Académique Documents
Professionnel Documents
Culture Documents
ECONOMA
lvaro Montenegro*
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
200 lvaro Montenegro
Cuadro 1
Cdigo Morse
A . M Y . 6 ....
B ... N . Z .. 7 ...
C .. O .. 8 ..
D .. P . . . 9 .
E . Q . .. . ...
F ... R .. Ch , ..
G . S ... 0 ? .. ..
H .... T 1 . ! .._ _.
I .. U .. 2 .. : ...
J . V ... 3 ... ....
K . W . 4 .... . .
L ... X .. 5 ..... = ...
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 201
MTRICA DE LA INFORMACIN
Grfica 1
I
0 1 P
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
202 lvaro Montenegro
ENFOQUE TCNICO
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 203
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
204 lvaro Montenegro
ENTROPA
Ahora definimos:
n n
I (S)I (S) n= P log1 1 n
H =H = N = Pi logi 2 2=P = Pi log Pi log P
2 Pi 2 i
N i =1 i =1 Pi i i =1 i =1
limPlim
P0+loPg P
log=P0= 0
P 0+
Informacin y entropa en economa 205
LA ENTROPA EN LA FSICA
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
206 lvaro Montenegro
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 207
ENTROPA MULTIVARIADA
igual a 0 si P(x/y) = 1 para algn x e igual a logL si P(x/y) = 1/L para todo
x.
Haciendo uso de P(x, y) = P(x)P(y/x) = P(y)P(x/y), la entropa conjunta
puede relacionarse con la entropa condicional a travs de:
H(X, Y ) = H(X) + H(Y/X) = H(Y ) + H(X/Y )
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
208 P(x, y) lvaro Montenegro
I (X ;Y) = H(X ) H(X / Y) = H(Y) H(Y / X ) = P(x, y)log P(x)P( y)
x X y Y
Grfica 2
H(X, Y)
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 209
H(X)==
H(X) (x)log
X(x)log
X
X(x)dx
X(x)dx
f X ,Y (x, y)
H(X / Y) = H(X ,Y) H(Y) = f X ,Y (x, y)log dx dy
f Y ( y)
f X ,Y (x, y)
I (X ;Y) = H(X ) + H(Y) H(X ,Y) = f X ,Y (x, y)log dx dy
f X (x) f Y ( y)
APUESTAS
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
210 lvaro Montenegro
1 1 VNVN WW LL
G =Glim
= lim loglog
1 = NVlim
=Nlim log(1
W+ +) + )N+ log(1
log(1 L ) =) (1= (1p)log(1
log(1 + +) + )plog(1
p)log(1 + plog(1 ) )
N NN V N
N V
G = lim 0 log0 N N
= lim log(1 + N) + log(1 ) = (1 p)log(1 + ) + plog(1 )
N N V0 N N N
donde G es la ganancia por perodo en 2GN = VN/V0 (si en vez del lo-
garitmo en base 2 usamos el logaritmo natural, la expresin es eGN
= VN/V0). Esta expresin se maximiza con respecto a derivando e
igualando a 0, y se obtiene:
1 1p p p p
= 0=, 0de donde
, de donde = 1= 12 p 2 p
1 +1 + 1 1 p1 p = 0 , de donde = 1 2 p
1+ 1
Remplazando en G, obtenemos:
Gmax = (1 p)log2(1 p)+plog2p = 1 + (1 p)log(1 p)+plogp
Gmax
Gmax= (1 p)log2(1
= (1 p)+plog2p
p)log2(1 = 1= +1 (1
p)+plog2p p)log(1
+ (1 p)+plogp
p)log(1 p)+plogp
Gque
max = (1 p)log2(1 p)+plog2p = 1 + (1 p)log(1 p)+plogp
depende de la entropa de la transmisin. Ntese que, por ser una
entropa binaria, la cantidad (1 p)log(1 p)+plogp vara entre 0 y -1, con
lo cual 0 Gmax 1. Kelly muestra que, en el largo plazo, un apostador
que escoja la fraccin as obtenida, superar a otro que invierta una
fraccin diferente.
Generalizando, en el segundo caso Kelly supone varios mensajes
de entrada excluyentes, s, y no necesariamente equiprobables. La
informacin privilegiada en el sentido de que al apostador se le
transmite el resultado (de una carrera de caballos, p. ej.) antes que el
pblico en general lo conozca puede estar distorsionada por ruido
o porque el apostador no confa plenamente en su fuente. Por ello se
involucran probabilidades condicionales en el clculo. Kelly supone
que el apostador mantiene invertido todo su capital:
a(saa(s
/ r)/ r)
=1 1
r ) =/=
(s /a(s 1r) = 1
s
s s
s
VN = [a(s / r ) ] V0
W
s
r ,s
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 211
G = lim
s log
= V P(s)log= P(s,r+)logP(s,r a(s / r )a(s / r )
N= NP(s)log
0 s +r ,s
P(s,r
s )logs a(s)log/ r)
= P(s)log s s +
s P(s,rr ,s)log a(s / r )
r ,s
s
= P(s)log sr ,s+ P(s,r )log a(s / r )
s r ,s
L =. LaP(s,r expresin
) log a(s / r )del(1lagrangiano L , sujetoa(s a / r) = 1 , es:
a(s/r) L a(s / r ) = 1
a(s / Lr ))
L = s P(s,r ) log a(s / r ) (1 L s
a(s / r )) a(s / rs ) = 1 s
L = P(s,r s
) log a(s / r ) (1 a(s
s
/ rL)) s
a(s / r ) = 1
s s s
L =
L = P(s,r ) log a(s / r ) (1 P(s,r ) log a(s / r ) (1
a(s / r ))a(s / r ))
L = P(s,rs ) log a(s s / r) (1 a(s / rs )) s
cuyas
s condiciones
L = P(s,r ) log a(s / r ) (1
de sprimer orden son:
a(s / r ))
Ls P(s,r ) s
L = P(s,r ) =0
a(s / r ) = a(s / r ) =0
La(s / r )P(s,r a(s) / r )
= =0
a(s / r )L a(s L/P(s,r r ) ) P(s,r )
=) = =0 =0
L L P(s,r
L ==/1r )a(sa(s
a(s /a(s
r )//=rr)a(s
0) = 0/ r )
a(s / r )L =a(s 1 /P(s,r
r ) a(s ) / r) = 0
L = ss =0
a(s= /1r ) a(s a(s//rr)) = 0
L s L
L = 1 = a(s 1 / r )a(s = 0/ r ) = 0
= 1De la a(sprimera
/ rs ) = 0 s condicin se obtiene:
L
= 1s a(s / r ) = 0
s 1
a(s / r ) = 1 P(s,r )
a(s / r ) = P(s,r )
s
1 s
a(s
s
/ r) = P(s,r
s
)
s s1 1
a(s1/ r ) = a(s / r ) =P(s,r ) P(s,r )
a(s / rs ) = s P(s,rs ) s
s 1
a(s / r ) = s P(s,r )
= P(s,r )s
s
= s P(s,r
Revista de )Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
= P(s,r s
)
s
= P(s,r = ) P(s,r )
= P(s,rs ) s
s
= P(s,r )
1
a(s / r ) = P(s,r )
s s
212 lvaro Montenegro
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 213
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
214 lvaro Montenegro
Aplicaciones en finanzas
T greso:
= i
yi log Nyi
i
T= yi log Nyi
T= i yi log Nyi
i
H( y) = yi log yi
Para y) ello,
H(H( = i = en
y) y la
yi loglogyi frmula
yi de la entropa remplaz la probabilidad por
yH( y) =proporcin
i y logi y
,i la ii i del ingreso total correspondiente al individuo i. Con
H( y) = i
yi log yi
esta notacin,
i
la entropa del ingreso es:
H( y) = yi log yi
H( y) = i yi log yi
i
P(x, y) = N
Supongamos
N adems que se conocen las condiciones o caractersticas
P(x, y) = 1
especficas de algunos de los N eventos. Por ejemplo, si es frecuente
1N
quey)y= aumente
P(x,
N
cuando x1 es mayor que x2. Estas condiciones, compa-
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
216 lvaro Montenegro
P(R) =
P(x, y)R(x, y)
P(R) = x,y
P(x, y)R(x, y)
x,y
P(R) =
P(x, y)R(x, y)
x,y
P(R) =
P(x, y)R(x, y) = P( y / x)R(x, y) = P(R)
P(x)
P(R)
P(R) y)R(x,
,y P(x,
== xP(x, y)R(x, = x P(
y) = y)P(x) y / x)R(x,
, y P(x) P( y y)
/ x)R(x,
= P(R) y) = P(R)
x , yx , y x,y x,y
2
Ver Akaike (1974) o Anderson et al. (2000).
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 217
anterior se simplifica:
DKL = C Ef[log g(x)]
Ejercicio economtrico
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
218 lvaro Montenegro
Grfica 3
Alcoa variacin porcentual del precio diario de cierre
(26 de septiembre de 2006-14 de septiembre de 2010)
0,3
0,2
0,1
0,0
-0,1
-0,2
250 500 750
Grfica 4
Estimacin Kernel de la distribucin de probabilidad de la
variacin porcentual del precio de Alcoa
0,016
0,012
0,008
0,004
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 219
Grfica 5
Alcoa contenido de informacin de la variacin del precio vs. tiempo
12
11
10
9
8
7
Grfica 6
Variable de informacin
-1
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
220 lvaro Montenegro
CONCLUSIN
REFERENCIAS BIBLIOGRFICAS
1. Akaike, H. A New Look at the Statistical Model Identification, Tran-
sactions on Automatic Control 19, 1974, pp. 716-723.
2. Anderson D., K. Burnham y W. Thompson. Null hypothesis testing:
Problems, prevalence and an alternative, Journal of Wildlife Management
64, 4, 2000, pp. 912-923.
3. Brmaud, P. An introduction to probabilistic modeling, Springer-Verlag,
1988.
4. Burnham, K. Multimodel inference: Understanding AIC and BIC in
model selection, paper presented at the Amsterdam Workshop on Model
Selection, August 27-29, 2004.
5. Cameron C. y F. Windmeijer. An R squared measure of goodness of fit
for some common nonlinear regression models, Department of Econo-
mics, University of California, Davis, 1995.
6. Chen, J. Information, entropy and evolutionary finance, Working Paper,
School of Business, University of Northern British Columbia, 2002.
7. Chen P. y F. Alajaji. Lecture notes on information theory, Department
of Communications Engineering, National Chiao Tung University, and
Department of Mathematics & Statistics, Queens University, 2005.
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221
Informacin y entropa en economa 221
Revista de Economa Institucional, vol. 13, n. 25, segundo semestre/2011, pp. 199-221