Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
TESIS DOCTORAL
DIRIGIDA POR EL DOCTOR
D.
MANUEL
LOPEZ CACHERO.
MADRID,
1985
INDICE
III
Pgina
INTRODUCCION
1.1.- La incertidumbre
14
19 25
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
(16671754) (17021761)
Formalizacin de 83
110
119 129
Pgina
139
4.1. Introduccin
156
4.. 2. Algunas ideas respecto a los mtodos de obtencin de probabilidades subjetivas 166
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
4.4.4.- 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
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 .
280 288
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
5.1. Introduccin
324
328
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
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
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
interesado.
trabajo
aos
trabajamos
investigacin
trabajo Durante
todos
aos, nos
travs
propio el Es
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
subjetiva mayores
la probabilidad de
posibilidades
sugerencia
para
desarrollar
trabajo de investigacin,
En primer lugar, el atractivo de la concepcin subjetiva de la probabilidad radica en que dicha concepci6n aporta,
a la hora de
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
factores sentido
de experimentable,
en el de
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
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,
Por
ltimo,
la necesidad
de
estructurar
de una forma
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
de vista
respecto tal y
como
proponemos. recogen de y
citados
propuesta, el
resuelven teora o
algunos bien
problemas su
contexto
dicha
proponen
desde
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,
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
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
Con justifique el
este
objetivo
para
seguir de
un orden
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.
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
teora
probabilidad
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
pero nuestro
era tanto ser exhaustivos sino realizar un recorrido significatiyo los que en a lo largo del tiempo con una seleccin representativa de
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
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,
subjetiva y la utilidad,
como
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
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
decisor, la
acerca de que se le
situacin
presenta) de las
y en
asignacin
exacta
probabilidades
para as lo que de
tesis
toma
Como un de caso
de con
esta
metodologa de de
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,
En primer lugar es necesario advertir que para la confeccin de esta etc.) por tesis hemos la doctoral (caja de escritura, paginacin,
Universidad recogidas
Doctorales, de
de Prensa e
18 de marzo
como el resto del trabajo, estn redactadel plural. en La utilizacin del dos nos o
persona
plural Una, el
mayesttico profundo al
tiene,
respeto
intelectual escondindonos
impone
de tesis
doctorando:
La
segunda,
menos
personal,
es
de
ndole
social
Algunos primera
creen persona) No
que en es
es as.
ms Se
honrado de
(utilizar el
la
lugar
utilizar
plural
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,
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,
salvo
se sita a pi de pgina.
CAPITULO
12
CAPITULO
1.1. La incertidumbre.
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
(y cabe concebir que un fsico equipado con buenos instrumentos predecir personas no pueden)e
14
lele-
La incertidumbre
En gnero,
gran
nmero
de
situaciones,
econmicas
de
otro
nos enfrentamos
como
fenmeno
incertidumbre
Una vez centrada la nocin de incertidumbre nos situamos en un plano mucho ms general, para analizar las distintas situa
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
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,
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
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,
instante, desde el de
origen,
condicionada de la
por
Partamos,
existencia
16
de duda sobre
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
La al
teora
de
la de
decisin tcnicas la
estadstica de toma de
desarrollo
incertidumbre
Hay que
sealar que
de
entre
es
la
regula el de estas
cada En
estado
del
ambiente.
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
19
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
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,
20
esta teora.
Se
utiliza este
enfoque
personalista,
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:
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
,
21
con se
esta lnea
de
trazar
las el
directrices
ha llegado a plantear
estudio de la
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
de
no
interpretadas
frecuencias;
(...)
Al usar
la
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
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.
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
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.
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
Sobre
este
punto
de
la
coherencia
la
racionalidad
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
La toma de decisiones se efectua considerando, en primer lugar, los incrementos de varias de utilidad individuales asignados a las
consecuencias
decisiones
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
de
la
importancia
de
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
Recordemos
que uno
de
los
objetivos de
este
trabajo, la
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).
a este proceso.
1
Figura 3 A esta funcin que para la toma de decisiones desempea
TOMA DE DECISIONES
la probabilidad subjetiva
dice:
La
elaboracin
de
un
sistema
de
probabilidades
requiere,
sobre el
obviamente,
tipo de
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-
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
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
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
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.
(2) (3)
decisin.
Cultura
(4)
Sixto ROS, Anlisis de Decisiones, pg. 8. 5. ROS, Op. cit., pg. 95. G. HADLEY, op. cit., Pp. 2122. M. LOPEZ de
202.
CACHERO,
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.
CAPITULO
II
30
CAPITULO
II:
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)
Fermat (16011665).
2.3.2. Christiaan Huygens (16291695). 2.3.3. Gottfried Wilhelm Leibniz (16471716).
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.
(17491827):
Formaliza
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.
de
situaciones
utilizadas
en Grecia,
y Roma parece
tabas procede el actual dado-. En estos juegos el jugahacer un anlisis acerca de la posible ocurrencia o
le interesa,
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
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
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
35
En
el
siglo
XVI
tenemos
los
primeros
inicios
de
la
fu
un
apasionado fu la
del
juego,
que al
la vida,
causa por
la que
(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
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,
favorables para cada tirada que puede obtenerse con tres dados.
36
Henry
Morley
comenta
en
su
obra
Life
of
Cardan
que
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
Kepler, se form
astrnomo
alemn,
estudi
en
Tubinga
all
Fu profesor de Matemticas
y Astronoma
en
la Universidad de
Graz
(1594),
Matemtico en
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
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
(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
los resultados
mediante seis
combinaciones
diferentes,
de veces que el 9.
todos casos
los
casos
posibles,
27 eran favorables
a que resultase el 9.
38
El el orden y
amigo
enumera
que
as
consulta
los
a Galileo
no
tiene
al 9:
en cuenta
1 2 6
casos
favorables
Galileo
calculaba
as
los
distintos
3
casos
216.
posibles
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
P ~=
6 casos son
y
+
por
+
ltimo
+
la
combinacin
3.
En total
25 casos favorables al 9.
el
39
Las referencias
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,
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
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
. )
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
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.
Problema
de
los
Puntos
consiste
en
lo
siguiente: de
un nmero dado
ganar;
sin acabar de
jugar,
cmo
dividiran el premio
entre
ellos?.
La pregunta hecha de
Una de
las conclusiones
jugadores tanto)
tienen
iguales
posibilidades les
de
ganar
un punto
(un
cualquiera es decir
este acuerdo Pascal enuncia dos resultados generales sin demostra cin que, actualizando la notacin seran:
1.
Supongamos
Si
42
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
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
En agosto de
una
carta
de
Pascal al
a Fermat
del
veintinueve
de
1654
se refiere
problema de
jugadores.
Pascal
haba
supuesto
que,
si
los
jugadores
son A,
B y C la combinacin
jugadores, dice que era
igualmente es
este caso
slo favorable a A,
tanto antes de
que
C lo gane,
y como A
43
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
Como ya se ha sealado,
la teora de la probabilidad
se puede
comenz
Fermat.
La ms amplio
fama
de
Pascal, Fermat,
sin
embargo,
reside
en
un
campo
que
la de
la poca de Luis Felipe, el gobierno francs asign gran cantidad de dinero para publicar una nueva edicin de la obra de Fermat,
en Berln, en el ao 1861.
como
y Fermat,
clculo de probabilidades.
44
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,
comenzada
cial por Leibnitz y Newton, en cambio la teora de la probabilidad avanz muy poco en esta parte de siglo.
Ya hemos
Huygens,
hecho
referencia en el
importante
apartado anterior
como matemtico
Christian
Huygens
naci
en
La
Haya,
el
14 de
abril
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
Si damos por conocidos los origenes y nos fijamos en el desarrollo de la teora, sta recibi el
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,
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
Schooten haba sido maestro de Huygens en matemticas, y el tratado se lo comunic Huygens a Schooten en su lengua;
46
Es conveniente
ms usual en las
podemos
observar por
ahora
Este
tratado de
vuelve James y
4
publicarse
con
un
comentario
Bernoulli, en la que
partes de
obra que
tendremos que
en muchas ocasiones,
de las
el trabajo de Huygens
las que se compone el
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
llevados
los
trabajos
de
los
matemticos
franceses.
obstante, tos y
mientras
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
octava
y novena proposiciones discuten el Problema de los Puntos cuando hay tres jugadores con un mtodo similar al utilizado para el
En la dcima proposicin investiga como con un once solo dado investiga con muchas tiradas. como puede obtenerse
seis nmero de
proposicin
dados.
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.
dado nicamente
los enunciados
de estas proposi-
1.
juegan
con dos
dados.
A gana si
obtiene un
y B gana si obtiene un 7.
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.
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.
4.
Se
toman
doce
bolas,
ocho
A y B
5.de
A y tal
toman que y
tres
dados da
manera
un once
tres dados
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
50
autor,
El del siglo
XVII,
ha sealado,
sobre el clculo de probabilidades hasta que fu sustituido por otros ms elaborados, como los de James Bernoulli, Montmort y
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
Godofredo
Guillermo
Leibnitz,
filsofo,
matemtico,
que tiene como matemtico, y en general por su reputacin universal, lo que hace que sea importante considerar el gran inters
Leibnitz afirma que era consciente de su importancia, aunque l no hubiera contribuido a su avance, y que se senta
52
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,
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
La familia Bernoulli procedia de los protestantes belgas que fueron expulsados durante el reinado de terror del Duque
53
de Alba, de paises
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
de
la Academia de
Ciencias
de Pars.
El
primero
de
la familia
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
dedicarse su
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
ltimo de
cientfico. fechada el
cartas poco a la
Bernoulli de
antes
morir, de
desventuras:
ingratitud
su hermano
aos
la superioridad
La sobre aos de el
clebre de
obra
de
James
Bernoulli se
Ars en
clculo de de
probabilidades,
public
despus obra
referencias
la
correspondencia
El prefacio de Ars Conjectandi fu escrito por su sobri no Nicols Bernoulli, al que tambin le propusieron los editores
55
clusa. fuese
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
El
Ars
Conjectandi,
que
no
aparece
en la edicin
de
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.
cuando
el Problema
Bernoulli tiene
las probabilidades
cualquier nmero de puntos menor cualquier nmero extenderse temas de puntos menor puntuaciones
que que
a otras
investiga
otros
de
resultados hacerse
que
tirada de
pueden
con dos
bien en cuntas pruebas puede uno conseguir un seis con un solo dado.
56
sealar aqu que James Bernoulli resuelve problemas planteados por Huygens al final
de su tratado, Al quinto
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
conseguir
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
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
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
si la
57
de
los nmeros
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,
Montmort y De Moivre,
Por pginas
ltimo,
en
la
cuarta
parte
de
Ars
Conjectandi
cuestiones
qued
incompleta
los
que
conocemos
expuesto anteriormente.
Los problemas
de
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
do en la cuarta parte de esta obra, consigue que tanto Ars Conjec tandi como su autor, James Bernoulli, adquieran una importancia
58
Es
interesante
sealar
que
Bruno
De
Finetti,
uno
de
Es frase
importante como
aprender ttulo
el
arte primer
de
previsin sobre
Bernoulli
Sobre
este
tema D.E.
datos importan
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
Moivre,
tercero,
(1740).
59
Recordemos
que
en este
aspecto
que De Raticiniis in Ludo Aleae era el primer libro que se public sobre clculo de probabilidades te), (cita ya sealada anteriormen-
precisa.
Ars Conjectan
pus
manifiesta la
relevancia de
este autor
en
comentarios como
Montmort
anunciado
epgrafe.
Remond y
de
Montmort tambin
naci
en el
Paris, 7 de
el
27
de
muri
en Paris
octubre de
60
se
dedic
en
primer lugar de
a las
leyes y lo
la que
tarde,
despus
casarse,
comenz
su dedicacin
pal, las matemticas, y dentro de este campo, te por la doctrina del azar,
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
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
de unos
la
obra
de
Montmort
refiere
que la
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
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
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-
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
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
de Se
los
problemas
propuestos
con el mismo
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,
tercer
....
sin especificar
doses o tres
En Montmort da
la una
segunda solucin
73
172) del
del
trabajo, con
problema
Pharaon
dos tablas de resultados numricos. Este juego fu tambin discutido por Nicols Bernoulli y Euler.
63
del
tambin
discuti
otros los
tambin
otros
autores.
Entre
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.
Quin y Le
posteriormente.
Como hemos
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
(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
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,
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
combinaciones, el tercero es un juego llamado Le Jeu des Oublieux y el cuarto es una extensin del problema nmero once de Huygens
Tambin en esta segunda edicin Montmort trata el problema de la Duracin entre del Juego, que tambin es discutido por
otros autores,
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
en la obra de
En de
general,
podemos
considerar
importante
el
trabajo
a tratar temas
65
No una
se
puede o muy
con
James
Bernoulli idea
tener
fluencia directa o indirecta estimul los esfuerzos de Nicols Bernoulli y De Moivre (11).
Queda puesta
de manifiesto
de Montmort sobre De Moivre que es el autor del cual hablaremos en el siguiente apartado.
Abraham Champagne- el 26
De Moivre, de Mayo de
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
entonces se estudio
lleno
constancia en la
en el
un hombre admitido
investigacin. Society.
Royal
Tambin
ingres en
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
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 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
iguales, Segn
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
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 propuesto
problemas
once y doce recogen el segundo problema En este caso, la interpretacin dada por El problema nmero
por Huygens.
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
sencillos. tambin
hacen esta al
nmeros Los de
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
de
los resultados
publicados
en
la memoria De de
por De
Moivre ya existan en
los manuscritos
y tambin
Doctrine en 1718.
of Chances edicin
fu publicada
La primera
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
ocurra un suceso, y si
representar
fracaso;
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
Aunque
en
la
primera
edicin
de
Doctrine
of
Chances
cuatro.
este el lugar oportuno para considerar blemas citados, por lo que slo
traeremos
Por
ejemplo,
el
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
basndose en el mtodo
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
71
juego vuelve
tlimo
problema en
a ser tratado
tambin
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,
ejemplos
sencillos
de
combinaciones
juegos ya citados
y analizados
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;
los problemas
nmeros
cuarenta y
, .
72
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
posible el
del de
juego, este
a Francis
Robartes
primer
estudio
juego
comentbamos mort. Ms
y que
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
Despus en De Mensura
de citar De
Sortis,
73
la
tercera edicin
de Doctrine
of Chances,
en varios problemas
sealaremos. Pero antes, debemos exponer el enuncia problema de la Duracin del Juego: Supongamos
del
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
en
los
que
resuelve
n ;
y el que hace el
en el que expone un caso particular del m de fichas de del A de jugador A ilimitado, que A infinito.
al
ser el capital
el problema
plantea
calculando
la probabilidad
arruine a B
74
Otra
de
las
grandes
aportaciones
de
De
Moivre
la
la distribucin
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
quienes han
insinuado
que
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).
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
epgrafe Nos
hablaremos referimos a
a ste.
Thomas Bayes,
precisamente
2.4.4. Rey.
Thomas Bayes
(17021761)
El el primero de
reverendo
ingls del
Thomas
Bayes
naci
en
1702,
fu
los hijos
matrimonio
y Joshua Bayes, de
se
que
hasta el punto
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.
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
76
que
fu
ordenado
publicamente
como
tal,
no
aclara
nada
sobre
En otras obras especficas, concretamente tratalas matemticas, se habla de tales como los de Loria sus contribuciones a la
(1933)
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
Britnica
las
razones
expuestas, de
los
datos biogrficos
aqu
sido
tomados
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
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
tambin era pastor y haba sido nombrado por entonde los Presbiterianos en Leather Lane. Ms tarde,
77
pastor
en
Wells,
Bayes or
escribe, an
en
1731, to
un
titulado: Principle
Benevolence,
attempt
prove
the
of the
the
happiness En este
publicado el
Noon.
tratado
argumenta
fin principal
la Deidad es
ms clara de las teoras de Bayes reproducimos aqu el siguiente prrafo contenido en la carta enviada por Mr. Prince a John Can-
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
Bayes
la existencia se vuelca de
de Dios, en
razones
que
autor
la teora de
probabilidad,
dedicando
a esta parte
las matemticas ms
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
en 1750.
La de
Bayes ocupa
en
la historia de
la teora es el teora
la probabilidad de a una
es decisiva.
iniciador al de
partes
comenzar las
aplicar las
de obtener
las probabilidades
causas por
que se ha observado.
Segn
la opinin
de D.
J.
Struik,
Bayes
comenz
esta
Laplace una
rescat
del
olvido por
teora
esbozada
Thomas
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).
dos
memorias teora
de de
las la
que
se tiene
constancia son: An
que
sobre
probabilidad
Essay
in the Doctrine of Chances y A Demos-ET1 w460 37 in the of Essay towards the solution ambas en
Rule
Doctrine
Chances,
publicadas despus de
comunicadas despus de
Richard aquel
Price
a Mr.
Canton
encontrara
ambos
ensayos
entre
artculos
su amigo
primera volumen
de 53
estas de
memorias
ocupa
las
pginas
370
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
q veces,
la probabilidad
b x~ dx (l~x)~ a (l~x)~ dx
1 1 xp
Mr.
Price,
del
cual
ya comentamos
antes
que encontr
qued tan sorprendido por las demostracio este tema, sobre el que
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
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
Una epgrafe
vez
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
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;
pero,
caso,
Laplace
entender,
El hecho de dedicar a Laplace un epgrafe entero puede resultar breve que desproporcionado los anteriores, al resultar este epgrafe mucho ms
estu
82
autor
en un
en cuanto,
ner,
encontramos
en este
autor
la primera formalizacin de
la
83
2. 5.
Pierre
Simon
Laplace
(17491827).
La formalizacin
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
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
capacidad con la
ayuda de
DAlembert,
consigui militar de
de matemticas
en la escuela Ms tarde, y de
Beaumont, en la
organizacin
Politcnica
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
Una volvi a
vez el
en
Francia,
Laplace
tomar a Luis
creencias le
polticas en la
apoyando
XVIII,
ascendi
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
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,
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,
85
incorporadas adelante
ellas,
para ms
referirnos
estructura general
su obra compiladora,
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
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
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
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
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
87
promedio de todos los valores observados; y, en sentido geomtrico, como el valor que corresponderla a la abscisa del centro
otra memoria,
publicada des
en
1776 bajo
el
ttulo de aux
sur
lintgration et
Equations dans
differentielles
finies, de
se ocupa
diversos
As, hace observaciones de carcter general sobre lanza mientos de monedas, par o impar o sobre la probabilidad de obtener un nmero Tambin
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
primera memoria que de este autor citamos. Aqu discute el proble ma para jugadores con capitales iguales y capitales distintos,
memorias
interesantes
que
podemos
citar
aqu
publicada en 1781;
y Mmoire
88
ra
de
Funciones
Generatrices,
moderna es obvia.
es
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
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
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
los mrgenes
error, investigando la probabilidad de que el error en el resulta do inferido no supere una determinada cantidad. El autor llega
para que el resultado sea preciso y fiatener al menos un milln de habitantes. la citada vemos
probabilits,
89
un
claro
ejemplo,
a pesar
de
su planteamiento
rudimentario,
de
dos la
memorias teora de
importantes
deben
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
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
Por nombraremos
citar
slo que
algunos puedan
ejemplos
de
estos
artculos la
aquellos
la pena citar:
des probabilits
la Philosophie
naturelle ts
appliqu
naturelle,
90
Connaissance
des
Tems
en
1818,
pero
que
haban
sido
fechados
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.
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,
Al
91
La
introduccin
esta magna
obra
fu
publicada
por
Essai
philosophique
es una
bilidades;
lado de
contiene
la
definicin
igualmente
negativa
probables:
de
la
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
del
que necesita
En
Struik, est
la definicin
contenido lo
de
que
Laplace,
nosotros
recogida en la cita de
llamamos principio de
estamos diciendo
que
los
sucesos
son
igualmente
probables.
Es
decir,
en otras
palabras,
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
con unas
teorema
consecuencias y
a la aplicacin
del
clculo de
probabilidades
...
autor
por
las
aplicaciones
de
la ciencia de De
la probabilidad.
de ejemplo: des
probabilit
Jugemens
Tables de mortalit
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).
que
evidentemente
compartimos de
que
es
la motivacin principal
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
el primero de ellos
Gnratrices,
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,
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
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
Tambin D. E. Smith valora la importancia de la teora del mtodo de los mnimos cuadrados cuando seala:
Uno de
de la
los
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
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
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.
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
probabilidad
por haber
de la
mxima importancia,
96
Por
todo ello,
decir que
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.
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.
Theory of Probability.
Pg. 72.
(8) (9) D. E. SMITH. Op. cit. Vol. II. pp: 529530.
1971. Pg. 1.
(10)
Wilhelm
LEIENIZ.
Opera
Ommia.
Ed.
Dutens.
Vol.
(11)
Isaac
TODHUNTER. Ed.
A History
of the
Mathematical Co.
Theory of VI del
Chelsea Publishing
1965. Pg.
An Essay
towards solving
a problem in the
98
(13) (14)
1. TODHUNTER.
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)
(19)
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
loo
CAPITULO III:
3.1.
La
teora clsica
de
la probabilidad y
sus
objeciones.
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
relacionada con los juegos de azar, la existencia de una simetra posibles; los desde simetra que posibles de vista
resultados de
significar ser
qualquiera
resultados el punto
considerados
equivalentes
de la probabilidad.
si se
suponemos consideran
todos
los
resultados favorables
posibles
del
igualmente
-igualmente
existe una simetra mtua del tipo referido antes; jugador es indiferente, en este caso, arries-
para el
La sobre el
teora
clsica,
debido
a la falta
de
conocimiento
experimento
El
hecho
de
considerar
los sucesos
equiprobables,
en
diferentes
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
Segn anteriores:
Terrence L.
Fine,
La esencia
de
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
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
Casos favorables al suceso que interesa al jugador. Casos desfavorables a este suceso.
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,
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
juego. Una vez conocidos se escriba la probabilidad del suceso, jugador ganaba. tal que
Esta
interpretacin
llev
la definicin clsica de
n de estas N son favorables a que ocurra un determinado suceso, la probabilidad de dicho suceso ser: P
=
n/N.
mucho
tiempo
se utiliz
esta definicin
sin
anlisis ms
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
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
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
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.
106
que puede servir para situaciones similares. As, Mood y Graybill proponen que:
buscarse, un nmero
por
ejemplo,
la
natural
extraido
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
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,
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).
es
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
Para casos
similares
a este,
en
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,
Bernoulli
dej referido en el capitulo segundo; mientras que la definicin anterior quedar relegada a aquellos casos en los que puedan
109
Por las razones expuestas pasamos a estudiar, por tanto, la teora frecuencial basada precisamente en la observacin
lo
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
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
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.
ocurre
nmero
ser la frecuencia
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
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
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
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
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
plazo. es
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
se convierte en
Ya esta
en
nuestro
siglo,
el
ms
importante
defensor de
matemtico e ingeniero
115
alemn
(18831953).
Von Mises
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
La les
primera del
teora de
frecuencial
que
proporciona propuesta
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
ningn sistema
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
decir,
que pudieramos
encontrar
de juego. En
tivos irregulares.
116
En
cuanto
al
axioma de convergencia
establece
que
la
ta la sucesin de sucesos.
Estos
por el hecho de
sobre todo
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
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-
esto
Karl
el
problema
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
La gran la asignacin
se interpreta
dificultad
de
la
teora
frecuencial
est
en
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).
de a
los la
seguidores teora de
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.
Todo rio de
el
problema
es
limitar
el
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
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,
proporciona de
estudiando
forma general y combinada como constituir una teora del colectivo coherente con los lmites que sta tiene. Por el contrario,
es J. la
Ville quien
de
posibilidad
considera
Los resultados
119
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
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
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
120
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,
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.
de
este en
autor,
son
representantes
importante Keynes,
lgicas
nuestro
siglo,
John Maynard
Rudolf Carnap,
121
En general,
esta
de
una
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
compatible
Para establecer
esta rela-
es necesario
Por probabilidades
lo
que
acabamos en el
de
ver,
es
difcil
valorar una
las
porque
proceso
habra
siempre
parte
de esta dificultad
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
la hiptesis H1
condicionada H2
la experiencia E
la ordenacin
la establece
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
probabilidad probabilidad
comparativa comparativa
de sucesos (16).
Segn
Koopman,
se
le
puede asignar una probabilidad cuantitativa para H/E verificndose entonces la implicacin:
/ E1
<
H2 / E2
P(H1 / E1)
<
P(H2 / E2)
Por
otro
lado,
es necesario
considerar
la teora de
Praga,
Entre
sus obras
la lgica simblica
Carnap en
establece
en
estas
obras,
fundamentalmente C (H
,
la ltima citada,
la relacin cuantitativa
E)
entre-
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
ellas y de los sujetos a los que hace referencia. ta de la lgica inductiva y sobre la forma de
Yo la
entiendo
por
lgica lgica
inductiva que de
probabilidad
proporciona
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
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
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.
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).
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
125
Aristteles ter no
fu el primero del
que
demostrativo
tipo
de
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,
inductivo
la investigacin de
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
del
obviaremos
largo
la lgica
la historia de ejemplo
la ciencia como
y slo
citaremos
algunos hitos
el marcado
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,
126
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
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
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
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
127
As la hiptesis,
estos H
,
la relacin C entre
y la experiencia, E
o
y expresa el
y
C (H
E) 1 1
grado
de
creencia racional,
As
independiente de
los
juicios
personales. Carnap
se constituye grado de
puramente
llama
confirmacin
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
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-
128
El
grado
Este
concepto el
logicista de
pretende
lgico, por un
expresa
grado
creencia
en una
racional,
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
subjetiva
determinada,
influye
subjetividad
su intuicin personal.
logicistas
por
objetivo la probabilidad,
el grado
teniendo problemas de objetividad y medibi no han sido resueltos para lograr que
problemas
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
Tal
ral,
el estudio de la concepcin
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
criterio
de confirmacin como grado de creencia objetivo y racional, expre sando, por contra, el grado de confirmacin como grado de creen-
Para
fijar
de
una
forma
clara
las
interpretaciones
La probabilidad es un concepto emprico objetivo (como frecuecia (como relativa) grado de o un concepto lgico o un objetivo creencia racional)
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
tendra Otros
hiptesis prefieren,
la evidencia simplemente
autores
la frontera entre
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
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.
procede directamente de
la intui-
cin y,
segn
la experiencia
la que se interpreta
Una de
las
notaciones
dada la evidencia
E C
5,
por
Hay
discrepancias C5
en
cuanto La
que
se
identifique de dos de
la los J. 5
probabilidad con ms
propuesta
representativos y Bruno De
contemporneos, en proponer al
Leonard sujeto
Savage
consiste
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.
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:
la de tales
de
los
valores
de
la 5
confianza
siguiente ser
significado: imposible a Si 5
toda el es las
apostar de los
(...)
diferencias de
garantizan
ganancias
(...).
coherente
valores
obedecern
matemtica
permite al matemticos cados por
de
azares.
y
Este
sus
chocante
a los
resultado
axiomas
(...).
acceder
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.
amplia del
aceptacin de L.
trabajo
The
Foundations
Para la
los
la
mide tiene
la en
confianza verdad y no de
individuo
proposicin
particular
(...)
niegan
posibilidad
personas la misma
razonables ante
confianza proposicin
distintos (25).
El personalista
Finetti:
libro
de
de vista Bruno De
deducido
del
trabajo
de
La previsin:
leyes lgicas,
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
Respecto a esta relacin entre probabilidad subjetiva y utilidad ya se insisti de manera especial en el captulo 1
de
dar
ideas
globales y bsicas
de
esta
interpretacin de
la
probabilidad.
objeto
de
esta tesis es la
justificado
Las
interpretaciones
de
la
probabilidad
como
relacionadas Ninguna
principios
135
El
desarrollo
de
la
teora
de
la
decisin requiere
rencias. Estos
modelo accin. de Sea
datos
en un
la no
facilita general
resultado
afectar a la utilidad de las probabilidades subjetivas y preferencias marcadas. ltimas, Si estas evaluaciones son eliminadas por las
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
aficin
filosofa
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
las
teoras de las
subjetivistas ideas
de
De a
Finetti travs en
tienen de la
tambin on
Keynesianas,
treatise
probability,
1921.
confianza se asigne
que una persona da frente a otra es recogida tambin por el autor italiano.
Otros
autores
con ideas
similares B.
con su obra Theory of Probability (1948); trabajos and Intuitive of probabilities and
sequences e Irving
algebra
intuitive
probability
John
Good
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
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,
tericamente, el punto de
las
obras
ms
importantes nos
de
este
autor,
desde
vista
que a nosotros
interesa,
esto es desde
tistics, publicada en 1965 en dos volmenes y en la que el autor adopta un punto de vista bayesiano; y Statistical Inference
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,
t dedicado a Leonard Savage que haba muerto repentinamente Yale meses antes. Otras obras de estos dos autores sern
citadas
138
los nombres de algunos de ellos, no menciopor haber sido consultada de esta tesis doctoral.
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
Galanter, L. Winkler
W.
Pratt, Y
R.
Duncan los
Robert de la
etc.
entre
espaoles a Angel
teora
subjetivista
podemos
citar
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-
slo trataba de dar una visin venia haciendo con las otras,
general
139
condiciones,
La definicin
de
probabilidad
sin de frecuencias relativas es la base para el modelo que funda menta la teora matemtica de la probabilidad.
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
Observacin
de
los
fenmenos
reales
conceptualizacin
elementos
140
modelo.
Esto
es,
los
axiomas
recogen
las
propiedades
de
Se
deducen proposicones
de
estos
axiomas creando as la
Los
axiomas
iniciales
fundamentales
bles entre
Una a su
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,
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
la realidad,
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
supuesto que el experimento presente regularidad obtiene una sucesin de frecuencias relativas
142
en que
ese
regular,
la del
teoria suceso
probabilidad la
idealizacin
matemtica
frecuencia
relativa
trata, todo
por 5)
tanto, que
de
establecer
la
suceso
funcin
de medida ms adelante
como tal
hablaremos
En algunos cin de la
recurrir
a la observarelativas
regularidad para se
frecuencias
determinar
entre
admite
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.
un
suceso
sea no numerable.
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-
tie
3.
La probabilidad establecida de
P,
en el intrvalo
[0,1]
144
La probabilidad
mas:
1. II. III.
(~)
1 P (5)
>
VS Si
~
,
...
dad finita.
Con aditiva.
estas la
propiedades se aditividad
dice que la
P que
es finitamente ms se ajusta
Aunque
finita es
a-lgebra
definida
la
unin P es ~
.
decir,
de subconjuntos axioma.
IV.
Si
1,
..
...
nmero infini ~
,
to numerable de subconjuntos de
dis
~ 5.) i=l a-
i=l P (5.) a-
145
IV se
deduce
el III,
puesto que si de
es de
nmero
infinito un
numerable
tambin
ser para
nmero
finito;
razn,
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
dicha
clase
se
tiene
un nmero finito
de sucesos 5 porque
n ~ ~2 SnE~ ~ 1
~iEM
la clase
si
c..54
tendra
estructura
de lgebra
de Boole. Ahora
bien,
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
obedeca
queda establecida
~,4,
Hemos
dicho
anteriormente
que
los
elementos
de
~ se
con ello, los sucesos representase llamarn sucesos elementales, compuestos. El problema
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)
Los valores
147
de
las
probabilidades
de
los
resultados
bsicos
deben
ser proporcionadas
a la teora y no pueden
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
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.
algunos
discutir
axiomtica, como
la seleccin del campo de sucesos para el caso de que ~2sea infinito no numerable. de el
Si el experimento
resultados campo de
finito sucesos
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
de los subconjuntos
148
de
la recta
real.
Fu
Crmer el
que
introdujo
esta
sugerencia
El contiene
algebra los
de
Borel
es El
el ms pequeo lgebra de
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
[
numerable.
importante
sealar,
definiciones
,
de esta teora,
x]
tambin
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.
-149
(1)
T.
L.
FINE,
(2)
Max
BLACK~
Induccin
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.
(6) (7)
teora de probabilidades,
cit. pg. 9. (9) (10) M. BLACK op. cit. pg. 133. Introduccin a la estadstica, Vol
II, Editorial Aguilar, Madrid 1975, pag. 40. (11) Karl R. POPPER La lgica de la investigacin cientfica
150
Max BLACK, op. cit. pg. 134. M. BOUDOT, op. cit. pg. 129. Max BLACK, op. cit. pg. 129.
(16) (17)
T.
L.
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.,
(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
151
(24)
136 y 137.
(25)
L.
J.
SAVAGE
The
Foundations
of Statistics,
Ed.
Dover,
1971, pg. 3.
(26)
T. L. FINE,
(27)
(28)
Sixto
RiLOS,
Mtodos
estadsticos,
Madrid 1967, pg. 19. (29) (30) Richard MATTESICH, op. cit. pg. 74.
112 y 113.
CAPITULO
IV
153
4.1. Introduccin
4.2. Algunas ideas respecto a los mtodos de obten-ET1 w184 60 cin de probabilidades subjetivas
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).
de Fishburn (1967).
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.
4.6.-
Caracterizacin la probabilidad
conjunta subjetiva
de
la
utilidad
conjunta
de
la
probabilidad
y la utilidad.
155
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
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
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
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
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.
veces podemos saber si los diferentes casos son igualmente probables o no, y por tanto, pocas veces podemos atribuir
Estas
probabilidades
sin
previo pueden
ser de
estimadas
a posteriori
de un gran nmero
observaciones.
El
grado
de
confianza es menor
que
la certidumbre
y no
158
La
teora
subjetivista
comienza
desarrollarse
de
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-
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,
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
159
Uno de es
los puntos
partidarios
subjetivista
que confunden
los siguien-
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
probabilidades
individuo
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
Si, vista, el
por
el
contrario, tratamiento
aceptamos axiomtico
el de
primer punto
de
posterior
la probabilidad
requerira
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
En
los
ms
simples,
esto
es
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.
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
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
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
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
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
definidas
nica
determinan
en un cierto campo
dependiente
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
y utilidades cada vez que elaboramos una decisin sino que depende en cada caso de la situacin presente. Esto significa que
lo ms simple,
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
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.
en
la
prctica consiste
en
lo siguiente:
cada hiptesis
)
,
P(H.
1
y despus
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
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
En
el
sentido
subjetivo
si
pensamos
que
individuos
164
des
iniciales,
podramos
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.
un nmero
de
diferentes
mediante las
distribuciones conclusiones
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
en cuenta
lo
que
acabamos
de
comentar,
una
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
babilidades subjetivas
Bruno del
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
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
168
individuo,
podemos
establecer
calcular
1.
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
respuesta visual dividiendo un segmento en dos partes cuyas longitudes correspondan a la probabilidad de
2.
Las valoraciones
de
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.
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
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 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
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
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-
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
171
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,
de
=
una
E
,
variable
p(
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
matemtica miembro
del
problema ya
del sus de
ha valorado
distribuciones opiniones,
que
llegar a un
acuerdo
las
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.
172
do,
la revaloracin de grupo, consiste en presentar a los indiviy que estos discutan el asunto hasta llegar
individual. ms
referimos
ellos
extensamente
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
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
dichas valoraciones. En definitiva, Dalkey antepone las valoracio nes individuales de miembros con experiencia a cualquier valoracin ponderada o consensuada del grupo.
anlisis de toma de decisiones aplicado a las o de negocios, en los que es frecuente la deci-
empresariales de
individuos
sin,
teoras sobre
en la toma de decisiones han sido seriamente consideradas. este asunto se han desarrollado prioritariamente
algunos aspec-
173
la
responsabilidad, ante el
la
propia
experiencia
del
grupo
reduce
la
ansiedad
de la decisin puesto que la responsabilidad se reparte sicolgicamente entre los miembros del grupo. b) La especializacin y
decisiones aparejada
causa la
reduccin de c) Otros
lleva
decisin.
aspectos
decisin empresarial.
hemos
tratado
en este
probabilidades
los
la toma de
decisiones
para ello.
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
para en
establecer
dicha
este
apartado pero es el
una referencia de
este
epgrafe es decir,
tema de
las reglas
puntuacin
tanteo,
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,
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
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
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
se
viene
repitiendo
en
este que
trabajo una en
la
teora usara
probabilidad de
subjetiva
prescribe
persona
la elaboracin con
y que
Tambin del
ha sido o
anterior
experto se
asesor; en
tanto, del
juicio
establece
mente
asesor.
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
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
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
este suceso ocurriera realmente parecera mejor la sin embargo, igualmente de acuerdo con la teora, buenas si se corresponden
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
Entonces,
nuestro
inters
en las valoraciones
de
la
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.
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
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
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
asesor no
tiene
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.
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
, ,
campo
de variacin de
X en
partes por p1
...
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
distribucin
violar
los postulados
de coherencia.
tenemos
inters
en analizar mtodos
que
1, 2
...
n.
Un mtodo para analizar las respuestas del asesor consiste en ofrecer a dicho asesor una serie de apuestas. Estas
apuestas cada
en el sentido de que en
caso es
una persona determinada el ganador de la apuesta que la cantidad de dinero implicada realmente cam-
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,
suceso
o no ocurre.
APUESTA 1.a.: El
asesor gana
la cantidad A si
ocurre el
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
esperados
asesor
A.p
B (l-p)
A.p
B.p
A.q
B (lq)
A.q
B.q
Por
tanto,
podemos
extraer
las siguientes
inferencias
A.p
B.p
>
A.q
B.q
por tanto
p~q
A.q entonces
B.q
>
A.p
B.p
q >p
182
tas llevara al asesor a una desigualdad que implica que habamos dicho notar que que la la probabilidad eleccin de q
puesto Es del
interesante
una apuesta
asesor es independiente de A y B.
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
El segundo caso,
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
183
A.p
B (lp)
B (lp)
A.p
A.p
B (l-p)
>
B (l-p)
A.p
P.(A+B)
>
P.(A+B) 2 B
2 P.(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
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
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
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
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
,
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
f(x)
determinando
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
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
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.
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
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
probabilidades
ms fcil
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
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
de
analizar el
problema de
la base formal que garantice el comportamiento racional y coheren te al que nos venimos refiriendo.
188
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
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).
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,
la vida cotidiana.
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
1.
Un suceso incierto puede ser igualmente probable, ms probable o menos probable que otro.
2.
Un
suceso
incierto
siempre
3.
Si un suceso E es ms probable que otro E y ste ltimo es ms probable que otro suceso E
,
entonces E
190
4.
Si E1 que E 2
y E1
es
ms
probable
E1 vE 1
es ms probable que
E 2
VE~
2 que se consery
,
con
tal E2
,
que E2
los sucesos
E1 sean incompatibles, y
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
expresa
las condiciones
La evaluacin de las probabilidades por parte del individuo ellas, requiere es decir, que no existan contradicciones intrnsecas entre
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
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
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
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
la suma
192
Llamando apuesta k
Gk
,
la
ganancia
proporcionada antes
por
la
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
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,
n ~ k= 1
Pk.Gk=O
Vamos a deducir 5k Gk
=
esta
~ 111
194
multiplicando por G
-
P
-
obtenemos
~
~k
5k
ki
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
da demostrada
Las probabilidades
p 1
, ...
p~
corresponden
la
juicios al menos
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)
P (E.E)
P(E) P(E/E)
P(E/E) E.E
la probabilidad el producto
de
indica
lgico
196
4.4.2
Bernard intuitiva en
O.
Koopman de
utiliza
el
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
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
la
formulacin
axiomtica
de
la
probabilidad
(11) y 1
de partida al grado
correspondiente
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
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-
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
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
menos probable
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
a, b, h, k, representan proposiciones
a/h <b/k
o bien
b/k
>
a/h
(1)
se leen as;
a, en
en el supuesto de que
los
simbolos
a/h
b/k
se
les
llama a y
o eventualidades. llama
contingencias,
proposiciones que
198
ciones
Una expresin
como la
lidad que podemos leer abreviadamente as: a/h b/k : a sobre h es infraprobable a b sobre k.
<
o bien b/k
>
h.
Con la notacin expuesta y suponiendo que est definido el anillo de BOOLE de las proposiciones, pasamos a formular los
a/h <k/k
2. Axioma de implicacin
(1)
Si
a/h
>
K/k
entonces
h C a
a/h
<a/h
199
Si
b/k
<
c/l
entonces
Si
a/h <b/k
entonces significa
%a/h
>
~ub/k
donde
negacin de a e igualmente
ab
significa negacin de b.
Sean donde
~ b1 h O
2 b
de las proposiciones respecto de la operacin disjuncin que representamos por Entre las
y
,
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
200
entonces:
a1 b/h 1 1
<a2
b2/ h2
C(2)
Si
a1/h1
<
b2/a2h2
entonces:
b/h 1 1
<a
b/h 22 2
Sean
a1 b
h1 ~O
a2 b
h 22
~O
a1 b/h
<a
con respecto
a la otra conjetura de la se
entonces h2 etc...
b2/a2
201
Si
a/%bh
<
r/s
entonces
r/s
Obsrvese que
~bh
es igual a
%b).h, es decir,
que
(5)
a1 n a=
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
en
este
epgrafe de los
la
axiomtica
considerada de la teora
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:
teora de
Esta implicacin con la teora de la utilidad la recoge Savage de la obra de esos autores Theory of Games and Economic
Behavior (14).
exponer de
su
teora,
Savage
parte
de
la
idea
del
una persona
racional
en la toma de decisio-
mientos
203
es el
objeto
la naturaleza es una y en
concreta
esta descriprelevante es el
aspecto
verdadero
se obtiene,
la des-
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,
5 s
,
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
,
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
pertenecen A1,
1 1
conjuntos
A2, 5
,
que pertene A2
, ...
5 ~
trminos
usados por y
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.
ocurrir a la persona
consecuencias, a dinero, El
tal o
como algo en
las lo
define que
Savage,
salud,
la persona
interesada. autor f
,
conjunto de letra F
,
por la
,
...
205
accin de
que Las g
,
logra
estado
acciones h
, ...
(la simbologa
los que para las consecuencias particulares, pero en letras negri tas. hemos Ante la imposibilidad de utilizar este tipo de impresin,
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
f(s) c F
El conjunto de todas
las acciones posibles ser representado por de esta forma por las mismas razones que
hemos
la notacin ciones
de las
acciones definidas
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
206
que vemos
g esta
no es preferida a equivalencia
Obserestamos
lgica
aplicando las leyes de Morgan de la lgica proposicional mediante las cuales podemos escribir:
siendo
Tambin
la
definicin g
,
de
preferencia
sugiere a h
que
si
no es preferida h
,
entonces
sea preferida a h
.
o lo que es lo mismo
no es preferida a
<Fi
entonces:
<Fi
la propie-
Recogiendo
las
dos
,
satisfechas
por
dicha
relacion no es preferido a
207
1. 2.
f<~
r<~
~<Fi
entonces ~ <Fi
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
Otro
de
los
supuestos
de
la
teora
de
Savage
es
el
bien sabiendo
entonces no prefiere
Adems, te imposible, si
B g a
prefiere f
y si no prefiere
sabiendo que no g a f
entonces definitivamente
prefiere
208
<
dado
DEFINICION 1
f do
<g f
dado y g
si
y slo
si
<
g y
tivamente, en con ~ y
y con
que ~)
coincidan en ~B, y
mtuamente
POSTULADO
2.
: Para todo
ffg
dado
dado B.
DEFINICION 2.
Esta
definicin
establece
la
relacin
formal
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
dado
para todo
POSTULADO
3.
Si s EB f
e(s) y
g 8
e(s)
para todo
<f
dado
DEFINICION
4.
A<
siyslosi f A f s ~A g
<f A B
gg
talque
,
g ~
para
=
~ s~ ~B
para
para s~
? (s)
para
Savage
formula
el
siguiente
POSTULADO 4.
B<A
POSTULADO 5.
sea existen f
,
o,
210
Las implicaciones
de estos cinco
primeros postulados nos llevan a las conclusiones que establecemos en la definicin y teorema siguientes:
DEFINICION 5.
: Una relacin
<
1. 2.
<~
es un orden
dbil
A<B
AUC<BUC
BC
=
4,
TEOREMA 1.
: La relacin
<
significara no ms proba-
Savage
utiliza
el
mismo entre
smbolo para
la relacin no
ms probable
que
no es preferida a
entre acciones.
POSTULADO 6.
Supongamos
<
entonces para
Fi
excepto y f
la particin, consecuencia
Fi
tienen de
la la
misma
elemento
211
particin, g
~
<
entonces
ser
falso
que
>
<
Fi
y
Fi >Fi )~
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)
a de
que vista
los
axiomas
de
Savage
son
formal,
vamos
son funciones
conjunto de
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
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,
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
El de estados de
postulado
cuatro
afirma
que
dados
dos
conjuntos
es decir, como el
procable
la probabilidad
cualitativa
entre
sucesos
es fuer-
temente
cinco
excluye
el
cs.so
trivial
en el cual y por
en utilidad,
tanto que
213
El
postulado
seis
establece, induce
puesto
que
la
relacin
decisiones
la naturaleza) estados la 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
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
(17)
O..
de
premios,
y una lotera
O.
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
las
loteras
simples
a las
que
acabamos de
considerar de
tambin
a partir
loteras
compuesta utilidades
lotera cuyos
premios
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
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
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)
f2
etc.
igual
a la unidad.
Si de ruleta
consideramos o
el conjunto
~R. de
en
todas en
las loteras
,
(simples
compuestas)
con premios
y donde
..R~ X
que satisface
entonces es posible
,
de utilidad
que adems de
1.
Para u(A)
cada
premio
puede A
establecerse
un
nmero
llamado utilidad de B1
, . . . ,
2.
Si
son
algunos
,
premios
elegidos
del
~9.
~k 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
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-
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
si el resulta carrera es
compuestas
se representar
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
Es decir,
Supongamos tam-
218
un orden
de preferencias
sobre
~*
que satis-
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
j~
J~
Supuesto 1
Rl
entonces
Observemos que
R.
1
R~
1
son loteras
de
ltimas
Ji
,...,
y [R1
5
R!
1
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
es el premio h~ 1 de
219
Supuesto
Inversin tas. ~. 1
del orden
en loteras
compues-
%*[(fRi,...,fk
Rk 1)
,...,
1 (f1R5
,...,
k fkRs)]
idnticas
asociados una
que es
para
lotera
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
realiza
giro de El smbolo
la ruleta antes
*
caballos.
es
una
lotera es
de ruleta decir, el
cuyos
premios que
de caballos
compuestas, un
elemento
de escribir es
elemento de
.R~
en (1).
220
Los
supuestos
de que el resultado de
se deduce que y
[ A0
,...,
[A1
, ...,
A1]
ms deseada
A0] es la lote
la funcin de utiliA1]
=
LL~
sobre
,...,
R*
A0]
para que
=0
,
~I*
[A1
,...,
y teorema,
establecemos
el
siguiente
por
de las probabilidades
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.
que R
Ui
[R
,...,
R]= u(R)
R ]
con
y las preferencias
221
Observemos
que
escribimos
[ R1
,...,
en R
5
el
teorema
expuesto, de
,...,
[ R1
,...,
porque
] es el premio
,
una R
5
~
de
a su vez
R1
premios R
5
.~ ,
de son
una
lotera
de
caballos ruleta
5
pero
tambin
elementos
de
,...,
si ocurre si ocurre
h1, h2,
~ p2
si
ocurre
con probabilidad
p5
p1
,...,
p5
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
degeneraran suponiendo
=
loteras [R1,...,R
Esto
estamos p.
1
es decir,
f.
1
pa
ra todo
222
ras
de caballos
de un conjun de resulta-
to de resultados dos.
a un espacio
Si comparamos
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
11 II it ti ti ti it it II ti II ti ti
OBSERVACIONES
sobre tenas.
(a)
deJR. B.
1
R=(f1B1
O..
kk y las
f.
1
son probabi-
lidades (b)
it ti ti it ti ti ti ti it II ti ti II ti it ti it
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]
~*
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
1964,
con
Villegas
(18), en
no el
la la
numerablemente
aditiva,
la probabilidad
cualitativa,
sin embargo,
este autor
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
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
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
224
con
lo
anterior
se puede fina
demostrar y
tambin puede
probabilidad
cualitativa
ajustada
una probabilidad
cualitativa si
no hay prdida
de generalidad
te probabilidades
cualitativas
y continuas.
que
antes,
tenemos
necesidad
ahora
de
definir que
fina y
ajustada, por
definidos
Saya
ge (19).
Si y y 5
representamos total,
la B
por BCS)
es el conjunto vacio,
~ es el conjunto B
>
diremos
para todo
4,
el concepto establecer
de probabilidad previamente el
cualita concepto
B H
,
todo BVG>C
G y
sucesos no
B<~G=CflH=4,
CUH>B
Es obvio
que
si
son tam-
225
Diremos que
la probabilidad cualitativa
<
es ajustada
Despus
de esta pequea
digresin
necesaria
para defi-
nir esos conceptos poco habituales, por C. Villegas. Antes de formular los que
retomamos
los axiomas
comenzaremos a
estableciendo al igual
elementos hemos
y operaciones
ser utilizados,
autores.
los
sucesos
sujetos
las
operaciones
interseccin
los axiomas del lgebra de Boole, cin de por dos sucesos y por A y
,
A Li B
A Ch B
A
,
por
A.
implica AUB~B
.
escribire
CB
AChB por
sucesos
)
dejando el que lo
.
para un
significar parcial.
La relacin
es
4,
orden
por si
su interseccin en
).
la teora
Boole
de Boole
siendo este resultado debido a Stone (20) y su construc~ tiene la siguiente interpretacin: clasifica los suce
cin de
226
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
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
es un suceso
O..,
se corresponde A ocurre.
intuitivamente
A
.
y A
Si
es estrictamenB
,
enton-
ces escribiremos si B
,
A >B
respectivamente). ms B).
es menos
probable
(respectivamente A
<
probable)
entonces escribiremos
>
La cualitativa
relacin si
<
entre los B
sucesos
probabilidad donde A
<
satisface A <B
siguientes
>
significa que
pero no
227
es
un
preorden
~?
total
entre
sucesos,
con
<
<
B<C
entonces
A<C A
4t
4, <
<A
<~
4,
entonces de
A1 1
sededu
2 desigualdades el signo se
las
primeras
es reemplazado
por
Estos
axiomas
son
equivalentes
los
propuestos
por
son igual-
228
Si casi
4,
diremos A sern
=
que
imposible, Dos
y si
~ casi
diremos
seguro.
sucesos
incompatibles
es el suceso nulo.
Si
G.. es un
lgebra de sucesos y
<
es una probabili,
a1
entonces
<
ser
llama-
da lgebra de probabilidad cualitativa, y las siguientes proposiciones son consecuencia de los axiomas.
1. Transitividad estricta
Si
A<B
<
entonces
A<
Si
ACB
entonces
A<B
3. Si A A2CA1 y A y A 2
>
B2CB1 B 2
entonces
de
<B 1
se deduce que
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,
cualitativa un teorema
a continuacin continua
dicha
probabilidad
a lgebra.
cualitativa
montona
definida
Definicin
es montona continua,
si dada una A n
+
A A)
(es
decir,
~ CA2 B
,
C...
que converge a n
,
y un suceso
An< B
entonces
A <B
a -lgebra de con
<
juntos de un espacio
una probabili-
entonces
el par
a.
<
ser lla-
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
+
B <A B<A
existe un ente
En una estructura de
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
<
<
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
LEMA
2. Si
(a,
<) y
es una estructura de
{ A } n
cualitativa
A n+l
nulo.
LEMA
4,
existe { An ~
una
232
TEOREMA
Si una estructura de
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
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
Como exponer
base
para
los
siguientes
teoremas
que
vamos
damos la siguiente
definicin:
233
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 B
una
,
particin
incompleta
de
es menos
incompleta menor
TEOREMA
entonces
TEOREMA
234
1. 2.
estos
lemas,
la
teoremas y proposiciones
desarrollada para por
por
recoge
teora
Villegas. en otros
Algunos
establecen
resultados
formales
utilizar
posteriores,
mayor
pasamos
probabilidad
ser compatible con una probabilidad cualitativa sobre un algebra, y la condicin para que sea numerablemente aditiva, constitu
yendo
235
MEDIDAS DE PROBABILIDAD.
Una un nmero
medida
de probabilidad A
,
es
una
funcin
que
asigna
P(A)
para todo
llamado probabilidad
numrica
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
definida (
a.
el par
a.
Si mos
c3.. es
dire-
aditiva
se satisface tambin
3. Si { A.
1
: i
1, 2,
. .
.1
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
Se puede
deducir
facilmente
una
.
sucesin El P par
de
P(A1)
P (hm A.)
1
es un
algebra de conjuntos y
una me a-lge-
de
~.
probabilidad.
,
Un
espacio
de
probabilidad
es
una
terna
P)
en el cual de
~
es un conjunto, @.,es un
algebra aditiva
conjuntos
definida sobre
Diremos
que
un
lgebra
de
probabilidad ~ Po y
,
R~,
P) si
es
P~) P
toman y
los
O...
TEOREMA
Cualquier
a-lgebra de probabilidad.
Observese P numerablemente
que, aditiva
puesto
que
la medida
de
probabilidad
cuya existencia
237
P(A)
sup.
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)
que
la
probabilidad
cualitativa
<
entre
no ms probable que
facilmente un
<
definida sobre
<
a4lgebra P(B)
la relacin definida
si
P(A)
TEOREMA
7.
Una condicin necesaria y suficiente para que una medida de probabilidad cualitativa
<
,
238
TEOREMA
Si un
TEOREMA
9.
Si un lgebra de probabilidad cualitativa es fina y ajustada entonces puede extenderse a un a-lgebra de probabili-
dad cualitativa.
TEOREMA
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
<
,
aditiva.
239
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
o cualquier otra coleccin de entes que se usen de los grados de creencia a priori, consideexpresadas en los axiomas pueden
idealizaciones
Una de
probablemente De Finetti de
las versiones ms
Scott
simples
en
de esos axiomas es
de las
subjetiva
cualitativa,
Los axiomas de Scott quedan formulados definicin 1, en la cual la notaca-on la funcin caracterstica de un Ac
en la siguiente
conjunto
4,
representa,
Ac
para
un
conjunto
Ac (x)
xA si x~A
240
DEFINICION
1.
Sea
un conjunto
no vacio
>
sobre
el
conjunto
una
de
todos
(
los subconjuntos de
X
,
estructura de
>
) es una estructura
subconjuntos axiomas:
cen los
siguientes
Axioma 1 A >B
>A
Axioma 2 A
>~
Axioma 3
>4,
Axioma 4
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.
Ac
B c +C c
B c +C c +A c
de
Ac (x)
+
c B (x)
+
c C (x)
=
c B (x)
+
c C (x)
+
c A (x)
Por hiptesis,
tales
que
>
B C
deducimos que
>
Scott (X
,
demuestra
que
para cualquier
estructura 1 A y
,
>
que
satisfaga
A >8
si y slo
si
P(A) ~ P(B)
dificultad
que plantean
los
axiomas
de Scott
242
ce un nmero
combinaciones
1
la
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.
Hasta
este
momento,
como
hemos
venido viendo,
se
han
dad subjetiva.
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
no es preferiSavage,
es
243
Anscombe
y Aumann.
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
conjunto
de utilidad esperado.
mtodos
usados
para
esta
aproximacin
implican
La primera
etapa
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
+u2
...
244
La tercera
etapa
define u. 1
cada
u.
1
sobre
un
mismo
(para un De
s. 1
no nulo) tiene
la
conjunto.
a la definicin
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
sopesar
como
utilidades
vimos en
subjetivas.
De
forma
Anscombe y Aumann
resultados de un
igualmente
autores
miden las
por medio
de la teora y
y Morgenstern,
a partir
245
deducen el caso
las
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
aplicandola a antes de
nuplas
distribuciones
Por tanto,
Definiremos, como un
a~
en primer
=
lugar, C un
...
un }
conjunto de
mixtura
conjunto (1a)
.
.4
B
{ A,
B,
A
a
que asocia
elemento
<-4
tal
con que:
cada
[o
1 ]
(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
implican que:
(1 a) A
246
y que
a [~A
(1 8) B ] (1 a)
(1a)
(1Y) B ] ]
[a~
y]
[ a8
(1 a)
.$.
sobre
c9~
y
sea
B<A] B\<A]
sobre
~9k es
(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.
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
existe
funcin
valores
tal que
[1]
A.~B
si y slo si
u(A)
<
u(B)
[2 jI
u ( a A para
(1 a) B ) A ,B
a u(A)
(1 a ) u(B)
todo
[o
Si
[2]
entonces
con
>
tal que
[3]
y(A)
a u(A)
para todo
Ac~
248
~ ~ X
~n }
esta-
dos, y donde
mos al
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.
y sea
gn
Cada
P .}{
, ... ,
es P )
P
s.
1 1
.
(P1
la distribucion asociada a P
cir que si
}t
P.
1
es seleccionada y
ap
(1~a ).Q
(aP1
(1a)
Ql ,...,aP
(1a)
donde
Ql
3{
de
a.P1
(1a ) . Q~
es la
249
iJt=.~
c.~
=J{
la teo-
por tanto,
buciones de probabilidad.
estados idea de se formulan que cada i de
El axioma
que
sera aplicable
uno
hecho,
estado verdadero.
,
Si,
por ejemplo,
como (P1
,
una
...
distribu P~)
,.. ,
x)
periodos de tiempo.
En
el
siguiente u
teorema sobre
vamos
a ver
como
establecer
la funcin de utilidad
~L.
~iiJ{
=
implican que, si establecemos la funcin de utilidad que satisfaga las condiciones existen tal que: n [4] u (P1
,.. .,
sobre~{
[1 ]
[2 ] u1
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
sobre
n b1
satisfacen
,. .
bn
3]
[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
continuacin
formulamos
los
axiomas
definiciones
Axioma 5 P<Q
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
,
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
Q.1
Axioma 6 Si P
(monotona) (P1
=
...
il il
~+1
...
~ ~ n P n
(P1
2 ~,entonces si si R <E
R,P 1+1
y y el estado s.
1
es no nulo.
estados.
con
la ayuda de s.
1
los nulo
para un estado
no
252
si
s.
s. 3
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
5 para
entonces,
u(R)
u(R
,...,
R)
cada sobre
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
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
Con
los
trminos que
253
Dicho F de
modelo
para
el
caso
de
estados de 5 en
implica X
,
un conjunto del
acciones que
son funciones
es decir,
es un
elemento de
y por
s tanto
f(s)
~ (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
la axiomtica
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
antes,
las
comparaciones sobre la
algunos Es
resultados
medida
fundamental sobre
un modelo
conceptualmente
sencillo
cmo
pueden
simplificar
obtener
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
su contrario
(E); y sucesos
255
que
son
imposibles tomar
(1).
De
estas
cinco
clases (C)
de
sucesos,
dos
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;
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
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:
256
probable B.
ms probable
AXIOMA 4 Si un suceso A
,
A y
implica A
otro
suceso
B A
pero
no implica B
entonces
es ms probable que
imposible.
A partir de estos
A E
E menos
es menos que
probable
257
Si
un suceso
es
entonces
A B
es tan
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
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
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
de
258
de por
5
,
los T
,
llamaremos
...
sucesos
>
estndar,
que
representaremos
La relacin
es la relacin de orden
.
no menos
equivalencia y el orden
Pasemos
a formular
con
estos
elementos
la estructura
3C
(X
, ~,
>
finita para
los
grados y
slo si
un conjunto no vacio, X B
son lgebras
de conjuntos de cualesquiera de A,
de
y para cualesquiera
AXIOMA 1 La relacin
>
es un orden dbil en
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
>
de
tal que
significa igualmente
Comparando A es un 5
los
axiomas del
tres
seis
observamos
que el
lgebra
general ~,pero
suceso del
sublgebra
Tambin
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
,
Los axiomas
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
tal que B
y no se ,tal
exista un
no vacio
dej
mal (S,S)
S<S
es equivalente
1.J
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-
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
a non-measurable
Suppes propone las siguientes propiedades para las probabilidades inferior y superior (no exponemos aqu las del trabajo de Good,
261
PROPIEDADES
Observacin:
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
medida
exacta y, inferior.
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
dos y
queremos ser
fieles a las
axiomticas
P~(A)
p*()
262
donde
es el complementario o contrario de
Exponemos
tambin el
argumento
que demuestra
que esta
P~(X)
-
P~(AIJ~)
=
<
r~(A)
p*(~)
<
p*(AV~)
p*()
<
luego P~(A)
+
p*()
Una
propiedad mas
fuerte
que
cumplen
algunas medidas
Iv.
P~(AUB)
P~ (A<1B)
P~(A)
P~(B)
IV
Suppes da un contraejem
continuacin de medida
un
teorema
con
el
que
estructura
aproximada
finita para
263
TEOREMA Sea
=
(X
Y,
<1,
>
(i)
sobre
~1
sucesos
estndar
>
si y slo si
P(S)
P(T)
(u)
La medida
(iii)
Si definimos (a)
P~
~*
Para todo
suceso
p*(A)
P(S)
(b)
Para cualquier
de 5
abierto minimal 5 y 5
5) para
P~(A)
P(S)
P*(A)
P(S)
entonces P~ 1
,
y II
~ y
264
(c)
Si de
cf
SP
se
(iv)
de 5 de
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
lgebra general de los sucesos arbitrarios podra un cardinal mayor que el del continuo y as la
relacin
sobre
las probabilidades inferior y superior para todos existiran y se definiran segn el teorema
Resumiendo, la particularidad de esta axiomtica radica en que plantea la existencia de unos sucesos arbitrarios (los
265
elementos de
<1>
establece
probabilidad de
sucesos
las probabilidades
Simon French,
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
mientos cualitativos de verosimilitud, en expresin de este autor) estn condicionados por el estado del conocimiento de la situa-
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
cambio cuales
condiciones
plantea cam-
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.
de una
individuo
axiomatizaciones
espacio de sucesos sea un subcampo de sucesos, cuyas probabilidades el sujeto acepta como dadas, y adems estas probabilidades [O
,
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
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
y que
extender ste,
la verosimilitud de normalmente
aunque
axiomtica
de establecido.
Con de por
estas
ideas,
French
presenta el
una
axiomatizacin auxiliar
subjetiva campo de
manteniendo sucesos de
experimento
inters real.
Veamos como
Empezaremos
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
sujeto
entre
conjunto, inicialmente
SF
>~
el sujeto.
se lee
el
es al menos
~ E
significa y se lee
que
A>,B
B~A
te probable que
>
E B
que
y A
se
lee
el
269
suceso
resultado
[O
1 de
ya que forma
estamos
tratando los
cannico y suponen de
esta la
tipificamos
resultos. para
que
>~
por es
puede este
extenderse experimento
comparaciones Sin
sucesos
auxiliar. sucesos
embargo,
recordemos
necesario
considerar
formados por
intersecciones
Con estos trminos French formula un sistema de axiomas partiendo del campo de Borel ciones finitas de intervalos
abiertos
[O
tal que
la relacin>~
se extiende a
BU~F
y entonces
es un orden dbil, B
,
B>,A
ambas
A>,C
A>,.B
B>.C
entonces
270
amplitudes
1 ~J
si y slo si
1>1 1
>,
es
restringida a decir,
IB
adems de
(a) (b)
[0
1]> ~ A
,
tal que
BC~C
tal
COD y
B>,D
entonces
D~B
entonces
Ck)D>,.AUB
271
Axioma 6 Si y si A12A2~ A
>
n=1 p
,2,3,... donde p
L
[0,p] n
fijado,
[0,1],
y para todo
entonces
n=1
El bil. El
axioma
del orden d-
liar. El axioma tres exige que la relacin bilidad cia. El cualitativa sobre 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
iB
separado.
la relacin
272
constituido
por
el
ms
pequeo
campo
que
contiene
>~
campo.
la probabilidad
subjetiva,
y podra escribirse
existe
P A
[0,1]
tal que
[o,~
A
do aqu.
El
siguiente
teorema
nos
garantiza
la
existencia
de
los
axiomas
del
al
finitamente
[o
1]
que es
con la relacin y
. Adems, si
a campo 1 ]
lB
es un
a campo de Borel
te aditiva.
sugiere
que
podan
extenderse
estas
ideas
273
se
cualquier
axiomatizacin
de
probabilidad
subjetiva
con
*_ *_ *
*_ * _ *
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
274
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,
-trmino ya introducido
Desde
el
punto
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
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
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
En el el problema de
epgrafe
4.3,
la habilidad o Tambin al
sentidos
o dimensiones.
asesor
y por
la habilidad del
asesor,
276
valoraciones
, , .. ,
de 5 n
~2 que
Supongamos
una persona
formuladas
pueden
representarse
el vector creencias
(r1
r2
...
y,
r) por
verdaderas
(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
son estimular
valoraciones y que presente solamente sus creencias verdaderas. Para lograr estos objetivos se han hecho varios supuestos. Dire-
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
esperada.
Si cuando ocurre
Sk(r)
es la
puntuacin
obtenida
por
el
asesor
el suceso
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)
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
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
278
daderas. sores a
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.
reglas de puntuacin no son significativas, dicha regla de puntua cin no fomentar necesariamente valoraciones precisas.
sobre
incompleta, ya que aunque existe una necesidad los asesores y las reeste propsito, si
glas
puntuacin
para
se tiene cuidado en establecer de forma correcta los procedimientos de valoracin, sin embargo puede ocurrir que la valoracin
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
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
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
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.
,
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
,
E.1
f. ( e ) 1
problema, ( e )
entonces,
consiste
en determinar
a partir de las
281
mos por
f( e )
f. ( e ). 1
Si llamamos o expertos
suponemos un .
En cualquiera de ambos
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.
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
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
f.( e)
,que a
por
E.1
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,
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
,
k
E
W.
En muchos casos,
Regla
Esta
simple
...,
1/k
para
1,2,
razn para pensar que hay mucha diferencia entre las capacidades de los E. 1 y por ello asigna ponderaciones iguales.
283
(e)
f( e )
lii
_____________
Regla
donde
la categora o posicin ms alta de al mejor asesor. E. 1 pueden Esta regla supone ser clasificados de ellos,
E.1
son
r k
E
1,2,
...
284
Regla
A.3.
caso,
es
o menor
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
donde la cons-
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
Regla
A.4.
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
podan
para
comparaciones.
Roberts
sugiere
establecer
las
razones
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
Obsrvese
que,
segn
hemos
propuesto
al
principio,
conveniente
286
B.
Otros mtodos
B.1.
Mtodo de DeGroot
(37).
f 11 ( e ) para des
obtenidas por los
grupo,
opiniones, de cada
haciendo del
relativa
miembro
opinin
j=
p..f.
13
31 (~)
donde
los subndices
correspondiente
a la
importancia
asignada
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,
287
DeGroot demuestra que este proceso puede interpretarse dentro de la teora de de lmite de dicha las cadenas de Markov y los teoremas
la distribucin
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
recomendado.
B.2.
Eisenberg
en un hbil
Gale
presentan
para
esquema
mecnico
probabilidad, que se basa en el mtodo de apuestas totalizador. Por apartarse bastante del inters general de este trabajo, no
B.3.
Mtodo de las distribuciones conjugadas naturales. Otra alternativa para la fusin conjugadas cada de opiniones es el
de
las
(39).
mtodo
consideramos formar la a
constituye final
experiencia grupo, se
muestral
para
valoracin priori,
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
grado de dependencia de las muestras ficticias que recogen los datos de las opiniones de cada miembro.
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.
(para
Este mtodo considera que cada miembro del grupo vuelve a valorar su distribucin de probabilidad, supuesto que esta
vuelve a valorar su
( e )
1
289
formacin,
el
resultado E.1
,
sera en
an de de
distribuciones,
una
lugar
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
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
resultados.
E.
la
tcnica es .
de
f.( e) 1
distribuciones de de feedback,
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.
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
291
cin de grupo.
al de elaboracin de adems
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
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,
rior sobre ponderaciones, significa que algunas ms ponderadas que las dems
la distribucin consensuada
la
influencia posibles
de este
supuesto
lder
de
influencias
por diferentes
motivos sicolgicos,
f( e )
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,
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
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,
293
4.6.-
Caracterizacin subjetiva
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,
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
al supuesto del orden entre las utildades, cardinal cumpliera est ste referido al se exige, supuesto al menos, de la
trmino no se
294
siglo XIX era bastante comn creer que la desarrollara solamente sobre la base de
siendo Pareto
(40) uno de
La teora de las funciones de utilidad ordinales trata precisamente sobre otra. con la preferencia cualitativa de una alternativa
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
Supongamos en el tiempo
que
el
consumidor
tiene
unos t0
ingresos
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
,
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.
ingresos mercado,
la estructura de
relacin de
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
representa
,
>
represen-
x x x
R 1 P
y y y
e yno
sobre
la estructura de relaintuitivos y
son razonablemente
296
DEFINICION
1.
artculos
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
roreal [Xx
+
talque
O<A<1 y
(1 X)
z]
De
estos
cuatro
postulados,
son los
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
>
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
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
>
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)
La de hacer la
teora
ordinal
de
Pareto
(40),
a la que
referencia
en la introduccin de la utilidad
teora econmica
desde
siglo
hasta
la
publicacin del
tratado
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
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).
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
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
Consideramos la aproximacin de
la
direccin
ms
importante
en
la
que
es decir, numrica
la deduccin de una funcin de probabilidad subjetiva as como de una funcin de utilidad, a partir de los
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
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
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
entonces
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 .
entonces E 2
recibe el
resultado
el suceso la opcin c
,
de
son E.
la naturaleza
contrario
302
Si el y si tuvieramos de
la
opcin
sobre
la opcin s
2 y
subjetiva
una funcin
utilidad
las consecuencias
o resultados,
con el principio
[1]
s(E)
. u(a)
s()
u(b)
>
8(E) u(c)
s(~).. u(d)
Si
el
sujeto se
manifestase
indiferente
ante
las
dos
[2]
s(E)
. u(a)
s()
. u(b)
s(E) u(c)
s(~) u(d)
E*
[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
opcin opcin
1 2
a b
b a
303
Si [3] que:
u(a) ~
u(b)
[4)
S(E*)
S(*)
en el
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
Una medida de A y X B
de probabilidad
ha de satisfacer los siguientes axiomas para cualesquiera subconjuntos de X ; estos son los axiomas de la teora
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
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
,
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)
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
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
ese tema.
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 ]
s(E) u(a)
s() u(b)
s(E) u(c)
s() u(d)
P(E)
u(c))
u(b))
=
(1
s(E)).
u(b))
(u(d)
u(d)
u(b)
s(E)
u(b)).
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)
cin de Ramsey que empieza estableciendo la funcin de utilidad para despus determinar las probabilidades subjetivas de los
medida
probabilidad
que
estructura
la relacin.
306
>
(dbilmente).
formalmente
>
los
axiomas es conveniente
suponer
la teora de conjuntos para representar los sucesos. Con el espacio X y la relacin cualitativa
,
>
probabilidad epgrafe
4.4.3
cuyos axiomas
(expuestos
en 4.4.1).
DEFINICION
2.
Un par dad
(X
cualitativa
si
se
cumplen
A
,
los B
,
siguientes
subconjun
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
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>
reconocer las propiedades que tiene esta estructura de probabilidad cualitativa. En estos teoremas es conveniente utilizar la
A<B
si y slo si
B >A
Teorema 1.
Si
ACB
entonces
A<B
<
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>
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
existencia
de
tal
medida
de probabilidad.
Sin
embargo,
si
se
309
aaden
supuestos estructurales 2
especiales
los
axiomas
de
la
definicin
de probabilidad que satisfaga la condicin para el caso finito ha sido encontrada por
Scott,
del que ya
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
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
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
Si
nes estructurales fuertes que son suficientes pero no necesarias. Por ejemplo,
para que
De
Finetti
(47)
y Koopman
de X
,
(48)
sucesos equivalentes
en probabilidad y este
310
el de la definicin
ha mejorado
estos
resultados
anteriores que
para el y
caso
infinito
y ha encontrado
propiedades
son necesarias
suficientes,
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
preferencia
dbil
<
las consecuencias.
es com-
pletamente sencillo definir una relacin correspondiente de prefe rencia sobre las consecuencias, y una probabilidad comparativa
los
siete
postulados
de
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
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
estados,
3.
si y slo si
el resulta-
4.
es B
dbilmente ms
decir:
<
5.
312
6.
Si la decisin ces
enton-
5 h
g g
tal
que si
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
la base de
estos
axiomas,
Savage prueba el
si-
TEOREMA
Si
(5
<
postulados anteriores
sobre ~2 ~
de
F n
F
p(5)
1
[~(s.)] <
1
~ p(s.) u[~(S.)]
1 1 1
313
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
nes constantes se usan para definir la ordenacin sobre las conse cuendas y sobre los estados.
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
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
probabilidad
subjetiva
muy
similar
utilidad esperada,
314
consistente establece de
<
5
no es
preferido
a.
Fishburn
as
la naturaleza, de X
el s ~ 5
conjunto f(s)
E
las acciones de
siendo
por Savage, y que durante todo el trabajo respetamos las notaciones originales de los distintos autores). Entonces, bajo los
sobre
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 ]
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
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
contiene al menos
dos elementos.
315
Fishburn la aproximacin
en
un
estudio en
posterior
(51)
anterior y
particular
ir
introduce
es numerablemente aditiva.
Merece
a este de un
la
pena
Pedro
tambin
E.
sealar el
estudio
realizado
Ferreira
axiomtico
caracterizado
teora de
la utilidad
cin
constructiva de
probabilidad
subjetiva semejante
a la
de
Anscombe y Aumann. la
a-aditividad de la probabilidad
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
consensus
Science,
sindicates. 119131.
Econometrica,
Knowledge concerning a Test tem. The British Journal of Mathematical and Statistical Psycho bogy, 1965, vol. 18, pg. 117.
(8)
Robert
L.
WINKLER.
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,
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
1954,
9.
(16)
(17)
U.
J. ANSCOMBE y R.
J. AUMANN.
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)
Theory of representation for Boolean algebras Transactions Society, of the American Mathematical
(21)
E.
P.
RAMSEY.
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
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.
serie
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:
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.
R. L. WINKLER. The Quantification of Judgement: dological can. pg. Statistical 1107. Association, 1967,
(34)
M. STONE.
The opinion pool. Annals of Mathematical tics 1961, vol. 32, pp: 13391342.
Statis
(35)
R.
L. WINKLER. pp:
. .
1967. op.
cit.
(36)
Harry
V.
ROBERTS. the
Prediction.
Journal
of
American
Statistical
Association,
1965
320
(37)
pp: 118121.
(38) E. EISENBERG y D.GLE.Consensus of subjective probabilities: The Pari-Mutuel method. Annals of Mathemati
economia scienza
introduzione
Milan,
Econometrica,
U. P. RAMSEY. 1931. op. cit. W. EDWARDS. Subjective sions probabilities inferred from deci Review, 1962, vol. 69,
Psychological
pp:
(45) (46)
109135.
WINET.
differences.
Management
321
(47)
(48)
1940, vol.
46, pp:
(49)
M.
G. PRESTON y P.
BARATTA.
An experimental
study of the
(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,
CAPITULO
323
CAPITULO V
5.1. Introduccin
5.4. Aplicacin del mtodo del autovalor para fijar probabilidades subjetivas en el mercado de
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
influencia este
aleatoria.
para
resolver
problema han
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
Saaty, (4)),
al
proponer en
este
mtodo
(Ver
Saaty,
1977,
en
estaba interesado
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
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
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
un
orden
completo
entre
artculos W
w2
..
w)
donde las
w.
son
deseadas que
expresan
la importancia
de cada
componentes.
y su suma es
la unidad.
El vector
se obtiene a partir de
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
el indivi-
despus
seleccionar
una nmero
1 al
326
9 del
como medida de
la preferencia
sobre el menos preferido. Estos nmeros sern, sin embargo, las ponderaciones
los nmeros
pares
dos valores
impares.
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
matriz
n x n
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
327
Con datos
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
,
de probabilidades
P2
n
~ P. = 1 . Adems, las 1=1 1 se usan para determinar
Supongamos
probabilidades.
que hemos
obtenido
Entonces
consideramos
la matriz
de estas
1~ 1
probabilidades,
P 1 1
esto es:
Pl
n n
329
Observemos propiedades:
que
la
matriz
cumple
las
siguientes
1.
de la matriz
m.
13
se obtiene
de
la
P. m.
=
13
11
3.
P3
1 m..
Las
propiedades
se
llaman ahora
propiedades el producto
M . Consideremos
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
la
M . Esto es,
(M
XI) del
1 y
la matriz X
unidad
es un autovector ha demostrado
(4),
1977)
especial M tiene
es una matriz nl
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
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
Sin embargo,
dos sucesos
a la vez. El desarrollo
acabamos si
de
exponer
que de
sirve
el
como
decisor nos de
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
comentaba.
En
primer
lugar,
pedimos
al A. dos le
1
decisor o A. 3
que
proporcione
es ms probable la mayor el
probabilidad cociente
ocurrencia. la del
Despus del
que
exprese
entre
suceso
probable
sobre a este A.
1
la probabilidad
probable, sobre A. 3
cociente la verosimilitud de
sea preferido a
un esquema de
A. .
3
Saaty,
ha propuesto cuestin, y
puntuacin
con
1 al 9
en el cual
332
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
absoluta
(mxima)
de uno
Hay que indicar que no es necesario presentar los valores el lingisticos asociados con la escala de puntos, sino que los
propia de
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
333
A. 3
segn la esca
la de valores
anterior,
depende del
suponemos que
es preferido a
de la matriz para todos E
,
y asignamos
hasta
b.. 31
1 b. 13
.
mismo
completar
todos
=
de la matriz
en cuenta que
b11
1 . La matriz
presentada B es una
natural
(Y 1
,Y) n
~Yn tal
probabilides
del
decisor
Veamos
un
expuesto
de forma
clara
334
de decique tiene X
,
sobre
competidor Z.
fabricar
uno de
despus
de un
nmero del
considerable decisor:
de pre-
la siguiente
informacin
Fabricar el producto
es tres X
veces
ms probable
Fabricar el ms probable
Fabricar el producto
que fabricar
el producto
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
se cumplen las condiciones de consistencia en la matriz, unitario asociado al autovalor mximo es nico.
~ l/b31
matriz
de
la
como soluciones
de la ecuacin:
det.
(B
XI)
por tanto,
Al resolver la ecuacin:
det.
(B
XI)
Amax.
2,9635
L~
~1
~
1/3
Lk
=2,9635.
K2i
336
tal real
en
[1 1
Con la notacin
del
problema
B P siendo
AP
Pl
P3
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
P siendo
x P
0,145
P P 1
0,604
0,251
Py
seran
una
evaluacin
de
las
337
mtodo
permite
valoraciones cuando
inexactas expresa:
como
la el
ejemplo alrededor
.
anterior
fabricar
que fabricar
Esta inexactitud
b 31
y veces
b 13 ms
1/3 .
Si
sido 1/2
.
exacta Como
(dos la
probable) es inexacta
=
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
Esta estructu
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
-
de
la matriz
se cumple si se
338
no estamos
La experien-
demuestra
comparaciones
el mtodo propuesto por Saaty no requiere la consistencia. Lograremos, por tanto, una
B
seleccin
de
ponderaciones
algunas
positivas a
,
que es, en
ocasiones
mani-
fiestamente
inconsistente
La interpreta-
demasiado
percepciones fundamentales del decisor no sern demasiado inconsistentes y, por tanto, nuestra
de extraer sus probabilidades.
metodologa
es
una buena
forma
Xmx
ya que
el
decisor
=
Xmax
B
X
ms diverge max
Xmx.
de
esto
nos
n)/n
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
339
en el ejemplo donde el
xmax
2,9635
Si
el
Xmax diverge
de
la matriz
tiene
se le puede
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
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,
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
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
sucesos
en
forma
de
una
fraccin
de
3.
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
sentimiento
en esas
impreciso
acerca
de
las
probabilidades
implicadas
situaciones
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
tuvieron disponibles
342
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
de medias se les
tantas a
hipotticas
presentaron
individuos
vector
correspondiente
de
para
dichas situaciones.
analizar si las
es decir,
se us
el
test
T2
de Hotelling.
Las muestras
2 de Hotelling.
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
cada mtodo
y repitiendo
de decisin.
test
es
importante que
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
y que,
por tanto,
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
las
conclusiones
,
del
experimento, directa
podemos de proba-
1 y 2
de la asignacin
bilidades
P respectivamenel mtodo 3
te, (del
producen
resultados
similares,
mientras que
autovalor)
hemos
discutido de
subjetivas
una decisor,
comparaciones
por parejas
de las
des de un individuo,
para comparar tres
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
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
345
5.4. Aplicacin del mtodo del autovalor para fijar probabilida-ET1 w90 693 des subjetivas en el mercado de capitales
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
una el
tabla de
de
datos
para
cada o
valor
con
nmero
ttulos
comprados
vendidos
doscientas
sesiones.
En dicha
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
,
comprados
figura un
significa
se ha cerrado en posicin
dinero
o posicin
papel
y Vizcaya.
346
ALIMENTACION Azucarera
347
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,
348
u ~
.1
Ji II 1 11111
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
ir,
C>.u.0.,
.
413 1 lo 4
-A
~
oc>,,
wruw cn0ma-~Jra,nrflo-~J13fl13WJ~Ut4iw
JrJ1~-NQ,,ij~cflcq0oomJs-~Joc>j-owcoraruc>y.0-.Ji.icD
wrurutJIJtJIOfJtO
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
Ti
h.1 1~irui~irJti eH lA 10 ir
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
3 II t 1>
r
tu-u.u
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
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
It ti 1 <fi 1
349
t,jwf-~irJiur.Ji<.l.liJ
~
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
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~
tDu
ir
fi
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
-
-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
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
-
T~1
qn
2:
u
2) u?-
(OCiLi(O)iW(O -J ii--.i--.]
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-
4t CO ci
T o 37] IR CO 3
Ci
A
rl
ZCCOCO-DCiCDCi0C.-ZCOCCoiZioDCOC.DCDCO0OC.CCiC.COoOoCoCio
rn,
~ O
.-<~
O it 30 ~
ni w ni A
CO
ji
1. 1-- 3-3 IL Ni ti it
-
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-
2. 1 u IX
U
OciC.r>OrflciOC)OCoC-i000000000000C.uiui.I OOCOOOOOOOCiODOOCiOCC>COOOCiCI0iLLOOOO000 OCiCOC.C.O0C.chOOOOOOOOOCZiCCioOC.OOOCiOzOCi
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
-
u CO
4-(O0.oCf u
(i33iII.iNLilOt.i dCoCiiC.0Ck014-x 3 33 II 1
-.
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 f<i>Ciffiif>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
9Q--LiOfii
-7121 .2.--
--
-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-.
Ji -iCirtxtiuit jr.i
-lu -J 14-ii-
itj>.)
tui i.lTIiiLi3-auiit*itOta
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]~
_-OOc
u 21 ci
1u --t
litO
-(Ii--.
ti . ti; iiiIl.01t3
CriVItJiLtC.t33
403a4r.i(-it-i.i
>314-la
-~-{i
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
uit
iiiiCK--i%i-J-dLi-.Jt-di
4-ifii
ufl4--4----.
~21--r,ilO-
.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
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-0iL<i inii-i-ii- -1>31>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.
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.
--4 IX 21 u 7)
u
-ni
(3iudkitiiN3>=t.LitOt>Lt
CiLiWt4N>t-Ot~3tOtO
no (rl
U>
7]
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%
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
~~..-
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]
itUt3101iJiL31n2310101011JiLit12iJi1L31Ctt0101Ji.JirLit0101L31Ji01LfliitrJiiJiCn.it010101010101-Ji4-274-4-4-4-4-4-4iii(.ii.u(34(3.i
-4->CfilLi)-J-4J -JJuufta0:i
Ci-
u r 1
TE
a
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
-iii
it
u-ii
u ir CO u
-Ii
t
CC Y.
u
-Ii
u
CO
itt
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
i.4lutLi
2>7
-i
21
Li jiiOOCiIu4Ciu1>271E4-lLiu
353
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-
u Et ti-
2.
u 0 0 2. >7- >7. 0 9 2 21 0 -D C~i
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
it
uro
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
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
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
2u
~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
0 fl.
Iii
liii
(<(O
iii
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
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-.
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->
274-uu-.t-.4
4 >tllt
CulO
TE>
ti
OOiDOO2iO2iOCiODOCiOO-DOOCiOOCiCOOO
lOviOlO
uf Li lii LO
lu
CO 0) (O
-.)~
u-A TI
iii
04-Mi
u u
354
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
u u u u
4- 4-4-4--ti4-4--ti4--ti4-.ti4-.ti4-4-
II u
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
ti4t~Ot-O3ON4Li3O-d
Ci4(O3-dti3J3O3dt
ti-mit
uro u tt 9
mii
tt>
ti>
tt
U?
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
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
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
ii-LI 1-> u i
u? 1 -guL Li 31>1> t u
0
~
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
u u o
1
rnO>7ulO12.Cii7>000E>uOOOizioGiCilOiifl
-A
.--.t-ttii
ru.u
u
04-27>14-
i-i-
Ju.iIJiu.]0104--ni-.J0(fi0-j03-O) ~Cui33(O-j(O4-->703(O4-L31-flCi.i-Lu>JCi34fu-7>
_ 21 u Ji ha>
tOt.43-.itnimOtuudt.4
v4Wtdt.4303-u.i3-i4t0
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
PIE)
Pl~ un
<u
. .
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
Ji-
(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
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
~
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
miii
niL)
~
i
a(O-:<w
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
dC01JiLtuLtui.JlLtu&i-tiLt44-iti3i-VWtui~fiitulJiLtu4-4-4-i.NLtuCi4 Tgi--.l.4Lfl~lii9ugLfiCfutiE>-u3g
ti> IX
1)3 u
-uOdijiCLfi-i-Ji>l -j-02CiCAi2ICi2i
un u
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.~--
Fui
(Om0dO~~C.tiLO0003-.iO~(O3Oii-00001.tiLO3O0)NiCL)tlCi0O~LfltiCi4Li00)Ni0LflO00301L(OtO
it
mt
it
uu.toLitu-a3-O
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
--~
ru
uy> .33 t-u
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?
19
ti ji
~
i-fl~fi
0?
4231
i IX
mro
202000002OC021-hA,C000>7i002h7LDOOOoOOOOOOOCO-i00000002 u
>71
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
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
TI u 1
LtufihfiL31TlLfiJiLI3JiLtu
4A9Lfi3-Jvtu>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
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
2) Y IX
ir
E>
u~
-t ii-iiu.iiE-~tuCi~01>u _ ull
>iiv
u
jigVniLi.) fiC J2?-CufiO
u
iv
Li43-<t0Jii
(OLi0
ti CuOOOOOOOO7>0000>7C020C0
1
u
u it
u u
it u i
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-
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
-
u
u 1 --iii
--A
1
-A u 5 u 21 ciu
Li---ti
-3 lfiTgT424-.I
E-.3fi
rn-t
Ti
i.o (-fiOCy>
uit <iii
7?Vi
3ifit;
CC
t
<u
1Ci,L314--s--ini-L)Ji~t~u.3ug--O)-4CI~L314..21-inifihi--44-(On3O) iii Tt it
tui tui
tutu iii
>
u 71
-it ji
Ci
E-i 3(3
O lUCO
-i)
03-nf)) CCifu
1 Cfi
un 2
ji
r
ti3.u~E-JiL(30Lfi0LJl7>01~0(aifi
utufi~tu-~o
i.v>i-~0-
juu~E>u2.0CE-E--
jifi
2,
TI
u d
ii-ii
ni
tii-CiiiiCuiiilitCiii0(O ttu4- di 0>4-O Jiidlf
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
-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 <u CC Cf -77) 03 1)) 0) CO 03 <Ci O) i?LCL)) Ci? Ci) DLi CC <fi CC O) Ci3 CO fliflifi(-tu(-fiiJiLtu(-tu(-fi01i3tLfiuLtuLtu.Ji01uJi01Lfi>3lLtuiJiLfiLfiLfiituiJi~Ji(-tuLfintui-fih9Ltulfi01Lfiitu
-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> ~ ~
-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-
E-u
Co ~LiLL
ii-ii-Li --
~ .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
-4
mit ng
Ch!
-A
tutu 4-L
If Li-ii
miii
000E>OC0000000000-7>020>7u
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-
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
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?
IP
r
Ci ti
tNu
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-.
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
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
ro ><i>
>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) <u COChA 03ff 03ff cfu DL> 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?)
.4nuuui.-..
x--<u uifi-fi
o u IX u no un
u-]
4-i)u--Tu.ht-u.i 4-i4-i-fiigLi.i4-fuii.uuIcLiuOtiLOO-33C~DLiCi -ti-ru iii ngSTiC>~u< UOniTS3-O-i
~
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
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
_
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
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
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:
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 ~
di--i-tu.fu
360
03i-4E,
OuA ini
u
uuii
miii
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
ro
it
ti
ti
u
n
2-
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
irit0 Li
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
-
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
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?
(1iutu<i>40TtaCt-(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
361
liii
uii-uTiui.i-iiu-ijm>i
i.utS~~n.4ui
.4
u
IT
Li mi
u
i>f.
u
viii. tu
u:>
ig -A
u
-.Li-C0u
iit Ti u
fiLE
iili-ir-iT-vCidOCfi4-lvfl0CO Tt
u lu
iijLiLl-t)~i
litill
277 fu u u
>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.
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
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
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
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
1 u?
>4-?) E-iI ~--
3
I~
11H
Ci 4-NuOiLLilOi u>itlO.Ci
u4-
--ti--J-l4-3>iii-4riCiiiuii-i?iitu.AACi4--liCuTIE-v i4u4-i--iLu0i?1i-tii.Cii--OOCCl0~Od<i
-tufuj- tiff
iii
1~
n
Ca-tu> 33>
ti
u--ini.,
.. --m
tVi .g
-1w Ci
--
fi4-v3-iO
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
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
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 n
TI 111 2-9
0
tu.t-itltuSTfiATI-ST~fii77tum119TI44-4-L-t.L11Ci-4-L31fi-ST4-.(-fi
lO.ufin?fiu..
nu3-)(-.iiuiu9ii
Cu,4-iiEu-u
ti
LA t-Lfif-4717-3t.it-#iCfiM?CuttO
u->
-iii.
-----Li tfl~tu<<i t Ir
(3)0- 4-.i
i>i-~
<~<
d~-tirfii
4-
-u
-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
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
Ci
-uiit.u
tuTvnit~tai--Ji-tu.
Ni
Di 0
03 (-31
0 <uN
u (-fi
2
fu) ffu
(i3iu.iLitit-OtONJthuLi
ioumi-.itauvLiNLititt.u
it
tu
tt
uu-u 2: u 7!-
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
-<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
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
to u y> u u
ti
(Otvut-ONN4iu.it.u 4-LOO003>40(O0-q3L.(-fii(O3>O
ii
u
0? 07
tt
Lii
u U
Y
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
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
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
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
u2
IX
T i
u -V
u --4 u-A
flua
CE u <u
~ IT
mu
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
2
(Ot-1n3~t-tat.4-i-(-fi
-4L.hU>TuIT?. tCi--(uu
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-
93
tt
u.
ti
u
i
u u
tu4.CU>DLi~d4-u.hi.2Li u u i u u u
1 u tul
T2:
u 7]
rl)
11>11
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
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.?
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 <u lUC CC CL -nr 2< rE ufi-STSTufi11JiSTLtu-i-TIu?tui51LA-fi(-fi(31y31-51dTCL31(-31L31L31(-tuhfiVtu-AxfiiJiLfi
Ci LiL>ig AA 21
- -
7]
--d--.i>4-4--d>4-d-.uNi-uJ-.4--u--udL-uO),
Ui.i
t.it4-ti-mhlJiiJi>4>u~N4-4-ciMjNiC>?
.E>i
40
4
~t-uu
Cu--u iltiuiCaSi.~-li(-fifi
>cu.tuCfiflE-iilOu4-
t
u
--
Ci
364
4-h.i~ d 4-.-u
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:
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<i miu.--tW hCiuiJi~?tittm4T.--i--(uitti4-hu.iN4Ci-Ciff400101 30
-
tu.)(Lhli4-4-Nyiu
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
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
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
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>
-A
u 77 21 Cg
iii
(3.3-5N4t.uu-itOl-u
O ~ ti ififi
~
3-aLitd3-Otit3-uot-it
u u
ti?
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
u
<u O) Ci? 0)2?
u u u u u u u u u u u u u u u u u t u u u 03 CC 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
u
3-a i--Nudfi(OC31
-
hJiiy>Lii--~.~~fr5<~44-3*hNuuxuL4-(Oyiuu<
--CLALA-U>-JomaCOEfl4-0i-J--.u)0)fu)07iCCu(aO)>Jih.u<u-LOLiuO
IL
ru-7<1
uCuFg4) ij~i ~
365
ti- tu
u?
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-OCu000CiOO00ihiti< u it tu u t u u
un
mm
ti-
4-4-4-4-4.4-4-4-4-4-4-4-4i4-4-4-4-4-4-.ti4-L4-4-4-4-4-4i4-~4t.4-4-4-4-L4-4-4-4-
u un
-
.i.itCi
i.ii>014-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
ua
-
tO(L~
LIT---Jg--T0
C-0)0.20(3~my A-d--Cru
Ji ufi Ci
-A CE ir
4u
u
OOZ>7CuOOOODOOOOCuCOOO0O
u tui
ti
uno uro
Ci
0)C<iCf.DLiihiitCriCODiDi03O7iChU>0)0307i0)CI?OAYiWCri0)0307u0303Cfl07uCh)COCCiDi07.uCOCCiCi)niDi0)Cri0)DLufu)n)i70CCi03O)-VCCi
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
Itt
IH
t-0Ci30--]LIS i.uiJiCi~4-CitO--O)CO>4003LCr4-OLOCfiL5l (Ota(1-JiLmitt-s---Li3-4LtuU.fi ~ Nu---lu?---i? 01LO010IlsNi
ir ix> u
CC u-)
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
~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 <u O) CO C)) 3)
u i
Pl
7]
t
(-tudli1t01Ltu51u51uJi01lJi01m51i51iJiLtu01ST0101iSTSST51IJiL1101IJiLflLAi51Ltui51Lfii51iSTtJi(-tuuLACfl014-4-4-44-4-4-4i-4-
u
OyiCV-laLuU>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
-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
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
ni.-
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
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
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
03 >4
tu
t-.uLfu?i
0-4-Ca-
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
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
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
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
l5i-]
ch-ti 06400
PC 25 u)
(34u-itNit--.)t.ui5
Njtat-43-t-.it3-.)N)tU>
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--.
IX Co t AA
-A
u
w
CuhC.gr.CF.)Nui-~ -aO 4-
(-31ti4-ifi~~Ci
-9 ut 21 2-?
367
tu
>
T-g i->u-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
WU4-NUm3-Otdu.ht-,Jt-
it
it
itt
ti
tt
itt iii it
II
iiu
ir
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~
ir 77.) LO
CiU>t.U>t-a--)3-Ot-5t-it Ci
NU>t-.U>t-)t-ONUut--itNU>tV
tu)
u u-u CO
O
4.
Ci--u-d>4Ni>dNi--dNi>4i--u.u-u>4
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
--.
(34 LO (uit 15 iS u d t u u i u i 9 t
u
ml
iT 21
>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.
3*ityitu.)hu~tt-ON)t-dN4t-O
iii
iii
miii
tt
itt
liii
ti
it
ti
iii
uno in
E- tI?
2)
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
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)
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
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
-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-.
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
_
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
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
LtuLfiLtuiJiLfi0101L31iJi010101LJIT01L)ii.flLfiii-flLTI0101LALfiLtu(-fiLhLfiLfiL11LtuLfiLflCtTLTI(-fl01(-fi(-310101014-Lt.t.iL4-ti-t-..
7!-
ti
2-
C-C-CC
Ci- Ci Cc
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>
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
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
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
OCtuCi.htO
u u
-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
h
-9
1
N4tuiu u 2:
it O
PIE) ZH -rP~
H Ti.
;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
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-
7! 0t-v001i7>0c31hJi00CL3103-000010O00000000J3000uJi0100000101CJi00001LJi0
2:;
uno u
ID
IX
CL-
Ti
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
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
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
-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..) ~
TV) H
~
4-4-
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
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
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
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 Li
<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<u
Vg.
ti.
u
iii>
u -aLficiA
372
1--i.u3-.->t-u u u
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-
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
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> ~
(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
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
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
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
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
(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!
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
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>
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<i<u ~t-~TIi-fi01OUiLfiCD03010t-O01LtlCLfi51i4i4-Li 01LAO000.4lLIT5101L310>JNi010 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
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?
Fi
fi 7! 03
Ci
U
A
Nl
~j
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-
El
r
u-
1<
tid u
u -AACV-AAu iOC..AAuilO0iAAE-ii.2.uiE-uiDOOO>7i0OO2uO21iDO2iOiAAu2iOOO>7uOOOC~OOO2iOlOulO.fl2uiAA2.
-
IX
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]
iii
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-
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-
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
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
u CA
>0
(OLi--ONiCi
ti
iii
ti~
iii
iii
ti
miii
ti
ti
it
iii it
it
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-
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
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
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-
<u
u.) Li.) (Li (O Cu CC Ci? C4(3.)La it Luit -- -It. CC (3.> 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
(uit
tu
u u u
0) >4 U- 01
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-
-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!
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
u
iii ti
ti
tt
tt
mmiii
iii
tu
ti it
uoi-)u.ub)bi.415b4t0
51Si?>LACi.CiOCi~C~C~Ci~Ct ~
O ~
(-O
it-C
O
u 7<u IX uro
i t
-- xi
A
-9
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 Ch))? OiOu
En
u
u? u]
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<u on ~ii 07 03 Ci? CiA CO <Ci CO DL u.) u)? ti CC El? CO 03 07 Cu <Fu Cr CO fi -? u Cr Ci 03 Chii?O FO Y CO 03 DL 03
umt 3-ml
E-u
u u u u u CC O? CC CC C.U> 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
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
u i
u u tt iii!! iii
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.
O-Ei-m-d--u>4.-di-d-t-d-JO d0OLimatOLi(0.ti-<iW>4d
IX
ififlE-
uno
u- u
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
(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
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
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
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
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
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!
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
tUi
377
Cg>~it t.>Fih
4-WC tui iii
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
2
-
uA
ff4 va
Cut>,
NS
u ti
.4<13.4 0<9di <4 04-Ni
IT
----un
-fO
u
1
it
tu
it
ti
tt
mii
ti
itt
it
uit u iii
0 u
uno uro
TUIC 1-
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?
~< u _ u CV
lix> 0i-dti-AACi.~iAO4---(-fiiiifl-]Ji<i
-L--uhiC---u;-Liu
4W.)-
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
7!--. ~
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<i O? Cr cfi fil Ci -fi<u iiEi CO O? Cfi Cm? 03 Ci? CO CO O? 07 fi Ci) CC 03 Cfi O) O) lU Cr 03 07u DL ChA CO Cr O)uAA 03 CC CC --3U>
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
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
rentabilidad
corrientes
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
cotizacin inicial
379
Esto se repite para la cotizacin de cada sesin hasta para aquella en que el nmero de sesiones posteriores x.
1
es
la
la rentabilidad
obtenida despus
x i+60 -x
x.
1
.100
i=l,2,
...
,140
despus,
calcular
la
rentabilidad
al promedio aritmtico de
b) Rentabilidad semestral
En veinte
La rentabilidad
sesiones com-
cotizacin inicial
loo
cotizacin inicial Es decir, si consideramos como antes x.
1
como
cotiza
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
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
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
8. Vizcaya FECSA
382
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
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
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
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
.
2 .640394 5.5328114
En el intervalo
este l19
caso
,
transformamos
el
intervalo
2545
en
Ampliamos el intervalo para que contenga a todas las rentabilidades de la tabla semestral.
De
la
misma
forma,
por
tanto,
obtenemos
la siguiente
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
Hemos construido la relacin de este modo, considerando la hiptesis de que a la la probabilidad de invertir en un ttulo
rentabilidad
Esta hiptesis
la rentabilidad es b
,
normalizada de un ttulo es
y la de
ttulo
dos
matrices
de
relacin en
.
de
valores
figuran son de
a continuacin dimensin
tres
pginas
debido
30x30
Encontraremos en cada
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
mm Xuw~-~ xmZ~
2-o
nI~9)o
0
L~
LO
O
-
1-
9)1) iii) 0
2.
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
I1GLflUii
N
It
1 o O 0000i-0i-.
.<nsuiiut~-,.~~-irri.
Lo
0 000 0 0 0 0 0 0 0~
-~
..fl <1
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
-~
3:
o O Ci O 2 0 0 0 0 0 0 0 00
0 0
fl
00
00
000
00
0 0 0
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
0-4
-(0<
u? 0
2~
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 omi<u u .971 uuno m-fl2)m7!-i-137!-flt-7!nflfl7!. -u --~ ji ro IX Cl) O -. 7!- 7 2) sjufl U>1-0 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
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-
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<i
--Ti
2> 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
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> <u 0 O4-L.i- >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
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
41
Ui-Z
COCg3
-r
IX
7!-
tuL onolun
77
ni
uu
U
V.OE>ACAi7>Ci~-02i21OOO0O2OO0OO--OE>iOOE>u
ro
Ci.)
-cF
A3n CO
2)
ji
nl) Li
O>-4(0(0
Li
4-t
(0 Li
(uit
(04-LE
-Ci
2)
lo
4-
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)---
Ci?
-,
Ti
H
~J
ni ji
-un
OOOOOtuOOOO---OOOO
CCi -ti 3>3 uit .ti u? Cut
!pl
y> Si C- Li
ti)
(0<
3a) (-31-- 0
2
it O O? u? Ci? (U> 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
<u FO
E-u <-
O
lUu.iaC4-CLbgJtit 2
4)
ni
DL?4001
<u
0(0
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
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 002<u
(uu2O
(33
O
A
<u O
Ti
H
034-4-0>4-30 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>? >-<u dwO.OAEiDLu0>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
-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-
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*
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
ji
392
IIX
iFun-n>.>r n
---~ .<u~ii~ iii --~
17!
<E-flu m
t--~, ii-id
moror
f-T mr-CO -21 Fufo ?~fl-lCOCO
i
iii
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!
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
Li-
7!
.7
u-u
Ch
3>
7!
ji
tt --i)iai(3.Ligu(-fi-CLi-0 .cOA--3Cigo CAu..fi CLufiTI -u
Ti 4
O 01 CF.) Ci- DL-) (-ti .ti LO
u tfi
3
7!
u> 2.
fi
ki
y>
E>
~~~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
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
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
-u
7!-
393
Cu.n10mr(OroCflmr<tim
umr 7?
Fu1h1777& 2.
173 no un hin
OIX----<u1121jiiji
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
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
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
Ti
H
-u CuA 00
Li 3---J4- LO 0130(00101
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 <u CLA T5 -01 -7 (3.) <43 (-TI LO .31 fu 2 Si ufi it (O >51 0) 0 LO Ni 03 --u 4- - u <u 0 Lii 0 0 (OO) -00
4- 4-
-~
-Ti
o ni
Ti
7!7u
Dr
2u2 L?aO-x2u0u. OOOO-jaCaD xfi<5L4-u3buE>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
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 <u Dita (O df <51.3>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)
-<u CL 0 4 u.u Eg. -SAi -u.t -O ii 4- 0 Ci - <u (u? 10 LO (-fi 03 Li 35 >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 <u Cli> (O (-fi Ci- mu 43 Ci. (-fi (-fi ~in2--u 3-it0 (uit (04-lOT.) ta (O (u.) (-31
7!-
394
la metodologa mximo
expuesta de de
anteriormente,
vamos
autovalor los
trimestral asociados.
autovectores
Las componentes de los autovectores como ya se ha sealado sern las probabilidades subjetivas de invertir en cada valor.
del
problema,
comparacin
entre
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
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
El
autovector sea 1
.
est
normalizado componentes
para
que
la
suma
de
sus componentes
Dichas
son las
probabilida-
b>
Autovector
de
probabilidades
correspondiente
la
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
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
398
en
un
de
sesenta
por
tanto res,
y eran
mayosea
trimestral semestral
valor
embargo
la
rentabilidad
25.90909
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.
matrices trimestral
inversiones
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
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
Dejamos
pues
el
campo abierto
para aplicar
a problemas
400
NOTAS AL CAPITULO
(1)
R.
V.
BROOWN,
A. for
5.
KAHAN y C. 1974.
Decision
analysis
the manager.
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
of cybernetics,
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
5768.
Multiple objective decision making using fuzzy sets. Studies, International 1977, vol. 9 Journal
,
of
ManMachine
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
Conference, Chicago,
Three methods for eliciting subjective probabilities Masters New York. thesis, 1977. lona College, New Rochelle,
CONCLUSIONES
403
vez
llegados
este
punto,
concluido
el
ncleo si las
trabajo,
debemos
recapitular
para comprobar
puestas eficaces a lo largo de la exposicin que con estas conclu siones finalizamos.
Al
objetivo: por un lado, resaltar aquellas cuestiones que son funda mentales en cada uno de los cinco captulos que componen este
significar
concluido
trabajo,
constituyen motivos
importantes de refle-
parte su
del
ncleo
de ha
esta sido
tesis, la y
durante
lectura,
compilacin de unas
tema
planteado
introduccin. determinar
propuesto De
metodologa propuesta
para
probabilidades su aplicacin
subjetivas. prctica,
metodolgica y de
en el caso
se deducen evi-
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
enriqueciendo
definitiva,
llevando realmente
que proponamos
en la introduccin,
por
resaltar
algunas
cuestiones,
quiz de
importantes,
del contenido
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
probabilidades
ocurren
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
probabilidad
que
del contexto del problema planteado. slo podemos aplicarla aceptamos para la los
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
presentar algn sesgo planteemos su resolucin aceptando ese comportamiento ideal que supone el principio
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
restrictiva
medicin
algunos sucesos, ya que lleva implcita la experimentacin del fenmeno y teoricamente supone la aceptacin
406
d)
en sus plan-
teamientos.
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
e) La concepcin tar la
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,
asignar
alguna
informacin
Los
esquemas
de
coherencia
que
ha
de
seguir
la
asignacin
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
Tambin es importante resaltar algunas cuestiones funda mentales de la parte histrica de la teora de la probabilidad
Los primeros iniciadores plantean cuestiones parti culares con las que pretenden resolver determinados
408
ciones
combinaciones,
que
les
permitan
determinar
la probabilidad
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
algunos James
matemticos Bernoulli,
como
Bayes,
establecen con
importantes su teorema
generales.
Bernouilli,
la base de importante
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
los tericos de la probabilidad quedarn dividos grandes de escuelas: Clsica y Bayesiana, de donde
precisamente
esta ltima
escuela
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
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
probabilidades
objetivas y la
probabilidades axiomas
subjetiva buscan
objetiva coherencia
expuestos
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.
Koopman,
Anscombe y Aumann
con la
Suppes o la de Scott,
tamente estos cuatro axiomas. En definitiva, mas de De Finetti constituyen base la cualitativa probabilidad para el
desarrollo
subjetiva,
convirtindose
entonces
que ha de cum-
plir una relacin entre sucesos para que sea considerada una probabilidad cualitativa.
c) por
Y,
fu Savage, la ms
podemos razones:
completa
utilizacin que
entre misma
distintas
acciones. no ms
nueva que
relacin es
probable
sucesos forma
cualitativa. los
Savage
pone
todos
elementos
411
realmente En segundo
estarn lugar,
implicados por el
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
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
Por tanto, podemos decir que, al menos, tericamen te Savage no deja ningn cabo sin atar, aunque luego
412
d) tern ella es
La teora
fundamental Savage
hace
como
posterior
utilizacin
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
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
proporcionando para la
necesaria de
existencia con la
medida
probabilidad
compatible
probabilidad cualitativa para que te aditiva. constituyen Ambos una resultados novedad
sea numerablemen
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-
413
*_ *
Para
finalizar
estas
conclusiones ltimo
haremos de
punto
extraer las probabilidades subjetivas de un decisor. Estas, desde nuestro punto de vista, seran:
a)
Cuando se
le plantea
al
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
nar este problema es que el decisor compare por cociente parejas de probabilidades, situacin mcho ms razose generan las proba asequible para el
ms
decisor y ms
b)
La gran ventaja
414
porcione
la informacin
que
tenga acerca de la situaA la vez esta metodologa recoger que en las el respuestas terreno de de una
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
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:
no es
capaz
de
enfrentarse
a todos
presentados
a la vez,
para asignar
Las
axiomticas
del
comportamiento
coherente
no son suficientes para que el decisor resuelva en la prctica el problema, cuando este es algo
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
decisor, adems de la informacin probabilistica calculada, puede incorporar otro tipo de informacin de
BIBLIOGRAFA
417
de
resear es
la
bibliografa
especfica algunos
utilizada aspectos
doctoral,
necesario
sealar
de carcter
formal:
Las
obras
consultadas
sobre
INVESTIGACION CIENTFICA
se resean
Todas las obras consultadas que tengan carcter unitario de en forma de libro o folleto de ms no as
aquellos en
aparezcan que
se researn entrecomillados.
en
cada
referencia
la edicin
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
418
ECO, Umberto Como se hace una tesis. tigacin, Gedisa. estudio Barcelona Tcnicas y procedimiento
y escritura 1982.
Barcelona
1983.
VIVES, Jos Normas de metodologa para el trabajo cientfico C.S..C. Instituto P. Enriquez Flrez, Madrid 1967.
. .
419
Critique
postulats
axioma
de lcole pp:
Americaine.
Econometrica,
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
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,
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
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
422
BERNOULLI,
James
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.
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.
probability.
423
Philosophy
of Science,
1967,
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,
BOX, George y TIAO, G. C. A further Biometrika, look at robustness 1962, vol. 49, pp: via Bayess 419433. theorem.
424
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.
and decision. Technological 14, pp: 3945. forecasting and social change, 1979, vol.
CARNAP, Rudolf
The aim of inductive logic. en E. Logic, Suppes, methodology P. and philosophy (eds.). of science, Nagel,
and Tarski, A.
Stanford University
Press,
425
CERESOLE, Pierre Lirreductibilit lexistence Archives de lintuition des probabilits indmontrables. 255305. et
de propositions
mathmatique vol.
de Psychologie,
1915,
15, pp:
and bayesian solutions. Journal of the Royal Statistical Society, serie B, 1970
CHIPMAN, John 5.
Stochastic choice and subjective probability. en Dorothy Willher (ed.) Decisions values and groups
7095.
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.
255286.
COOMBS, C. H. A
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-
. .
427
CRAMER, Harald Elementos Aguilar, de la teora Madrid 1977. de probabilidades (1~ ed. Djursholm, 1956).
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.
DAVIDSON, D.
SUPPES, P. y SIEGEL,
5.
. .
428
DEBREU, Gerard
of
a preference
ordering by
a numerical
Proceses
por
Thral,
R.
14.
Coombs,
C.
H.
Davis,
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
mproving predictive distributions Trabajos de estadstica e investigacin operativa, tuto de investigacin operativa y estadstica, Insti-
C.S..C.,
429
DELGADO MANRIQUE, Carlos La toma de decisin en las organizaciones. Aspectos meto dolgicos Tesis doctoral. Fac. de CC. EE. y EE., Universidad Complu-
Sandy L.
822830.
DICKEY, J.
Beliefs
tive probabilities. Trabajos de est. e mv. op.; Inst. de mv. op. y est.,
DOLBEAR, F. T. Jr. Individual studie. Yale Economic Essays, 1963, n2 3, pp: 419470. choice under uncertainty an experimental
DREZE, Jacques
430
EDWARDS, Ward
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.
Bayesian statistical inference for psychological research Psychological Review, 1963, vol. 70, pp: 193242.
EDWARDS, W.
PHILLIPS, L. D.
information
1968
431
EDWARDS, Ward Toma de decisiones Fondo de cultura econmica, Mxico 1979 (l~ ed. Penguing
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,
432
II 1966.
FERREIRA, Pedro E. On subjective probability and expected utilities. The Annals of Mathematical Statistics, 1972, vol. 43,
n2 3, pp: 928933.
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
Sub impostazione assiomatica del calcolo della probabili t. Annali Univ. Trieste, 1949, vol. 19, setion 2.
433
FINETTI,
of probabibity. Proceeding of the second Berkeley Symposium on Mathematical Statististics and Probabibity. 1950, ed. Jerzy Neyman,
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.
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,
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.
Macmillan,
New York,
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,
Mathematical
Statistics,
16051617.
435
FISHBURN, Peter C.
Utility
Management
A general theory of subjective probabilities and expected utilities. Annals of Mathematical Statistics, 1969, vol. 40, pp:
14191429.
Subjective expected utility with mixture sets and Boolean algebras. The Annals of Mathematical Statistics, 1972, vol. 43,
n2 3, pp: 917927.
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.
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-
437
Tesis
doctoral,
Fac.
de CC.
EE.
Madrid, 1984.
GILLIES,
The subjective
GIRON, F. J.
conjunta
de la probabilidad
subjetiva
estadstica e
investigacin operativa.
nst.
229247.
Caracterizacin
axiomtica
de
la
regla
de
Bayes
la
y Naturales,
GIRON, F. J. y ROS,
mv.
Op.,
nst.
de
mv.
Op.
y Est.,
GOOD,
438
Griffin 1950.
Co.,
London,
Hafner
Publishing
Co.,
Rational Journal
Kinds Science,
should
Science,
probability
as the measure
of a non-measurable
methodology
and
,
philosophy
of
science.
Nagel, Stanford
Technology
Press.
Cambridge,
Alleged objectivity; a threat to the human spirit? International 66. Statistical Review, 1978, vol. 46, pp: 65
439
GOTTINGER,
operationsforsch 509539.
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.
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
Statistical Society,
HEMPEL, C.
G.
and
A definition Philosophy
of Science,
1945,
HERSTEIN, 1.
An axiomatic Econometrica,
1953, vol.
2, pp:
HOGARTH, Robin M. Cognitive probability Journal vol. of processes and the assessment of subjective
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
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
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.
36, pp:
101116.
KENDALL, Maurice G. y PEARSON, E. 5. Studies Volume 1 Charles Griffin, London 1970. in the history of statistics and probability
y in
KEYNES, John Maynard A Treatise on Probability Macmillan, London and New York 1921
. .
443
KOLMOGOROV, Andrei N. Foundations of the theory of probability Chelsea Berlin, Publishing 1933). Co., New York 1950 (l~ ed. Springer,
of the
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,
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,
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
LTNDLEY, D. V.
-
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
LOEVE, Michel Teoria de la probabilidad Tecnos, Inc., Madrid 1963). 1976 (1~ ed. Litton Educational Publishing,
El proceso
de la decisin
econmica Complu-
Tesis doctoral, Fac. de CC. EE. y EE., Universidad tense, Madrid 1971.
6196.
447
131145.
de la regulacin
y la adopcin
de decisiones:
Madrid
1983.
LUCE, R. Duncan
Conditional Econometrica,
vol.
LUCE, R. D.
RAIFFA, Howart
LUCE, R. D. y SUPPES, Patrick Preference, utility and subjective probability en 3, Handbook Wiley, of Mathematical pp: Psychology 249-410. (3 vols.), vol.
448
MANSKI, Charles Learning ties and decision making when subjective domains 1981, vol. 9, n2 1, pp: 5965. probabili-
have subjective
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.
des de
probabilities. Henri
Fondements Poincar,
et
applications 3, pp:
lInstitute
1932, vol.
Probability, William
London 1939.
foundations of
of probability
Mathematical
Statistics,
use of Bayess
Mathematical
Statistics,
450
Annals 27.
of Mathematical
Statistics,
1931,
vol.
2,
pp:
23
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
NAGEL, Ernest Principles International of the theory of probability of Unified Science, vol.
Encyclopedie
methodology
451
Mathematical
MORGENSTERN, Oskar
Theory of games and economic behavior Princeton University Press, Princeton 1947.
NEWMAN, P.
READ,
Representation Journal
of Economic
Behavior,
Madrid
American Mathematical
Monthly,
452
Wiley,
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
353375.
PRESS, S. J. Bayesian inference in group judgement formulation feedback. Institu C.S.I.C. and
qualitative
controlled
397429.
PRESTON, 14. G. y
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
RICHTER, Marcel K. Revealed preference 1966, theory vol. 34, n~ 3, pp: 635645.
Econometrica,
454
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,
4763.
of
Mathematical
Statistics,
1964,
vol.
35,
pp:
Risk, amgiguity and the Savage axioms: The Quarterly Journal of Economics,
327342. Probabilistic Journal 62. prediction Association, 1965, vol. 60, pp: 50
Statistical
455
SAA.TY, T.
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
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.
1.
J.
Goods
probability
and
the
weighing
of
the
American
Statistical
Association,
1951
383384.
statistical
of American
Review
of
the
Rudolf
Carnaps
logical
foundations
of
of statistics 1954.
Recent tendencies in the foundations of statistics. Proceedings of the International Cambridge Congress of Mathematicians Press, Cambridge
University
The foundations of statistics Proceedings of fourth tical, versity 575586. Statistics of (1960)
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,
161194.
Implications
Journal of Philosophy,
Difficulties in the theory of personal probability Philosophy of Science, 1967, vol. 34, pp: 305310.
Reading
suggestions
for
Statistician,
probabilities Statistical
SCHLAIFER,
Robert
Probability and statistics fob business decisions ~acGrawHill Book Co., New York 1959.
458
SCOTT, D. Measurement structures and linear inequilities Journal 247. Mathematical Psychology, 1964, vol. 1, pp: 233-
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
SHACKLE, G. A non-additive measure of uncertainty The Review of Economic Studies, 7074. 1950, vol. 17, n~ 1, pp:
459
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,
Personal probability and statistical analysis Journal of the Royal Statisti. Soc., serie A, 1965, vol.
SMITH, David Eugene History of Mathematics (2 vols.) Dover, New York 1958 (1~ ed. 1923)
Carl Axel 5.
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).
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
SWALM, R.
0.
Utility theoryinsights into risk taking Harvard 123136. Business Review, 1966, novemberdecember, pp:
TODA, Masanao Measurement of intuitive probability by a method of game Japanese 40. Journal of Psychology, 1961, vol. 22, pp: 29
462
TODHUNTER,
Isaac
Cambridge
TATCHER, A. R. Relationships for predictions Journal vol. of the Royal Statistical Society, serie B, 1964, between bayesian and confidence limits
TVERSKY, Amos Choice by elimination Journal 341367. of Mathematical Psychology, 1972, vol. 9, pp:
in rational
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:
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.
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
464
WAKER, Peter Agreeing probability measures for comparative probability struc tures The 662. Annals of Statistics, 1981, vol. 9, n~ 3, pp: 658
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
WILSON, R. B. The theory of sindicates Econometrica, 1968, vol. 36, n~ 1, pp: 119131.
of prior
distributions
in bayesian
analy-
Journal
of
the
American 776800.
Statistical
Association,
1967
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,
Management 6175.
Science,
WINKLER, R. L. y MURPHY, A. H. Good probability assessors Journal 758. of applied meteorology, 1968, vol. 7, pp: 751
A treatise on induction and probability Harcourt Brace and Co., New York 1951.
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
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