Forma extensiva: Jogos na forma extensiva: Definições: Observações
|
|
- Sonia de Barros Filipe
- 7 Há anos
- Visualizações:
Transcrição
1 Forma extensva: Jogos na forma extensva: Drew Fudenberg e Jean Trole (993, cap. 3) Chrstan Montet e Danel Serra (003, cap. ) Descrção exata dos sucessvos movmentos dos jogadores em conexão com a nformação a sua dsposção: Quem sabe o que e quando? Qual a mplcação do que? Orgem da expressão: Von Neumann e Morgenstern (944) Kuhn (953): dagrama de árvore. Defnções: Árvore é um gráfco acíclco com vértce dstnguível. Ponto ncal do jogo: raz da árvore Ponto fnal: nódulos termnas: payoffs dos jogadores que resultam daquela jogada. Pontos de decsão: nódulos não termnas: ndca o jogador está escolhendo. Conjunto de nformação: é o conjunto Maxmo de pontos de decsão que o jogador não pode dstngur entre eles. Decsão em um CI: assoca um únco sucessor na árvore a cada ponto de decsão no conjunto. Observações Movmento da Natureza: ponto de decsão ncal e o seu conjunto de nformação é sempre composto de um ponto de decsão únco. Jogo na forma extensva fnto: árvore contém apenas um número fnto de nódulos. 3 4
2 Exclu cclos Cada ponto de decsão deve ter apenas um predecessor medato. Não Resumo: Jogos de nformação mperfeta: conjunto de nformação dos jogadores possu mas de um nódulo de decsão. Modelo de Stackelberg Com lnha tracejada: passa a ser modelo de Cournot. Coloca todas as ações do no CI do. Forma extensva especfca: a) O conjunto de jogadores b) Quem tem a vez de se mover c) O que ele pode escolher em cada um de seus conjuntos de nformação. d) O que ele sabe quando toma a sua decsão e) O payoff de cada jogador para cada combnação de movmentos que poderam ser escolhdos por ele. 5 6 Jogo perfect recall: Jogadores nunca esquecem o que eles sabam ou fzeram no passado, ou seja, em cada CI da árvore todos os jogadores sabem os CI (s) precedentes e as decsões tomadas. Aqu todos os jogos são perfect recall Jogos no tempo: ele pode não ser perfect recall Informação completa e perfeta: não há movmentos smultâneos e cada jogador é sempre perfetamente nformado sobre qualquer cosa que aconteceu no passado. Nesse caso todo CI é com ponto de decsão únco. Exemplos de jogos de salão fntos:. Xadrez jogo de nformação perfeta sem movmentos da natureza (natureza joga apenas para escolher quem joga prmero). Brdge e Poker jogos de nformação mperfeta, pos a natureza joga, porém o jogo requer habldade.. Roleta jogo de azar puro. 7 8
3 Elementos da forma extensva: Elementos da forma extensva: N = conjunto de jogadores (fnto) ( = jogador ndvdual arbtráro) I = conjunto de nódulos da árvore O = nódulo ncal (orgem) σ: I I: função que assoca cada nódulo a outro que é o seu predecessor. Na orgem: σ (0) = 0 n I e qualquer ntero postvo k, temos: σ k (n) = ndca a k-ésma nteração de σ σ k (n) = σ (σ( σ (...σ(n)...))) Def. Uma árvore do jogo é um conjunto de nódulos I e uma função σ: I I, σ(0) = 0 tal que, nódulo n I, σ k (n)= 0 mantém-se para algum k ntero postvo. σ k (n)= 0 n é necessára para garantr que todos os nódulos estão conectados à orgem,.e., o gráfco é uma árvore. Jogadores escolhem ações para mover-se de um nódulo para outro: função ação do predecessor. k - vezes 9 0 α = Função ação do predecessor (forma uma partção de I) α: I/{o} A : assoca a cada nódulo n (exceto 0) a ação α(n) levando do nódulo predecessor σ(n) a n. (... A = α α n) Classfcação dos nódulos: I. Nódulo termnal: não é predecessor de nenhum outro nódulo, sto é, σ - (n)= Todo nódulo não-termnal é um nódulo de decsão. T(I) = conjunto de nódulos termnas D(I) = conjunto de nódulos de decsão T U D= I e T D = II. Nódulos de decsão: jogador que toma a decsão. I = conjunto de nódulos de decsão nos quas o jogador está escolhendo uma ação e supõe que em um nódulo partcular apenas um jogador está tomando decsão. D partção em subconjuntos. 3
4 (forma uma partção de I) Partção de jogador: assnala nódulos para jogadores que devem tomar uma ação nestes nódulos. Def. uma lsta de conjuntos de decsão mutuamente exclusvos por jogador é chamada uma partção de jogador D(N) A = conjunto de todas ações do jogador. A U = A(n ) n I 3 Função ganho assocada com cada nódulo n I : é um vetor payoff u ( n) Nque da o payoff para cada jogador no nódulo termnal. 4 Exemplo: Jogo com jogadores Jogador : joga prmero (Líder) Varante II: ao mover-se o jogador o não sabe o que o I escolheu. - Jogo com nformação mperfeta Jogador : joga depos (Segudor) L R Espaço de Açoes dos jogadores: A = ( L, L) A = ( R, R) Funçao ganho dos jogadores: L, Rj L, Rj ( ) u,u,j=, R R R R L R R R R R Varante I: ao mover-se o jogador sabe a escolha do I Jogo de nformação perfeta 5 6 4
5 Varante III: há um movmento da Natureza: evento aleatóro com uma dada probabldade e o jogador não conhece a escolha do jogador Jogo estátco de nformação Incompleta Proposção: todo jogo dnâmco pode ser representado na forma normal ou estratégca. (veja o caso da Varante I) Jogador : possu duas estratégas guas as ações N Jogador : possu 4 estratégas e duas ações [-P] [P] (R,R j ) = Se o jogador escolhe L então [jogador ] jogo R e se o jogador escolhe L, então jogo R j (, j =,) (R,R ) (R,R ) (R,R ) (R,R ) R R R R L L u L, u L u L, u L u L, u L u L, u L u, u L u L, u L u L, u L u L, u L, R L, R 7 8 Jogos na forma estratégca ou normal Introdução Shapley (973) Estratéga: é uma regra que dz ao jogador qual ação (movmento do jogador) escolher em cada nstante do jogo, dado seu conjunto de nformação. Dz ao jogador como reagr a ação dele e dos demas jogadores. Fornece uma descrção completa de como o jogador deve jogar em cada contnênca que pode surgr Estratéga é mental e decsão é físca. 0 5
6 Introdução Representação na forma estratégca Estratéga: nstruções exaustvas dadas a uma máquna (agente) que, qualquer que seja o progresso do jogo, a máquna tem apenas que aplcar as nstruções. O numero de estratégas aumenta exponencalmente com o numero de movmentos no jogo (Contngêncas). Conjunto de nformação: é o conhecmento que o jogador possu em um tempo partcular dos valores das dferentes varáves, nclundo o conhecmento das ações tomadas no passado. O CI muda ao longo do tempo. Especfca:. Os jogadores: n-jogadores. As estratégas dsponíves para cada jogador: x = (x...x n ) sendo que x X 3. Payoff de cada jogador para cada combnação de estratégas que podera ser escolhdo por ele. Dadas x, x,...x n estratégas dos n-jogadores, a regra do jogo especfca um payoff u (x...x n ) para cada jogador e um únco resultado para o jogo. Representação na forma estratégca ou normal Representação na forma estratégca ou normal Maestro Confessar Não confessar Tchakovsky Confessar Não confessar (negar) (-5,-5) (0,-0) (-0,0) (-,-) Forma Estratégca ou normal: é a função que assoca a cada vetor de estratégas possíves x = (x...x n ); x X, =,,...,ao vetor payoff (u(x),...,u(n)) (ou payoff dos jogadores). Def. Um jogo com n-jogadores está na forma estratégca se específca G= (X...X n ; u...u n )
7 Estratéga Msta: Os jogadores seleconam um dspostvo aleatóro para a Estratéga Pura (ou estratéga degenerada) a ser empregada. O conjunto de Estratégas Mstas nclu, sempre, todas as estratégas puras, pos a estratéga pura é uma estratéga msta especal na qual a estratéga pura respectva é jogada com probabldade,0 e todas as demas com probabldade zero. Estratéga Msta Def. um jogo no qual o jogador tem m estratégas puras. Qualquer estratéga msta do jogador pode ser representada pelo vetor: p ( p,..., p,..., p ) onde p 0 e p = = j m j p j = probabldadecoma qual o jogador escolherá sua estraégapura x j. Proposção: se o espaço de estratégas puras é fnto, então, o conjunto de dstrbução de probabldades sobre o conjunto X tem a forma do Smplex Untáro de dmensão m. Decsão sob Incerteza: Se a Natureza joga ou se os jogadores randomzam estratégas o resultado do jogo é uma varável aleatóra, ou seja, os jogadores estão tomando decsão sob ncerteza. j 5 6 Estratéga Msta Portanto, jogadores maxmzam utldade esperada de acordo com a teora de von Neumann e Morgenstern (944) e Savage (954). A função payoff é uma função vn-m nvarante a transformações afns crescentes. Na teora da decsão: a curvatura da função utldade de Bernoull representa attude do ndvduo em relação ao rsco. Em Teora : os payoffs representam a avalação subjetva de resultados por um jogador: portanto, os payoffs refletem dretamente attudes attudes dos jogadores em relação ao rsco. Por conseqüênca raramente attudes em relação ao rsco são explctamente ntroduzdas em modelos de jogos apenas em modelos de Barganha a attude em relação ao rsco é ntroduzda explctamente no modelo. Jogo fnto: Cada jogador tem um número fnto de estratégas. Conjunto de estratégas pode ser nfnto (ou ncontável) jogo nfnto. Ex: preços, quantdades. Jogos smultâneos: não se perde nformação usando-se a forma estratégca ou normal. S = A 7 8 7
8 Defnções: Resultado do jogo = conjunto de elementos que o modelador selecona, depos que o jogo é jogado, dos valores das ações, payoffs e outras varáves do jogo. Estratéga do jogador (s )= é uma regra que dz ao jogador qual ação escolher em cada nstante do jogo, dado seu conjunto de nformação. Dz ao jogador como reagr a ações dele e dos outros. Espaço de estratégas (S ) é o conjunto de estratégas dsponíves para o jogador. S exceto o jogador. * S = é a melhor resposta (payoff máxmo) do jogador a S escolhdas pelos = é a combnação de estratégas de todos os outros jogadores os outros jogadores. Combnação de estratégas = S =(s, s,..., s n ) é um conjunto ordenado consttundo de uma estratéga para cada um dos n-jogadores. * * * Equlíbro: S * = ( s, s,..., sn) é uma combnação de estratégas consstndo de uma melhor estratéga para cada um dos n-jogadores do jogo Estratéga domnante: Estratéga domnante Def. a estratéga S * é uma Estratéga Domnante se é estrtamente a melhor resposta jogador para qualquer estratéga que os outros jogadores possam escolher, ou seja, dados S - * rende o payoff máxmo possível. * ' * π ( S ) > π ( S, S ) S S ; S Def. Equlíbro em Estratéga Domnante: é uma combnação de estratégas consstndo de estratégas domnantes de cada jogador. Proposção: em jogos estátcos com EED o resultado do jogo dnâmco permanece o mesmo. Proposção: o equlíbro em estratéga domnante é únco se ele exste
9 Domnânca fraca: Def. A estratéga S é fracamente domnada se exste alguma outra estratéga S para o jogador que é possvelmente melhor e nunca por, ou seja, rende um payoff maor em alguma combnação de estratéga e nunca rendendo um payoff menor ou por. S é fracamente π π ' " ' ( S ) π ( S ) S e " ' ( S ) > π ( S ) para algum S - domnada se S tal " que : 33 DOMINÂNCIA ITERADA Informação completa: cada jogador pode antecpar corretamente o comportamento dos outros jogadores sem a necessdade de comuncar-se com eles e a solução do jogo leva em conta essas expectatvas estratégcas mútuas dos jogadores. solução por domnânca: elmnação terada de estratégas domnadas. Jogadores raconas: nunca jogam estratégas domnadas. Todos são capazes de dscernr smultaneamente quas são as estratégas domnadas dos outros jogadores. Luce e Rafa, Domnânca terada Regra de Cálculo: Def. Domnânca terada consste em acumular para cada jogador a seqüênca: 0 t t X = X X X... X X... Que é defnda por recorrênc a : t t t X = ND ( u; X,..., X n ) t 0. ND = conjunto de estratéga s não domnadas. Dz-se que o jogo é soluconável por domnânca terada se há um jogo fnal no qual cada jogador obtém o mesmo payoff de suas estratégas remanescentes. O conjunto de estratégas que sobrevve ao processo 35 terado é o Equlíbro em domnânca terada (EDI) De X para X cada jogador deve elmnar todas as suas estratégas domnadas. De X para X jogador novamente elmna todas as estratégas que se tornaram domnadas e assm por dante. Exemplo. 36 9
10 Problemas: Em certos jogos o conjunto de estratégas que sobrevve a Elmnação Iterada de Estratégas Domnadas (EIED) pode depender da ordem na qual as estratégas são elmnadas (começar por um jogador ou por outro). Isso não ocorre se há apenas domnânca estrta. Equlíbro de Nash: Def. a combnação de estratégas S* é um Equlíbro de Nash se nenhum jogador tem ncentvo para desvar de sua estratéga dado que o outro jogador não desva. * * ' * ' π ( S ) π ( S ) S Falta a expressão S - : uma estratéga do Eq. Nash necessta apenas ser uma melhor resposta á outra estratéga Nash, não a todos as estratégas possíves
Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2014-I. Aula 3 Teoria dos Jogos Maurício Bugarin. Roteiro. Horário da disciplina: 14h15 a 15h45
Teora dos Jogos Prof. Mauríco Bugarn Eco/UnB 04-I Rotero Horáro da dscplna: 4h5 a 5h45 Introdução: Por que pensar estrategcamente? Exemplos de stuações nas quas pensar estrategcamente faz sentdo Concetos
Leia maisTeoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2015-II. Aula 8 B Teoria dos Jogos Maurício Bugarin. Desenvolver o modelo de jogo repetido
Teora dos Jogos Prof. Mauríco Bugarn Eco/UnB 015-II Rotero Capítulo 3. Jogos Jogos Repetdos Desenvolver o modelo de jogo repetdo Provar o teorema popular Aplcar para conluo no jogo de dlema dos prsoneros
Leia maisThe Correlated Equilibrium q Nathan Canen
The Correlated Equlbrum Nathan Canen Introdução Consderemos o jogo estátco de nformação completa representado na forma normal: J1 O F O J2 F 2,1) 0,0) 0,0) 0) 1,2) Os equlíbros de Nash são os perfs de
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisJogos. Jogos. Jogo. Jogo. Óptimo alvo investigação
Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos
Leia maisDECISÃO SOB INCERTEZA
PPGE/UFRGS - Prof. Sabno Porto Junor 19/10/2005 Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br 1 Introdução
Leia maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisXXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase
Soluções Nível Unverstáro XXVII Olmpíada Braslera de Matemátca GABARITO Prmera Fase SOLUÇÃO DO PROBLEMA : Pelo enuncado, temos f(x) = (x )(x + )(x c) = x 3 cx x + c, f'(x) = 3x cx, f '( ) = ( + c) e f
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisCAPÍTULO 11 JOGOS REPETIDOS
CAPÍTULO 11 JOGOS REPETIDOS Objetvos: Defnr o conceto de jogo repetdo, desenvolver as noções de equlíbro perfeto em subjogos para esses jogos e mostrar, por meo de uma versão do Teorema Popular, que o
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisAnálise Microeconômica Parte II MESP
Análse Mcroeconômca Parte II MESP Prof. CIEF e Eco/UnB 01-II Unversdade de Brasíla Centro de Investgação em Economa e Fnanças CIEF Centro de Estudos em Regulação de Mercados CERME Lab. de Pesqusa em Comportamento
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisCurso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs.
Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br Introdução Até agora: conseqüêncas das escolhas dos consumdores
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisUNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Ciências Económicas e Empresariais. Microeconomia I
UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Cêncas Económcas e Empresaras Mcroeconoma I Lcencaturas em Admnstração e Gestão de Empresas e em Economa 9 de Janero de 004 Fernando Branco Teste Fnal fbranco@fceeucppt
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisCAPÍTULO IV TEORIA DE JOGOS
CAPÍTULO IV TEORIA DE JOGOS 66 Teora de Jogos Caracterzação:. Cenáro determnístco.. v. Um conjunto de agentes de decsão (jogadores) Um conjunto de estratégas (acções) puras Uma função utldade para cada
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisRedes de Petri. Definições:
Redes de Petr Defnções: Uma Rede de Petr (PN) é m grafo dreto bpartdo o qal tem dos tpos de nós denomnados lgares (qe representam estados) e transções (qe representam eventos). O estado é alterado pelo
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisLista de Matemática ITA 2012 Números Complexos
Prof Alex Perera Beerra Lsta de Matemátca ITA 0 Números Complexos 0 - (UFPE/0) A representação geométrca dos números complexos que satsfaem a gualdade = formam uma crcunferênca com rao r e centro no ponto
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisBC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011
BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisMAP Cálculo Numérico e Aplicações
MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisAnálise Complexa Resolução de alguns exercícios do capítulo 1
Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisEconomia Industrial. Prof. Marcelo Matos. Aula 7
Economa Industral Prof. Marcelo Matos Aula 7 Concentração de Mercado Resende e Boff [cap 5 de K&H, 2013]; Ferguson e Ferguson cap.3; Meddas de Concentração: característcas Possbldade de classfcar meddas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisFísica C Semi-Extensivo V. 1
Físca C Sem-Extensvo V Exercícos 0) cátons (íons posstvos) e ânons (íons negatvos e elétrons) 0) 03) E Os condutores cuja corrente se deve, exclusvamente, ao movmento de mgração de elétrons lvres são os
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais1. Obtenha o modelo de ½ carro:
Lsta Aulas Prátcas de Sclab 1 Suspensão vecular Modelo de ½ de carro 1. Obtenha o modelo de ½ carro: v H A v A l A l M, J v M = 200 kg; J = 512 kgm 2 ; l A = 0,8 m; l = 0,8 m; k A = 10.000 N/m; k = 10.000
Leia mais2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:
Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a)
Leia maisNotas de Aula de Probabilidade A
VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável
Leia maisProposta de resolução GRUPO I
Novo Espaço Matemátca A º ano Proposta de teste de avalação fnal [mao 6] Proposta de resolução GRUPO I Há rapazes, nclundo o Ru Como este não faz parte do grupo, dos restantes 9 rapazes são escolhdos O
Leia maisCAPÍTULO IV PROPRIEDADES GEOMÉTRICAS DA SEÇÃO TRANSVERSAL
CPÍTULO IV PROPRIEDDES GEOMÉTRICS D SEÇÃO TRNSVERSL Propredades Geométrcas da Seção Transversal 4. Propredades Geométrcas da Seção Transversal 4.. Introdução O presente trabalho é desenvolvdo paralelamente
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.3 Afectação de Bens Públcos: a Condção de Isabel Mendes 2007-2008 5/3/2008 Isabel Mendes/MICRO II 5.3 Afectação de Bens
Leia maisModelo de Programação Estocástica
Modelo de Programação Estocástca 23 2 Modelo de Programação Estocástca 2.. Concetos báscos A programação estocástca (PE) é defnda como um modelo de otmzação que apresenta um ou mas parâmetros estocástcos
Leia maisDinâmica Estocástica. Instituto de Física, outubro de 2016
Dnâmca Esocásca Insuo de Físca ouubro de 206 Dnâmcas esocáscas com mudança de um sío Dnâmca de Meropols e dnâmca de Glauber para o modelo de Isng 2 Dnâmcas esocáscas para o modelo de Isng Ssema defndo
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisDepartamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 3, Natal-RN MONITORAMENTO DA MÉDIA E DA VARIABILIDADE DE UM PROCESSO POR MEIO DA ESTATÍSTICA DE QUI-QUADRADO NÃO- CENTRALIZADA Antôno Fernando
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisSIMULADO PROVA DE MICROECONOMIA. 19/07/2012 QUINTA-FEIRA HORÁRIO: 10:30h às 12:45h
SIMULDO PROV DE MICROECONOMI 9/07/0 QUINT-FEIR HORÁRIO: 0:30h às :5h QUESTÃO 0 Com respeto aos efetos renda e substtução, avale as afrmatvas: (0) Quando o preço de um bem vara, se os efetos substtução
Leia maisNa Aula Anterior... Impasses (Deadlocks) Nesta Aula. Impasse. Recurso. Impasse (Deadlock) 17/10/2016
GI018 stemas Operaconas 17/10/2016 Impasses (Deadlocks) Na ula nteror... Unversdade Federal de Uberlânda Faculdade de Computação Prof. Dr. rer. nat. Danel D. bdala 2 Nesta ula Impasse Motvação acerca dos
Leia maisMatemática A. Previsão 1. Duração do teste: 180 minutos º Ano de Escolaridade. Previsão Exame Nacional de Matemática A 2013
Prevsão Exame Naconal de Matemátca A 01 Prevsão 1 1ª fase Matemátca A Prevsão 1 Duração do teste: 180 mnutos 7.06.01 1.º Ano de Escolardade Resoluções em vídeo em www.explcamat.pt Prevsão de Exame págna1/8
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia maisDiversificação - exemplo
INCETEZA E ISCO /4/009 Dversfcação - exemplo oss cap. 0 Cartera com N atvos Nova stuação: Cartera mas dversfcada Todos os títulos têm a mesma Varânca Todas as covarâncas são guas Todos os Títulos tem a
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisMétodos Probabilísticos e Algébricos em Combinatória
Métodos Probablístcos e Algébrcos em Combnatóra Domngos Dellamonca Jr. Orentador: Yoshharu Kohayakawa 1 de junho de 2004 Resumo Este é um projeto de ncação centífca cuja fnaldade é estudar métodos probablístcos
Leia maisTopologia, geometria e curvas no plano
Topologa, geometra e curvas no plano Roberto Imbuzero Olvera 23 de Março de 2011 1 Abertos, fechados e compactos Defnção 1 Um subconjunto F C é dto fechado se qualquer sequênca convergente em F tem lmte
Leia maisÍndices de Concentração 1
Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisEquações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia mais