Juegos con Información Incompleta. Guillermo Owen y Luis Jorge Ferro
|
|
- Germán Díaz Pereyra
- hace 5 años
- Vistas:
Transcripción
1 Juegos con Información Incompleta Guillermo Owen y Luis Jorge Ferro Abril 1, 2006
2 JUEGOS ESTATICOS CON INFORMACIÓN INCOMPLETA O JUEGOS BAYESIANOS En un juego de información incompleta al menos uno de los jugadores no conoce la función de pagos de alguno de los jugadores. Recuerde que un juego de información completa se puede representar en forma estratégica G = {J, (S i ) i J, (p i ) i J } Para representar en forma estratégica un juego Bayesiano, el primer paso es representar el hecho que cada jugador conoce su propia función de pagos pero no conoce con certeza la de cualquier otro jugador. Denote por {p i (s 1, s 2,..., s n ; t i )t i T i } al conjunto de posibles funciones de pago del i-ésimo 1
3 jugador, donde t i se denomina el tipo de jugador del i-ésimo jugador, el cual puede variar dentro del conjunto T i. Dada la definición del concepto tipo de jugador, decir que el i-ésimo jugador conoce su propia función de pagos, es equivalente a decir que conoce su propio tipo, análogamente decir que el i-ésimo jugador no conoce las funciones de pagos de los otros jugadores, es equivalente a decir que no conoce con certeza los tipos de los otros jugadores, denotados por t i = {t 1, t 2, t 3,..., t i 1, t i+1,..., t n } Las creencias de cada jugador i, acerca de los tipos de los otros jugadores, dado que él conoce su propio tipo t i, están expresadas en la distribución de probabilidad q i (t i t i ).
4 Definición La representación estratégica de un juego estático Bayesiano especifica para cada jugador i, el espacio de sus acciones A i, el espacio de sus tipos T i, sus creencias q i y su función de pagos p i, y se denota por G = {J, (A i ) i J, (q i ) i J }, (p i ) i J }. Por convención (Harsany, 1967 ) se supone que es de conocimiento común que en una etapa inicial la naturaleza elige el vector t 1, t 2,..., t n asignándole a cada jugador su tipo acorde a una distribución de probabilidad q i. Así cada jugador a partir de su tipo genera sus creencias por medio de la regla de Bayes. q i (t i t i ) = q i(t i,t i ) q i (t i ) 2
5 Definición En el juego Bayesiano estático G = {J, (A i ) i J, (q i ) i J }, (p i ) i J }. Una estrategia del jugador i es una función s i () donde para cada tipo t i T i, s i (t i ), determina la acción del conjunto factible A i que el tipo t i elegiría. Equilibrio Bayesiano De Nash En el juego Bayesiano estático G = {J, (A i ) i J, (q i ) i J }, (p i ) i J } el perfil estratégico s 1, s 2,..., s n forma un equilibrio Bayesiano de Nash (sobre estrategias puras) si para cada jugador i, y para cada uno de sus tipos t i T i, se tiene que s i (t i) es una solución de max ai A i Σ t i T i p i (s 1 (t 1), s 2 (t 2),.., a i,.., s n (t n); t i )q i (t i t i ) 3
6 MODELO DE JUEGOS NO COPERATIVOS CON INFORMACION INCOMPLETA EJEMPLO: Owen - Ferro Suponga que existen un país poderoso (1) y un país desarrollando un plan armamentista (2). Hay dos tipos de país poderoso T 1 : El que considera costoso atacar en la segunda etapa y por lo tanto si descubre un plan elimina a (2) en la primera etapa. T 2 : El que considera que no es muy costoso pasar a la segunda fase y lo elimina con una frecuencia de 0.4 en la primera etapa. Existen dos fases F 1 : El país (2) desarrolla el armamento. F 2 : El país (2) despliega su armamento. COSTOS Y BENEFICIOS PARA (2) - Costo de iniciar el programa K - El tiempo de terminacíon del programa es una variable aleatoria W que se distribuye exponencialmente con parámetro θ 4
7 - El tiempo que emplea (1) para descubrir el programa de (2), denotado T es una exponencial con parámetro τ. - Los ingresos generados por el proyecto para (2) son positivos y constantes por unidad de tiempo ( t) si el plan llega a la segunda fase, y son proporcionales a los costos en que incurre el primer jugador para eliminar el plan ya desarrollado. O son negativos y constantes ( P ) por unidad de tiempo si el plan de (2) es descubierto antes que el plan de desarrollo se termine, 2 recibe ( P ) por unidad de tiempo. Así, los beneficios esperados del segundo jugador son de la siguiente forma: Sea: π 2 (S 1, S 2 ) = beneficio de 2 E[π 2 (W < T ) T 1 ] = E[ W e t V 1 dt (W < T )] W es el tiempo de desarrollo, T el tiempo de descubrimiento y es la tasa de descuento. = V 1 E[ e W W < T ] = V 1 E[ e W = V 1 0 E[e W donde E[ e W W T < 0] W T = Z]f(z)dz W T = Z]
8 = e W 0 f W T,W (Z,W )dw f W T (Z) = 0 e W f W Z Cómo se determinan las dos funciones f W T,W f W T Es fácil obtener la función de demidad conjuntamente ente W y T, pues sabemos que W y T son variables independientes con distribuciones exponenciales. Así: f W,T (W, T ) = { θτe θw τt W, T > 0, 0 si no. Por el método de transformación de variable pueden hallar las dos densidades requeridas. Consideremos la transformación. X = W Z = W T T = W Z = X Z, J = 1 Así: f W,Z (W, Z) = { θτe θw τ(w Z 0 si no. si Z < W < y Z > 0 0 < W < y Z < 0,
9 Por lo tanto: f Z (Z) = { θτe θw τ(w Z) dw si Z > 0, z 0 θτe θw τ(w Z)dW si Z < 0 Debido a que dado un valor fijo de Z = W T, no se pueden tener valores de W inferiores a Z, ya que T > 0. Pero si Z < 0 los valores de W no varían desde Z ya que W 0. Así si Z > 0 f Z (Z) = Z θτe θw τ(w Z) dw = θτe τz Z e (θ+τ)w dw = θτeτz e (θ+τ)z = θτ θ+τ θ+τ e θz Si Z < 0f Z (Z) = 0 θτe θw τ(w Z) dw = θτe τz θ+τ Finalmente: f Z (Z) = { θτe τz θ+τ Z < 0, θτe θz θ+τ Z > 0. Ahora: f w Z = f W,Z(W,Z) f Z (Z) 5
10 θ τ(w Z) θτe θτ θτe = (θ + τ)e θw τw, θ+τ eτz θ W τ(w Z e θz = (θ + τ)e (θ+τ) w + (θ + τ)z. θτ θ+τ Por lo tanto. E[ V 1e W W T = Z] = 0 = 0 V 1 e W (θ + τ)e (θ+τ) W dw siz < 0 V 1 (θ + τ)e(+θ+τ) W dw = V 1 (θ+τ) (+θ+τ) si Z 0 Ahora si Z > 0 E[] = 0 V 1 e W (θ + τ)e (+τ)w +(θ+τ)z = V 1 (θ + τ)e (θ+τ)z 0 e (+θ+τ) W dw = V 1(θ+τ) (θ+τ) e Z( + θ + τ) si Z > 0 Finalmente E[ V 1 e W Z < 0] = 0 E[V 1 e W Z = Z]f z (z)dz Recuerde que f z (Z) = θτeτz θ+τ si Z < 0 y que E[ V 1 e W Z = Z] = V 1 Así E[, ] = 0 V 1 (θ+τ) (+θ+τ) (θ+τ) θτe τz (+θ+τ) (θ+τ) dz
11 = V 1θ (+θ+τ) = E[Π 2 (W < T ) T 1 ] De manera análoga se puede calcular que: E[Π 2 (W > T ) T 1 ] = P τ θ+τ+ Agrupando se obtiene que: E[Π 2 1 ] = V 1θ τ (θ+τ+)k (θ+τ +) A esta expresión la vamos a llamar H 1 En caso que el país 1 sea de tipo II, las ganancias esperadas están dadas por: E[Π 2 T 2 ] = V 2θ(θ++0.6τ) 0.4P τ(θ+) (θ+)(θ+τ+)k (θ+)(θ+τ +) = H 2 Así dependiendo de los valores de los múltiples parámetros varían los signos tanto de H 1 como de H 2. Es evidente que si H 1 0 H 2 0 el país 2 actuará (es decir iniciará el plan armamentista) Si H 1 0 H 2 0 seguramente no actuará. sin embargo si tienen signos distintos, la decisión del país 2 dependerá de sus creencias acerca del tipo de país I. Vamos a suponer que λ, con 0 < λ < 1 representa la probabilidad que el país 2 la asigna al evento que el país 1 es de tipo I.
12 Así la utilidad esperada del entrante es e(λ) = λh 1 + (1 λ)h 2 Asuma primero que H 1 > 0 > H 2 entonces e(λ) es positivo para valores de λ lo suficientemente cercanos a 1 y negativa en caso contrario. Específicamente existe un valor crítico λ para el cual e(λ) = 0 dado por λ = H 2 H 2 H 1 En caso que H 1 < 0 < H 2, el valor crítico λ se mantiene, pero ahora e(λ) < 0 si λ > λ e(λ) > 0 si λ < λ Surge ahora una interesante pregunta: ASPECTOS DE DISUASIÓN Y DE PROVOCACIÓN Cuando existe una sucesión de paises que quieren entrar a un plan armamentista, nosotros esperaríamos que cada ENTRANTE potencial, revisara como ha actuado el país 1 en ocasiones anteriores cuando un país intentó desarrollar un plan armamentista. Existen dos posibilidades:
13 A. Los entrantes subsecuentes consideran que ellos también serán eliminados en la primera fase y no entrarán. B. Los entrantes al revisar el historial del país 1 consideran aún más probable alcanzar la segunda etapa, que si no hubiesen revisado el historial. El efecto A se denominará disuasivo y el efecto B provocador. A lo largo del tiempo, muchos prospectos de entrante pudieron haber comenzado el desarrollo del plan armamentista. En cada caso el país I pudo o no haber eliminado los planes antes de su fase de despliegue. Esta acción o falla sirve como senal a los subsecuentes entrantes, permitiéndoles actualizar sus creencias De hecho nosotros hemos visto que el país 1 tipo I tiene mayor probabilidad de destruir el programa en la primera fase, que los que tiene el país 1 de tipo II. Por lo tanto cada destrucción de un programa en su fase inicial incrementa la creencia del país 2 acerca del hecho que el país 1 es de tipo I. Esencialmente ahora asumimos un juego dinámico entre un país 1 y múltiples paises 2, juego en cuya primera etapa juega la naturaleza y determina la tipología del
14 país 1 con una probabilidad a priori λ 0 tipo 1. de que sea de El entrante conoce esto pero no conoce el resultado escogido por la naturaleza. Denote por S 1 la probabilidad de exito del país 1 tipo I en destruir un programa en su primera fase, es decir que: S 1 = P {W > T }. Así mismo sea S 2 la probabilidad análoga en el caso del país 1 tipo II, es decir que S 2 = 0.4P {W > T } Suponga ahora que en el momento en que el Entrante decide entrar en acción, n previos entrantes han intentado entrar, de estos K han sido destruidos en la primera fase y h = n K han desplegado su armamento, la probabilidad de esto, bajo la hipótesis de país 1 tipo I es: B(n, K, S 1 ) = n! K!h! SK 1 (1 S 1) h mientras bajo la hipotesis del país 1 de tipo II es: B(n, K, S 2 ) = n! K!h! SK 2 (1 S 2) h Por lo tanto utilizando la regla de Bayes, se tiene que si ocurre el evento (n, K) la probabilidad que el país 1 sea de tipo I, denotada por λ n,k esta dada por:
15 P (T ipoi (n, K)) = = P ((n,k) T ipoi)p (T ipoi) P (T ipoi)p ((n,k) T ipoi)+p ((n,k) T ipoii)p (T ipoii) S K 1 (1 Sn K 1 λ 0 ( n K ) ( n K)S 1 K(1 S 1 ) K λ 0 +( n K )SK 2 (1 Sn K 2 )(1 λ 0 ) Así λ n,k (1 λ n,k = λ 0 (1 λ 0 ) (S 1 S 2 ) K [ 1 S 1 1 S 2 ] n K Por lo tanto como vimos, si H 1 > 0 > H 2 actuará si λ > λ, lo cual implica λ 1 λ > decir si λ 0 (1 λ 0 ) (S 1 S 2 ) K [ (1 S 1) (1 S 2 ) ]n K > H 2 H 1 el entrante es λ 1 λ = H 2 H 1 Tomando logaritmo natural (que mantiene la desigualdad) log( S 1 S 2 )K + log[ 1 S 1 1 S 2 ](n K) > log( H 2 H 1 ) + log[ 1 λ 0 λ 0 ] Dado que S 1 > S 2 el equivalente de K es positivo mientras que el de n K es negativo, así un número mayor de exitos en detener programas en la primera fase genera un efecto provocador. Suponga ahora que H 1 < 0 < H 2, así la condición para que el entrante entre es: log( S 1 S 2 )K + log( 1 S 1 1 S 2 )(n K) < log( H 2 H 1 ) + log[ 1 λ 0 λ 0 ] En este caso un mayor número de éxitos en destruir programas en la primera fase genera un efecto disuasivo.
16 Ejemplo: Considere los datos V 1 = 100, V 2 = 40, θ = 1, τ = 1, = 0.1, K = 300, P = 100, λ 0 = 0.1 Se tiene que S 1 = P {W > T } = P {W T > 0} = P {Z > 0} 1 0 f Z(Z)dZ = 1 0 = 1 θ θ+τ = = 1 2 S 2 = = 0.2 θτe τz θ+τ dz Se puede mostrar que el entrante A priori actuará si λ > A posteriori sin embargo el entrante actuaria si: 0.916K 0.470K > Así el entrante A priori no tiene intenciones de entrar, sin embargo si el nota que por ejemplo el país I ha tenido éxito en 2 de 4 intentos, el entrante decidirá entrar.
Práctica 5 Martingalas a tiempo discreto
Práctica 5 Martingalas a tiempo discreto 1. Tiempos de Parada A lo largo de esta sección vamos a fijar un espacio de probabilidad (Ω, F, P ) junto con una filtración (F n ) n N definida en este espacio.
Más detallesIN Organización Industrial Repaso curso Estrategia y Teoría de Juegos
IN 5204 - Organización Industrial Repaso curso Estrategia y Teoría de Juegos Ramiro de Elejalde (Slides de Ronald Fischer) CEA, Universidad de Chile de Elejalde (Slides de R. Fischer) Estrategia y Teoría
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
Más detallesRepaso Teoría de Juegos Jueves 30 de Julio.
IN7R9 - Teoría de Juegos y Economía de la Información. Semestre: Primavera 2015 Profesor: Prof. Juan Escobar Auxiliar: Gian Luca Carniglia Resumen Juegos en Forma Normal Repaso Teoría de Juegos Jueves
Más detalles2. Dado el juego de señalización de la figura, analizar si existe equilibrio bayesiano perfecto de agrupación en (A,A) y de separación (NA,A).
COLCCIÓN D PROLMS VOLUMN II TORÍ D L DCISIÓN Y D LOS JUGOS LICNCITUR N CONOMÍ. n una bolsa hay 4 monedas iguales. l contenido de la bolsa es conocimiento común entre dos jugadores que han de repartirse
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesTeoría de las decisiones y de los juegos Asignatura: Profesores: Sjaak Hurkens y Flip Klijn Examen: 6 de febrero de 2008
Teoría de las decisiones y de los juegos Asignatura: 50 Profesores: Sjaak Hurkens y Flip Klijn Examen: 6 de febrero de 008 Observaciones: Versión: Duración: 3 horas Documentos autorizados: ninguno Teléfonos
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesCapítulo 2 Juegos estáticos con información asimétrica
Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de
Más detallesUNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMIA TEORIA DE JUEGOS Profesora: Marcela Eslava. Parcial 3 25 de noviembre de 2010 NOMBRE:
UNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMIA TEORIA DE JUEGOS Profesora: Marcela Eslava Parcial 3 25 de noviembre de 2010 NOMBRE: Tiene hasta las 8:50 pm para responder. No puede usar calculadora ni celular.
Más detallesTema 4: Juegos estáticos de información incompleta
Tema 4: Juegos estáticos de información incompleta 1. Introducción (Pérez et al. (2004), cap. 5) 1.1. Caracterización de estos juegos: decisiones simultáneas pero con informaciones, al menos sobre los
Más detallesTeoría de las decisiones y de los juegos Asignatura: Profesores: Sjaak Hurkens y Flip Klijn Examen: 10 de julio 2008
Teoría de las decisiones y de los juegos Asignatura: 25101 Profesores: Sjaak Hurkens y Flip Klijn Examen: 10 de julio 2008 Observaciones: Versión: 1 Duración: 2 horas y 30 minutos Documentos autorizados:
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesTeoría de Juegos Examen Final 2017-I
Teoría de Juegos Examen Final 017-I Nombre: Código: Observaciones: Lea completamente el examen antes de comenzar. Para todas preguntas se asume que los supuestos discutidos en clase se satisfacen a menos
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesNIVELACIÓN DE ESTADISTICA. Carlos Darío Restrepo
NIVELACIÓN DE ESTADISTICA Qué es la probabilidad? La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento. Por ejemplo: tiramos un dado al aire y
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesExtensión mixta de un juego 1
Estrategias mixtas Dominancia, Nash y Seguridad con mixtas Extensión mixta de un juego 1 Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Febrero 2019 1 Basado en Riascos, A. 2019. Teoría
Más detallesUNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMIA TEORIA DE JUEGOS Profesora: Marcela Eslava. Parcial 3 17 de mayo de 2011
UNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMIA TEORIA DE JUEGOS Profesora: Marcela Eslava Parcial 3 17 de mayo de 2011 Usted tiene 2 horas para responder este examen Nota: su examen sólo se considerará
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesTema 4: Juegos estáticos de información incompleta. Subastas
Tema 4: Juegos estáticos de información incompleta. Subastas. Introducción (Pérez et al. (2004), cap. 5).. Caracterización de estos juegos: decisiones simultáneas pero con informaciones, al menos sobre
Más detallesProbabilidad de error. Luca Mar/no y Francisco Rodríguez Ruiz Apuntes no revisados Cuidado!
Probabilidad de error Luca Mar/no y Francisco Rodríguez Ruiz Apuntes no revisados Cuidado! Función Q(x) la definición es Q(x) = π x + { } exp t / dt σ = µ = 0 x t Q(x) Es el integral de una N(0,) entre
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesJuegos con información incompleta
Juegos con información incompleta Juegos en los que al menos un jugador tiene incertidumbre sobre la propia estructura del juego. Por ejemplo, desconoce la utilidad de otro jugador. Cómo se modeliza esta
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesEl reconocimiento de patrones desde un punto de vista estadístico es la selección o extracción de características.
ANÁLISIS DE COMPONENTES PRINCIPALES El reconocimiento de patrones desde un punto de vista estadístico es la selección o extracción de características Esta selección se refiere a procesos donde el espacio
Más detallesPROFESOR: LUIS E. NIETO BARAJAS. Ejercicios de clase
Ejercicios de clase EJERCICIO 1. Problema de decisión. Un estudiante debe decidir entre repasar con mucho detalle una de las dos partes de un curso, o repasar con menos detalle las dos partes, antes del
Más detallesEconomía Industrial - IN51A Pauta Examen Primavera 2008
Economía Industrial - IN51A Pauta Examen Primavera 008 Profesor : Felipe Balmaceda Auxiliares : Francisco Hawas, Jorge Vásquez. Problema Un monopolista opera en dos periodos y en cada uno de ellos enfrenta
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesCadenas de Markov. Mogens Bladt 16 de septiembre de 2017 IIMAS-UNAM
Cadenas de Markov Mogens Bladt 16 de septiembre de 2017 IIMAS-UNAM Cadena de Markov Considere variable aleratorio X 0, X 1,... tomando valores en un conjunto finito o discreto, E. Entonces {X n } n 0 es
Más detallesTeoría de Juegos Solución Examen Final
Teoría de Juegos Solución Examen Final Marcela Eslava 5 de noviembre de 016 Instrucciones No contestamos preguntas durante el examen No se permite el uso de calculadoras, celulares ni ningún otro aparato
Más detallesJugador 2 x 1 x 2 x 3 x 4 y 1 (1,-2) (2,1) (2,-2) (-1,-1) y 2 (0,0) (-1,1) (1,2) (-2,-1) y 3 (2,-1) (0,0) (2,1) (1,2)
Primer parcial. 3/10/2011 1. (3 puntos) La siguiente matriz representa un juego estático entre el Jugador 1 y el Jugador 2. Los números entre paréntesis representan las utilidades de los jugadores. El
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesAnálisis en Forma Estratégica: Juegos Estáticos I
Análisis en Forma Estratégica: Juegos Estáticos I Empezaremos nuestro análisis con juegos estáticos: Aquellos en los cuales los jugadores decide sus acciones de forma simultánea e independiente. Nuestro
Más detallesPROBABILIDADES Trabajo Práctico 5. 0 si x<0. x3 si 0 x<2 1 si x 2
PROBABILIDADES Trabajo Práctico 5 1. Sea X una variable aleatoria con función de distribución acumulada a) Calcular, usando F X, P (X 1) P (0.5 X 1) P (X >1.5) b) Hallar la mediana de esta distribución.
Más detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 17 de abril, 2012 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesInferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia
Inferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia Ignacio Vidal G.. ividal@utalca.cl Universidad de Talca, Chile. Seminario FONDEF-D08I1054, Santiago
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesEl momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,
1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo
Más detallesJuegos bayesianos. Microeconomía III. Leandro Zipitría. Licenciatura en Economía. Facultad de Ciencias Económicas y Administración
Juegos bayesianos Microeconomía III Leandro Zipitría Facultad de Ciencias Económicas y Administración Licenciatura en Economía Objetivos 1. Definir juegos bayesianos 2. Presentar el equilibrio de Nash
Más detallesMatemática 3 Curso 2013
Matemática 3 Curso 2013 Práctica 3: Variables aleatorias discretas. Funciones de distribución Binomial, Geométrica, Hipergeométrica, Poisson. 1) Dadas las siguientes funciones, determinar cuales son funciones
Más detallesApuntes de Clases. Modelos de Probabilidad Discretos
2010 Índice 1. Distribución de Bernouilli 2 2. Distribución Binomial 3 3. Distribución Hipergeométrica 3.1. Aproximación Binomial de la distribución Hipergeométrica............. 7 4. Distribución Geométrica
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Patricia Kisbye FaMAF 15 de abril, 2010 Generación de variables aleatorias continuas Decimos que X es una v.a. continua si
Más detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0.75(1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesEstadística Bayesiana
Introducción Universidad Nacional Agraria La Molina 2017-1 Introducción Introducción La estadística Bayesiana le debe su nombre al trabajo pionero del reverendo Thomas Bayes titulado: An Essay towards
Más detallesAnálisis de Datos. Teoría de decisión Bayesiana. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Teoría de decisión Bayesiana Profesor: Dr. Wilfrido Gómez Flores 1 Teoría de decisión Bayesiana La teoría de probabilidad provee un marco teórico para los procesos de cuantificación y
Más detallesFunciones de R m R n
Funciones de R n R m Funciones de R m R n Una funcion f : R n R m es una función cuyo dominio es un subconjunto Ω R n. Denotada por f : Ω R m donde a cada x R n f le asigna un vector f(x) R m. Ejemplo.-
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesAntes de iniciar el tema se deben de tener los siguientes conocimientos básicos:
1 CONOCIMIENTOS PREVIOS. 1 Números complejos. 1. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Trigonometría. Sería conveniente realizar un ejercicio
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detalles9 Teoría de la Decisión
9 Teoría de la Decisión En condiciones de incertidumbre, el papel del estadístico es tomar una decisión a partir de una observación parcial de la situación. Una mala decisión puede llevar a perdidas importantes.
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTécnicas de Inferencia Estadística II. Tema 5. Estadísticos de orden
Técnicas de Inferencia Estadística II Tema 5. Estadísticos de orden M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 5. Estadísticos de orden Contenidos
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTeoría de Juegos (Código: )
Teoría de Juegos (Código: 02477) Módulo 3: Juegos en Forma Extensiva antonio.miralles@uab.cat despacho B3-96 Facultat d Economia i Empresa Universitat Autònoma de Barcelona (UAB) Juegos en Forma Extensiva
Más detallesSesión 11. Introducción. Contenido DECISIONES EN MERCADOS DE OLIGOPOLIO COOPERATIVO. Dr. Jorge Ibarra Salazar
Sesión 11 DECISIONES EN MERCADOS DE OLIGOPOLIO COOPERATIVO Dr. Jorge Ibarra Salazar Departamento de Economía Tecnológico de Monterrey Introducción Estudiamos las decisiones (simultáneas) para empresas
Más detalles1.- Álgebra de números complejos.
.- Álgebra de números complejos. a) Definición y representación geométrica. b) Sumas y productos de números complejos. c) Vectores y módulos en el plano complejo. d) Representación en forma exponencial.
Más detallesInformación Incompleta (Asimétrica)
Información Incompleta (Asimétrica) Los problemas de información incompleta o asimetrías de información se dan cuando uno o algunos de los jugadores conocen algo que los otros jugadores no conocen. Ejemplo:
Más detallesDepartamento de Matemática Aplicada a las T.I.C.
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS PRIMERA PRUEBA (Otoño 2015 Duración: 1 hora y 45 min. FECHA: 26 de Octubre de 2015 APELLIDOS: NOMBRE: DNI:
Más detalles. Luego, para el período n + 1 los resultados estarán, en cualquier caso, en el conjunto {λ k n 0 } n+1. k= (n+1). Consideremos Y = λ U n
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Probabilidades MA, /5/9, Prof. Raúl Gouet Solución Control #. Considere una colonia de bacterias con población inicial
Más detallesAnálisis de Datos. Clasificación Bayesiana para distribuciones normales. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Clasificación Bayesiana para distribuciones normales Profesor: Dr. Wilfrido Gómez Flores 1 Funciones discriminantes Una forma útil de representar clasificadores de patrones es a través
Más detallesOrganización Industrial Ejercicios correspondientes a la primera parte
Organización Industrial Ejercicios correspondientes a la primera parte Ejercicio 1 Considere una empresa que maximiza sus ganancias π = p(q) q C(q), donde q es la cantidad producida, p(q) es la función
Más detallesAnálisis Estadístico en Simulaciones. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Análisis Estadístico en Simulaciones UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En una simulación las variables aleatorias son la entrada para
Más detallesEcuaciones diferenciales con retardo
Ecuaciones diferenciales con retardo Clase 1, versión preliminar (las críticas son bienvenidas) 1 Introducción Con probabilidad 1, la primera clase de un primer curso sobre ecuaciones diferenciales comienza
Más detallesTema 9. Análisis factorial discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. 9.1. Introducción. Tema 9. Análisis factorial discriminante Supongamos que están denidos I grupos,
Más detallesProcesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo
Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas
Más detallesI.2 La inducción para atrás es un caso especial de la perfección en subjuegos? O es al revés?
Teoría de Juegos Examen de junio de Nombre: Grupo: Tiene dos horas y media para completar el examen. I. Preguntas cortas ( puntos). I. Dé un ejemplo en el que un equilibrio de Nash ocurre en estrategias
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detalles0 si x<0. si 1 x<2 1 si x 2. si 4 x 6 1 si x>6. 1 e x si x 0
Probabilidades y Estadística (M) Práctica 3 2 cuatrimestre 2004 Variables Aleatorias. Sea X una v.a. con función de distribución (a) F X (x) = 0 si x< 3 4 si 3 x< 3 4 si x
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesUna aplicación de la Teoría Ergódica en la búsqueda de Google
Ergódica Una aplicación de la Ergódica en la búsqueda de Google 10 de octubre de 2009 Una aplicación de la Ergódica en la búsqueda de Google Google Ergódica Una aplicación de la Ergódica en la búsqueda
Más detallesPrincipios de reducción de la data
Capítulo 6 Principios de reducción de la data 6.1. Introducción Un experimentador usa la información en una muestra X 1,, X n para realizar el proceso de inferencia sobre algun parámetro desconocido θ.
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más detallesEl teorema de los cuatro cuadrados y el teorema de Minkowski
El teorema de los cuatro cuadrados y el teorema de Minkowski Alexey Beshenov (cadadr@gmail.com) Universidad de El Salvador. Marzo de 018 Uno de los primeros teóricos de números europeos fue el matemático
Más detallesClase I. Juego de señales. A. Representaciones alternativas
Economía política Jorge M. Streb Clase 6 3.7. Temas. Juego de señales. ominancia en equilibrio y criterio intuitivo. Las señales como un tipo de información V. Un caso particular de juegos con señales:
Más detallesEstadística Bayesiana y Riesgos
Estadística Bayesiana y Riesgos Manuel Mendoza Ramírez Instituto Tecnológico Autónomo de México Seminario Aleatorio. Contribuciones Recientes de la Estadística a la Actuaría en México. ITAM. México, D.F.
Más detallesPolítica Monetaria bajo diferentes estructuras de mercado: El caso de Colombia, una economía pequeña y abierta Ramón Hernández - Junio 09 Este
Política Monetaria bajo diferentes estructuras de mercado: El caso de Colombia, una economía pequeña y abierta Ramón Hernández - Junio 09 Este trabajo es el resultado de la primera aproximación de la tesis
Más detallesIngeniería en Instrumentos Derivados. Opciones 1
Ingeniería en Instrumentos Derivados Opciones 1 Alvaro Díaz Valenzuela Dottore in Matematica Magíster en Ciencias de la Ingeniería 12 de noviembre de 2010 Índice Opciones Definiciones Estrategias con Opciones
Más detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesCAPÍTULO 11 LA TEORÍA DE JUEGOS
CAPÍTULO 11 LA TEORÍA DE JUEGOS José L. Calvo DEFINICIONES Juego. Marco competitivo en el que se desarrolla la actividad de los jugadores. Jugadores. Agentes que participan en el juego. Solución. Conjunto
Más detallesAUXILIAR 1 PROBLEMA 1
AUXILIAR 1 PROBLEMA 1 Calcular el campo eléctrico en cualquier punto del espacio, producido por una recta de carga infinita (con densidad lineal de carga λ0). Luego, aplicar el teorema de Gauss para obtener
Más detallesUna aplicación de la Teoría Ergódica en la búsqueda de Google
Dónde entra la Una aplicación de la en la búsqueda de 14 de octubre de 2009 Una aplicación de la en la búsqueda de Dónde entra la Una aplicación de la en la búsqueda de Dónde entra la Qué es el PageRank?
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detalles