Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Koko: px
Aloita esitys sivulta:

Download "Haitallinen valikoituminen: yleinen malli ja sen ratkaisu"

Transkriptio

1 Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Mat Optimointiopin seminaari Matias Leppisaari

2 Esityksen rakenne Yleinen malli Käypyys ja rajoitusehdot Mallin ratkaisu Kotitehtävä

3 Mallin rakenne Tilanne: päämies ja agentti sopivat määrän q vaihdosta hinnalla t Hyötyfunktiot W(q, t) päämiehelle ja U(q, t, θ) agentille Agentin tyyppi θ Θ kuvaa ko. agentin yksityistä informaatiota

4 Mallin rakenne Kuvataan epätäydellistä informaatiota Bayesilaisittain todennäköisyysjakaumana: päämiehellä on subjektiivinen uskomus agentin tyypin jakaumasta Olkoon tämän (priori)jakauman tiheysfunktio f(θ) ja kertymäfunktio F(θ) Populaatio jonka tyypit noudattavat tiettyä tnjakaumaa vs. yksilö jonka tyyppi satunnainen

5 Mallin rakenne Ajoitus mallissa on seuraava: 0. Agentti havainnoi tyyppinsä 1. Päämies ehdottaa sopimusta 2. Agentti hyväksyy sopimuksen jolloin transaktio suoritetaan ehtojen mukaisesti tai hylkää sen Ts. kaksivaiheinen von Stackelberg -peli

6 Rajoitusehdot ja käypyys Päämies pyrkii tarjoamaan sellaista sopimusjoukkoa (q(.),t(.)), että kukin tyyppi päätyy valitsemaan juuri sille räätälöidyn sopimuksen Paljastusperiaatteen nojalla voidaan rajoittua tarkastelemaan suoria (tasapainossa) totuudenmukaisia mekanismeja Sopimusjoukkoa suunniteltaessa täytyy toimijoiden strateginen käyttäytyminen ottaa huomioon; ts. agenteille ei saa jäädä kannustinta valehdella

7 Rajoitusehdot ja käypyys Olkoon V( θ, ˆ θ) = U( q( ˆ θ), t( ˆ θ), θ) tyypin θ saama hyöty, kun tämän ilmoitus on θˆ Vaaditaan: V( θθ, ) V( θθ, ˆ) θθ, ˆ Θ U( q( θ), t( θ), θ) U θ Θ Mekanismi on käypä, kun se toteuttaa IC- ja IRehdot (kannustinyhteensopivuus ja yksilöllinen rationaalisuus eli osallistumisehto) Päämiehen hyödyn maksimoiva käypä mekanismi on optimaalinen (IC) (IR)

8 Mallin ratkaisu: oletukset (1/2) Olkoon tyyppijoukko Θ= [ θ, θ ] Hyötyfunktiot: U( q, t, θ ) = u( q, θ ) t agentille, W( q, t) = t C( q) päämiehelle

9 Päämiehen tehtävä ( ( )) max t( θ ) C q( θ) f( θ) q θ θ V( θ, θ) V( θ, ˆ θ) θ, ˆ θ [ θ, θ ] V ( θ, θ ) 0 (IC) (IR) Ongelma: tehtävä vaikea ratkaista IC-rajoitusten pätiessä => muunnetaan globaalit rajoitukset lokaaleiksi ehdoiksi ja ratkaistaan (alkuperäisen kanssa ekvivalentti) lokaali tehtävä

10 Rajoitusehdot Ensimmäisen ja toisen kertaluvun välttämättömät ehdot kannustinyhteensopivuudelle: V ( θθ, ) = 0 ˆ θ 2 V ( θθ, ) 0 ˆ2 θ Aukikirjoitettuna:, θ [ θθ, ] dt ( ) u ( q( ), ) dq ( ) θ = q θ θ θ (IC 1 ) dt ( ) u ( ( ), ) dq θ q θ θ ( θ) u ( q( θ), θ) dq ( θ) q q (IC 2 )

11 Rajoitusehdot Derivoidaan (IC 1 ):tä ja sijoitetaan (IC 2 ):een: 2 u dq ( q( θ), θ) ( θ) 0 q θ Välttämättömiksi ehdoiksi saadaan näin dt u dq ( θ) ( q( θ), θ) ( θ) = q, θ [ θθ, ] 2 u dq ( q( θ), θ) ( θ) 0 q θ (IC 1 ) (IC 2 )

12 Rajoitusehdot Tehdään seuraava oletus: Tämä on ns. Spence-Mirrlees ehto 2 u ( q, θ ) > 0 q, θ q θ Tulkinta: korkeammat tyypit ovat valmiita maksamaan enemmän tietystä q:n lisäyksestä kuin alemmat tyypit Tekee mahdolliseksi eri tyyppien erottamisen tasapainossa

13 Mallin ratkaisu: oletukset (2/2) Oletetaan, että Spence-Mirrlees ehto pätee u ja lisäksi ( q, θ ) > 0 q, θ θ Ts. tietty määrä q antaa korkeammille tyypeille suuremman hyödyn Merkitään tyypin θ hyötyfunktiota optimissa v( θ ) = V( θθ, ) = max V( ˆ θθ, ) ˆ θ Verhoteoreeman nojalla saadaan dv ( ) ( ˆ u θ = V θθ, ) = ( q( θ), θ) θ θ ˆ θ= θ

14 Mallin ratkaisu Huomioidaan myös, että koska v on kasvava, IR-ehto v( θ ) 0 θ pelkistyy muotoon v( θ ) = 0 Eliminoidaan t(θ) tehtävän kohdefunktiosta Integroimalla edellisen kalvon tulosta θ u v( θ ) = ( q( τ), τ) dτ, josta edelleen θ θ θ u t( θ ) = u( q( θ), θ) v( θ) = u( q( θ), θ) ( q( τ), τ) dτ θ θ

15 Mallin ratkaisu Sijoittamalla t kohdefunktioon ja osittaisintegroimalla θ θ θ u uq ( ( θ ), θ) ( q( τ), τ) dτ Cq ( ( θ)) f ( θ) θ θ θ u 1 = uq ( ( θ), θ) Cq ( ( θ)) ( q( θ), θ) f ( θ) θ θ h( θ) f ( θ ) h( θ ) = 1 F( θ ) missä on ns. vikataajuusfunktio (hazard rate)

16 Mallin ratkaisu Välivaiheet vielä aukikirjoitettuna θ θ u ( q ( ), ) d f ( ) d θ τ τ τ θ θ θ θ θ u θ u = F( θ) ( q( τ), τ) dτ F( θ) ( q( θ), θ) θ θ θ θ θ u θ u θ u = F( θ ) ( q, τ) dτ F( θ) ( q, τ) dτ F( θ) ( q, θ) θ θ θ θ θ θ θ u = ( 1 F( θ) ) ( q( θ), θ) θ θ

17 Mallin ratkaisu Tehtävän max H ( q( θ ), θ) optimi q* q θ saadaan lopulta maksimoimalla integrandi jokaisessa pisteessä: H ( q ( θ), θ) = 0 q Toisin sanoen Tämä on myös tehtävän ratkaisu, mikäli ehto pätee, eli q* on ei-vähenevä dq ( θ ) 0 θ 2 u u 1 ( q ( θ), θ) = C'( q ( θ)) + ( q ( θ), θ) q q θ h( θ )

18 θ θ Ratkaisun tulkinta θ u 1 Hq (, θ ) f( θ) = uq (, θ) Cq ( ) ( q, θ) f( θ) θ θ h( θ) H:n ensimmäinen osa, uq (, θ) Cq ( ), on tyypin θ agentin ja päämiehen hyötyjen summa sosiaalinen hyöty, kun informaatioepäsymmetrioita ei ole (ns. first-best) v '( θ ) Jälkimmäinen termi,, kuvaa epätäydellisen h( θ ) informaation vaikutusta; v(θ):n täytyy olla kasvava, jotta kannustinyhteensopivuus toteutuisi

19 Ratkaisun tulkinta v(θ) edustaa tyypin θ informaatiotuottoa Agentit hyötyvät yksityisestä informaatiostaan: v(θ) on tyypin kasvava funktio alimmalle tyypille tämä on 0 Korkeammat tyypit voivat piiloutua alempien taakse => informaatiotuotto on hinta, jonka päämies joutuu maksamaan saadakseen agentit paljastamaan tyyppinsä

20 Ratkaisun tulkinta Implisiittinen ratkaisu q*:lle 2 u u 1 ( q ( θ), θ) = C'( q ( θ)) + ( q ( θ), θ) q q θ h( θ ) Lausekkeen mukaan hinta on optimissa rajakustannuksia suurempi; tämä ero johtaa informaatiotuottojen olemassaoloon Ratkaisu siis optimaalinen rajoitetussa mielessä (sedond-best, vs. first-best)

21 Huomautus (1/2) Kun q* on ei-vähenevä, päädytään erottavaan (separating) optimiin

22 Huomautus (2/2) Jos taas q* vähenee jollain välillä, se ei kelpaa ratkaisuksi: tarvitaan lisätarkasteluja (ks s.38-39) Esim. ns. silitysrautamenettely (ironing): pakotetaan ratkaisu ei-väheneväksi tällöin muodostuu välejä, joilla q* vakio => välin tyypit eivät erotu optimissa kasautuva (bunching, pooling) optimi

23 Yhteenveto Muodostetaan optimointitehtävä rajoituksineen (IC ja IR) Kirjoitetaan välttämättömät ehdot kannustinyhteensopivuudelle ja käytetään Spence-Mirrlees ehtoa, jolloin saadaan lokaalit ehdot IC 2 vaatii että q ei-vähenevä, IC 1 antaa lausekkeen t:lle Eliminoidaan t kohdefunktiosta ja osittaisintegroidaan Optimi saavutetaan, kun saatu integrandi maksimoidaan jokaisessa pisteessä => välttämättömästä ehdosta (derivaatta nolla) lauseke, josta q* voidaan eksplisiittisesti ratkaista Jos saatu q* on ei-vähenevä, se on käypä ratkaisu

24 Kotitehtävä (3) Kappaleen 2.3 standardimallin optimi q* on tehtävän ratkaisu, mikäli monotonisuusehto dq pätee. ( θ ) 0 (Salanié Ex ) Tehdään kappaleen viitekehyksessä seuraavat oletukset: uq (, θ ) = θ q ja C konveksi. Osoita, että q* on kasvava mikäli θ noudattaa tasajakaumaa.

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

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

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

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

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

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

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

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

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

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-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

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)

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

Luku 4. Derivoituvien funktioiden ominaisuuksia.

Luku 4. Derivoituvien funktioiden ominaisuuksia. 1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa

Lisätiedot

Moraalinen uhkapeli: perusmalli ja optimaalinen sopimus

Moraalinen uhkapeli: perusmalli ja optimaalinen sopimus Moraalinen uhkapeli: perusmalli a optimaalinen sopimus Mat-2.4142 Optimointiopin seminaari Mauno Taaamaa 18.02.2008 Esityksen rakenne Johdanto moraalisen uhkapelin käsite) Yksinkertaistettu tapaus a sen

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

Hintakilpailu lyhyellä aikavälillä

Hintakilpailu lyhyellä aikavälillä Hintakilpailu lyhyellä aikavälillä Virpi Turkulainen 5.3.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Johdanto Bertrandin ristiriita ja sen lähestyminen Bertrandin ristiriita Lähestymistavat:

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

Luento 6: Monitavoitteinen optimointi

Luento 6: Monitavoitteinen optimointi Luento 6: Monitavoitteinen optimointi Monitavoitteisessa optimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f,,f m Esimerkki ortfolion eli arvopaperijoukon optimoinnissa: f

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

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

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 9: Yhtälörajoitukset optimoinnissa Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon

Lisätiedot

Luento 4: Lineaarisen tehtävän duaali

Luento 4: Lineaarisen tehtävän duaali Luento 4: Lineaarisen tehtävän duaali Käsittelemme seuraavaksi lineaarisen optimoinnin duaaliteoriaa. Kuten luennossa 2 esitettiin, kohdefunktion optimiarvon herkkyys z, kun rajoitusyhtälön i, 1 i m, oikea

Lisätiedot

Ratkaisuehdotus 2. kurssikoe

Ratkaisuehdotus 2. kurssikoe Ratkaisuehdotus 2. kurssikoe 4.2.202 Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin opiskelijan on helpompi jäljittää teoreettinen

Lisätiedot

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y ) MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y

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

Kimppu-suodatus-menetelmä

Kimppu-suodatus-menetelmä Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.

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

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa

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

6. Toisen ja korkeamman kertaluvun lineaariset

6. Toisen ja korkeamman kertaluvun lineaariset SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia

Lisätiedot

2 Osittaisderivaattojen sovelluksia

2 Osittaisderivaattojen sovelluksia 2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä

Lisätiedot

Funktiojonot ja funktiotermiset sarjat Funktiojono ja funktioterminen sarja Pisteittäinen ja tasainen suppeneminen

Funktiojonot ja funktiotermiset sarjat Funktiojono ja funktioterminen sarja Pisteittäinen ja tasainen suppeneminen 4. Funktiojonot ja funktiotermiset sarjat 4.1. Funktiojono ja funktioterminen sarja 60. Tutki, millä muuttujan R arvoilla funktiojono f k suppenee, kun Mikä on rajafunktio? a) f k () = 2k 2k + 1, b) f

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (14.4.2015) Tehtävä 1 Figure 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle. Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 9 1. Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle. Tilayhtälö on x k+1 = f k (x k, u k ), k = 1,..., N 1 alkuehdolla

Lisätiedot

VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4

VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 Jokaisen tehtävän jälkeen on pieni kommentti tehtävään liittyen Nämä eivät sisällä mitään kovin kriittistä tietoa tehtävään liittyen, joten niistä ei tarvitse välittää

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros 11

Mat Dynaaminen optimointi, mallivastaukset, kierros 11 Mat-.148 Dynaaminen optimointi, mallivastaukset, kierros 11 1. Olkoon tehtaan tuotanto x(t) ajan hetkellä t ja investoitava osuus tuotannosta u(t). Tehdasta kuvaa systeemiyhtälö ẋ(t) = u(t)x(t) x() = c

Lisätiedot

12. Hessen matriisi. Ääriarvoteoriaa

12. Hessen matriisi. Ääriarvoteoriaa 179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä

Lisätiedot

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04

Lisätiedot

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0. Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina

Lisätiedot

Yhteistyötä sisältämätön peliteoria

Yhteistyötä sisältämätön peliteoria Yhteistyötä sisältämätön peliteoria jarkko.murtoaro@hut.fi Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Käsitteistö Työkalut Nashin tasapaino Täydellinen tasapaino Optimointiopin seminaari

Lisätiedot

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

Projektin arvon määritys

Projektin arvon määritys Projektin arvon määritys Luku 6, s. 175-186 Optimointiopin seminaari - Syksy 2000 / 1 Tehtävä Johdetaan menetelmä projektiin oikeuttavan option määrittämiseksi kohde-etuuden hinnan P perusteella projektin

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

Investointimahdollisuudet ja investoinnin ajoittaminen

Investointimahdollisuudet ja investoinnin ajoittaminen Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman

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

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,

Lisätiedot

Hintadiskriminaatio 2/2

Hintadiskriminaatio 2/2 Hintadiskriminaatio 2/2 Matti Hellvist 12.2.2003 Toisen asteen hintadiskrimiaatio eli tuotteiden kohdennus Toisen asteen hintadiskriminaatio toimii tilanteessa, jossa kuluttajat ovat keskenään erilaisia

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

k = 1,...,r. L(x 1 (t), x

k = 1,...,r. L(x 1 (t), x Mat-2.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = t g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun

Lisätiedot

Voitonmaksimointi esimerkkejä, L9

Voitonmaksimointi esimerkkejä, L9 Voitonmaksimointi esimerkkejä, L9 (1) Yritys Valmistaa kuukaudessa q tuotetta. Kysyntäfunktio on p = 15 0, 05q ja kustannusfunktio on C(q) = 350 + 2q + 0, 05q 2. a) Yritys valmistaa nyt tuotteita kuukaudessa

Lisätiedot

Dierentiaaliyhtälöistä

Dierentiaaliyhtälöistä Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................

Lisätiedot

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1, Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on

Lisätiedot

1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot

1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

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

A31C00100 Mikrotaloustiede. Kevät 2017 HARJOITUKSET 6

A31C00100 Mikrotaloustiede. Kevät 2017 HARJOITUKSET 6 A31C00100 Mikrotaloustiede Kevät 2017 HARJOITUKSET 6 1. Monopolin kysyntäkäyrä on P = 11-Q (P on hinta per yksikkö ja Q on mitattu tuhansina yksiköinä). Monopolin vakioinen keskikustannus (AC) on 6. a.

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 tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 1 Funktion kuperuussuunnat Derivoituva funktio f (x) on pisteessä x aidosti konveksi, jos sen toinen derivaatta on positiivinen f (x) > 0. Vastaavasti f (x) on aidosti

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

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)

Lisätiedot

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut BM0A5830 Differentiaalihtälöiden peruskurssi Harjoitus 7, Kevät 07 Päivitksiä: Tehtävän b tehtävänantoa korjattu, tehtävän 5 vastaus korjattu. b tehtävänantoa sujuvoitettu. Vastauksia lisätt.. Monasti

Lisätiedot

Differentiaaliyhtälöt I, kevät 2017 Harjoitus 3

Differentiaaliyhtälöt I, kevät 2017 Harjoitus 3 Differentiaaliyhtälöt I, kevät 07 Harjoitus 3 Heikki Korpela. helmikuuta 07 Tehtävä. Ratkaise alkuarvo-ongelmat a) y + 4y e x = 0, y0) = 4 3 b) Vastaus: xy + y = x 3, y) =.. a) Valitaan integroivaksi tekijäksi

Lisätiedot

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Luetteloivat ja heuristiset menetelmät Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Branch and Bound sekä sen variaatiot (Branch and Cut, Lemken menetelmä) Optimointiin

Lisätiedot

Lyhyen aikavälin hintakilpailu 2/2

Lyhyen aikavälin hintakilpailu 2/2 Lyhyen aikavälin hintakilpailu 2/2 Ilkka Männistö Esitelmä 10 - Ilkka Männistö Optimointiopin seminaari - Kevät 2003 / 1 Kilpailun aste Markkinahinta ei kerro mitään kilpailun asteesta jos kustannusrakennetta

Lisätiedot

integraali Integraalifunktio Kaavoja Integroimiskeinoja Aiheet Linkkejä Integraalifunktio Kaavoja Integroimiskeinoja Määrätty integraali

integraali Integraalifunktio Kaavoja Integroimiskeinoja Aiheet Linkkejä Integraalifunktio Kaavoja Integroimiskeinoja Määrätty integraali integraali 1 Matta-projekti(Aalto yliopisto): Integraali (http://matta.hut.fi/matta2/isom/html/isomli8.html ) Johdatus korkeakoulumatematiikkaan (Tampereen teknillinen korkeakoulu): Integraali (http://matwww.ee.tut.fi/jkkm/integraa/integ01.htm

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät

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

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

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

Mikäli funktio on koko ajan kasvava/vähenevä jollain välillä, on se tällä välillä monotoninen.

Mikäli funktio on koko ajan kasvava/vähenevä jollain välillä, on se tällä välillä monotoninen. 4.1 Polynomifunktion kulun tutkiminen s. 100 digijohdanto Funktio f on kasvava jollain välillä, jos ehdosta a < b seuraa ehto f(a) < f(b). Funktio f on vähenevä jollain välillä, jos ehdosta a < b seuraa

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.4 Lineaarinen ohjelmointi..7 Luento 7 Duaalisimple ja herkkyysanalyysi (kirja 4.5, 5., 5.5-5.6) Lineaarinen ohjelmointi - Syksy 7 / Duaalisimple Herkkyysanalyysi Luentorunko Parametrinen ohjelmointi

Lisätiedot

MIKROTALOUSTIEDE A31C00100

MIKROTALOUSTIEDE A31C00100 MIKROTALOUSTIEDE A31C00100 Kevät 2016 Olli Kauppi & Emmi Martikainen emmi.martikainen@kkv.fi Luennon sisältö Hintakilpailu ja tuotedifferentiaatio Peräkkäiset pelit (12.4-12.5) Alalle tulon estäminen Taloudellinen

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

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

Sivu 1 / 8. A31C00100 Mikrotaloustieteen perusteet: matematiikan tukimoniste. Olli Kauppi

Sivu 1 / 8. A31C00100 Mikrotaloustieteen perusteet: matematiikan tukimoniste. Olli Kauppi Sivu 1 / 8 A31C00100 Mikrotaloustieteen perusteet: matematiikan tukimoniste Olli Kauppi Monisteen ensimmäinen luku käsittelee derivointia hieman yleisemmästä näkökulmasta. Monisteen lopussa on kurssilla

Lisätiedot

Matematiikan peruskurssi (MATY020) Harjoitus 10 to

Matematiikan peruskurssi (MATY020) Harjoitus 10 to Matematiikan peruskurssi (MATY00) Harjoitus 10 to 6.3.009 1. Määrää funktion f(x, y) = x 3 y (x + 1) kaikki ensimmäisen ja toisen kertaluvun osittaisderivaatat. Ratkaisu. Koska f(x, y) = x 3 y x x 1, niin

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 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

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

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (21.4.2015) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s. t. g(x) 0 h(x) = 0 x X olevan optimointitehtävän Lagrangen duaali on missä max θ(u, v) s. t.

Lisätiedot

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus: . Koska F( ) on jokin funktion f ( ) integraalifunktio, niin a+ a f() t dt F( a+ t) F( a) ( a+ ) b( a b) Vastaus: Kertausharjoituksia. Lukujonot 87. + n + lim lim n n n n Vastaus: suppenee raja-arvona

Lisätiedot

Monopoli. Tommi Välimäki S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Monopoli. Tommi Välimäki S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu Monopoli Tommi Välimäki 29.1.2003 Peruskäsitteitä: kysyntä ja tarjonta Hyödykkeen arvo kuluttajalle on maksimihinta, jonka hän olisi siitä valmis maksamaan Arvon raja-arvo vähenee määrän funktiona, D=MV

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

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 4: Matlab - Optimization Toolbox Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen

Lisätiedot

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai MATP53 Approbatur B Harjoitus 3, ratkaisut Maanantai 6..5. (Teht. 5 ja s. 4.) Olkoot z = + y i ja z = + y i. Osoita, että (a) z + z = z +z, (b) z z = z z, (c) z z = z ja (d) z = z z, kun z. (a) z + z =

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 3 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 28 R. Kangaslampi Matriisihajotelmista

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 Väliarvolause Oletetaan, että funktio f on jatkuva jollain reaalilukuvälillä [a, b] ja derivoituva avoimella välillä (a, b). Funktion muutos tällä välillä on luonnollisesti

Lisätiedot

, tuottoprosentti r = X 1 X 0

, tuottoprosentti r = X 1 X 0 Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen

Lisätiedot

2. Teoriaharjoitukset

2. Teoriaharjoitukset 2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien

Lisätiedot

Pienimmän Neliösumman menetelmä (PNS)

Pienimmän Neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Johdanto peliteoriaan Kirja kpl. 2

Johdanto peliteoriaan Kirja kpl. 2 Aalto-yliopiston TKK Mat-2.4142 K2010 Esitelmä 1 Ilkka Leppänen 1 Johdanto peliteoriaan Kirja kpl. 2 Ilkka Leppänen 20.1.2010 Aalto-yliopiston TKK Mat-2.4142 K2010 Esitelmä 1 Ilkka Leppänen 2 Aiheet Laajennettu

Lisätiedot