Teoria de juegos

  • matematicas
  • economia La teoría de juegos es una rama de las matemáticas aplicadas que analiza las interacciones estratégicas entre agentes racionales. Estudia cómo las decisiones de un individuo dependen de las decisiones de otros, buscando entender y predecir los resultados posibles en distintos contextos: economía, política, biología, algoritmos, etc.

Recursos

Fundamentos Matemáticos

La teoría de juegos se basa en estructuras matemáticas y modelos que permiten formalizar decisiones estratégicas.

  • Matrices: representan los pagos o utilidades de cada jugador según las combinaciones de estrategias posibles.
    Ejemplo: en el Dilema del prisionero, cada celda de la matriz indica la recompensa o castigo según las elecciones de ambos jugadores.

  • Algoritmos: permiten calcular estrategias óptimas o encontrar equilibrios de manera sistemática, como los algoritmos de minimax o los que exploran árboles de decisión.

  • Probabilidad: usada para modelar juegos con información incompleta o incertidumbre sobre las acciones del rival.

Conceptos Clave

Estrategia

Una estrategia es el plan completo de acción de un jugador ante cualquier situación del juego.

  • Puede ser determinista o mixta (con distribución de probabilidad).
  • Las estrategias óptimas maximizan la utilidad esperada del jugador.
  • En juegos repetidos, la estrategia evoluciona según la respuesta del oponente o el aprendizaje previo.

Equilibrio de Nash

Un equilibrio de Nash se alcanza cuando ningún jugador puede mejorar su resultado unilaterlamente; es decir, cada uno está “obligado” a mantener su estrategia, dado lo que hacen los demás.

  • Es una solución estable: si todos la siguen, nadie tiene incentivo para desviarse.
  • No siempre es eficiente de Pareto, ya que puede existir una estrategia conjunta que mejore el bienestar de todos sin empeorar a nadie.

Eficiencia de Pareto

La eficiencia de Pareto se da cuando no se puede mejorar una variable sin empeorar otra.
Ejemplo: equilibrio entre peso y velocidad en diseño mecánico o entre beneficio y riesgo en economía.

La frontera de Pareto representa el conjunto de soluciones óptimas que logran el mejor equilibrio entre variables en conflicto.

Tipos de Juegos

  • Simétricos / Asimétricos:
    Simétrico si las reglas y recompensas son iguales para todos los jugadores.
    Asimétrico si los roles, información o beneficios difieren.

  • Cooperativos / No cooperativos:
    Los jugadores pueden o no formar coaliciones.

  • Con información completa o incompleta:
    Depende de si todos conocen las estrategias y pagos de los demás.

  • Juegos repetidos:
    El número de rondas influye en la cooperación. En el dilema del prisionero repetido, puede surgir confianza o castigo.

  • Metajuego (MetaGame):
    Representa el contexto más amplio del juego: tendencias, popularidad, normas o convenciones que influyen en las estrategias reales.
    Ejemplo: en los videojuegos competitivos o los mercados financieros, el metajuego determina qué tácticas se consideran “óptimas”.

Estrategias Avanzadas

  • Estrategia superracional:
    Asume que los jugadores reconocen la simetría de su situación y eligen la acción que optimiza el resultado conjunto.

  • Predicciones y mejor respuesta:
    Cada jugador busca la mejor respuesta a las estrategias esperadas del oponente. Esto forma la base para calcular el equilibrio.

  • Iteración de niveles:
    Modelo cognitivo donde los jugadores piensan en niveles (“yo creo que él cree que yo haré…”), dando lugar a dinámicas complejas de anticipación.

Aplicaciones

  • Economía: análisis de mercados, subastas, precios, negociación y competencia.
  • Economía del comportamiento: integración de sesgos psicológicos en decisiones estratégicas.
  • Política y relaciones internacionales: equilibrio entre cooperación y conflicto.
  • Algoritmos evolutivos y simulaciones: modelan cómo surgen estrategias estables.
  • Diseño de sistemas multiagente: en IA, robótica y redes.
  • Econometría y experimentación: se estudian mediante entornos controlados como los ring games o juegos de laboratorio (referencia a Kneeland).

Figuras Relevantes

  • John Nash: formuló el concepto de equilibrio que lleva su nombre.
  • Richard Thaler: pionero de la economía del comportamiento, estudia cómo la racionalidad limitada afecta los resultados de los juegos.
  • Kneeland: investigó la interacción en entornos experimentales y los efectos de información parcial.

Enlaces Relacionados

  • Dilema del prisionero
  • Eficiencia de Pareto
  • Equilibrio de Nash
  • Economía del comportamiento
  • Matrices
  • Algoritmos
  • probabilidad
  • Estrategia
  • Metajuego

Teoría de Juegos — Ejemplos Computacionales y Modelos

Esta nota amplía la teoría de juegos incorporando ejemplos prácticos en código y modelos computacionales. Permite explorar cómo se representan y resuelven distintos tipos de juegos, desde el dilema del prisionero hasta el cálculo del equilibrio de Nash mediante algoritmos.

Representación de Juegos con Matrices

Un juego se puede representar mediante una matriz de pagos, donde las filas y columnas corresponden a las estrategias de los jugadores, y cada celda muestra sus recompensas (utilidades).

Ejemplo en Python

# Matriz de pagos del Dilema del Prisionero
# Cada tupla es (pago_jugador_A, pago_jugador_B)

payoffs = {
	('Cooperar', 'Cooperar'): (3, 3),
	('Cooperar', 'Traicionar'): (0, 5),
	('Traicionar', 'Cooperar'): (5, 0),
	('Traicionar', 'Traicionar'): (1, 1)
}

def resultado(jugador_A, jugador_B):
	return payoffs[(jugador_A, jugador_B)]

print(resultado('Cooperar', 'Traicionar'))  # (0, 5)

`

Este tipo de representación es la base para modelar y simular estrategias iterativas o probabilísticas.

Cálculo del Equilibrio de Nash

Un equilibrio de Nash puede encontrarse comparando las mejores respuestas de cada jugador. En juegos finitos, puede hacerse de forma exhaustiva o usando librerías especializadas.

Ejemplo usando nashpy

import nashpy as nash
import numpy as np

# Matrices de utilidad para A y B
A = np.array([[3, 0],
			  [5, 1]])

B = np.array([[3, 5],
			  [0, 1]])

# Crear el juego
juego = nash.Game(A, B)

# Calcular equilibrios de Nash
equilibrios = list(juego.support_enumeration())

for eq in equilibrios:
	print("Estrategias mixtas (A, B):", eq)

Este código utiliza la librería nashpy para buscar estrategias mixtas (probabilidades sobre acciones) que constituyen un equilibrio.

Estrategias Óptimas y Juegos Repetidos

En juegos repetidos, los jugadores ajustan su comportamiento según los resultados anteriores. Esto introduce dinámicas de aprendizaje, confianza y represalia.

Estrategia Tit-for-Tat (Ojo por ojo)

def tit_for_tat(historial_oponente):
	if not historial_oponente:
		return 'Cooperar'
	return historial_oponente[-1]

# Ejemplo de interacción
historial_B = ['Cooperar', 'Traicionar', 'Traicionar']
print(tit_for_tat(historial_B))  # Traicionar

Tit-for-Tat coopera al inicio y luego imita la jugada del oponente, fomentando la reciprocidad. Es una estrategia que suele estabilizar el equilibrio cooperativo en juegos iterados.

Modelos de Simulación y Metajuego

En escenarios complejos, como mercados financieros o entornos de videojuegos, el metajuego influye en las decisiones estratégicas. Aquí pueden usarse simulaciones multiagente.

Simulación de agentes adaptativos

import random

acciones = ['Cooperar', 'Traicionar']

def estrategia_aleatoria():
	return random.choice(acciones)

def juego(prisionero_A, prisionero_B):
	return resultado(prisionero_A, prisionero_B)

# Simular múltiples rondas
for ronda in range(5):
	A = estrategia_aleatoria()
	B = estrategia_aleatoria()
	pagos = juego(A, B)
	print(f"Ronda {ronda+1}: A={A}, B={B}, pagos={pagos}")

Esto permite estudiar tendencias de comportamiento, equilibrios emergentes y estabilidad evolutiva dentro de un sistema dinámico.

Eficiencia de Pareto y Frontera Óptima

Para analizar la eficiencia de Pareto, se puede representar la frontera de soluciones donde ninguna mejora es posible sin perjudicar a otro jugador.

Visualización en Python

import matplotlib.pyplot as plt

# Puntos de utilidad (Jugador A, Jugador B)
resultados = [(1, 6), (2, 5), (3, 3), (4, 2), (5, 1)]

# Frontera de Pareto (aproximada)
pareto = [(1, 6), (2, 5), (3, 3)]

x, y = zip(*resultados)
px, py = zip(*pareto)

plt.scatter(x, y, label="Resultados posibles")
plt.plot(px, py, 'r-', label="Frontera de Pareto")
plt.xlabel("Utilidad Jugador A")
plt.ylabel("Utilidad Jugador B")
plt.legend()
plt.show()

El gráfico muestra las combinaciones posibles de resultados y la frontera de Pareto, donde ambos obtienen resultados óptimos según sus intereses.

Extensiones y Conceptos Avanzados

  • Juegos estocásticos: los resultados dependen de variables aleatorias o estados del sistema.
  • Equilibrio correlacionado: los jugadores pueden coordinar sus decisiones con señales comunes.
  • Juegos evolutivos: estrategias que sobreviven en el tiempo se consideran evolutivamente estables.
  • Economía del comportamiento: introduce la irracionalidad y sesgos cognitivos (ver Richard Thaler).
  • Econometría experimental: validación empírica mediante juegos de laboratorio (e.g., ring games, Kneeland).

Enlaces Relacionados

  • Dilema del prisionero
  • Equilibrio de Nash
  • Eficiencia de Pareto
  • Economía del comportamiento
  • Estrategia óptima
  • Metajuego
  • Juegos repetidos
  • Algoritmos evolutivos
  • Modelos multiagente

Aplicaciones de la Teoría de Juegos

La teoría de juegos tiene aplicaciones prácticas en múltiples campos del conocimiento, desde la economía y la política hasta la inteligencia artificial, la programación y el diseño de sistemas distribuidos. Esta nota reúne ejemplos concretos, modelos computacionales y usos reales en los que los conceptos de estrategia, equilibrio y cooperación se aplican de manera directa.

Economía y Mercados

Competencia y precios

Las empresas en un mercado actúan como jugadores en un juego no cooperativo, ajustando precios y estrategias para maximizar beneficios.

  • Ejemplo clásico: competencia entre empresas tipo Cournot (cantidad) o Bertrand (precio).
  • El equilibrio de Nash representa un punto donde ninguna empresa mejora su ganancia cambiando su estrategia de forma unilateral.
  • Aplicación práctica: fijación de precios en plataformas de subastas o en algoritmos de precios dinámicos (surge pricing).

Subastas y licitaciones

  • Los modelos de subastas de Vickrey, inglesas o holandesas se estudian como juegos con información incompleta.
  • Permiten diseñar sistemas de asignación eficientes, como los usados por Google Ads o eBay.
# Ejemplo simplificado de subasta de segundo precio (Vickrey)
ofertas = {'A': 50, 'B': 65, 'C': 60}
ganador = max(ofertas, key=ofertas.get)
precio = sorted(ofertas.values())[-2]  # Segundo precio más alto
print(f"Ganador: {ganador}, paga: {precio}")

`

Política y Relaciones Internacionales

  • Modelos de disuasión nuclear, negociación diplomática o acuerdos comerciales se analizan como juegos estratégicos donde los países eligen entre cooperar o confrontar.
  • Ejemplo: el dilema del prisionero iterado describe las dinámicas de confianza y traición entre estados.
# Ejemplo: simulación de estrategias diplomáticas
import random

estrategias = ['Cooperar', 'Traicionar']

def ronda(pais_A, pais_B):
	if pais_A == 'Cooperar' and pais_B == 'Cooperar':
		return (3, 3)
	elif pais_A == 'Traicionar' and pais_B == 'Cooperar':
		return (5, 0)
	elif pais_A == 'Cooperar' and pais_B == 'Traicionar':
		return (0, 5)
	else:
		return (1, 1)

for i in range(5):
	A = random.choice(estrategias)
	B = random.choice(estrategias)
	print(f"Ronda {i+1}: A={A}, B={B}, pago={ronda(A,B)}")

Inteligencia Artificial y Aprendizaje Automático

Aprendizaje por refuerzo (Reinforcement Learning)

  • En entornos multiagente, cada agente aprende estrategias óptimas mediante interacción, compitiendo o cooperando con otros.
  • La noción de equilibrio de Nash se usa para definir políticas estables de comportamiento.

Ejemplo: algoritmos como Q-Learning o Deep Q-Networks incorporan principios de teoría de juegos en entornos donde múltiples agentes aprenden simultáneamente.

# Ejemplo básico de agente con política epsilon-greedy
import random

acciones = ['A', 'B']
Q = {'A': 0, 'B': 0}
epsilon = 0.1

def elegir_accion():
	if random.random() < epsilon:
		return random.choice(acciones)
	return max(Q, key=Q.get)

Generative Adversarial Networks (GANs)

  • Las GANs se basan directamente en la teoría de juegos: un generador y un discriminador compiten entre sí.
  • El equilibrio surge cuando el generador produce resultados indistinguibles del conjunto real.

Ciberseguridad y Redes

  • Los ataques y defensas pueden verse como estrategias opuestas en un juego.
  • Modelos de juegos de seguridad predicen cómo asignar recursos de defensa de forma óptima.

Ejemplo: elección estratégica de nodos críticos para proteger en una red.

# Juego de seguridad simplificado
import random

nodos = ['A', 'B', 'C', 'D']
defensor = random.choice(nodos)
atacante = random.choice(nodos)
print(f"Defensor protege {defensor}, atacante ataca {atacante}")
print("Ataque exitoso:", defensor != atacante)

Economía del Comportamiento

  • Integración de la racionalidad limitada y los sesgos cognitivos en decisiones estratégicas (ver Richard Thaler).
  • Modelos que explican comportamientos aparentemente “irracionales” como la cooperación o la aversión a la pérdida.
  • Aplicaciones: diseño de políticas públicas, incentivos fiscales y estrategias de nudging.

Ciencias de la Computación y Programación

Algoritmos Distribuidos y Consenso

  • En sistemas distribuidos (blockchain, consenso, P2P), los nodos deben cooperar para mantener la integridad del sistema.
  • El consenso de Nash o mecanismos de incentivos garantizan que la estrategia racional sea colaborar honestamente.

Ejemplo: mecanismo de consenso inspirado en la teoría de juegos (similar a Proof-of-Stake).

# Ejemplo: selección probabilística de validador
import random

nodos = {'A': 100, 'B': 200, 'C': 700}  # Poder de participación
validador = random.choices(list(nodos.keys()), weights=nodos.values())[0]
print(f"Validador elegido: {validador}")

Diseño de APIs Competitivas

  • En servicios y plataformas, la interacción entre desarrolladores y usuarios puede modelarse como un juego de incentivos.
  • Optimizar una API implica equilibrar coste, latencia y adopción (frontera de Pareto).

Biología y Ecología

  • Juegos evolutivos explican la supervivencia de estrategias cooperativas o agresivas.
  • Ejemplo: el juego del halcón y la paloma, donde las especies ajustan comportamientos según costos de conflicto.
  • La estrategia evolutivamente estable (ESS) se mantiene frente a mutaciones o desviaciones individuales.

Videojuegos y Simulación de Estrategias

  • Los videojuegos multijugador (MOBA, RTS, etc.) son laboratorios naturales de teoría de juegos.
  • El metajuego define qué estrategias dominan en un entorno dado.
  • Los diseñadores usan modelos de equilibrio para balancear personajes o armas, evitando ventajas sistemáticas.
# Ejemplo: ajuste de balance basado en tasa de victoria
personajes = {'Mago': 0.55, 'Guerrero': 0.48, 'Arquero': 0.60}
for p, winrate in personajes.items():
	if winrate > 0.55:
		print(f"Reducir poder de {p}")
	elif winrate < 0.45:
		print(f"Aumentar poder de {p}")

Resumen de Aplicaciones

Campo Ejemplo de Juego Aplicación
Economía Subastas, competencia Fijación dinámica de precios
Política Dilema del prisionero Negociación y disuasión
IA / ML GANs, aprendizaje multiagente Entrenamiento competitivo
Ciberseguridad Juegos de ataque-defensa Asignación óptima de defensa
Programación Sistemas distribuidos Consenso e incentivos
Biología Juego del halcón y la paloma Estrategias evolutivas
Videojuegos Metajuego Balance de mecánicas

Enlaces Relacionados

  • Teoría de juegos
  • Equilibrio de Nash
  • Eficiencia de Pareto
  • Economía del comportamiento
  • Juegos evolutivos
  • Aprendizaje por refuerzo
  • Metajuego
  • Modelos multiagente
  • Algoritmos distribuidos
  • Ciberseguridad