Luento 6: Optimaalisen myyntimekanismin suunnittelu

Koko: px
Aloita esitys sivulta:

Download "Luento 6: Optimaalisen myyntimekanismin suunnittelu"

Transkriptio

1 Luento 6: Optimaalisen myyntimekanismin suunnittelu Saara Hämäläinen Helsingin yliopisto TA6m Luento / 33

2 Kirjallisuutta: TB luku 2

3 Mekanismin suunnittelu

4 Optimaalisen myyntimekanismin suunittelu Haluat siis myydä asuntosi? Miten kannattaa tehdä? Lukemattomia erilaisia vaihtoehtoja tarjolla: kiinteä hinta ja nopein ostaa, neuvottelut, erilaiset yksinkertaiset tai monimutkaiset huutokaupat jne. Käytännössä asunnot yleensä myydään tietyllä mekanismilla, myyjä asettaa hinnan ja ostajat tekevät myyjälle tarjouksen, joista korkein voittaa... Nämä ovat mekanismin suunnittelun tutkimusongelmia. Peliteorian osa, joka auttaa käytännön soveltajia optimaalisten mekanismien sunnittelussa ottaen huomioon kulloisenkin tilanteen (normatiivinen puoli), auttaa ymmärtämään, miksi tilanteessa A käytään mekanismia a ja tilanteessa B yleensä mekansimia b (positiivinen puoli). TA6m Luento / 33

5 Suunnitellaan ekstensiivinen Bayesilainen peli Jokainen myyntimekanismi generoi tietyn pelin myyjän ja ostajien välille. Pelin säännöt määräävät, kuka saa hyödykkeen ja paljonko siitä maksetaan. Tähän asti luennoilla peli on ollut eksogeeninen, nyt se on endogeeninen. Tilanteita, jossa valitut säännöt määrittelevät pelin osanottajien kesken, on lukemattomia vaalit, julkisten tai yksityisten hankkeiden kilpailutus, patenttilait, organisaatioiden promootiokäytännöt, kansainväliset neuvotteluprotokollat jne. TA6m Luento / 33

6 Yksityinen informaatio Suunnittelijan kannalta suurin ongelma on se, että pelaajilla on yksityistä informaatiota, esim. asunnon ostajat yksin tietävät, kuinka paljon ovat valmiita maksamaan asunnosta; tämän myyjäkin haluaisi tietää. Ongelmana on suunnitella mekanismi, jossa pelaajien kannattaa tuoda esille heillä oleva päätöksenteon kannalta relevantti informaatio; tämä on välttämätöntä mekanismin asianmukaisen toiminnan kannalta. Mekanismin suunnittelu on kunnianhimoinen ohjelma, sikäli että joukko, josta sopivaa myyntimekanismia etsitään on hyvin suuri: kaikki mahdolliset ekstensiiviset Bayesilaiset pelit myyjän ja ostajien välillä. TA6m Luento / 33

7 Yksi myyjä ja yksi ostaja: ongelma

8 Yksi myyjä ja yksi ostaja Ostajan hyöty, jos saa hyödykkeen ja antaa myyjälle t u θ t Myyjän voitto, jos antaa hyödykkeen ja saa ostajalta t π t Tässä θ kuvaa ostajan tyyppiä, maksuvalmiutta. Ostajan hyötyfunktio kvasi-lineaarinen Maksuhalukkuus yksityistä informaatiota θ noudattaa jakaumaa F, tiheysfunktio f Välillä θ,θ tθ ą 0u olevat θ:t mahdollisia TA6m Luento / 33

9 Periaatteessa... Myyjä voisi nyt kehitellä ostajalle minkä tahansa pelin, jonka loppuhistorioihin liittyy aina tulema pq,tq P t0,1u ˆ R; tässä q kertoo, antaako myyjä lopulta hyödykkeen ostajalle (q 1, jos kyllä, ja q 0, jos ei), ja t kertoo, paljonko ostaja maksaa (riippumatta q:sta). Ostaja näkee pelin ja voi päättää sitten haluaako osallistua vai ei. Mahdollisia pelejä on paljon, "liian paljon". Erittäin tärkeä lause "paljastusperiaate"kuitenkin osoittaa, että myyjän valintajoukoksi voidaan valita niin sanotut suorat mekanismit. Tämä on selvästi pienempi joukko pelejä. TA6m Luento / 33

10 Suorat mekanismit Suora mekanismi pq, tq on funktiopari q : θ,θ Ñ t0,1u, t : θ,θ Ñ R. "Suoruus"viittaa tässä siihen, että mekanismin ajatellaan käyttävän lähtötietonaan suoraan ostajan tyyppiä θ eikä siis jotain muuta ostajan lähettämää epäsuoraa informaatiota m (binäärijonoja, luonnollisen kielen sanoja, elekieltä, tms.). Tulkinta on siis, että ostaja kirjaa mekanismiin jonkin tyypin θ 1 P θ,θ, joko omansa θ tai minkä vain muun θ 1. Ostaja voi siis myös juksata. Jos ostaja ilmoittaa tyypikseen θ 1, myyjä on tämän jälkeen sitoutunut toteuttamaan vastaavan lopputuleman qpθ 1 q ja tpθ 1 q. TA6m Luento / 33

11 Paljastusperiaate 1 Ostajan strategia on σ : θ,θ Ñ θ,θ (mekanismiin lähetetty tyyppi todellisen tyypin funktiona) Paljastusperiaate Jokaista mekanismia Γ ja ostajan optimaalista valintaa σ Γ:ssa vastaa suora mekanismi Γ 1 ja ostajan optimaalinen valinta σ 1 Γ 1 :ssa niin, että kaikilla θ P θ,θ 1. σ 1 pθq θ (ostajalle on kannattavaa raportoida Γ 1 :ssä "rehellisesti") 2. q 1 pθq qpσpθqq ja t 1 pθq tpσpθqq. (optimaalinen "suora"raportointi Γ 1 :ssä johtaa samaan lopputulokseen kuin optimaalinen "epäsuora"raportointi Γ:ssa) Koska jokaista epäsuoraa mekanismia voidaan jäljitellä suoralla mekanismilla (funktiot σ ja pq,tq yhdistämällä pq 1,t 1 q pq,tq σ), ei menetetä mitään, jos keskitytään suoriin mekanismeihin. TA6m Luento / 33

12 Paljastusperiaate 2 Todistus. Väitetään siis, että kun määritellään Γ 1 pq 1,t 1 q seuraavasti q 1 pθq qpσpθqq ja t 1 pθq tpσpθqq kaikilla θ P θ,θ, ostajan kannattaa raportoida siihen todellinen tyyppinsä θ. Tämä osoittaa, että σ 1 pθq θ on ostajan optimaalinen valinta Γ 1 pq 1,t 1 q:ssä aina, kun σpθq on ostajan optimaalinen valinta Γ pq,tq:ssa. Vastaväite: ostajan kannattaa poiketa (suorassa mekanismissa) Γ 1 pq 1,t 1 q:ssa θ:stä θ 1 :uun. θq 1 pθ 1 q t 1 pθ 1 q ą θq 1 pθq t 1 pθq Tästä kuitenkin seuraa heti, että ostajan kannattaa poiketa myös (epäsuorassa mekansimissa) Γ pq,tq:ssa σpθq:sta σpθ 1 q:uun θqpσpθ 1 qq tpσpθ 1 qq ą θqpσpθqq tpσpθqq Tämä ei voi pitää paikkaansa, koska lähtöoletus oli, että σ on ostajan optimaalinen valinta (epäsuorassa mekanismissa) Γ pq, tq. TA6m Luento / 33

13 Myyjän vaihtoehdot Paljastusperiaatteesta seuraa, että myyjän valintajoukko on niitten suorien mekanismien joukko Γ pq, tq, joille pätee: Insentiivirajoite (IC): oman tyypin raportointi on ostajan optimaalinen valinta θqpθq tpθq ě θqpθ 1 q tpθ 1 q kaikille θ 1 P θ,θ. Osallistumisrajoite (PC): peliin osallistuminen on ostajan optimaalinen valinta θqpθq tpθq ě 0 kaikille θ P θ,θ. TA6m Luento / 33

14 Yksi myyjä ja yksi ostaja: ratkaisu

15 Millaisia nämä mekanismit ovat? Myyjän täytyy valita suora mekanismi, joka toteuttaa ehdot IC ja PC. Tämä asettaa tiettyjä rajoitteita valittavissa oleville mekanismeille. Monotonisuus q Jos suora mekanismi toteuttaa kannustinehdon (IC), niin q on kasvava θ:n suhteen. Todistus. Tarkastellaan mitä hyvänsä kahta tyyppiä θ 1 ă θ. IC vaatii θqpθq tpθq ě θqpθ 1 q tpθ 1 q θ 1 qpθq tpθq ď θ 1 qpθ 1 q tpθ 1 q miinustamalla epäyhtälöt puolittain saadaan θqpθq tpθq θ 1 qpθq ` tpθq ě θqpθ 1 q tpθ 1 q θ 1 qpθ 1 q ` tpθ 1 q pθ θ 1 qqpθq ě pθ θ 1 qqpθ 1 q TA6m Luento / 33

16 Monotonisuus u Jos suora mekanismi toteuttaa kannustinehdon (IC), niin u on kasvava θ:n suhteen ja u 1 pθq qpθq. Todistus. Huomaa, että IC vaatii lisäksi θ argmax θ 1upθ,θ 1 q argmax θ 1θqpθ 1 q tpθ 1 q upθq max θ 1 upθ,θ 1 q maxθqpθ 1 q tpθ 1 q θ 1 Maksimiarvofunktioista f paq max x f px,aq ja maksimikohtafuntioista x paq argmax x f px,aq tiedetään verhokäyrälauseen perusteella, että f 1 paq f a px paq,aq Käsillä olevassa tapauksessa, max θ 1 upθ 1,θq, θ 1 on muuttuja (kuten yllä x) ja θ on parametri (kuten yllä a). Saadaan suoraan u 1 pθq u θ pθ 1 pθq,θq qpθq. TA6m Luento / 33

17 Hyötyekvivalenssi u ja tuottoekvivalenssi t Jos suora mekanismi toteuttaa kannustinehdon (IC), niin upθq upθq ` ż θ θ qpsqds ja tpθq tpθq ` pθqpθq θqpθqq ż θ θ qpsqds. Todistus. Osa 1: Analyysin peruslauseen mukaisesti: upθq upθq ` ż θ θ u 1 psqds Osa 2: Sijoitetaan upθq θqpθq tpθq ja järjestellään. TA6m Luento / 33

18 IC Jos suora mekanismi toteuttaa kannustinehdon (IC), jos ja vain jos q on kasvava θ:n suhteen ja kaikilla θ tpθq tpθq ` pθqpθq θqpθqq ż θ θ qpsqds. Todistus. Näytimme jo, että nämä ehdot ovat välttämättömät IC:lle. Näytetään nyt, että ehdot ovat myös riittävät IC:lle. upθq ě θqpθ 1 q tpθ 1 q ðñ upθq ě θqpθ 1 q tpθ 1 q ` θ 1 qpθ 1 q θ 1 qpθ 1 q ðñ upθq ě θqpθ 1 q θ 1 qpθ 1 q tpθ 1 q ` θ 1 qpθ 1 q ðñ upθq upθ 1 q ě pθ θ 1 qqpθ 1 q ðñ ż θ ż θ θ 1 qpsqds ě θ 1 qpθ 1 qds Viimeisin epäyhtälö pätee, koska q on kasvava θ:n suhteen (huomaa, että molemmat θ ă θ 1 ja θ ą θ 1 käyvät). TA6m Luento / 33

19 PC Jos suora mekanismi toteuttaa kannustinehdon (IC), niin se toteuttaa osallistumisehdon (PC) jos ja vain jos upθq ě 0. Todistus. Koska u on kasvava, niin upθq ě 0 ùñ upθq ě 0 TA6m Luento / 33

20 Millainen on myyjälle kannattavin mekanismi? Tuottoekvivalenssi tpθq tpθq ` pθqpθq θqpθqq ż θ θ qpsqds Huomio 1: myyjän ei kannata antaa ylimäärästä matalimmalle tyypille θ, koska se vain laskee muilta saatavia tuottoja Huomio 2: myyjä valitsee sellaisen kasvavan q:n, joka maksimoi sen odotetun tuoton ş tpθqdθ. Se voidaan laskea «ff Eptpθqq ż θ θ θqpθq ż θ θ qpsqds dθ TA6m Luento / 33

21 Keskimmäisen termin laskeminen ż «θ ż ff θ Eptpθqq θqpθq qpsqds dθ θ θ Lasketaan arvo keskellä olevalle integraalille. Käytetään selkeyden vuoksi integrointivakioita x,y P θ,θ ż θ ż y qpxqdxf pyqdy, θ θ ż θ ż y qpxqf pyqdxdy, f sisäintegraaliin θ θ ż θ ż θ qpxqf pyqdydx, integrointijärjestys θ x ż θ ż θ qpxq f pyqdydx, q ulkointegraaliin θ x ż θ qpxqp1 Fpxqqdx, lasketaan sisäintegraali θ ż θ qpxq 1 Fpxq f pxqdx, palautetaan mukaan f θ f pxq TA6m Luento / 33

22 Myyjälle optimaalinen mekanismi Eptpθqq ż θ θ qpθq θ 1 Fpθq j dθ Myyjän kannattaa valita sellainen q, että yllä oleva lauseke maksimoituu. Lisäksi q:n täytyy olla kasvava. Huom. F ja f ovat mallin osia, eli niihin myyjä ei voi vaikuttaa. Myyjä voi vaikuttaa yllä ainoastaan q:hun. Koska yllä integraali oikeastaan vain laskee yhteen lukuja θ 1 Fpθq, joilla qpθq 1, ja jättää laskematta luvut θ 1 Fpθq, joilla qpθ q 0, myyjän kannattaa valita seuraavasti: qpθq # 0, jos θ 1 Fpθq ă 0, 1, jos θ 1 Fpθq ě 0, TA6m Luento / 33

23 Myyjälle optimaalinen mekanismi (1 ostaja) Eptpθqq ż θ θ qpθq θ 1 Fpθq j dθ Yllä θ 1 Fpθq ostajan θ "virtuaalityyppi"tai "virtuaalihyöty". IC ja PC rajoitteet aiheuttavat sen, että myyjä voi saada tältä ostajalta, ei tämän maksuhalukkuuden θ verran rahaa vaan tämän virtuaalisen maksuhalukkuuden θ 1 Fpθq verran rahaa. Sanotaan, että 1 Fpθq on "informaatiomaksu"(myyjältä ostajalle). Optimaalinen mekanismi (1 ostaja) Seuraava mekanismi tuottaa myyjälle suurimman odotetun voiton # 0, jos θ 1 Fpθq ă 0, qpθq 1, jos θ 1 Fpθq ě 0, Implementointi, hintamekanismi: p 1 Fpθ 1 q f pθ 1, jossa θ 1 1 Fpθ 1 q q f pθ 1 0. q TA6m Luento / 33

24 Laajennuksia

25 Myyjälle optimaalinen mekanismi (n ostajaa) Malli, jossa on n ostajaa, käyttääytyy samoin kuin malli, jossa on 1 ostaja. ÿ E t i pθq ÿ ż θ q i pθq θ 1 Fpθq j dθ i i θ Optimaalinen mekanismi (n ostajaa) Olkoon θ i 1 Fpθ iq f pθ i q kasvava. Seuraava mekanismi tuottaa myyjälle suurimman odotetun voiton q i pθq # 0, jos θi 1 Fpθ iq f pθ i q ă 0, 1, jos θ i 1 Fpθ iq f pθ i q ě 0 ja θ i 1 Fpθ iq f pθ i q ą θ j 1 Fpθ jq f pθ j q kaikilla θ j Implementointi, huutokauppa (FPA tai SPA) ja reservaatiohinta: p 1 Fpθ 1 q f pθ 1, jossa θ 1 1 Fpθ 1 q q f pθ 1 0. q TA6m Luento / 33

26 Myyjälle optimaalinen mekanismi (epälineaarinen hinnoittelu) Malli, jossa ostajan hyöty on νpqq t ja myyjän voitto on t cq, käyttääytyy samoin kuin malli, jossa on 1 ostaja. Eptpθqq ż θ θ " νpqpθ qq θ 1 Fpθq j * cqpθq dθ Optimaalinen mekanismi (epälineaarinen hinnoittelu) Olkoon θ 1 Fpθq kasvava. Seuraava mekanismi tuottaa myyjälle suurimman odotetun voiton $ & jos θ 1 Fpθq ă 0, niin qpθq 0, qpθq : % jos θ 1 Fpθq ě 0, niin ν 1 pqpθqq θ 1 Fpθq c. Implementointi, epälineaarinen hinnoittelu, määräalennus. TA6m Luento / 33

27 Kysymyksiä ja vastauksia à la Robert Frank

28 Kysymys 1 Miksi suosituimmat kirjat ja levyt maksavat kaupoissa vähemmän kuin vähemmän suositut mutta asiat ovat toisin päin teattereissa? TA6m Luento / 33

29 Kysymys 2 Miksi hinnat ovat niin korkeita hotellin minibaarissa? TA6m Luento / 33

30 Kysymys 3 Miksi Applen musta läppäri maksaa enemmän kuin sama valkoinen? TA6m Luento / 33

31 Bonuskysymys Miksi Starbucksin listan pienin kahvi on "Tall", 12 oz? TA6m Luento / 33

32 Seuraavaa kertaa varten Esitietoja: Game Theory by Ben Polak (Open Yale) "Establishing a Reputation: Selten s Chain Store Paradox"(luento 16.1, katkelma) "Establishing a Reputation: discussion"(luento 16.2, katkelma) ja "Imperfect Information"(luento 18, kokonaan) Kirjallisuutta: PW 1, 2, 7 ja 11 TA6m Luento / 33

33

Luento 6: Optimaalisen myyntimekanismin suunnittelu

Luento 6: Optimaalisen myyntimekanismin suunnittelu Luento 6: Optimaalisen myyntimekanismin suunnittelu Saara Hämäläinen Helsingin yliopisto TA5 Luento 6 2017 1 / 28 Game Theory by Ben Polak (Open Yale) "Repeated games"(luento 21, kokonaan) Kirjallisuutta:

Lisätiedot

Haitallinen valikoituminen: Kahden tyypin malli

Haitallinen valikoituminen: Kahden tyypin malli Haitallinen valikoituminen: Kahden tyypin malli Mat-2.4142 Optimointiopin seminaari Mikko Hyvärinen 29.1.2008 Haitallinen valikoituminen kahden tyypin malli Haitallinen valikoituminen tarkoittaa että päämies

Lisätiedot

Luento 3: Bayesiläiset pelit

Luento 3: Bayesiläiset pelit Luento 3: Bayesiläiset pelit Saara Hämäläinen Helsingin yliopisto TA5 Luento 3 2017 1 / 33 Game Theory by Ben Polak (Open Yale) "Nash Equilibrium"(luento 5, kokonaan) "Mixed strategies: definition"(luento

Lisätiedot

Laskuharjoitus 1. Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016

Laskuharjoitus 1. Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016 Laskuharjoitus 1 Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016 Tässä laskusetissä on kymmenen tehtävää (10 pistettä ), yksi per luento (6 Saaran, 4

Lisätiedot

Luento 5: Pysäytyspelit

Luento 5: Pysäytyspelit Luento 5: Pysäytyspelit Saara Hämäläinen Helsingin yliopisto TA5 Luento 5 2017 1 / 24 Game Theory by Ben Polak (Open Yale) "Backward induction"(luento 15, kokonaan) Kirjallisuutta Weitzman, Martin (1979):

Lisätiedot

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Mat-2.4142 Optimointiopin seminaari Matias Leppisaari 29.1.2008 Esityksen rakenne Yleinen malli Käypyys ja rajoitusehdot Mallin ratkaisu Kotitehtävä

Lisätiedot

Nollasummapelit ja bayesilaiset pelit

Nollasummapelit ja bayesilaiset pelit Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1

Lisätiedot

Haitallinen valikoituminen

Haitallinen valikoituminen Haitallinen valikoituminen Regulointi Verotus Vakuuttajamonopoli Kertausta Hyötyfunktiot Päämies: W(q,t) Agentti: U(q,t,ө) - q hyödykkeen määrä - t hinta (kassavirta, tms) - ө agentin tyyppi Päämies ei

Lisätiedot

Luento 2: Strategiset pelit, Nash-tasapaino, Bertrand, Cournot & Hotelling

Luento 2: Strategiset pelit, Nash-tasapaino, Bertrand, Cournot & Hotelling Luento 2: Strategiset pelit, Nash-tasapaino, Bertrand, Cournot & Hotelling Saara Hämäläinen Helsingin yliopisto TA6m Luento 2 2016 1 / 42 Esitietoja: Game Theory by Ben Polak (Open Yale) "Introduction"(luento

Lisätiedot

Markkinoitten mallintaminen ja Internet-markkinat

Markkinoitten mallintaminen ja Internet-markkinat Markkinoitten mallintaminen ja Internet-markkinat Kurssiohjeita: Lue ainakin kertaalleen huolella! Vastaanotto (ECO A415): luentojen jälkeen tai sopimuksen mukaan. Sähköposti: saara.hamalainen@helsinki.fi

Lisätiedot

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4

Lisätiedot

Luento 2: Strategiset pelit

Luento 2: Strategiset pelit Luento 2: Strategiset pelit Saara Hämäläinen Helsingin yliopisto TA5 Luento 2 2017 1 / 37 Game Theory by Ben Polak (Open Yale) "Introduction"(luento 1, kokonaan) "Formal ingredients of a game"(luento 2.2,

Lisätiedot

Signalointi: autonromujen markkinat

Signalointi: autonromujen markkinat Signalointi: autonromujen markkinat Mat-.414 Optimointiopin seminaari Klaus Mattila 1.0.008 1 Esityksen rakenne Johdanto Autonromujen markkinat: Akerlofin malli Kustannuksellinen signalointi: Spencen malli

Lisätiedot

A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä. 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä.

A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä. 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä. HUUTOKAUPOISTA A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä. 2. Huutokauppapelejä voidaan käyttää taloustieteen

Lisätiedot

PELITEORIAN TALOUSTIETEELLISIÄ SOVELLUKSIA

PELITEORIAN TALOUSTIETEELLISIÄ SOVELLUKSIA PELITEORIAN TALOUSTIETEELLISIÄ SOVELLUKSIA Matti Estola 29 marraskuuta 2013 Sisältö 1 Cournot'in duopolimalli 2 2 Pelin Nash -tasapainon tulkinta 3 3 Cournot'in mallin graanen ratkaisu 4 4 Bertrandin duopolimalli

Lisätiedot

Luento 5: Peliteoriaa

Luento 5: Peliteoriaa Luento 5: Peliteoriaa Tässä kappaleessa tutustutaan hieman peliteoriaan. Keskeisiä asioita ovat Nash-tasapaino ja sekastrategia. Cournot n duopolimalli vuodelta 1838 toimii oivallisena havainnollistuksena

Lisätiedot

Luento 5: Pysäytyspelit, Diamond, Weitzman & Wolinsky

Luento 5: Pysäytyspelit, Diamond, Weitzman & Wolinsky Luento 5: Pysäytyspelit, Diamond, Weitzman & Wolinsky Saara Hämäläinen Helsingin yliopisto TA6m Luento 5 2016 1 / 28 Kirjallisuutta Weitzman, Martin (1979): Optimal search for the best alternative. Econometrica:

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

Sopimusteoria: Salanie luku 3.2

Sopimusteoria: Salanie luku 3.2 Sopimusteoria: Salanie luku 3.2 Antti Pirjetä Antti.Pirjeta@hse. Helsingin kauppakorkeakoulu 12.2.2008 Kilpaillut markkinat, yksi tai useampi päämies Agenttien 1 ja 2 tuottamat voitot Oletetaan luvun 2.2

Lisätiedot

Sekastrategia ja Nash-tasapainon määrääminen

Sekastrategia ja Nash-tasapainon määrääminen May 24, 2016 Sekastrategia Monissa peleissä ei ole Nash-tasapainoa puhtaissa strategioissa H T H 1, 1 1, 1 T 1, 1 1, 1 Ratkaisu ongelmaan löytyy siitä, että laajennetaan strategiat käsittämään todennäköisyysjakaumat

Lisätiedot

Pelien teoriaa: tasapainokäsitteet

Pelien teoriaa: tasapainokäsitteet Pelien teoriaa: tasapainokäsitteet Salanién (2005) ja Gibbonsin (1992) mukaan Mat-2.4142 Optimointiopin seminaari Jukka Luoma 1 Sisältö Staattinen Dynaaminen Staattinen Dynaaminen Pelityyppi Täydellinen

Lisätiedot

Kuluttajan teoriaa tähän asti. Luento 6. Hyötyfunktion ja indifferenssikäyrien yhteys. Kuluttajan hyöty. Laajennuksia. Kuluttajan ylijäämä

Kuluttajan teoriaa tähän asti. Luento 6. Hyötyfunktion ja indifferenssikäyrien yhteys. Kuluttajan hyöty. Laajennuksia. Kuluttajan ylijäämä Kuluttajan teoriaa tähän asti Valintojen tekemistä niukkuuden vallitessa - Tavoitteen optimointia rajoitteella Luento 6 Kuluttajan ylijäämä 8.2.2010 Budjettirajoite (, ) hyödykeavaruudessa - Kulutus =

Lisätiedot

Laskuharjoitus 1. Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016

Laskuharjoitus 1. Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016 Laskuharjoitus 1 Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016 Tässä laskusetissä on kahdeksan tehtävää, yksi per luento (5 Saaran, 3 Benin). Katso

Lisätiedot

HUUTOKAUPPATEORIAA TTS-Kurssille/Kultti 2012

HUUTOKAUPPATEORIAA TTS-Kurssille/Kultti 2012 HUUTOKAUPPATEORIAA TTS-Kurssille/Kultti 2012 A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä: 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä. Muun muassa Yhdysvaltain

Lisätiedot

Prof. Marko Terviö Assist. Jan Jääskeläinen

Prof. Marko Terviö Assist. Jan Jääskeläinen Harjoitukset 3. 1. (a) Dismalandissa eri puolueiden arvostukset katusiivoukselle ovat Q A (P ) = 60 6P P A (Q) = 10 Q/6 Q B (P ) = 80 5P P B (Q) = 16 Q/5 Q C (P ) = 50 2P P C (Q) = 25 Q/2 Katusiivous on

Lisätiedot

SEKASTRATEGIAT PELITEORIASSA

SEKASTRATEGIAT PELITEORIASSA SEKASTRATEGIAT PELITEORIASSA Matti Estola 8. joulukuuta 2013 Sisältö 1 Johdanto 2 2 Ratkaistaan sukupuolten välinen taistelu sekastrategioiden avulla 5 Teksti on suomennettu kirjasta: Gibbons: A Primer

Lisätiedot

Luento 8. June 3, 2014

Luento 8. June 3, 2014 June 3, 2014 Luokka pelejä, joissa pelaajilla on epätäydellistä informaatiota toistensa preferensseistä ja joissa valinnat tehdään samanaikaisesti. Tämä tarkoittaa, että pelaajat eivät tiedä toistensa

Lisätiedot

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x) Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Hyöty (engl. utility) = arvo, jonka koemme riskitilanteessa eli, kun teemme päätöksiä epävarmuuden (todennäköisyyksien) vallitessa. Vrt.

Lisätiedot

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100 HARJOITUS, RATKAISUEHDOTUKSET, YLE 07.. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 0x +0xy +5y (b.) f(x,y) = 4x y xy +x+y +00 (a.) Funktion kriittiset pisteet ratkaisevat

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 5

MS-C2105 Optimoinnin perusteet Malliratkaisut 5 MS-C2105 Optimoinnin perusteet Malliratkaisut 5 Ehtamo Demo 1: Arvaa lähimmäksi Jokainen opiskelija arvaa reaaliluvun välillä [0, 100]. Opiskelijat, joka arvaa lähimmäksi yhtä kolmasosaa (1/3) kaikkien

Lisätiedot

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1 1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y

Lisätiedot

Luento 9. June 2, Luento 9

Luento 9. June 2, Luento 9 June 2, 2016 Otetaan lähtökohdaksi, että sopimuksilla ei voida kattaa kaikkia kontingensseja/maailmantiloja. Yksi kiinnostava tapaus on sellainen, että jotkut kontingenssit ovat havaittavissa sopimusosapuolille,

Lisätiedot

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu 1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)

Lisätiedot

Luento 6: Monitavoiteoptimointi

Luento 6: Monitavoiteoptimointi Luento 6: Monitavoiteoptimointi Monitavoiteoptimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f 1,, f m Esimerkiksi opiskelija haluaa oppia mahdollisimman hyvin ja paljon mahdollisimman

Lisätiedot

Sopimusteoria: Salanie luku 3.2

Sopimusteoria: Salanie luku 3.2 Sopimusteoria: Salanie luku 3.2 Antti Pirjetä Taloustieteiden kvantitatiiviset menetelmät Helsingin kauppakorkeakoulu 12.2.2008 1 Kilpaillut markkinat, yksi tai useampi päämies Agenttien 1 ja 2 tuottamat

Lisätiedot

Peliteoria luento 1. May 25, 2015. Peliteoria luento 1

Peliteoria luento 1. May 25, 2015. Peliteoria luento 1 May 25, 2015 Tavoitteet Valmius muotoilla strategisesti ja yhteiskunnallisesti kiinnostavia tilanteita peleinä. Kyky ratkaista yksinkertaisia pelejä. Luentojen rakenne 1 Joitain pelejä ajanvietematematiikasta.

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

Yhteistyötä sisältämätön peliteoria jatkuu

Yhteistyötä sisältämätön peliteoria jatkuu Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen

Lisätiedot

Piiri K 1 K 2 K 3 K 4 R R

Piiri K 1 K 2 K 3 K 4 R R Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä

Lisätiedot

Bayesilainen päätöksenteko / Bayesian decision theory

Bayesilainen päätöksenteko / Bayesian decision theory Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: 4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä

Lisätiedot

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 5 Tasointegraalin laskeminen iemmin tutkimme ylä- ja alasummien antamia arvioita tasointegraalille f (x, ydxdy. Tässä siis funktio f (x, y integroidaan muuttujien x

Lisätiedot

Laskuharjoitus 2. Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016

Laskuharjoitus 2. Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016 Laskuharjoitus 2 Markkinoitten mallintaminen ja Internet-markkinat Saara Hämäläinen, Helsingin yliopisto, syksy 2016 Tässä laskusetissä on kymmenen tehtävää (10 pistettä ), yksi per luento (6 Saaran, 4

Lisätiedot

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 19.9.2016 Pekka Alestalo, Jarmo

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

Peliteoria luento 2. May 26, 2014. Peliteoria luento 2

Peliteoria luento 2. May 26, 2014. Peliteoria luento 2 May 26, 2014 Pelien luokittelua Peliteoriassa pelit voidaan luokitella yhteistoiminnallisiin ja ei-yhteistoiminnallisiin. Edellisissä kiinnostuksen kohde on eri koalitioiden eli pelaajien liittoumien kyky

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Valitse seuraaville säännöille mahdollisimman laajat lähtöjoukot ja sopivat maalijoukot niin, että syntyy kahden muuttujan funktiot (ks. monisteen

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Taloustieteen mat.menetelmät 2017 materiaali 1

Taloustieteen mat.menetelmät 2017 materiaali 1 Taloustieteen mat.menetelmät 2017 materiaali 1 1 Taloustiede tutkii niukkojen resurssien kohdentamista kilpaileviin tarkoituksiin mikä on hyvä tapa kohdentaa? miten arvioida tuloksia? mitä niukkuus tarkoittaa?

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit MS-A35 ifferentiaali- ja integraalilaskenta 3 Luento : Moniulotteiset integraalit Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 26 Antti Rasila (Aalto-yliopisto) MS-A35 Syksy

Lisätiedot

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2

Lisätiedot

MS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2)

MS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2) MS-A4 Differentiaali- ja integraalilaskenta (ELEC2) MS-A6 Differentiaali- ja integraalilaskenta (ENG2) Harjoitukset 3L, syksy 27 Tehtävä. a) Määritä luvun π likiarvo käyttämällä Newtonin menetelmää yhtälölle

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Harjoitus 7: vastausvihjeet

Harjoitus 7: vastausvihjeet Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1

Lisätiedot

Peliteoria luento 3. May 27, Peliteoria luento 3

Peliteoria luento 3. May 27, Peliteoria luento 3 May 27, 2015 Dominanssi Mitkä ovat uskottavia tulemia? Ja miksi? Yksi päätösteoreettinen periaate on dominanssi. Kuten lähes kaikkia taloustieteessä kiinnostavia käsitteitä niitä on kahta lajia. Aito ja

Lisätiedot

Päämies-agentti-malli ja mekanismisuunnittelu

Päämies-agentti-malli ja mekanismisuunnittelu Päämies-agentti-malli ja mekanismisuunnittelu Mat-2.4142 Optimointiopin seminaari Ilkka Leppänen 22.1.2008 Esityksen rakenne Johdanto: päämies-agentti-malli ja epäsymmetrinen informaatio Haitallinen valikoituminen

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 7: Pintaintegraali ja vuointegraali

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 7: Pintaintegraali ja vuointegraali MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 7: Pintaintegraali ja vuointegraali Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015 1 / 24 Mikä on pinta?

Lisätiedot

Luku 14 Kuluttajan ylijäämä

Luku 14 Kuluttajan ylijäämä Luku 4 Kuluttajan ylijäämä Tähän asti johdettu kysyntä hyötyfunktioista ja preferensseistä, nyt päinvastainen ongelma: eli kuinka estimoida hyöty havaitusta kysynnästä. Mitattavat ja estimoitavat kysyntäkäyrät

Lisätiedot

Matematiikan peruskurssi 2

Matematiikan peruskurssi 2 Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat

Lisätiedot

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 8, MALLIRATKAISUT Tehtävä. Oletetaan että uv on neliö ja (u, v) =. Osoita, että kumpikin luvuista u ja v on neliö. Ratkaisu. Olkoon p i alkuluku, joka jakaa luvun

Lisätiedot

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n

Lisätiedot

Matematiikan tukikurssi, kurssikerta 2

Matematiikan tukikurssi, kurssikerta 2 Matematiikan tukikurssi kurssikerta 1 Relaatioista Oletetaan kaksi alkiota a ja b. Näistä kumpikin kuuluu johonkin tiettyyn joukkoon mahdollisesti ne kuuluvat eri joukkoihin; merkitään a A ja b B. Voidaan

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja

Lisätiedot

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin

Lisätiedot

Yhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.

Yhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5. Tekijä Pitkä matematiikka 5 7..017 31 Kirjoitetaan yhtälö keskipistemuotoon ( x x ) + ( y y ) = r. 0 0 a) ( x 4) + ( y 1) = 49 Yhtälön vasemmalta puolelta nähdään, että x 0 = 4 ja y 0 = 1, joten ympyrän

Lisätiedot

(iv) Ratkaisu 1. Sovelletaan Eukleideen algoritmia osoittajaan ja nimittäjään. (i) 7 = , 7 6 = = =

(iv) Ratkaisu 1. Sovelletaan Eukleideen algoritmia osoittajaan ja nimittäjään. (i) 7 = , 7 6 = = = JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 7, MALLIRATKAISUT Tehtävä Etsi seuraavien rationaalilukujen ketjumurtokehitelmät: (i) 7 6 (ii) 4 7 (iii) 65 74 (iv) 63 74 Ratkaisu Sovelletaan Eukleideen algoritmia

Lisätiedot

Viime kerralta Luento 9 Myyjän tulo ja kysynnän hintajousto

Viime kerralta Luento 9 Myyjän tulo ja kysynnän hintajousto Viime kerralta Luento 9 Markkinatasapaino Markkinakysyntä kysyntöjen aggregointi Horisontaalinen summaaminen Eri kuluttajien kysynnät eri hintatasoilla Huom! Kysyntöjen summaaminen käänteiskysyntänä Jousto

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1. Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS

DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1. Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1 Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS Huomautus. Analyysin yksi keskeisimmistä käsitteistä on jatkuvuus! Olkoon A R mielivaltainen joukko

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 9: Greenin lause

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 9: Greenin lause MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 9: Greenin lause Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015 1 / 19 Esimerkki Olkoon F : R 3 R 3 vakiofunktio

Lisätiedot

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja.

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. Tehtävä 1 Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. 1 Jos 1 < y < 3, niin kaikilla x pätee x y x 1. 2 Jos x 1 < 2 ja y 1 < 3, niin x y

Lisätiedot

Valikoima, laatu ja mainonta

Valikoima, laatu ja mainonta Valikoima, laatu ja mainonta Sami Niemelä 5.2.2003 Sisältö Tuoteavaruus Käsite ja erottelutapoja Valikoiman muodostaminen Laatu ja laajuus Laatu Tyypit ja ongelmia Mainonta Käytetyt symbolit määrä s laatu

Lisätiedot

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause 91 VEKTORIANALYYI Luento 13 9. tokesin lause A 16.5 tokesin lause on kuin Gaussin lause, mutta yhtä dimensiota alempana: se liittää toisiinsa kentän derivaatasta pinnan yli otetun integraalin ja pinnan

Lisätiedot

Paljonko maksat eurosta -peli

Paljonko maksat eurosta -peli Paljonko maksat eurosta -peli - Ajattele todellinen tilanne ja toimi oman näkemyksesi mukaisesti - Tee tarjous eurosta: * Korkein tarjous voittaa euron. * Huonoimman tarjouksen esittäjä joutuu maksamaan

Lisätiedot

Mikrotaloustiede Prof. Marko Terviö Aalto-yliopisto BIZ 31C00100 Assist. Jan Jääskeläinen Syksy 2017

Mikrotaloustiede Prof. Marko Terviö Aalto-yliopisto BIZ 31C00100 Assist. Jan Jääskeläinen Syksy 2017 Mikrotaloustiede Prof. Marko Terviö Aalto-yliopisto BIZ 31C1 Assist. Jan Jääskeläinen Syksy 17 Mallivastaukset 7. 1. Kaupungissa on kaksi suurta taidemuseoa (pelaajat) ja 5 asukasta. Taidemuseoilla on

Lisätiedot

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1) HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 1 Määrittelyjoukoista Tarkastellaan funktiota, jonka määrittelevä yhtälö on f(x) = x. Jos funktion lähtöjoukoksi määrittelee vaikkapa suljetun välin [0, 1], on funktio

Lisätiedot

Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu

Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu 11.4.2011 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Esityksen sisältö: Hinnoittelumallien esittely Menetelmät Esimerkkitehtävän

Lisätiedot

Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät ja B = Olkoon A = a) A + B b) AB c) BA d) A 2 e) A T f) A T B g) 3A

Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät ja B = Olkoon A = a) A + B b) AB c) BA d) A 2 e) A T f) A T B g) 3A Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 28 1. Olkoon A = Määrää ( 2 1 ) 3 4 1 a) A + B b) AB BA d) A 2 e) A T f) A T B g) 3A ja B = 2 1 6 3 1 2. Laske seuraavat determinantit

Lisätiedot

Kommunikaatio Visa Linkiö. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Kommunikaatio Visa Linkiö. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Kommunikaatio MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 2.11.2016 Visa Linkiö The document can be stored and made available to the public on the open internet pages of Aalto University.

Lisätiedot

Luento 7. June 3, 2014

Luento 7. June 3, 2014 June 3, 2014 Peli, jossa on kaksi Nash-tasapainoa. Yksi tasapaino on (1; 2) ja toinen (2; 1); P1:n valinta on ilmoitettu ensin. Ensimmäinen tasapaino ei vaikuta hyvältä; se perustuu epäuskottavaan uhkaukseen.

Lisätiedot

Mallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL

Mallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL Mallin arviointi ja valinta Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL Sisältö Otoksen ennustevirheen estimointi AIC - Akaiken informaatiokriteeri mallin valintaan Parametrimäärän

Lisätiedot

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43

Numeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43 Numeeriset menetelmät TIEA381 Luento 7 Kirsi Valjus Jyväskylän yliopisto Luento 7 () Numeeriset menetelmät 10.4.2013 1 / 43 Luennon 7 sisältö Interpolointi ja approksimointi Interpolaatiovirheestä Paloittainen

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause.

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan välttämättömät ehdot funktionaalin. g(y(t), ẏ(t),...

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan välttämättömät ehdot funktionaalin. g(y(t), ẏ(t),... Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun ja t f ovat kiinteitä ja tiedetään

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 10: Stokesin lause

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 10: Stokesin lause MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 10: Stokesin lause Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy

Lisätiedot

ja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e) A =

ja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e) A = Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 211 1. Olkoon A = Määrää ( 2 1 ) 3 4 1 ja B = 2 1 6 3 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A. 2. Laske seuraavat determinantit

Lisätiedot