)On0)0304-Lht Li?4-tJiia4-iA 3-ii)uu).-
dLfiCitCiUCiO
ifi-i?i-
Li400ChAt-5(L>i3hitSO-dCi-Lit0--d4--Jut-u
i)itt~u.tum3-iu41u.hu,Uut-O
Ciu(Ot-Ot-Otu4t-Ot-03O
u liii li
mro
(OLi--.O>40(-fi4-LOO00)>40(Ot-O~O00014-LOLi03>40>Jit-OO-00014-m33t-o00)>4001O00)FJi4-(Ot- tu u u ti i 1 Ti u miii u u u tt it u u iii Ti

klu.ikutitiituui-u.tNut ---OCOCOCOOOOOOOCiOAS:9
u
t
1 t 3 i i
u
t i u u i u u
ooc:cu
u 2. u7]~u
4-L4-4-4-4-4-4-.C~4-~Li4-4-4-4-4-4-4-4-4-4-274-4-4-4-4-4-iti4--ti4-4-4-4-4-4-4-4-4---i4-4-4-4-4-
o
un u 2) IX no i u C u
c1i31E>iOCuCiCiOOOCuOLAOOO(-fl0101fi00001002Ci(-fiOLfiLflOLAOCuOOOOO01AAOiJi>4202u0
202-00002OC7>0000-AA-0000E>OOOOOAAiOOOCC0002C0E>-0O(-3i002O V?-OiDCCuuO>70C0E>i0E>OE>i2OCiC202DOCOE>0E>O0000210>72E>-000207>D
Nl
1>
9
--4-u-O---- tm4t-5--t01a(-fi
(Fi
4--us-03-----ta-u?ifi4-CiiCiCO l-5i51C0-x-tTIthi.--t--umm.0
4-A i Ch?
ii titC,>fiJ~4- -diiTfii.iifiMhi001tiifiCi
stt ~
jLfi(-313-it0
d4-(-fi03-idCi--u4---dDLiin->dii-Ci(-fi-uni--dua-u.tOhid~4-ffuCh?C,
ir 90 (33
u 1 -L TI -tiCIT ?tufChE>i.~Liu.Cti,hid..i-~Ci tJi01Ori(uuE>i?Ot-i<i~i-iDCu.---i.iCi0ti4-ta?O.--4-AACL31ui?0Cii~u-4i4.jifiyfi204-03>404-O(Ot-J01C.01(O>4~pO0Li>44-CiLiO(O>4i5(O3-50O0)01(-fi---(O~(Lu01?i0>4Li{?4-
iifll
1
i)u.iLiu--uuati.utal-uustia ru-gt-.iuvm.u---- .44-Li43-SCOuCi0t?Oi
1
JI
u u u u u u u u
Vu-ut-.-----
iut-itiuituiFim-.i-----un 11 u ~ u u u u t u u
.ua-iS-ii-ui
no
i.>uialugl-Stgl?Vii.iliu E3-11
u
Y> 3-~4i~iui fu) VCm <Ci
21 r
7Ci CC CC. CC -ho Ci Ci? CL DL Ci) ff 03 DLI fu? CC DL 0) Li Cg ji-l 1 h u 9 u i u u u u u u u u u u t u u u u n u ltui~tu51ii-fiLfi(-~Li3Lfi01i-fiLfi(-fi(-fiii-flCitt~LthCLfiCLTI(-t3CLTI51LfiL11i101--1101STyfiiJi(-3Tt31t31iJii51514-4-4Ti <C CC CC Ci? CC CO 03 33 Di CC <4? DL U>? CC CCI Ci) CC. O) CC DLI 4.4-4.4-4-4-
LI?
2.
4. Co Ci
u >iii~
CO-o-O
0-C ?i.LfiJiChl(-fiC31:ShiJi(-tuhflifiituitutuidTCfitVThLfithI
CLTICF-Lfi(-fi51-jtSiCfi51CLfiL-tCL31
TItuJLfi11i-fi u
2 CT1 -~ E-u
21ifi21ituyituiuiJioCLfiVtuLfiiJiLtti7>iu.uLfiOOC.iOoOCiLht0100hJi01C.i.xiOOoLi01LSLflO01Ci2u(1uL3322u010i?7151 i21.AAiCx.E>uiDfoLiA.AAiE>,>7iE>omJii7>000>7i2.OiflOOOO.7>OiAA.O>7iOOufiOOoOOOOrii7>E>uOOi7>>7u7>
E-ifiufllO>7.Ci0CiDO>7.CuCiOOOOlOCiDO2u>7ifflO0OlO~lOfllOiE-uO>7~Cu0OOO0OOOCuC.E>i00E>i2ifl

iijuui4-lCl4-LO-JO.?E00ffi.j3-iuCmiU>4C)
O TI
En
-~
fu
NU>
NiLiitC>-3-.4--(-tu4-Ltut5>4Ci(-fiCCi.Ltluu4-0(Offi014-4-uu.iu-gtii0~TOLi5. 4 514-ii .4y>>7i0(3itDLu~--ki51Lfiffi01fJ.~DLuW4-Li4Ci3-O03O.O-ffitd01i.h0Cr.)0(ONA~-dDLiLEifuLiM?~Ci.Nj t-iE-.1i1-tiiti-(ii?uhy>.Cii--dOf--004-C.O4-hu---dCi.Ci -~u>44-LACCuO4-NuCF03C-t-< uo~01>7iOo3-su-uCx-0Ci-0t4-0-d -a 4-u3C31u.dCi~01NiNitituJiONJiUL?4-03DiO0ffiLfi4-0(OO.ifi--OiuiA>i0301O(i.i000COOAu~Ltu03CLfi03ihLii510
-A
u 77 21 Cg
iii
(3.3-5N4t.uu-itOl-u
O ~ ti ififi
~
3-aLitd3-Otit3-uot-it
u u
ti?
u u u u it iii mi iii tutu ti iii

i
tt
r>31iTI(-fiLfi01Lfit4-4-4-4-4-4-4-4-4-t4-4-4-4-4-4-4-4-4-LiU>(1>CiitLiU>LiuLO(Oljit(O(OCiU>LO>.>LOhLOui>afu>Caig ~i<iiiiii2iu3?CCiuYCiiU>iCYi-77)
tui
iht (Ti E-?
u
ni C< CC CC VC Ci? CO O)) CC CriC? Cci <Ci cn 0))?u CO 03 O) 3) OA O) VV CC u-Li 1)? iii Cf CVi CCI
JiuJiSTl
1?
(i)tii3Ci?i<i.
LuC ~
>E>iituJiOfiflOOi7>CiOCLu>4ifilO.E>i>4OOOOCLflOu51Ltu(-flCiLAiCuOC.>4E>.u.u(-31.4OtaLflta(-fiDGuC.CO>7
-7> 2.OOLACOCAAE>uii-fi21CiCLCJi2i>7uOC?uOOOOiDO2uOOOLfi2lLfiO01OiVfiO(i-fiCi21O2uOVJ>7 0 2 0 AA. O AA O Ci AA O 2 AA- Ci O Ci O O AA. 2- 0 0 0 0 0 2 0 Ci 0 2 E-u fl O lOl O 0 0 2 0 OCiE>. O 3 2
u
3-a i--Nudfi(OC31
-
Nula ti---N>LLihLO oh00L410L.L.g01raC>4 S--d---ff-ihiua

xittivIT ~ Cifi4-
~ 0)030tu.i4.---uLi.4-Ci->4 --~u~C-x.Ci~ -udAA-tCTa dLiC 0 dMhulgAAiCi
hJiiy>Lii--~.~~fr5<~44-3*hNuuxuL4-(Oyiuu<
--CLALA-U>-JomaCOEfl4-0i-J--.u)0)fu)07iCCu(aO)>Jih.u<u-LOLiuO
IL
itt - JLiuE-.u~i~iiITE?NihS YCTTi
ru-7<1
uCuFg4) ij~i ~
365
3-uit.i~i u-.) ma 1-u
Ly iiu 1-u Fa u 3-a tu
titu
u?
uy> (O u-? uy u-a is IV u u u-u u nl
ro uc ifir.iE>.-C)CO4~(1iijQ-.4Ciu31L(OO0Cri-4-Li4N>O>4CEti)iE-i-fCOi-jCi(34N).-O>4OJuu>O u u t u u t u t u i 3 u 9 t u t u u 3 u u u u
flC)Ci<u0)Cfl0)~??0303ffiCfj03Cf10)ffii77fl?yujcfu0)CgCDQU>07iff~Jd>4J>4 u i ti i ti u u u t miii u u u lii u iii fliIIC%iDLuCOihfChic0030?0)COffuDLiDLi?OCCi0)O?DiOihOCE-L700A0)DLiDiCO0)CCiCruCriOAii?03Di0)OU>Di0)DiDiCruC<uCCiOADLuDLiChA
fi
<u-OCu000CiOO00ihiti014-i33i.31L01Ci4tj4CCiLi~.tiNi0NJti.)0 40)03
unO OC-0u.vdlii-itOOCiCiZ-AV-iSCiO>7uOCiOiAA--AA,2iOOOOOOOCO7>E>u0000002OOAAiOOO
Cai.gt>u>uy>u(1i.177?hiu.>iViT115351iha>i%?tVuflLitiui.----u.---i--tatiit3-VuLi .tiOO03Ni4-t-Ocfl0~WWh)WWWWWLi4?CJ~Ni03
no u
IX
21
E>iC.E-iCi
212.0210000 OOiAA>O21E>.210C.O21OCiOOOOOOOOC7)00000000>7OflOOfl CCL-c021000E>0202CV-CE> DAAiE>iOCiOO2u2iOO0C~C.E>i0O2lSifiOCiE>uOOO2uOCuCu>7iAAiCiE>i
ua
-

tO(L~
LIT---Jg--T0
C-0)0.20(3~my A-d--Cru
Ji ufi Ci
-A CE ir
(O5121uan3~i?iiau.u03tJiLfiCNuS-iCiLtt-AAigt-Ohi3iy>O~0)(Oio(O0O-Cu0301iu(-tuuu.iLJihJiCi-.O-03Lui 7iufi4-O-Cu --.uo -L0(-31C-tn.gug(Ouju--AtOACfl01 Ci ~ -A>t iitOC.3-ay-g>4OuVi07>~-dOCi
4u
u
OOZ>7CuOOOODOOOOCuCOOO0O
(Lttu.it-OtOmOLiN43O (34Li4NU>NU>tiitm~Nut-5 (OmsO-su001.tiWO00)Ni0CiuNitO0Ci.01L(O3*m0)NiCi01LiO0CN.st(34t-30WNiO-01O00)01.i.WNu u i u it ti i tutu u tui u tu u u tui u mt u it

hSi3tyLitu.1-33-3-Ot-O
u tui
ti
uno uro
Ci
0)C<iCf.DLiihiitCriCODiDi03O7iChU>0)0307i0)CI?OAYiWCri0)0307u0303Cfl07uCh)COCCiDi07.uCOCCiCi)niDi0)Cri0)DLufu)n)i70CCi03O)-VCCi
iii t u ti ti u ti u iii ti liii it iii it tu ti 4-4-4-L4-L4-i4-4-4-4-L4-L4-L4-4-LL~LL4-4-44-4-t4-S.44-4-4-4-4-4-.ti4-S-.4-
Ti? 17
Fi
Viu-atu.3-uai.)t-m5C33CiuLOLiut-O---mOLi--.itust-.it(OCiit(O(O(O.ti(O(OLOuiuLOh.u(Ot33Lii(OLOuiuh33LiutSt-dL.i
(O(Oi>LOtm. -i>003>4COCCuOO3Ci?u~t01OLW01O)O.tti?0)4U>O(O4-Ni.Ow03Ljitt33wCi~u0101OOtii4-LOi0O0~t-03033-O
2> IX
1)3
O
O
A
H
ooooooOOOOooooooOOOOoOOoOODOOOOOOCOoOOC0000c>OOOoOo V.OCiiAAtO2i02iO0>7iCLiOOOOC.OCiO2i.AAiOOOOOOoOE>uOC.02.000E>iOOOCiOOCi>7i212O DO-7>CiOOCiDC020000000CO2uC-OO0OCOOOC0OCuC000ZiCCO0O20202-L
Itt
IH
t-0Ci30--]LIS i.uiJiCi~4-CitO--O)CO>4003LCr4-OLOCfiL5l (Ota(1-JiLmitt-s---Li3-4LtuU.fi ~ Nu---lu?---i? 01LO010IlsNi
Ci-Ci--d4-OLtutmJ (Lii?-dfi -4-ti-E>
ir ix> u
CC u-)
Ltt -C-xfiu -7iO-idyfiin.~<u(ONi-d2.mJiCuANiifu1Ci--Jhi,niiDiJii0mtuOLigCCiC4A01C.Cti-d~uy>OA4-DLi--d AACCi4.iu7i1OLiituhi~EU>4-E-iiaC-CCi01ttCi-CfliLtu>)t5i--u--Oiu?i-jhiUiCfi-d0Ct-.itCLfiEJiu.) 0027t5
Ti
Al
L31.tiOOC
ui?u51i4 ~ tu.t-.u
OOO00)0).tiOO(OO.OCi-0101i51CiCN01.---i--t030<ONitO(-31.tiO4-Ot-OO3-aLfl(O>40.ti>4O
(1iLOtgtViuu.itl.gT,ht.ht--u 3-5t-utitLut-.4-~
ni
u u u u u u u u u u u
t
tau->
tt,
ti.)
Tu.t
T-it Tu
u
ti.)
u
15 i-g
Tv Vi ha
u u
u u-- -5 Tu u-u i u u 1 3 t u u u u u 77? 0) Ca O) ChA u)) DL DL DL CLi xhi 04 03 Cu 39 0) T
~1
Tul u >
t iii iLiluT .3 la bit tu.l --. -i--~ u it u u u i t u u u t u t u t DL 33 y. 0) 0) 33 CC Cr CC 03 0) CO 03 fi C? <33 DL 3) CO CC -A) .3 0) fui Ou 0) DL Oh i-Ci30303uiU>u.i-i
D0uU>i?O
7!00DLi03030<uOL110CuU>ONLOOO>4Qjiii>.tiCui-S.4O0O)CrCuyLfiCr.Ci-
-JLC0)
u IX
uro
r r
i

OO7>OCuiAAOuAAi0100000000COOOOOOOCuOOOOOOOOOOOOOiDOOOOLfiOCuOOO
AA-E>-C--DO~flE--tE>-D22E>-7>>7O0ODOCO2i00O-AAO00G2iDCi0O20E>0COE>02OCCi 21-x.202D2-0-D.DOOOnVOOOC>7OOOC0002OOOC>0DOCuOCA-OC02-02u000002-0
Ti ni
t

<CutO LO
Li --30WLi3u.1 3>4 ----tu.)tu.uuu4 (uit 01Ci-NuO.tiCCiLi0Ot~>401Lrn.ti0.ti01--u~.u01LiuLi.ti~4-010O&L-OLa~Liit(O.tiiJiO0003viCri
-A lO
2. to
Ta7>C.)-0--0Ciit-i-.titi2i-dCi-O-tiCO001-Oui-urOf~0tit.iti0
--O0OO(-tu00000000100.tiOOOO0)00100CutiO(Jt0100.iOOOOO0)Ofyi-0100LAOOC0
OODLiOLtuCr0Li>4---tuu-D0C-t-oCi~O-Lfi51
DLu3-t>43-tuitt-Stv NU>t-5N)t(u43-ONut-O 30 s4-.LOO-O03>40(O0-0Ci.01bu>(uit0Ce~u001NaO003Ci.ut-O--~0OU>>4Ci-01LiO0)01r.(.4rO0)>4Ci01L0) u pi m tt ti mm u miii itt mii mu miii i
ti-ui Ful 21 >2: (-fiCLtuLfi(-tuLflLfi(-fi01(-fi4-4-4-4-ALLLL4-4-LL4-titi4--ti(OLOLO(3it(OLitLi4irh(34(Ouj(O(OLaLOuLiiti.h(Ouy>LOt5 u u U u i u u u u u u u u t u u u u t u u u u u u u u Cg CL? rC70 C?i CC CC 0) CC 70 03 CC 03 770 0) DL ? - 3) C ?<u 1 3? CC )?u O) Ti <Cm CCI CC Oh CCI 33 CC 7-) ChA Co CC O) Oh CC CV u? Oh U) CC Ci 33 DL O? ni)
LITCLfiSTfiCLtuL31(-tu01iJiLfi01LtuCITfii51i51LtuL3iLfi~i-tuLfi51i51LTI(-flCC(-fitfi01LtuiJi51tuCLtuiJi(-tu,31Ltu.iiLtui51LtuLfii51Ctu(-fi01(-tumJi u.
lu ti) ti- TV igtuhJiNithi3DLuCCNi(-tuCfii7>OOluffuNi4-~--~--~(-31iU>4
u> tu
3-Vi 3-3153-ot.u u-it iL 1-huy lU 1.
ni.-
u.u u. t t us u-.) u-u

OffucfiCihi<4.)CfiNi0hit3-.4Oo.uoAC.C.. E>iAAiOOCiE>iOOOiD>7u01(-fiOOOO>7uCbOOtViOOOiDOOO>710000101(-fl00210iD0000000>70 ~ CL.2.iAAiO2uO2CiOCiO.AA.CiO2.Lg2iCuOCiOAAAAiOOoOC.OOOoCuO2iOi?LuOOOcuOOu.DCu2Cu2uE-uAAu
tu.>
-g
u 71E> CE> u
u u
-A
L.)C-ifOCiCfi
Ci-
untimi~ituCO
(-31<003u-u.u
0 -
Ji .u0Ci0)
C3(3u LflDLiNiidlt.i
>Ji(-fiu0C31
>7
(u3-ti-uC(u.) iiLiu-.CiCu. -d h50O)CC)C M7u2-S7>4-ifj i01jiflO?E>iu..jO0)OCCiOOO>7.0000001EF (34 A -Li Li 01--Li)00
0 u.)?
0iti0LiitCi
-A CE ir xi
3
ji
.3.
4-
-iJiC.
ffi.44-.uni4-dLigCaNi flOO000u.--00O00(O-0OtsCkO01>7u&.u3OE>u-.J
366
~m)3-u.i~-5t-gylg ECu-4fu~iITL~--CL ~
uu(OTuaiuiO>l~tSls u
CiCii333-ituauuiiui
u u
mo
it u

m u u u u 9
tutu
u u
dOCu.>t~u~-i-O>4Ci~L.ifl 1 ti mmi
-AA -OiL-.) -uu-fj00-(t00-4 u. -mM) *3-43 O-ui0~LuffiCiUiCOCi?.i?muCi?i0)C4O)C1iCCuffiO.uCi.CCuCCWO)Difu7CIADLNud-Ji--m u u u u u t i u t t u u i u u u i u u i u ~uCl;COinOVi-iDLicnoniO)CriCh3CruCOc77i03CFiCciCruO)YjCrltYiCOCriCChCCuDiCCuCruCfiYiCCunoOniCC>COCChonm0)ChiiDi0)cnffiChA0)03iFioniCfu 4-4-4-4-.14-L-tiri4-.ti..14-L4-ti4-4-4-L4-4-4-ri4-L-i-4-4-4-4-4-4-L4-t.ti4-4-4-iti4-4-iti-ti4-4-4
ti
In
u.)i.ig-iiCigFi>CiCi>iiuA.gLiiiitii44-4-Li4ii-~.i?Li4iLi4Cu~i->-iiCi-~Cu.ii.Ci~i iLi.iuiualViu-?iC.gLiitiiuuiuL.uC.itiyt-.)uVihiul-.?i.---. 0tiih,.0)00MU>00000OO0>4Ltu4-tu.uNuOOOOlaJSLLm-OONiLi).WONLL(330Clu0.1.4N4ONiti--OuCi
-7- 0 0 231 211 AA 21 Ci A?? ASO 0 2 2 0 2- 0 E> C Ci 2 2 0 0 0 7> 0 0 0 Ci 0 -D 0 0 o o a 0 0 0 Ci 0 0 2 DA>, >-tr~uilO~-E-.--E->fMfln:9~ .lO~.lOlOiflE-~ii.yfloOCuiilOiflC.>7.OO>7.E>iA>OOi7>00E-ifflE-i E>iC.iCE>.Cy2iLaCiC.OE>uu.2i2iE>iOCiOCiOCiE>.CiOOO-iE>iE>uOOOOOO2.iCiOOOE>iCLOOCiOOOCLCIi u -
ti 2
AA
E-
u-A
t-j

~-iDLu 0ST403-0-4CiU Ch

4-Ct-0(-?
u.u -Ci
0-.4
(uit 0) 3-0
tiC-
tto C-
Di3u4d012i231
3-093
uA CE u -u Ohm4hLfi-(l.iti50)
tu.>]
2(O
>7
tu OtJi 0i-L>O~~Cui~iS>4 ffu-Li0O21-4-D~-O034-CfuO4-CNOLtuOCi0)0OOOO0)ONi-OOOOOC-tiO00L01(u40-dOOO0lLiLO
03 >4
tu
t-.uLfu?i
0-4-Ca-
(j3hu.uia3-atdLiNU>3-Ot.it t.4(Ot.itt-OiO3-i.t-.it3.it YgLi0>4001LWO0)-.u0(O3-O0.O001.ti(OtO0)Ni0i01NitO00Lfl4-Ci4r50Di>4001~O0Di01(OLi
tu
ti
iii
tt
ti
iii
iii
mii
iii
Pi
iii
uro un TI TI
T.iuSiu.u(uu3itt-.Lu1Nutit OOOOOAA00000000000002i0 u i t u hu u t mmi iiiiiTii it u 1 iii ti ti O.ufluC~-CCL-77)O)OU>Euui1?FiDLuO?O)DiO)Cu)DLuffiO)07OCChOhiO)0)210)03COOCCiOni03U>303DL-O)CO0)OADLiCCEunCaDi03CO03C)-7f -7Cm 4-4-4-4-4i--ti-ti4-L4- 4-4-4-4-4-4-4-t4-4-4-4-L4-4-4-L4-4-4-L4-4-4-4-LL.ti4-4-.4-L4-4-4-4-4t5l5laN?ul-ut..it u.it3-i.t3-O3-.43-.itN4t5iStat-~u.(OTi.)Lu(Ou..)i)4u33u33(Omi-OLOLOCiit
Fi
O
TE-A
4.uJiiSTCLtuCL3tLfi(-fiNiL>Li3*~3-5C<uOuhL.>4dJ>4i-JNi>4u.]0-O~--4-.ti4-O0ti(-fii5103~ti.ti.ti>4ui-C30{MU>03Ci-Ci-Ci>7i210000CiOOO>72i00000000000000000000000000000000000000 C-E>-?A-AAuOmAAiE>.7>OCiuAAiOE>OAAuOOO7>000uAAuOOOAAOOODCuCOOOOCiCuOOOOCiOOOOO2i E>iOC.iDO2.ixvOOOOOOOOOOOCOOOOO2uOOOOOCiOOOOOOOOOCOOOCOOODC.
tiIX 03
H
cf u
1>
u))
Liit4-iriL.4Cfi 3iit-tt.(L(-fi to4-(-fi ma Ci -Ci O Cfi Li >4-7>004-4iuuCAiCUi4-CiDLt (-fi (-fi?> 4-4-030LOt C-J4-taCJi51 04-t- Li?uMhi-~fi iS0O)0 ? 01<4 3>43-5 .ti O0--i-E>u>7u>44-m.400003O)0OONi>40O-O0(-flOOLiitOOOOOOODiOOOO0OOO3O>4Ogita tu 1-1 tau-u tu d
iii h Tt..)
(O .ti
(O 03 >4
(OLOY~ i--T5JiOly0 -i?iiy>CiuAA.--iy>
21 CV -A u Cm 3--u
2>932i
.]VhJ 03 h
FZ Nl u:
3--it t-4 tu.h
-.~>
-4u3~
iii
tui
u
u
tui
iii
Tt
iii
it
u
i--3-.iuii.uliT?T?3-.i~iui
-Fu
V
imuimuuituTAlm.iguilivtOt?ul3-tuT>-Ot.i~i~ u u u t u u i u i u ug -1?) 0? DL CO DL- E.? DL. Ci) 0.0) CO DL U>? fu? DLI Ci TUtU> 3
u t u u u 3 i u t u i u i u i u nC DL 07 ~ 03 CC no u?) Ci? DL CC CL? Di O) O) O? DL fu? 0) 0? 772 CC DL 7)3 03 DL? Ca CC CCI 2 C-i i511Ji51>51151011.fi(-fiii-fi01-STLALfi01uJi0101Lfi0101Lfi01LA01iJiLfi(-fiiJi(-tuLfiLA.ITiJiLflL3101(-3101L31LfiiJi4-4-4-4-4--..t.4-.ti u
..~~lSFuimvlaiT.uuatitty~uauiulihtiiigt5u5N?Fu.um.3
ir T 71
IflEn TI
E-u 7!
i
no
t
_
r
ix> D>7OE>i02O7>020002i0CC-02OCu>7OCO2CCOOC-200000002AAOOC02E>i
U
OOOOOCuOOOOOOC-O7>0000C01CJiiO>7OOC-OOE>OCOOOOOOOOOOOOOOCuOO *iyi.y-yC-OCOOOCDCiCZOC OODiOCAAiCii51O2iOOOlOuOOC.CuDOOOOOO2iCiODOCiOO2i
TI
Pl
u-A 9
CE LiSIO -ti m..1if4>4 ir-flOiii-d ~
ti0)ESIT>4(u4-Jit-Ni0LC,-h.fiCruiNit
0Ni010(O-4O)>4<Ni001t-0LO Ci-LOffutul03-u-ii?---u--uU>Ciu u(Oau3-(OOUu
Dio
u.Oti)u.d>40-~difiu-u.h.tiC~01LOLOiJi.--CChh 00304Lth>4t4-0101>401000.u-OtOLO (O(-fi.hiD-LNitiLAmSiiaNu035104-Sh>4jl
l5i-]
ch-ti 06400
PC 25 u)
(34u-itNit--.)t.ui5
Njtat-43-t-.it3-.)N)tU>
(uit iCLLiitO0O)>40LOOiO&014-uy>N>~03Ni001Nu~O00)(ONu0DiNiCi->JilOO0)01.tiu)r.N03NJCk014-~Co u u u t ti iii iii u m u uit u u mit i u t tt tt tu

tuituITh31L11LfiJi01i314-4-t4-L.iLtit4-4-t4-t.tiL4-(O(O(O(O(1m(34(O(O(34(O(u4fut>juj?u(Olgi (133Cc>CCtuit u u u u 1 u tt u t u i u t u u u t u u t i u u u u u u u i u u t nr - u u.> CO CFi -?C O. - - - DL --? 77? DLI CC Ci) 03 DL CC> Ci? o) su Ci CC Tu Ci? fuu u 0 (<u O. O) Ci? CC CA O 03 0) 0) CC (uit CC Ci? CO CL? Cm? Ci. 03 ~2? u-fi flifi(-fiifi?fiLfl;fi01CLtu01ST;ifi(-315101L1151CLACLfiiu31:tui53Lfi~4h2tu;tuufi(-tui5101mfiiJii5101Ltu01Lfi01LLfiiJiLituLfi u
CO ]C? 1?!? T 2
i-uilT-uti.uTyuii.uiiTu--------
tu
u-u.u-~ui?uht.uE>i7>a--u-d>4DLOhO7iChU>C)Ciini o~-.u-.4DLii-4-i-uAioi-.guxuCL31>4mJiCi.oo.001O)mrno2iwcoDLuc,?O)
7>>7iOOCilOf
i-ot--.
E-ui~000E>i2i>7iOCiOCCuiDuAA~CuAAC.7>OCi0CiOOOOOCCiOOOC-uD2i>7iD -~E>2OoOO2CgA>cuuD0CCcuD2i-AACiOOOr-iO2.C 2i2OE>>7>7O2OOO7>0000>7u-212iE>Ci

(-7>210202OOOOOOOC2 2C.iOOOOCOCuODOCuO2iOOCuCuO2uOOOOOOCucucA.
IX Co t AA
-A
u
w
CuhC.gr.CF.)Nui-~ -aO 4-
4Cfa.iy>tu0)00)~31O?Cfu .4 I5CLiV?niAi4-0ihut.,yi iAi~ 0)
LiuC,3tu>Jiug>CLfi1.hCfiCLtCi03.tiFiAL31m->.~~uy>L31tiNiti.mL>O 0121uJiODLi03OAsiODio.Nii.n0,aO0uxii.flNi0~ ~ 0~4-
(-31ti4-ifi~~Ci
CltfiLht >4------NitC.jL3hCi CA(1u Ntd-.4Cu)ti-AA4.m7>o~
-9 ut 21 2-?
367
u u- u-u TV liii.. Ci? Li. u-u u tui

miii
tu
>
T-g i->u-u
.g u l-g iiu i.. u. u 1 -- ~ 0)>4E.(-fi4O00)4~(333j0dF%Lflw0DLNi4-WLi0Ni0.(Li0003>4O(33LiONiO~Ji(Ou.9 Ti ti u? Ti tutu ti u u u iii u
tui
it
tui tt Tt tt u tt i.LiO)fuuww-)uiLiw03LLuwO)03Luui?o03Lug0)iu4iJ403u4i03LOO)fu
-
u i 9999
tutu
o ro n tI
7ii-itgi~i>iL~iuyAu.aCuiw03wwCDLLiouwuuuU4hJiO.iCt~03O) 4L4-4-4iCuA~Cu4i-4-4.iti.tC4-4-4-4-4-4--t4-4-4.ti4-.ti4.-i---ti-ti-t-~-t--t4.4--t-~ri-4-4-4--ti-1-.4-4--ti-ti-S-iL.4-
2>
o
ti
LiiLu.iLlu(OL(LiLi.iLi3(Oi.iii.i.i(3.)(1ii?*d(OW(L>(Ot33L3(Li(OW(i4(LtCi)(OWLi.iW(OWLiiCi4(1iWWWi33(ii>LiLO(O(OLiit(OLi~iWLi(Li -u--mu uNu0Ci Ci~it ifiC31Lfl4-Lt4-t4-4-4-tiCfl01LtuCiLL.11i4\4-uj4fjAiOLiitii?iiiuuiIN.)t-Stut>u?kut) Li .3l?>4 4i~tt4-ou51Li21j.CuCLu.ij--J01ijuLflLAuJidMUu-C,>44-hu.h7>0DL-JCi-t.LOOuCLiLi-JtLaTu42 ?.CuC.E>>7uE>.E>.CiAxm>7>7u>7.E>iCuCLi2.u.A>21A>iAAiC.002uO2u00O0O>7i>7iCCuO00Cu0O0OO00tCiE>.L~. E>221OCC2CuOD? 7>CLC-A>CL%E>iE>.2.DO0E>.00>7iOCuOOC00E>00000COOOOOOOOOC0 C.2i2LOCiC-7>-DCuOCVu2.i-aAAO0CuO02uC?iLa2iC2u0hA?.0CLi0210OCuV~.O-DOOO0OAAi02~00Aa
1-
uro
t D
-A
-A

uy>
(O
ha
4-
3>4
(O
3*>
u CE 21
OlV-fiiii T u
Cg igl
4-T>i-AATgd 4(u> 0 0) tNitC-Di0035LO NJ- .tit33MA (-fit.?01STt-4 Ni 0 C.Di 0ti4i-]0>40Di0 -ti? t-O0-ti <9(O3*i51la0004-OOO0LOC.0000~ia0)o.ffi0O.iG~0Ci~-<0000W04-CiuO0OLiitO4-Lfi51
Ct-01u.?(Li)it 0NJW.ti
0)
4-O4-CC.>4
1
Ciit3-O-Ot-ittiutu.ut-Ot-O-O ti liii it tt iii tt miii!
WU4-NUm3-Otdu.ht-,Jt-
it
it
itt
ti
tt
itt iii it
II
iiu
ir
VulaTlu.ul13-u.iltO3-O OOOOOC0000E>OOOOOOC02c ti it mi it tui tu iii! iii! mii ti iii tt O)DLuO)0)O)03CO0)ChA0)0)O)777)0)0)0)CODLICO0)0)W0)CO0)0)0)Di0)0)DLiO?i0)OU>0)07uDi030)0)0)073OACOChitlTiO)03DL<l 4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-J.4-4-t4-4-4-4.t4-4-i-tiL4-4-4-4-4-4-4-L4-t.4-4.4-4-4-4-4-4-27
2)
~
CC.O)WDLuui<<niO 007)00000D<-OOL?0D 000 viO-000-i?03 1? 4-CruffiLfi03--uvuu3-5003(-3100.27(O.0)Eu -titi.t-.it3-u.i>4OLiiLi0CiC0ChA01001tiNitO03ijtLiit-0>44-E-iC ~ 7iE-.lOiE-i002100O000C.000O0000000Dfl0i~00000O0000000lOi0002i0O>7i E>i2uE>-Ci217>21E>-0021000E>i>7uOOOoOCOOtAA.oOOOoOOOOOOCOO0AA0D000002i0
U
7!
A
_ CO O
N
yi
CE
OH DO
-ti-
(O-
Nu
(O
N.)Ci)(O a -01-->4(O-) Li00u.it>44---uts>4t.40103O)4->40tJiO-01 O 4-Ni00) 00 CLfi-igCLtu4-tY.-JA >7Di-tA-~uC.Ci.014-01u51--uu01tiC,003~iSr~ >u3* ti 3s-0N4 U-LO ONui?i-O4-Ci~OO000t.it0001L w0-OC>.O00301>40NiO(OO00OOtiitO---.tiOOO&-tiOCtO0OO0
0 O
(-tu Ex
tu.
tT - u -:.
H u~u) h>Vul.gl-gt.Lu3-2i
-u-it-LITI-5---O h.(1ii-u.ihSu.)T53-VutCLTtCu i?3-f1iLTISmitg.)ta03N]iU>014-.CA-Lihi 4-iillyDLi--,uih,uJi.ti.-0-OCruNitiO.ulCm> tOh.T-?tu.il-.)-~-~ t
u u u u i i u 9 u 1 ti T u u u u -unC>00u]t u u i u -
tI~
tro u A>
LIV 7!> Fi
Li-? .h i-u u> 111.3 U -st-Vi tu 933.3 t.u 3-Vt-L ~Vli~> tu t ts u~h u> u.> u-g ugt-u u u t u u u u u u u u u i u u u h u u u 9 it t i u u u u Ci? Vi CC i)i U) U>? Ci? CL 03 03 0? 2) DL 0) CC 33 hin CC 03 DL CC CO DL 03 Lii 03 7< Ch? nC 03 Di fu? CO DL 771? 03 07 0) 2) 0) CC CC> 0 20 Ci?> fu? O? O? CC Ohm -i-TITI.fiLfii51JiCLtulJi0151CLitLmiLflhfiL>ITiJiL3151-AiJiLfi01(-fim51LArJi(-tucfiiJiLA-STiJiUTL31-41L31~ 01L1101514--Cu4-L4-S4--44-Lt4--ti4-(Ou4CSi.44-LtLLO>juC.itLiJ(O(Ot(Oiy>(OLOLiitj4LOLOLO?yw -A -)E>E> O ~.u-L-C-f <it ~ <ICCIO iy>iy>4-L4-LO?au.uLO(OLiit(OLi4CiL>j3L C-V.CCgCl0-7>iDCC-COC00C0-000002OCiC00202-CuO-AAO-AAIOOOOC5CL.CgC-OC2C.0O lO>7iE>iCiOoCiOflCifl7>>7.0fl>7iflOoflOCOO>7iCiO0c:uO>7iO0000000>7ifl0000C.E-iuDOfl 212-02OOC00000000000000000000AAOOOCuOOOOOOOOOOIAA0O2000
1V
u ti u IX
uro
71 2 r Ti Pl
-A
u CE
---3>~
---
N~
ti 4-td4--JCCitOC O)ititu>0Ciitiuii4-.tiLfi0uu.i0LiO.tiNi0)01.tiCiit~~0t-iiLiit3*u>4 -u.JFa-dNLiO4--u.udlt,).tiiy>tSLi.uO 3*i35014-iJi0F.)-.-4-3-d(O(O.ht>4N)0-uC..LDiNirf4-04-N)35(OCNJNitO t.MUuCC-0>4(1i0tiOOOOO4-tui >4t>4>4O----~-010)010ihi.0uU>NiDi~0100Cp0?~DiNi--wLANuLLiO>4OW4-4-t)0)0)01LOti4OCi000)4
ir 77.) LO
CiU>t.U>t-a--)3-Ot-5t-it Ci
NU>t-.U>t-)t-ONUut--itNU>tV
tu)
4-LO0003Ni0(O00O.014-(Ot-O<u0)Ni001Nit0uCuOWt-O--00)NiUu51Li-00)014-(ONu.-0)>4C~014---mfi m ti ti mii u tt it miii iii m iii miii m it u u
u LflLfiCLfi(-3101tJi(-fi01uJi4-4-4-4-4-tti4-4-tti4-.ti4-tLL4-r,4-Ej4ouLi4uiituxiLO(O(O333(O(O(Llt33LOLi4(1h(O(O(OLOla u u u u ti u tu ti ti ti mii pi ti 1 iii iT i u u u u u

f?CuiC?ififiiCfuO?07u0)03C3ACCuOiO?inofniDiCruDiO?ffuoi-iCCinuCOogOACO03Ctni03Cf10377-O)ffuCoDiDLi0)0)aCafuni Lfi.tu.mhifiCLflififiifi(-fi01LAifiLIT.fi(-fi151(-tuCfi(-itifi(-fi(-fi(-fiidl(-fiL31LfiLfi(-fiituLtufi151r01(-fl(-tu01Lfli?fi(-tuLfi;tu;tuuT(-fiLfii OYCuhii?u?70ihCuFO
u u-u CO
O
4.
jV4--L4.27Cuti4-4-Ci-iti4-iu-L~.titi4-CLmitJi0L-cY CL imu.uLugii-5 Liti?ag4-4-LfiC~ 2Cu2COOAA-O2uCuO-7>2 CLE>C uDE>CCCu2oO>7.O

E-ulOiVfiE>uC. E>uE>-E>iCE>i2-2u
Ci--u-d>4Ni>dNi--dNi>4i--u.u-u>4
u.iDLICOCOCODLIOA0)C9iC>ii?i-Ct-uV-.t -,U>--CuLfi iLiL 22i002CuOOOOOOCuOOOC02.Ou7>0000000AA-0000 00>7 OE>OOOOOCuAA-OOO2uCuo2uoCOC-OCuoCuoC-0>702u >7i>7iE>uCi E>O00iD0E>CICiCi2OOAA>7uxu2E>.OOOOcuOC7>2100i
u?
15 i))CiniiCmi)?i igO70d~y>C2uE>COOAa]0u.--fiO(3)0Ci
3-yO CLfitLih0OC>-Fau5-.4r-.>44-iti0Liuuj4itiiJim-a.--.at,roumium<m>4-.u.1t.-.or.i7>Coaiu.4un~w
3-O 0)(-flLi--LiF-O4C>iU>hiiD4-C11-Cu-uiU>CuLiitiiAAiLit4-L31Oti0Cfi~~i~>C.V]iaiCu? 1
y>
368
ti
--.
5 1-u Li (u) Ng 3-O

3..) (Li 3-o
3-O 3>.) N-~ u>u 1.4 u.u T u

u
(34 LO (uit 15 iS u d t u u i u i 9 t
u
ml
iT 21
(1i-4<i.C>-C)O<0.t5-~)u40.3~4i7)45040-fl0)03tChiU>?03O)F?>j3?Cri03OU>fu)0)LOixiQU>OU>030)ffi03034 d>4>4>4J>4 u u i tt it iii ti u iii uit tt t u u u u tu u iPT ChiCor 03OnifPfo0)0)ffDiO)COO)030)forf07i0)03fth030)0)03DiO)CfOA0)03DiO)COCO03OACriChAO)0)COCDO?0U>COCOChALn
>2:
2)
TE-)
~ 0Ut01010101u04-WiAAu 3-u3-Oi?u?00t)0101N30000001010100N30303a101010101030)0wU)03W03W4Ut
C.(1.0OC.OCiiAAOOO0000C.E>u000000021000000000000000000ii>7uO201CiE>u
>7iE>2100021CuOE-?u>7iOOO>7uC.E>uCCiE>u>7.OO02.000>7iOCOCC000000000210A>0021u>lOu ---.5.- OAAIOOOO.A77i000000C.OC7)00000000002.OOOOOOO000000021000021
uiT IX
no
ID
A
u-A

u-O
LNi ti taO--(-310 t-Ot-O(O hit-it.ti .tiliit
C->451
Ci~ti(-flL-u-ZCu>4Ji.ti<i01LOC,~LA014-4-u>01(O0034-O0) (-fi030)0)i--u>4> 013-tih01-m <24>44uU>?A C0w01 Lfi-t-Nit
--01
C--ti
01Ct.0u
(3U>W4--u.uffu
-ti
>4
ChAAA-COO.LSi?i.
u 21 Cg u)) Ttu~u?Cf
CiCg4-Ci- cf.
O-DLI--u-.u(1 -< -JLOOO>4rOO~003C~0)(O01r.LOuu.>0i-~01&u.00O0Li03-s00000)010Nu.ti0-~0<CA003O4-uS
(Ot-dNitNtNU>tON4Nt (34(OtONitN4tO3%Vt Li3-00Ni0(-fiti(O000)Ni0(LtNJ0<001&(ONitCltNi&-01Nit00001.tiWNOWNiC$U--C0Di01.tiWN4
3*ityitu.)hu~tt-ON)t-dN4t-O
iii
iii
miii
tt
itt
liii
ti
it
ti
iii
uno in
E- tI?
000000000000000000000 iii u tt mit tt tt tt ti iii itt Tt] tt O?uCFuC>Cfiffu0)03Cri0)DiDLiDiDi0)03fCiOU>03Di0)0)QDL>0)OU>03C770)O)DLi0)0)0)CChDLiDLuDLiCh?030)ffiOiDLuCFiDiCCh03CfiCCi 4-4-4-t4-4-4-4-L4-LL4-4-4s4-L~t~4-LLJ~4-4-LtL4-4-4-4-Li-ti4-4.4-
2)
u- t.)h-shaLit-Ot-O-3-O-OLiNutNutONut-.uN)3*t(uu3*tLi3-O3ni4NitNU>LiLOC.>3-Ot-SCiit(OLiu(O(OW(LtCOLOCm(O(OCiit(OCOLOC4(O-ti iAAi00O010101~0)0m4-4-o000000010101010140O01ffu000O0300mi.)3-OLOLi.)0LOtO-.O0 ooOoooooooooooooooOOooocOoOOOoOooooooOOOOOOOOOOOOO

00000000C100000-000000D0000000000>7u0000000DOOuDOOOOOOo
7!
O A Nl
0
OODCiOOE-00000Cu000DOOOOOOOOOOOAAOC00000000000ZOO0DOOC
II
PlFi

~1
Nut-O0 1,7! 0~ 0
Ni Cfi
<flH
u
i?.uLaCaO
-
01>4N)Ci4
(3)LON4
-y- Ni.ti014-Cot5001Ci~E>O)00
Ciit0.i--t5(O07C-3--i--4--Ni01 O~>4LiO-ChCO>4>4LiL.ilCF--O)
CE u 21 u
u
C1)D>4 >400W 003 0)4-014Ou. 01 00103 01 0 ffuff.i?? <u? DL.ti010Crfiu. (0>401 000 01 3*i0 U-Di4Cr LA L31CflLi>7iOi-4O4DiNiO0-~i-d0000tiit010ONi0t(O0-.i-0ONu00)O00-00101(ONi0ui--0.ti010
u xi mg?
z t
CiU>(L>t-aNLuNu3-itt~it3-5u-.u
NuttuuTLtu4---~ u
4-419
tu-t-it3-uit
i~
u~~3-4 u-u u- it
u
liii.,
u
Isla
Pl~J Ti?]
no CO u A> i 1
ai-i~iiuuaiOtatOTitiuut-uul.tVuTVu-u.huVu-OnVl
u u u u u> u iii tt m tt u t u ti 9 u 9 pi! u ni CC 01? ff 0) 0) 71? C)f4 03 CO 0) 07 Onu -nc 03 DL O) 0? Ch? 03 0) 07 Ch? C. -7 CC cci CC CC CL CC Oh- CO -hA Cr CO 03 Oh -UC -U>? CC. Oh CO Ci? DL CO CC 51.Ji(-fiLALfl(-fiLfl0101(-3101010101010151010101Ji01Ji010101JiSL31L310101-5101L310101L31L3101014-4-4-4-.tittu4-4-4-
2 2.,
>iiaiCLiii.)ijgi.)(Oyii.ii(3uLiuijIW(3.u(Li(3i-u>iUu.)
(iCu-ii-ci.Ci~Cuu.0DLiOu0301LtiLih-du
(Oli,uLugL.?iu3Ciitua.)ui.iLi.iLig(3uCiU,Cuu(OLiiLi.)Lii.)WCiui.thu(Ou-uiLl4Lu.t3>4TauOF-Sm.iTSua
7!-
Y
u ~i. OIT ix. ~
OuAAm7>00000000000000000000000000000000000000000000000 CViAAiC.>7iO000>7iOOOODC.07>000000000C.O000C.OOOOOOLiOOoE>i>7iiAAioiAA.000
OOOO00000000000000000000000000000000000000000000AA0
Ti En
-A
u..
O(4Ciit01---VIti 01
t
tu
CDFJi(O---u5NJL~4>40101Ci-0.tiCt
mo
.tiN3*ttO~(OUu(ONi01Li0t.ti0)0)01-OL0)4-
CE
NU>1u.TNuLiLi Fu O
OiJiOO(i.
(OO>4(O
tVu-yhy(O.Cu-.401(3U>01(-flLi~t.1CNC~4000-.4CNCi)0 0301Ni04-00Ci4iJti-ti0)0)0001(Li0-0i.Otiit ---TaM)93OCii-t4.tiCNOOi-d.ti .tiL0LUs--Li0-OOOffuLOO01 4u5101Lil23-OAALi(O4-<-010)t-O01>40L.ta000O.000.-G.00.ti0)>4-O000(3U>0Ni01t-OW.ti(00010iOLO
u? u
CY4-u.4000)>40(O00001LCuuM0Di>4001NU>00Di(ONO0)Ni001t00W01LLOLi0)Ni0014-03 T t.t t i t u u u 9 9 t t m t t 9 9 i 9 m m u 9 u i
CLtuL31utCLfi(-31i51-Ji01014-4-4-L4-4-L4-t4-.ti-tia-tit.~.ti-ti.ti4-Ci3(OCiU>(O>33ujitLiu(OCi)(O(Oiy>(OLiiLO33(O.xuuy>Li)ta
(O3-iitOhtu3-t-t-O
Li3)Nuh-OtiU>tON)N)
Li i 9 9 u
u no
ro
tu u u u u Tt iii! tt tt Ti i T ti mu u u tui O? O?CC Oh 93 0) LII CC CO CC >2 34 CO 03 CC ChU> O? ChA 70 CO Ou Cci 03 Di DL hC~ 07 Cfi CO <u) DL CC FO 0) 07> On DL 03 3-jA <A OA 03 CV Di CC CCI 7< CO 7< .)? CLIT-. 11LtuCLfi51L1101(-fiitu tutu-fiiJitu01iJi-5101LfiL11L31(-it01JiLtuCLfiLfi(-fi01uJi01L3101CLfi(-31(-fi01-Ji01CLfi01CLfi-fiCfiiJii..fiyfintuLtu
O t~VI?
-
2)
4-4i-4.4-4-4-tt(O.4Luui?ai.iiLuuu?.uiu (1iijituiL(Otu?umiu(OCi.iLu.iii>CiuLiuuLiuuVu3-d3-Su,Uuiiluuutyuuuuu,Uiu.aixiuxL)iUCuLu.iLiu-.iju Ci h?l5Li00u.?AC1?u4-lSLi3*>3-i--.Lt01ti?uOMU>00000000 OCiU>0)LtuNiCi-0LOu.3h01(-31004-.tir>4>40LCi. 0c7>2100lO.0-OoOOOOCnni>7u>7uOOOOOOO000CtOOOOOOOOOOOO2.00000C12100 CCCCi7> O>7uO0CVi0C~>72u0O>7OO0>7u0u7>0i7>00fllO-i-i0fli-~00C.iD00OCu000>7uO7>0>7iCiCO u.a-viCO-AyO2OOOC-AAiOOiDCOOCOCD000C-COOOCu20000002OOCCuOC2uCg2i
uro
u-- u >7?
-A
1 u
-A
3>4 ~
Ii? Ci-4-OAaD-i-.]tSCCul--OgCi 1mit7>4-~OtnyS-fyn510u JiC,.o)4-4it-.)-<uCi~01Fit~0ui~-.t04LuCO.3~JlSiCiit-d-~uLtuM)d0OA~Liiu.uCi?uvti-?g t4CO~u.IW-00O-.itCk01CoLiLot-~mocf03t&.oot--o
(u.
CL>
-771? i u
369
~ u
t
t
u-u
Vi Vi Cg 3-4 3-St>)
(LIC..) tu.> CL.. Tuis u.u u. ti.
i u
u u
Li) iii 1-u bit i.j u u u u 9 i u u 1

u
tu. TV
u
u
u u u u i u u u u u u
no u i
277 7!:
>7i<iMuuuifu000ii04iicuifuCi00ui0<MACh?OACliFiiCh?<fiiit>Cifiju.?DLi<iiitCCuCh?li? 07QAOAi?)DiOiti-.4-d--d-4i-J-t-h u u u iii tui iii iii Tu ti it> u hu iii iii ti O.??i C0)DiC,?2i? ffiDLiDLuLOui(i03liiUiuiuuLLiCCuii3DLiWO.iO)03030)iU>uiui.LciuJii-.3i.)Ci4LiiWCLuWWWWW0)DLu03DitJ-iffuU.)CO J, 4-4-4-4-tA4-L4-4-4-J4-t4-4L4-4-4--.4-4-4-4-4-4-4-4-(-.4-4-t.ti.ti4-4-4-L4-.ti4-.ti4-4-4-4-
E-u ti-
<1? 0
IX
]>4 4 u-u-d-4-d--dNi-.d-.-J----u--ud-uO-u--uCa-f,-n>-Ch-(3 O Ca-CF-Fi O-O O-01(-fiC31C4101Q310101L31Lfl01C31C3177fii-.31CtuC-th?11 LOLOlaTaLiW4-W014-~Li4-4-Lfl~4JO0Ni4-Lit-,u~WWLOWLiO0301(3i>4>4>4030Ni0LiO Lit4-.tiW4-40N Lfii7>iDOOO>7.O2uCi2i(-fiE>uoO00000DOCuE>iOOLfiifiOOOAAtOCiOOOO000iJiO0i51000iht -dLtuODOOOCOOO>4Lfi2iOOii131D0A9E>L-JlOQTIOdi-mi>40LAOOOOOOLilOOO01tOCitit>7u01 C21E>C.CuAAiDCuAA-OO2iAA07>017>000-AAIOOO7>Ou.-----i-a-< CL-iCL000000002i000000AAO
-A
-y>uu-itu (uuuu.tu--it3--CuLAiiuittiLi.ti(Ormuiiu
tu. o.- --u <o-ti- (O LS >4OL314-93u?COCCibt01Ou.-~t5ta(1ui-O.04-0)0Ct.~--Fii
-Cu~01L01003Ci~03
Ni hy>O-dLLiit
-1 CE 21
0
-t.CLO Liit--i---CI-Li427-O d>uNIODLuC.iy>0-<.)O4.)iOJit-)CEy3-Wih$NuLDiCi00<u4-tiCLIO 03-JC---Ciu >7.u.>CAu3*hDLiu?.~0ffu0iti0)tzLC31~~tcitiLflCLifl0C.i.-4>7~Ciu.u.J(O0Lfi4->LlS00iiit 00)4-4-0330) Li43-itOi-(-fi 0-<>4>4Ci4-04-0010.LJiOtiO0CCiO(O0)LO3-O(O0C.0Ci.i>JiNiOOtutNi-0 0014-O0LA0000..JLOiD LO
LiitOtSuu.it,ui,hla3-Ofuu 3j4W-OtOt-JtJN)i?ujLi.-.0>4Ci~L31(O00WNi0t333-O---000(-fiL(ONiOANiOUttV--O0O-014-(0
iii
ti
tt
tui
it
ti
iii
ti
iii
oWNiO0100m01.tiunu\) 3 33 iii u ti
iii
t31 FO
tE-.
u.3--ut<uuaTu.tu.it-.U>N)hu. vi000000>700000000000 u t mp it it i it ti ti it 1 PP tti 94 it Yh0)fu?i700)03Oh?DiDiOhu03Cru0)030)0)03DiO)CC.0)0)0)0)(Ci0)0)WDLi0)030)i7<u0)0)W?VDL?0)O)Di0)OU>O)O)030)Di0)03
tL4-4-4~4-4-4-4-4-4-t4-4-4-4-4-4-4-4-4-1L4-4-4-4-.~4-4-t4-4-.ti4-Lt4-4-4-tti4-4-.ti4-4--ti4-
21? u 2)
Fi
ir-) >
t
_
uUii-CNCi.Cyi7i.OC~CkCNCK00Ci~C0Ci.CNCa-C.F.0U-01Ci-Ck0QCt0Ci-Ci.O.Ni00JNi -.JNi>4NiNiCtu.0NiNi>4NiNiNi -IVuLOOOON43-4-L01>4Ni>401Lfi4-01(O00--ti.)--tNi>4>401>400)0)00AA00---0>403Nit(Oi.(O.4 OCiiitlOOC.0101010101010000N)0100-uCJi00Cu1Ji000000010000000101CJi0010010(-3100 000000000000i510000100000000000000000000000000000 2: 0 0 2 CC Ci 0 0 0 0

>7.
u A
1)~l
4-4
O
>7.
0 2 0 0 0 0 0 2
0 AA 0 7> 0
>7
0 0
Ci
0 0
>7
7> 0
>7
0 0 0 0 0 0
P
2> <PFi
Ni
LE>Ci-CD
(-31
E-~-u~
Ly4-taf 4 <mit, ~ (00 o
uo
030lOiCi0)U-03tOCi0OCO--L01-00
LitVuNi.ti0MNJ
Ni
0OO-Ctt(O010(O0Ni
Ot01(O03Ni LigDi4-0Di0Ni (0 0) O(Od000003*i4~tiu~ittiCO0~0
A i CE
r
DL)
90
(Li051.ti0)LEi>4OO03i-d(O.ti>4L03i-J .ti>40-u0>7=iOniiJit3*iC~CK00ruO
O?
H-fl
CitO
Ju Liu(3.)t-sttiNJl.)(u4u53-u >fi4-2i<iOCflJuLiutiCFIa]O
tltul )3-d .3 -fltig--OAU0)iJi4-C>ut5Cf
1-u
tu
u
iii
3 3-) li u tt
t u u u iii
t u
tdua3-slyta (-314-0--CiC)Ni4-.4tu)CO-d00<uCh u u 3 u i u u u u u
-i---
u u
no <1
!-
ti it it i
uy la uV 1-> hVi iT T 3-- lgu4t.?u3ti?i i t it u u u u DLiO?i?i?
3-? tu 3--U> l?l IV t4l>tuu iii tt
LtuLfiLtuiJiLfi0101L31iJi010101LJIT01L)ii.flLfiii-flLTI0101LALfiLtu(-fiLhLfiLfiL11LtuLfiLflCtTLTI(-fl01(-fi(-310101014-Lt.t.iL4-ti-t-..
7!-
ti
2-
C-C-CC
Ci- Ci Cc
C-OC FuOC Oc-C
C-O--j-d-i-u-d--uddt---J--t--u--J--j-d--d--u--ji--uxt-d--uCi-C,--O
~-C>o-CO
fin
>4-ui-4Li-d>4i-JCONi>4OCCi-C,O)i-4J-u400Oi.itwO0--i-t-gLiu4-4-4-haoCm-(0ig4-.ti4-t.t
7!
-du~i51Lji>4>4Ltltu.t001Cg0>4Lfl0CiO51O0O0L4iUU,ifi00OOu51ui-7)OL7)O2uOO00100Ct<u0OOAi01.ttiJi
(-fiQtuCiOLfilJiOUOO2.OJi>7u>7u00002.>7i0000007>000Cu000000>7i000TJi0002i>7.O0 2u>7iCiOOOE>i000uDCi000000>7u7>00000>7i2.iu7>CN0>7uO>7iOOOCiCiOOO>7iOOOOC.iD>7i0
Vi
O Ti
Pl
A
-9
iii
3.44--u,4.-t.it(O(O
DL?i-t.030W03*uLi0001i---t-
Ni --0
NVLi --t----~-i-(0CO0(00*-NiNi0ifi(-31Li03LAL--.4(U0)0>4NiCi-0CF~Li(3uNi4-
Ch? it CD u?
LiODLi0dNitCi-NiO .tiia40(OCfl <944-Ni00LOiJi4-CtffDiNi0-O014-(0MU>>4W.i--ti-fl0-<u03Nit(ii0C~(O -Eni>7iusOCi?lCi-LiLior-.NiO.I 00 00Ci~010Ck->4Ci-~LO01tuit0LO01Ni00~--007uLOifviCiWMA CON NiO00Ni00)00101>Ji1O0~-000)01(000(OOO--0300Ci..ti00NiLi0Ni--.tiC>.4-LO0<4
(3UuNJ(uitNitiit3*iuO O-4-(O0-O0)>4O-(O00C.ufi.ti(0miO003Ni&
N4NiNTt-OLit-ONit 01Li00Di(0Ni00)>4Ci01Li0W01tW30WNi001L03
Ni
iii
tip
mii
mi
ti
iii
Ti
it
it
it
iii
mii u
STiJiIThtuiuidlfiLALAuflCfiLACtuiJiLfi51-Ji(-fiC51(-31;tudl(-31L31(-tt(-it.fihfi:ITL31(-tu;51fi01(-liJi0101L511JiLtu(-fl011tu,fi(-fi.11;11fiCLfi
(-flLALfi01(-310101Utu(-flLL-tiL-ti-tiL-tiLL4-4-L-tiL-titL.ti-tiCiU>Ci)C.u(O(0(O(0(0(O(O(OLi)(0(OCiit(O(0(O(3u(0N) tui ti u Ti it it> tt tui! u p u iii ti iii fl <Ci ini? 0)04 <ni CO 0)07 <ini Din? co Ci 03ff 03 >0) CO DL CC (CO) Cr ff0> Cro) Oni 0) 70030)07 ChA DL CO Di DL Cr 0)0)0)
70 fu)
iii mm Oh u
u
1>
LfiLfiCfi01CLithi-fiT31ifi01(-fiti-ihutuCfiVtuLfi(-tuii-fitjiLAL31Ci.&-O-0O.u).h~Ci~U>Ci~C.Ci.Fg OC Ci- Cr-Cm0CtCi-Ci-Ci-O-O-fu-Ci-Ci-0-O iU.m4i-4-01iJi01LACi-4-1OnLu4WOOCv>40)0O0tu.Jt-Ot-~OO~~00(OL,.)(0wL4-.ti(0N44-0101t0101-~d.uu>40) htulST000Ni210000000001010C.0000000u311401001.AAi>4>40100013.uiflOOOoiJmLAO,tutaO DODOOLfiOO0000000CiOOOO0000000CiiAAi.7>00iJiiJiOOOOCJtOOOCuOCuOOO(-fi0 210:OC-0000CD000000000DCIOOOOOOnnODOD-7>000AA0000D0000000
IX uro
0 u
t04-L.ti
Li?
>40 0
Lfl0
>40)
Ci)
t 0.titO00Li>4L(ONit01L>4L&~-0Lii-ti0
Ni4-01(ONJ 21
u 777
0OCa-51LEiiJiOA>4 0)0 0 Ja) 01>7 .ti Ni.ti~0210iv<03O)0)t).4ti.tiNi(O0~LiOLit(-fi t -~fi
4--E>iOlCuCI
u VF!4-OC.1?i LiSO? 0393 CiCOy~ 01.4 03 0th~OCu.Ciaii-4--A>CCn.i7>~<i.ih.jLfiOlAAi~-Cr 4-O*-O0t50Ni001000000000NJ000Nii1?j(0O0O4-JiJiO)00210000000L0Ni00(O<
370
1a
tu.
u)) (O u
t
t-.u
i.u (O (O tuitu
3-Vi 3-..) uy iV Li
Li u- u u
tu
i u u u
3--.) tui> >u ti u u u u u u u m u u u u u t u u u u u
u 9 IT TI] ]--u--u-u u u
Tu.
u u u tutu u u u u u u u u u u u u u u u t t t u u u ECii~O7O03CriO-uOACriffC)07>CCuCfffiO)03O)ChU>CO0>fiFdU>Di0)03Di0)03CriCruCODiDi0)CCi03Di0)DADi07iCChff>O)030307uCCh03Crl
4-4-4-4-4-4S4-4-4-4-4-4-4-L4-4-4-4-4-4-J-.4-4-4-4-4-4-4i..1J4-4-4-~J4-4-L4-4-4-4-4-L4-L
mm >7!
o C.>C4-0CO01CiNi0iU>301)Liii.0N3(-tu0U-LA010101.1.4.ti.titWON)Ni(O~---00)O000)Ni0&i-.tiLEuN4iaNit CuiJiCiSiCL02i(-fi>4>4E>:9IT51C.CLfi0100iJiOOOAAOO01i51OuU3i0100000100000000000LAiN]Ni>4
A>0E>>7i(-11510212i21E>iOiDO>7i>7OOOiAAuOOO>7.E>iOOOE>00000C0000>7i2021(-tuCfi(-fi
9.2: CE> 0E>>7.Cn.CA.002.OOOCO0000007>00CiOO>7000C>7000>7COOCCO
iR
u-no u -,
u
2.
-9
li$.iaiJiiA-3-O(1iLEi(-fi(OLiitLiuh>4010 u u AALn-AAICfiokNubglut--uNit.ti

0 (0 3*hN430(0 01i-tiuitNim---JW01LALAtu
04--tiLflL314-4-Li0)(O0)CF.
033>4 L (0 ~uti--.umi401NJa-i--01(-mi-Ni01.tiO
tiLO 01-Cmiuuu
3-o-7>um)(1iLO
u -9 u CE
ir uCh> u Li>
0--0Ct-N.<Cm
(O-ti---4-(3itLAC---J-1-.3* -cu?-.01C,.dtuDLiCOu4~. 11huuiitfi<iOifi4-4-0>4O.uO.--0--.0)000-00--N4CONit&.ty>0)O0L4-NiO01O)NiDiO~---&000(-fiLOO.
4-O-STlU?CCu51-L>44---uDLuCu~(-31L Ii. CL <y?? gi-LutsClhmhi.tio--u0
OCtuCi.htO
u u
3333NU>ti.iLiLi33- (0(0NitNittO3Ot>4 Ot-.0Ni0014-(000Di>40WLi00001L(0(uU>0)Ni001i>00001L(0Li0WNIG.01---00tfl014-(OLi t t u u u u uit it iii mi u iii tu uit u 9 itt iii

ttata3*>uVi3-a1ut5 0000000000000002O0000
Ti miii miii tui mu u tui
-uit
m
C-iihCDLDLni)3 -ni-n(CfiiJh>CCuDLu0)nu->DLDi13A0)DLi0)O)U>?u
ti
iii
Tui
iii
tui
u E> unun
u 7]
0)0)O)OACE.)Ch?>XuCOO)iU>hu0)i1?i?i03030)0)Di39Cniff0)0)COCh)O)Di03030)
4-4-274-4-4-LLLL4-L4-4-LLL4-4-4-L4-4-L.tiLLL4-L4-LLLL4-4-.ti4-4-4?4-4-LL4-
U
u 7!u IX h~ 3
0
3>43-it t-->3*>3-t-ut-it(uit3-(O3-.)3-a(3>Li -.J-u.]d>44-03O>4>4Di0O<uONi030014-(O4-MU>Nit.ti>4Ci..L.4-01>4ih,00(O0t-i-i.ti4-0)t5-DLfiO>4-C003 E>i(3151u51CfiLfiOOO>7uOO--dLi>7iOOOOLi3-N)0Lfl010101i-.JNitO-iuO01OpyuO>4tJi>4OOOOO01OCuOOO 02100E>iCDOOOOOO(-31iJiOOCIOOCL31Lfi0100COO01iJiOCSI<Cu000100100100020-DOCOOO AAiOC0CUiDOCAIiAAuIAAuOiAAiOOOCIO2iOC020-AA00000-0000lh7)OCiOOOOOAAiOCiOC000
h
-9
1
N4tuiu u 2:
it O
-~3-tO --h-L001t-jLO 4-i--~-(-fiLihi4.---(O3-OCiitLuh47aCOLOO)iVfiO)iLfi<u014-dOCi-L]Dy>-0Li0003LA>4(O0)4-4-O---7>4-LA0CJi01>4LiU>>401-0-03)01--03V]--
PIE) ZH -rP~
H Ti.
LOi?.?-J---O)~OL-mhi-t-UOLi -4E.)--.U>.tiCu-O03u31L,uu3*iCi?u --]4--C-40O)Ch3.tiC(-tuO C~ni-Cu&.i.-m-d4-lfful:h4-LFy u? Ci?uA>4W0Li4-L0)NiL0)L03N40>4L4010010)Ni0)4-Ni(O-titCru.t.0)a)L<00(O01
;u
u

t-.)u~ul.ingu>iiii~ii~gug u
>ihgiiiuitiuS-hLiil>-i-i-CLIDLiLfi4-LOtuu-i-ffj i u u u u
Ii!~
T u u u u u u u u u u u u u u u u i u u u i u u u iii u
i
(3j>ji3-.uuit.it3-.)3->3-tiu Numt-43-i4-- di?.Llh4---i--A>-t?0>Lfiti.g 3-3~DLu~dCdl4-~0.C03NiLCi4ii.hFfu-ufr~-.CC-Ao-Uiu t u u t u u h 9 u u u t m u u u u u u u u 1
uiTuTiiuuiuiiiyl.guati5iuT.Luu..tgu~uTVl
u-u uro
. -
ni U!?
1
PI
u
Ci
ufumigu?? CC Ci? Cu O) (-3 0 mU>C UC 07> CC <4) 7)) 03 fu) ChA CC LA- <C 39 CO Ci?- -70 CC <Ci hO Cu 030? CO (-U Onu 0) 0) Onu O) CC U>? DL <4) Ci? CC, U) Oh OC CC STCLfiL31LtuJiLfltuLflLAJi(-fiL31CflLflLtuLfl51L31JiiJi(-11L310101-STL31LA(-3101(-fiudl>510101L3101J3.tiJJ4-4-4-4-4-4-4-
i..ijuu.i Li>Li).u.uu-umitaLi.iu.iiu.i u -.] Jm114-.4-Liu4-LO014.4-WNLi0mJiLEh--.!Ji01LOO)Ltut-OD0Ci~Ou5101i.aM)d-,JLi~4-fiCi010O4-Ou4OCOCi.Ofu)
7! 0t-v001i7>0c31hJi00CL3103-000010O00000000J3000uJi0100000101CJi00001LJi0
2:;
uno u
ID
IX
CL-
x11 CA -AA- 2ui512109i2.CiOCiOE>DLfiOiD2uCLLt,huDOCO0000007>COCiOO>7u2u>7uOu7>0210COOO ViCiOCCC.2 02u0C02O0-D002OOOOOOOOOC07>0002C0000DCCO2COuD0O
Ti
9 ~ t.gi--Nit(0LNiua-ti(33LfiCt-C CCiOu~--DLifCi~ifi4-uhiLiuCu~LfiC.itCEu0a4>7u0)03-7>(OCCub3N4---0NiLOCi03Cu.iAt.3i-4(-11DiO.7><Jii?3i.10 O.u01t.u001LALO?it.hLOCi.03>4Cf1.ti~.-01-4U>03CO(0Lii-ON4Ci00>4 CL114-Jiu.h?-0.]4-4- -dOODLuO(-fi0--J4-LaOOi4Wud-4tuuO-i-]NiO. O~CiWCi~OWLiW.tiO.0101O>4Ni.--DiO--3-O--L0(0Lfl(00Ni0)WOL0)0003*0L(O0Lfl 001>40(OlmLOCFiLititiJilu.>0 >4LOC>i000OIOOu0Ni.tiC0N)
ni dI
y> Ci.)
OLOC. .tiLO0 JiL
>0
3- fu
tuit3*>tu4 O u u tu
NuNiNiN.) 01tO0W01L(0Li~-0)NiExt314-0)
(uit
(OLiN4Li3*iu t.LOO-Ll03>40(O000CfiLLON.h003>4001N30003iflNU>O0)Ni u u u u u mu ti tt miii tu; u
(-fiutu(-TILfitji(-fiLAiJiiJi4-4-t.LL4-4-4-tt4-LtLti4-Jz-tiL.tiLiitLO(1i u h u u u i u u it u i u t 9 u u u u u u uf mi g iii CA CL Ci? fun C< CO7C O? CC CC CiA 7)? u?? A? CL 07 )U> CC -33 03 Ci? U>? CC O CC un? 03 mit miii it tui u (O(fl(O(0(0(0W(O(3iti?CiWTiihjiUCuiii u u i u i t u u u cr <u .70 4? fuu O) <ini u-S CCI VA CC Cr (ni Oit
LfiCLTISTii-fiLPCLfiCLitLtuVtuLfiLtuiJiLfiLTI(-fi01Cfi(-fiCLtuiJii.fiLA01L3ii51010151LACJlCLfi01CFi01iJiJiCLfl(-fiCLflLAi51LfiTICLfiLfiLALflffiituidi
iii
u
333-u
ti
ro
Ti
-.5 4-4-Lay.> LfiOE>

_
Ca.uu.Litmatyuuyt.uta.LOlL 1U>Liii3-atat-u3LuitCiitLiiti?u.C,?iLu . LOusLEiLiu(3~fuu(Oi.uLEiLiitLOLiuLE>Liitfu~Ciu(-gLuLEy3 i-yg-A-u.]LC-uffu-O0>7t-O>4OuOAi-<O(00000(O0tu.4Lit,)0(uuuit4--(3>.t.

-
7!
flrtilOlOiOiDO(-fi(-flCOLitu-fi>uu510010uJOt4i51>4L310100000012i00001ruOOtiitCAOoufi-)0>4fl
>7uE-vu7>u7>i-i21i~i-tfiCmtuO00E-mLtuf-uijCE7>LtulOiO>7if-i0E-uuDOOfli-uflOO>7i0(-fl0Ci0001lOu31
31
>7 ~
u
u
--9
--9
Libt-O3-y
i?-d-f ~ liJi
Li
(u.)
O~N]O
4-C-Lo---4-7CrL4-Litit-u0midtCi.>4-Li.--O-.tiFJi7>N.)Iui-~dt-.3Qu7>N?>OAIi.Ni~
iAi?fiu.u3NCI?r,
mt
uu 2 <1
371
i.itiilgiii
tuilht>3-N?-~Lil4iVtuit3iu.t53u.>3-.ihu~~
u
.
u
u u u u u u u u
-Lni-4Ot-Lu-Lu-(40iA--4igi3MnI<-Li)qIVCi03i)iiDLuWcOU>A03DLu03030)DLIO)cOOA03cC03G??CC -u--u>4-Ju u ! T t t i u u 1 u u u t u Ii u u 1 u u u u p u u u u u u u u nuniffunuF.U>O?COCTAO)TCruDLiCruOADLIE.)hiOA DiCfiiU>AOgCCi0)CfuCfDLi?>uDiO)C)CiDiCODLICODiOAiU>huDiDiCCuCh?O3FOEfiECiCCICifiu
it uro u 7! u E-
lu 11 u o
4-4-4-4-4-4-4-i.4-L4-4-4-4-4-4-4-4-4-L4-4-4-2i.4-4-t4--ti4-4-4-4-4-4-4-4-4-4-
OittLiuDiOOOi&iOO
O0t-00W0)Clut0~.--00O00~.--N400NiDiNi0)Ci-4-3*i0
fiLfity>2u(-tuOU>>4~~tai-~u03Lii-u.ui4ONiti-~-.i-.N0Li0>4L-31L31idLfiu501iJOO)0101DLi00OiDO C-tfiiLfilOi.FtunO di51tsmalCfi-i(-fiLfii~fi7>lfiCfii5l?iuuuy(-fiDiJiCi(-fi0>7i(-fiO(-11AAuLfi7>~uO>7i0Lfl21E>0i~iciig ---u iE>OC.i7>E>.CiOi7>OE>iO2uiDOOOCuOOOGuOE>uOOO<CiOOOOOCi2iOOOCOCi
u t.4titu.utiNitNt-ithJi-3-u -LDLuSTCfiu-fi ~uE33ifi<Ci~-J03Di0LJm01>4d-oCO0)(0<Ci~0~0)CO0O-01N0O-00)4-Ct-030CO Ofujy>-n tVi-gSlTLEi- ~i~

214-5
-i
jiui ii-tu-C-.LEitu
uuO)OLEi00(-33L)h.i--(Oig3-.)CF>i<iiti04-4403(0LO4-LtuOCi-ffi0Ct-3-Oii4O4-DLit.uiig--iiOiiud
ivt>ifi->ALO-L.4-04-CCA-ni0)--iU>4-Ctur-CEuiCuu.u(OLu4-ufiLi.u>7.C.0(O-u134-riu.iugunitvua-JCi
u u CE u r te h
u
~
u
iii
(0Liti43-OLi3-N43
tutu u u
(0WP-OLiN)LiLi 9 p u tt u ti tt tui u
u tui tu
0000000202OOOOOCuOOOCVO mm it u u u u 9 u tutu u u
u u ti u> u
iii
uno
un u
-thuSLit-OLit-animt-O iii u it
mu
u
-U. 4- 44- 44<4
7!
4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4~ 4
4- 4- 4- 4- 4- 4- 4- 4- -ti 4- 4- 4- 4- 4- 4- 4- 4- 4- ti 4- 4- 4- 4- 4- 4- 4- 4- ti
Fi
un
ti
CgLiiLO(3iLa(0LO(O(O(0C5LO(3it(0t(0LO(0(0(O(O(O(O(O(OLO(O(O(O(0(0(0C(0(Ot.mU>(0(0(OLiitu..(OCi.ttuitLOLijLO4-4-4u
Ci Li C >510->4>4>40iJ
NiNiCw0Ci-Cn4-Li(OuOLit-a(0i.uW4-4-0>4.J>JNiOiCr>4DiO).uC,~>4OAM?<I-DO
iR 03
lUC
U A
~titituusNiLtu-4(-fiOLi0C,u.Li0u0(0-i-J(0O0)N)O0t-O.-d01>4000-su-NJLALiLiLJ1LitJuuaFy>JiNi01(uituitO
uubiufiui(-tuLtuiAAui312i0(-310um>t.uL31O>7uAAi<j(-fi~dOu]i?fiE>iCu01(-31O>JitN,00LtuLfiO01(-fi0i51iAAum313-uiuui(-fi>7iL31lfi7>
0000000000000000000000000000000-DOOOOOOOOOO-DOCO0
2->
u-A u 4
2: t~
T
<-1
mu..) ~
uy> (uit uliw4-dCi-Li.q-U>(0-00101C3-0JCAJOU>4---403CflLAL31-it4-4-0h-fl-ti0>4C-31-4>4OANiO)00103
TV) H
~
4-4-
Cr ]mfiifi4-4d -litut5-CiiA Om11DLi-J4-JiLiu--dLiit0DL.uO01-4~-EiA2Cu0LEi,Vu003Li34.O)Cii00u.AAitUui7*-CiCi viiY>4-fu ui.tn.Chi-Oihu-dhji4-oitLiiLA014-O~Ni0)oU>Cfi00LO4-O4-L(O0)01Ci34-p.4t-d0LOti-3100.tiu.4Ltu-4u (3 4Lig3-yu

ti
d2u-.t4-O01Ci?t-Jtd-<iC~E.)-CtCi~0(OOuuQ&.-4-0COLiu4-Ot-uO-Cu4-03*>-43-CIgDiCi
Lii
t-u3-5tJm-yt3
tu.utLu3-.itt-h-it-----
DO OIT]
Cl)
A
u
uhiuu
u
t
u
u
t
--
tt
ti
u
u
tt iii
u iii
u
u..I..iu.uT-ihi.uT.iu?ii-r~
.Tituu.-TOu.it-uhOngh.utT~iT.3-?ita
.iiFuOiiuufiuLiEu<iEtu03O3cLftFuACi?OhuCfliA?uO?iiU~uCfCmflniEfl~oinOi7Ci?EgCCOAffiEuACCuCiA 0)hu3DL<? O?ChU>OhifOACO03CfO?ufu?Lig 111i11i11ytuLfi0101LA0101151011Ji0151LttL3101010101L3101LAL31iJiUTLALA01L31010101LA01011Ji51LA514-4-4-4-4-4-4-4-4-
iCO m- 27 u
u E-u
A
u-
Ji>
4-4-t4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4--ti4-4-4-4-4-(-fl4-4-4-.4-4-4-4-4-4-4-4-4-4-4-L-aL.vu
i~.j.4
.u-.J-\u---1>40)03lUCu-uCk.lUL03<uiCu0-iCuiuU>.4?u-iU>-.fuCthi>4Ct~>4-40--40--uu--4oA0)Ct-03cu.04-Li~0LiCaCLi>4lUi.
ti
1.4 tiifi--Li--JClit5Li3*uZOJ 40)(0N300-i-j~JOLON>mi00N40100)t-ONLiit-dO--d001LiLi000C-d0 3111 tuOLiLACitWdiJi(-31LTIOxJ01011i--1010001LA0>4LALfiOO;JiOAA>451Lfi utJiOLtlOO01dlOCOOlalUtuD

7>00000>7i0.D0002OOOOOOOC.AAuOOOOOCAA-OLA-AAOOCOO002OOOC210
ti: t 01 u 0
t
r O Ti
u

-9
Pl
Pvfitu
-114---
fi4-tJiOLO>4(0LfiC Li
u.uLi0)0-.m04-NiLi.tiO.u4-01>4~O4-CO0Lb~0014-DiEu1?it~u0)(Ot4-007i21OA
uCutCi-uy3-i?4iiA>4O<4-A7u(Lt07uLiF.~(O-i--7>Nit.)Ei.O 4-Li3*u-ti03-u.>t-CChlu.>4-07i0dLiuDLu-4h0L3iTU~4uifu i0..~0(O4-4-000)04-*~0LifO(0(04-010NiNi4i0100<W(004-CN001>4Li00O4-~0CiitCiia -~u4--~uiUiiCii-du5(O-Atu0CeiCuLA4-t.itWOu.00un0Eyi5uii.jut-O4-W0O0O~0)O-Li2uJid*Auu.uCi---<
(uitt-
(u> bu33
Uuitiy>i)3-V
~t54-
-A 21
un o
Lii
LiLit-u.> t NuLiLiN) (i4-LiOi40)--dC,(OOi4CiuJi.ti(Ota0DLuNt0tJi3>4-Cu0DLiCiitpu--0OAuNifuitJiNi00)014-Liitt.4--0)>JCi-(-fi4 u u u u u 9 9 u u u miii u u u iii tutu it miii mi it uit Ctu
it
uit Vtu u
.9
u (-fi Ji (-fi Ji 01 >31 4- 4- 4- 4- 4- 4 i t u u u u u u 77. 0? -3 CO Oh 07 Cm 030) 0? CC -St sfi C.fi (-TI (-tu 51 (-fi 51 51 (tu Lfi LA Ji (-tu 4- 4- 4- 4- 4- 4- 4- .~ 4- 4- 4- 4- 4- .ti (0 (0 u u u u t u u O? CL DL <33 u) O) CC~ fu) 07- 70 Li) DL Oh no DL 01 CLtu (-fi Ji (-it Cfi Lfi (-fi (-fi btu (-fi Ji CLIl .11 Ji (-tu
(Lt
uno
uro
(0 (0 (0 u u CO CC <44 3) 01 (-fi 01 (-11 (O (Li u u CC CV ~fi(-tu (0 (0 (0 (Li u u u O) Ch? Di 07 >Ji y.fi (-fi (-tu
(33 uy> LO u u
Ci.) i.u.> Li u u 0? CC <u? DL DL ?5 Ch (-fi 01 (-fi (-tu (-fi Ctu CL

Lii
Ci Li
LI 4- 4- 4- 4-Ti- 4- 4- 4dO -iC Ci
<4 4-
4- -ti
4- 4-
4-
4-
4-
4-
4-
4- 4-
-ti 4- 4-
4-
4-
4-
4- 4-
4-
4-
4-
4-
-1- 4- 4- 4- 4-
-ti 4- 4- 4- 4- 4i31LfiLfiiiuLgLi)4-4-(-fl01L31(-tuLfi~b4-(-flCii0COOU>Ci~4-4-hi3t.Cu34-tiui44-4-Li9Liitiiitj?i4-4-xt>Ji(-fiCu.E E-uCO FOIsO) C7>iA>d(uuffiu(u4Orit(-31-d>4L31510)-dLAu.gixfiO(-3101Jit.)NiO(-fiLfiOnI(001Cu(-fiLi..uffiO01aCr 2.-uu>uugi--uiul--u f>i iJiC31>4ifiCfi7>01>7u01L3100~d01001Ci>7iOOOiJitJi0O21i-uNi2i3*iO001tJ4i7>0-~d>4 Vi -Ci u~~u-AA. CCCV- 2 0 C CLI 2i7>V4 2 0 0 0 2 0 2 idi 0 0 0 Ci 2 -D 2 0 0 0 0 Ci O O O O Ci 2> 2 0 TIfi
2 Ci 0 0 2 0
<ti
(O
03:.011?Nihi
Cfi r-
(0LEuiti-i--LEi4-01b)itiDiiJ3JtLANJ4-Ni04->vtu>hJT3-shi.)NJ(0-
4-Ni4-(-31Ni01uONi4-.tiO01Ji0E.Ni.i CCi
OL dE>iODLt ui?-.1(O3-.uCKCCu0(u3r~LLEiOuJi0NiC$0N0)4-0)03t.uLfiDLuu-iNiu7>C.iJiNii(iO.-i-u.i3-uCuO -.44-AA t-h ~ --C-O)Cuta--LA0CCiNU>17i -d~Ct4-O)0C--Lig0i---~~77u4-4-LOdg4-t-iti-.]4-.]4-.Ci-hfiLig(ui
u -aLficiA
372
1--i.u3-.->t-u u u
titit-uVlt.uiuLu W .]U-014-0<m>44-LOruuCiNiCK01~(0>7003--i-J4-W3*i0-.J0LLEi0-O0)Nt& LEiWu.iuViit3-.Il)t5iu.ii---~a- u u iii u u u u u u u u u u u tu u u u T u
(0tO~ONi?-~(O0 (0LOt- it tutu
ti 4-4i-4.4-4-4-4-4-4-4-4-4-4-4-4-L4-4-i-ti4-4-4.4-4--ti4-.4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-
it i-40iit0-uO0ig0~4U>MU>=u0~O<3<4.f3-li03Oni0)030)Di03O.)aU>030)i>i03o0)ChACChCODiO)03DLiNiNiNu.d>4~~tvm it tt u u u u uit u iii pp u u u itt uit it il
19 uro 21 Ci?
u
07u(uuiii 0303~~0)030)O)-7<iCEgCuU>ffiLi?iCCuffu0)O)W(xu03i?tU>0)O7iOAW03DLulUO03EuA0)030)0)DL0)DLWDLii?CicfEuADLu03030)CC.CL-
2)
]ECL
O
Fi C-f C.)CiOOCiC,O>ACiOCi~0do~Cu.01(-31iJi(-31(-31Ji(-fiCtuCLfiufi4-c31t.4-4-it.4-4-4-4-L4-tir-.4-uiuCiit Ja 010)Ni4-4-.Cii-0(04-Ni0)O00tO0(00)0)0101>4<0>4ti(OCNOLitO(04-W(0~J01(04LNi&~Ni4-~u..(0
E-? 7!-
IX
E>
o
21-uuituittDLflo(-31E>iOLtu>7iOOieTqi0000000201hJi0>7iOOOOOOOO01000LJ300000000 2 2 2- 0 LA 2 22- Ci C.C - 2- Di -AA 0 -AA AA O O C 0 0 0 0 7> 0 0 0 0 0 0 2 Ci -7> 0
dI.)
u-DaO--J-JiLJi3*uODO
-ufCLuJiu1102iJi-AA-OCtu
.J3-OtJt;tuCu000(JiiJiOO>40101(-fiN40000LAOZ-O 0 0 2 0 0 2 O O O Ci 2 2? 0
no
DLg4.iy>3a-a-LEi3-(Oi?u?i4-LitO4-4-03-ti04-4-(O -) O? iru).-i-Li~Ltu-uO3~-~-iJi.)iiAi(u3-u.uE4Ai-ti-i-0OLiE> ~
WNuCi-NuLiitLit-Ci3 Li4-IJi u0--uu~ituyO)LA-u0Ci~0)03-~Li0ILu(00i)iJi3-aE>01>uO
(u>
uA u -A _
ir ho
M)iigui->4>401t.)01-(0LE4-i--4-CJ.0<(04-00~--M)Li01014-00>401(uitCii-Lii.tu01010)O0)>4001Ni010--
34-03
(0tiiLiN4LitiiLiLi
tU.J(0Lit-OLi3OLi3-O
u 4-4-4-4-44-4-.ti4u u u ti
ti
u
ii-mit
(Oua~--0>40i-014-(00-<0)NiC>-(0Li00G.01.ti(0LiwNi001t-00Ci.(-titi(0uO0mNiCi.u.fiO-c03mJi4-CgLi u u it u imp it tt iii it iii u iii tu ti

tu.uCu.itatu.utiitujNutiu OOOOOOOOOOOOOCiOAAi2.7>00> u u t u u uit miii tu tt iii iii u it LE10303030)in?-CO03DLm0)ffuDLiO)CCu0)DLuO)03O)CCu0)0)0303(-A03030307>Di0)0A0303i0)Ch3C003Di0)0)03ChAO)Cfi0)CO
tui
um u E->
ir
(Cc:
2) 4-4-4-4-4-4-4-4-4-4u
un
-Ci 4--ti4-4-
4- -ti-ti4-.ti.ti4-
(-S-.ti*-4-4- 4-4-1.4--ti
4-4-4--ti4-.ti4-4-
Fi
u 2) u IX
1)3 u O
1
4-4-4-L314-01uJii?fiU3LfiiV31(-fi4-LA4-4-4-4-ut(0(0Liui5(0LitLO4-.L-.4-LE>4-ti4-0101-tiLs0101Ci-i?~0U-Ci-O~Ci>>4>4Ni
C-03Ci?fu u5O~i-i-JLiut-duauiuO04-.--E.4td0C>~4-ui.uDLu4-DiisCOituC0Lmi01uJiE>u0CiiDi(-fiLA0LiC.~01DLufuMit0i30 3*iuJiLOLAoLiIsO--JOLA3*u00001u00-.uLiiU.flolLfiOJiOCuoi.dtoOoOooLJiooo01inoo(uU>ii).uusNi.51ufi iiTu uciC(-itUfiE>iLfiOOLfiC.2CuOoOLfi01AAiOE>iOCCCioOoDcCiOooc:u02.c:.2:u0AAi011Ji1Ji(-fiLAOO

C2i7>000CCc:-002u02102000>7iOCVuOC-OOCiC002i7>220E>Cu0000u.vOc:-2-CiOOCuOCu
A
H
2:> GE)
Li
t.it(-u4huitt-OJituCuitt-4-Ciu
bgt.uii-fiOF
M?uF)--Jfi(-fidCOi.)0Ci2.01nn4-t-uLi.uo-uN44-
~ -Ciig>ui-bglit.)Fi.ua
u-A 1-A o it~

u >fu
LAC-ct %h--d-uh-Ut017>fuA>40-t-uCCi
-dLALiui?>4fi03C31010g-.i4-0-CfiLJmtaDiOniOhyCi3-s-.4---u
4-4-t0tJiLiTJi510.ti350t-O(0(0(0N01>40(0(00)03U-U-00)0)(-fiLiO000)0)OLi0Li0t5-4Li03
LEn u)
u
i i
u
a
u
t
tu t (u? u tiit 93 u pu u it
u
i
u
i
u
--
t
tu Cg (u)
di-. u u
U u-.m
Ti> T tui u mii u tui tui it tui ti CCuffuCL?FuhiCriChnuO)071C5O)cOO?uCCCOCOCCIinA0301?u13AO)CICO0)CtA03C0ChU>CmUiDiniLiDLuCODin< Crm77ODLuCCi0)ffuCuAfuUu03ffOAfuhiiU>CiOA? iJi51STuJi-5101Vtl010151010151iJi51yfi51hJi51>JiLA01JiLALA01LAiJiTJiLA51Lfi-Cfl01CLfiLflii-fi010101LA4-4-4-4-4-4-4-4-4-
la la tu IV a 1-a 3-5 ha u.
15 15 u 3-9 Ti 1.. tu u u u u
t h 19 uro u u
II 7!-
TI E)
fl
A>
7
~
~
iCCiOCiLu.C0EmfiL> 4.114.i?iAA.4uVuU-lUi
u U>
IX uro
r
9 E-
t
<4
oOc::9-d530100001o-AA.o>4o-.uiJiixiomOoLfi-isiSt3-.uiJiufii.no3*iiJibuiJiNiOoma--.4rsua-.4aooOouoLi
OuA>E>ic:uCLfi>7.0O7>000C.0(-flofiOu7>OLfiOE>u0001c:i2iE>uCiCLtuFC>iJOCfi0O01CfifiCfiL31OCuOOi7>001tu
E>ODO>70000000000000000000000000000000Z0CO0000000>7iminio
TI Pl
-~
Li (33 3 ~ u5Aw$-.>-uiyLAM)Lfi01Li.ti>4-)00Li01O)w4-002O4->4L31LA>4t-5U-01LOLi4-4-LO4->44-3-u~uwlauaC.)~
A CE
CLfi(-fil51>4CfuLt-5N)4-duU>A(-fiCfltC,~001-~4--<u0--0U-tit~itCOLiit(00>4W--01~aiLiJ(LuCEiLitLi>04------DLiLiit 5 21
(0Li Ni >4 -51 Li

O
0) U-Ce- -O U- .1. 0 0(0 4- (0 >4 4Li >4 -d 0 0 0 0 0 >4 35 0 Ci- OC- 30 Li

Ci- 4- LE 0
(Ji Cii- 4- (0 0) (0 0) (0 -ti 0 u

(Lilt.33*hLiLi3-it 4 Di >4 0 (O O 0C 01 4- (Oh 00) >4 0 01 tOiut-.uiOt-u.iiu.tLiLi
(O
(uit u u u u u t u ti t iii Li 0 00) uit Li 0 O) >4 U- (-31 3-Vi O 0) iVfi 4- W Li 0) Ni U- (51 4u 9 u i it u i u 9 9 3 u iii u ti i u
ro
(-tu01Lfi(-itLtidlLiuiALih4-4-4-4-4-ti4-4-4-4-4-4-4-4-4-4-4-ti4-.ti(0(0(0Liit(0CtLiLOhuit(OLO(iu(0(0(O(0y>LiitLiitLiuii>-i u u 9 u u u t u u i u u u u u i u t u u u u i u u u u u u u t Ch) C??A 77 Onu cfi fu? O) Oh CO <430? Cg ffu 77 0)0) Cr 77)0303 CO DiO. 03071-7 7<0> CO 200730) CL> 0? 07<uu FOL?? CL? Cii fu? Ci))) <u? OAO) nf
CL11CLILtu-51LfiLfi0101lJiifi(-tuidlifiifi.51i51.?fiLtu-51(-fiLfi01CLtuL31CLfi5151LfiLtui51i-fiLfi-AiJiiJiLAiSTiJiiA(-311510101v3151i51011Ltu
iii
mu
fi 1
7!
CfiiitfitufiLfiCfiCtufififiCfitiCLfidlLfi.t.4-4-4-4-4-4-4-01TfiL1101Ltu4u4-Li-Ctu(-fiLi-CTIC114-4-4-51L31(-11L31C310.fi 4-CLfl4.Ci ~i-JO LAifi--dliLiuuu.uLfiCui-uiuffi d<0 .JU-&i-uOh5LiiAA02iDLumJi.uO~0)~(Li03iJiCCi4-.uCi.u.u0bi4...
C
CL31
iF t AA CLtu dE> Ji >31>31 lan.) ufi 2 03(4 LiuLiuamjiifiE-i0 1.92 (-31 (-31 Ni 000 Cfi-Ji t5-dN) tmu>4bt O --u.uL31CiLi t-u.tNiCfi O 0c:uLjt2lO.ftfi-ii.ifilfiOO>4>4OufiiflOiifllOuiJiooi7>01i7>i7>E-i2.OiJiiit(-itLtu01iJioLfiOnaLAtJirqc:.OOAAi.fiifi 007>0-vio O -O0O2O0 0002O-D0210AA0000000-xiOCiO0000uio u
d ti
Al-e
Li N)Li -Cu34-->-33t>thCy.01-d01C0>4ti3-4-3*iLi01t33Li(1ufu)-<07ut-snd0100~tsCsm-u..mLA(-finuFt 1hLfiCiiZ~Ehi4-Eiu.ifl~.]EFuECt.hi31C)0-ifuDi33104C,.0my>(314-4-(0CO-.ciidC, >7~iV0Ch?0)(1i(00J~DOAt-yuj>i(?.j

i>h-Li u.)O 111AAiE>-ui,
9 t.4ul.Ota)iubu4-0WFfuf,i-tu~4-4-ici-CuLAoCi.LOOi0U-O)u-OL31---01U-4-4-O0(00a)4-4-Laci ib Li1S-(iluCbtS ti -ti CtiE> ~AiCOCriC>.?itt~i.IilU)--t~7-3-yg5(0.-JCi.i--.Ju)2u-ji-4-%Ciii 4- .4 u Li
373
laTt-ug
WLEibiT
tiutSlibitT)15
LO(Ohm-gl
03 u u
Li~7-i)
.--i(t- .?
hu-,i-3--.L~iM)4itNi4-i33N4-O>4Cb014-i.Li-O4Uii.tiNi4-(0hOi--0Nii.i~4-LE>O0O)4O>COtd----OJO4-WO u u u t u u u u u u u u u u u u u u u u u u u u u u u u u u u
~~u) 1
>4>4>4 -u u 3
miT 3 iJC
u:,
u
-ujujiuu -U- -ti
-<4.
u 4- 4-
iii
i?i~nui.ni-.C u iii>
-u0i~fiCluCCh03cfl0)OuDi07u0)031)U>C3-uOU>ffiDiffiCODLiOA071)AO.iNi .iNi ti it iii iii it iii u u tt
4 4- 4- -ti 4- 4- -27 .ti 4. 4- -TU- 4-. 4- 4- .1. .1 4-. 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 4- 77 4- t-
i4ffu
u u
4-4-4-4-4-ti4-4-4-4-4-4-ti4-4-4-4-4-4-4-4--S-u.3i.im.i(3itW(0(O(04-4--t4-4-4-LE4-4-4-4-(0LOLi(-ii. .-i-.i--usialyigbuF.)laSi.i3*i 000000COULitW -iu2uE-.E-u4T-..O-fiuu0>7OAAiiDOO0E>i2.u>7u2<iJNi010 2- 2- AA E>- 21 0 2- AA> E> O E> O O E> O E> -D 2 2 E> CV LA? AA- -7> 0 Ci 0 0 0 2: 0 2 0 0 0 0 0 0 0 E> i7>Cifl2:uO>7ilOVAACuCVt>iE>iOOE>iOOE>iE>iO>7i0212E>i2iOOOc:iCiO>7iOOOOOOOOOOO>7iOCOE>C7
O AA
u ni
OOGiCiOAAim
>20i-nC--7-2.-A>7>~CE>
7>2:CioGuOOOOOi7>0000002u0000002CuOOOC
-A -A
it-.--

b) bS
nst-uus.tiOLgLOO>Ji .JOC.~--uC~L31(04-t-u0-JvJC.-AA03LiLO fu?ii.O0ifi(-tuLuOUuClu>7(0tSNiCflN4CTLuii-fijuo dE>021 (-31-AlI-hL
Liu33Liu4-Li44--ui->4-Og u~g01-ossu.-.s-.t.)taii-31ini.oA
](CL--d-uA
Cg to
t
-t-Fugi?-uii4Li.)4-(u3i-c2NiL3104-CCu.t)?iLugu.31 44-L11L~2iLfiE>.uuLi.u03*uODLu03c:u0)iJiNit~-(-fl~--fliJi.--La(0VLinODLut-t01i..uWOO0O010)V--0Ci~-UuO-AAiLi>4
u
u
WLi0>4O u u u u
W3-Ouu.uCyLitnOt-O3-O CiLu(0Lit-59OLi3-OtO 014-(000Di>40(ON4O0OtJi.ti(0Li03Ni001Li00001.ti(0Li003Ni001O0COi.fl4-(OLi u u u u u i u u tui miii 3 9 iii mmii
tt! OOOOOOOOOOOO0-ZiOO>7i00210 tutu 3 mu m tu

4-4-4-4-4-4-4-4-4-4-4-4-4-4h-CC..wixiOauDio0--.iuJiJi2c:inNiCfi3*u OO~OO02i
3 iii
iuiaikutahuhu.u35 tu u ti u u u u u ui tt miii
-(-4-4-44-4-4-4-4-4---4-4-4-4-4-4-4-4-
tui
i77iCOCOO)Cf030)iU>?Di03Ej)0303030)DilUVi3)030)0)Cru0)WDLu1)U>03DiDiO)03WO)030)0)0)0)030)0)Dii3)O)0)0)0ACOOfu?
-mii 3-hl CL> un u 7!-
Fi
fi 7! 03
Ci
4-4-4-4-4-4-4.4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-4--ti4-4-4-4-4-4-a4-4-4-4-4-4-4-4--ti4-4-4-4-4ii-vim.iag..gu.uivti)ta(0Liuij.ii?lUi*u i.uUuLa~-OOD--(1i(0(L>l-Oi5 >70 bi-CfiLfi(-fiAAiCi~0-CuiVfiCfiCii7O4-4-CiiN]03i.5CLhtIJid--iOCi3*
U
A
Nl
~j
OooOooOoOoOoOoOOOOOOG0000002.OOOOOOOOOOO000000E>OOOo uAAc:u.v2.E>iC.c:i000Cui7>CiOi7>C.~ic:iDOO0OOOCic:iOOOOC.OO>7iOOOc:iOO0Oc:i.DiDOOOO 2-E>i7>2u2-Ci>7-CO>7-OCuc:u-D>721 ASE> O020CVO>7002u00c:iu?OO>7OOO>7OOO0CuOOOE>AAuO
Fm.i
y-
TITE)
-.9
P1-~
C31&--U>(0LiLi1 tU>
,.i--ulsn-itrnuiO-.tt-oNitt-oLfit.uui)4--Ci0LhtC314-N)LI.)
(u3Liu3
4-
iii
10
-l
4-4-Lut5Otu.Ca01ffii.tiuih.u-itLO2-4-Ch~Ci -uU>(-fiTUi-Li.)Li.) CChihi?iCii-fit-O(-fiCflEi)Cu (-it-O-t?>4-Ci(-fiu.JO)I(1i O-ti4-0ft. iilL>-Ju51JOO-4hiCnChU>--0~t~iiui51CtuLfiLACxiOE>iO)4-O fiCii0 .-i0O01ituJCi~Ci- iO~~i403-d(-31210 t-O7i-Ci-t>u O4-01-4<o0NiLi4-Ot-OCo(0001OisODL?4-(3.)O-COWOit(04-00U-O)-iU>0Cu..) fJ~(O001U-OLiNiOiy>Ni
--jl7C11bui-iAAuii~uffuufi4-tmgl-g0)t~-(-fi4-AAi0i7ii<fi4-iiuihCCiN]CiL314-E>00)i-.J4-(34bitCO
-Ci
---JiCO-44-
tu
tu
u
u
u-gi.u?il-ghi~.iuyutlgt4Fit~iu-u5ith 3-5 ILu u-ii (u3~iF,3-ii Lii lli-~1 u t u u U t t t u u u u u u u u u u u h h u u u u u u t u u u u u u u u u u u i u CC CCC <u) 77)03 Cxi FOCO CODA Cf--Y Cf CiA 0) (U Onu O) 0)07 QA DL <Ci )g COCO Elio) 030)0? 0)030))) 390. 0710)0)0? CO -XCI) O) O? CrO? 07u LITJiLA(-115101i.tILfiLITfiLfittu fiiJi-tuiJictuLitLfi<IThfiii-31yfi(-fiLtuxfiCLfiLAmutCfidlLACtuii-uiCfiCfi(-fiLJififim4-4-4-t 4-4-4-4-4-
uno no TE-u .2: u 7!u

iT?
El
r
u-
1<
tid u
4-4-4-4-4-4-4-4-4-4-4-4-4 00) <Ci? Lu-)-itOu -7 ig-fi {121E>i2CL(-11
4--.-4-4-4-4-4-4-4-4-4--t-4-4-4-4-4-4-4-4-4-4-4-4-.ti4-4-4-44-4-4-4-4-4-4tE -1? CiO)fuA?-]Li-.itii-tiCLfiC~i?~~>4O.?>4C>CLfivIT01ifi-fi>fi4-4-i Li-i. 3-uIu-~AA j-tin-f01~31LO(OCtuLfi-AA0-tU>c:OCLfiO0c:ic-i.g?? Oitu(-3O(-fiE>m7<?<ui tuu- -AAO

.............-.
u -AACV-AAu iOC..AAuilO0iAAE-ii.2.uiE-uiDOOO>7i0OO2uO21iDO2iOiAAu2iOOO>7uOOOC~OOO2iOlOulO.fl2uiAA2.
-
IX
-S--~CiO2OAAu OAA02ii..OuD2OE>iO2i2O07>C22~7>C.0iAAODO >7iOflCi0OOOiDflriOfllOiiflE>u2,oOOO2.>7uO2u>7iOOCic:uC~OOOflflO>7iOOOOflflflOOO2121 CE-
Cl) --
u u >nu
U
Iv
JI
uA
u-.?
Lfi4-b?iN34-iL313-i51bi3-t--~i-duJi3-O(0(-tuNi03 LfiLfib)uit0O-4E)~fu.4-(u4-c0Cnu.uO.ti.u--d
Di014-0(1udlCC.-iJi(-31(-314-O(uu(-31C01Ji4-LoC.Ct L31d(i~Li3(0-JOtO>4CkNmDLuN)Ciit
dot-b) U-ChU>4-ChALfiCi-L3O-L>N)
-i?uu?i?i~-. -uU>CfiCfi4-C?0----C>4-<fi(-fiE-i31Li-i011.g 4-u.dO~NJCiiDiLiuCJ4--.t0tit04-OCfi-uOCi>tyiiha--t.)t-u01taCO U->4ta4-3-OCi-4-O>401DiCiM?3-OO<0(-31OOCi-(-31Ni03(-31-ON44--O>40)O3*i(04-Li4-DiLfiCi~0U>Li(0O~wO
u tO O?
(O3.4bit-O(uuLi u
Lit5N4LiNU>tiitLi3-5
3--it u h u u tu tt tt
tu u tui
u tt u iii t tutu iii uhl CO 2. 2: Chi-i-tufiiJiudlJiUx014-4-4-4-t.4-4-ti4-4-.ti4-4-4-4-4-4-4-4-W(OLOLOLiU>Liit(0Ci)ua(OLO(0unC.3LOL5(0O?iCiitCu>tit u t m h u u u u u u u u u u u tu i u t u u u i u i u u u -- C-~ 21 (Ci O) O? O Di CC. CO FC E- )g CO Cf 03 CC 7< )) O) fu DL O? O) O) CC 07 Cfi ChA Cfi O) )u -Ci O) Di 33 03 )? Cf O? CC Cr FO CC 07 03 Fi) 03 .3 ttu Fiifli31jtytuLA fiLflfi fi 101iShLfiC31LfiCLIT51(-fi515131LfiiJiLfit31CLfiiJIJiLfiCLITIJiCfi0101L31iJi-i-fiITituSTCLtuSLit-3Lfi -11 -11w
u
7]
4-4-4-4-4-4-4-r-4-4-4-4-4-4-4-4.4-4-4-4-4-ti4-4-4-4-4-4-4-4-4fiLAitu114- u u a ]Li-~d fi~~ufi4--ii.Fb4>4i-4

]d--uu.]DLEu)o3FOo?i07iO)3niC)CCoAICOnir0-A -4?-<-JUI.t.)-4771M?i-C4?uu u-~JNi3*iisEYNiLfiLfiLfiLfiufiiJiLfiL31ffui39CiO2.0caOCi(0Li.y.)7OOO.D002uCOO2uOC.OAAiCiC.22.002u000c:-2.Ai u..ilO.lO.fluir~uOOc:iOOOc:.AA.iDO2ur.0c:iOr~i0c:OOC.o.-.o .O2i2uCLt0E-uE-t~>t f22CiOO22CO2u0AACC2uc:u 02C.C. DCuC02OOi.aOu... O-AA7>>7uO7>
3-O
-0t-t-.J
JbuNi(-fi-Ci-U>)NilS0OC>-OC O)bufl-d.--04-tCi03*iCuA0fut51Ox4OU-iflCFu-~1 jCCmE>Lfl?t.gtu(i--Fu-iC1C)<Ci E-.>ifihii<uCi.-..2i.-i-.Cit-?.u~Ci-.
un
4t(O0~-.47> CL->TV 4-
4-(0Cu~O.t(Oifiiii 4-uCuOitus4-tOFO Ci 1>4-O-E--0--:.
u
u
374
lmi-luiS~ituitt5-3u5~Vitiigi>tIi
~5(-.)u. Liit(1u3-.Liiiuuth
tui u u i Ti ti hu it i Tutu
O0Lu000(u<i-O-.i ni-O
un
i>
tui
tu u
u it u u u 03071DLCiLCCCi?uDLU>A 24i-z.4-4-.4-t4-:i-4-t4-4.4-s.u-.r.t4.4-.4-4--.r.s-.4-i-t.4-i-4-4-Li-4-4-4-4-4--ti4-L4-4-r.4-4-L-L--ci-
f0.5.,Au.U>00-~(300)Di0)Co0)03ChU>DiO.iDLu0)Ei?LU30)CO0)03~0)0)03ihO>4>4>4%Ni d u i u i u u i u ti u t u u u u u 9 i u u mt u u m)3hujEl5U>lU.u-h7 )uCV0)ODLu03O)-))03ffDLuffhi??? DLiLCiDLiFOihtA0)0A0030)0)0)03O)?iCJADLiZuaLEiO.u
uno uro u o
ti-
- Ch .> CO Lii cfi O.> u- uy> Crh Ci.) Li? xi CC V. 1..) Ci> uy> 3-.) ifu 3V tu-u Vi Cit uy> 3>33*> Li tu. 3.) 5 (uit 3-..) (uit tV (uA ti.i Ns u-) Ni t 3--it u.u t.i u.> tu tu 3-> 4-4-lyTaTv4-u.LiOtii4-4-4-g ihNu.CIJ4-tu.415i?u?-4Oaig<Ii-CiLAhi-fii.aLiLO4-01iJiCi-01>4NiCLh.tit-OP.41a---
7!. no O
-irirCgn cfi-CADO
E-uOE>ic:iO21Lfi.4CiLi~d~44O.403E>ifinVuiA>F5-.J1tui7>ONuOOOuJi2013*uE>i0c:uO~-u->u Oi7>00021CL310011L1101010L31N3CLA>0001C3100001000000010>7u0001510001 7>i>AAmSE>iVfaA>C.210E>iOOAACiOAAOO000>7uOOOE>iOOOOOOOOOCiOCuO
4--.yruEi
04-21.31
u-A u-A
CE it-
O3~)fi4.tiC

(-fiCO
yCi-(.tm4DL.tiCit.S-Lu)(OLAW laO)C03~U-(1iiJiU-
tiL 1Ji(0>4
uy>(0L314-t5 (Liuy> 07uLCFO-ti0101O)>4>7.ti-ti0-W
u CA
>0
--O?-- Fa -.4-? O4-E>-dLiiMU>4O4- 00-7>01 -4--LO -u DLuE-Ci-C3*i01LOC-LiLOLFOiJiOU>0O->4 dLaT.)uuituLEiim..)mfio 0)O4-qhiOU->4NiCi-01>43-OLi01-OOO
(3.)JiNJ-t.4 .tiLi~L-i-J0)0iCumiiNiitiiuhE-4--CLI01Ni13-ti CLfiONi(O0)uaO(-tudl--Chu.-Onn CO0)010)OLiCuOLAC,.0LJiCu.U-lUi~>4O3-a d0)0
(OLi--ONiCi
(O3-OnOuabuiO3-i.u3-Ot-O (0u.ui-OiittVum-OtuiO (-31tiLOO0FO>40(0r-O0O~01LLEtLiONi0C3tLi200CJtti(0Li003Ni001O0W014t~LOLi
ti
iii
ti~
iii
iii
ti
miii
ti
ti
it
iii it
it
u.uTagb3u-bulViu--4r..) ~flOOflt0OO0OO21OOO>7O2>7i iii tt u ti m tui u tt tutu u u 9 3 9 tt mmiii CCiO?07u030)O)C)CO0)03CC0)O?i-L.0)O)030303030)0)DLu0)O)Ch30A0)Di0)Ch)OfuitDi0)WDiO)03O)030)0)0)200303030303
4-4-4-4-4-.4-4-4-4--ti4-4-4-L4-i-ti4-4-4-4-4-.t-4-4-4-L4-4-4-4-4-4-4-L4-4-L4-4-4-4-4.4-4-4-4-4-
fil iro t A> ui u 2) u u
it
bu Tu TV 13 3--.) 3-5 3-5 -0 hit 3-) 15 td 93 u-u tu t t 3*> ~ -o t no rs (u) 15 (uit 3-5 Li 3*> Li 3.-> 30 Li 3-3 tu -o ti ~it un Oit (0 (34 rs LOE.> (1 u) (34 (O (O
ctudl IC-010 CiCiCb01-u>403Di>4Ni030300Ni-4>4Nih-CtE.)ChU>DiCii-.JClu0)Di000)M3OO~<O---LiLO.y>.it >4Vtu21Cfu--O3-a01--OCiJiOti.h51Lfi01LitLL~uJin5>7ic:-d4uJi>4OOOOOOOi-1Ni01(-31O-L31ONiO-dLi03t-)0i3121Ci-u>4bi>7u51OLiOCiO2uimhOOOOC>00100>fiLfiOtJiOOOOOOOCfi(-fiOO0LiflOiJiO>i-fi(-fi]i31O1
E>.O>7iCuflG.frnc:i210m7>c:ic:iOOOOOCiOi7>00C.lOiOOO2uOCiOOOOOCiOc:uOOOCiOOOC.iCiO
A
Ni
u u 7!; u IX uro 2> ~
ri
2>
m54-n5b?fuU>t t>4(0 Nu~--lVu-ti fNituxu4-(-u.4 90
i-3(OnOCit
71
O uf
Nl 10
rt7
u
uu)3CLi1lU?iA><ilJiChtuu-hLituIm.-AAui7>C.) <b.)-Cu4.Uu4(-30-iuh-?iv.)OAOAOt.augbu-AuCliStD.tidCFjfiti >7 uc i-iui-3-ViL11.4-dOu.itic:i(uuf~ Ch?~-1uju~ --LA -uuJicfliJius04-hiilUu-NiO-mU>4-(0uai-iu.ti(0LmhCe.LA01Lg.tituI(0t-.)0un2uLi4-Ou.4uuuJi(0000>4--?SJO
lIEn
~L uf
Ci4LiuI-ulutOnnu.t1Vt-a 3-.4>tViiyi.it------
au-uu-t-43--uhu.i--
O
u tui>
iii
u
tt
i
uut
u u
CC O)
tutu
tutu
tt
tit
tui
3ytiu-uuu>TVi-i.)t-)
it
uno u~~ t u u u u u u u u u u t u 9 u 9 u u u u u FOn))) U>A 39 700770) lO? O) CO Cr 03030307 ff700))) Cf CC. 2> ha O- CxiV~ O) u 2)
u
u.II1
Pl
u
O
21
tutmig3-inVi>3-.ugt-51V13-CuF.1F5tgia3-5 u u u u t u u u u iii <Li O)? fu) 0303030) CCI EC ffu ffu O? O)uu
TI
fin
fiu1101fi01cfitficfifi11iJifiLfiC11-fiiJiufi01ijh:TI31ifiCfiJiJi-51~31Lt1Jii-3h51>i-tui-fiLfiL315101-51tii-t4-4-L4.4-4-L
1-.
ti?
Ii> II
iiii
1.>
Vta
E-u u 7!-
Ji-
 L CC i.m h.4 u..) (3.) LOC >11331.) Ci)).) (343-4.33(1 uit Li.> 3-5 t-g u-u>> 3>4 Ti (u) -u >3 fii---uudi-J03-d030?lU>it-.uci-O-d-Au.O-Lu<-.4.4Ci-LJu-CLOiaC.gCat-5CaNuC..)C..)3*i-AA0-))>4--.4--.t-u.4?i-CLtuC-Lfi
IX
r
-t
C.STOgi51iJiO---O2Cud~0O5 mLO51i51DLiO-di-dCLACtC 0C-idis-.JTJit-ih-nOiTICiiJiS.di--u--dLA CD~ufA-OOtaOOOlfiOOOuVidCONiOhiiuJiOOC01OOO0101iJiOLfim5LfiOOOOnfis31Cui0E>01 CL2LLOAAOAi-i2i 2OviD700-DC0212c:OOO00c:OCOOOOOOCuOCOOC2-DOOO
--
uro O
ni
u-A
2: u.u 3-a11 O-C-iitLEC-fi4ri4.Cu?iDLi-.4tiiu.hLi?i-.ni0)Ci.tiLflLu0) ---V0Mhiig.)iA<COitf34LEu~C>4O u5Cin5CLfi3-00(3itvi>7u-4-< Li> 0LfiOL3hA4-CiAAC.it--O-O(-fiL4-DCiO)4-Li3C-4-4i4--t.gt.ii~Lfi(-fi Li>7Cii-i4ANiOO0~1LhttuCi.xJffi3-DLiC0tiO-uJitVu.ti>dfrE>.-t,i0)--0uA.-Ou.4>d03DLi--ti(O4-0A03ffiO)iLi0Cui(0(OO0)-OO4-~4iLt.-44-U-i51Di .tii-tiO)O-.cu---J--d-.u>tdO)-uJ0)0)duyU>O--.t01Li3LiL.it4--Ant(3)u>O.huhifj-O-u)
u t
--
0 LO
Lit3-S3-ON)NU>NU>mt4 C- .ti (O 0 00)
(uit
tu
u u u
(0t-ai.tSLi3Ot>it Ni 0 (00 U- 01 4- (O Li u u i u itt
0) >4 U- 01
Nu O a) 03 LO Li --0 0) Ni U- 01 1 0 03 01 .ti (ONu 03 >4 0- 01 it 9 u t u u u u u ti iii>
FO u 21u
<Ii <fu
fihfi
ufiCfi51xfi(-it01LA0101rLtL4-LLL4-L4-L4-tir4-LtitihjitL(O~>iLit(O(Ounnun~>Citly><i.uuxunLioiC.hu.u u t t u u u u u i u u u u u t u u 9 u u u u i u t u u u 77? )) CL 04 CCI Iii CC CO :70 0) FO FO n~ CO m)?i 03 ChA O) Cf Cf CO 03 03 ni? U>? Ci Cr fu? 3i 0) 0> CC Ch) CO <u) 03 13? 0) 07)) Cfu DL CC CO ChA FO 71 ituCLtuCttSTiJiCfldliJiCLfiLAfiCLfiFitF(-ThifiifiLfi>fi!fiLfliJtCLtuLA fiL11i.tuC5hTJI51C9uJiLAiJiLfiLAm51C11CLfiLfiu.uliJiufii?fiLtu01(-tuiJi
u U>-
Liv>
Lii 70 a Ci Li (3.) Lii>.> iii LO Fu.) (O (Li Oua? (0(33 Oil 04)) Li) Li-i .0(34 C.g Ca u.) Li.) iaL Li.) (003(33(33 U Liit (34..) (34(33...) 21D21------.0E>CA4-.CiLiu.uF.v---Lu4t->LiiLOhuii4-tiLi.uu.u?i(04-4-Li.)01>tuL4-4-tJi4-;fit4-E.).i:i
<Aif E> tutiifiD1.itE4AClJiJi(-tuStC-
igi
(35
(3gL310AAiiJiCfiC(-fivJ -<-->31
g)
Lii>>
>
u 7!
AAOCLtu>4CiDC>CVuC-C11
>7-E>--AAu-CO CCuA>C?C
00002-
duJiciAASTCL dtiiCfi-dO01Lfit.-h1310011JiC--4uAAuc:i OOLfiiJi2iDCi2C>LALAOiJiOCiOLAOOOOOLAOCuu

OCLACiCiC.2>7.OOE>CuE>iOc:uOE>i2iCuOCu22:iO2:uO>7.OOC.c:u>7iE>iCiE>i
-A 3*ili.uiii~i? LaO LE (30 Ci~(0 tiuuCi-CfiCui---Li4-iU>U> -Jt-)i512-ti3-.403-dci-i-004-.Cf.ti0(3uOdlbu -dta0OOlU.01lUaOLi 0 C.44-fi-iiu---u-Cc>4-4u)4FOOLii~~.fu3*t-(u. ctut.C-Cu~--01OLfi-0u.iii-d001LOu4Li>4~Ni4-CCu~~li dCiO.tiOu51vuJ1t-OO4tiCi0)MUu4-NiO~-..uLA:fLfi(-tuL31Wu-.(3ki01iUCi4---.Li d4-. DL u
375
---LmAi>uJU-uti.-.O003
u
m O-e.A0~O.AfliO000Ci-d3000MA00000)i700)CiuCOfuA03m3A0)O30)DLi70DL>0)m0)0)Di0303ffiiNi>4>4NiNiNiNi u t u u t u u u u i tt u u u u tui u tui> uit it tutu
.i-tiWLiONiO u u u u u u i t u i
014-LO.mi0W u u
i-J4i-Wtv~ONtfu-L(0OOWVJO u u u u T u u u u
(0LiOdOL(OO u u ti u
CI?iCm.iOli.Umii.iCuCC-GClDLlUuhuCiUtUi?iO?CViC7 DLuCI)OUICFDLiCf03-77Cm-uO
u u 0)03ffiVCiO)DLlCChTiiDi0)03CtUiCCifuhiO~iU>niDi3u0303CiA2?S)iiCfm
uro O U!? 7!
f 7 <-Ci >4NiEi.Ci.>4>4NuNu>4Ni>4tEF t~fs.Fi~&U-0f iu--.4u.)03A0-(3i?---u4-LO-tiu>O .i-iuO-01014t.dlutl CE>

uf
00:-Co-Ci-0O-5tU-010100iJi0101010101(-3101L31 d-jO.i>4CuuLiittiulaCuhu-AAim?u30dCpi-U-Ci.Ltu4-4-L.-
flf
uo u O A A
(--CO
2-CE>
AA>7C (-312 c:uAA- c: 2.2 (Ci 2 u <9C E>ChnuCLftlitOOOiSE>iDCL31000>7OOC31LAC2 -2OCLC >7O-JDitioc:iOCLgCLfl(-fl2iE>O00100>7i022i>700000002i>7uOc:iCiO 2.02.2 2:0CCL.mC2uAA>AAuAA 02i02i0002i000002i0002.00002uE>iE>iCL0
CfiCu- d tu-.)>4>4OEifi
u-CiLiImtLO-ti
Ni014-4-O~0.tiCOOO-(-31>4001r.01
--
(u).--
LiitLO01330a
Li)
Ci-
(0(Oh53*uOtO
tO
u
04-OLE,
OFj: Li9C.)C mhuh4-<4-4-U-LfilUu-iy>-fii2Lilbu >415Wtu4U-Nita (43 M3-CuLOCiT.)Ci.d-iA j4-E-tuilLAmJi C(,LuCNJu.i-tuOO0i700-(U>iJi(-3100LiCri .tiLiLE0FO-4 LE tSOms-OLACi 0>4uuLOOU-3-O JO01>4OuUtu4-O~ONi0OOOLAaO0U-i...uOi.Jt0-7>OiCt010)O3*tOiu.t--4->40CN 4h12
i.uLuLi---ONi001-tii?L
(0uOt-ou3-O3-otlUtLi (0Cu-ut.43-Vu3yttu.t3- O003NiC.(3itLiO)U-01ti(OLiDLuNi0013-5O0O01.1J(0Li003Ni001~O<0)Ltu4-iiu-5

iii iii
u
iii ti
ti
tt
tt
mmiii
iii
tu
ti it
uoi-)u.ub)bi.415b4t0
Oi7>OruOii-Oi-u00uc:i--OE>iOOOOmuiME>. ti u tutu tt mmiii u mmiii iii u u u iii> tu ~?0)fAc~)iffiOA0)ffu0)03ffi0)03xiffi-7CuCQ0)0)0)0)Cig0)0)ffuCh30)cuCiCFuffi0)03OU>03O?iffuQU>0U>uI>0)CCuO.iCCi0)CChChAC)DLuufu 4-t4-L-4-4-.ti4-L4-4-4-L4-4-4-4-4-4-4-4-4-4-4--ti4--ti4-Ji.4-4-4-4-4-L4-4-.ti4-4-ti4t4--ti4-4-t4-4-
iii tro u E>u nr: 1-u
51Si?>LACi.CiOCi~C~C~Ci~Ct ~
O ~
(-O
it-C
O
u 77i.fi(-fiLfCLfiE-i<tr.c:IOOL312:.OOOO>7.OOOE>iOu7>0i00000000iOOOOOOOOOOOO 2.C.02->7flD2i-E>.02u00-22iAACuOC202OOOC>7OO2iOC.OO00000>700000002O0O
y>
AFi
-<u(0>4015ti i-->7>4DLiCiLiit.ti>43*LO01<(00010 0(-tuud>4ine-LEi-d it-
CH
3.4 N)(0C-C-
3-5~5CCi~~C)ly>21-tiOC3>ujii(0i.iN].tt..ti
DO E) E)
Ofl-u?-i4:tfuOE,-Jituju-i--ufi--iu70O(O0O>Ji(O
fzOu-.4-dOtiO>7-014-0CuhuLii-.JO0-.(u-7>OCku.OLi0)OtsiCuONi00001CuhuiJ0.0OO0OLiOCOLEu.4
En
y
tu
hu
-uii-u
uj?>C.i3-?iliu43iihVttLito
Nuiiuu.uC.Iit.
u u u u u u u 3 u t u u u u u 1 u u u u u
u
iauitiiiui
t
t53-i3-.)tCituuii3-
1.> t.u -> u-.) t.4 t-ii l.g 1V ->3-it-O --fl-g ii> u u u u u m u u u i u u i i u u u u u u u u u -72 CCgCiCig 0? 030)0303 LOO) 0)07 OA 0)0)) 03)) 330303 CC 0>0)0? CO 030)0)03)?
Tul
u u u u u u > u u u u 0)33 07-FOCO 0) CO CO COCO 0307.03 CO Cf.i-fITtuufii5151CL31151151(-fiLfil51iVfi(-3101(-f(-tuii-h(-tuCLfiLfii.3101LACLfiLfiLtu(-fituLfi0151CLfiiSTiJi(-fi01(-fiCLfibfL4-4-4-4-4-.4-4-L
u Ch))? OiOu
En
u
u? u]
C <it C-C C-C~
r
u-
9u777u -1
77r~.u~u.4-uCuA-iu0E4)iAAii7>Li-4i-ni-dhi(-fi4.(-31-.40d-.4~jLO4-Nu(03-o.AAuDLia).LiU>AsilUCi4A-4i-u-,4 Ci.Ci.Ca-.C,Ci.Ii~F,0c0C,.Ci-.i~.uNiCi ~ Ci-C-C-Ci-0E.-Ci-01-Ji01Ji51C31Lff<01 V-C.4-t-.~C~Ci >4-4~iui -STC- E-iE-iuuE-i 000<92 C.OODc:ic:.OGiAA.dlCiAAiouJiti-fi(-ttDLLi:901E>iOiDOCic:iciOci-d-..u-uC.CiC.--d i7>m~.E>i>7i2ioOOOO0OOOO0OOiDOO>7.OO2iOuD>7.iAAuOOC.OOOOOOOO0c:iAAi01CLfi01OiAA.O01 C-AAiAA-E>uC02u02u2OiDOOO7>flfi-iCuDOOODO02u2i2iC.2u00020002u00000COOOOCu
Ti ni
~Liu
Li)iuii*?iy>Ot ]b.)Lfixd 0>44-4-ma
3-u.i-i--(u4 4-AudAAi-d0(3it4-Liit-J--Di4--4Liit
0>
N4 15 -ti.tiOt.4(-310-ti(-fiCi~--1---OANiJ-St* Lu0O--LADLuff>(0LO0LACuhtimCit-dOUuE.) Li-OCi---h-4AnE,~O0)O L-4LO0-O>451<uLt-h(OO0O(5Ni4-0)(O0014-Crita(-310LEiNiCi-O -titoid
(ui-Cfl030DLuLOOgiS.--t.4 DLI-D4-O>dt.)u51Li07u4001>4Ot0C?Ni4-LO
u it-
u usOO-tiufi2u(-31OOCiit0OCCWO0ClUmO030NiO0.ti01OCuit3-s03Ci-Ni4-LiOLJ3OOOCuC~4-Oi?uA01Offi-Au(O
u
cf
Ci>
Ci.)Lit-itt-JLi3bu 3-i.mt-.4Liu~u3-Ot-abu u.u O LLOit0)Ni0CaO<uCi-L314-LOLia)ffi>4O-LfiLi--O<03(0tu0O)>4C 01taO0U>01.ti(3uLiuD>4Ci~014-O.) u iii u u tui tui utit Pum u tutu iii u tutu t iii iii u u u u iflfi31hJi01(-31131C3101C,r.4-4-ti.titLtiLti.ti4-ti.tiLti4-t(O(O(O(Li(Oty>(0(0(0(O(0(0(0hy>(34CgO).)>y>LEiLi u u u u u u u i u u - t t u u u u u u u u u u u t -u u.- Ci - C O? CC O? Ci? O?
fi-.tuVfiCLtuLfi(-11.ITLfiLfli51-.itLfiLft~fi51iJiCLfi(-ffCLfiC-ITiST01STctucfi.fCfi-STCLfiCLtuLtu01(-31(-fi(-fiTIcfiLfi51LtuLfiLtu51JiiJi
ti u 7!
t
>fifi
fiifiCfi>fiTIT3-fi01(-it(-fimtuYfii3tuJi~fi(-fiCLtu>Ji(-tuititJii31(-itLA01ifiCfi(-fl(-31CfiLfii51fiCi
.iui.aLi4Li.inat.m4-Ci-iA.151.uSTLu.l-i----.ii.uuiu4-fyiu?DLiiJjuU>uCLI--JiJOituli4u000
0C>-0n-Ci-C>-O-U-0O-Ci-C 0-c Ci. uus(3u4-i-u-.ijuuv4ulfii117>LALAO0uD2u0c:.O>7.lx.CiOOOLfiCi2iC.c:iiJi.tuiJi01CiOCi0Cu2.0LfiO2u02i~7>OCicfiiDOls0i7> CVi2i2iOOOOOC?iOi7>O2iOOOCu.D2uOOOCV~Oc:~2i2:uOOOO0O2iOOCiOOO2uOCiu0CLi 2.2.2 CuC.E>uc:ui7>DE>u>7uOc:.Ciiuiiiiiixi>7iE>uOOc:ic:uOOO2..O>7i>7uc:uoOc:u0OC.OOO07>CC.021
ti u IX
uro
u--
-A
u
Ch)tnit--u

-u
3-a
i Y
1Tfi~>4C(-fiLiitCOt
L->0.ti.ti
OCFu0F>-01rOLfi
.tU-ti---
u-O
.mufitiCatuu.g!fi21(-fim0) C-C-tONiLO Ni(ODL-0Nu01 034-COC-..ti3*t OCC(-31N) iii u.u Ci. ~--bi4.OOt-i titb3biiCfiuii <fi-]-]tfi.~~fl<.i--i---fCLfiC-t4(-3104-ti 4-01.U-V-iC 2----uLu O4U-O010.fi-A>dOtiu(-fiO>4(0O0O)O>4O~4-2uiy>O0{--OO0i0)Cu.C.CgO)O)Cg-
(0
ffu (3)
(uitLiNit>43-dM3>4
.t>Ci?u---(0-u) NitCii77fiCLbu.-i-~ii-.
21
iii
376
-
u0
tt~utabu LEI..gbu it ifit.O0W>4tLi?utONiCi>Ji.ti(i.i000)J4-Wy-VA>4O u u u u u u u u u i u u u u u
u i
u u tt iii!! iii
Tglta---------(0Li3i0t0b5i5N Ly~-403i-u.<40Wti4Oi-~JU-.bLOO u u u u u u.u u u u u 9 i u u <JNi---J>4
u
.t~J
uno uro
E-u
-41
-ul0-ft-i>
mgiu-Mi-<uuu34U>t?0-L?M?0
0-gu3
-CiCt.)CCiCriffin>CCiOuO30)CCuOJCi7i0)037Ci0)CCi0)DLuDLIDiDLi-uJ
u 4-4-4-4-4.4-4-44. L4-4-4.4-4-4-4-4-Li-4.L4-4-4-4-4-4-4-4-4-4-4-4-4-4-4-.ti4-4-4-4-4-4-Jt.4-4-4-4-4-4-
mii?
ui
iii
tutu
27
(-E
>7!
4>31.
dDi-.4uO)77CICO--j-dNi--u-u-J--.u--J-du- ni~4-t-~t-u--u-uCr U>Ci-o d>4>4>4Ni03O0030O0Ni(0LiWOO0-~U-b4iOLi(0Ci0)0)Li-
O-Ei-m-d--u>4.-di-d-t-d-JO d0OLimatOLi(0.ti-<iW>4d
IX
ififlE-
uno
u- u
iADbt21O3*i51OCiO0C310.7>CLfi0CLyCiOAAj(-fiOO0NJ01LA0Lfit)0ituii-fiO3-Otu.i01CLOOO~l5ytui51 CifltflCLiCfi2121E>iCfA>0007> 2i21i7>Cui7>000LfiOE>uOOLAOOOOLfiOi51OCL3O>721E> g~t<A>C71E> DE>-CC0f502u02.COO>7u0>7uu7>02u0000>7O-DOC
A
u-A --O?ilJ4. Ot (i-u)CiO?iCv.--LfuiltuLi -JM.-.g 0(314dO 1193-LO 4-D
>tOm.fiU-h
01

dbitLitN30dO---NiLfi4-Ci--.4--d-JCi-0(-31(uui?-Cfi--0.Ci-Li?iCAA-O)LO0)->40(O0AOU>>4Di4-4-.tJ0)---LOtSLA4-00
(O
-ula
-tuifi.au>ii-J-uA-<I4---fOLfiChi4.O
0O4-003NjOODLuN)O(0flCi
4. tJi214-
uLAMU>DLiFiiOtiOLfi.Li-tiOtu01CMA07u-ti-tAd-tiO-4>7-Ci---u
1
butJiFOLiO0Li002OOOLCuOCi-OOOiujtLflOt5003LiCuAiOLfiO
(093-- 0>40
01 St. (00 00) Tutu
(3U>t-u.mN>t.ii.ittu.ui~itLiLi (0(0N4LiLi3-Oi4tU> -d Ci- (ONu O (U-LA .1. (ONu 03>40 (JitO 0 00 01-ti (ONu 003 st Cii- 010 u u tt u u hu tt u tt] iii it
00301
iii
.ti (ONu
CO E-u
lalSa3*1T5-u.ilLitu. ~ 1 t Ti h u u u i u tui tt p it iii p im~ u u iii u tutu (CiC.C<iu70miCi)A.uAi?13U>DLiffuCrChACm?u ctu0)FOCCuFOCfCfuffu0)0)DLiCFiffiirCh?0)0)ffDLiffi39flDLiDiCO03Di0)0)DLO7iFOCi.iDLiDLurnChi 4-4-274-j-.4-4-L4-4-4-4-4-L4-4-4-tL4-ti4-ti4-4-4.4-.Oti4-4-S4-44-4-4L.ti4-4-.-tiSt..ti-ti4-
it
71-
Fi
o dNi>4>4>4>4>4>4 u
h
u
2.0:9
uCiiAi~Ci.4>4NiNiNi>4>4NiNiNiNiNiihi0U-ELfriCuu.0EYCkC>~00Ci.f.t-U-U-O~0Ci~>4Nii-.J>4Ni
-0ToNLi.iLO---(Olo--LOO)LALO-O(0C~>4>4CrCO0<u03L?CO>40O.ti(0LiLi(001>4dNi>403
U
IX
A
>13? u x
H
O.nn<210-AAuOOOCiCLfiO.51mi.ttJiOOOCJfi0100001000000iJiOOD<Ji00001012u0000510000i-tt 2:iOOOOO>7iOOOCOCiOOOOOiDOiZuOOODOOCi vii.yiciO2uC.OCui7>CiOJiOO07>OC.OOO E>DAAuCiDOE>i2uC.OCi.D>7uCiOCiCi2.7>Oi7>c:CiC.>7ic:.2iOCi2.>7i02.OC.C.c:i2iOOOOCiC.0O00Cuc:~
7
ti-A

CE (001NuuLoLi(0(0Ni-uA(OL>Ji4tflLO0)--u0<
-L
3>
tlO Li4-CutitiAOFODLiCO--d--dO.CONC
4Di-Oua
u t
--~-MLi u.J4-
-A
O ui LO uu
-~ ,IH
4Li >4 .iOLA40-t.Ctu-tiNiitLfi43tStfffu 4-O4-CLtu01Ci-Cru>7OC5iLfitONtLEi--4-J)--.ti>4 00-Citayg(330d.tC.uO3b.bit(-fit503 (-it--tt-AACf77tuCLfil(LhC ULiuCe iJii-Cu3-aNi>4DL 0ObiOOhfl0NuOCL00OC0>4Ct~4-0101Cru01O0.ti01i?W-dO0OOOWOO(OO>4O001i?~OOOIJi(-fi
Ti 1
(33C..)t-ut-3tiuiiit-ut3-a-H t-tu.it-.ii-uNu- -f--.
3iiaubglaLi
uCitu~i
u
i
u
i
u u
u u i iii tt tui u u y. VA -Yg CO ?-UOi>C~CA Cfi CC DL i?m)) Cg) 03 Ci) 03 CV CO CC 03 COCO FC- O) 03(33-7< ChA DL CO O.?EO 7700)0) CO On CO FO Cfi DLI CC, O) 03<) <CuLO ii-11i451i1151(-fCLfiLAVfLALfdlCLfiLACLfiJiLALACLfLtuiA(-31LAIJiCLTIi51(-tuCfiLfiiJiCflLAJhLtuJtLAiJiSdlLACLfi4-4-L4-Ldi4-4-4-
Cf
7!-
Ti
u
4-Ci.u-.Obuuauiu (-fi4-tVit-jbitLtLu------OtO4-Lfi01Ci->4LfL4--C-4-lUi 01Di0)lUCi-dum-t.i43-Oc:0)Vi0)O3QO)CiE-O 3*i(-fiAaCiDO2u O200121DOOOc: 02u2u3.itiaCOLfiOOCAAiOOOCiuDCiOOOOOCiOOOCuOCAiOCiO Ltuc:iOc:ui7>Cc:iCi21c:i02OO0O>7Oc:OCLfiLAOO2Cic:i0>7i2:OOOCOOOO2.iOOOOOOOOODO >7iriE>ixi>7.0E>c:uC.20002u0Oi7>c:i.D2.0O>uE-ic:ioc:un2iOCiOc:.CuOflu-i>7iOE-.OOOOOO>7.E>.0
u u E-u u 7!
u u
<Ct
r TI
En ((i
u
3*1 u
--bu-i--Li.) CCL.u-(0t-i.t ~ M?2.CiNii~dC~vtOtCi >7Jit5Ni001LiCy-~-d~tO~OuU3(0Li4DiL.CCh3-S
O-01DiLi00
(0Ss
C-mU>C-LE.ku--ta3-5LEht31-03-O0)0LiDLiDLjM)<.)C.tiC.Cu--O4-Li-tm. (0(-31-(0O>4 -151m3Li0>uaL~~>4CgfCi0hOLA01iJi.---LihflS-.0OA-.AO>4>4S.Ci.0~-tLi000 510-0--O>4u..4010hx)OCi.0100>4OONi4-01O(00300100O(00001000un01000004-(O00 (34 (OtO
3>? -(i>4
>40-Li) 04-CC.
u Cx
t
CO
(u) O
LEut-.3i-it3-u.iN3-Li NutOLilSu-i4159i4-5 4-uy>OO0)td0Wfl0Eu-ifi4-LOLi0DiNiO01LiO0W(0Li0~mitNiU-01nOW014-LiU>Li0it>4Cili514-03 m u u u ti u miii tu u mm it ti iii tt u tt t mu
miii
mt
u inifiigSTmfirfiiJii51LA4-.t.4-4-..st.r.4-4-4-4-4-4-t.4-4-4-L4-unLh (0LO(OLO(0(L(0(0(O(O(0(0.4LO---.uCuuLi u u u u u u t u u u u u u u u u u u u u u u u u t u u o? u <A CL CC.? CCI O.) uhF. C) O> O> C 03 <u) -nC <O O) -nC >33 CL) 0? 03 CC Oh CC <Cm CO 0? 03 CO 0.) Cr 0) CC 03 FO CO 03 Cf O) FO CO Ch? 07 CC 03 ChA
u itt
mro u E->
iAI7 u 7!
uf a- Ci <mii fictuCLfiC C-C-C-Cy-)-C--A-CiO-CiCi FyCi-Ci~C-Fu-?Ci-0Ci-Ci Li hi--u--u--d~-u>u uA2121.-O77g0L;OO0O93WLit-LA>4033O)03-Q~~A>4>4O)O~O0-4OO00(0titi4-4-
4Ci-i-4~JJi--u>J>4
OC7>OuDOiV3tfi7>00CiO01000NiOO 0101l312101CLtu00(-flLfi01>JiOOUOmnOflLAufiiJi(-fiLfi CiCiiCiCiiDCGiOOiD2iO2.CiCiOc:.000c:ic:fiiDc:iOOi7>002iC.2OO>7iOOO>7.OOOE>iOOOc:i2i l>u.ya<9:9OCiCuC.2.D022 1D0flD.fl2iCiCi2uCiO02.CiOOO-DOCiO2.2.O2iCOCiOCiC.tic:.
u:]-
IX
u u o u
u-!
~ -~
--tE. 4-4-
77f
-u] O
- tutu 4-0-LC31)Cmh-01d(-flbh--LAFOdhi-31LCi---004--Crt
FO0i-4CEg-tiOCh-N3C03*>FOLL,.
-1
ctu>.JLiCifuuCLt Cf fi
-C
Ci 4ALf(-ity>0O-uiutdh0N4O)ffu4C.O4->401LJiEjO)~ ..~au >4C.uE>fuAN)3-J>-J YuCa .CuCFii?5121mACtu~iiugi..
tUi
0)u4-CO>4C-.ubit -u(-tu-- 0(3?L 7 OtiAAiifCCx?-4A
377
Cg>~it t.>Fih
4-WC tui iii
Tu -3l-i-iiu~--~i-~ (OCiuIViuuu.uT5t~uniuno--- 03 .U-01LO0W~dtii.uLiO>40514-LOO0O)>44-WLi~Oi--J&.LC.?O-oE.O>4O~WLi--i--O>4Li u u u tui u it mii ti iii iii iii tt
u
u
Oio~..00-(i.n0--4?00-iCh-(io0i(u-(i04hi0-iAFODi0)i?f0)DLuDi07uDiih)DLiAA>03DL07i03oU>0)0)0)EliDL-iJNiNi-ui-u-u--u u u u u m T u u u u u u t u u u u u u u u u u u u u u u u h u
muuL.g-.gi.Li..i.i.u?L-h-ty ~
uro
u
7!
1
4.4.4-t4-.tiri-4-4-L4.4.4.4-t4-4-4-4-r.4-4-4i-4-St.4-4t.~ti4-4-4-L4-tL4-Lt.4-r.4-4-4-.tiut.O.4-m4-
iflCmO21OO21O0O>7i00.<ui<h-<i.fi.tiu<i?.Cg*j.~00<-Cu0000.tht003CCii0)71)70)0DLi133030)O)FOcfi>t?Ctiua
1
u
-
-1
fb
fi
Cg
7?u--utaLfiif2-ll u -uffi--Ni21-.uuhCLlui51mi-.)O(-31LifiOLtu(-fiu:3t~u-d3-)51iLOtaNuifiE-u i-fltiE-iE-.210101E>i0E>i02i51.tuN]iLvidh-x>iJit-SOOiJiOLflOOOOOOLA(-3101Ui0>4LA01iuOtt ~
2
-
uA
ff4 va
Cut>,
NS
u ti
.4<13.4 0<9di <4 04-Ni
IT
i31-.>>.iiLfiCflCfi---uitu.>-5Nu-5..--u-. tit-NitN3 7iWNiu(?0i7>Ni(O0)LODiu.u01~U-O)i-diyuiiu4F21Ni(O0151u.~.OCi.Otit>4DiNi--01-~(0i
----un
-fO
i.tC ituCuCCuCuiii.uhj3ii4.i~.OO-..i..01ifiDiJiUfiFOuU>ACONiV3i0i--j4-tiNiiCiOV0)Th O-C-0 dSt.cCDi00Nu(OFOC-03C.-O<tN.)U-0>4.tiN40O-Cii .43*uj.4-OLA4-LiLOi5103...gFOOFO4-.tiU-tiOLEu001W(3u))(-fi-Li(0-ti0Lai.)0104-LJilfimOJ-4-i.i.i
u
1
LO3-O3OCV3-Ot-OLit-O3-4 (0(0FofLitOti<4ti. Liut-0>4E,~(-tutit.itO0DiNiU-(0LiO00-((ONu0)Ni0CANuO)O~01.tiLi4Li00)Ni001-~O0OitJi.ti(OLi
it
tu
it
ti
tt
mii
ti
itt
it
uit u iii
0 u
uno uro
TUIC 1-
lu.bittVt.193t-.tOlOhO O>7>7OO0000E>002i00002FyE> u it tt u ti t u miii it miii iii upu hOCODLiCfuO)0)Di0)ffiO)lUCiDiDLi030)CODLiDi0)0)0)DLuhOFODiOht0)0)Di<fi0)0it0)0hi030)0)~<X0)OCi03i?C0)07CFiffi?iO7CO Si-4-4.4-4-4-4-L4-4-4t.4-4-4-4-4-4-4-4-4-4-4-4-4-t.ti4-.ti.tiLti4-ti.ti4-ti-ti.ti-ti4-4-4-4-4-4-4-4.4-4-4-
O<u<u00-iu-O0aLi-a)-O-O000<<iCit0OO3COFOCuU>0000000M30O000O0OO-7>00000021 20-uCtulu.)3*iCu-u.-JiCXuoA.i--dJiOnuNiO.Ji->mfi312Ni000002u000uDO0moOOOOtjtO-.uO--d.5131 OC-fA> 512.CLtuOihtOi-.4>4O(-fi-7>>4(-fiO>7i012.>7i-7>01.DOOOO0000LiOOO(-31000000(-fiO3*iLfi2iO E>2-COCc:u>7u-7>>70OO-COOC21-7>0-DDOCuO>7-O-DOOOOOOOOOOC02u7>OAA0000>70>7.
12.
u IX -no u u CV
17
tJ
Ii
~ A
~NuC

>40
-tO0d
3*>-
Nui.3C.>tCi
(uit~Ci.)~31LiC.u(-31Ci~O3fiCi~NJhtiy>O-ti
-Suc.ubg>4Ni31titvuJibitcfi-4o---uuaLucn0)-~~nuu-d0)(-fi4-cfu01-<u4-O.io-Ci~LE?.tii?i~.tio--itO.aLuE4g...cf?i.i.u ~
ifiEi-E-Efii?
~ 0i-dti-AACi.~iAO4---(-fiiiifl-]Jidu-LE-i-C uO~m51(-fiCiL~tuCLf01LCi-4-(uit-JLEiiitLi5Niiiiuini 2103Ta.-.Ci --C-d4]0)Ci~DLu0(uuhit0OiLiut5Cu
t C7
En
II 7
ddui-f3-u.hDiF01(O-J0C1NuNuNutii-tiO-LiO01LO(04-3*iU-NuNi(-3301Li(00)0Ni01C4A4Li>401L04-L001
u
u u
tuii-0--.CE4lfibLiiu.l--CO-~uO014--xi--iUuCi?.(-fi4-Li.uiyCL?-.uO01tiO--ci?uU-J4-Lsh.)cu? u u u t u u u t u u u u t u u u u m u u u u t t u>n.ut-iFVuu.gtguiiuutsluitlimS-Viuii15 u u u u u u u u
u u
u
3-u.t1ul>
no i,i.
: 514-4-4-4-4 4-
En
TiFiuul
Ci
u --mx
u u T u u u u u u i u t u u t Oit ClUI 7< 03030377 COCO)) <u) (-00? O) 0303-70 FO O Cfi Cf <Ci CC nitO? o 0)03 CO CC 03ff Cfi A? 0)03030) CO u? CO CC 3 fu
Ctu CLfiCLf JiLtuCL31~fiLA51iJiii-itiJilJi010101iV3101i51mJiL31cfiC-31tJiCLfii-fiLiuuU.TICfi51ii-tui?fiLtu015101
FiiiTtt?CuhimSLIL,uLiiLit :itit-5C.utL.) mt43-u.)u< i-~i7>0O>7.OO00fl-.Lufl00-<ifl-<<-it.uut?.JU> .i-i4-Ci-7>-- ?i.(3S4-g>7i-CLfiJi.i-*uu51Li)i3-uii04t.-Ch=ICYLi3(0003Nid4-(3ithmiiO0-Cit-hiiCi .tiiutCiFuiFgi?i.u.i C

u
7!--. ~
tuuST---ugOLAauAaCC-g-AA Li-fi-A>AA->4ObitL5101.4~JdCiJiCibuDLiOW~JlLuOh.TiOOFJ~.5151-fli>tu01 C3-5(-tuOOfiLA 313*>>72ui3101131000(-310(-fi00011Ji01000014Oc31010000bitOCutu.iE-uNiO c:-7>OCOC2LViC-AAC-Oi.aWu000002u02C2O0O2>A.u 2DLC2 021CDOCOC
O Ti
ti-A

--4-4-Ntti(u3CiDidCflLfi00NiLigNihy>3>i<mN>4LOC~OExfy.N4-Ni0101t>3(-3101Ni(u3Li3ti3 Li3Cfi-i--~---NiNuNt u-TI JtuSi-Fu.Ciyu4u-JMU>0udlmf 3.4151 4-.~tibuO-t.i-.Ci2u.t-.i-44-4-ti.)Lfi4-4.2ClUigLfiVfi<hufuiJit1tu IT itii*-iJi-.LO(-hTi.-dLfi~-tO.C> d04--t-.unO03O01a)Di3-.U>(0-titjiLLiCi.ti~dt4-u.i.i.tiu0)ifuCrO0uu.u4 <u-- ti-vto t-Vu-dF.)-4-Efl-tg--dN4uJi4-Ci.-.umnunu(uu0iy>--.JNiOLOt.iuO01(0Ni-i.u.tiLEi3>4Eynuu.u-~uCiy>-u-Li0 CLTI<i7i.igSiO.)u--~jijit-7>b)NiCVtFOui.)tiNi.-tiO0O(uii00Ot~.)OuJiCJi(-fij4Ch30u-~u..)mnuuhEuiutCCuCgmi4-dii-31 0Nil.itix.>43-00.Oa)iLCuLLiONiiVu.ti03Li001(0Jt.0)iJiUiONiffuO010O0).tiNiO.>(-fiti(0tOO3-O.tiO i
-a
u -it-u
(3itb4NutOLi-Oi..)
LiN4N)N~tNu-oi.u
ti
ti
u mio u E-u
CfiJi(-fi(-fuit1i-fiJi>i-tuLA4-~L~4-.ti4-4-t.ti4-4-t.titi.ti.ti.ti.ti(O(0(3itL(0Li3C.3(O(Lu(0(0(33uy>fuit(0(Oly>(OC.>(3>iu u u u u u u u t u t u h u u u u u u ti u u u u u u u u i i u u u u t CO C-C
01 <Fi E) 1
7!-
3-. il
1V>? Li tu? -- tu.> 3-02 3-u Li i-)t-V 3--u u- u-it tung miu.> Ni Li Nu --Smi-3 ---it 3*> 3-u.u ti >53->t-i> tO 3-St (uit tV 3-Vi tV iC Li hai.uia-yuy>003OA02i0--.(04-LJiLA>401iJiU->4030a)O)0>>4Nii?.-tiLu.uLiutO4-iJiUisnmouiyCtiJin4-..suu(O ST JLOiSTST--.J-STO-DOCdO VLuit.~5C---JOOOc3151(-tuO0OOiSh.--C.iu4u.5tJi0101t41uhtOc:uOcuiixihiitbit2u>4-d-u 2uiJidCiO(-fiVAmOOc:.0010--dOOiJiOOOOOOOOOOc:iLiO(-31i51E-.AAic:uCu.DOOOc:uOofi01CiJiJiif CCC 2.-Dc:.fAAi2i>7i-7>COCic:i2i0E>ic:i21OE>ic:i>7i2i>7iOc:iCi2ic:c:ic:iODi7>OCC>7u2uO2uOO2OCi~~i0O
ti
u i-u
u-u
i
IX
uno u u Cg
u-A
Ci.it-.)~ L31---.i-Oiis-tit.3CiT5-53ti2:Nitui>Ct~C,itDLuI>4tC.3bhCu3 Lu-4--?.uaii.- fi-u)) bu u-&i01C.Ci~4-.ti-u.uff>ui.)U-a-un.)o4-0ctu-.uuni-imO3W.uCummiu.0-O51r-.-,nIc,~uit 314-4C-(-tu-i- 4t33-u-t-.Cr-dOun-Ts-tt.COCCt0itiu>44-LOO)01E5.01>4o0-.j.O(0Cu30.Oru--ut-oOOOO-0u51>44-CwSA.fi-ua) Li-Fi Cfiuju0iEg3r?0oCa--ffitiOAti0)O-cu-4unO<ug07u3>utiCLfi-oN3..u(34r~t-3b3>iti..)~yflno-.u-.]LEEi-i-u~.urn > E>-]-L~-A>--Ci---uC o ubihfiCLfiuJiiAA.taCCi-ooU>OA<uCai--uoc:.t>3.unCcCiCir.>7.ri-.-.cu?nnL?iC31-rhIT3~. (-flth.)Jiv]Y>4my>4--; (-tu d<h)2i 403Ca7><503LA0)>4St.(LuCdd<iffi01~wNiiyt.43-iti.u -d 4-0---(0tmUitiuC4.
i-h---bg--
i -A 0 21 u u>
378
5.4.2. Determinacin de la rentabilidad de los valores
Con estas tablas de cotizaciones determinaremos la rentabi lidad de los treinta valores en dos periodos de tiempo. Elegimos hacer objeto esta determinacin de la rentabilidad en dos periodos con de poder comparar los resultados de ambos, ya que como
veremos con el horizonte semestral detectaremos variaciones signi ficativas que no se detectaran con el horizonte trimestral.
Esta eleccin temporal en trimestre y semestre no ha sido gratuita, puesto que estos periodos, clculo de el trimestral y ms el semestral, en
son los horizontes de
rentabilidad
corrientes
los anlisis de las operaciones burstiles.
Determinaremos la forma siguiente:
la
rentabilidad
en
estos
valores
de
a) Rentabilidad trimestral
Para determinar la rentabilidad trimestral hemos considerado sesenta sesiones. La rentabilidad de cada valor se determi na calculando en primer lugar la rentabilidad obtenida despus
de sesenta sesiones comprando a cada cotizacin. Esta rentabilidad sera igual a:
cotizacin despus de 60 sesiones
cotizacin inicial loo
cotizacin inicial
379
Esto se repite para la cotizacin de cada sesin hasta para aquella en que el nmero de sesiones posteriores x.
1
sea menor cotizacin
estrictamente que sesenta. Es decir, si tomada como inicial, entonces
es
la
la rentabilidad
obtenida despus
de sesenta sesiones comprando a cada cotizacin es igual a
x i+60 -x
x.
1
.100
i=l,2,
...
,140
Para, del valor,
despus,
calcular
la
rentabilidad
trimestral las ciento
que sera igual
al promedio aritmtico de
cuarenta rentabilidades obtenidas.
b) Rentabilidad semestral
En veinte
este caso se toma el semestre equivalente a ciento
sesiones y se determina de forma similar a como lo hemos
hecho para el trimestral.
La rentabilidad
despus de ciento veinte
sesiones com-
prando a cada cotizacin sera igual a:
cotizacin despus de 120 sesiones
cotizacin inicial
loo
cotizacin inicial Es decir, si consideramos como antes x.
1
como
cotiza
cin inicial, determinaramos ochenta rentabilidades de la forma
380
xi-l-120
x i
x.
loo
..
80
Y la rentabilidad semestral del valor sera el promedio de las ochenta rentabilidades obtenidas.
De
este
modo,
las
rentabilidades
obtenidas
para
cada
uno de los valores son:
a) Rentabilidades trimestrales
E. Bilbao B. Central Banesto B. Hispano B. Popular Santander B. Vizcaya FECSA Hidrola Iberduelo Sevillana Unin-Fenosa Azucarera Asland Val derribas
6.83230 0.62500 2. 10210 2.39521 -1.08401 9.69697 4.13625 6.41026 6 85905

.
6.37255 3. 60360 8.60534 7.83410 2.61438 1.66667
381
Dragados Vallehermoso Huarte General de Inversiones Popul arinsa Espaola de Inversiones Sarri Energas Explosivos Rio Tinto CEPSA Petromed Altos Hornos Tubacex Motor Ibrica Telefnica
6.47888 8. 27068 19.28572 0. 83333 13.16456 8.14815 21.32353 0. 37 174 4.66321 8. 20669 6.07966 21.30115 22.42647 18.62069 7.37240
b) Rentabilidades semestrales
B. Bilbao B. Central Banesto B. Hispano B. Popular B. Santander
7.83699 0. 92308 0. 58479 25. 90909 0. 81522 12.07430 5.41872 13.17829
8. Vizcaya FECSA
382
Hidrola Iberduero Sevillana Un i n Fe nos a
19.31034 19.00312 21 . 37023 18.46154 21.76560 8.58896 3.17460 7.79221 27.08334 11.71875 3.41880 13.38384 21.66667 11.93416 19.20530 37.84837 12.26766 24. 01961 10.09175 13. 52459 6. 34921 36. 87151
Azucarera Asland Valderribas Dragados Vallehermoso Huarte General de Inversiones Popularinsa Espaola de Inversiones Sarri Energas Explosivos Rio Tinto CEPSA Petromed Altos Hornos Tubacex Motor Ibrica Telefnica
De
acuerdo
con
la metodologa
expuesta
transformamos
estas rentabilidades para que varien en un campo de valores positivos, ya que los elementos de la matriz como cocientes de proba
383
bilidades (ver la que ser positivos, diante el
exposicin
terica
de
la
metodologa)
tienen
y estos elementos los vamos a establecer mede rentabilidades. Esta transformacin que
cociente
vamos a hacer es un instrumento de trabajo para acoplar los datos del al problema a las problema real. de condiciones tericas por del mtodo y no afecta las rentabilidades
Establecemos, uno de
tanto en
transformadas
cada
los valores
los dos periodos,
trimestral y semestral.
a) Rentabilidades trimestrales transformadas En el y 110. y este Si caso transformamos la el intervalo 2510 en por
representamos
rentabilidad x
,
transformada
la rentabilidad
inicial
por
entonces la ecuacin
de la transformacin es: 10 10
y=
1 25
(x
25)
10..
10
Con esta transformacin la columna de rentabilidades tri mestrales transformadas sera:
384
B. Bilbao B. Central Banesto B. Hispano B. Popular B. Santander B. Vizcaya FECSA Hidrola Iberduero Sevillana Unin Fe nos a
9.1854485 7.5892857 7.9691114 6.8126602 7.149826 9.922078 8.4921785 5.7802188 5.6648157 5.7899157 6.5019314 5.2157697 5.4140885 6.7563022 7.8571437 5.7625737 5.3018251 2.4693862 7.6428562 4. 0433988 9. 52381 1.945378 7.5241617 6. 22 94602 5. 3182797 8.9919125
Azuc arera As 1 and Valderribas Dragados Vallehermoso Huarte General de Inversiones Popul arinsa Espaola de Inversiones Sarri Energias Explosivos Rio Tinto CEPSA Petromed
385
Altos
Hornos
1.9511328 1 6617648
.
Tubacex Motor Ibrica Telefnica
2 .640394 5.5328114
b) Rentabilidades semestrales transformadas
En el intervalo
este l19
caso
,
transformamos
el
intervalo
2545
en
con la misma ecuacin de la recta anterior.
Ampliamos el intervalo para que contenga a todas las rentabilidades de la tabla semestral.
De
la
misma
forma,
por
tanto,
obtenemos
la siguiente
tabla de rentabilidades semestrales transformadas:
B. Bilbao B. Central Banes t O Hispano Popular Santander B. Vizcaya FECSA Hidrola Iberduero Sevillana
9.4437974 7.191208 7. 2781968 0.766234 7.2189434 10.533391 8.8219565 10.817274 12.394087 12.315088 12.923773
386
Uni n-Fenosa Azucarera Asland Valderribas Dragados Vallehermoso Huarte General de Inversiones Popularinsa Espaola de Inversiones Sarri Energias Explosivos Rio Tinto CEPSA Petromed Altos Hornos Tubacex Motor Ibrica Telefnica
12.175824 13.02544 5.2199817 6.6122457 9.4322825 14.392858 4.4151785 8.3076914 3.9870125 13 4. 3597874 12.367077 17. 161009 10. 583112 13.605042 10.023592 3.9508197 5.7959174 16.909816
387
5.4.3.
Construccin
de la matriz
de relacin
de valores
Con las columnas de rentabilidades trimestrales y semes trales transformadas, en de relacin de construiremos las correspondientes matrices (trimestral y entre semestral). Cada elemento
valores
la matriz es el
cociente
la rentabilidad del elemento
de la fila y la rentabilidad del elemento de la columna.
Hemos construido la relacin de este modo, considerando la hiptesis de que a la la probabilidad de invertir en un ttulo
sea proporcional de que otro dicho si ttulo.
rentabilidad
normalizada o transformada se justifica por el hecho a de
Esta hiptesis
la rentabilidad es b
,
normalizada de un ttulo es
y la de
ttulo
la probabilidad de que el primero mejore en rentabi
lidad al segundo es proporcional al cociente de las rentabilidades respectivas.
Las y semestral a que
dos
matrices
de
relacin en
.
de
valores
-trimestral cada una
figuran son de
a continuacin dimensin
tres
pginas
debido
30x30
Encontraremos en cada
pgina las treinta filas y diez de las columnas.
En este caso como tenemos un mecanismo fijado de antema no de una manera general para establecer los elementos de la
matriz, no hemos hecho referencia a la escala sugerida por Saaty, ya que como dijimos en la exposicin terica del mtodo del auto valor, la escala propuesta era solamente una sugerencia.
388
~1z~1:m-mrnrn91nz
~1
Irrz9)mrPrnCowmm 3
9)
r-4mt---tmmfirmU~
iii-:. flrii.
21
nj lTJ fl19)]-fliL9)2-VGI~09)I Afi -.-..--.r,lTrJ9i
~nJ3;iDIooiii
0
~
Co
:rnrjncz-orznrn -~w-jo-mm rooLruI1~9)u2uiZr cr rZG9)--IHCo o<.
mm Xuw~-~ xmZ~
2-o
Z.>om ir.-.m ii.c)0.ifl~UCo0i mm 9)2 I-~ Co fl4 ~fl<fl ~

.Q]> O
nI~9)o
0
L~
LO
O
-
1-
9)1) iii) 0
2.
Co Co rs CD 0000 C. 20 00000 OOOCi

qn 1. rnt---iiiirj~cflliC~Lo)t-.uiirt m-~JuiitJ1 4 ti. c- o. c0JNirl 031Lu-4 J~Jw4w0~-JruLiiuCidCh0Nirtu0)-4.Ls0.l.3O Co
11
ruthin
(0)
4l.IlF(~~,JNi3C<I0uLjiZ4tiiiCC0hJt0OO
Co
.1
rl)
0000- -4U)h3l-Y~~ 0000--0-0000000000~00 -JCCir.itdtJl0b<i-NJOUNi?. 114 J-4r,J-OtfOOiid
3 1- rs
Co
1
Co
o0000000-0000000000000000
-1
o or<coao<
ci
coiarao
--j-or~nn-e~=o.-.j-omo-c.~oj--j-j
CLid0,cirCi-Cid.t~ti-OoLiiChrid0)LNJnii-tr.,Ch.a L 0 Lii 0) Ni d .0 .0 (31 4 1< 0 (ji Lid Ch a, O .00- Ni
I1GLflUii
Lii O (J1Ni ~il O la w

-,
N
It
1 o O 0000i-0i-.
.<nsuiiut~-,.~~-irri.
Lo
0 000 0 0 0 0 0 0 0~
-~
..fl <1
tun-O 0LL.ri -J---jl-e OC LiiLiihXILLLiiLC-J.-t ~.4idCflOflr..i9IOL0I-oCo-J&.-00Lfl o
ni
13 r~
r 9)
o
ooocm0--0o
,JCidl.ikl-g (1IdLlI
r 1~
00000000-0.--u JCO{4Ni (CC -411iiij 2
rs
:1-
-jo
u
.0
u3JLiiLNiLIlJCi 1< Iti 4 - )
0tOtS...uJ1Iid0f01j11110L31CiiltI Ii- -0131<1 <<Ok 0:10w Li w JI---- JI
-~
3:
o O Ci O 2 0 0 0 0 0 0 0 00
0 0
fl
00
00
000
00
0 0 0
(ji Ch Ch -00 (u tu Ji e O O Ni .0w 0) Ore -~--raui 02 Ni 0) Lii o r CoO Ch CPChNi<JCi ctC1J&Oczm-e0ki--oChtjlL---Lido0.----41id(llr.
o
000000000000000000000--Oooo.0-u)-tid0Ci-NiYIu~Si.Cki&-Ch0NiCh0 Ni0~ChChCJ0)cO-Ocno -0 u.) ui i~i i- a-w -.5 Ni O 4) ra--a t tu 00) (Y. 0)00- .00 u -e 0) rl Co O O 0- 0 -0 Ch O 0 Lii 0- CC -0 O tO Ni O co r ro U) .0 d (a o
--0
22
ni l?
-u It rs ~/) 00000.o0o00000 9)
Q ~1~
1=
Ni
-JI
Cid 10
(0
~i
-a 01010
NiNi Ni 0-4) <INi Ji NiCO
0-4
-(0<
u? 0
2~
1 Ci 3 0O0O-0--~-Zj-00O.-i~~0 <-OaiIfl f:tid----JWL-O0W----&-0-OooL-1r-aj.. -It 43L(0O0tdL(Y-0uJ-.id.flO1iiMLkjDIidf~UCh00J.t.J rs II:-
Co
lii
Lv o0000o0OooOo--0 ~
rs ~11 Lo o
389
ro
7! no 21 ro CO LO <u? -1) c CIC 3 7!- c - < 1 -mi 03 tun CO C13 Cml tU 323 1--ti. 71 >, .,unu3n-.Fun. 7!.. 7!.. r A 3-3 3173 ro ji ti tu 7! 1 t -7!-21 21 0 O ro n 2. 7 tu 1 7? E-u 03 Fu> if Tj~ CgT -tt u. i7! E-iiu-~XflOui-9l.-ttfiTO-i itT> <ci, 21u.~u--.t-~ -i-9~7! no 7! t-t-uxi7!~lu7! iUITOCY~ZV CA -IT noniu u t-uzv i7777nnnl3 4Pro omi1-0 Li?14-jiO tfl 017 2. O 17? LV m 2:
t21
0fl000~<9OOO0
DL 4--
3-04Ciiti-ACivmCiigi
7
fuFO
y)
Y
(-fi
Li Li.) CO Mu
(33 07 Di la CC> 0307 2ffu

CC<
-
Ob)
.3-.
~~u 21
uC
---tuC-TICi
ta-x>fli--unuiCio07uC
0
00O 51(0 a> >4
~> 03>44-4-0
O 4-
Fu
LE>
Si
Li 00
Li
<u- 0w(001
St.
Ci DL> 01
u (3?
O
U0 -ti 4-
0 4- (0 (0U- 01 01 isAi 0 01 U- 01 DL O >4 0 0 0) Di Li
2)
t-j
21 2.i 7!-
y
-
ji
i--000OOOO O <IT
A
ji
(OC) >4>44-La) O4- O 0Nu 000 310)
CLI
04-
(0(00--O
LiL
4-0
11
U?
Ti
t-i
uaCO>4O---mOO-4U>NiLi00.tiFOOW&nuODi0(0CfuuOlo>4
.j u
21 2)
2
-)
000>-0O00000O00000
773
~rn
4-O-LigO)
(u?
03-t
uy> 0?
Cfi
Ci- 02.do
(-31(0
ii-fi
3-310
(-310
CLI 30 ro ji
0OC0C2C0OCC-C0OC02i0 >4it.hbuCi-4 titvuu-uiSt A3LOC -t -7.03.) (-0) .4-u -dOt.u-uihi Cu-(u-OC.g---4-4d-Ciuf4--.J-->4i.vVCiO)h.i-ig(Ota.itCuACi-CiLii-O -ti.- ---0)4 uLEuCigO3bgCTIvgLLft-OE>t4-Ci.d~Ci -C.gCd4-CuLi
om
Ii
Ci>
-,
3
OO00Ci--OOOOOO Ci cfu
~tt l~i
-J
0- (-310) -u-u C- ma CO O Li) t312 TatO tO~ <m --u 4-03*10 FA CC ~4 Li 4-030? --Ci o DL 0) -A O (0-- E- DL LO t (3- 00 0 u, 30 0 01 03 01 LO (0 4- 30 tO LO Ni 4-
o Cl,
1;
21 21
-000 OO
r 0
o
ji
0 4- (3) un Ci. O
Ti pl
7
O
4- (O -d >4 4- 4- 0 0 .ti 3-0 0 0 tu O 0 0 0- 03 LO Li (-31 -ti >4 .ti-0Ci.NChO-dC,--ChCi-4-Ci-O0)03>4uiu0)utC-OONi4-030LO(O -ti 03 (0 CO 0 (001 -0 Ni O- LO (u) 0- 0 >4 Li 4- ti O- Li 0) 0 -0 0 01 (0 (3.
u)
z
CE
1Li
Cl)
0 4-? --ci
-A
ro 0 (0 (uit t
t..
(3it
(0
Li Li (0 Li (u) tu tu (u) Li tO (0 4- 3*1
tu.
(0 (0 (3) Li --u tu
i-](0
ta2.iE,--JES-LfiE>-]fuIC.-OC-C.itdO.uYubgLigSu21?>]uiu--u 4-04-u, -it ii-tu LO 4 O it? 4-Uit-u 4- (O >40) 4- COtu >4 >401 uy> 4 -ti Li O) U(0 lO a) Li LO (0 01 4- 0 CitCLfi-O
O O
ji u
OOCAOh--CuOOO--OOOOO000000-O0Oi t 4- mi-ti 4 U> 0> (-31 4- Li Oua A 01 tu O) 0 03 01 01 4- 01 (u y> MU> It. <u O 51001 uL?iJt4-(-flv-iuCiu.?4-4-1Lu4-i7<ib.)O.u0---fficfi.-vuLiubu
no
-3) Fu O -U
0
.--2.iOCu3*i.-ONfl--O (O U. 4-4-t LE 01 DL it Ci?
Ci
N4i-i-~~---Nit Cig 0 (040 Li LO
21
Li 7- St. ti
.ti
dE-
ti
0)30 LO.a.a4-01.--.UiCuC.(-fiCi-i-i(uC.Eli3*>Cu2i4.OuSTdua
LE 1
390
-
1
-u
0 ~
(fi It Un rl> mr
Ch-
721 jiit-0t 7 Cfi aif -0Z0-U-9-iCiih
-A IX 9 2) -u o ro ro Cf CO -311 O IX O C 2) mm-: Fuiro i-7!-imi-x>noCEr-CTlhr-iil u 1 mr IX A it ji C-t ji T> U 7! 2) 21 7!- CV uro-y! --n ---nos>77?E--norFninr -mr E-. Ami-COZ o ro E2~COIXCV-4flC
uit - ~ -173 ~ imlrn---ro~ CO 00 E ... -u nr e ~ A- IX 21Y 212) tu
7!~ . 7!Z -UrZ orn A o~ un CO
~-wFO -lhuht LFt~ u.--Lii-ZTF-lmliu..
41
Ui-Z
COCg3
-r
IX
CuCO 1UnU 0-A
iICO -ttLi? ClJ
7!-
tuL onolun
77
CO no 27 CO 2) U 1- 177 21 1 o Cl? 1 nrroZji tu-. iz o 2 0 03 7! 4- >373 E> 21 o o tu 2) o
ni
uu
U
V.OE>ACAi7>Ci~-02i21OOO0O2OO0OO--OE>iOOE>u
ro
Ci.)
03-it--u C.C. (-tu
01-OC Ob? 0,51312 bu CV-Li. LOO uL CC--O-ti ii-TI .i..-44-014034-0O(-31LO0i-d>filftiCOFOLiit0)ii-31Nit03*u--01>4Ni4-
-cF
A3n CO
2)
ji
nl) Li
O>-4(0(0
Li
4-t
(0 Li
(uit
-tiC,.) 303-0(0 Li --4104.01W
(04-LE
-Ci
2)
lo
4-
0)(sit03O0->4LiO)0COOMU>Li40O4-u.tCi.(0i-Ch4uLiitC~.LfO434 4-CTIIIOiO(OOCu2O>4Li0 uu.ilhi-(O-.4O)0u.ti>4NiEJONiOMA213-.3 d .5 LE 30 4- t 0) 2 Li- CD a) (u 01 30 U> (3) (0 lO U- u-u 51 0 43 -OC-
Ch CO 3-ml
7
ji
:2
A
1010 LE
OOOOOOOOOO0O000000OO
Ni (y> Li t4
Ni 0303>3 Li
LvNi
Nt Of
>40 0) Ni >4 Ni
Li) (-fi -5 (-31 (iO3-00 tfiL (u.) OC -ti o Li (3 U- d (-310- (u) (-31-001u.40300CLNJU-0301U-.tiUU>O(O.tiO(00)a)-(iOUit?4)---
LE ~a)-o Oc. 3*i Cfi O CLfi CL>.)
Ci?
-,
Ti
H
~J
ni ji
-un
OOOOOtuOOOO---OOOO
CCi -ti 3>3 uit .ti u? Cut
!pl
y> Si C- Li
ti)
DL 4-Mit fi 51 o o lo -U (3? 00C00--000 2i15ti>ii>O.E>--4-Liiu-uL4.2i4-LiO(iiaC.E>E>iCtuDLi?iat-4i--d
4-4ui-Cuu(iE-ii-V~~Ci .?i? uCiOFOud~-Fuhiua03ii.O Oi-(ug--J---21CtuCi--CV-d--u4--.40CO-xi-43fi--dd<u
-fi
--TI orn
-i
1
2)
C4-DLublO 4i-Ohu--tu Cfi CO
~i.j Ji-
$
-4
E-u 2 0
CV
0

pi
0 CD O
-
O O O
-n 0 0 2 0 0 0 0 0 0 0 C lg--tAVi(-fi(3
4 4? 4- --.401 0 0)
dC-O-Ci4?- vV-uOgCCi21 Li 4- uy> 4- 4- 0-43 010.) 4- tO
3
IX O Li--O-LNSCitLOO4-tSiuJ--tuiu.tiCiittOt-O(O3-O(uLu3-O4-tSTLO(04-u-4O
r O Ti
Qn (0 u7<O E.,- >4 FO CDL 0<4w-st -430.1.. >40 LE 0 4) U> LE 2 Ci- 4-O Di >4 a 01 31 0 2 Li -43 01 3 DL> -4- E,- 01 Li 0- 4 -u Ca U- 2 0. 01 cfi Ci- O Cf -4? 0 0- (0100 00 (0 U- d 3*u>4O. -4(0>4 uy> 01(34 o ~.4(0 Li 35014-3-04-00) (O
-4
21 >273
7!ro
LOCfiE>4-a>4L31>44-i514-4--]21b.)04-4-4--4LO>trfi?tu 10>0>2- uE>4-u>id u7uDLu 4> LiEi-fiLiui-(3it> u~>uE>E>i+iui-bu
2.
-A
Li
Vi) O E>
Cti
3-5 3--ii
3-u
O Cu
3>5 0 -.3
ti? iu.>
-.3
ti.)
3>5
iii
(u)
tu.
Li>
Li) 3-->
ituE>imidLEiO~01(-fluu~LOihtLEmOuO>4fiu51NiU-(uti0)u312uDLi~>4
3-uit i5
3-.?
Y
CO 4
To no
--1 CO CO -ml .-OOOOOOOoi-.-.O
391
-~!
moroCOufrofoCC>I 11 <?i.-i-rC>1Un>fmU73mCOmr ro-Axmro t.uuii:nin77V7! ?it7!ituiu FoujLu-3-mt. u- --9 Fr r i-A mi> ~ CO nr 3 -mi 7! ni u- ~ u- 21 77 <ml O E-. 7 nr UIt o CO
mxii
nohiuuO
iuS,u--Ji u LA? lS..41 LO Cg~>-u- -AFut.u,CO oZ-----COI-inonji
u-it
CZZ
(U
iuufluiLiiUCO
lQ
jiL>-- IX 03
oro 2)no
ji,
~-A
7!U
2)Aug2)CO -UL>? ji
tujiLtA
-iuC>Cl4lu..i-Aiu-COit 7! ur-x7! -J7! hL> uu 212121 0 n-A---iunin 7!-n2)-UI.r~217! ono2) 4373CO 7h ci-? it U> o 121 Cg L<il4-AnO u 0 O
CO
2)
13)
CO
OO-----O002-O210--00000-2. CO
7!-
tu
03
2.i 3>402 0t02
lo
-A
ji
2)
u-
FO
7
2) IX
-~
3>
00 <O 0024-30 U-FO >40)0.-a) O Ni uo 0044- a)OODLu >40(0 U- u.u UD 0-3*> dux.) 1.51003
FO
Li -Eii >40.0101
(OC (0>4 <4-03
3 --~
FO
2h
3~lUu OL31-i-0-dFuumy>Ci<uLiFO-u Li--Li LTICI3tTI>34>? >-O01u4-E>i4-Liiiy> 0)Lis-uLiCLi>4d----t~g2-ihiOuma Co Ti O
~u-pl
~Ti
un
U O
orn
nl-u
(ugOO ~ oc
Iii
1u
EV
AA?.
ji
- ~uu
tu
Li-u
7!000O----2u02O-DCOc-Do-
pl
~
-ti-
LfiOCfitu.1b3(-31(i4-4-4-O(iitEJ-Cflfu0-.dC-JO-dNJL?huOUiW---Liit>4
O O
00
000O
00-rio 00 4- 01 Li 0 4- 4- 4- 4<5 0- 0 -d Ui LO 4- (04- 1. 0 03 0 FO 0) 0 ----Cfi4-a>4-O4-Ot>4ufi4-E-LOC,01-3-dDLuCu~i-iU>21uoO.O03uo>4 >4NiCCICm.3-0001-O4-.titOLiOOOLi0tu(-fiO.u.31C,-O4-0)-dC31010
-u
-
o
Ti
pl
LII
-o
CO
o Ci>
2OO02000000 Cfi-V31Lg Ot.-iuTI--i-4-igCtm~u.C.CiiCCi0.u.u---i--0uu?Ci-gCi.iaCITdCuL4-22miCu-Cuu>m---JF.)3Otuu-Oj34-E>i LuC-U dDL:DLuOCgW-<iO)DLiFOLEiitLii51F.)ACi~0Ci-4CE-
UA?O0E>iO 7-Cu-0Ci~Cu CFI IC>4 .4(i .4 dCu.(-TILO
2)
un uu
II3: ji
--O20O002u02iOE>2i-O2.2uOO0002uO 2.
1it AL -hu -lU (su 4- <5 0> u.u A u-u AA? Ci--
-xu
3*
<3 4- 0 (su t 2>0 ta -4 0
CO tul A>
~
(04-LE
E
CO
-u
FOWc.) Diii Faiy> Ci. w d014-0 b5- E>-Cfi iiAVifiTI 1-d ufiC Ci- (3> bJ
O 0000) O?4- Ci E>
.4u?) >4 <TI
>31001131>4 CO .>r n
---~ .<u~ii~ iii --~
17!
<E-flu m
t--~, ii-id
moror
f-T mr-CO -21 Fufo ?~fl-lCOCO
i
iii
21ICOr Iri>roSiu1-mI roA iiniu...- Tun mu~uuiucu I-u.u---
ni
-ATu
it -
CO
tui --u ll3-t3iii Ti>f Ti nriu iifo 23
Fifo
OCOtAl ~-A 1
OnoLiu
iii
amono
ronoi
mi
E-u itil
nr 7!-
7! Aun
1
U>
o!
ii-nno7!7! A 7! C77u itiAuituu
u3--2
- -
n ~on
-
---u-- <u?CC
A?- (u?C.ii -{u Li) inn CLICi~. >Si Li CL -u? CL --O CC O- iii tfi CLifl fi4 51AaUiLEiOxi4-L~LLu~-x04-0jTi51Laaiu-i-01mL-ni) ~fiL,it i4>.Li--u-4C LOT- (-E>t.it 4i-Ci?uDCLgi(u .4Luu-fi~Cu a.)
002---0DE>OOOOCg
OCuODODOD
-un
fo u
C.i4--YiCO.--LO4.OC>uOCugE,ujg-u.uUitiOE>.DO2iO?4CEu(-fiCL.TITI-~u iu.uuo---Li A ~LiuOuin<ii~iCCi~u4i-iuuriCi~Cii>, u-sm 0C-ti(0NiOOU-0303i-dlu.u(O t.U>01(iitC>OD-----W03tfiUiLiit(ODLIC.
Li-
7!
.7
u-u
Ch
3>
7!
ji
tt --i)iai(3.Ligu(-fi-CLi-0 .cOA--3Cigo CAu..fi CLufiTI -u
--2iOO--2u-OSOiDOOOOO--000002i2i02100u.a -atii-L-dD03LE--(u 03 (-fi (3.) 04-3-a-O
Ti 4
O 01 CF.) Ci- DL-) (-ti .ti LO
O (-fi uiu 51(u) 0 -d -<-mu
u tfi
3
7!
u> 2.
fi
ki
y>
E>
lO -a Li? t 21 1.5 E>- Ot~
~~~5
3-5 5 1- 3<11.)
fi-pl
tO-d-.Ci-2bg(34DL.4 T31CA-.4O).3E>4i---i4-CmgC.gOCi Liu-i.1Liu13 Cigi~(-fibAAtOh?CiLii-5uii -<4-u51ACi. TI-tu-C-wu tCL. LiC-O CitSTE>4i-bitONi i--4E>-ALu.Ci-O4-ku77Oi 004uit
II -1-
1
21
177
ti2iCL3i3bg----2..---CAiCLi(ug.--~CVi---CLI--
CL
-ti no
no
uTICO?TIm31- imiCm?m -)-bug 4--AA -4-)-)? <agOLiF Lii31---CTIdO(-fi2 i>4-Ti?i.--ifiCi-tI-gO0>-tiTIiu-vu--Lii-.i-.hu0.nu u u-ig~ -a--ix-uuLi u mi-)--CL uLi-A--ifiTu.2Li4iTii-~
TI
U
Li O Aun
1
--
<3
-o
-~0-2 A20---O-C> O-ODE>E> ti? DLi4<01E>u>4LfiLiu5Li3v3Liu-Cu~i-.Ni0-u.u4ifl <~3 -A- tal- CL Cfi CC 43u 4i- >-u-- o CFI-u Ci
--uL~ 4-AA4-DL>Liu4-Liit? ?~i~ 4 tu- Li- u
fl
-7 Aun
21 21 CO
1-r
-
TI
Aun
-i-4-iSCi- O4-0)LiitOtu.t ST LiitOCi -tiLE( (ini Fu)O?fudCiQ-dii-TIE>ifimfiihi. d2i4O4-LO-iitUi02i-ddDO;TI51a.D4--CfiO<utu.--i.uE>CLfi ti-31(0.tiO.01CL313.LuMhu(O(O-u>4-dOUi-iuU>(OUici O.)L~iu4LiiuaT.,WCuE>F4 51
IX
A
-mi
<11.1
E>
liii
uiiii?ii. -tuitiiLix-Au fi>-ii

>ii? i.g
si5Aii?ii E> -1 4- Li 4-AAAi?Aii ilf u fi
Ci
u4--C-g
no 7!1~
ugCLu.CL> t,uE>i2uG--CE> DCLCO
3)
-~ii~iLit5iibgE>-LCfiLfi4i2-i-fi-d-d~i-AC4-LTI4A.4-uagCLi>OmEiit A- LiuO-tCLCiudO-OAbgnu AitOiu(OiLuCii>Ci~C~3tm?-tu2CiTiFi-u~di 1 .4 li l~t >1.) -OViL Ci LO A CC?- -O CiSCi~ uit A u 21 -~i-~ ti (-1 C <Li Li. C- u.
-U
Ti it.
E-a u-u Li
t--
Li
ru
tu siLfiii-----~~nu--i-?mgnnu,i
Li)
tu>
Li.)
iii
Li) C>
(u 1.> 3-ii tui E>

CLi.~i-iCui?iCifibii?CL.--.ti.~.Ci
-u
-u
7!-
393
-AIX2)TicyTttrunniciLIL-CV-2)iFu-ILE-- uFIFO. Z.s-LiimiZTl
Cu.n10mr(OroCflmr<tim
umr 7?
Fu1h1777& 2.
173 no un hin
OIX----<u1121jiiji
137! iu>J.COFIi-m7! 1 U 1- 1- 2. 1 21 21 27 C ni O ro -77 7 ni nr IX o un
h--7oCO -AL
Co-A?30--Li?173Fu1iiiC
CZIX
mono
>212721
E-uZi?U-A-lCuAu
CO
ninw-i- -tuL
OnlU>Co Co IX IX
oro Lji

jiz 0-4 o
11>1ro TiCo no
mul2)roLrlior2)onuL XmCOZAo ot- 2)7 2)0 2)Z2)o L(i7!-u-htO uo . o
10
2)
ro 34-
Ti
000OO2-2i02002.0000000000nn?o Li) 4-03>42 fo w O u.u 0(330 tui 04-0>44-u.i01LOOOLO4-Ol.uD-CL -d (-314-O (<O 0030-CO -fi E> >31 3-TI 4 DLUIO.ti01LONi01UiCi UtO
ni ji
ti
7!>
ji ji o
Ti
(0
0) (O O
Li
O
.ti A O) O O a) --00
Ni U- Ni
O 4-
01
0 Ni CO) 03 4- 0 4- 0(0 Ni Ni J
(0.~ 01 (0
U-
r U
U- (0
0 0U-
Li
(00 Li- U- 0O0
ni ni ji O? -OOO0O000OOOO0oOOOoOoO
(0-ti
yit
A
7! Co
CO O
(O FO
0)0>0
(O Ci- (O
0)2. u)
-.4
rfi tiC
(u 0 00
FOO DL 012- (-31 CLfi -d
Ti
H
-u CuA 00
Li 3---J4- LO 0130(00101
Li 01(0 tO -titO O4CO
3
tu tu
jmJ
-5:)
Qupl
02102.00
00000000000000000000000
IX
O ?>t(uitTfiOO E-4(u3vIla4-tflFO(-fiCoty>--O.4-d.4>4fui-~fi~CEumau uy> 31 51 0) 0 LO Ni 03 --u 4- - u iCi -~tL.i--.44-ii-iLiiAuF.)~4-tat.g-uCLiFm? tuL E>Ci 0-13 4) 4- -4 4- Cii -CL a Ci lii -10? O- u ~u.i uy> Cfi a Ci~ >4 3-o LE -O Lu ---4 3?- 0 (u -n
ti
:2.,
Ti -A
7733 o
0000002.0CLE>i-02u000002100E>iCucuDOO
.3ffl
ni DL 4-bu >40>43*>
a)
Lii
0w
Cii
LE DOLa.)
0W
mit
Mit
0>40
>40100101 CiLiuCi2O0DLi-ACVlOLiit-LtiFOLOLi.4--~uun0Lfi01FO4-0~01 -g-ti
Ch)
1> r
hl o 00 00000 000000 CC Ci- (-fi uy> O LO 2 >4 3-04- 3-0 (O DL 4- O Ci- (-fi tO 3-5 <O Li u.u o 0) 0 >4 0 >4 .4 O 03--u--) 2 Cfi Si -uit Li] Ci -O 000--OmJlOOU-OO.-0U-U->4Li ti (04-U-ro 4354-i4W4-0>4U-Li.tiUi>403O
AC
TI
(II
-A CCL
mr
1t-i4-O51-Li-Ci-Li3----3-O7O.iuC~iagi50tO.---ubufo03(Ci 3431>- E>Lii4-J4-LEiO>OE>21 4-uOJtaOOit-d y>uu<ii Ci- mi A4-t.u 0>40>4404-04-043(0 (Li LO >44-- >4Li >4>403(00>44-tuLiO a U O
E-)
ni
CV i-uOu.uu-0100100OtOCAuuOi-o3-o-OuO.--Du.
ji
O)
-0 Fi O DL lO 4- 30 Ci- (O 01 4- O) 3-it U- 03 u-> -ti 2 -ti 0 (0 Li (0 Ci- 3*> -ti u-O 01 4- u.u W-CLbi-<uuCi4-taLiitCCi -uiiguUuit-~----dE>UiCC>~ u-~i->-dO.buCi -4)
ni
Ti -A
ni
CO 1!
0 0 0 0 0
0 0 0 0 2 2 0 0 0 O O O O O O o O o O o O o O (-->4to Si 030.2 .4ta Ob.) 4-la 03-A y> (sg -.4>4-0 --4>40- Si Li- 04-4-01 o-ti- uit (O (-fi Ci- mu 43 Ci. (-fi (-fi ~in2--u 3-it0 (uit (04-lOT.) ta (O (u.) (-31
7!-
394
Siguiendo a y establecer semestral el y
la metodologa mximo
expuesta de de
anteriormente,
vamos
autovalor los
cada matriz probabilidades
trimestral asociados.
autovectores
Las componentes de los autovectores como ya se ha sealado sern las probabilidades subjetivas de invertir en cada valor.
5.4.4. Obtencin del autovector de probabilidades
Dada la naturaleza en asignar la relacin de
del
problema,
como hemos convenido las probabilidades
comparacin
entre
de los distintos valores,
mediante el cociente de las rentabilidades
de dichos valores, entonces las matrices trimestral y semestral son que consistentes. el Esta condicin de consistencia casos igual nos al lleva a de
autovalor mximo
sea en ambos
nmero
filas (igual al nmero de columnas).
x mx
30
Los relacin X mx
=
autovectores, y
correspondientes semestral
las al
matrices
de
trimestral 30
asociados
autovalor
son respectivamente:
395
a) matriz
Autovector
de
probabilidades
correspondiente
a la
trimestral.
E. Bilbao B. Central
0.0502832
0.041562 0.0436255 0.0372987 0.0391481 0.0543323 0.0464871 0.0316533 0.0310109 0.0316922 0.0356051 0. 0285 58 0.0296482 0.0369872 0. 043022 0.0315559 0.0290252 0. 0135295 0.041854 0. 0221339 0. 052152 0.0106484 0.0411921 0.0341061
Banes to B. Hispano
E. Popular E. Santander E. Vizcaya FECSA Hi dro la Iberduero Sevillana Unin-Fenosa Azucarera Asland Valderribas Dragados Vallehermoso Huarte General de Inversiones Popularinsa Espaola de Inversiones Sarri Energas Explosivos Rio Tinto
396
CEPSA Petromed Altos Hornos
0. 0291226 0. 049 232 0. 0106873 0.009091 0.0144639 0.0302902
Tubacex Motor Ibrica Telefnica
El
autovector sea 1
.
est
normalizado componentes
para
que
la
suma
de
sus componentes
Dichas
son las
probabilida-
des subjetivas de invertir en cada valor.
b>
Autovector
de
probabilidades
correspondiente
la
matriz de relacin semestral
B. Bilbao
B. Central Banesto B. Hispano B. Popular B. Santander
0.0331308 0. 025234 0. 025 5309 0. 00269 16 0. 02 53329 0.0369505 0.0309537 0. 0379599 0.0434817 0.0432046 0. 045342 0.0427098 0.0456983
B. Vizcaya EEC SA Hidrola Iberduero Sev i 11 ana Unin-Fenosa Azucarera
397
Asland Valderribas Dragados Vallehermoso Huarte General de Inversiones Popularinsa Espaola de Inversiones Sarri Energas Explosivos Rio Tinto CEPSA Petromed Altos Hornos Tubac ex Motor Ibrica Telefnica
0.018307 0. 0231955 0.0330912 0.0504878 0. 0154966 0.0291527 0.0139925 0.0456191 0.0152987 0.0433827 0.0603054 0.0371286 0.0477368 0.0351693 0. 0138 539 0.0203257 0.0593346
Observemos que la probabilidad de invertir en el Hispano con es un 0.0372984 horizonte con un horizonte semestral, esto es trimestral, y de debido a que 0.0026916 del
a partir
7 de diciembre de 1984 se inicia una cada en picado de las cotizaciones tiene de dicho banco, ya que por la crisis financiera que
el Hispano, Por
este anuncia por esas fechas que no repartir se explica lo reflejado en la tabla la sesin
dividendos. de
esta razn
cotizaciones,
y puesto que
la caida
se
inicia en
nmero noventa y siete de la tabla, las rentabilidades calculadas
398
en
un
periodo tenan lo que

,
de
sesenta
sesiones no normales, rentabilidad
recogan esta cada, rentabilidades del es
por
tanto res,
fluctuaciones hace sin que la
y eran
mayosea
trimestral semestral
valor
2.39521 ya que las
embargo
la
rentabilidad
25.90909
rentabilidades dicha cada
calculadas desde
en un periodo
de 120 sesiocalculada.
nes recogen
la primera
rentabilidad
Por tanto, esto explica que los elementos de la columna del Hispa no en la matriz semestral (como cociente de rentabilidades) sean
anormalmente grandes, y que exista esa diferencia entre las proba bilidades calculadas con un horizonte trimestral y semestral.
Tambin podemos decir, deducidos de las
al observar los dos autovectores y semestral, que para los
matrices trimestral
valores cuyas probabilidades, dra ms riesgo el hacer
a ms largo plazo disminuyan, tenen ellos de ste tipo
inversiones
es decir con un periodo horizonte mplio
En la exposicin terica del mtodo del autovalor haba mos indicado que tena especial inters porque permita introducir valoraciones sistencias, inexactas o ambiguas, de establecer es decir, pequeas incon-
a la hora
las relaciones comparativas
como elementos de la matriz.
En el caso de plantear un problema cuya matriz de compa raciones es consistente, como el propuesto aqu, habra otras
alternativas para calcular directamente el autovector. Pero nuestro inters fundamental estaba en mostrar la metodologa con
399
un
caso
prcico este
como hemos hecho. mtodo
Dejamos
pues
el
campo abierto
para aplicar
a problemas
con planteamientos que gene-
ren matrices inconsistentes.
400
NOTAS AL CAPITULO
(1)
R.
V.
BROOWN,
A. for
5.
KAHAN y C. 1974.
PETERSON. New York.
Decision
analysis
the manager.
Holt Rinehart and
Winston.
(2)
R.
M.
HOGARTH.
Cognitive
processes
and the
assessment
of
subjective probability distributions. Journal of The American Statistical Assotiation. vol. (3) R. SCHLAIFER. 70, Pp. 271289. of decision under uncertainty. New 1975.
Analysis
York. Mc Graw-Hill,
1969.
(4)
T.
L.
SAATY.
An
eigenvalue
allocation
model
in
contingency 1972. Journal
planning. University of Pennsylvania, Measuring the fuzzines of sets.
of cybernetics,
1974, vol. 4 pp.
5361.
A Scaling method for priorities in hierarchical structures, Journal of Mathematical 234281. Psychology, 1977, vol. 15, Pp.
Exploring the interface between hierarchies, multiple objects and fuzzy sets, Fuzzy Sets
and Systems, 1978, vol. 1, pp: (5) R. R. YAGER.
5768.
Multiple objective decision making using fuzzy sets. Studies, International 1977, vol. 9 Journal
,
of
ManMachine
Pp.
375382. influence. vol. 2 pp:
(6)
T.
L.
SAATY
y M.
KHOUJA. of
A measure Peace
of world 1976,
Journal 3148.
Science,
401
(7)
y.
WADE y R.R.
YAGER. finite
Comparison subjective
of
methods
for
eliciting
probabilities.
Proceedings
of the 1977 AIDS National 1977, pp: 414416. (8) V. WADE.
Conference, Chicago,
Three methods for eliciting subjective probabilities Masters New York. thesis, 1977. lona College, New Rochelle,
CONCLUSIONES
403
Una central del
vez
llegados
este
punto,
concluido
el
ncleo si las
trabajo,
debemos
recapitular
para comprobar
aspiraciones que motivaron
esta tesis doctoral han obtenido res-
puestas eficaces a lo largo de la exposicin que con estas conclu siones finalizamos.
Al
redactar estas conclusiones nos proponemos un doble
objetivo: por un lado, resaltar aquellas cuestiones que son funda mentales en cada uno de los cinco captulos que componen este
trabajo para concluir la y por otra el parte,
lnea general de nuestra investigacin, aquellas cuestiones que, una vez
significar
concluido
trabajo,
constituyen motivos
importantes de refle-
xin respecto al tema tratado.
Gran observarse datos del
parte su
del
ncleo
de ha
esta sido
tesis, la y
como ha podido de unos
durante
lectura,
compilacin de unas
histricosconceptuales que en nos la ocupa ms
primero, tarde, Por
axiomticas el objetivo una esta
tema
para satisfacer ltimo hemos
planteado
introduccin. determinar
propuesto De
metodologa propuesta
para
probabilidades su aplicacin
subjetivas. prctica,
metodolgica y de
en el caso
desarrollado en el apartado 5.4 de este trabajo,
se deducen evi-
dentemente conclusiones vlidas o, al menos, motivo de reflexin.
En estas
cualquier
trabajo la
de
esta
ndole, de
el
objetivo al
de
conclusiones
supone
necesidad
comunicar
lector
404
las
reflexiones la
del
doctorando, de su
pero
ste
siempre ser el el
espera
que,
durante la
lectura de las
trabajo, ms
pueda que
propio
lector o en,
mayora
veces
avisado
doctorando
cualquier las suyas
caso, desde propias,
una perspectiva ms distante el que saque de este modo el trabajo y, en
enriqueciendo
definitiva,
llevando realmente
a la prctica ese sentido social de forma que esa utilizacin
que proponamos
en la introduccin,
del nosotros tenga verdadero sentido.
Comenzaremos conocidas pero
por
resaltar
algunas
cuestiones,
quiz de
no por ello menos
importantes,
del contenido
los tres primeros captulos de este trabajo.
a) La probabilidad subjetiva, do reflejado en el captulo 1,
tal y como ha queda-
es la ms adecuada para
medir la incertidumbre de los sucesos que se presentan en los procesos de elaboracin de decisiones, que por
no ser sucesos repetibles y no poder considerarse equi probables y no podemos Por aplicarles otra parte, la las teoras es clsica factible sobre
frecuencial. a
tampoco
aplicar
dichos
sucesos
teora
logicista
la determinacin de la probabilidad, que que ha de asignar las
ya que el decisor a los sucesos
probabilidades
ocurren
en el marco de la elaboracin de decisio-
nes, no es una persona idealmente racional que enjui cia desde la ms absoluta imparcialidad como propone
esta teora.
405
b)
En el
estudio es claro
de
las
otras concepciones de la su aplicabilidad depende
probabilidad
que
del contexto del problema planteado. slo podemos aplicarla aceptamos para la los
La teora clsica en los a que la
sucesos
inicialmente probabilidad
indiferencia de los
respecto
de aparicin
sucesos
elementales.
Esta cuestin es muy restrictiva para cualquier fenmeno que observemos en la realidad. Slo la aplicaremos
para aquellas
situaciones
que an sabiendo que pueden
presentar algn sesgo planteemos su resolucin aceptando ese comportamiento ideal que supone el principio
de equiprobabilidad de los sucesos elementales.
c)
Slo tiene
sentido
aplicar
la teora
frecuen
cial para aquellos fenmenos que puedan ser experimentados, es decir, tibles. la Por aquellos cuyas concreciones sean repe la a teora la frecuencial clsica resolver respecto
tanto,
objecin
planteada
teora
a las posibles situaciones de sesgamiento, ya que estas quedaran esta detectadas resuelve para la con dicho la experimentacin. Aunque es de
teora
problema, de la
sin embargo, incertidumbre
restrictiva
medicin
algunos sucesos, ya que lleva implcita la experimentacin del fenmeno y teoricamente supone la aceptacin
del principio de regularidad estadstica.
406
d)
La teora logicista es inflexible Por ello,
en sus plan-
teamientos.
su aplicacin resulta complicada,
ya que parte del supuesto de la existencia de un pensador ideal y absolutamente racional que sabe elaborar
la funcin de confirmacin que relaciona perfectamente hiptesis y experiencia, y esta funcin tiene problemas de medibilidad. Este marco inflexible que no deja lugar a la intuicin, aunque sea intuicin racional basada
en unos esquemas (como ocurre con la concepcin subjetiva) no deja paso a la credibilidad real del individuo en esas situaciones. Por tanto, su aplicacin es prcti camente sucesos imposible implicados para en medir la incertidumbre de de decisin, los como
situaciones
hemos sealado antes.
e) La concepcin tar la
subjetiva, por no tener que acepde los sucesos elementales
equiprobabilidad
posibles, ni tener que admitir el principio de regulan dad estadstica, es la ms adecuada para medir la incer tidumbre de de los No sucesos que el ocurren en o los procesos en
decisin. de
obstante,
decisor
experto,
el momento incorporar tipo.
asignar
la probabilidad subjetiva puede frecuencial o de otro
alguna
informacin
Los
esquemas
de
coherencia
que
ha
de
seguir
la
asignacin
de la probabilidad subjetiva hacen que sta
407
cumpla los axiomas de la teora matemtica de la probabilidad. Dichos esquemas de coherencia del comportamien to por racional dos admiten que las probabilidades sean igualmente valoradas buenas
personas
distintas
siempre que sean consistentes con el resto de sus valoraciones.
Tambin es importante resaltar algunas cuestiones funda mentales de la parte histrica de la teora de la probabilidad
tratada en este trabajo.
Los inicios de la teora de la probabilidad surde juegos. Por un deseo de
gen por simples problemas
controlar el azar incontrolable, o por lo menos hacer lo menos incontrolable.
Los primeros iniciadores plantean cuestiones parti culares con las que pretenden resolver determinados
problemas que se les presentan,
sobre todo en cuestiolos pione
nes de juegos. Para resolver estos problemas,
ros slo cuentan con los recursos del clculo de varia
408
ciones
combinaciones,
que
les
permitan
determinar
la probabilidad
de que ocurran determinados resultados
en el juego, para poder controlar sus prdidas o ganancias. van Este planteamiento los los Moivre fu evolucionando planteados y XVIII, segn y se
complicando de De
problemas siglos y XVII
algunos James
matemticos Bernoulli,
como
Bayes,
establecen con
importantes su teorema
formulaciones que con la su crea su
generales.
Bernouilli,
la base de importante
la teora frecuencial, aportacin a la de la
De Moivre, de con las
aproximacin y Bayes, son
distribucin formulacin
binomial de la
normal,
probabilidad
inversa,
piezas claves sin las cuales hoy no podramos concebir las modernas como teoras de queda la probabilidad. en estos El paso silo
guiente,
expuesto
captulos,
dar Laplace con el desarrollo de la teora de la proba bilidad la inversa de Bayes. en Aportacin tanto en fundamental cuanto, a para
teora
subjetivista
partir
de ella, didos siendo en
los tericos de la probabilidad quedarn dividos grandes de escuelas: Clsica y Bayesiana, de donde
precisamente
esta ltima
escuela
surgir la teora subjetiva.
409
Respecto
al
tema
central
de
esta
tesis,
esto es,
respecto a los fundamentos de la propia teora subjetiva, exponemos aqu las cuestiones fundamentales que han ido surgiendo a
lo largo del trabajo.
a) Las axiomticas sobre la teora de la probabili dad de subjetiva valorar y los distintos mtodos lo que sobre el modo en
las es
probabilidades, acercarse a
procuran, De
definitiva, si las
la objetividad. son
hecho, ambas Los haga
probabilidades
objetivas y la
conocidas, coinciden. que les
probabilidades axiomas
subjetiva buscan
objetiva coherencia
expuestos
cumplir las leyes lidad nal. y ciertas Los mtodos
de la teora matemtica de la probabi condiciones de del comportamiento proporcionan racio-
valoracin
aspectos
y formulaciones que recojan toda la informacin disponi ble. En este caso, es claro que cuanto ms y mejor
informacin disponible obtengamos, tanto ms nos acerca remos a la objetividad. En definitiva, podemos concluir que en el tratamiento individual de la valoracin de
la probabilidad subjetiva es necesario que el individuo al incorporar nueva informacin actualice su grado
de creencia, y en el caso de las valoraciones de grupo, los distintos mtodos matemticos y behavioristas,
exigen la bsqueda del consenso para que ste conduzca a una asignacin nica de la probabilidad por parte
del grupo.
410
b) con
En
todas las axiomticas estudiadas se observa la influencia de De que en ellas Por ms tuvieron los distantes que
claridad
cuatro
axiomas
Finetti.
stas estuvieran mente caso distintas de las de
en el tiempo o por ms significativaque fueran entre ellas, como es el de
Koopman,
Anscombe y Aumann
con la
Suppes o la de Scott,
todas recogen explcita o implici los axio-
tamente estos cuatro axiomas. En definitiva, mas de De Finetti constituyen base la cualitativa probabilidad para el
la primera y fundamental de la teora de
desarrollo
subjetiva,
convirtindose
entonces
estos cuatro axiomas en las condiciones
que ha de cum-
plir una relacin entre sucesos para que sea considerada una probabilidad cualitativa.
c) por
Y,
si todas las axiomticas han sido influidas de De Finetti, en mayor medida lo
los postulados cuya
fu Savage, la ms
axiomtica por hace su varias
podemos razones:
considerarla como primero, por la
completa
utilizacin que
de la teora de la decisin para axiomtica, con la que establece
la formulacin de un orden relacin de una las parcial de la
entre misma
las acciones que implicar una forma entre De las consecuencias
distintas
acciones. no ms
esta relacin deducir que entre De los esta que
nueva que
relacin es
probable
sucesos forma
una probabilidad en juego
cualitativa. los
Savage
pone
todos
elementos
411
realmente En segundo
estarn lugar,
implicados por el
en un proceso uso que este
de decisin. autor hace de
la teora de la utilidad de Von Neumann y Morgenstern, que le permite establecer un teorema para demostrar
la existencia de una funcin de probabilidas subjetiva P sobre el conjunto de los sucesos estados de la
naturaleza
El
teorema
referido
demuestra
que
se
genera
una
funcin de probabilid~ subjetiva que determina el grado de creencia, en el estado verdadero matemtica) de la naturaleza. de una decisin
La expectativa
(esperanza
se define respecto a la funcin de probabilidad subjeti va sobre de los estados sobre el de la naturaleza y de las a la funcin
utilidad
conjunto
consecuencias.
La accin preferida ser aquella que maximice la utilidad esperada. En consecuencia las probabilidades, citas en impl
la formulacin de la tesis de dicho teorema,
se determinarn de tal manera si el individuo establece de la forma que referida sean sus preferencias con el entre las de
acciones
consistentes
objetivo
maximizar la utilidad esperada.
Por tanto, podemos decir que, al menos, tericamen te Savage no deja ningn cabo sin atar, aunque luego
su teora tenga algunas objeciones en la prctica.
412
d) tern ella es
La teora
de la utilidad tanto por por la
de Von NeumannMorgens la utilizacin que de
fundamental Savage
hace
como
posterior
utilizacin
que otros bin a
autores como Anscombe y Aumann realizan tamde ella. Lo mismo sucede con Fisburn
partir
quien establece una distribucin de probabilidad terica sobre un conjunto de sucesos usando tambin el modelo de utilidad esperada.
e)
Una
innovacin
importante para la probabilidad
cualitativa es proporcionada por Villegas, que comienza definiendo una estructura de cualitativa requiriendo cualitativa condicin de una algebra de probabilidad que la probabilidad una
para ello
sea montona continua; y suficiente P P
proporcionando para la
necesaria de
existencia con la
medida
probabilidad
compatible
probabilidad cualitativa para que te aditiva. constituyen Ambos una resultados novedad
sea numerablemen
a los que llega Villegas en la evolucin
destacable
de la teora de la probabilidad.
f)
Los
sucesos
arbitrarios que se
tienen
una medida
de
probabilidad
inexacta
establece
en funcin de
la medida de probabilidad de unos sucesos de referencia. Y hacer esta afirmacin es posible gracias a la es-
tructura de medida aproximada finita que propone Suppes.
413
*_ *
Para
finalizar
estas
conclusiones ltimo
haremos de
referencia los tratados
ahora a algunas cuestiones sobre el en este trabajo, esto es, sobre
punto
la metodologa propuesta para
extraer las probabilidades subjetivas de un decisor. Estas, desde nuestro punto de vista, seran:
a)
Cuando se
le plantea
al
decisor una situacin
en la que el nmero de sucesos implicados es relativamente que grande, este es muy difcil adems de poco fiable,
pueda a esos
asignar sucesos.
directamente
probabilidades
subjetivas
La propuesta para solucio-
nar este problema es que el decisor compare por cociente parejas de probabilidades, situacin mcho ms razose generan las proba asequible para el
nable de afrontar. De esta manera, bilidades mediante un proceso
ms
decisor y ms
adecuado para plasmar sus expectativas.
Este proceso se basara en una metodologa conveniente como la expuesta en el captulo V.
b)
La gran ventaja
de esta metodologa es que no sino que pro-
exige al decisor una respuesta concreta,
414
porcione
la informacin
que
tenga acerca de la situaA la vez esta metodologa recoger que en las el respuestas terreno de de una
cin a la contempla ambiguas la
que se enfrenta. un del mecanismo decisor, donde
para
cuestin
subjetividad
nos estamos
moviendo es
importancia capital.
c)
Con
la
exposicin
de
esta
metodologa
hemos
mostrado que la asignacin de la probabilidad subjetiva, aparte de estar controlada tericamente por unas como ha de ser el comportaen la prcsituacin
axiomticas que establecen
miento coherente y racional del individuo, tica no deja al individuo real con
una
confusa y complicada de resolver, sino que aporta mtodos aplicables, bien por el decisor, o en muchas ocasio nes por un tcnico, que ajustndose resuelven a las el normas del la
comportamiento
coherente
problema de
asignacin de probabilidades de una forma clara y preci sa, incluso con una medida de la fiabilidad del vector
de probabilidades calculado.
d)
Con
el caso
prctico expuesto
se ha puesto de
manifiesto que, cuando la situacin a la que se enfren ta el decisor es algo compleja, es absolutamente nece-
saria una metodologa la propuesta u otra de las exis tentes para determinar a cada las probabilidades uno de los subjetivas
correspondientes
sucesos posibles,
415
puesto que:
El decisor los sucesos
no es
capaz
de
enfrentarse
a todos
presentados
a la vez,
para asignar
directamente sus probabilidades respectivas.
Las
axiomticas
del
comportamiento
coherente
no son suficientes para que el decisor resuelva en la prctica el problema, cuando este es algo
complejo, como ha podido observarse con el planteado en este trabajo.
e)
El
clculo
del vector de
probabilidades
en el
problema resuelto en esta tesis o para otros problemas similares sor, en es una informacin importante para el deci
que en este caso ha de Bolsa y en qu valores.
decidir si invierte o no En este caso concreto el
decisor, adems de la informacin probabilistica calculada, puede incorporar otro tipo de informacin de
ltima hora para tomar finalmente su decision.
BIBLIOGRAFA
417
Antes en esta tesis
de
resear es
la
bibliografa
especfica algunos
utilizada aspectos
doctoral,
necesario
sealar
de carcter
formal:
Las
obras
consultadas
sobre
METODOLOGA DE LA por separa-
INVESTIGACION CIENTFICA
se resean
do bajo ese epgrafe y antes de la BIBLIOGRAFA ESPECFICA.
Todas las obras consultadas que tengan carcter unitario de en forma de libro o folleto de ms no as
50 pginas se researn subrayadas; artculos monograficos que
aquellos en
aparezcan que
revistas u obras de carcter peridico,
se researn entrecomillados.
Se har constar que
en
cada
referencia
la edicin
ha sido consultada con su fecha correspon-
diente sealando en algunas ocasiones la primera edicin, tros. cuando sta sea conocida para noso-
Cuando se trate de un trabajo de investigacin no publicado cia expresa (tesis o tesina) de su carcter se har refereny se researn
subrrayados por su carcter unitario.
418
1.- Bibliografa sobre METODOLOGA DE LA INVESTIGACION CIENTFICA.
BUNGE, Mario La investigacin cientfica. Su estratgia y filosofa
Ariel, Barcelona 1979.
ECO, Umberto Como se hace una tesis. tigacin, Gedisa. estudio Barcelona Tcnicas y procedimiento
de inves-ET1 w105 529 m
y escritura 1982.
POPPER, Karl R. La lgica de la investigacin cientfica
Tecnos, Madrid 1977.
ROMANO, David Elementos Teide, y tcnica de trabajo cientfico
Barcelona
1983.
VIVES, Jos Normas de metodologa para el trabajo cientfico C.S..C. Instituto P. Enriquez Flrez, Madrid 1967.
. .
419
II.- BIBLIOGRAFA ESPECFICA.
ALLAIS, Maurice Le comportement des de lhome et rational devant le risque:
Critique
postulats
axioma
de lcole pp:
Americaine.
Econometrica,
1953, vol. 21, n2 4,
503546.
ANSCOMBE, Francis J. Bayesian Statistics. American Statistician, 1961, vol. 15, n~ 1, pp: 2124.
ANSCOMBE, F. J. y AUMANN, R. J. A definition of subjective probability Annals 199205. of Mathematical Statistics, 1963, vol. 34, pp:
ARCHIBALD, G. C. Utility, risk and linearity. Journal 437-450. of Political Economy, 1959, vol. 67, n2 5, pp:
ARMSTRONG, W. E. Uncertainty and utility function. The Economic Journal, 1948, vol. 58, n2 229, pp: 110.
420
ARNAIZ VELLANDO, Gonzalo Introduccin Ed. Lex Nova, a la estadistica Valladolid, terica
1978.
ARROW, K. J.
Alternative
approaches
to
the
theory of choice in risk
taking situation. Econometrica, 1951, vol. 19, pp: 404437.
Utilities, attitudes, Econometrica,
choices: a review note. 123.
1958, vol. 26, pp:
AUMANN, Robert J. Agreeing to disagree. Statistics, 1976, vol. 4, n2 6, pp: 1236
The Annals of 1239.
AYER, Alfred J. Probability and evidence Columbia University Press, 1979 (1~ ed. Macmillan 1972).
BACHARACH, Michael Normal Bayesian dialogues. Journal vol. of the American Statistical Association, 1979,
74, n2 368, pp:
837846.
421
BARR, D. R. y RICHARDS, F. R. Induced priors in decision problems. The 184. Annals of Statistics, 1977, vol. 5, n~ 1, pp: 182
BAUIMOL, William J. The view Journal of Political Economy, 1951, vol. 59, pp: 6166. Neumann Morgenstern utility index an ordinalist
BAYES, Thomas An essay toward solving a problem in the doctrine of
chances: with a biographical note by G. A. Barnard. Biometrika, 1958, vol. 45, pp: 293315.
BECKER, G. M. Decision making: objective measures of subjective probabi lity and utility. Psychological Review, 1962, vol. 69, pp: 136148.
BERNOULLI, Daniel Specimen theoriae novae de mensura sortis. Comentarii academiae scientarum imperialis Petropolitanae, 1738, vol. 5, pp: 175192 (Traducido por L. Sommer en
Econometrica, 1954, vol.
22, pp: 2336).
422
BERNOULLI,
James
Ars Conjectandi Basilea, 1713.
BIRNBAUM; Alan Concepts of statistical evidence. En Essays in honor besser, Patrick of Ernest Nagel, and Morton eds. Withe, Sidney Morgen St. Martins
Suppes 1969.
Press, New York,
BLACK, Max lrduccin y probabilidad 1979.
Ed. Ctedra, Madrid,
BLACKWELL, David y DUBINS, Lester Merging of opinions with increasing information. Annals 882887. of Mathematical Statistics, 1962, vol. 33, pp:
BLUN, Julius y ROSENBLATT; Judah on partial Annais of a priori information in statistical inference Mathematical Statistics, 1967, vol. 38, pp:
16711678.
BOLKER, Ethan A simultaneous axiomatization of utility and subjective
probability.
423
Philosophy
of Science,
1967,
vol. 34, pp: 333340.
BONHERT, H. The logical structure of the utility concept. en y Decision Davis, R. processes, L. (eds.), por Thral, Wiley R. 14., Coombs, New C. H.
John
and
Sons,
York,
1957.
BORCH, Karl Henrik La economa de la incertidumbre Tecnos, 1968). Madrid 1977 (l~ ed. Princeton University Press
BOREL, Emile A propos dun trait de probabilits. 1924, vol. 98, pp: 321336.
Revue Philosophique,
BOUDOT, Maurice Lgica inductiva y probabilidad Paraninfo, Madrid 1979.
BOX, George y TIAO, G. C. A further Biometrika, look at robustness 1962, vol. 49, pp: via Bayess 419433. theorem.
424
BROWN, Rex Measuring uncertainty in business investigations with
special reference to market research. The pp: Journal 143163. of management studies, 1964, vol. 1, n~ 2
BROWN, R. V., KAHAN, A. 5., y PETERSON, C. Decision analysis for the manager Holt, Rinehart and Winston. New York, 1974.
BUNN, Derek W. A perspective on subjective probability for prediction
and decision. Technological 14, pp: 3945. forecasting and social change, 1979, vol.
CARNAP, Rudolf
Probability as a guide in life. Journal of Philosophy, 1947, vol. 64.
Logical Foundations of probability. The University of Chicago Press, Chicago, 1950.
The aim of inductive logic. en E. Logic, Suppes, methodology P. and philosophy (eds.). of science, Nagel,
and Tarski, A.
Stanford University
Press,
Stanford (California), 1962, pp: 303318.
425
CERESOLE, Pierre Lirreductibilit lexistence Archives de lintuition des probabilits indmontrables. 255305. et
de propositions
mathmatique vol.
de Psychologie,
1915,
15, pp:
CHAMBERS, Michael L. A simple probleme with strikingly different frecuentist
and bayesian solutions. Journal of the Royal Statistical Society, serie B, 1970
vol. 32, n~ 2, pp: 278282.
CHIPMAN, John 5.
Stochastic choice and subjective probability. en Dorothy Willher (ed.) Decisions values and groups
vol. 1, Pergamon Press, New York, 1960, pp:
7095.
The foundations of utility. Econometrica, 1960, vol. 28, n~ 2, pp: 193224.
CHURCHMAN,
C.
Prediction and optimal decision PrenticeHall, Englewood Cliffs, New Jersey, 1961.
CLARKE, R. D. The concept Journal pp: 113. of of probability. the institute of actuaries, 1954, vol. 80,
426
COHEN, J, and HAMSEL, C. E. M. Risk and gambling, the study of subjective probability Philosophical Library, New York, 1956.
COOMBS, C. H. y BEARDSLEE,
D. C.
On Decisionmaking under uncertainty. en R. M. Thrall, C. H. Coombs y R. L. Davis (eds.) Deci
sion processes, Wiley, New York, 1954, pp:
255286.
COOMBS, C. H. A
GRENBERG, M. y ZINNES, J. L. law of comparative judgement for the analysis
double
of preferential choice and similarities data. Psychometrica, 1961, vol. 26, pp: 165171.
CORNFIELD,
Jerome
The bayesian outlook and its applications. Biometrics, 1969, vol. 25, pp: 617642.
COSTA REPARAZ, Emilio Elaboracin de decisiones en el anlisis econmico: ximacin metodolgica Tesis doctoral, Fac. de CC. EE. y EE. Universidad Complu-
apro-ET1 w99 238
tense, Madrid 1975.
CRAMER, Haraid Metodos matemticos de estadistica
Aguilar, Madrid 1970 (l~ ed. Djursholm (Suecia), 1950).
. .
427
CRAMER, Harald Elementos Aguilar, de la teora Madrid 1977. de probabilidades (1~ ed. Djursholm, 1956).
DALKEY, N. An experimental Futures, study of group opinion.
1969, vol. 1, n2 3, pp: 408426.
DANTZIG, David Van

-
Review of Carnaps logical foundations of probability. Synthese, 195051, vol. 8, pp: 459470.
Statistical priesthood: Savage on personal probabilities Statistica Neerlandica, 1957, vol. 11, n~ 1, pp: 116.
DAVID, Florence N. Games, Gods and Gambling
Charles Griffin, London 1962.
DAVIDSON, D. y SUPPES, P. A finitistic axiomatization of subjective probability
and utility. Econometrica, 1956, vol. 24, pp: 264275.
DAVIDSON, D.
SUPPES, P. y SIEGEL,
5.
Decision making: an experimental approach Stanford University Press, 1957.
. .
428
DEBREU, Gerard
Representation function. en Decision R. L.
of
a preference
ordering by
a numerical
Proceses
por
Thral,
R.
14.
Coombs,
C.
H.
Davis,
(eds.), Wiley, New York 1957, pp:
159166.
Stochastic choice and cardinal utility. Econometrica, 1958, vol. 26, n~ 3, pp: 440444.
Review of R. D. LUCE. Individual choice behavior: a theorical analysis. American Economic Review, 1960, vol. 50, pp: 186188.
DeGROOT, 14. H.
Optimal
Statistical
Decisions
Mc Graw Hill, New York 1970.
Reaching a consensus Journal vol. of the American Statistical Association, 1974,
69, pp: 118121.
mproving predictive distributions Trabajos de estadstica e investigacin operativa, tuto de investigacin operativa y estadstica, Insti-
C.S..C.,
1980, vol. 31, pp: 385395.
429
DELGADO MANRIQUE, Carlos La toma de decisin en las organizaciones. Aspectos meto dolgicos Tesis doctoral. Fac. de CC. EE. y EE., Universidad Complu-
tense, Madrid 1982.
DIACONIS, Persi y ZABEL,
Sandy L.
Updating subjective probability Journal of the American Statistical Association, 1982,
vol. 77, n~ 380, pp:
822830.
DICKEY, J.
14. about beliefs, a theory of stochastic of subjec
Beliefs
tive probabilities. Trabajos de est. e mv. op.; Inst. de mv. op. y est.,
C.S.I.C. 1980, vol.
31, pp: 471487.
DOLBEAR, F. T. Jr. Individual studie. Yale Economic Essays, 1963, n2 3, pp: 419470. choice under uncertainty an experimental
DREZE, Jacques
H. logiques de la probabilit subjective et de
Fondements 1 utilit. La Decision,
Centre National de la Recherche Scientifique, 7387.
Paris 1961, pp:
430
EDWARDS, Ward
Probability-preferences in gambling. American Journal of Psychology, 1953, n2 66, pp: 349364.
Probability-preferences ted values. American 67. Journal of
among bets
with
differing
expec-
Psychology,
1954,
vol.
67,
pp:
56
The reability of probability preferences. American 95. Journal of Psychology, 1954, vol. 67, pp: 68
Subjective probabilities inferred from decisions. Psychological Review, 1962, vol. 69, pp: 109135.
EDWARDS, W.
LINDMAN, Harold y SAVAGE, L. J.
Bayesian statistical inference for psychological research Psychological Review, 1963, vol. 70, pp: 193242.
EDWARDS, W.
PHILLIPS, L. D.
HAYS, W. L. y GOODMAN, B. C. processing systems: Design and
Probability evaluat ion.
information
IEEE Transactions pp: 248265.
on System Science and Cybernetics,
1968
431
EDWARDS, Ward Toma de decisiones Fondo de cultura econmica, Mxico 1979 (l~ ed. Penguing
Books, Harmondsworth, Inglaterra, 1967)
EISENBERG, Edmund y GALE, David Consensus method. Annals 165168. of Mathematical Statistics, 1959, vol. 30, pp: of subjective probabilities: The Parimutuel
ELLIS, Brian The logic of subjective probability. British Journal for the Philosophy of Science, 24, pp: 125152. 1973, vol.
ELLSBERG, Daniel
Clasic and current notions of measurable utility. The Economic Journal, 1954, vol. 64, n2 255, pp: 528556.
Risk, ambiguity and the Savage axioms. The Quarterly Journal of Economics, 669. 1961, vol. 75, pp:643
ERICSON, William A. Subjective bayesian models in sampling finite populations Journ~l of the Royal Statistical Society, serie B, 1969,
vol. 31, pp: 195233.
432
FELLER, William An introduction to probability, theory and its applications
Wiley, New York, vol. 1 1950, vol.
II 1966.
FERREIRA, Pedro E. On subjective probability and expected utilities. The Annals of Mathematical Statistics, 1972, vol. 43,
n2 3, pp: 928933.
FINE, Terrence L. Theories of probability Academic Press, New York, 1973.
FINETTI, Bruno DE
Sul significato soggetivo della probabilit. Fundamenta Mathematicae, 1931, vol. 17, pp: 298329.
La prvision: Annales de
ses bis bogiques, ses sources subjectives Henri Poincar, 1937, vol. 7, pp:
lnstitut
168. (Traducido en: Kyburg and Smokler 1964, pp: 93158).
Le vrai et le probable Dialectica, 1949, vol. 3, pp: 7893.
Sub impostazione assiomatica del calcolo della probabili t. Annali Univ. Trieste, 1949, vol. 19, setion 2.
433
FINETTI,
Bruno DE Recent suggestions for the reconciliations of theories
of probabibity. Proceeding of the second Berkeley Symposium on Mathematical Statististics and Probabibity. 1950, ed. Jerzy Neyman,
University of California Press, Berkeley, 1951.
Sulla preferibilita Giornale degli Economist e Annali di Economia, 1952, vol.
11, pp: 685709.
La notion de distribution dopinion comme base dun essai dinterpretation de la statistique. Pubbications de lInstitute de Statistique de lUniversit de Paris, 1952, vol. 1, n~ 2, pp: 119.
Media di decisione e media di opinioni Bulletin de lInstitut International de Statistique, 28
th. session, n2 43, pp: 114157.
The bayesian approach to the rejection of outbiers Proceedings Mathematicab University pp: 199210. of the fourth (1960) Berkeley Symposium on
Statistics and Probability, ed. Jerzy Neyman, of California Press, Berkeley 1961, vol. 1,
434
FINETTI; B. DE
SAVAGE, L. J.
Sul modo di scegliere le probabilit iniziali Sui fondamenti della statistica, 81154. Biblioteca del Metron,
series C,
1962, vol. 1, pp:
FINETTI, B. DE
Method
for
discriminating
levels
of
partial
knowledge
concerning a test item The British Journal of Mathematical and Statistical Psycho logy, 1965, vol. 18.
Probability: Interpretations en International Encyclopedia of the Social Sciences,
Macmillan,
New York,
1968, pp: 496505.
Probability, induction and statistics Wiley, New York 1972
Theory of probability
(2 volumenes)
Wiley, New York 1979 (1~ ed. Giulio Einaudi, Tormo 1970)
FISHBURN, Peter C.
Preference-based Annals of
definitions
of subjective 1967,
probability vol. 38, pp:
Mathematical
Statistics,
16051617.
435
FISHBURN, Peter C.
Utility
theory Science, 1968, vol. 13, pp: 335378.
Management
A general theory of subjective probabilities and expected utilities. Annals of Mathematical Statistics, 1969, vol. 40, pp:
14191429.
Utility theory for decision making Wiley, New York 1970.
Subjective expected utility with mixture sets and Boolean algebras. The Annals of Mathematical Statistics, 1972, vol. 43,
n2 3, pp: 917927.
FRECHET, Maurice Sur limportance en conomtrie de la distinction entre
les probabilits rationelles et irrationelles. Econometrica, 1955, vol. 23, pp: 303306.
FRENCH, Simon Updating of belief in the light of someone elses opinion Journal of the Royal parte 1, pp: 43-48. Statistical Society, 1980, vol. 143,
436
FRENCH, Simon On the axiomatization of subjective probabilities Theory and Decision, 1982, vol. 14, n2 1, pp: 1933.
FRIEDMAN, Milton y SAVAGE, L. J.
The utility analysis of choice involving risk The Journal 304. of Political Economy, 1948, vol. 56, pp: 279
The
expectedutility
hypotesis
and
the
measurability
of utility. The Journal 474. of Political Economy, 1952, vol. 60, pp: 463
GALANTER, Eugene The direct lity. American 220. Journal of Psychology, 1962, vol. 75, pp: 208 measurement of utility and subjective probabi-
GALLI, W. Uncertainty as a philosophical problem por Meredith, Car-
en Uncertainty and business decisions, ter y otros (eds.),
Liverpool University Press, 1957.
GARCA AGUADO, Josefina Analisis borroso y teora de la decisin
437
Tesis
doctoral,
Fac.
de CC.
EE.
y EE., Univ. Complutense,
Madrid, 1984.
GILLIES,
Donald A. theory of probability of science, 1972, vol.23
The subjective
British Journal for the philosophy pp. 138156.
GIRON, F. J.
Una caracterizacin y de la utilidad. Trabajos de
conjunta
de la probabilidad
subjetiva
estadstica e
investigacin operativa.
nst.
de mv. Op. y Est.,
C.S..C., 1975, vol. 26, pp:
229247.
Caracterizacin
axiomtica
de
la
regla
de
Bayes
la
probabilidad subjetiva. Revista de la Real Academia de Ciencias Exactas, 19101. Fsicas
y Naturales,
1977, vol. 71, n~ 1, pp:
GIRON, F. J. y ROS,
5. behavior: a more realistic approach to
Quasi-Bayesian decision making. Trabajos de Est.
mv.
Op.,
nst.
de
mv.
Op.
y Est.,
C.S.I.C., vol. 31, 1980, pp: 1766.
GOOD,
Irving John Probability and the veighing of evidence
438
Charles New York,
Griffin 1950.
Co.,
London,
Hafner
Publishing
Co.,
GOOD, Irving John
Rational Journal
decisions of the Royal Statistical Society, serie B, 1952,
vol. 14, n~ 1, pp: 107114.
Kinds Science,
of probability 1959, vol. 129, pp: 443447.
How rational Management
should
a manager be? 1962, vol. 8, n2 4, pp: 383393.
Science,
Subjective set. en Logic,
probability
as the measure
of a non-measurable
methodology
and
,
philosophy
of
science.
Nagel, Stanford
Suppes and Tarski eds. (California),
Stanford University Pres,
1962, pp: 319329.
The estimation of probabilities: sian methods Massachusetts 1965. Institute of
an essay on modern baye-ET1 w105 21
Technology
Press.
Cambridge,
Alleged objectivity; a threat to the human spirit? International 66. Statistical Review, 1978, vol. 46, pp: 65
439
GOTTINGER,
Hans-Werner subjektiver wahrscheinl ichkeiten u. statist, 1974, vol. 5, heft
Konstruktion Math. 6, pp:
operationsforsch 509539.
HAAG, Jules Sur un problme gnral de probabilits et ses diverses
applications. Proceedings Toronto pp: of the International Congress of Mathematicians Toronto 1928,
1924,
University
of Toronto
Press,
659674.
KACKING, lan Slightly Philosophy more realistic of Science, personal 1967, vol. probability 34, pp: 311325.
HADLEY, G. Probabilidad y estadistica: una introduccin a la teora
de la decision. Fondo Day, de Inc. Cultura Econmica, Mxico 1979 1967). (1~ ed. Holden-
San Francisco,
California,
HIAKANSSON, Nils H. Friedman-Savage aversin The Quarterly Journal of Economics. 1970, vol. 84, pp: utility functions consistent with risk
472487.
440
HALMOS, Paul R. The foundations American 510. of probability Monthly, 1944, vol. 51, pp: 493
Mathematical
HAMPTON, J. 14. MOORE, P. G. Subjective probability
THOMAS, H. and its measurement 1973, vol. 136.
Journal of the Royal part. 1, pp: 2142.
Statistical Society,
HAYS, William L. Statistics Holt, Rinehart and Winston, Inc.

,
Great Britain 1963
HEMPEL, C.
G.
and
OPENHEIM, P. of degreee of confirmation vol. 12, n~ 2, pp: 98115.
A definition Philosophy
of Science,
1945,
HERSTEIN, 1.
N. and MILNOR, J. approach to measurable 21, n2 utility 291297.
An axiomatic Econometrica,
1953, vol.
2, pp:
HOGARTH, Robin M. Cognitive probability Journal vol. of processes and the assessment of subjective
distribution the American Statistical Association, 1975,
70, n~ 350, pp:
271294.
441
IRWIN, F. W.
-
Stated expectations as functions of probability and desirability of outcomes J. Personality, 1953, vol. 21, pp: 329335.
An analysis of the concepts of discrimination and preference. American 163. Journal of Psychology, 1958, vol. 71, pp: 152
JEFFREY, Richard C. The logic of decision Mc Graw-Hill Book Co., New York 1965.
JEFFREYS, Harold
Theory of probability Clarendon Press, Oxford 1948.
The present position of the theory of probability British vol. Journal for the Philosophy of Sciences, 1955,
5, pp:
275289.
JUMARIE, Guy Sur une nouvelle dans mthode dintroduction des facteurs statisti
de subjectivit que
les problmes destimation
442
Annales vol.
de
lInstitut
Henri
Poincar,
section
B,
1980,
16, n~ 4, pp:
349369.
KEMENY, John Fair bets and inductive probabilities Journal of simbolic logic, 1955, vol. 20, pp: 263273.
KENDALL, Maurice G. On the reconciliation of the theories of probability
Biometrika 1949, vol.
36, pp:
101116.
KENDALL, Maurice G. y PEARSON, E. 5. Studies Volume 1 Charles Griffin, London 1970. in the history of statistics and probability
KENDALL, 14. G. Studies Volume II
y in
PLACKETT, R. L. the history of statistics and probability
Charles Griffin, London 1977.
KEYNES, John Maynard A Treatise on Probability Macmillan, London and New York 1921
KNEALE, William Probability and Induction Clarendon Press, Oxford 1949.
. .
443
KOLMOGOROV, Andrei N. Foundations of the theory of probability Chelsea Berlin, Publishing 1933). Co., New York 1950 (l~ ed. Springer,
KOOPMAN, Bernard Osgood
The bases Bulletin
of probability American Mathematical Society, 1940, (a),
of the
vol. 46, pp:
763774.
The axioms and algebra of intuitive probability Annals of Mathematics, 292. 1940 (b), vol. 41, n~ 2, pp: 269
Intuitive probabilities and sequences Annals of Mathematics, 1941, vol. 42, n~ 1, pp: 169187.
KRAFT, Charles H.
PRATT, John W.
SEIDENBERG, A.
Intuirive probability on finite sets Annals 408-419. of Mathematical Statistics, 1959, vol. 30, pp:
KRELLE, Wilhelm A theory on rational 1959, behavior vol. 11, under uncertainty n~ abrilagosto, pp: 51
Metroeconomica, 63.
444
KYBURG, Henry E. Probability and the logic of rational belief Wesleyan University Press, Middletwon, Connecticut, 1961
KYBURG,
H. E. y NAGEL, Ernest (eds.) Induction: some current issues 1963.
Wesleyan University Press, Middletown,
KYBURG,
H. E. y SMOKLER, Howard E. Studies in subjective probability Krieger, New York, 1980 (l~ ed. Wiley, New York 1964).
KYBURG, H. E. Recent work in inductive American 287. Philosophical logic 1964, vol. 1, pp: 249
Quarterly,
LAPLACE, Pierre Simon
Theorie analytique des probabilites 14 ~Ve Courcier (impresor), Paris 1812 del 1967. original por: Culture et civilisation,
Reimpresin Bruxelles,
Essay philosophique sur les probabilits Wiley, New York 1917 (l~ ed. Paris 1814)
445
LAVALLE, Irving H. An introduction to probability, decision and inference Holt, Rinehart and Winston, Inc., New York 1970.
LEHMANN, R. Sheerman On confirmation and rational betting. Journal of simbolic logic, 1955, vol. 20, pp: 251262.
LINDLEY, Dennis V.
Statistical Inference Journal of the Royal vol. 15, pp: 3076. Statistical Society, series B, 1953,
Fiducial distributions and Bayes theorem Journal vol. 20, of the Royal Statistical Society, serie B, 1958,
pp: 102107.
LINDLEY, D. V.
TVERSKYAy
BROWN, R.
V.
On the reconciliation of probability assessments Journal of the Royal Statistical Society, 1979, vol. 142
parte 2, pp: 146180.
LTNDLEY, D. V.
-
Introduction view point
to probability and statistics from a bayesian (2 partes) 1965).
Cambridge University Press, Cambridge 1980 (l~ ed.
446
LINDLEY, D. V.
Scoring rules and the inevitability of probability International 26. Statistical Review, 1982, vol. 50, pp: 1
The improvement of probability judgements Journal vol. of the Royal Statistical Society, serie A, 1982
145, pp: 117126.
LOEVE, Michel Teoria de la probabilidad Tecnos, Inc., Madrid 1963). 1976 (1~ ed. Litton Educational Publishing,
LOPEZ CACHERO, Manuel
El proceso
de la decisin
econmica Complu-
Tesis doctoral, Fac. de CC. EE. y EE., Universidad tense, Madrid 1971.
Eleccin y decisin Anales pp: de Economa, 3~ poca, n~ 10, abriljunio, 1971,
6196.
Fundamentos y mtodos de estadistica Pirmide, Madrid 1977.
447
LOPEZ CACHERO, Manuel
Teora de la utilidad Revista pp: de economa poltica, 1979, n2 83, septdic.,
131145.
El problema El papel Separata 196210.
de la regulacin
y la adopcin
de decisiones:
de la probabilidad de Anales del
y de la informacin C.U.N.E . F., Madrid 198081, pp:
Teora de la decisin I.C.E.

,
Madrid
1983.
LUCE, R. Duncan
KRANTZ, D. H. expected 1971, utility 39, pp: 253271.
Conditional Econometrica,
vol.
LUCE, R. D.
RAIFFA, Howart
Games and decisions Wiley, New York 1957.
LUCE, R. D. y SUPPES, Patrick Preference, utility and subjective probability en 3, Handbook Wiley, of Mathematical pp: Psychology 249-410. (3 vols.), vol.
New York 1965,
448
MANSKI, Charles Learning ties and decision making when subjective domains 1981, vol. 9, n2 1, pp: 5965. probabili-
have subjective
The A.nnals of Statistics,
MARSHAK, Jacob Rational utility. Econometrica, 1950, vol. 1, n~ 2, pp: 111141. behavior, uncertain prospect and measurable
MATTESSICH, Richard Instrumental reasoning and system methodology Reidel (USA), Publishing 1978. Company, Dordrecht (Holland), Boston
MAY, Kenneth Intransitivity, patterns Econometrica, 1954, vol. 22, n2 1, pp: 113. utility and the aggregation of preference
MAY,
5. J. An application of Neudstadts abstract maximun principle to probability kinematics Journal vol. of optimization theory and applications, 1979,
27, n~ 2, pp:
249270.
449
MAYERSON, Alen L. A bayesian view of credibility Proceedings of the casualty actuarial society, 1964, vol.
51, pp: 85104.
MEREDITH, G. Uncertainty and business decisions Liverpool University Press, 1957.
MISES, Richard VON
Thorie Annales 137190.
des de
probabilities. Henri
Fondements Poincar,
et
applications 3, pp:
lInstitute
1932, vol.
Probability, William
statistics and truth

,
Hodge and Co.
London 1939.
On the Annals 191217.
foundations of
of probability
and statistics 1941, vol. 12, pp:
Mathematical
Statistics,
On the correct Annals 156165. of
use of Bayess
formula 1942, vol. 13, pp:
Mathematical
Statistics,
MOLINA; Edward C. Bayes theorem: An expository presentation
450
Annals 27.
of Mathematical
Statistics,
1931,
vol.
2,
pp:
23
MOOD, Alexander McFarlane y
GRAYBILL, Franklin A.
Introduccin a la teora de la estadstica Aguilar, Madrid 1978 (1~ ed. McGraw Hill, New York 1952)
MOORE, P. G. The mythical International 73. threat of Bayesianism Review, 1978, vol. 46, pp: 67
Statistical
MUNROE, 14. E. Theory of probability McGraw Hill Book Co.

,
New York 1951.
NAGEL, Ernest Principles International of the theory of probability of Unified Science, vol.
Encyclopedie
n~ 6, University of Chicago Press, Chicago 1939.
NAGEL, Ernest, SUPPES, Logic,
Patrick and TARSKI, Alfred (eds.) and philosophy of science
methodology
Stanford University Press, Stanford 1962.
NARENS, Louis Minimal conditions for additive conjoint measurement
451
and qualitative Journal 404-430. of
probability Psychology, 1974, vol. 11, pp:
Mathematical
NEUMANN, John von
MORGENSTERN, Oskar
Theory of games and economic behavior Princeton University Press, Princeton 1947.
NEWMAN, P.
READ,
R. problems for preference 1961, vol. orderings 1, pp: 149169.
Representation Journal
of Economic
Behavior,
NIETO DE ALBA, Ubaldo Introduccin Aguilar, a la estadstica 1975 (3 vols.)
Madrid
ORE, Oystein Pascal and the invention of probability 1960, theory
American Mathematical
Monthly,
n~ 67, pp: 409-419.
PARETO, Vilfredo Manuale di economia politica con una introduzione ulla
scienza sociale Societa Editrice Libraria, Milan, Italy, 1906.
PFANZAGL, Johann Theory of measurement
452
Wiley,
New York 1968.
POPPER, Karl R. La lgica de la investigacin cientfica Tecnos, Madrid 1977 (l~ ed. Hutchinson, Londres 1962)
PRATT, John W. Risk aversion in the Econometrica, 1964, small and in the large.
vol.
32, pp:
122136.
PRATT, J. W.
RAIFFA, Horward
SCHLAIFER,
Robert
The foundations of decision under uncertainty: An elemen tary exposition of the American Statistical Association, Junio
Journal 1964, pp:
353375.
PRESS, S. J. Bayesian inference in group judgement formulation feedback. Institu C.S.I.C. and
decision making using
qualitative
controlled
Trabajos de estadstica e investigacin operativa, to de Investigacin Operativa y Estadstica,
1980, vol. 31, pp:
397429.
PRESTON, 14. G. y
BARATTA, P. study of the auctionvalue of an uncertain
An experimental outcome American 193. Journal
of Psychology,
1948,
vol.
61,
pp:
183-
453
RAIFFA, Howard Risk, ambiguity and the Savage axioma: comment Quarterly 694. Journal of Economics, 1961, vol. 75, pp: 690
RAIFFA, H. y SCHLAIFER, Robert Applied statistical decision theory Harvard University Press, Cambridge, 1961.
RAMSEY, Frank P. Truth and probability en The Foundations of Mathematics and other Logical Essays Kegan Paul, London, y Harcourt, Brace and Co. New York,
1931, pp:
156198.
REINCHENBACH, Hans The Theory of probability University 1949. of California Press, Berkeley y Los Angeles
RENYI, Alfred Foundations HoldenDay, of probability San Francisco, 1970.
RICHTER, Marcel K. Revealed preference 1966, theory vol. 34, n~ 3, pp: 635645.
Econometrica,
454
ROS GARCA, Sixto
Mtodos Estadsticos Ediciones Anlisis ICE, del Castillo, de decisiones Madrid 1967
Madrid 1976. Sixto en incertidumbre est. e mv. con multiatributos op., C.S.I.C., 1982, vol. 33,
ROS INSUA,
Decisiones Trabajos n~ 2, pp: de
4763.
ROBBINS, Herbert The empirical Bayes approach to statistical decision
problems. Annals 120. ROBBERTS, Harry V.

-
of
Mathematical
Statistics,
1964,
vol.
35,
pp:
Risk, amgiguity and the Savage axioms: The Quarterly Journal of Economics,
comment 1963, vol. 77, pp:
327342. Probabilistic Journal 62. prediction Association, 1965, vol. 60, pp: 50
Statistical
SAATY, T. L. An eigenvalue allocation model in contingency planning
University of Pennsylvania, 1972.
455
SAA.TY, T.
L. the fuzziness of sets 1974, vol. 4, pp: 5361.
Measuring Journal
of Cybernetics,
A scaling method for priorities in hierarchical structures. Journal 234281. of Mathematical Psychology, 1977, vol. 15, pp:
Exploring objects
the
interface sets
between
hierarchies,
multiple
and fuzzy
Fuzzy sets and systems, 1978, vol. 1, pp: 5768.
SAATY, T. L.
KHOUJA, M.
A measure of world influence Journal of Peace Science, 1976, vol. 2, pp: 3148.
SAMUELSON, Paul A. Probability, Econometrica, utility 1952, and independence vol. 20, pp: axiom
670678.
SAVAGE, 1. Richard Statistics: uncertainty and behavior Houghton Mifflin Company, Boston 1968.
456
SAVAGE, Leonard J.
Review of evidence. Journal vol. 46, of pp:
1.
J.
Goods
probability
and
the
weighing
of
the
American
Statistical
Association,
1951
383384.
The theory Journal 5567.
statistical
decision Statistical Ass., 1951, vol. 46, pp:
of American
Review
of
the
Rudolf
Carnaps
logical
foundations
of
probability. Econometrica, 1952, vol. 20, pp: 668690.
The foundations Wiley, New York,
of statistics 1954.
Recent tendencies in the foundations of statistics. Proceedings of the International Cambridge Congress of Mathematicians Press, Cambridge
(Edinburg 1958), 1961, pp: 540544.
University
The foundations of statistics Proceedings of fourth tical, versity 575586. Statistics of (1960)
reconsidered Berkeley Symposium on Mathema Jerzy Neyman, Uni1961, vol. 1, pp:
and Probability, ed: Berkeley,
California Pres,
457
SAVAGE, Leonard J.
Bayesian en Recent
statistics Developments Robert pp: E. in Decision and Information Macmillan Pro Co.,
cesses
eds.
Machol y Paul
Gray,
New York 1962,
161194.
Implications
of personal probability for induction 1967, vol. 64, pp: 593607.
Journal of Philosophy,
Difficulties in the theory of personal probability Philosophy of Science, 1967, vol. 34, pp: 305310.
Reading
suggestions
for
the foundations 1970, vol.
of statistics 24, n~ 4, pp: 23
The American 27.
Statistician,
Elicitation Journal vol. of
of personal the American
probabilities Statistical
and expectations Association, 1971,
66, pp: 783801.
SCHLAIFER,
Robert
Probability and statistics fob business decisions ~acGrawHill Book Co., New York 1959.
Analysis of decision under uncertainty MacGraw-Hill, New York 1969.
458
SCOTT, D. Measurement structures and linear inequilities Journal 247. Mathematical Psychology, 1964, vol. 1, pp: 233-
SCOTT, D. y SUPPES, P. Foundations aspects of theories of measurement
Journal of simbolic logic, 1958, vol. 23, pp: 113128.
SEARLE,
5. R. Probability, the difficulties of definition Journal 1951, of the Institute of Actuaries Students Society,
vol.
10, pp:
204212.
SEBENIUS, James K. y GENAKOPLOS, John Dont bet on it: contingent agreements with asymetric
informat ion. Journal vol. of the Nmerican Statistical Association, 1983,
78, n2 382, pp: 424426.
SHACKLE, G. A non-additive measure of uncertainty The Review of Economic Studies, 7074. 1950, vol. 17, n~ 1, pp:
SHIMONY, Abner Coherence and the axioms of confirmation
459
Journal of simbolic logic, 1955, vol. 20, pp: 128.
SIMON, Herbert A.
-
A behavioral model of rational choice Quarterly 118. Journal of Economics, 1955, vol. 69, pp: 99
Rational choice and the structure of the environment Psychological Review, 1956, vol. 63, pp: 129138.
SMITH, Cedric A. B.
Consistency in statistical inference and decision. Journal vol. of the Royal Statistical Society, serie E, 1961,
23, pp: 137.
Personal probability and statistical analysis Journal of the Royal Statisti. Soc., serie A, 1965, vol.
128, pp: 469499.
SMITH, David Eugene History of Mathematics (2 vols.) Dover, New York 1958 (1~ ed. 1923)
STAEL VON HOLSTEIN, Assessment butions The Economic
Carl Axel 5.
and evaluation of sujective probability distri
Research
Institute
at
the
Stockholm
School
460
of Economics,
Stockholm,
1970.
STIGLER, George J. The development of utility theory (1 y II) Journal pp: of Political (II) 1950, Economy. vol. (1) 1950, vol. 58, n2 4,
307327.
58, pp:
373396.
STONE, 14. H.
Theory of representation for Boolean algebras Transactions vol. 40, pp: of the American Mathematical Society, 1936,
37111.
The opinion pool Annals of Mathematical Statistics, 1961, vol. 32, pp:
13391342.
STRUIK, Dirk J. A concise History of Mathematics Dover, New York 1967 (l~ ed. 1948).
SUPPES, Patrick The role of subjective probability and utility in deci
sion making. Proceedings of the third Berkeley Symposium on Mathematical Statistics and Probability 1956, vol. (19541955). 5, pp: 6173. University
of California Press,
461
SUPPES, P. and WINET, Muriel An axiomatization of utility based on the notion of utili ty differences Management Science, 1955, vol. 1, pp: 259270.
SUPPES, Patrick
Some open problems in the foundations of subjective proba bility en Information and decision processes, McGrawHill, New York 1960, pp: 162169. ed.: Robert Machol
The measurement of belief Journal of the Royal Statistical Society, serie B, 1974
vol. 36, n~ 2, pp: 160191.
SWALM, R.
0.
Utility theoryinsights into risk taking Harvard 123136. Business Review, 1966, novemberdecember, pp:
TIPPETT, C. H. H. Statistics Oxford University Press, London 1947.
TODA, Masanao Measurement of intuitive probability by a method of game Japanese 40. Journal of Psychology, 1961, vol. 22, pp: 29
462
TODHUNTER,
Isaac
A History of the Mathematical Theory of Probability Chelsea 1865). Publishing Co.

,
New York 1965 (l~ ed.
Cambridge
TATCHER, A. R. Relationships for predictions Journal vol. of the Royal Statistical Society, serie B, 1964, between bayesian and confidence limits
26, pp: 176210.
TVERSKY, Amos Choice by elimination Journal 341367. of Mathematical Psychology, 1972, vol. 9, pp:
UZAWA, H. Preference tion. en Mathematical 5. Karlin, methods in the social

,
in rational
choice in the theory of consump
sciences,
K.
J.
Arrow, Press,
y P. Suppes 129148.
(eds.)
Stanforf University
1960, pp:
VEGAS PEREZ, Angel Estadistica, aplicaciones economtricas y actuariales Pirmide, Madrid 1981.
463
VEGAS PEREZ, Angel Estimacin bayesiana de la probabilidad de muerte Trabajos de estadistica, vol. XIX, cuaderno 1 y II, pp:
726. Iberica, Madrid 1968.
VENN, John The logic of chance Chelsea Publishing Company, New york 1962 (l~ ed. 1866)
VICKERS, John 14. Some remarks on coherence and subjective probability Philosophy of Science, 1965, vol. 32, pp: 3238.
VILLEGAS, C. On qualitative Annals of probability a -algebras 1964, vol

.
Mathematical
Statistics,
35,
pp:
17871796.
WADE, y. Three methods for eliciting subjective probabilities Masters 1977. thesis, Ions College, New Rochelle, New York,
WADE,
V. y YAGER, R. R. Comparison probabilities Proceedings of the 1977 AIDS National Conference, Chicago of methods for eliciting finite subjective
1977, pp: 414416.
464
WAKER, Peter Agreeing probability measures for comparative probability struc tures The 662. Annals of Statistics, 1981, vol. 9, n~ 3, pp: 658
WELDOM, J. C. A note on measures of utility 1950
Canadian Journal of Economics and Political Science, vol. 16, pp: 227233.
WHITE, D. J. Teoria de la decisin Alianza Universidad, Madrid 1972 (l~ ed. George Alen
and Unwin, Londres 1969).
WILSON, R. B. The theory of sindicates Econometrica, 1968, vol. 36, n~ 1, pp: 119131.
WINKLER, Robert L. The assessment

Sis
of prior
distributions
in bayesian
analy-
Journal
of
the
American 776800.
Statistical
Association,
1967
a, vol. 62, pp:
465
WINKLER, Robert L.
The
quantification
of
judgment:
some
methodological
suggestion. Journal n2 320, of pp: the American Statis. 11051120. Assoc., 1967 b, vol. 62,
The
consensus
of
subjective serie B,
probability 1968, vol.
distributions 15, n~ 2, pp:
Management 6175.
Science,
WINKLER, R. L. y MURPHY, A. H. Good probability assessors Journal 758. of applied meteorology, 1968, vol. 7, pp: 751
WOLD, H. Ordinal preferences or cardinal 20, pp: uti lity 661664.
Econometrica, 1952, vol.
WRIGHT, George Henrik von

-
A treatise on induction and probability Harcourt Brace and Co., New York 1951.
Remarks on epistemology en Logic, methodology
of subjective and philosophy
probability of science, Nagel,
Suppes and Tarski (eds.), ford (California),
Stanford University Press, Stan-
1962, pp: 330339.
466
YAGER, R. R. Multiple objective decision making using fuzzy sets. International 9, pp: Journal of ManMachine Studies, 1977, vol.
375382.
YOKOYAMA, Tamotsu Continuity conditions of preference ordering Osaka Economic Papers, 1956, vol. 4, n2 3, pp: 3945.
ZEEUM, G. de
VLEK; C. A. J.
and
WAGENAAR, W. A.
Subjective probability: Theory, experiments, applications Acta Psychologica, vol. 34, n~ 2/3. North Holland Publ
shing Co. Amsterdam 1970.
FE
DE
ERRATAS
Pgina 27 63 89 95 136 182 183 192 201 203 211 218 222 243 264 271 272 293 299 410 417
Lnea 23 20 22 lo 23 17 8y 3 7 13 2 6 20 4y 9 7y 9 3 6 19 21 21 ltima 9
Donde dice defecf tos coluciones verstatilidad la pgina 76 Rudol e P 1 ~1 proporc iones axiomtica verdader preferenicas utilidad A* P P utiidades bojetivo parcial subrrayados
>
Debe decir defectos soluciones versatilidad las pginas 89 y 90 Rudolf E p i=1 proposic iones axiomtica verdadero preferencias utilidad esperada A p p utilidades objetivo dbil subrayados
~>
esperado

01

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

01

Caricato da

Copyright:

Formati disponibili

DEPARTAMENTO DE ESTADSTICA Y METODOS DE DECISION FACULTAD DE CIENCIAS ECONOMICAS Y EMPRESARIALES UNIVERSIDAD COMPLUTENSE DE MADRID

TEORA SUBJETIVA DE LA PROBABILIDAD: FUNDAMENTOSD EVOLUCION Y DETERMINACION DE PROBABILIDADES,

GREGORIA MATEOS-APARICIO MORALES

CAPITULO 1 APROXIMACIONES A LA NOCION DE PROBABILIDAD

1.2.- Incertidumbre, previsin y probabilidad 1.3. Vinculacin con la toma de decisiones

CAPITULO II HISTORIA DE LA TEORA DE LA PROBABILIDAD DESDE SUS ORIGENES A LAPLACE.

2.1. La teora del azar en sus comienzos

2.4.3. Abraham De Moivre 2.4.4. Rey. Thomas Bayes

2.5. Pierre Simon Laplace (17491827):

la teora clsica de la probabilidad

CAPITULO III EVOLUCION Y FORMALIZACION DE LAS DISTINTAS TEORAS SOBRE LA PROBABILIDAD.

3.1. La teora clsica de la probabilidad y sus objeciones 102

3.2. Teora frecuencial

3.3. Teora logicista 3.4. Teora subjetivista

3.5.- La teora matemtica de la probabilidad

CAPITULO IV FUNDAMENTOS DE LA TEORA SUBJETIVA DE LA PROBABILIDAD.

4.3.- La cuantificacin del juicio o grado de creencia

4.4.3.- Axiomtica de Savage (1954)

Axiomtica de Fishburn (1967)

4.4.8. Axiomtica de Suppes (1974) 4.4.9. Axiomtica de French (1982)

4.5.2.1.- Aproximaciones matemticas

4.5.2.2. Aproximaciones behavioristas

CAPITULO V UNA METODOLOGA PARA EXTRAER PROBABILIDADES SUBJETIVAS DE UN DECISOR.

5.2. El mtodo del autovalor

5.3. Comparacin con otros mtodos

5.4.2. Determinacin de la rentabilidad de los valores

viene determinada por exclusin: ficas que, desde diversos

son muchas las propuestas cient conversaciones o lecturas,

y saberes con esta

es ste el caso del pues de desde hace

introduccin presentamos, en la misma lnea

bastantes que cin

ahora concluye de este

-momentneamente, en la Facultad estos que

al menos con la presentade Ciencias a Econmicas del y

Empresariales. trabajo, tema por por ello surgen los que

las motivaciones que nos

llevan a encaminar atractivos e pues

de Decisin, en el que llevamos varios aos impartiendo las asignaturas de Estadsticade

es quiz el problema de la concepcin el que nos ofreca y nos ofrece nuestro

al margen de la docencia. Y esa atrac-

cin tiene sus fundamentos en diversos motivos.

establecer la probabilidad, algo ms que las simples

Son precisamente experiencia (no

conocimiento previo de situaciones similares), a la teora subjetiva de la probabilidad.

los que interesan

la vida cotidiana en los que se plantea

como iremos viendo a lo largo del

desarrollo de esta tesis.

determinada el estudio de que, si bien ha sido

la teora subjetiva de la probabilidad en numerosos estudios y trabajos

aspectos y puntos conocemos

concretos del tema en la

a este tema, nosotros

una estructuracin Los autores

bibliografa enmarcados versin en

el punto de vista de partidarios

quiere aportar una nueva visin del tema, responder

general de de que esta

forma concluir en el estudio de

la teora que nos ocupa desarro-

llando sus fundamentos y evolucion.

lgico que credo

Justificando como esta ltima la probabi