Universidad Diego Portales Facultad de Economía y Empresa
|
|
- Veronica Quintana Venegas
- hace 7 años
- Vistas:
Transcripción
1 Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr, es de conocmento común, o públco), y los hemos denomnado juegos de nformacón completa. En la vda real, sn embargo, cas sempre los jugadores tenen algún tpo de nformacón prvada que no es compartda con los otros jugadores. Por ejemplo, cas nunca podremos magnarnos las preferencas y creencas de los otros jugadores (mentras qué, a menos que se trate de un esquzofrénco, el otro jugador las conoce muy ben). En dchos casos nos preocupamos por la dstrbucón de la nformacón. Consderaremos casos en los que la nformacón puede no ser compartda. Tales juegos se llaman de nformacón ncompleta, o de nformacón asmétrca. Las asmetrías nformatvas son modeladas el movmento de la naturaleza. Algunos jugadores podrán dstngur señales a partr de los movmentos de la naturaleza, y otros no. Ejemplo : Consderemos una stuacón en la que una frma se encuentra tomando la decsón de contratar un trabajador, sn saber qué tan bueno dcho trabajador es. La frma cree que el trabajador posee una habldad alta con probabldad (p), y una habldad baja con probabldad (-p). Más mportante aún, la frma cree que el propo trabajador conoce su propo nvel de habldad. Para modelar esta stuacón, dejaremos que la naturaleza escoja entre el nvel de habldad Alto o Bajo, con probabldades (p) y (-p), respectvamente. Después, dejamos que el trabajador observe la decsón de la naturaleza, pero no dejamos que la frma se entere aun. Este tpo de juegos son llamados juegos bayesanos. Llamaremos a la nformacón prvada de un trabajador su tpo. En nuestro ejemplo, en trabajador tene dos tpos, Alto y Bajo. Dado que la frma no tene nformacón prvada, solo tene un tpo. Estas stuacones son modeladas a través de juegos de nformacón mperfecta, en donde la naturaleza escoge el tpo de cada jugador y se lo nforma de manera prvada. Juegos Estátcos con Informacón Prvada
2 Unversdad Dego Portales Profesor: Carlos R. Ptta Secuenca del Juego: ) La naturaleza algúnt t t... tn T, 2, en donde cada t T es selecconado con una probabldad p(t). Aquí, cada t T es el tpo del jugador N {,2,..., n}. 2) Cada jugador observa su propo tpo, pero no el tpo de los demás. 3) Los jugadores escogen sus accones smultáneamente, cada uno conocendo su propo tpo Denotamos medante a a a... an A jugadores donde cuarteto (N, T, A, p)., 2 como una lsta de accones tomada por todos los a A es la accón tomada por el jugador. El juego se descrbe medante el Como sempre, una estratega de un jugador determna qué accón tomará en cada conjunto nformatvo. Aquí, los conjuntos nformatvos están dentfcados con tpos t T. Por lo tanto, una estratega del jugador es una funcón s : T A que mapea sus tpos a sus accones. Por ejemplo, en el juego anteror, el trabajador tene 4 estrategas: (Trabajar, Trabajar), lo que sgnfca que él trabajará sn mportar el tpo de habldad que posea; (Trabajar, Fngr), es decr, trabajará s tene habldad alta y fngrá s tene habldad baja; (Fngr, Trabajar) y (Fngr, Fngr). Un equlbro Bayesano de Nash es un equlbro de Nash para un juego Bayesano. Por ejemplo, s p>½, un equlbro Bayesano de Nash en el juego anteror es (Contratar, (Trabajar, Fngr)). Es decr, que la empresa contrata al trabajador y éste trabaja solo s es de alta habldad, y fnge s no lo es. Tambén exste otro equlbro de Nash, donde el trabajador elge fngr sn mportar su tpo, y la empresa no lo contrata. Los tpos de los jugadores pueden estar correlaconados, lo que sgnfca que un jugador puede actualzar sus creencas en relacón al tpo de otros jugadores cuando él se entera de su propo tpo. Dado que él conoce su propo tpo cuando toma su accón, puede maxmzar su utldad esperada con respecto a sus creencas actualzadas. Crítcamente, asummos que él actualza sus creencas usando la regla de Bayes: A B) A B) B) En donde A B) es la probabldad de que A y B ocurran smultáneamente, mentras que B) es la probabldad (no condconal) de que ocurra B. Ahora, sea p t t ) la creenca de que los tpos de los otros jugadores son ( ' ' ' ' ' ' ' ' t t, t2,... t, t, t2,..., tn dado que su propo tpo de t. Puede ser que necestemos usar la regla de Bayes s los tpos están correlaconados. Pero s son ndependentes, entonces nuestro análss se faclta: los jugadores no actualzan sus creencas. Juegos Estátcos con Informacón Prvada 2
3 Unversdad Dego Portales Profesor: Carlos R. Ptta Con los elementos anterores podemos defnr un equlbro Bayesano de Nash. Un conjunto de estrategas s s,..., s s es un Equlbro Bayesano de Nash en un juego estátco con, 2 n nformacón ncompleta de n personas s y solo s para cada jugador con tpo t T ocurre: Donde u es la utldad del jugador, y a denota su accón. Esto sgnfca que, para cada jugador, cada posble tpo t escoge una accón que es óptma dadas las creencas condconadas p t t de ese tpo en relacón a las estrategas de los otros jugadores. Note que la funcón de utldad u del jugador depende tanto de las accones de los jugadores como de sus tpos. Note tambén que un equlbro Bayesano de Nash es un Equlbro de un juego Bayesano con la propedad adconal de que cada jugador juega su mejor respuesta. Ejemplo 2: Verfquemos s la estratega (Hre, ((work, shrk)) es un equlbro Bayesano de Nash en nuestro ejemplo cuando p>½. Dada la estratega (work, shrk) del trabajador, la utldad esperada de la frma por contratarlo es: Dada la estratega (work, shrk) del trabajador, la utldad esperada de la frma al no contratarlo es: Cuando p>½ tenemos que 2p->0 y por lo tanto la estratega HIRE maxmza el pago esperado de la frma. Para el trabajador, necestamos verfcar la optmaldad de cada tpo de manera separada. Para el tpo HIGH, tenemos qué: Mentras que para el tpo LOW tenemos: Juegos Estátcos con Informacón Prvada 3
4 Unversdad Dego Portales Profesor: Carlos R. Ptta Ejemplo 3: Consdere la sguente matrz de pagos: L R X Φ, γ,2 Y -, γ Φ, 0 Donde Φϵ{0,2} y γ ϵ{,3}. Cada jugador conoce sus propos pagos, es decr, el jugador conoce el valor de Φ, y el jugador 2 conoce el valor de γ. Independentemente del valor de Φ, el jugador encuentra ambos valores de γ (es decr, 0 y 2) gualmente probables. De la msma forma, ndependentemente del valor de γ, el jugador 2 encuentra ambos valores de Φ gualmente probables. En este juego, cada jugador tene dos tpos: El jugador tene tpos 0 y 2, mentras que el jugador 2 tene tpos y 3. Todos los perfles de tpo son gualmente probables, es decr, p(0,)p(0,3)p(2,)p(2,3)/4. Para calcular el equlbro Bayesano de Nash, note que para el tpo Φ0 del jugador, la accón X domna estrctamente a la accón Y, es decr, ndependente de lo que el jugador pense que el jugador 2 hará, es una mejor respuesta para el jugador jugar X cuando su tpo es 0. Por lo tanto, para cualquer equlbro Bayesano de Nash s tenemos qué: s (0) X Igualmente, la accón L es estrctamente domnante para el tpo γ3 del jugador 2, y por lo tanto para cualquer equlbro Bayesano de Nash tenemos qué: s (3) L 2 Tambén tenemos que determnar las accones del tpo Φ2 para el jugador, y del tpo γ para el jugador 2. Consdere el tpo Φ2 para el jugador. Para este tpo, la accón X es la mejor respuesta s y solo s la probabldad de que el jugador 2 juegue L es por lo menos ¼. Veamos porqué: S Φ2, el pago esperado de X es: Juegos Estátcos con Informacón Prvada 4
5 Unversdad Dego Portales Profesor: Carlos R. Ptta Mentras que el pago esperado de Y es: El pago esperado Pr(s 2 L) + de X es mayor que el pago esperado de Y, 2-3Pr(s 2 L), s y solo s Pr(s 2 L)>¼ Pero para el tpo Φ2, en equlbro, la probabldad de L es al menos ½. Para ver porqué, defna p como la probabldad que el tpo γ juegue L en un equlbro que posblemente nvolucre estrategas mxtas. Entonces: Por lo tanto, en cualquer equlbro Bayesano de Nash s, el tpo Φ2 del jugador juega X, es decr: s (2) X Fnalmente, necestamos determnar la accón de equlbro del tpo γ. En cualquer equlbro, para el tpo γ, el pago esperado de L es γ. Su pago esperado de R es: Por lo tanto, en cualquer equlbro Bayesano de Nash s, el tpo γ juega R, es decr: s () R 2 Con lo que hemos demostrado que exste un únco equlbro Bayesano de Nash s en donde s (0) s (2) X, s2 () R y s2 (3) L Juegos Estátcos con Informacón Prvada 5
Juegos Bayesianos. Tema 1: Tipos, Creencias y Equilibrio Bayesiano. Universidad Carlos III de Madrid
Juegos Bayesanos Tema 1: Tpos, Creencas y Equlbro Bayesano Unversdad Carlos III de Madrd Repaso: Juego estátco con Informacón completa Jugadores Estrategas (accones) Pagos para cada combnacón de estrategas
Más detallesTeoría de Elección Social
Teoría de Eleccón Socal Hemos vsto que las asgnacones del mercado, bajo certas condcones, son efcentes. Sn embargo, exsten otras consderacones mportantes sobre las característcas de dcha asgnacón (dstrbucón,
Más detallesClase Auxiliar #1: Teoría de Juegos
UNIVERSIDAD DE CHILE FAC DE CIENCIAS FÍSICAS Y MATEMÁTICAS Departamento de Ingenería Industral Curso: IN5A Economía Industral Semestre: Prmavera 7 Profesor: Ronald Fscher Auxlares: Klaus Kaempfe Sofía
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estrategas posbles para cada
Más detallesTópicos en Teoría de los Juegos Universidad del CEMA Buenos Aires, Agosto de 2008
Tópcos en Teoría de los Juegos Unversdad del CEMA Buenos Ares, Agosto de 2008 Gustavo Torrens Department of Economcs Washngton Unversty n St. Lous 1 Referencas Las transparencas del tópco 1 sguen muy de
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estratégas posbles para cada
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesJuegos estáticos con información completa
Teoría de las decsones y de los juegos. Tema : Juegos estátcos con nformacón completa Juego en forma normal g = ( N={,,,n},(S,,S n ), (u,,u n ) ) N conjunto de jugadores, œ N (fnto) S, conjunto de estrategas
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesI. INTRODUCCIÓN. TEORIA DE JUEGOS: NOTAS DE CLASE Marcela Eslava Universidad de Los Andes, Facultad de Economía. g T. Min L g. g(1 ) T g.
Notas de clase de Teoría de Juegos - Marcela Eslava TEORIA DE JUEGOS: NOTAS DE CLASE Marcela Eslava Unversdad de Los Andes, Facultad de Economía I. INTRODUCCIÓN Ejemplo.: El Presdente toma la decsón de
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detallesMETODOLOGÍA PARA EL DISEÑO DE MECANISMOS EN EL ESQUEMA DE SEGURIDAD SOCIAL EN COLOMBIA *
Metodología para el dseño de mecansmos en el esquema de segurdad socal en Colomba METODOLOGÍA PARA EL DISEÑO DE MECANISMOS EN EL ESQUEMA DE SEGURIDAD SOCIAL EN COLOMBIA * Wlson Mayorga M. ** Fecha de recepcón:
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesMicroeconomía Avanzada Notas Docentes Oligopolio
Mcroeconomía Avanzada Notas Docentes Olgopolo Ec. Andrés Pereyra Octubre 2002 1 PANORAMICA 1.1 Introduccón Estas notas pretenden brndar una guía al estudante que se nca en el estudo del tema. La lectura
Más detallesModelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF
Modelos dnámcos de formacón de precos y colusón Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Enfoques empleados en el análss de la nteraccón repetda entre empresas: Juegos repetdos.
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesMetodología para el diseño de mecanismos en el esquema de seguridad social en Colombia. Wilson Mayorga M.
. La Caldad Académca, un Compromso Insttuconal Close up marquta - hoja Mayorga M., Wlson (2009). Metodología para el dseño de mecansmos en el esquema de segurdad socal en Colomba. Crtero Lbre, 7 (), 5-46
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesComp. Monop. Krugman (1979)
Comp. Monop. Krugman (1979) Desarrolla un modelo en el que el Comerco exste debdo a la exstenca de economías de escala, no a dferencas en dotacones o tecnología. Asume que las economías de escala son nternas
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesCAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesSolución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal
Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B
Más detalles1).- Para > 0, B= {x R L : p. x I} = {x R L
Pontfca Unversdad Católca del Perú Programa de Maestría en Economía Curso: Mcroeconomía Intermeda Profesores: Clauda Barrga & José Gallardo Asstente: César Gl Malca Propedades de las funcones de demanda
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesIV. JUEGOS ESTÁTICOS DE INFORMACION INCOMPLETA
Notas de clase de Teoría de Juegos - Marcela Eslava 35 IV. JUEGOS ESTÁTICOS DE INFORMACION INCOMPLETA Son juegos en los cuales al menos uno de los jugadores tene nformacón ncomleta sobre la funcón objetvo
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detalles2 de mar de 2004 Codificación de imágenes y video
Teoría de la Informacón 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 El clma en el Río de la Plata...... S... T... S... S S S T T... S S S... S T... S T p=0.5,
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detallesEl Modelo IS-LM. El modelo IS-LM
El Modelo IS-LM El modelo IS-LM 4. Introduccón 4.2 La demanda agregada: La funcón de nversón 4.3 Equlbro del mercado de benes: La curva IS 4.4 Equlbro del mercado de dnero: La curva LM 4.5 Equlbro de la
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesIntroducción a las Subastas de Múltiples Objetos
Introduccón a las Subastas de Múltples Objetos Alvaro J. Rascos Vllegas Unversdad de los Andes Abrl de 2010 lvaro J. Rascos Vllegas (Unversdad de losintroduccón Andes) a las Subastas de Múltples Objetos
Más detallesII. PROBABILIDADES CONDICIONALES. 2.1 Definiciones. Supongamos que lanzamos dos dados
II. PROBABILIDADES CONDICIONALES. 2. Defncones Supongamos que lanzamos dos dados p( ω ) con ω ( ω, ω 2 ) ω, ω 2 6 {,2,...,6} S observamos que el prmer dado muestra el número 4, Cual es la probabldad de
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamento probablístco de la Informacón Fuentes de nformacón INGENIERÍA DE SISTEMAS Cursada 6 TRANSMISIÓN DE INFORMACIÓN decodfcacón automátca PRINCIPALES TEMÁTICAS DE LA TEORÍA
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detallesPROBABILIDAD Y ESTADÍSTICA
FCULTD DE INGENIERÍ U N M ROILIDD Y ESTDÍSTIC Irene atrca Valdez y lfaro renev@unam.mx Versón revsada: juno 2018 T E M S DEL CURSO 1. nálss Estadístco de datos muestrales. 2. Fundamentos de la Teoría de
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesGuía para la autoevaluación del del capítulo 6
Capítulo 6: EL BANCO CENTRAL Y LA POLÍTICA MONETARIA Guía para la autoevaluacón del del capítulo 6 1) Ante una recuperacón económca, cuál es el cambo que se produce en los valores de equlbro del mercado
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesEn este trabajo se hace un análisis conjunto de la separación entre
INTEGRACIÓN VERTICAL Y CONTRATOS GERENCIALES: HERRAMIENTAS ESTRATÉGICAS EN MERCADOS IMPERFECTOS Flavo Jácome Lévano* Andrés Mejía Vlla** Karen Mendoza Manjarrés*** En este trabajo se hace un análss conjunto
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesElección estratégica de contratos forward y contratos de incentivos gerenciales en un contexto de competencia a la Cournot
Eleccón estratégca de contratos forward y contratos de ncentvos gerencales en un contexto de competenca a la Cournot Sandra Mranda Xmena Bernal y Flavo Jácome Lecturas de Economía - N. o 76. Medellín enero-uno
Más detallesTiempos de relajación T 1 y T 2
empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople
Más detalles+ y 1 ; U 2 (x 2,y 2 ) = ax 2 (x 2) 2 2
13. Consdere un mercado en el que hay dos consumdores con las sguentes funcones de utldad: U 1 (x 1,y 1 = 4x 1 (x 1 + y 1 ; U (x,y = ax (x + y con 4 > a >0 donde x, =1,, es la cantdad del ben x consumda
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detalles6. Teoría de decisión
6. Teoría de decsón 6. Fundamentos y Axomas de coherenca El OBJETIVO de la estadístca, y en partcular de la estadístca Bayesana, es proporconar una metodología para analzar adecuadamente la nformacón con
Más detallesFacultad de Química. UNAM Alejandro Baeza
Facultad de Químca. UNM lejandro Baeza.006 Químca nalítca Instrumental I nálss de mezclas por espectrofotometría. Documento de apoyo. Dr. lejandro Baeza. Semestre 007-I.0 Selectvdad espectral en espectrofotometría
Más detallesFACULTAD DE INGENIERÍA U N A M
FCULTD DE INGENIERÍ U N M Irene atrca Valdez y lfaro renev@servdor.unam.mx T E M S DEL CURSO 1. nálss Estadístco de datos muestrales. 2. Fundamentos de la Teoría de la probabldad. 3. Varables aleatoras.
Más detallesIngeniería Económica y Análisis Financiero Finanzas y Negocios Internacionales Parcial 3 Diciembre 10 de Nombre Código.
Ingenería Económca y Análss Fnancero Fnanzas y Negocos Internaconales Parcal 3 Dcembre 0 de 20 Nombre Códgo Profesor: Escrba el nombre de sus compañeros Al frente Izquerda Atrás Derecha Se puede consultar
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesAPUNTES DE TEORÍA DE JUEGOS II Natalia González Julieth Solano. No. 5
APUNTES DE TEORÍA DE JUEGOS II Natala González Juleth Solano No. 5 Marzo 005 APUNTES DE ECONOMÍA ISSN 794-09X No. 5, Febrero de 005 Edtor Julo César Alonso C. jcalonso@ces.edu.co Asstente de Edcón Stephane
Más detalles3.2. Competencia en cantidades modelo de Cournot Competencia en cantidades modelo de Cournot
Matlde Machado Supuestos báscos del : El producto de las empresas es homogéneo El preco de mercado resulta de la oferta agregada de las empresas (preco unco) Las empresas determnan smultaneamente la cantdad
Más detallesCAPÍTULO III ACCIONES. Artículo 9º Clasificación de las acciones. Artículo 10º Valores característicos de las acciones. 10.
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural serán las establecdas por la reglamentacón específca vgente o
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTEMA 1: INCERTIDUMBRE Y PROBABILIDAD
MÉTODOS ESTDÍSTICOS PR L EMPRES TEM 1: INCERTIDUMBRE Y PROBBILIDD 1.1.- La probabldad. Conceptos y cuantfcacón 1.2.- Defncón axomátca de la probabldad 1.3.- Probabldad condconada e ndependenca 1.4.- Probabldad
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesTipología de nudos y extremos de barra
Tpología de nudos y extremos de barra Apelldos, nombre Basset Salom, Lusa (lbasset@mes.upv.es) Departamento Centro ecánca de edos Contnuos y Teoría de Estructuras Escuela Técnca Superor de Arqutectura
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detallesConsideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir
1. PRINIPIO E TRJOS VIRTULES El prncpo de los trabajos rtuales, en su ertente de desplazamentos rtuales, fue ntroducdo por John ernoull en 1717. La obtencón del msmo dera de la formulacón débl (o ntegral)
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detalles