Tópicos en Teoría de los Juegos Universidad del CEMA Buenos Aires, Agosto de 2008

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Tópicos en Teoría de los Juegos Universidad del CEMA Buenos Aires, Agosto de 2008"

Transcripción

1 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

2 Referencas Las transparencas del tópco 1 sguen muy de cerca los capítulos 2 a 5 del lbro A course n Game Theory de Osborne y Rubnsten (1994). La mayor parte de las defncones y el aparato formal son los empleados por Osborne y Rubnsten, pero he varado un tanto el orden de presentacón de los temas y he obvado cas todas las pruebas con excepcón de unas pocas (por ejemplo exstenca de equlbro de Nash). Los ejemplos son de Osborne y Rubnsten (1994), Fudenberg y Trole (1992) y notas de clases de Haluk y Levne (otoño 2008). Las transparencas correspondentes a subastas sguen las notas de clases de Haluk (otoño 2008). Un muy buen lbro sobre subastas es Krshna (2000).

3 Defncón 1: Un juego en Forma Normal/Estratégca consta de: Un conjunto fnto N (el conjunto de jugadores). Para cada jugador N un conjunto no vacío A (el conjunto de estrategas dsponbles para el jugador. Para cada jugador Nuna relacón de preferenca defnda en A = X j NAj. Nota 1: Usualmente la relacón de preferenca puede representarse medante una funcón de utldad (funcón de pagos) u : A R. En tal caso el juego en forma j normal puede denotarse por N, A, u en cambo de N, A,. Nota 2: Podemos tambén ntroducr un conjunto de Consecuencas C y una funcón g : A C que asoca a cada perfl de estrategas una consecuenca. En este caso debemos defnr las preferencas sobre C de la sguente forma a b g ( a ) g ( b ).

4 Estrategas puras y mxtas Δ el conjunto de todas las dstrbucones de probabldad sobre X. Sea ( X ) Estratega pura: a A. Perfl de estrategas puras: (, ) Estratega mxta: ( A ) σ Δ. a a A= A. j N j Perfl ndependente de estrategas mxtas: j N ( Aj) σ Δ. Perfl de estrategas mxtas correlaconadas: σ Δ ( A).

5 Extensón mxta de un juego en forma normal Defncón 2: La extensón mxta de un juego en forma normal N, A, u es el sguente juego en forma normal N, ( A ), U Δ, donde Δ ( A ) es el conjunto de todas las dstrbucones de probabldad sobre U : Δ A R asgna a cada α Δ ( A) el valor esperado de nducda por α. A y ( ) u empleando la dstrbucón de probabldad sobre A Nota 3: Estamos suponendo que las preferencas sobre loterías cumplen los axomas del teorema de la utldad esperada, de forma tal que las relacones de preferencas sobre loterías pueden representarse como el valor esperado de alguna funcón u : A R. Nota 4: Dado un perfl de estrategas mxtas para todos los jugadores dferentes a (lo representamos por α ) la funcón U es lneal en α.

6 Ejemplos Ejemplo 1: Bach o Stravnsky Bach Stravnsky Bach 2,1 0,0 Stravnsky 0,0 1,2 Ejemplo 2: Juego de Coordnacón Mozart Mahler Mozart 2,2 0,0 Mahler 0,0 1,1 Ejemplo 3: Dlema del Prsonero No Confesar Confesar No Confesar 3,3 0,4 Confesar 4,0 1,1

7 Ejemplos contnuacón Ejemplo 4: Halcón y Paloma Paloma Halcón Paloma 3,3 1,4 Halcón 4,1 0,0 Ejemplo 5: Matchng Pennes Cabeza arrba Cabeza abajo Cabeza arrba 1, 1 1,1 Cabeza abajo 1,1 1, 1

8 Interpretacón del modelo de juego en forma normal/estratégca: Dos nterpretacones alternatvas Enfoque 1: Modelo de un evento que ocurre una únca vez, cada jugador conoce los detalles del juego y el hecho de que todos los jugadores son raconales y los jugadores elgen sus estrategas respectvas smultánea e ndependentemente. En este enfoque no hay nnguna nformacón (excepto los datos prmtvos del juego) sobre la cual un jugador pueda basar su expectatva sobre el comportamento de los otros jugadores. Enfoque 2: Alternatvamente podemos pensar que cada jugador forma su expectatva sobre el comportamento de los otros jugadores sobre la base de la nformacón que posea sobre como se jugó el juego o un juego smlar en el pasado. En este sentdo, una sucesón de jugadas puede modelarse como un juego en forma normal s no hay conexón estratégca entre las jugadas. Es decr, un ndvduo que juegue el juego muchas veces sólo debe preocuparse por los pagos nstantáneos e gnorar los efectos de su accón corrente sobre el comportamento futuro de los otros jugadores.

9 Nota 5: smultanedad sgnfca que cada jugador toma las decsones ndependentemente. Más formalmente, para que una stuacón pueda ser modelada como un juego en forma estratégca sólo es mportante que los jugadores tomen sus decsones ndependentemente; es decr, nngún jugador está nformado de las decsones de los otros jugadores cuando toma su propa decsón.

10 Enfoque 1 Defncón 3: Estratega Estrctamente Domnada (exsten 3 modos equvalentes de defnr que una estratega esta estrctamente domnada) ' Defncón 3.a: α Δ ( A) es estrctamente domnada por ( A) α Δ ( A ) tenemos U ( ' α, α ) > U( α, α ). ' Defncón 3.b: α Δ ( A ) es estrctamente domnada por ( A ) α j Δ ( Aj) tenemos U ( ', ) U(, ) α α > α α. ' Defncón 3.c: α Δ ( A ) es estrctamente domnada por ( A ) tenemos U ( α ', a ) > U ( α, a ) α Δ s α Δ s a α Δ s A Lema 1: S una estratega pura está estrctamente domnada, entonces cualquer estratega mxta que use esta estratega pura con probabldad postva tambén está estrctamente domnada. Lema 2: Las 3 defncones anterores son equvalentes.

11 Idea básca: un jugador raconal nunca va a jugar una estratega estrctamente domnada. En algunos juegos esto es sufcente para encontrar una únca solucón. S ese es el caso tenemos una predccón sumamente convncente del resultado del juego. Ejemplo clásco: dlema del prsonero. Ejemplo 3: Dlema del Prsonero No Confesar Confesar No Confesar 3,3 0,4 Confesar 4,0 1,1 En este juego No Confesar está estrctamente domnada por confesar. Por lo tanto smplemente suponendo jugadores raconales llegamos a la conclusón que el resultado del juego será Confesar Confesar. El problema es que en muchos juegos no hay estrategas estrctamente domnadas o solamente podemos elmnar unas pocas estrategas y por lo tanto no obtenemos una predccón muy precsa del resultado del juego.

12 Elmnacón Iteratva de Estrategas Estrctamente Domnadas Idea Conceptual: jugadores raconales nunca van a jugar una estratega estrctamente domnada. S además saben que los otros jugadores son raconales tampoco esperan que los otros jugadores jueguen una estratega estrctamente domnada. Es decr, cada jugador elmna sus estrategas estrctamente domnadas y elmna de su conjetura sobre el comportamento de los otros las estrategas estrctamente domnadas para los otros jugadores. Dado esto, para cada jugador no es raconal jugar una estratega estrctamente domnada entre las estrategas restantes n esperar que los otros jugadores jueguen una estratega estrctamente domnada entre sus estrategas restantes. Esto genera una nueva ronda de elmnacones y así sucesvamente al nfnto.

13 Procedmento de Elmnacón Iteratva de Estrategas Estrctamente Domnadas 0 0 n Sea A = A y Δ ( A) =Δ ( A). Defnamos de manera recursva A y Δ( A ) n de la sguente forma: { 1 n : ( ) 1 tal que (, ) (, ) 1 } n n n = α Δ α > n n ( A ) ( A) : ( a ) 0 solamente s a A A a A A U a U a a a A { } Δ = α Δ α > n Sea A = I A n= 0, es decr A es el conjunto de estrategas puras del jugador que sobrevveron al proceso de elmnacón teratva de estrategas estrctamente el conjunto de todas las estrategas mxtas tales domnadas. Fnalmente, sea Δ( A ) ' que ( A ) U α ', a > U α, a a A. Decmos que Δ( ) α Δ tal que ( ) ( ) A el conjunto de estrategas del jugador que sobrevven al proceso de elmnacón teratva de estrategas estrctamente domnadas. Nota 6: Cada teracón extra exge un nvel extra de raconaldad. Es decr, prmero solamente necesto suponer que cada jugador es raconal; luego que cada jugador sabe que los otros son raconales; luego que todos saben que todos saben que son raconales y así sucesvamente al nfnto. Formalmente, todos son raconales y la raconaldad de los jugadores es conocmento públco (common knowlodge). es

14 Ejemplos de elmnacón teratva de estrategas estrctamente domnadas Ejemplo 3: Dlema del Prsonero No Confesar Confesar No Confesar 3,3 0,4 Confesar 4,0 1,1 Con una ronda de elmnacón basta. Ya vmos que obtenemos Confesar Confesar Ejemplo 6 Bajo Medo Alto Bajo 6,6 0,10 0,8 Medo 10,0 5,5 0,8 Alto 8,0 8,0 4,4 Necestamos 3 rondas de elmnacón para obtener Alto Alto. Cada ronda conlleva un nvel extra de raconaldad.

15 Ejemplo 3: Duopolo de Cournot Jugadores: Frma 1 y Frma 2 Conjunto de Estrategas: cantdad entre 0 y 1 Funcones de Pagos: benefcos

16 Defncón 4: Sea ( ) Mejor Respuesta α Δ A, a es una mejor respuesta pura a ( *, ) (, ) ( A) U ( *, ) U (, ) a A U a α U a α. α Δ α α α α. * * α es una mejor respuesta mxta a α s α s Podemos tambén defnr los conjuntos de mejores respuestas puras y mxtas respectvamente de la sguente forma: p * : * B α = a A a A U a, α U a, α { } { } ( ) ( ) ( ) * * ( α ) = : α Δ( ) ( α, α ) ( α, α ) B a A A U U ( ) p Lema 3: B ( α ) =Δ B ( α ) Es decr, para computar las mejores respuestas mxtas a un perfl de estrategas de los otros jugadores es posble prmero computar las mejores respuestas puras y luego consderar todas las dstrbucones de probabldad que asgnan probabldad postva solamente a las mejores respuestas puras.

17 Defncón 5: Una estratega ( ) mejor respuesta para nngún ( A ) Estrategas raconalzables α Δ A no es nunca una mejor respuesta s no es una α Δ. Nota 7: Parece un juego de palabras horrble, pero la dea es clara: smplemente queremos dentfcar las estrategas que no son una mejor respuesta a nnguna conjetura que tenga el jugador sobre lo que pueden hacer sus rvales. Intutvamente, un jugador nunca va a jugar esta estratega s es raconal. Defncón 6: Las estrategas del jugador que sobrevven a la elmnacón teratva de estrategas que nunca son una mejor respuesta se denomnan las estrategas 0 raconalzables del jugador. Mas formalmente, sea Δ ( A) =Δ( A) y defnamos de manera recursva: n n 1 1 ' ' : n A A A tal que U, U, A n Δ = α Δ α Δ α α α α α Δ 1 { } ( ) ( ) ( ) ( ) ( ) ( ) El conjunto de estrategas raconalzables para el jugador vene dado por n Δ ( A) = I Δ( A ) n= 0. Un perfl de estrategas αes raconalzable s α es raconalzable para cada N.

18 Conexón entre nunca una mejor respuesta y domnanca estrcta. * Proposcón 1: En un juego fnto, la estratega pura a A no es nunca una mejor respuesta a * nnguna conjetura α Δ ( A ) s y solo s a esta estrctamente domnada por alguna estratega mxta. * Nota 8: Observemos que a A no es una mejor respuesta a nnguna conjetura, ncluyendo comportamentos correlaconados Conexón entre elmnacón teratva de estrategas estrctamente domnadas y estrategas raconalzables. Proposcón 2: El conjunto de perfles de estrategas que sobrevven e proceso de elmnacón teratva de estrategas estrctamente domnadas y el conjunto de estrategas raconalzables son equvalentes. Nota 9: S en la defncón de nunca una mejor respuesta no se permten correlacones entonces la equvalenca de la proposcón anteror se quebra. Asmsmo se quebra la equvalenca de la proposcón 1. Por supuesto que toda esta dstncón es rrelevante s tenemos un juego con solamente dos jugadores (Pearce (1984))

19 Defncón 7: El perfl de estrategas j N ( j) cada N: Enfoque 2: Equlbro de Nash * α Δ A es un Equlbro de Nash s para * (, * ) (, * ) ( ) U α α U α α α Δ A. Nota 10: Podemos reformular el equlbro de Nash de la sguente forma * * * j N Aj N α B α. α Δ ( ) es un Equlbro de Nash s para cada ( ) Nota 11: Observemos que un Equlbro de Nash se caracterza por 1. Jugadores raconales: en un Equlbro de Nash cada jugador juega una mejor respuesta a alguna estratega de sus rvales. 2. Creencas Correctas: para cada jugador las creencas sobre el comportamento de sus rvales son correctas. El punto 1 es claro, pero el punto 2 es un poco oscuro porque cuando defnmos equlbro de Nash no hablamos nunca de creencas, sno smplemente estrategas. Por ahora solamente marco este punto, que dscutremos más detalladamente cuando veamos Self Confrmng Equlbrum.

20 Ejemplos Ejemplo 1: Bach o Stravnsky Bach Stravnsky Bach 2,1 0,0 Stravnsky 0,0 1,2 Dos equlbros de Nash en estrategas puras y uno en estrategas mxtas ,,, Ejemplo 2: Juego de Coordnacón Mozart Mahler Mozart 2,2 0,0 Mahler 0,0 1,1 Dos equlbros de Nash en estrategas puras Mozart Mozart y Mahler Mahler y uno en estrategas mxtas. Ejemplo 3: Dlema del Prsonero No Confesar Confesar No Confesar 3,3 0,4 Confesar 4,0 1,1 Un equlbro de Nash: Confesar Confesar

21 Ejemplos contnuacón Ejemplo 4: Halcón y Paloma Paloma Halcón Paloma 3,3 1,4 Halcón 4,1 0,0 Dos equlbros de Nash en estrategas puras: Halcón Paloma y Paloma Halcón. Un equlbro de Nash en estrategas mxtas. Ejemplo 5: Matchng Pennes Paloma Halcón Paloma 1, 1 1,1 Halcón 1,1 1, 1 No exste equlbro de Nash en estrategas puras, pero ½, ½ y ½, ½ es un equlbro de Nash en estrategas mxtas.

22 Interpretacón del Equlbro de Nash El equlbro de Nash captura el estado estaconaro de la jugada de un juego en forma estratégca en el cual cada jugador tene una conjetura correcta sobre el comportamento de los otros jugadores y actúa raconalmente. Cuando tenemos un equlbro de Nash con estrategas mxtas la nterpretacón es más debatda. Dscutmos a contnuacón perspectvas alternatvas. 1. Estrategas mxtas como objetos de eleccón. Una estratega mxta mplca una decsón delberada de ntroducr aleatoredad en el comportamento. Un jugador que elge una estratega mxta se compromete a un mecansmo probablístco que seleccona una estratega dentro de su conjunto de estrategas puras. Ejemplos: penales en el fútbol, pkcher en el bésbol.

23 2. Equlbro de Nash con estrategas mxtas como un estado estaconaro. Ya vmos que un equlbro de Nash puede nterpretarse como un estado estaconaro en una stuacón en la que los jugadores juegan repetdamente, pero sn conexón estrategca entre las jugadas. En este sentdo, nterpretamos un equlbro de Nash en estrategas mxtas como un estado estaconaro estocástco. Es decr, los jugadores tenen nformacón sobre las frecuencas con que se han jugado las dferentes estrategas puras en el pasado y usan las msmas para formar sus conjeturas sobre el comportamento futuro de sus rvales. En equlbro estas frecuencas permanecen constantes en el tempo y son estables en el sentdo de que cualquer estratega pura que se juegue con probabldad postva es optma dada las creencas en el estado estaconaro. Un equlbro en estrategas mxtas predce un resultado estocástco, captura una regulardad que es estocástca y no determnstca. Una varante de este enfoque es consderar que cada jugador es en realdad una poblacón de jugadores y que en cada jugada un jugador de cada poblacón es selecconado aleatoramente para jugar. Las probabldades de la estratega mxta del jugador en un equlbro de Nash en estrategas mxtas son las frecuencas con que cada membro de A es usado en la esma poblacón. El juego en forma normal es entonces una forma reducda de un juego donde se modelan explíctamente las poblacones. Notemos que un supuesto mplícto en esta nterpretacón es que cada jugador no detecta correlacón entre las accones de los otros jugadores.

24 3. Estrategas mxtas como estrategas puras de un juego extenddo. Antes de jugar un jugador puede recbr nformacón prvada y aleatora que no afecta a las funcones de pagos de los otros jugadores, pero que afecta la decsón del jugador en cuestón. Ejemplo de esto podrían ser los estados de anmo o humor de un jugador. Esto hace que el comportamento de un jugador sea vsto por los otros jugadores como aleatoro aun no séndolo. Al modelar el comportamento de los jugadores como aleatoro un equlbro de Nash en estrategas mxtas captura este hecho. S usamos estas señales prvadas y extendemos el juego en forma normal obtenemos un juego bayesano (mas adelante vamos a defnr formalmente un juego bayesano). Luego un equlbro de Nash en estrategas puras de este juego extenddo genera el msmo resultado que un equlbro de Nash en estrategas mxtas del juego en forma normal orgnal. 4. Estrategas mxtas como estrategas puras en un juego perturbado. 5. Estrategas mxtas como creencas

25 Exstenca de Equlbro de Nash Nota 12: Un juego en forma normal fnto puede tener un únco equlbro de Nash (dlema del prsonero), múltples equlbros de Nash (batalla de los sexos), no tener equlbro de Nash en estrategas puras, pero tener al menos un equlbro de Nash en estrategas mxtas (matchng penes o pedra, papel o tjera). Pregunta: Podemos garantzar que exste al menos un equlbro de Nash? Respuesta: Exsten varos Teoremas de Exstenca arrancando por el Teorema de Nash. Teorema de Exstenca 1 (Nash 1950): Todo juego en forma normal fnto tene al menos un equlbro de Nash en estrategas puras. Demostracón 1 (Nash 1950): empleando el Teorema de Punto Fjo de Kakutan. Demostracón 2 (Nash 1951): empleando el Teorema de Punto Fjo de Brouwer.

26 Teorema de Exstenca 2: Consderemos el sguente juego en forma normal N, A, u. S M. cada A es un subconjunto del espaco eucldano R no vacío, convexo y compacto y. cada u es contnua en A y cuas cóncava en a, entonces, exste un Equlbro de Nash en estrategas puras. Teorema de Exstenca 3 (Glcksberg 1952): Consderemos el sguente juego en forma normal N, A, u. S. cada A es un subconjunto de un espaco métrco no vacío y compacto,. cada u es contnua en A, entonces, exste un Equlbro de Nash en estrategas mxtas.

27 Nota 13: La dea de estos teoremas es esencalmente la msma; aplcar un teorema de punto fjo a una correspondenca que engloba las correspondencas de mejor respuesta de todos los jugadores. Para ello se necesta demostrar que la correspondenca cumple con todas las condcones del teorema de punto fjo a emplear. Nota 14: Exsten otros teoremas de exstenca, fundamentalmente para casos en los que las funcones de pagos no son funcones contnuas. Nota 15: esto es una nota hstórca. El teorema de Nash no fue solo mportante para la teoría de los juegos, sno tambén mostró el camno para demostrar la exstenca de equlbro compettvo.

28 Juegos Bayesanos Idea: hasta ahora hemos supuesto que los jugadores conocen las funcones de pagos (relacones de preferencas) de los otros jugadores. Esto parece un supuesto bastante fuerte. En muchas aplcacones queremos modelar que los jugadores no conocen perfectamente las funcones de pagos de los rvales. Por ejemplo, en un duopolo, es razonable pensar que cada frma conoce sus costos, pero no conoce perfectamente los costos de su rval. En una subasta de una obra de arte, cada partcpante conoce qué valor tene para el/ella la pntura, pero no sabe cuánto la valoran los otros partcpantes. Defncón 8: Un Juego Bayesano está formado por, donde: Un conjunto fnto (el conjunto de jugadores). Para cada jugador un conjunto no vaco (el conjunto de estrategas dsponbles para el jugador. Para cada jugador un conjunto (el conjunto de tpos posbles del jugador ). Para cada jugador una funcón que asgna a cada tpo la dstrbucón de probabldad sobre los tpos de los otros jugadores, condconada a que el jugador es de tpo. Para cada jugador una funcón de pagos (recordemos que y ) tal que el valor esperado de representa las preferencas del jugador sobre las dstrbucones de probabldad sobre.

29 Nota 16: Exste una manera un poco más formal y más flexble de defnr un juego Bayesano. La dea es defnr prmero un espaco de estados, luego para cada jugador una dstrbucón de probabldades (pror) sobre este espaco de estados y una señal. Estas señales le dan nformacón a cada jugador sobre los posbles estados que se han realzado. Cada jugador utlzando su pror y su señal genera una posteror empleando el Teorema de Bayes (este enfoque puede encontrarse en Osborne y Rubnsten 1994 captulo 2). Nota 17: Para trabajar en las aplcacones normalmente es más convenente y sufcente con la defncón que hemos dado, pero para dscutr algunos temas conceptuales suele ser mejor la defncón más general. Por ejemplo, podemos dscutr con este esquema la doctrna de Harsany, según la cual las prors deben ser guales y toda dferenca en las posterors se debe a que los jugadores recben dferente nformacón. Nota 18: Un juego bayesano sempre puede transformarse en un juego en forma normal. Es tedoso algebracamente, pero la dea es hacer de cada tpo de cada jugador un nuevo jugador. Luego, el espaco de estrategas del jugador es y su funcón de pagos es el valor esperado de empleando la dstrbucón de probabldad.

30 Equlbro Bayesano de Nash Defncón 9: Un perfl de estrategas donde es un Equlbro Bayesano de Nash s para todo jugador, para todo tpo :

31 Aplcacones I: Duopolo de Cournot con costos margnales no observables

32 Aplcacones II: Subasta con valores ndependentes e gualmente dstrbudos Subasta a sobre cerrado. Se subasta un objeto ndvsble. Partcpantes: Valuacón del jugador es la varable aleatora. Las valuacones son ndependentes e gualmente dstrbudas con funcón de densdad y funcón de dstrbucón acumulada defndas en un ntervalo cerrado. es contnua y para todo. Una estratega para el partcpante es una funcón que especfca para cada valuacón una oferta que el partcpante hace por el objeto en cuestón.

33 1. Subasta a sobre cerrado a prmer oferta El jugador que ofrece mas gana la subasta (es decr se queda con el objeto) y paga lo que ofrecó. S hay varos partcpantes que hceron la mayor oferta, el objeto va a cada partcpante con gual probabldad. Formalmente la funcón de pagos es: donde es la oferta mas alta. 2. Subasta a sobre cerrado a segunda oferta. El partcpante que ofrece mas se queda con el objeto, pero paga la segunda mejor oferta. Formalmente, la funcón de pagos vene dada por: donde representa la segunda mejor oferta.

34 Comencemos estudando la subasta a sobre cerrado a segunda oferta. Teorema 4: En la subasta a sobre cerrado a segunda mejor oferta es una estratega domnante para cada partcpante ofrecer su valuacón. Es decr, para todo y para todo tenemos es una estratega domnante. Demostracón:

35 Utlzando el teorema 4 podemos calcular: Probabldad de ganar en el equlbro en estrategas domnantes para un oferente con valuacón :. Pago esperado condconal a ganar s el partcpante tene valuacón :. Pago esperado s el partcpante tene valuacón :. Ingreso esperado del que subasta el objeto:.

36 Ejemplo 7: Supongamos que las valuacones se dstrbuyen unformemente en el ntervalo. Computemos el equlbro en estrategas domnantes.

37 Pasemos ahora a estudar la subasta a sobre cerrado a prmera oferta Teorema 5: En la subasta a sobre cerrado a prmera oferta exste un únco Equlbro Bayesano de Nash smétrco que vene dado por la sguente funcón de oferta: para todo. Demostracón Heurístca:

38 Utlzando el teorema 5 podemos calcular: Probabldad de ganar en el equlbro en estrategas domnantes para un oferente con valuacón :. Pago esperado condconal a ganar s el partcpante tene valuacón :. Pago esperado s el partcpante tene valuacón :. Ingreso esperado del que subasta el objeto:.

39 Ejemplo 8: Supongamos que las valuacones se dstrbuyen unformemente en el ntervalo. Computemos el equlbro Bayesano de Nash smétrco.

40 Observemos que el ngreso esperado en ambos esquemas de subasta es exactamente gual. Esto se conoce como teorema de equvalenca. En efecto, es posble demostrar que cualquer subasta que satsfaga un conjunto de condcones razonables genera el msmo ngreso esperado para quen subasta el objeto.

Universidad Diego Portales Facultad de Economía y Empresa

Universidad Diego Portales Facultad de Economía y Empresa 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,

Más detalles

3.1. Características del comportamiento estratégico Características del comportamiento estratégico

3.1. 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 detalles

Juegos estáticos con información completa

Juegos 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 detalles

Teoría de Elección Social

Teoría 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 detalles

3.1. Características del comportamiento estratégico Características del comportamiento estratégico

3.1. 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 detalles

Clase Auxiliar #1: Teoría de Juegos

Clase 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 detalles

I. 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.

I. 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 detalles

Tema 4: Variables aleatorias

Tema 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 detalles

Estadísticos muéstrales

Estadísticos 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 detalles

Juegos Bayesianos. Tema 1: Tipos, Creencias y Equilibrio Bayesiano. Universidad Carlos III de Madrid

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 detalles

+ y 1 ; U 2 (x 2,y 2 ) = ax 2 (x 2) 2 2

+ 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 detalles

Colección de problemas de. Poder de Mercado y Estrategia

Colección 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 detalles

3. VARIABLES ALEATORIAS.

3. 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 detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 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 detalles

4.4. La ciudad circular El Modelo de Salop

4.4. La ciudad circular El Modelo de Salop Matlde Machado para bajar las transparencas: http://www.eco.uc3m.es/~mmachado/ Economía Industral - Matlde Machado La Cudad Crcular El modelo de Salop 1 En el modelo de Hotellng habíamos supuesto que solo

Más detalles

1).- Para > 0, B= {x R L : p. x I} = {x R L

1).- 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 detalles

3 - VARIABLES ALEATORIAS

3 - 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 detalles

Variables Aleatorias

Variables 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 detalles

, x es un suceso de S. Es decir, si :

, x es un suceso de S. Es decir, si : 1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual

Más detalles

Microeconomía Avanzada Notas Docentes Oligopolio

Microeconomía 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 detalles

En un mercado hay dos consumidores con las siguientes funciones de utilidad:

En 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 detalles

Variables Aleatorias

Variables 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 detalles

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES

CAPÍTULO 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 detalles

Capítulo 4 Probabilidades Estadística Computacional II Semestre 2006

Capítulo 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 detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8

Más detalles

Estadísticos muéstrales

Estadísticos 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 detalles

Geometría convexa y politopos, día 1

Geometría convexa y politopos, día 1 Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

Nos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.

Nos 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 detalles

2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.

2. 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 detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 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 detalles

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de: Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón

Más detalles

Modelos triangular y parabólico

Modelos triangular y parabólico Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO 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 detalles

Modelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF

Modelos 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 detalles

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70 Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles

Más detalles

TEMA 3. VARIABLE ALEATORIA

TEMA 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 detalles

1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,

1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo, Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos

Más detalles

APUNTES DE TEORÍA DE JUEGOS II Natalia González Julieth Solano. No. 5

APUNTES 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 detalles

Comp. Monop. Krugman (1979)

Comp. 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 detalles

Bloque 2 Análisis de circuitos alimentados en corriente continua. Teoría de Circuitos

Bloque 2 Análisis de circuitos alimentados en corriente continua. Teoría de Circuitos Bloque Análss de crcutos almentados en corrente contnua Teoría de Crcutos . Métodos sstemátcos de resolucón de crcutos : Método de mallas Métodos sstemátcos de resolucón de crcutos Permten resolver los

Más detalles

Modelos lineales Regresión simple y múl3ple

Modelos lineales Regresión simple y múl3ple Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una

Más detalles

COMPETENCIA IMPERFECTA

COMPETENCIA IMPERFECTA Notas sobre COMPETENCIA IMPERFECTA Iñak Agurre Departamento de Fundamentos del Análss Económco I Unversdad del País Vasco ÍNDICE Tema. Teoría de Juegos No Cooperatvos Introduccón... Nocones fundamentales...

Más detalles

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?

Problema: 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 detalles

Geometría Axiomática de la Convexidad Parte II: Axiomática de Cápsula convexa

Geometría Axiomática de la Convexidad Parte II: Axiomática de Cápsula convexa Geometría Axomátca de la Convexdad Parte II: Axomátca de Cápsula convexa Juan Carlos Bressan Resumen En la Parte I estudamos una axomátca de segmentos, en la que defnmos los convexos y estudamos sus propedades

Más detalles

Propiedades Asintóticas

Propiedades Asintóticas Capítulo 3 Propedades Asntótcas 3.. Dstrbucones Estaconaras Defncón 3. Sea X n, n, una cadena de Markov con espaco de estados E y matrz de transcón P. Sea π(), E, una dstrbucón de probabldad, es decr,

Más detalles

ANEXO A: Método de Interpolación de Cokriging Colocado

ANEXO A: Método de Interpolación de Cokriging Colocado ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),

Más detalles

Dicha 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.

Dicha 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 detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

6 Minimización del riesgo empírico

6 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 detalles

TEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS

TEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS ESTADÍSTICA I TEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS VII.1.- Varable aleatora. Clasfcacón. VII.1.1.- Introduccón. VII.1..- Defncón. VII.1.3.- Clasfcacón. VII..- Caracterzacón de

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

Mecánica Estadística: Estadística de Maxwell-Boltzmann

Mecánica 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 detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES

Más detalles

Dpto. Física y Mecánica

Dpto. 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 detalles

Introducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava

Introducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

Principio del palomar

Principio del palomar Prncpo del palomar Juana Contreras S. Claudo del Pno O. Insttuto de Matemátca y Físca Unversdad de Talca Introduccón Cuando se reúnen 367 personas, es seguro que debe haber al menos dos personas que cumplen

Más detalles

) para toda permutación (p p 1 p

) 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 detalles

UNA 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. 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 detalles

Estimación no lineal del estado y los parámetros

Estimación 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 detalles

ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a)

ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a) ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 Rcardo Ramírez Facultad de Físca, Pontfca Unversdad Católca, Chle 1er. Semestre 2008 Corrente eléctrca CORRIENTE ELECTRICA Corrente eléctrca mplca carga en movmento.

Más detalles

Matemáticas Discretas

Matemáticas 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 detalles

Tiempos de relajación T 1 y T 2

Tiempos 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

Tema 1.- Variable aleatoria discreta (V2.1)

Tema 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 detalles

PyE_ EF1_TIPO1_

PyE_ EF1_TIPO1_ SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes

Más detalles

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que

Más detalles

Probabilidad Grupo 23 Semestre Segundo examen parcial

Probabilidad 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 detalles

Un estimado de intervalo o intervalo de confianza ( IC

Un estimado de intervalo o intervalo de confianza ( IC Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas 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 detalles

Solución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal

Solución 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 detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos 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 detalles

ECUACIONES DIFERENCIALES Problemas de Valor Inicial

ECUACIONES DIFERENCIALES Problemas de Valor Inicial DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.

Más detalles

I.E.S. Historiador Chabás -1- Juan Bragado Rodríguez

I.E.S. Historiador Chabás -1- Juan Bragado Rodríguez Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.

Más detalles

II. PROBABILIDADES CONDICIONALES. 2.1 Definiciones. Supongamos que lanzamos dos dados

II. 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 detalles

Visión moderna del modelo de transporte clásico

Visión moderna del modelo de transporte clásico Vsón moderna del modelo de transporte clásco Zonfcacón y Red Estratégca Datos del Año Base Datos de Planfcacón Para el Año de Dseño Base de Datos año base futuro Generacón de Vajes Demanda Dstrbucón y

Más detalles

CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.

CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D. CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),

Más detalles

Tema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)

Tema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO) Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las

Más detalles

SEMANA 13. CLASE 14. MARTES 20/09/16

SEMANA 13. CLASE 14. MARTES 20/09/16 SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.

Más detalles

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1 CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de

Más detalles

TEMA 1: INCERTIDUMBRE Y PROBABILIDAD

TEMA 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 detalles

1.Variables ficticias en el modelo de regresión: ejemplos.

1.Variables ficticias en el modelo de regresión: ejemplos. J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes

Más detalles

Introducción a las Subastas de Múltiples Objetos

Introducción 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 detalles

para cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.

para 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 detalles

PyE_ EF2_TIPO1_

PyE_ 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 detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Metodología para el diseño de mecanismos en el esquema de seguridad social en Colombia. Wilson Mayorga M.

Metodología 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 detalles

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO

Más detalles

Tópicos en Teoría de los Juegos Universidad del CEMA Buenos Aires, Agosto de 2008

Tópicos en Teoría de los Juegos Universidad del CEMA Buenos Aires, Agosto de 2008 Tópicos en Teoría de los Juegos Universidad del CEMA Buenos Aires, Agosto de 2008 Gustavo Torrens Department of Economics Washington University in St. Louis 1 Referencias Las transparencias del tópico

Más detalles

EJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.

EJERCICIOS: 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 detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

Tema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema

Tema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas

Más detalles

LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION

LECTURA 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 detalles

Variable aleatoria: definiciones básicas

Variable aleatoria: definiciones básicas Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

Números de Bernoulli y números de Stirling

Números de Bernoulli y números de Stirling Números de Bernou y números de Strng Aexey Beshenov (cadadr@gma.com 2 de Marzo de 27 Dgresón combnatora: os números de Strng Nuestro próxmo objetvo es obtener agunas expresones para os números de Bernou

Más detalles

ESTADÍSTICA. Definiciones

ESTADÍSTICA. Definiciones ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una

Más detalles

3.4. Competencia en precios con restricciones de capacidad - Solución de Edgeworth

3.4. Competencia en precios con restricciones de capacidad - Solución de Edgeworth - Solucón de Edgeworth Matlde Machado 3.4. Competenca en precos con Benes homogéneos demanda a la Bertrand Tenen el msmo coste margnal c y nngún coste fjo Cada empresa tene capacdad k D(c) Las empresas

Más detalles