Nash 2 33

UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENERÍA QUÍMICA
INVESTIGACIÓN OPERATIVA
SEXTO SEMESTRE
PRUEBA DE
INVESTIGACIÓN
OPERATIVA
Game Theory
ELABORADO POR:
AMANDA NAVAS
2018-2018
1. PRINCIPIO DE INDIFERENCIA
1.1. Definiciones
El principio de indiferencia es en el cual se mantiene un estado de equilibrio sabiendo todas
las decisiones del entorno, tomando en cuenta las mejores. El principio de indiferencia afirma
que cuando hay varios eventos posibles y no hay razón para primar ninguno frente a otro se
asigna la misma probabilidad a todos ellos.
Una estrategia mixta de un determinado juego es una mejor respuesta a las estrategias mixtas
de los otros jugadores si cada estrategia pura en su apoyo es también una mejor respuesta a
las estrategias mixtas dadas de los otros jugadores.
El principio de indiferencia dice que si un equilibrio mixto requiere que un jugador use dos
estrategias puras distintas con probabilidad positiva, entonces el beneficio esperado para ese
jugador por usar una de esas estrategias puras equivale a la ganancia esperada para él, por
usar la otra estrategia pura, asumiendo que los otros jugadores están jugando de acuerdo con
el equilibrio.
1.2. Demostración
Teorema: sea 𝛔∗ un equilibrio de estrategia mixta de un juego de forma estratégica,

a su vez 𝐬𝐢 y 𝐬̂𝐢 sean dos estrategias puras del jugador i. Si 𝛔∗ (𝐬𝐢 ) > 𝟎 y 𝛔∗ (𝐬̂)
𝐢 >𝟎
entonces:
Ui (si , σ∗ −i ) = Ui (ŝ,i σ∗ −i ) (1)

La razón por la cual este teorema se mantiene es simple: si el pago esperado para el
jugador i cuando juega estrategia pura si es más alto que cuando juega ŝi , entonces
él puede mejorar su pago esperado aumentando la probabilidad de jugar si y
disminuir el probabilidad de jugar ŝ.
i
Comprobación: Supongamos por contradicción que la Ecuación (1) no se cumple.

Sin pérdida de generalidad, supongamos que:
Ui (si , σ∗ −i ) > Ui (ŝ,i σ∗ −i ) (2)
Sea 𝛔∗ la estrategia de i definida por:
Entonces:
1
Ui (σ∗ , σ∗ −i ) = ∑ σ(ti )Ui (ti , σ∗ −i )

ti ∈Si
Ui (σ∗ , σ∗ −i ) = ∑ti ∉{si ,ŝi } σ∗ (ti )Ui (ti , σ∗ −i ) + (σ∗ i (si ) + σi (ŝi )) Ui (ŝ,i σ∗ −i ) >
∑ti∉{si,ŝi} σ∗ (ti )Ui (ti , σ∗ −i ) + σi (si ) Ui (si , σ∗ −i ) + σ∗ i (ŝi ) Ui (ŝ,i σ∗ −i ) (4)
Ui (σ∗ , σ∗ −i ) = ∑ σ∗ i (ti )Ui (ti , σ∗ −i )

ti ∈Si
(5)
Ui (σ∗ , σ∗ −i ) = Ui (6)
Las igualdades en la ecuación (4) y la ecuación (6) se deducen de la definición de σ,

y la ecuación (2) se sigue de la ecuación (1). Pero esto contradice la suposición de
que σ * es un equilibrio, porque el jugador i puede aumentar su recompensa al
desviarse a la estrategia σ´i . Esta contradicción muestra que la suposición de que la
ecuación (1) no es incorrecta, y el teorema por lo tanto, se cumple.
 Ejemplo1
Para el juego de estrategia mixta: Γ = (Uk,k=1,…,n , pk , ПSi k )
Encontrar q1,q2,q3 aplicando el principio de indiferencia

q1 q2 q3
p1 a b c
p2 (d e f)
p3 g h i
Al tener q1 , q 2 , q 3; existirá u1, u2 , u3
u1 = aq1 + bq 2 + cq 3
u2 = dq1 + eq 2 + fq 3
u3 = gq1 + hq 2 + iq 3
Mediante las siguientes consideraciones y aplicando el principio de indiferencia se

tiene que:
𝐮 𝟏 = 𝐮𝟐 = 𝐮𝟑
𝐪𝟑 = (𝟏 − 𝐪𝟏 − 𝐪𝟐 )
𝐪𝟑 = (𝟏 − 𝐪𝟏 − 𝐪𝟐 )
a) 𝐮𝟏 = 𝐮𝟐
2
aq1 + bq 2 + cq 3 = dq1 + eq 2 + fq 3
aq1 + bq 2 + c(1 − q1 − q 2 ) = dq1 + eq 2 + f(1 − q1 − q 2 )
aq1 + bq 2 + c − cq1 − cq 2 = dq1 + eq 2 + f − fq1 − fq 2
aq1 − cq1 − dq1 + fq1 = −bq 2 + cq 2 + eq 2 + f − fq 2 − c
q1 (a − c − d + f) = q 2 (−b + c + e − f) + f − c
𝐪𝟐 (−𝐛 + 𝐜 + 𝐞 − 𝐟) + 𝐟 − 𝐜
q1 =
(𝐚 − 𝐜 − 𝐝 + 𝐟)
b) 𝐮𝟐 = 𝐮𝟑
dq1 + eq 2 + fq 3 = gq1 + hq 2 + iq 3
dq1 + eq 2 + f(1 − q1 − q 2 ) = gq1 + hq 2 + i(1 − q1 − q 2 )
q1 (d − f − g + i) = q 2 (−e + f + h − i) − f + i
𝐪𝟐 (−𝐞 + 𝐟 + 𝐡 − 𝐢) − 𝐟 + 𝐢
𝐪𝟏 =
(𝐝 − 𝐟 − 𝐠 + 𝐢 )
c) Igualando el valor de 𝐪𝟏 = 𝐪𝟏
q 2 (−b + c + e − f) + f − c q 2 (−e + f + h − i) − f + i
=
(a − c − d + f) (d − f − g + i )
[q 2 (−𝑏 + 𝑐 + 𝑒 − 𝑓 ) + 𝑓 − 𝑐 ](𝑑 − 𝑓 − 𝑔 + 𝑖 )
= [𝑞2 (−𝑒 + 𝑓 + ℎ − 𝑖 ) − 𝑓 + 𝑖 ](𝑎 − 𝑐 − 𝑑 + 𝑓)
𝑞2 (−𝑏 + 𝑐 + 𝑒 − 𝑓 )(𝑑 − 𝑓 − 𝑔 + 𝑖 ) + (𝑑 − 𝑓 − 𝑔 + 𝑖 )(𝑓 − 𝑐 )

= 𝑞2 (−𝑒 + 𝑓 + ℎ − 𝑖 )(𝑎 − 𝑐 − 𝑑 + 𝑓 ) + (𝑎 − 𝑐 − 𝑑 + 𝑓)(𝑖 − 𝑓)
𝑞2 [(−𝑏 + 𝑐 + 𝑒 − 𝑓 )(𝑑 − 𝑓 − 𝑔 + 𝑖 ) − (−𝑒 + 𝑓 + ℎ − 𝑖 )(𝑎 − 𝑐 − 𝑑 + 𝑓 )]

= (𝑎 − 𝑐 − 𝑑 + 𝑓 )(𝑖 − 𝑓 ) − (𝑑 − 𝑓 − 𝑔 + 𝑖 )(𝑓 − 𝑐 )
(𝒂 − 𝒄 − 𝒅 + 𝒇)(𝒊 − 𝒇) − (𝒅 − 𝒇 − 𝒈 + 𝒊)(𝒇 − 𝒄)
𝒒𝟐 =
[(−𝒃 + 𝒄 + 𝒆 − 𝒇)(𝒅 − 𝒇 − 𝒈 + 𝒊) − (−𝒆 + 𝒇 + 𝒉 − 𝒊)(𝒂 − 𝒄 − 𝒅 + 𝒇)]
d) Sustituyendo 𝑞2 𝑒𝑛 𝑞1
𝑞2 (−𝑒 + 𝑓 + ℎ − 𝑖 ) − 𝑓 + 𝑖
𝑞1 =
(𝑑 − 𝑓 − 𝑔 + 𝑖 )
3
(𝒂 − 𝒄 − 𝒅 + 𝒇)(𝒊 − 𝒇) − (𝒅 − 𝒇 − 𝒈 + 𝒊)(𝒇 − 𝒄)
𝒒𝟏 =
(−𝒆 + 𝒇 + 𝒉 − 𝒊) − 𝒇 + 𝒊
∗
(𝒅 − 𝒇 − 𝒈 + 𝒊)
e) Sabiendo que : 𝑞3 = (1 − 𝑞1 − 𝑞2 )
𝒒𝟑
=𝟏
(𝒂 − 𝒄 − 𝒅 + 𝒇)(𝒊 − 𝒇) − (𝒅 − 𝒇 − 𝒈 + 𝒊)(𝒇 − 𝒄)
−{
(−𝒆 + 𝒇 + 𝒉 − 𝒊) − 𝒇 + 𝒊
∗ }
(𝒅 − 𝒇 − 𝒈 + 𝒊)
(𝒂 − 𝒄 − 𝒅 + 𝒇)(𝒊 − 𝒇) − (𝒅 − 𝒇 − 𝒈 + 𝒊)(𝒇 − 𝒄)
−{ }
𝑢1∗ (𝑞1∗ , 𝑞2∗ , 𝑞3∗ ; 𝑝1∗ , 𝑝2∗ , 𝑝3∗ ) ≥ 𝑢1 (𝑞1 , 𝑞2 , 𝑞3 ; 𝑝1∗ , 𝑝2∗ , 𝑝3∗ )
El beneficio será el máximo siempre y cuando tome las más optimas decisiones (*),
y mi oponente no tome las mejores decisiones.
 Ejemplo 2:
Para el juego de estrategia mixta: 𝛤 = (𝑈𝑘,𝑘=1,…,𝑛 , 𝑝𝑘 , П𝑆𝑖 𝑘 )
86 Personas juegan piedra, papel o tijeras.
𝑞1 𝑞2 𝑞3
𝑝1 10 20 11
𝐴 = 𝑝2 ( 8 6 9)
𝑝3 1 11 10
𝑝1 = 𝑃𝑖𝑒𝑑𝑟𝑎
𝑝2 = 𝑃𝑎𝑝𝑒𝑙
𝑝3 = 𝑇𝑖𝑗𝑒𝑟𝑎𝑠
𝑞1 = 𝑃𝑖𝑒𝑑𝑟𝑎
𝑞2 = 𝑃𝑎𝑝𝑒𝑙
𝑞3 = 𝑇𝑖𝑗𝑒𝑟𝑎𝑠
S1= (𝑝𝑖𝑒𝑑𝑟𝑎, 𝑝𝑎𝑝𝑒𝑙, 𝑡𝑖𝑗𝑒𝑟𝑎)
4
𝑆1𝑥 𝑆2
= {(𝑝𝑖𝑒𝑑𝑟𝑎, 𝑝𝑖𝑒𝑑𝑟𝑎), (𝑝𝑖𝑒𝑑𝑟𝑎, 𝑝𝑎𝑝𝑒𝑙 ), (𝑝𝑖𝑒𝑑𝑟𝑎, 𝑡𝑖𝑗𝑒𝑟𝑎𝑠), … … … , (𝑡𝑖𝑗𝑒𝑟𝑎, 𝑡𝑖𝑗𝑒𝑟𝑎)}
41
𝑝1 = = 0,47
86
𝑝2 = 0,26
𝑝3 = 0,27
𝑞1 = 0,22
𝑞2 = 0,43
𝑞3 = 0,35
∑ 𝒑(𝟏) (𝟐)
𝒊 𝒒𝒋 = 𝟎, 𝟏𝟎 + 𝟎, 𝟐 + 𝟎, 𝟏𝟔 + 𝟎, 𝟎𝟔 + 𝟎, 𝟏𝟏 + 𝟎, 𝟎𝟗 + 𝟎, 𝟎𝟔 + 𝟎, 𝟏𝟏
+ 𝟎, 𝟎𝟗
∑ 𝐩(𝟏)
𝐢 𝐪𝐣
(𝟐)
≈𝟏
5
2. MINIMA ENTROPIA
La entropía o medida del desorden es directamente proporcional a la desviación estándar o
medida de la incertidumbre. Clausius, el creador de la noción de entropía, presenta como una
medida evolutiva y como la caracterización de procesos reversibles e irreversibles. Por lo cual
a través de las leyes fundamentales de probabilidad y su desviación estándar se puede
determinar la medida del desorden.
2.1. Entropía de Gina- Simpson
La entropía de Gini-Simpsons
𝑘
𝐺𝑆(𝑝) = 1 − ∑ 𝑝𝑗2
𝑗=1
(1)
Está relacionada directamente con la varianza:
𝑘
2 1 1
𝜎(𝑝) = − ∑ 𝑝𝑗2 − ( 2 )
𝑘 𝑘
𝑗=1
(2)
2.2. Entropía de Shannon
La medida de diversidad de Shannon se definió a partir de la medida de entropía introducida
por Shannon en conexión con el análisis de sistemas de comunicación y se puede interpretar
como una distancia, en términos de la divergencia de Kullback, a la distribución uniforme.
La entropía de Shanon se define por:
𝑘
𝐻𝑆(𝑠) = − ∑ 𝑝𝑗 log 𝑝𝑗
𝑗=1
(3)
La cuál está relacionada con la varianza:
(4)
2
𝑘 𝑘
2 2
𝜎(𝑠) = ∑(log 𝑝𝑗 ) 𝑝𝑗 − (∑ 𝑝𝑗 log 𝑝𝑗 )
𝑗=1 𝑗=1
2.3. Teorema de la mínima producción de entropía

Los estados estacionarios en las proximidades del equilibrio permiten demostrar un
teorema esencial para su descripción física, el llamado teorema de mínima
producción de entropía que puede enunciarse así:
En los estados estacionarios próximos al equilibrio la producción de entropía del
sistema es mínimo.
En efecto, sea un sistema en desequilibrio que soporta dos fuerzas Y1 y Y2 y sus
flujos correspondientes J1 y J2, del mismo carácter tensorial. De acuerdo con la
formulación anterior:
6
(5)
𝜎 = 𝑌1 ∗ 𝐽1 + 𝒀𝟐 ∗ 𝐽2 ≥ 0
Al estar el sistema próximo al equilibrio se aceptan las leyes fenomenológicas
lineales, es decir:
(6)
𝐽1 = 𝐿11 ∗ 𝑌1 + 𝐿12 ∗ 𝑌2
} 𝐿12 = 𝐿21
𝐽2 = 𝐿21 ∗ 𝑌1 + 𝐿22 ∗ 𝑌2
Que sustituidas en la ecuación 1 y con la ayuda de las ecuaciones anteriores lleva a:
(7)
𝜎 = 𝐿11 ∗ 𝑌12 + 2 ∗ 𝐿12 ∗ 𝑌1 ∗ 𝑌2 + 𝐿22 ∗ 𝑌22 ≥ 0
Que por ser semidefinida positiva exige que se cumpla:
(8)
𝐿11 ∗ 𝐿22 − 𝐿122 ≥ 0 𝑦 𝐿11 ≥ 0 𝑜 𝐿22 ≥ 0
Ahora bien si consideramos que esl sietam que estudiamos se encuentra en un esatdo
edtacionario, todas sus magnitudes deben ser independientes del tiempo, entre ellas
la entropia. Por lo tanto debe cumplirse:
(9)
𝑑𝜎 𝑑𝜎
𝑑𝜎 = (𝑑𝑌1) 𝑑𝑌1+(𝑑𝑌2) 𝑑𝑌1 = 2 ∗ 𝐽1 ∗ 𝑑𝑌1 + 2 ∗ 𝐽2 ∗ 𝑑𝑌2 = 0
𝑌1 𝑌1
Lo que implica que la producción de entropía es un valor extremal respecto a las

fuerzas generalizadas que están aplicadas al sistema. Para determinar el carácter de
ese extremal se procese a diferencia la ecuación anterior y operando se llega a:
(10)
𝑑 2 𝜎 = 2𝐿11 ∗ 𝑑𝑌12 + 4 ∗ 𝐿12 ∗ 𝑑𝑌1 ∗ 𝑑𝑌2 + 2𝐿22 ∗ 𝑑𝑌22 ≥ 0
Donde el signo positivo de 𝑑 2 𝜎 se extrae de las condiciones establecidas para los

coeficientes fenomenológicos como consecuencia del carácter positivo de la
producción de entropía de un sistemas aislado
7
3. MINIMA DISPERSION
La función de densidad gaussiana, 𝑓(𝑥 ) = |𝜑(𝑥 )|2 representa la solución de una
(𝑥−〈𝑥〉) 𝜕
ecuación diferencial dada por (( 2 )
) + ((𝜕𝑥)))𝜑(𝑥) = 0
(2𝜎{𝑥}
Relacionado a la dispersión mínima de una combinación lineal entre la variable x y

un operador hermitiano (−𝑖(𝜕/(𝜕𝑥)))
Esta prueba se extiende en Pena y Cohen-Tannoudji [4, 48]. Dado 𝐴̂, 𝐵̂, que sean
operadores hermitianos que no se conmutan, podemos escribir:
[ 𝐴̂, 𝐵̂] = ( 𝐴̂𝐵̂ − 𝐵̂ 𝐴̂) = 𝑖𝐶
Fácilmente podemos verificar que las desviaciones estándar satisfacen la misma regla
de conmutación:
[𝐴̂, 𝐵̂ ] = [△ 𝐴̂,△ 𝐵̂] = [𝐴̂ − 𝐴̂, 𝐵̂ − 𝐵̂]
[△ 𝐴̂,△ 𝐵̂] = △ 𝐴̂ △ 𝐵̂ −△ 𝐵̂ △ 𝐴̂ = 𝑖𝐶
Sea J (α) la función positiva definida como el valor esperado 〈 〉.
𝐽(𝛼) = 〈(𝛼(△ 𝐴) + (△ 𝐵))⁺(𝛼(△ 𝐴) + (△ 𝐵))〉
Por hipótesis, los operadores hermitianos se pueden escribir como

(𝛼(△ 𝐴) + (△ 𝐵))⁺ = (𝛼(△ 𝐴) + (△ 𝐵)).
Usando eta propiedad:

𝐽(𝛼) = 𝛼²〈(△ 𝐴)²〉 + 〈(△ 𝐵)²〉 + 𝑖𝛼〈△ 𝐴 △ 𝐵 −△ 𝐵 △ 𝐴〉
La expresión 𝐽(𝛼 ) tiene el valor mínimo cuando 𝐽′(𝛼) = 0, por lo tanto, el
valor de α y Jmin son:
 
   iÂBB2 Â  Ĉ
2Â 2Â 2 
Ĉ 2 
  B Ĉ 2 
2
J min   0
4Â  2
2Â 2 
Simplificando Jmin
 B
2 2
 Â  1
4
Ĉ 2 
 Â  B  1
2
8
Estamos interesados en conocer la forma explícita de la función 𝜙(𝑥) cuando la

  i
Â  x, B
desigualdad se transforma en la igualdad y x , donde
x, i x i
, para lo cual tenemos que resolver la siguiente ecuación diferencial.
  Â  i  B x  0
Ĉ
 Â  i  B x  0
2Â 
2
Si Â  x, B   i x , y B  0 entonces Ĉ  1, y

xx 
 x
x  0
2 2x
la solucion es:
1 xx 2

x  1 2
e 4 2
 x 2π
xx 2

2 2
fx  |x| 2  1
e x
 x 2π
Observación:
La función de densidad gaussiana f(x) es óptima en el sentido de dispersión mínima.

u kjk  x
De acuerdo con el último teorema, es una variable aleatoria gaussiana con
E ū kjk  ūk  ūk
densidad de probabilidad, f k x, k, y para calcular, Podemos
escribir
xū k  2

2 2
f k x  |x| 2  1
e k
 k 2π
9
4. MAXIMA UTILIDAD (NASH)

Sea 𝑇 = (𝐾, 𝑆, 𝑣 ) un juego para n jugadores, con K representando al conjunto de
jugadores, 𝑆𝑘 el conjunto finito cardinal 𝑙𝑘 ∈ 𝑁 es el conjunto de estrategias puras
para cada jugador donde 𝑘 ∈ 𝐾, 𝑠𝑘𝑗𝑘 ∈ 𝑆𝑘, 𝑗𝑘 = 1, 𝑙𝑘 𝑦 𝑆 = ∏ 𝑘𝑆𝑘 representa el
conjunto de perfiles de estrategia pura con 𝑠 ∈ 𝑆 donde un elemento de ese conjunto
𝑙1 … 𝑙𝑛 representa la cardinalidad de S
La función vectorial 𝑣: 𝑆 → 𝑅𝑛 asocia cada perfil 𝑠 ∈ 𝑆 donde el vector de utilidad

𝑣(𝑠) = (𝑣 1 (𝑠) … . 𝑣 𝑛 (𝑠))𝑇 y 𝑣 𝑘 (𝑠) designa la utilidad del jugador k frente al perfil s
Así la matriz 𝑣𝑛,𝑙 representa todos los puntos del producto cartesiano ∏ 𝑘∈𝑘 𝑆𝑘, el
vector 𝑣 𝑘 (𝑠) es la columna K de v si se permiten estrategias mixtas se tiene
𝑙𝑘
∆(𝑆𝑘 ) = {𝑝 ∈ 𝑅 : ∑ 𝑝𝑗𝑘 𝑘 = 1}
𝑘 𝑙𝑘
𝑗𝑘=1
La unidad simple de las estrategias mixtas del jugador 𝑘 ∈ 𝐾 y𝑝𝑘 = 𝑝𝑘 𝑗𝑘 el vector de

probabilidad. El conjunto de perfiles en estrategias mixtas es el poliedro ∆ con ∆=
∏ 𝑘∈𝑘 ∆(𝑆𝑘 ) donde 𝑝 = (𝑝1𝑗1 , 𝑝2𝑗2 … . . 𝑝𝑛𝑗𝑛 ) y 𝑝𝑘 = (𝑝𝑘 1 , 𝑝𝑘 2 … . . 𝑝𝑘 𝑛 ) usando el
producto de Kronecker ⊗ es posible escribir
𝑝 = 𝑝1 ⊗ 𝑝2 ⊗ … … ⊗ 𝑝𝑘−1 ⊗ 𝑝𝑘 ⊗ 𝑝𝑘+1 ⊗ … ⊗ 𝑝𝑛
𝑝𝑘 = 𝑝1 ⊗ 𝑝2 ⊗ … … ⊗ 𝑝𝑘−1 ⊗ 𝑝𝑘 ⊗ 𝑝𝑘+1 ⊗ … ⊗ 𝑝𝑛
𝐼 𝑘 = (1,1 … ,1)𝑇 , [𝐼 𝑘 ]𝑙𝑘 , 1
𝑜 𝑘 = (0,0 … ,0)𝑇 , [𝑜 𝑘 ]𝑙𝑘 , 1
Donde
𝐼 𝑘 = (1,1 … ,1)𝑇 , [𝐼 𝑘 ]𝑙𝑘 , 1
𝑜 𝑘 = (0,0 … ,0)𝑇 , [𝑜 𝑘 ]𝑙𝑘 , 1

La función n- dimensional 𝑢: ̅ △→ 𝑅𝑛 asocia con cada perfil en estrategias mixtas el
vector de utilidades esperadas
𝑇
̅̅̅1 (𝑝, 𝑣(𝑠)), … . , ̅̅
𝑢̅(𝑝) = (𝑢 𝑢̅̅
𝑛 (𝑝, 𝑣 (𝑠)))
𝑢1 (𝑝, 𝑣 (𝑠)) es la utilidad esperada del jugador k, Cada ̅̅̅̅̅̅

Donde ̅̅̅ 𝑢𝑗𝑘 𝑘 = ̅̅̅̅̅̅
𝑢𝑗𝑘 𝑘 (𝑝(−𝑘) , 𝑣(𝑠))
representa el utilidad esperada para la estrategia de cada jugador y el vector 𝑢𝑘 se denota
por 𝑢𝑘 = ( ̅̅̅̅̅
𝑢1 𝑘 , ̅̅̅̅̅
𝑢2 𝑘 , … . . ̅̅̅̅̅
𝑢𝑛 𝑘 )𝑇
10
𝑙𝑘
̅̅̅
𝑢𝑘 = ∑ ̅̅̅̅̅̅
𝑢𝑗𝑘 𝑘 (𝑝(−𝑘) , 𝑣(𝑠))𝑝𝑘 𝑗𝑘
𝑗𝑘=1
𝑢̅ = 𝑣´𝑝
𝑢𝑘 = (𝐼 𝑘 ⊗ 𝑣 𝑘 )𝑝(−𝑘)
Los valores ( 𝐾, ∆, 𝑢̅(𝑝)) designa la extensión del juego Γ con las estrategias mixtas así
se obtiene el equilibrio de Nash con utilidad máxima si y solo si:
∀k, p la desigualad 𝑢𝑘 (𝑝∗ ) ≥ ̅̅̅

𝑢𝑘 ((𝑝𝑘 )∗ , 𝑝(−𝑘) )
Otra forma de calcular el equilibrio de Nash es nivelar los valores de las utilidades
esperadas de cada estrategia, cuando sea posible.
̅̅̅̅̅
𝑢1 𝑘 (𝑝(−𝑘) , 𝑣 (𝑠)) = ̅̅̅̅̅
𝑢2 𝑘 (𝑝(−𝑘) , 𝑣(𝑠)) = ̅̅̅̅̅̅
𝑢𝑗𝑘 𝑘 (𝑝(−𝑘) , 𝑣(𝑠))
𝑙𝑘
∑ 𝑝𝑗𝑘 𝑘 = 1 ∀= 1 … … n
𝑗𝑘=1
𝑙𝑘
𝜎𝑘 2 = ∑ ̅̅̅̅̅̅
𝑢𝑗𝑘 𝑘 (𝑝(−𝑘) , 𝑣(𝑠) − ̅̅̅
𝑢𝑘 )𝑝𝑗𝑘 𝑘 = 0
𝑗𝑘=1
11
5. SUPERPOSICION ESTRATEGICA
Un juego de suma cero de dos personas no necesita tener un equilibrio (cuántico,
cuántico)
Considere una pareja arbitraria de estrategias cuánticas ([𝑈2 ], [𝑈1 , 𝑈3 ]) para PQ

PENNY FLIP. Suponga 𝑈3 𝑈2 𝑈1 |𝐻 ⟩≠|𝐻 ⟩. Entonces Q puede mejorar su rentabilidad
esperada (a 1) cambiando su estrategia, sustituyendo 𝑈3 con 𝑈1 −1 𝑈2 −1 , que es unitario
ya que 𝑈1 𝑦 𝑈2 lo son.
De igual manera supongamos 𝑈3 𝑈2 𝑈1 |𝐻 ⟩≠|𝑇⟩. Entonces Picard puede mejorar su

rentabilidad esperada (a 1) cambiando su estrategia, reemplazando 𝑈2 con 𝑈3 −1 𝐹𝑈1 −1 ,
que es unitario ya que cada 𝑈1 , 𝑈3 y 𝐹 lo es. Dado que 𝑈3 𝑈2 𝑈1 |𝐻 ⟩ no puede igualar a
ambos |𝐻 ⟩ y |𝑇⟩, al menos uno de los jugadores puede mejorar su pago esperado
cambiando su estrategia mientras que el otro no. Así ([𝑈2 ], [𝑈1 , 𝑈3 ]) no puede ser un
equilibrio, para cualquier 𝑈1 , 𝑈2 , 𝑈3 , entonces PQ PENNY FLIP no tiene equilibrio
(cuántico, cuántico).
Es decir, la situación en la que ambos jugadores utilizan estrategias cuánticas es la

misma que cuando ambos usan estrategias puras (clásicas): no es necesario que haya
una solución de equilibrio.
Esta sugiere buscar el análogo del resultado de Von Neumann sobre la existencia de
equilibrios de estrategias mixtas. Entonces deberíamos considerar estrategias que son
combinaciones lineales convexas de acciones unitarias | estrategia cuántica mixta
12
6. REPLICADOR DINAMICO
El método del replicador dinámico es una variante de los modelos de juego evolutivos donde
lo que interesa es conocer cuál es la tasa diferencial con que los individuos de las diferentes
estrategias se replican (reproducen), más que buscar la estrategia para lograr un óptimo en el
beneficio. En ciertos casos los individuos asumen estrategias que aportan al bien común, la
sobrevivencia de la especie, más que a la optimización del beneficio individual.
Si x es el vector de las fracciones de individuos en que está dividida la población según la

característica de interés, se quiere conocer cómo se replican los individuos de estos grupos:
𝑑𝑥
𝑑𝑡
Se tiene una población de individuos en que cada uno sigue una de n estrategias puras si. El
juego se repite en el tiempo t (donde t = 1,2,3...) y llamamos xti a la fracción o parte de la
población que utiliza la estrategia si en el periodo de tiempo t, tal que Σi xti = 1.
Sea Pti el pago obtenido por la porción de la población xti que utilizó la estrategia si en el
tiempo t. El pago a la estrategia depende, entre otros factores, de qué fracción de la población
escoja tal estrategia Pti = Pi (xti, t).
La probabilidad que un individuo con estrategia si cambie a la estrategia sj está dada por qij
𝛽(𝑝𝑗𝑡 − 𝑝𝑖𝑡 ) 𝑠𝑖 𝑃𝑖𝑡 > 𝑃𝑗𝑡

𝑞𝑗𝑖 = { }
0 𝑠𝑖 𝑃𝑖𝑡 ≤ 𝑃𝑗𝑡
El parámetro β debe ser tal que siempre qij < 1 para todo i y todo j.
La fracción de la Población Esperada que usará la estrategia sj en el periodo t + dt será
𝑋𝑡𝑡+𝑑𝑡 estará dada por
𝑋𝑖𝑡+𝑑𝑡 = 𝑥𝑖𝑡 + 𝛼𝑖 𝑥𝑖𝑡 ∑ [𝑥𝑗𝑡 𝛽(𝑝𝑗𝑡 − 𝑝𝑖𝑡 )]𝑑𝑡

𝑗
𝛼𝑖 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎
Variación en el intervalo dt:
𝑥 𝑡+𝑑𝑡 𝑖 − 𝑥 𝑡𝑗
= 𝛼𝑖 𝑥 𝑡 𝑖 ∑ [𝑥 𝑡𝑗 𝛽(𝑃𝑡𝑗 − 𝑃𝑡 𝑖 )]
𝑑𝑡 𝑗
𝑑𝑥 𝑡 𝑖
= 𝛼𝑖 𝑥 𝑡 𝑖 ∑ [𝑥 𝑡𝑗 𝛽(𝑃𝑡𝑗 − 𝑃𝑡 𝑖 )]
𝑑𝑡 𝑗
𝑑𝑥
= 𝛼𝑥 ∑ [𝑥𝑗 𝛽(𝑃𝑗 − 𝑃𝑖 )]
𝑑𝑡 𝑗
13
Ejemplo:
Se tiene una población de individuos en que cada uno votar por tres partidos políticos: A, B, C,
éstas son las estrategias. Inicialmente, o sea en t=1 la fracción de la población que votará por cada
partido será
𝑋1 = (𝑋1 1 , 𝑋1 2 , 𝑋1 3 ) 𝑐𝑜𝑛 𝑋1 1 + 𝑋1 2 + 𝑋1 3 = 1
para ver cómo evolucionan las preferencias políticas de la población se puede utilizar las cadenas
de Markov. Se debe conocer la matriz de transición para ver las preferencias de cada partido:
𝑡11 𝑡12 𝑡13

𝑇 = (𝑡21 𝑡22 𝑡23 )
𝑡31 𝑡32 𝑡33
Donde:
𝑡11 → 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑠𝑖𝑚𝑝𝑎𝑡𝑖𝑧𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝐴 𝑞𝑢𝑒 𝑣𝑜𝑙𝑣𝑒𝑟á𝑛 𝑎 𝑣𝑜𝑡𝑎𝑟 𝑝𝑜𝑟 𝐴
𝑡21 → 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑠𝑖𝑚𝑝𝑎𝑡𝑖𝑧𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝐵 𝑞𝑢𝑒 𝑐𝑎𝑚𝑏𝑖𝑎𝑟á𝑛 𝑎 𝐴
Para el siguiente periodo de proporciones serán:
𝑋 2 = 𝑋1 𝑇
𝑡11 𝑡12 𝑡13

(𝑋2 1 , 𝑋2 2 , 𝑋2 3 ) = (𝑋1 1 , 𝑋1 2 , 𝑋1 3 ) (𝑡21 𝑡22 𝑡23 )
𝑡31 𝑡32 𝑡33
La porción del total que ahora adoptaron la estrategia 1 serán los que permanecen con la estrategia
1, más la porción de la dos que se cambia a la 1, más la porción de la estrategia 3 que cambia a la
1:
𝑋2 1 = 𝑋1 1 𝑡11 + 𝑋1 2 𝑡21 + 𝑋1 3 𝑡31

Para el siguiente proceso se mantiene la matriz de transición o puede variar:
𝑋3 = 𝑋2 𝑇
En el caso del replicador dinámico se trata de modelar los procesos sociales que dan lugar a los
cambios en las conductas. La ecuación que representa el fenómeno es:
𝑋𝑖𝑡+𝑑𝑡 = 𝑥𝑖𝑡 + 𝛼𝑖 𝑥𝑖𝑡 ∑ [𝑥𝑗𝑡 𝛽(𝑝𝑗𝑡 − 𝑝𝑖𝑡 )]𝑑𝑡

𝑗
Indica que la proporción de individuos que ahora utilizan la estrategia i, votaran por el partido A,
estará formado por los que lo hacían antes más los que se cambien de otras estrategias, los partidos
B y C a ésta. La relación será:
𝑋𝑡+𝑑𝑡 1 = 𝑥1𝑡 + [ 𝛼1 𝑥1𝑡 (𝑥2𝑡 )𝛽(𝑝1𝑡 − 𝑝2𝑡 ) +𝛼1 𝑥1𝑡 (𝑥3𝑡 )𝛽(𝑝1𝑡 − 𝑝3𝑡 )]𝑑𝑡
Ejemplo 2:
Se tiene tres competidores que juegan piedra, papel o tijera. Si lo que gana un jugador iguala a lo
que pierde el otro, el juego se llama suma cero y:
14
𝑥⃗ = 𝐴𝑥⃗ = −𝑥⃗. 𝐴𝑥⃗ = 0

Con lo cual la ecuación del replicador se reduce a:
𝑥̇ 𝑖 = 𝑥𝑖 (𝐴𝑥⃗)𝑖
Con una matriz de payoff:
0 1 −1
𝐴 = (−1 0 1)
1 −1 0
Y que describe la dinámica poblacional de los morfos del macho de la lagartija Uta stanburiana.
Las ecuaciones del replicador nos dan:
𝑥̇ = 𝑥(𝑦 − 𝑧),
𝑦̇ = 𝑦(𝑧 − 𝑥),
𝑧̇ = 𝑧(𝑥 − 𝑦),
Además de los equilibrios en los versores, tenemos el equilibrio:
1
𝑥∗ = 𝑦∗ = 𝑧∗ = ∈ 𝑆3
3
El sistema linealizado alrededor de éste es:
1 1 0 1 −1
𝐿(𝑥⃗) = 𝐴 = (−1 0 1)
3 3
1 −1 0
−𝑖 𝑖
Cuyos autovalores son: 0, , , con lo que 𝑥 ∗ es un centro, y el sistema describe oscilaciones
√3 √3
alrededor de éste.
Es fácil demostrar que:
ℎ = 𝑥1 𝑥2 𝑥3
Es una constante de movimiento, y que las trayectorias son circulares.
15
7. JUEGOS CUANTICOS
“Un jugador que saca partido de las peculiares superposiciones de estados de la
mecánica cuántica vence a un jugador clásico para el que no hay más que cara y cruz”
Parrondo, Juan M. R
Teoría Cuántica de juegos:
La teoría cuántica de juegos es una extensión de la teoría de juegos clásica al dominio
cuántico. Se diferencia de la teoría de juegos clásica en tres formas principales:
1. Estados iniciales superpuestos ,

2. Enredo cuántico de estados iniciales,
3. Superposición de estrategias para ser usadas en los estados iniciales.
Esta teoría se basa en la física de la información al igual que la computación cuántica .
Estados iniciales superpuestos:
En el caso más simple de un juego clásico entre dos jugadores con dos estrategias cada
uno, ambos jugadores pueden usar un poco (un '0' o un '1') para transmitir su elección
de estrategia. Un ejemplo popular de este tipo de juego es el dilema de los prisioneros ,
donde cada uno de los convictos puede cooperar o desertar : retener conocimiento o
revelar que el otro cometió el crimen. En la versión cuántica del juego, el bit se
reemplaza por el qubit , que es una superposición cuántica de dos o más estados
base. En el caso de un juego de dos estrategias, esto puede implementarse físicamente
mediante el uso de una entidad como el electrón que tiene un estado de giro superpuesto,
siendo los estados base +1/2 (más la mitad) y -1/2 (menos mitad). Cada uno de los
estados de giro se puede usar para representar cada una de las dos estrategias disponibles
para los jugadores. Cuando se realiza una medición en el electrón, se colapsa a uno de
los estados base, transmitiendo así la estrategia utilizada por el jugador.
Enmarañados estados iniciales:
El conjunto de qubits que se proporcionan inicialmente a cada uno de los jugadores
(que se utilizarán para transmitir su elección de estrategia) puede enredarse. Por
ejemplo, un par de qubits enredados implica que una operación realizada en uno de los
qubits afecta también al otro qubit, alterando así los beneficios esperados del juego.
Superposición de estrategias para ser usadas en estados iniciales
El trabajo de un jugador en un juego es elegir una estrategia. En términos de bits, esto
significa que el jugador tiene que elegir entre "voltear" el bit a su estado opuesto o dejar
intacto su estado actual. Cuando se extiende al dominio cuántico, esto implica que el
jugador puede rotar el qubit a un nuevo estado, cambiando así las amplitudes de
probabilidad de cada uno de los estados base. Se requiere que tales operaciones en los
qubits sean transformaciones unitarias en el estado inicial del qubit. Esto es diferente
del procedimiento clásico que elige las estrategias con algunas probabilidades
estadísticas.
Juegos multijugador
La introducción de información cuántica en los juegos multijugador permite un nuevo
tipo de "estrategia de equilibrio" que no se encuentra en los juegos tradicionales. El
16
enredo de las elecciones de los jugadores puede tener el efecto de un contrato al evitar
que los jugadores se beneficien de la traición de otro jugador.
Elementos de los Juegos Cuántico:
Existe una relación completa entre la Mecánica Cuántica y la Teoría de Juegos,
ambas proporcionan una naturaleza aleatoria. Debido a esta naturaleza es necesario
hablar de valores esperados.
8. PROPIEDADES DE LOS JUEGO CUANTICOS
Tabla 1. Mecánica cuántica y teoría de juegos propiedades

Mecánica cuántica Propiedades de la teoría de juegos
Partícula k = 1,……,n Juego: k = 1, ……, n
Elementos cuánticos Tipo de juego
Interacciones Intenciones
Sitios cuánticos: j = 1, 𝐼𝑘 Estrategia: j = 1, 𝐼𝑘
Energía e Utilidad u
Superposición de estados Superposición de estrategias
Función de estado Función de utilidad
Probabilidad y optimo natural Probabilidad y optimo natural
Principio de incertidumbre Mínima entropía
Operaciones matriciales Operaciones matriciales
Variación calculo Control optimo
Información teórica Información teórica
Complejidad Complejidad
Variedad: número de partículas n Variedad: número de jugadores n
Variable: número de intenciones n! Variable: número de intenciones n!
Cuantitativo: modelo matemático Cuantitativo: modelo matemático
La entidad de comunicación eficiente La interacción de los jugadores eficiente
observable valuado: E[e] observable valuado: E[e]
entropía Mínima entropía
17
Definición1 (Tácticas o Sub estrategias)

𝑘 𝑘 𝑘
Si 𝑀𝑗𝑘 es el conjunto de las sub-estrategias, 𝑚𝑗𝑘 ∈ 𝑀𝑗𝑘 , ∀𝑘, 𝑗𝑘 con una probabilidad
2
𝑘 𝑘 𝑘 𝑙 𝑘 𝑘
dada por |𝑏𝑚𝑘 | donde 𝑚𝑗𝑘 ∈ 𝑀𝑗𝑘 ; 𝑈𝑗𝑘𝑘 = 1𝑀𝑗𝑘 = 𝑀𝑘 , 𝑀𝑘 = {0,1, … ∞} y 𝑀𝑗𝑘 ∩
𝑗𝑘
𝑀𝑗𝑙𝑘 = ∅ donde k≠1. Una estrategia jk se compone de varias sub estrategias 𝑚𝑗𝑘
𝑘
.
Con la introducción de sub estrategias, la probabilidad para cada estrategia se define

2
𝑘 𝑘 2
de la siguiente manera. |𝑏𝑗𝑘 | = ∑𝑚𝑘 ∈𝑀𝑘 |𝑏𝑚 𝑘 | la cual no necesita de ninguna
𝑗𝑘 𝑗𝑘 𝑗𝑘
aproximación de la función: ∑∞ 𝑘
𝑘 =0 𝑐 𝑘 (𝑡 )𝜑𝑚𝑘 (𝑥, 𝜆),
𝑚𝑗𝑘 𝑚𝑗𝑘 𝑗𝑘
Donde
∞ 2 2
𝑘 𝑘 𝑘 𝑘 𝑖𝑤𝑘 𝑡 |𝑐 𝑘 | 𝑘
𝜓(𝑥, 𝜆) = ∑ 𝑚𝑗𝑘 = 0 𝑐𝑚 𝑘 (𝑡 )𝜑𝑚𝑘 (𝑥, 𝜆), 𝑐 𝑘 (𝑡 ) = 𝑏 𝑘 𝑒
𝑚 𝑚
, 𝑚𝑘 = |𝑏𝑚 𝑘 |
𝑗𝑘 𝑗𝑘 𝑗𝑘 𝑗𝑘 𝑗𝑘 𝑗𝑘
𝑘
= 𝑝𝑚 𝑘
𝑗𝑘
Y
∞ 2
𝑘 𝑘
∑ 𝑚𝑗𝑘 = 0 |𝑏𝑚 𝑘 | = 1, ∀𝑘
𝑗𝑘
Teorema 3: La densidad de probabilidad normal 𝑝(𝑢) = [𝜓(𝑥, 𝜆)]2 se puede obtener

𝑘 2
usando polinomial hermite ortogonal 𝐻𝑘 (𝑥 ). Los parámetros |𝑏𝑗𝑘 | , indicados la
probabilidad evaluada de la estrategia de juego 𝑗𝑘 . La función de estado 𝜕𝑘 (𝑥, ∆) la
medida de la estrategia de comportamiento 𝑗𝑘 (𝑗𝑘 primer nivel in mecánica cuántica
[4, 9, 31]). La dinámica de la estrategia de comportamiento 𝑗𝑘 puede ser escrita como
𝜓(𝑥, 𝜆) = ∑∞ 𝑚𝑘
𝑘
= 0 𝑐𝑚 𝑘 (𝑡 )𝜑𝑚𝑘 (𝑥, 𝜆). Una aproximación es 𝜓(𝑥, 𝜆) =
𝑗𝑘 𝑗𝑘 𝑗𝑘
∑1𝑚𝑘 + 𝑘
𝑐𝑚 𝑘 (𝑡)𝜑𝑚𝑘 (𝑥, 𝜆).
𝑗𝑘 𝑗𝑘 𝜖𝑍 𝑗𝑘
La función 𝜓(𝑥, 𝜆) se determina siguiendo como:

𝑥
1 −( −𝜆𝑘 )2
𝜓(𝑥, 𝜆) = 𝑒 √2
√𝜎𝑘 √2𝜋
∞ 𝑘
1 (𝜆𝑘 )𝑚𝑗𝑘 𝑥2 𝑥
= ∑ 𝑘 𝑒 − 2 𝐻𝑚𝑗𝑘
𝑘
( )
𝑘 =0 √
𝑚𝑗𝑘 ! √2
𝑚𝑗𝑘 𝜎𝑘 √2𝜋
𝑢 𝑢
Donde: x = , 𝜆 = 2𝜎 , y
√2𝜎𝑘 𝑘
18
< 𝜑𝑚 𝑘 ; 𝜑𝑚 𝑘 > = 1
𝑗𝑘 𝑗𝑖
𝑘
< 𝜑𝑚𝑘 ; 𝜑𝑚𝑘 > = 0, ∀𝑚𝑗𝑘 ≠ 𝑚𝑗𝑖𝑘
𝑗𝑘 𝑗𝑖
𝑥2 𝑥
𝑒 − 2 𝐻𝑚𝑗𝑘
𝑘
( )
𝜑𝑚𝑘 (𝑥, 𝜆) = √2
𝑗𝑘 𝑘
𝑘
√𝑚𝑗𝑘 ! √2.𝑚𝑗𝑘 ∗ √𝜋
Proof. Las propiedades de los polinomios de Hermite serán necesarias para expresar
ρ (u) en función de Hk (x).
Usando la función generadora ψ (x, λk) podemos escribir
2
𝑥
1 −( −𝜆𝑘)
𝑒 √2
√𝜎𝑘 √2𝜋
∞ 𝑘
(𝜆𝑘 )𝑚𝑗𝑘 −
𝑥2 𝑥
= ∑ ( ) 𝑒 2 𝐻𝑚 𝑘 ( )
𝑘 =0
𝑘 √
𝑚𝑗𝑘 ! 𝜎𝑘 √2𝜋 𝑗𝑘
√2
𝑚𝑗𝑘
deja ψ(x, λk) generar la función

∞
𝑘
ψ(x, λk) = ∑ 𝑏𝑚 𝑘 𝜑𝑚𝑘 (𝑥, 𝜆𝑘 )
𝑗𝑘 𝑗𝑘
𝑘 =0
𝑚𝑗𝑘
Ejemplo:
TABLA I. Matriz de pago para el dilema de los prisioneros. Los la primera entrada en
el paréntesis denota la condena de Alicia y el segundo número es la condena de Bob.
El valor numérico se elige como en Refiriéndose a la Eq. (esta elección responde a r=3
("recompensa"), p=1 ("castigo"), t=5 ("tentación"), y s=0 ("pago de basura")
BOB:C BOB:D
ALICE:C (3,3) (0,5)
ALICE:D (5,0) (1,1)
19
Un juego cuántico debe ser una generalización de la clásica GA es decir. Debe

incluir el juego clásico
Clásico
1) Una fuente de dos bits (uno para cada jugador)
2) Un método para que los jugadores manipulen los bits 2) Un método para que los
jugadores manipulen los qubits
3) Un dispositivo de medición física para determinar el el estado de los bits de los
jugadores si los castigos pueden ser determinados
Cuántico
1) Una fuente de dos qubits (uno para cada jugador)
2) un método para que los jugadores manipulen los qubits
3) un dispositivo de medición para determinar el estado de los qubits después que los
jugadores lo hayan manipulador
̂𝐴 ⨂𝑈
|𝜓𝑓⟩ = 𝜁 † (𝑈 ̂𝐵 )𝜁|𝐶𝐶 ⟩
1 0 ̂ = ( 0 1)
𝐶̂ = ( ) 𝐷
0 1 −1 0
̂ ⨂𝐷
𝜁 = 𝑒𝑥𝑝{𝑖𝛾𝐷 ̂ /2}
̂ ⨂𝐷
[𝜁, 𝐷 ̂ ] = 0, [𝜁, 𝐷
̂ ⨂𝐶̂ ] = 0, [𝜁, 𝐶̂ ⨂𝐷
̂] = 0
20
9. OPERADORES
La descripción moderna de la mecánica cuántica está profundamente basada en
mapeos lineales. En las siguientes secciones, representamos las características del
mapeo lineal que son más esenciales para la mecánica cuántica. Debido a que nos
concentramos principalmente en sistemas cuánticos de nivel finito, se supone que los
espacios del vector que se tratan a continuación tienen una dimensión finita, a menos
que se indique explícitamente lo contrario.
Comencemos con cierta terminología: un mapeo lineal 𝐻 → 𝐻 se llama operador. El
conjunto de operadores en 𝐻 se denota por 𝐿 (𝐻 ). Para un operador 𝑇, definimos la
norma del operador por:
⃦ 𝑇 ⃦ = sup ⃦ 𝑇𝑥 ⃦
⃦∞ ⃦=1
Un vector distinto de cero 𝑥 ∈ 𝐻 es un vector propio de 𝑇 que se ajusta a valores

propios 𝜆 ∈ ℂ si 𝑇𝑥 = 𝜆𝑥
Para cualquier operador 𝑇 ∶ 𝐻 → 𝐻, el operador adjunto 𝑇 ∗ se define por el requisito:
⟨𝑥|𝑇𝑦⟩ = ⟨𝑇 ∗ 𝑥 |𝑦⟩
Para todo 𝑥, 𝑦 ∈ 𝐻
Con una base fija {𝑒1 , … , 𝑒𝑛 } de H; cualquier operador 𝑇 puede representarse como
una matriz 𝑛 × 𝑛 en el campo de números complejos. No es difícil ver que la matriz
que representa el operador adjunto 𝑇 ∗ es el conjugado complejo transpuesto de la
matriz que representa 𝑇.
Se puede demostrar que la cantidad
𝑛
𝑇𝑟 (𝑇) = ∑⟨𝑒𝑖 |𝑇𝑒𝑖 ⟩

𝑖=1
es independiente de la elección de la base ortonormal. La cantidad se denomina rastro

del operador 𝑇. Por su propia definición, está claro que la traza es lineal. Observe que,
en la representación matricial de 𝑇 , la traza es la suma de los elementos diagonales.
Un operador 𝑇 es autoadjunto si 𝑇 ∗ = 𝑇 Un operador 𝑇 es unitario si 𝑇 ∗ = 𝑇 −1
Los siguientes lemas simples se usarán con frecuencia.
LEMMA 1: Un operador autoadjunto tiene reales autovalores.
Si 𝐴𝑥 = 𝜆𝑥 , entonces
𝜆∗ ⟨𝑥|𝑥 ⟩ = ⟨𝜆𝑥 |𝑥 ⟩ = ⟨𝐴𝑥|𝑥 ⟩ = ⟨𝑥|𝐴𝑥 ⟩ = 𝜆 ⟨𝑥 |𝑥⟩
Dado 𝑥 ≠ 0 como un autovector, si se tiene que 𝜆∗ = 𝜆
LEMMA 2: Los vectores propios de un operador auto adjunto que pertenecen a
autovalores distintos son ortogonales.
21
Asumiendo que 𝜆 ≠ 𝜆′, 𝐴𝑥 = 𝜆𝑥, y 𝐴𝑥 ′ = 𝜆′𝑥 ′ . Dado que 𝜆 y 𝜆′ son reales por el
lema anterior,
𝜆′ ⟨𝑥 ′|𝑥 ⟩ = ⟨𝐴𝑥 ′ |𝑥 ⟩ = ⟨𝑥 ′ |𝐴𝑥 ⟩ = 𝜆 ⟨𝑥 ′ |𝑥⟩
Y después ⟨𝑥 ′ |𝑥⟩ = 0
Un operador autoadjunto 𝑇 es positivo si ⟨𝑥 |𝑇𝑥⟩ ≥ 0 para cada 𝑥 ∈ 𝐻.
22
10. POLINOMIO DE HERMITE

Sea ┌ = (𝐾, 𝑆, 𝑤) un juego para n-jugadores, con k el conjunto de jugadores k=1…,n. El
conjunto finito Sk de cardinalidad 𝑙𝑘 𝜖 𝑁 es el conjunto de estrategias puras de cada jugador,
donde k ϵ K, 𝑆𝐾𝑗𝑘 ϵ Sk, jk=1,…,lk y 𝑆 = ∏ 𝐾 𝑆𝑘 representa la cardinalidad de S.
La función vectorial 𝑉: 𝑆 → 𝑅 𝑛 , asocia cada perfil 𝑠 ϵ S, donde el vector de utilidad 𝑣(𝑠) =
(𝑣 1 (𝑠), … , 𝑣 𝑛 (𝑠))𝑇 , designa la utilidad de cada jugador k frente al perfil s.
Si las estrategias mixtas son permitidas, entonces se tiene:
𝑙𝑘
𝑘 𝑘
𝑙𝑘
∆(𝑆𝑘 ) = {𝑝 ∈ 𝑅 : ∑ (𝑝𝑗𝑘 ) = 1}
𝑗𝑘=1
𝑘
La utilidad simple de las estrategias mixtas del jugador kϵK y 𝑝 𝑘 = (𝑝𝑗𝑘 ) el vector de
probabilidad.
La función n-dimensional 𝑢̅: ∆ → 𝑅 𝑛 asocia el vector de utilidades esperadas con cada perfil
en las estrategias mixtas
𝑇
𝑢̅𝑝 = (𝑢̅1 (𝑝, 𝑣(𝑠)), … , 𝑢̅𝑛 (𝑝, 𝑣(𝑠)))
̅̅̅𝑘̅ = ̅𝑢̅̅𝑘̅ ) (𝑝 −𝑘 𝑣(𝑠))

Donde 𝑢̅𝑘 (𝑝, 𝑣(𝑠)) es la utilidad esperada del jugador k, cada (𝑢 𝑗 𝑗
representa la utilidad esperada para la estrategia de cada jugador y el vector uk es 𝑢𝐾 =

𝑇
̅̅̅𝑘̅, ̅𝑢̅̅𝑘̅, … ̅̅̅̅
(𝑢 𝑢𝑛𝑘 )
1 2
𝑙𝑘
̅𝑢̅̅𝑘̅ = ∑ ̅̅̅̅
𝑘
𝑢𝑗𝑘 𝑘
(𝑝 −𝑘 𝑣(𝑠)) ∗ (𝑝𝑗𝑘 )
𝑗𝑘=1
𝑢̅ = 𝑣´𝑝
𝑢𝑘 = (𝑙𝑘 ⊗ 𝑣 𝑘 ) 𝑝−𝑘
El triplete (K, Δ, 𝑢̅(𝑝)) designa la extensión del juego ┌ con las estrategias mixtas, se
obtiene el equilibrio de Nash (la maximización de la utilidad si y solamente, ∀k, p, la
desigualdad 𝑢𝐾 (𝑝 ∗) ≥ ̅𝑢̅̅𝑘̅ ((𝑝 𝑘 ) ∗, 𝑝 −1 ) es respetada.
23
Otra forma de calcular el equilibrio de Nash, es nivelar los valores de las utilidades
esperadas de cada estrategia, cuando sea posible.
̅̅̅𝑘̅) (𝑝 −𝑘 𝑣(𝑠)) = (𝑢
(𝑢 ̅̅̅𝑘̅ ) (𝑝−𝑘 𝑣(𝑠)) = ⋯ = (𝑢
̅̅̅̅
𝑘 −𝑘
1 2 𝑗𝑘 ) (𝑝 𝑣(𝑠))
𝑙𝑘
𝑘
∑ 𝑝𝑗𝑘 =1 ∀𝑘 = 1, … , 𝑛
𝑗𝑘=1
𝑙𝑘
2
𝜎𝑘2 ̅̅̅𝑘̅) (𝑝 −𝑘 𝑣(𝑠)) − ̅𝑢̅̅𝑘̅) ∗ (𝑝𝑘 ) = 0
= ∑ ((𝑢 1 𝑗𝑘
𝑗𝑘=1
Si el sistema de ecuaciones resultante no tiene solución (𝑝 −𝑘 )∗entonces se propone el

método de la mínima entropía, Este método se expresa como la 𝑀𝑖𝑛 𝑝 = 𝐸𝑘 𝐻𝑘 (𝑝), donde
𝜎𝑘 2 (𝑝𝑘 )∗ es la deviación estándar y 𝐻𝑘(𝑝)∗ es la entropía de cada jugador k
∗
𝜎𝑘2 (𝑝∗) ≤ 𝜎𝑘2 ((𝑝 𝑘 ) , 𝑝 (−𝑘) ) 𝑜
∗
𝐻𝑘 (𝑝 ∗ ) ≤ 𝐻𝑘 ((𝑝 𝑘 ) , 𝑝 (−𝑘) )
El hecho de que cada partícula lleva asociada consigo una onda, impone restricciones en
la capacidad para determinar al mismo tiempo su posición y su velocidad. Este principio
fue enunciado por W. Heisenberg en 1927.
Esto significa, que la precisión con que se pueden medir las cosas es limitada, y el límite
viene fijado por la constante de Planck.
ℏ
∆𝑥. ∆𝑝𝑥 ≥
4𝜋
∆𝑥: 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛 𝑒𝑛 𝑙𝑎 𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛
∆𝑝𝑥 : 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛 𝑒𝑛 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑜𝑣𝑖𝑚𝑖𝑒𝑛𝑡𝑜
ℏ: 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑃𝑙𝑎𝑛𝑐𝑘, ℏ = 6,626 ∗ 10−34 𝐽. 𝑠
24
11. PRINCIPIO DE INCERTIDUMBRE

La forma de Hirschman del principio de incertidumbre. El efecto analítico
fundamental de Heisenberg principio es que las densidades de probabilidad para x y
w no pueden ser arbitrariamente estrechas,
1
𝐻(𝑋) ≥ 1 + log( )
2
Donde:
+∞
𝐻(𝑊) = ∫−∞ 𝑑𝑤 (𝑝(𝑤) log(𝑤)) y
+∞
𝐻(𝑊) = ∫−∞ 𝑑𝑥𝑝(𝑥 )log(𝑝(𝑥 )).
Cuando 𝜓(𝑥 ) y 𝜙(𝑤).

Son gaussianos 𝐻(𝑊) = 𝐵 + 𝐿𝑜𝑔(𝜎𝑊 ) y 𝐻 (𝑥 ) = 𝐶 + 𝐿𝑜𝑔(𝜎𝑋 ).
La desigualdad de Hirschman se convierte en el principio de Heisenberg, luego las
desigualdades se transforman en igualdades y la incertidumbre mínima es entropía
mínima.
En Mecánica Cuántica, el producto de incertidumbre mínima también obedece a una
mínima suma de entropía.
25
12. BIBLIOGRAFIA
 Jiménez, E. (2003, May). Quantum games and minimum entropy. In International
Conference on Computational Science and Its Applications (pp. 216-225).
Springer, Berlin, Heidelberg.
 Jiménez, E. (2003). Quantum games: Mixed strategy Nash's equilibrium
represents minimum entropy. Entropy, 5(4), 313-347.
 Landsburg, S. E. (2004). Quantum game theory. Notices of the AMS, 51(4), 394-
399.
 Monsalve, S. (2003). John Nash y la teorıa de juegos. Lecturas matemáticas, 24,
137-149.
 Carreras, F., Magaña, A., & Amer, R. (2005). Teoría de juegos. Universitat
Politècnica de Catalunya.
 Jentschura, UD Sistemas muónicos, partículas virtuales y radio de
protones. Phys. Rev. A 2015 , 92 , 012123. [ Google Scholar ] [ CrossRef ]
 Pohl, R .; Antognini, A .; Nez, F .; Amaro, FD; Biraben, F .; Cardoso,
JMR; Covita, DS; Dax, A .; Dhawan, S .; Fernandes, LMP; et al. El tamaño del
protón. Nature 2010 , 466 , 213-216. [ Google Scholar ] [ CrossRef ] [ PubMed ]
 Strauch, S. Elastic Electron y Muon Scattering Experiment del Proton en PSI. En
Actas de la Conferencia Internacional de Partículas y Núcleos 2014, Hamburgo,
Alemania, 24-29 de agosto de 2014. [ Google Scholar ]
 Griffioen, K .; Carlson, C .; Maddox, S. Consistencia de los datos de dispersión
de electrones con un pequeño radio de protones. Phys. Rev. C 2016 , 93 , 065207.
[ Google Scholar ] [ CrossRef ]
 Horbatsch, M .; Hessels, EA; Pineda, A. Radio de protones de la teoría de la
dispersión de electrones y la perturbación quiral. Phys. Rev. C 2017 , 95 , 035203.
 Kraus, E .; Mesick, KE; White, A .; Gilman, R .; Strauch, S. Encajes polinómicos
y el rompecabezas del radio de protones. Phys. Rev. C 2014 , 90 , 045206.
 Lee, G .; Arrington, JR; Hill, RJ Extracción del radio de protones de los datos de
dispersión de electrones-protones. Phys. Rev. D 2015 , 92 , 013013. [ Google
Scholar ] [ CrossRef ]
 Olive, KA Review of Particle Physics (Grupo de datos de
partículas). Barbilla. Phys. C 2014 , 38 , 090001. [ Google Scholar ] [ CrossRef ]
 Hubbell, JH; Seltzer, Coeficientes de atenuación masiva de rayos X SM, División
de radiación, PML, NIST, 2017. Disponible en línea: https://www.nist.gov/pml/x-
ray-mass-attenuation-coefficients (consultado el 1 de octubre de 2016) .
 Samuel, W. Introductory Nuclear Physics , 2nd ed .; Wiley-VCH Verlag GmbH
& Co. KGaA: Weinheim, Alemania, 2004. [ Google Scholar ]
 Mitchell, ACG; Zemansky, radiación de resonancia MW y átomos
emitidos ; Cambridge University Press: Cambridge, Reino Unido, 2009. [ Google
Scholar ]
 Christopher, G. Teoría de la información cuántica y la base de la mecánica
cuántica. Doctor en Filosofía. Tesis, Universidad de Oxford, Londres, Reino
Unido, 2004. [ Google Scholar ]
26
 Max, B. Atomic Physics , 2nd ed .; Blackie & Son Limited: Londres, Reino
Unido, 1937. [ Google Scholar ]
 David, JJ Classic electrodinámica ; John Wiley & Sons: Hoboken, Nueva Jersey,
EE. UU., 2004. [ Google Scholar ]
 Landau, LD; Lifschitz, EM Mechanics ; Editores de Nauka: Moscú, Rusia, 1988.
[ Google Scholar ]
 Claude, CT Mecánica cuántica ; Wiley-VCH: Hoboken, Nueva Jersey, EE. UU.,
1992. [ Google Scholar ]
 Enfermo, I. En el rms-radio del protón. Phys. Letón. B 2003 , 576 , 62-
67. [ Google Scholar ] [ CrossRef ]
 Briggs, JS; Lane, AM El efecto de la unión atómica en una resonancia
nuclear. Phys. Letón. B 1981 , 106 , 436-438. [ Google Scholar ] [ CrossRef ]
 Blunden, PG; Enfermo, I. Radios de protones e intercambio de dos
fotones. Phys. Rev. C 2005 , 72 , 057601. [ Google Scholar ] [ CrossRef ]
 Griffits, D. Introduction to Elementary Particles , 2nd ed .; Wiley-VCH:
Hoboken, Nueva Jersey, EE. UU., 2008. [ Google Scholar ]
 Karush, W. Problemas Isoperimétricos y Teoremas de Índice en el Cálculo de
Variaciones. Doctor en Filosofía. Tesis, Departamento de Matemáticas,
Universidad de Chicago, Chicago, IL, EE. UU., 1942. [ Google Scholar ]
 Fischer, M .; Kolachevsky, N .; Zimmermann, M .; Holzwarth, R .; Udem, T
.; Hänsch, TW; Abgrall, M .; Grünert, J .; Maksimovic, I .; Bize, S .; et al. Nuevos
límites en la deriva de las constantes fundamentales de las mediciones de
laboratorio. Phys. Rev. Lett. 2004 , 92 , 230802. [ Google Scholar ] [ CrossRef ]
[ PubMed ]
 Bliss, GA Conferencias sobre el cálculo de variaciones ; Prensa de la Universidad
de Chicago: Chicago, IL, EE. UU., 1946. [ Google Scholar ]
 Hestenes, MR Cálculo de Variaciones y Teoría del Control Óptimo ; John Wiley
& Sons: Nueva York, NY, EE. UU., 1966. [ Google Scholar ]
 Pars, LA Una Introducción al Cálculo de Variaciones ; John Wiley & Sons: Nueva
York, NY, EE. UU., 1962. [ Google Scholar ]
 Karush, W. Programación Matemática, Búsqueda Hombre-Computadora y
Control de Sistema ; Informe técnico SP-828; System Development Corporation:
Santa Mónica, CA, EE. UU., 1962. [ Google Scholar ]
 Kuhn, HW; Tucker, AW Programación no lineal. En Proceedings of the Second
Berkeley Symposium on Mathematical Statistics and Probability, Statistical
Laboratory of the University of California, Berkeley, California, EE. UU., Del 31
de julio al 12 de agosto de 1950; Neyman, J., Ed.; Prensa de la Universidad de
California: Berkeley, CA, EE. UU., 1951; pp. 481-492. [ Google Scholar ]
 © 2017 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo
de acceso abierto distribuido bajo los términos y condiciones de la licencia Creative
Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ).
27
13. ANEXOS
13.1. Codificación en el programa informático Scientific Workplace
Mínima dispersión y principio de incertidumbre
%TCIDATA{OutputFilter=LATEX.DLL}
%TCIDATA{Version=5.50.0.2953}
%TCIDATA{<META NAME="SaveForMode" CONTENT="1">}
%TCIDATA{BibliographyScheme=Manual}
%TCIDATA{Created=Saturday, June 16, 2018 19:59:40}
%TCIDATA{LastRevised=Sunday, June 17, 2018 00:08:43}
%TCIDATA{<META NAME="GraphicsSave" CONTENT="32">}
%TCIDATA{<META NAME="DocumentShell" CONTENT="Standard LaTeX\Blank -
Standard LaTeX Article">}
%TCIDATA{Language=American English}
%TCIDATA{CSTFile=40 LaTeX article.cst}
\newtheorem{theorem}{Theorem}
\newtheorem{acknowledgement}[theorem]{Acknowledgement}
\newtheorem{algorithm}[theorem]{Algorithm}
\newtheorem{axiom}[theorem]{Axiom}
\newtheorem{case}[theorem]{Case}
\newtheorem{claim}[theorem]{Claim}
\newtheorem{conclusion}[theorem]{Conclusion}
\newtheorem{condition}[theorem]{Condition}
\newtheorem{conjecture}[theorem]{Conjecture}
\newtheorem{corollary}[theorem]{Corollary}
\newtheorem{criterion}[theorem]{Criterion}
\newtheorem{definition}[theorem]{Definition}
\newtheorem{example}[theorem]{Example}
\newtheorem{exercise}[theorem]{Exercise}
\newtheorem{lemma}[theorem]{Lemma}
\newtheorem{notation}[theorem]{Notation}
\newtheorem{problem}[theorem]{Problem}
\newtheorem{proposition}[theorem]{Proposition}
\newtheorem{remark}[theorem]{Remark}
\newtheorem{solution}[theorem]{Solution}
\newtheorem{summary}[theorem]{Summary}
\newenvironment{proof}[1][Proof]{\noindent\textbf{#1.} }{\ \rule{0.5em}{0.5em}}
\input{tcilatex}
\begin{document}
textbf{Minima dispersión. }
La funcion de densidad gaussiana :$f(x)=\left\vert \phi (x)\right\vert ^{2}$

, repreenta la solucion de una ecuacion
diferencial dada por$(\frac{x-\langle x\rangle }{2\sigma _{x}^{2}}+\frac{%

\partial }{\partial x})\phi (x)=0$
28
relacionado a la dispersi\'{o}n m\'{\i}nima de una combinaci\'{o}n lineal

entre la variable x y un
operador hermitiano $(-i\frac{\partial }{\partial x})$.
Esta prueba se extiende en Pena y Cohen-Tannoudji [4, 48]. Dado \ $\hat{A},%

\hat{B},$que sean
operadores hermitianos que no se conmutan, podemos escribir:
$\left[ \ \hat{A},\hat{B}\right] =\allowbreak \left( \ \hat{A}\hat{B}-\hat{B}%

\ \hat{A}\right) =\allowbreak iC$
F\'{a}cilmente podemos verificar que las desviaciones est\'{a}ndar

satisfacen la misma regla
de conmutaci\'{o}n:
$\left[ \ \hat{A},\hat{B}\right] =\left[ \bigtriangleup \hat{A}%

,\bigtriangleup \hat{B}\right] =\allowbreak \left[ \hat{A}-A,\hat{B}-B\right]
$
$\left[ \bigtriangleup \hat{A},\bigtriangleup \hat{B}\right] =\allowbreak

\bigtriangleup \hat{A}\bigtriangleup \hat{B}-\bigtriangleup \hat{B}%
\bigtriangleup \hat{A}=\allowbreak iC$
Sea J (\U{3b1}) la funci\'{o}n positiva definida como el valor esperado $%

\langle \rangle .$
$J(\alpha )=\allowbreak \langle (\alpha (\bigtriangleup \hat{A}%

)+(\bigtriangleup \hat{B}))^{+}(\alpha (\bigtriangleup \hat{A}%
)+(\bigtriangleup \hat{B}))\rangle $
Por hip\'{o}tesis, los operadores hermitianos se pueden escribir como
$(\alpha (\bigtriangleup \hat{A})+(\bigtriangleup \hat{B}))^{+}=(\alpha

(\bigtriangleup \hat{A})+(\bigtriangleup \hat{B})).$
Usando eta propiedad:
$J(\alpha )=\alpha ^{2}\langle \left( \bigtriangleup \hat{A}\right)

^{2}\rangle +\langle \left( \bigtriangleup \hat{B}\right) ^{2}\rangle
+i\alpha \langle \bigtriangleup \hat{A}\bigtriangleup \hat{B}-\bigtriangleup
\hat{B}\bigtriangleup \hat{A}\rangle $
la expresi\'{o}n $J(\U{3b1} )$ tiene el valor m\'{\i}nimo cuando$J\prime (%

\U{3b1} )=0$, por lo tanto, el valor de
$\U{3b1} $ y $J_{\min }$
son:
$\alpha =-\frac{i\langle \bigtriangleup \hat{A}\bigtriangleup \hat{B}%
29
-\bigtriangleup \hat{B}\bigtriangleup \hat{A}\rangle }{2\langle

(\bigtriangleup \hat{A})^{2}}=\allowbreak \frac{\langle \hat{C}\rangle }{%
2\langle (\bigtriangleup \hat{A})^{2}\rangle }$
$J_{\min }=\allowbreak \allowbreak \frac{\langle \hat{C}^{2}\rangle }{%

4\langle (\bigtriangleup \hat{A})^{2}\rangle }+\langle \left( \bigtriangleup
\hat{B}\right) ^{2}\rangle -\allowbreak \frac{\langle \hat{C}^{2}\rangle }{%
2\langle (\bigtriangleup \hat{A})^{2}\rangle }\geq 0$
Simplificando $J_{\min }$
$\langle \left( \bigtriangleup \hat{A}\right) ^{2}\rangle \langle \left(

\bigtriangleup \hat{B}\right) ^{2}\rangle \geq \frac{1}{4}\langle \hat{C}%
^{2}\rangle $
$\sigma _{\hat{A}}\sigma _{\hat{B}}\geq \frac{1}{2}$
Estamos interesados en conocer la forma expl\'{\i}cita de la funci\'{o}n $%

\phi (x)$ cuando la
desigualdad se transforma en la igualdad y $\hat{A}=\allowbreak x,\hat{B}%

=\allowbreak -i\frac{\partial }{\partial x}$, donde$\left[ x,-i\frac{%
\partial }{\partial x}\right] =\allowbreak \allowbreak i$,
para lo cual tenemos que resolver la siguiente ecuaci\'{o}n diferencial.
$(\alpha \bigtriangleup \hat{A}+i\bigtriangleup \hat{B})\phi (x)=0$
$\allowbreak \left( \frac{\langle \hat{C}\rangle }{2\langle (\bigtriangleup

\hat{A})^{2}\rangle }\bigtriangleup \hat{A}+i\bigtriangleup \hat{B}\right)
\phi (x)=0$
\bigskip
Si $\hat{A}=\allowbreak x,\hat{B}=\allowbreak -i\frac{\partial }{\partial x}

$, y $\hat{B}=0$ entonces $\langle \hat{C}\rangle =1$, y
$\left( \frac{x-\langle x\rangle }{2\sigma _{x}^{2}}+\frac{\partial }{%

\partial x}\right) \phi (x)=0$
la solucion es:
$\phi (x)=\left( \frac{1}{\sigma _{x}\surd 2\U{3c0} }\right) ^{\frac{1}{2}%

}e^{-\frac{(x-\langle x\rangle )^{2}}{4\sigma ^{2}}}$
$f(x)=\left\vert \phi (x)\right\vert ^{2}=\frac{1}{\sigma _{x}\surd 2\U{3c0}

}e^{^{-\frac{(x-\langle x\rangle )^{2}}{2\sigma _{x}^{2}}}}$
\textbf{Observacion:}
La funci\'{o}n de densidad gaussiana $f(x)$es \'{o}ptima en el sentido de

dispersi\'{o}n m\'{\i}nima.
30
De acuerdo con el \'{u}ltimo teorema $u_{jk}^{\bar{k}}=\allowbreak x$, es

una variable aleatoria gaussiana con
densidad de probabilidad $f_{k}(x),\forall k,$y para calcular $E\left[ \bar{u%

}_{jk}^{k}\right] =\bar{u}^{k}=\bar{u}_{k}$ . Podemos escribir
$f_{k}(x)=\left\vert \phi (x)\right\vert ^{2}=\frac{1}{\sigma _{k}\surd 2%

\U{3c0} }e^{^{-\frac{(x-\bar{u}^{k})^{2}}{2\sigma _{k}^{2}}}}$
\end{document}
31

Nash 2 33

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Nash 2 33

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE INGENERÍA QUÍMICA

Teorema: sea 𝛔∗ un equilibrio de estrategia mixta de un juego de forma estratégica,

Ui (si , σ∗ −i ) = Ui (ŝ,i σ∗ −i ) (1)

Comprobación: Supongamos por contradicción que la Ecuación (1) no se cumple.

Sea 𝛔∗ la estrategia de i definida por:

Ui (σ∗ , σ∗ −i ) = ∑ σ(ti )Ui (ti , σ∗ −i )

Ui (σ∗ , σ∗ −i ) = ∑ σ∗ i (ti )Ui (ti , σ∗ −i )

Las igualdades en la ecuación (4) y la ecuación (6) se deducen de la definición de σ,

Para el juego de estrategia mixta: Γ = (Uk,k=1,…,n , pk , ПSi k )

Encontrar q1,q2,q3 aplicando el principio de indiferencia

Mediante las siguientes consideraciones y aplicando el principio de indiferencia se

𝑞2 (−𝑏 + 𝑐 + 𝑒 − 𝑓 )(𝑑 − 𝑓 − 𝑔 + 𝑖 ) + (𝑑 − 𝑓 − 𝑔 + 𝑖 )(𝑓 − 𝑐 )

𝑞2 [(−𝑏 + 𝑐 + 𝑒 − 𝑓 )(𝑑 − 𝑓 − 𝑔 + 𝑖 ) − (−𝑒 + 𝑓 + ℎ − 𝑖 )(𝑎 − 𝑐 − 𝑑 + 𝑓 )]

Para el juego de estrategia mixta: 𝛤 = (𝑈𝑘,𝑘=1,…,𝑛 , 𝑝𝑘 , П𝑆𝑖 𝑘 )

86 Personas juegan piedra, papel o tijeras.

2.3. Teorema de la mínima producción de entropía

Lo que implica que la producción de entropía es un valor extremal respecto a las

Donde el signo positivo de 𝑑 2 𝜎 se extrae de las condiciones establecidas para los

Relacionado a la dispersión mínima de una combinación lineal entre la variable x y

[𝐴̂, 𝐵̂ ] = [△ 𝐴̂,△ 𝐵̂] = [𝐴̂ − 𝐴̂, 𝐵̂ − 𝐵̂]

Sea J (α) la función positiva definida como el valor esperado 〈 〉.

𝐽(𝛼) = 〈(𝛼(△ 𝐴) + (△ 𝐵))⁺(𝛼(△ 𝐴) + (△ 𝐵))〉

Por hipótesis, los operadores hermitianos se pueden escribir como

Usando eta propiedad:

Estamos interesados en conocer la forma explícita de la función 𝜙(𝑥) cuando la

Si Â  x, B   i x , y B  0 entonces Ĉ  1, y

4. MAXIMA UTILIDAD (NASH)

La función vectorial 𝑣: 𝑆 → 𝑅𝑛 asocia cada perfil 𝑠 ∈ 𝑆 donde el vector de utilidad

La unidad simple de las estrategias mixtas del jugador 𝑘 ∈ 𝐾 y𝑝𝑘 = 𝑝𝑘 𝑗𝑘 el vector de

𝐼 𝑘 = (1,1 … ,1)𝑇 , [𝐼 𝑘 ]𝑙𝑘 , 1

𝑜 𝑘 = (0,0 … ,0)𝑇 , [𝑜 𝑘 ]𝑙𝑘 , 1

𝑜 𝑘 = (0,0 … ,0)𝑇 , [𝑜 𝑘 ]𝑙𝑘 , 1

𝑢1 (𝑝, 𝑣 (𝑠)) es la utilidad esperada del jugador k, Cada ̅̅̅̅̅̅

∀k, p la desigualad 𝑢𝑘 (𝑝∗ ) ≥ ̅̅̅

Considere una pareja arbitraria de estrategias cuánticas ([𝑈2 ], [𝑈1 , 𝑈3 ]) para PQ

De igual manera supongamos 𝑈3 𝑈2 𝑈1 |𝐻 ⟩≠|𝑇⟩. Entonces Picard puede mejorar su

Es decir, la situación en la que ambos jugadores utilizan estrategias cuánticas es la

Si x es el vector de las fracciones de individuos en que está dividida la población según la

𝛽(𝑝𝑗𝑡 − 𝑝𝑖𝑡 ) 𝑠𝑖 𝑃𝑖𝑡 > 𝑃𝑗𝑡

𝑋𝑖𝑡+𝑑𝑡 = 𝑥𝑖𝑡 + 𝛼𝑖 𝑥𝑖𝑡 ∑ [𝑥𝑗𝑡 𝛽(𝑝𝑗𝑡 − 𝑝𝑖𝑡 )]𝑑𝑡

𝑡11 𝑡12 𝑡13

𝑡11 → 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑠𝑖𝑚𝑝𝑎𝑡𝑖𝑧𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝐴 𝑞𝑢𝑒 𝑣𝑜𝑙𝑣𝑒𝑟á𝑛 𝑎 𝑣𝑜𝑡𝑎𝑟 𝑝𝑜𝑟 𝐴

𝑡21 → 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑠𝑖𝑚𝑝𝑎𝑡𝑖𝑧𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝐵 𝑞𝑢𝑒 𝑐𝑎𝑚𝑏𝑖𝑎𝑟á𝑛 𝑎 𝐴

Para el siguiente periodo de proporciones serán:

𝑡11 𝑡12 𝑡13

𝑋2 1 = 𝑋1 1 𝑡11 + 𝑋1 2 𝑡21 + 𝑋1 3 𝑡31

𝑋𝑖𝑡+𝑑𝑡 = 𝑥𝑖𝑡 + 𝛼𝑖 𝑥𝑖𝑡 ∑ [𝑥𝑗𝑡 𝛽(𝑝𝑗𝑡 − 𝑝𝑖𝑡 )]𝑑𝑡

𝑥⃗ = 𝐴𝑥⃗ = −𝑥⃗. 𝐴𝑥⃗ = 0

1. Estados iniciales superpuestos ,

8. PROPIEDADES DE LOS JUEGO CUANTICOS

Tabla 1. Mecánica cuántica y teoría de juegos propiedades

Definición1 (Tácticas o Sub estrategias)

Con la introducción de sub estrategias, la probabilidad para cada estrategia se define

Teorema 3: La densidad de probabilidad normal 𝑝(𝑢) = [𝜓(𝑥, 𝜆)]2 se puede obtener

La función 𝜓(𝑥, 𝜆) se determina siguiendo como:

deja ψ(x, λk) generar la función

Un juego cuántico debe ser una generalización de la clásica GA es decir. Debe

Un vector distinto de cero 𝑥 ∈ 𝐻 es un vector propio de 𝑇 que se ajusta a valores

𝑇𝑟 (𝑇) = ∑⟨𝑒𝑖 |𝑇𝑒𝑖 ⟩

es independiente de la elección de la base ortonormal. La cantidad se denomina rastro

10. POLINOMIO DE HERMITE

La función vectorial 𝑉: 𝑆 → 𝑅 𝑛 , asocia cada perfil 𝑠 ϵ S, donde el vector de utilidad 𝑣(𝑠) =

(𝑣 1 (𝑠), … , 𝑣 𝑛 (𝑠))𝑇 , designa la utilidad de cada jugador k frente al perfil s.