Documentos de Académico
Documentos de Profesional
Documentos de Cultura
(i)
(ii)
(iii)
F es cncava,
F(y) F(x) DF(x)(y - x), x y,
D2F(x) es negativo-semidefinida3 x;
k (ak hk (x))
1
2x 2 y 0
1
0 1
la NDRQ en RF.
Adems, L(x, y) = xyz + 1 (1 x2 y2) + 2 (1 x - z).
Luego,
0= yz21 x
0=xz21 y
0=xy2
f (x) +
j (b jg j (x))
1
*IRk, (i, 0 =
, se tiene que
x,
L
) (j, 0 = j*(bj - gj (x*)) ) * 0 (j, gj (x*) bj).
xi
L(x, , ) := f (x) +
D g1
j ( b jg j ( x ) ) + j (a jh j ( x))
x,,
L
, (i, 0 =
)) ((j, 0 = j*(bj - gj (x*)))
xi
(j, hj(x) = aj) * o b g(x*).
j (b jg j (x))
1
Dg(x*) tiene rango mximo (tomando aqu solo aquellas gi que sean vinculantes en x*, y x*
incluye solo aquellas componentes que sean positivas), entonces * tal que
x, 0
L
x,
L
x, ) 0 i, 0 = xi*
L/ x i
(
j, 0 = j* L/ j (x*, *).
Ejemplo: max U(x) sujeto a: p x I x 0 (pg. 412 y ver solucin en pg. 442).
(Resolver los ejercicios 18.20 y 18.21 en pg. 442. Leer ejemplos y aplicaciones en pg. 4427)
4. Teoremas de envolvente
4.1 Problema irrestricto
Sea f C1(IRn IR, IR), y a IR, se plantea el problema Pa: maxx f (x, a).
Asumir que a, Pa tiene solucin nica, x*(a), y que x*( )C1(IR, IRn).
Entonces, si V(a):= f(x*(a), a), se tiene que
Demostracin:
Pero i, 0 =
d
V ( a) =
da
d
V ( a) =
da
dx
xf ( x( a ) , a ) d ai (a)
i
f
( x( a ) , a ) .
a
f
( x ( a ) , a ) , segn la CN1er ord. Luego, se tiene as la tesis.
xi
f ( x ( a ) , a ) , a .
( 4 a2 +2 ax x 2)
a
(4 a2 +2 ax x 2 ) = 2a
x
d
( x( a ) , a ) = 10a.
da
f
( x( a ) , a ) = 8a + 2x*(a)
a
= 10a.
Entonces
d
V ( a) =
da
L(x( a ) ,( a ) , a) .
L( x( 1 ) ,( 1 ) , 1) =
= 1/ 2 = y*(1) *(1) = . Luego, da f ( x(1) , 1) = a
-1/4.
Si se pasara del valor 1 al valor 1.02, el valor mximo del problema pasara,
aproximadamente, de a + (-1/4)(0.02) = 0.495.
Teora de la Probabilidad
1. Probabilidades
Definicin: El espacio muestral, S, es el conjunto de todos los posibles resultados del
experimento aleatorio considerado. S puede ser enumerable8 o innumerable.
Definicin: Un evento es un subconjunto de S tal que pueda apostarse a que ocurrir o no.
Definicin: Una -lgebra (o campo de Borel) en S es una coleccin de eventos entre los
cuales est el vaco, que con cada uno de sus miembros contiene al complemento de ste, y
que contiene a la unin de toda familia enumerable de sus elementos.
Esto es, una E 2S tal que E (AE AcE) (i de IN, AiE
i Ai E).
Observaciones:
1) Las leyes de De Morgan implican que: Toda -lgebra es cerrada respecto a
intersecciones enumerables.
2) Si S es finito, se toma, habitualmente, 2S como E.
3) Si S es IR, se toma como E a la menor -lgebra que contenga todos los intervalos
(llamada la -lgebra de Borel en IR).
4) Se exige que la coleccin de eventos sea una -lgebra.
Definicin: Dados S y una -lgebra E en S, se llama medida probabilstica en (S, E) a una
funcin P: E [0, 1] tal que:
P(S)=1; y si los elementos de una coleccin de eventos {Ai : i IN} son mutuamente
P( A i) .
disjuntos, entonces P( i Ai ) = i
Estos son los llamados axiomas de Kolmogrov.
(Ver ejemplo del lanzamiento de un dado)
Cmo puede definirse una medida probabilstica en (S, E)?
Teorema: Si S = {s1, , sn}, entonces cualquier {p1, , pn} [0, 1] tal que 1=i pi
determina una nica medida probabilstica, P, en S. Ella es dada por P(A) =
{k :s k A }
pk
Teorema: Si P es una medida probabilstica en (S, E), entonces P()=0 P(Ac)=1 - P(A),
A de E.
Teorema: Si P es una medida probabilstica en (S, E), entonces A,B de E, P(BAc)= P(B)
P(BA) P(AB) = P(A) + P(B) - P(AB) AB P(A) P(B).
(Ver el ejemplo 3 prisioneros en pg.21-1 acerca de cuan resbaloso puede ser el concepto
de probabilidad condicional)
Tambin es fcil verificar que si P(A) > 0 P(B) > 0, entonces P(AB) = P(BA)P(A)/ P(B).
Teorema (regla de Bayes): Sea {Ai : iIN} una particin de S tal que i, P(Ai) > 0, y sea B
P(B/ A j) P( A j)
1
P( B j) .
1
Definicin: Una variable aleatoria en (S, E) es una funcin X : S IR tal que B de la lgebra de Borel, B, en IR, X -1(B) E. Abrviese por varal.
Teorema: Una funcin F : IR IR es una fdc de alguna varal si, y solo si,
(0 =
x F( x)
lim F (x)
1=
F es no decreciente F es diestro-continua).
lim
x
(Ver los ejemplos tossing for head y continuous cdf en pg31 y 32)
Teorema: Las varales X y Y en (S, E, P) son idnticamente distribuidas si, y solo si, zIR,
FX(z) = FY(z).
Ejemplo: Lanzar una moneda hasta que salga cara. Sea p la probabilidad de sacar cara en
un lanzamiento, y sea X la varal: nmero de lanzamientos hasta que salga la primera cara.
Entonces, xIN, fX (x) = P(X = x) = (1- p)x-1 p.
z 1
(1
p)
p
,
si
z 0, si z .
Luego, zIR, fX (z) =
Observacin: Si X es una varal continua, entonces a, b IR, P(a < X < b) = P(a X < b)
= P(a < X b) = P(a X b), pues 0 = P(X = z), z.
Teorema: Una funcin f :IRIR es una fdp (o una fmp) de alguna varal si, y solo si, x,
f (x) ).
f(x) 0 1 = f (z)dz ( 1 = x
2. Transformaciones y expectativas
Definicin: Una funcin real medible es cualquier g: IR IR tal que AB,
g1
(A)B.
Luego, si X es una varal en (S, E, P), entonces gX es tambin una varal en (S, E, P).
As, la distribucin probabilstica de Y := gX es dada por P(YA) = P(gX A) = P(X
1
g (A)). Ella satisface los axiomas de Kolmogrov.
Si X es una varal discreta, entonces Y := gX es tambin varal discreta y fY (y) = P(Y = y) =
P( X=x) = f X ( x ) . Adems, si y img(g), entonces f (y) = 0.
Y
x g ( y)
x g ( y)
1
1
Si X es una varal continua, entonces con Y := gX, FY(y) = P(Y y) = P( g ( , y ] ) =
f X ( z) dz
g ( , y ]
E[gX]:=
g ( x ) f X ( x ) si discreta
que E[X] =
1 x/ dx
xe
x /
= 1 e , para x 0 y > 0 dado, se tiene
= .
Teorema: Sea X una varal, a, b, y c IR, y g1, g2 tales que existan E [g1] y E [g2]. Entonces,
(i) E [a g1X + b g2X + c] = a E [g1X] + b E [g2X] + c;
(ii) g1 0 E [g1X] 0
(iii) g1 g2 E [g1X] E [g2X]
(iv) a g1 b a E [g1X] b.
(Ver ejemplo minimizing distance en pg. 58)
x /
= 1 e . Ya se ha
== .
f (x , y )dxdy
10
g ( x , y )f XY ( x , y) dxdy
IR
f XY (x , y) dy
IR
fY (y) =
f XY (x , y)dx
IR
g ( y ) f ( y x)
y
g ( y ) f ( y x)dy
y similarmente
IR
para E [gX y]. Estos valores esperados condicionales tienen la propiedades lineales
usuales.
(Ver ejemplos en pg. 150-2)
10 Es decir, A de B,
g1 (A ) B2.
Definicin: Si (X, Y) es un vecal bidimensional con fdp conjunta fmp conjunta dada por
fXY (x, y), siendo las marginales f X (x) y f Y ( y ) , entonces X y Y son varales
independientes si xy, fXY (x, y) = f X (x) f Y ( y) . En tal caso, f (yx) = f Y ( y ) f (xy)
= f X (x) .
Lema: Las varales X y Y son independientes si, y solo si, funciones g(x) y h(y) tales que
fXY (x, y) = g(x) h(y).
(Ver ejemplo de pg- 153)