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

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

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

Transkriptio

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

2 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä pelataan useita kierroksia. Haaroja O(b n ). Toistetussa pelissä pelaajan strategiaa voidaan kuvata automaatin avulla. Automaatti voidaan ajatella tilakaaviona. Määritelmä Peliä (N, A, u) pelataan toistuvasti. Automaatti M i pelaajalle i on monikko (Q i, q 0 i, δ i, f i ), missä Q i on tilajoukko, q 0 i Q i alkutila, δ i tilansiirtymäfunktio ja f i strategiafunktio. (Ks. kirja määritelmä 6.1.6) Automaatti siis kuvaa, mihin tilaan siirrytään milläkin vastustajan toimenpiteillä nykyisestä tilasta. Strategiafunktio f i : Q i A i kuvaa tilan pelaajan liikkeeksi.

3 Toistetun pelin esittäminen automaatin avulla Kuvataan vangin dilemman Tit-for-Tat-strategia automaatin avulla. Pelaaja siis toistaa aina vastapuolen liikkeet omalla vuorollaan. C D D start q 0 q 1 C Strategiafunktio f (q 0 ) = C ja f (q 1 ) = D ja siirtymäfunktio δ(q 0, C) = q 0, δ(q 0, D) = q 1, δ(q 1, D) = q 1 ja δ(q 1, C) = q 0.

4 Parhaan vastauksen antava automaatti Automaatit on kehitetty tietokoneita varten, joten laskennan vaativuus asettaa rajoitteita. On selvää, että automaatissa ei voi olla tiloja rajattomasti. Jos U i (M 1, M 2 ) > U i (M 1, M 2 ) tai U i(m 1, M 2 ) = U i (M 1, M 2 ) ja M i < M i, merkitään (M 1, M 2 ) i (M 1, M 2 ). Pelaajan paras vastaus on automaatti, jolla on suurin hyöty pelaajalle. Jos näitä on useita, kannattaa valita automaatti, jossa on vähiten tiloja. Löytäminen haastavaa, ongelma on usein NP-täydellinen.

5 Nashin tasapaino Jos pelaajien automaattien koko on vähintään 1 ja enintään k 1, jossa k on pelin kierrosten lukumäärä, johtaa TfT-strategia symmetriseen Nashin tasapainoon. Tässä tasapainossa molemmat tekevät yhteistyötä. Jos toisen pelaajan automaatissa on enintään k 1 tilaa, ainakin yksi niistä käydään kahteen kertaan. Myös muita tuloksia erityisesti kahden pelaajan PD-pelin automaateille.

6 Turingin kone Tietokoneen yksinkertainen teoreettinen malli. Lisätään jokaiselle pelaajalle ääretön määrä muistia. Voidaan ajatella, että jokaisella pelaajalla on käytössään rajattomasti nauhaa. Nauhaan voi kirjoittaa sekä siitä voi lukea tai poistaa tietoa. Nauhan sisältämät merkit nauha-aakkoston merkkejä. Päätökset tehdään tilan ja nauhalla olevan datan perusteella. Nauhoilla voi olla myös valmiiksi tietoa, jolloin pelaajien käytöstä voidaan manipuloida syötteen avulla.

7 Stokastinen peli Stokastinen peli voidaan ajatella Markovin päätösprosessin yleistyksenä, jossa päätöksentekijöitä (pelaajia) on useita. Yksi tila kuvaa yhtä peliä. Siirtymätodennäköisyysfunktio P(q, a, ˆq) kuvaa todennäköisyyden siirtyä tilasta q tilaan ˆq toimenpidejoukon a suorittamisen jälkeen. Lisäksi pelaajakohtainen palkkiofunktio r i, jonka arvo määräytyy tilan ja pelaajien toimenpiteiden mukaan.

8 Stokastisen pelin strategia Merkitään h t = (q 0, a 0, q 1, a 1...a t 1, q t ). h t siis kuvaa pelin historiaa ajanhetkellä t. Käytökseen perustuvassa strategiassa s i (h t, a ij ) palauttaa todennäköisyyden toimenpiteelle a ij historialla h t. Markovin strategia on tällaisen strategian erikoistapaus, jossa todennäköisyysjakauma riippuu vain nykyisestä tilasta tietyllä ajanhetkellä. Eli historialla ei ole merkitystä lopputilaa lukuunottamatta. Jos lisäksi aikariippuvuus poistetaan, puhutaan stationaarisesta strategiasta.

9 Bayesin peli Tähän asti peli, jota pelataan, on ollut yleistä tietoa. Oletetaan, että peli arvotaan jostain todennäköisyysjakaumasta, joka on kaikkien pelaajien tiedossa. Pelaaja näkee jonkin joukon eri pelivaihtoehtoja. Hänellä on siis jokin informaatio pelistä. Ehdollinen todennäköisyys on nyt tärkeä käsite P(θ j θ i ) = P(θ j, θ i ) P(θ i )

10 Bayesin peli informaatiojoukoilla Bayesin pelit voidaan määritellä informaatiojoukkojen mukaan (kirja määr ). Peli on monikko (N, G, P, I) (Pelaajat, pelit, todennäköisyysjakauma peleille, informaatiojoukot) Siis jokaista pelaajaa k vastaa informaatiojoukko I k, joka sisältää informaation siitä, mitä pelejä tullaan pelaamaan. Yhtä peliä vastaa aina yksi ekvivalenssiluokka. Bayesin peli voidaan esittää myös ekstensiivisen muodon puussa. Tällöin luontoäiti tekee ensimmäisen valinnan ja pelaajat saavat häneltä informaatiosignaalin. Luontoäidillä ei ole hyötyfunktiota tai se on vakio.

11 Bayesin peli tyypeillä Intuitiivisempi tapa määritellä Bayesin peli on käyttää pelaajille tyyppejä. Jokaiselle pelaajalle arvotaan tyyppi ja pelaaja tietään vain oman tyyppinsä ja jakauman, josta kaikki tyypit arvotaan. Bayesin peli on siis monikko (N, A, Θ, p, u). Θ = i Θ i on pelaajien mahdollisten tyyppien joukko, p : Θ [0, 1] jakauma pelaajien tyypeille ja u on hyötyfunktio. (Kirja määr ) Jakauma p siis tuottaa koko peliasetelman. Muiden pelaajien tyyppien todennäköisyyttä voidaan arvioida Bayesin ehdollisen todennäköisyyden kaavalla P(θ j θ i ) = P(θ j, θ i ) P(θ i )

12 Odotettu hyöty Puhtaassa strategiassa toimenpide määräytyy suoraan pelaajan tyypin pohjalta. Sekastrategiassa on todennäköisyydet s j (a j θ j ). Sekastrategiassa on oleellista tutkia pelaajien odotettua hyötyä. Määritelmä Ex post-odotettu hyöty. Pelaajan i odotettu hyöty Bayesin pelissä (N, A, Θ, p, u), kun pelaajien tyypit θ EU i (s, θ) = ( ) s j (a j θ j ) u i (a, θ) a A j N

13 Odotettu hyöty Bayesin pelissä pelaajat eivät tiedä muiden pelaajien tyyppejä. Määritelmä Ex interim-odotettu hyöty. Pelaajan i odotettu hyöty, kun hänen tilansa on θ i EU i (s, θ i ) = p(θ i θ i )EU i (s, (θ i, θ i )). θ i Θ i Ex ante-odotettu hyöty, jos pelaajan tyyppiä ei tiedetä EU i (s) = θ i Θ i p(θ i )EU i (s, θ i ).

14 Bayesin Nashin tasapaino Määritelmä Bayesin Nash tasapaino on sekastrategia-asetelma s, jolle i s i arg max s i EU i (s i, s i). Bayesin Nash-tasapainossa jokaisen pelaajan sekastrategia antaa parhaan mahdollisen odotetun hyödyn. Pelaajien strategiat eri tyypeillä oltava tiedossa Koska arg max palauttaa joukon, voi tasapainoja olla useita.

15 Esimerkki Bayesin pelistä Yritys 1 ja yritys 2 valmistavat samaa tuotetta ja muita kilpailijoita ei ole. Molemmilla tuotteen rajakustannus on vakio. Yrityksen 1 rajakustannus on julkista tietoa ja se on C. Yrityksellä 2 taas rajakustannus on C L todennäköisyydellä θ ja C H todennäköisyydellä 1 θ. Tiedetään, että C L < C H. Halutaan selvittää Bayesin Nashin tasapaino yrityksen valmistamien tuotteiden lukumäärälle. Hyötyfunktiot ovat u 1 ((q 1, q 2 ), t) = q 1 (P(q 1 + q 2 ) C) u 2 ((q 1, q 2 ), t) = q 2 (P(q 1 + q 2 ) C t ) t {L, H}

16 Esimerkki, jatkoa Odotetuksi hyödyiksi saadaan EU 1 (q 1, (q L, q H )) = θ q 1 (P(q 1 + q L ) C) +(1 θ) q 1 (P(q 1 + q H ) C) EU L (q L, q 1 ) = q L (P(q 1 + q L ) C L ) EU H (q H, q 1 ) = q H (P(q 1 + q H ) C H ) Lisäksi kysyntäkäyrä voidaan ajatella olevan muotoa P(Q) = α kq, jossa k > 0. Oletetaan yksinkertaisuuden vuoksi, että k = 1.

17 Esimerkki, jatkoa Ääriarvot saadaan derivaattojen nollakohtien avulla. Näin syntyneestä yhtälöryhmästä saadaan ratkaisuksi, että q 1 = 1 3 (α 2C + θc L + (1 θ)c H ) q L = 1 3 (α 2C L + C) 1 6 (1 θ)(c H C L ) Tämä on siis Bayesin Nashin tasapaino. q H = 1 3 (α 2C H + C) 1 6 θ(c H C L )

18 Esimerkki, sekastrategia Tarkastellaan seuraavaksi tilannetta, jossa pelaajat pelaavat sekastrategialla. Kummankin pelin todennäköisyys on 0.5. C H C 10, 5 0, 0 H 0, 0 5, 10 C H C 10, 0 0, 10 H 0, 5 5, 0 Merkitään, että pelaaja 1 pelaa C todennäköisyydellä p ja pelaaja 2 pelaa C todennäköisyydellä q 1. Vastaava todennäköisyys pelissä 2 on q 2. Halutaan selvittää Bayesin Nashin tasapaino.

19 Esimerkki, sekastrategia jatkoa Aloitetaan tarkastelu pelistä 1. Tuttuun tapaan odotusarvojen tulee olla pelaajalle 2 yhtä suuret molemmissa vaihtoehdoissa. 5p + 0(1 p) = 0p + 10(1 p) p = 2/3 Nyt havaitaan, että pelissä 2 pelaajan 2 odotetuille hyödyille pätee 0 2/ /3 < 10 2/ /3. Eli pelaajan 2 kannattaa pelata pelissä 2 aina H. Sitten tarkastellaan vielä pelaajan 1 kannalta. 10q 1 + 0(1 q 1 ) + 0 = 0q 1 + 5(1 q 1 ) + 5 q 1 = 2/3 Siis Bayesin Nashin tasapaino on ((2/3, 1/3),((2/3, 1/3), (0, 1))).

20 Termejä Tit for Tat Samalla mitalla takaisin Ex post Jälkikäteen eli, kun peli on pelattu Ex interim Kesken pelin eli, kun oma tyyppi tiedetään Ex ante Etukäteen eli ennen peliä

21 Kotitehtävä Etsi viimeisen esimerkin tehtävälle toinen Bayesin Nashin tasapaino.

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

Toistetut pelit Elmeri Lähevirta. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Toistetut pelit Elmeri Lähevirta. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Toistetut pelit MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Elmeri Lähevirta The document can be stored and made available to the public on the open internet pages of Aalto University.

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

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

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

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

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

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

Luento 5: Peliteoriaa

Luento 5: Peliteoriaa Luento 5: Peliteoriaa Tässä kappaleessa tutustutaan lyhyesti peliteoriaan. Peliteorian ratkaisukäsite on Nashin tasapaino, jonka jo Augustin Cournot esitti duopolimallinsa ratkaisuna v. 1838. Cournot n

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

Pohdiskeleva ajattelu ja tasapainotarkennukset

Pohdiskeleva ajattelu ja tasapainotarkennukset Pohdiskeleva ajattelu ja tasapainotarkennukset Sanna Hanhikoski 24.3.2010 Sisältö Pohdiskeleva ajattelu Nashin tasapainotarkennukset Täydellinen tasapaino Täydellinen bayesiläinen tasapaino Vaiheittainen

Lisätiedot

1. Universaaleja laskennan malleja

1. Universaaleja laskennan malleja 1. Universaaleja laskennan malleja Laskenta datan käsittely annettuja sääntöjä täsmällisesti seuraamalla kahden kokonaisluvun kertolasku tietokoneella, tai kynällä ja paperilla: selvästi laskentaa entä

Lisätiedot

Epätäydellisen tiedon jatkuvat pelit. Mika Viljanen Peliteorian seminaari

Epätäydellisen tiedon jatkuvat pelit. Mika Viljanen Peliteorian seminaari Epätäydellisen tiedon jatkuvat pelit Mika Viljanen Peliteorian seminaari Erityispiirteitä Erityispiirteitä Epätäydellinen tieto aiemmista toiminnoista Erityispiirteitä Epätäydellinen tieto aiemmista toiminnoista

Lisätiedot

Laskennan mallit (syksy 2010) Harjoitus 4, ratkaisuja

Laskennan mallit (syksy 2010) Harjoitus 4, ratkaisuja 582206 Laskennan mallit (syksy 2010) Harjoitus 4, ratkaisuja 1. Esitä tilakaaviona NFA N = (Q, Σ, δ, q 0, F ), missä Q = { q 0, q 1, q 2, q 3, q 4, q 5, q 6, q 7 }, Σ = { a, b, c }, F = { q 4 } ja δ on

Lisätiedot

Luento 5: Peliteoria

Luento 5: Peliteoria Luento 5: Peliteoria Portfolion optimointi Sijoittajan tehtävä Nashin tasapaino Vangin ongelma Nashin neuvotteluratkaisu 1 Portfolion optimointi Varallisuus A sijoitetaan n:ään sijoituskohteeseen (osake,

Lisätiedot

Tasapaino epätäydellisen tiedon peleissä

Tasapaino epätäydellisen tiedon peleissä hyväksymispäivä arvosana arvostelija Tasapaino epätäydellisen tiedon peleissä Marja Hassinen Helsinki 9..2006 Peliteoria-seminaarin esitelmä HESINGIN YIOPISTO Tietojenkäsittelytieteen laitos Sisältö Johdanto

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

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

vaihtoehtoja TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho 13. lokakuuta 2016 TIETOTEKNIIKAN LAITOS

vaihtoehtoja TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho 13. lokakuuta 2016 TIETOTEKNIIKAN LAITOS TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 13. lokakuuta 2016 Sisällys Harjoitustehtävätilastoa Tilanne 13.10.2016 klo 9:42 passed waiting redo submitters

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

Sekastrategiat ja intensiiviyhteensopivuus

Sekastrategiat ja intensiiviyhteensopivuus Sekastrategiat ja intensiiviyhteensopivuus Petteri Räty 2010-03-14 God does not play dice with the universe Albert Einstein Agenda Intensiiviyhteensopivuuden käsite Yrittää vastata kysymykseen, mitä sekastrategiat

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

Rationalisoituvuus ja yleinen tieto rationaalisuudesta

Rationalisoituvuus ja yleinen tieto rationaalisuudesta Rationalisoituvuus ja yleinen tieto rationaalisuudesta Keskeiset termit: Rationalizability rationalisoituvuus ratkaisukonsepti peliteoriassa Rationalizable rationalisoituva Rationality rationaalisuus pelaajat

Lisätiedot

Yhteydettömän kieliopin jäsennysongelma

Yhteydettömän kieliopin jäsennysongelma Yhteydettömän kieliopin jäsennysongelma Yhteydettömän kieliopin jäsennysongelmalla tarkoitetaan laskentaongelmaa Annettu: yhteydetön kielioppi G, merkkijono w Kysymys: päteekö w L(G). Ongelma voidaan periaatteessa

Lisätiedot

Opettaminen ja oppiminen

Opettaminen ja oppiminen Opettaminen ja oppiminen MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 19.10.2016 Nina Gunell The document can be stored and made available to the public on the open internet pages of Aalto

Lisätiedot

Dynaaminen hintakilpailu ja sanattomat sopimukset

Dynaaminen hintakilpailu ja sanattomat sopimukset Dynaaminen hintakilpailu ja sanattomat sopimukset Pasi Virtanen 12.3.2003 Johdanto Hintakilpailu jossa pelaajat kohtaavat toisensa toistuvasti Pelaajien on otettava hintaa valittaessa huomioon hintasodan

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

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

Evolutiivinen stabiilisuus populaation

Evolutiivinen stabiilisuus populaation Antti Toppila sivu 1/20 Optimointiopin seminaari Syksy 2008 Evolutiivinen stabiilisuus populaation määrittämisessä Antti Toppila 24.9.2008 Antti Toppila sivu 2/20 Optimointiopin seminaari Syksy 2008 Sisältö

Lisätiedot

PELITEORIAN PERUSTEITA

PELITEORIAN PERUSTEITA PELITEORIAN PERUSTEITA Matti Estola 29. marraskuuta 2013 Sisältö 1 Johdanto 2 2 Peliteoreettisen analyysin vaiheet 2 3 Staattiset pelit täydellisen informaation vallitessa 3 4 Pelin ratkaiseminen 4 4.1

Lisätiedot

Turingin koneen laajennuksia

Turingin koneen laajennuksia Turingin koneen laajennuksia Turingin koneen määritelmään voidaan tehdä erilaisia muutoksia siten että edelleen voidaan tunnistaa tasan sama luokka kieliä. Moniuraiset Turingin koneet: nauha jakautuu k

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

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

Peliteoria Strategiapelit ja Nashin tasapaino. Sebastian Siikavirta sebastian.siikavirta@helsinki.fi

Peliteoria Strategiapelit ja Nashin tasapaino. Sebastian Siikavirta sebastian.siikavirta@helsinki.fi Peliteoria Strategiapelit ja Nashin tasapaino Sebastian Siikavirta sebastian.siikavirta@helsinki.fi Helsinki 11.09.2006 Peliteoria Tomi Pasanen HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Sisältö

Lisätiedot

Martingaalit ja informaatioprosessit

Martingaalit ja informaatioprosessit 4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu

Lisätiedot

LAAJENNETUN MUODON RATIONALISOITUVUUS. S ysteemianalyysin. Arno Solin Laboratorio. Aalto-yliopiston Teknillinen korkeakoulu

LAAJENNETUN MUODON RATIONALISOITUVUUS. S ysteemianalyysin. Arno Solin Laboratorio. Aalto-yliopiston Teknillinen korkeakoulu LAAJENNETUN MUODON RATIONALISOITUVUUS 3.3.2010 Pähkinänkuoressa: Laajennetun muodon rationalisoituvuus Laajennetun muodon peli (Extensive Form Game) Laajennetun muodon pelin tasapainokäsitteitä. Tosimaailman

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

Epätäydellisen tiedon jatkuvat pelit

Epätäydellisen tiedon jatkuvat pelit Epätäydellisen tiedon jatkuvat pelit Mika Viljanen Helsinki 4..2006 Peliteorian seminaari HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Sisältö Johdanto 2 Epätäydellisen tiedon jatkuva peli 2. Jatkuvan

Lisätiedot

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari Konsensusongelma hajautetuissa järjestelmissä Niko Välimäki 30.11.2007 Hajautetut algoritmit -seminaari Konsensusongelma Päätöksen muodostaminen hajautetussa järjestelmässä Prosessien välinen viestintä

Lisätiedot

Esimerkki: Tietoliikennekytkin

Esimerkki: Tietoliikennekytkin Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH 8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin

Lisätiedot

Algoritmin määritelmä [Sipser luku 3.3]

Algoritmin määritelmä [Sipser luku 3.3] Algoritmin määritelmä [Sipser luku 3.3] Mitä algoritmilla yleensä tarkoitetaan periaatteessa: yksiselitteisesti kuvattu jono (tietojenkäsittely)operaatioita, jotka voidaan toteuttaa mekaanisesti käytännössä:

Lisätiedot

Automaatit. Muodolliset kielet

Automaatit. Muodolliset kielet Automaatit Automaatit ovat teoreettisia koneita, jotka käsittelevät muodollisia sanoja. Automaatti lukee muodollisen sanan kirjain kerrallaan, vasemmalta oikealle, ja joko hyväksyy tai hylkää sanan. Täten

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

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin?

Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? 2013-2014 Lasse Lensu 2 Algoritmit ovat deterministisiä toimintaohjeita

Lisätiedot

δ : (Q {q acc, q rej }) (Γ k {, }) Q (Γ k {, }) {L, R}.

δ : (Q {q acc, q rej }) (Γ k {, }) Q (Γ k {, }) {L, R}. 42 Turingin koneiden laajennuksia 1 oniuraiset koneet Sallitaan, että Turingin koneen nauha koostuu k:sta rinnakkaisesta urasta, jotka kaikki kone lukee ja kirjoittaa yhdessä laskenta-askelessa: Koneen

Lisätiedot

11 Oligopoli ja monopolistinen kilpailu (Mankiw & Taylor, Ch 17)

11 Oligopoli ja monopolistinen kilpailu (Mankiw & Taylor, Ch 17) 11 Oligopoli ja monopolistinen kilpailu (Mankiw & Taylor, Ch 17) Oligopoli on markkinamuoto, jossa markkinoilla on muutamia yrityksiä, jotka uskovat tekemiensä valintojen seurauksien eli voittojen riippuvan

Lisätiedot

Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist

Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist 21.01.2013 Ohjaaja: Kimmo Berg Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Turingin koneet. Sisällys. Aluksi. Turingin koneet. Turingin teesi. Aluksi. Turingin koneet. Turingin teesi

Turingin koneet. Sisällys. Aluksi. Turingin koneet. Turingin teesi. Aluksi. Turingin koneet. Turingin teesi TIEA241 Automaatit ja kieliopit, kevät 2012 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 17. kesäkuuta 2013 Sisällys Chomskyn hierarkia (ja vähän muutakin) kieli säännöllinen LL(k) LR(1) kontekstiton kontekstinen

Lisätiedot

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi. Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i

Lisätiedot

Evolutiivisesti stabiilin strategian oppiminen

Evolutiivisesti stabiilin strategian oppiminen Evolutiivisesti stabiilin strategian oppiminen Janne Laitonen 8.10.2008 Maynard Smith: s. 54-60 Johdanto Käytös voi usein olla opittua perityn sijasta Tyypillistä käytöksen muuttuminen ja riippuvuus aikaisemmista

Lisätiedot

Peliteorian soveltaminen hajautettujen järjestelmien protokollasuunnittelussa (valmiin työn esittely)

Peliteorian soveltaminen hajautettujen järjestelmien protokollasuunnittelussa (valmiin työn esittely) Peliteorian soveltaminen hajautettujen järjestelmien protokollasuunnittelussa (valmiin työn esittely) Riku Hyytiäinen 23.02.2015 Ohjaaja: Harri Ehtamo Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa

Lisätiedot

TIEA241 Automaatit ja kieliopit, kevät 2011 (IV) Antti-Juhani Kaijanaho. 31. maaliskuuta 2011

TIEA241 Automaatit ja kieliopit, kevät 2011 (IV) Antti-Juhani Kaijanaho. 31. maaliskuuta 2011 TIEA241 Automaatit ja kieliopit, kevät 2011 (IV) Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 31. maaliskuuta 2011 Sisällys Sisällys Chomskyn hierarkia kieli säännöllinen kontekstiton kontekstinen rekursiivisesti

Lisätiedot

TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 12. lokakuuta 2016

TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 12. lokakuuta 2016 ja ja TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 12. lokakuuta 2016 Sisällys ja ja Vuosi on 1936, eikä tietokoneita ollut. Computer oli ammattinimike. http://www.nasa.gov/centers/dryden/

Lisätiedot

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa.

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa. 2.9. Epävarmuus ja odotetun hyödyn teoria Testi. Kumman valitset a) 10 euroa varmasti. b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa. Odotettu arvo 0,5* 15 + 0,5*5

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

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

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

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Kokonaistodennäköisyyden ja Bayesin kaavat TKK (c) Ilkka Mellin (2007) 1 Kokonaistodennäköisyys ja Bayesin kaava >> Kokonaistodennäköisyys

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

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava TKK (c) Ilkka Mellin (2005) 1 Kokonaistodennäköisyys ja Bayesin kaava Kokonaistodennäköisyys ja Bayesin kaava: Johdanto Kokonaistodennäköisyyden

Lisätiedot

Kielenä ilmaisten Hilbertin kymmenes ongelma on D = { p p on polynomi, jolla on kokonaislukujuuri }

Kielenä ilmaisten Hilbertin kymmenes ongelma on D = { p p on polynomi, jolla on kokonaislukujuuri } 135 4.3 Algoritmeista Churchin ja Turingin formuloinnit laskennalle syntyivät Hilbertin vuonna 1900 esittämän kymmenennen ongelman seurauksena Oleellisesti Hilbert pyysi algoritmia polynomin kokonaislukujuuren

Lisätiedot

Turingin koneet. TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 7. joulukuuta 2015 TIETOTEKNIIKAN LAITOS.

Turingin koneet. TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 7. joulukuuta 2015 TIETOTEKNIIKAN LAITOS. TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 7. joulukuuta 2015 Sisällys Vuosi on 1936, eikä tietokoneita ollut. Computer oli ammattinimike. http://www.nasa.gov/centers/dryden/

Lisätiedot

Äärellisten automaattien ja säännöllisten kielten ekvivalenssi

Äärellisten automaattien ja säännöllisten kielten ekvivalenssi Äärellisten automaattien ja säännöllisten kielten ekvivalenssi Osoitamme seuraavan keskeisen tuloksen: Lause 1.8: [Sipser Thm. 1.54] Kieli on säännöllinen, jos ja vain jos jokin säännöllinen lauseke esittää

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

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

3. laskuharjoituskierros, vko 6, ratkaisut

3. laskuharjoituskierros, vko 6, ratkaisut Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa

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

Satunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos

Satunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Satunnaisalgoritmit Topi Paavilainen Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 1 Johdanto Satunnaisalgoritmit ovat algoritmeja, joiden

Lisätiedot

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen Optimointiopin seminaari - Syksy 000 / 1 Mallin laajennus Toiminta voidaan väliaikaisesti keskeyttää ja käynnistää uudelleen Keskeyttämisestä

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi

Lisätiedot

Rajoittamattomat kieliopit

Rajoittamattomat kieliopit Rajoittamattomat kieliopit Ohjelmoinnin ja laskennan perusmalleista muistetaan, että kieli voidaan kuvata (esim.) kieliopilla joka tuottaa sen, tai automaatilla joka tunnistaa sen. säännölliset lausekkeet

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

V ar(m n ) = V ar(x i ).

V ar(m n ) = V ar(x i ). Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 14. syyskuuta 2007 Antti Rasila () TodB 14. syyskuuta 2007 1 / 21 1 Kokonaistodennäköisyys ja Bayesin kaava Otosavaruuden ositus Kokonaistodennäköisyyden

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

Lisätiedot

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti 12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee

Lisätiedot

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Tero Sirkka. Peliteoriaa

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Tero Sirkka. Peliteoriaa TAMPEREEN YLIOPISTO Pro gradu -tutkielma Tero Sirkka Peliteoriaa Informaatiotieteiden yksikkö Matematiikka Toukokuu 2013 Tampereen yliopisto Informaatiotieteiden yksikkö Sirkka, Tero: Peliteoriaa Pro gradu

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

Tenniksen pistelaskusäännöt, lukio/ammatilliset oppilaitokset

Tenniksen pistelaskusäännöt, lukio/ammatilliset oppilaitokset Tenniksen pistelasku Useimmat meistä ovat joskus katsoneet TV:stä tennisottelua. Katsoja kokee jännitystä voidessaan seurata kuinka pisteden kertyminen johtaa ottelun päättymisen toisen pelaajan voittoon

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

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 31C00100 Assist. Jan Jääskeläinen Syksy 017 Mallivastaukset 7. Kaupungissa on kaksi suurta taidemuseoa (pelaajat) ja 500 000 asukasta. Taidemuseoilla

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3 Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,

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

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

(0 1) 010(0 1) Koska kieli on yksinkertainen, muodostetaan sen tunnistava epädeterministinen q 0 q 1 q 2 q3

(0 1) 010(0 1) Koska kieli on yksinkertainen, muodostetaan sen tunnistava epädeterministinen q 0 q 1 q 2 q3 T-79.48 Tietojenkäsittelyteorian perusteet Tentti 25..23 mallivastaukset. Tehtävä: Kuvaa seuraavat kielet sekä säännölisten lausekkeiden että determinististen äärellisten automaattien avulla: (a) L = {w

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

Prof. Marko Terviö Assist. Jan Jääskeläinen

Prof. Marko Terviö Assist. Jan Jääskeläinen Mallivastaukset 9. 2. (a) Dominoiva strategia on tarjota oman arvostuksensa verran, eli tässä e 10 miljoonaa. Tarjoamalla yli oman arvostuksen tekisi vain mahdolliseksi sen, että joutuu maksamaan yli oman

Lisätiedot

9.5. Turingin kone. Turingin koneen ohjeet. Turingin kone on järjestetty seitsikko

9.5. Turingin kone. Turingin koneen ohjeet. Turingin kone on järjestetty seitsikko 9.5. Turingin kone Turingin kone on järjestetty seitsikko TM = (S, I, Γ, O, B, s 0, H), missä S on tilojen joukko, I on syöttöaakkosto, Γ on nauha-aakkosto, I Γ, O on äärellinen ohjeiden joukko, O S Γ

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 12. marraskuuta 2015

TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 12. marraskuuta 2015 TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 12. marraskuuta 2015 Sisällys Muistathan A B -konstruktion 0 k 1 i 2 s 3 s 4 a 5 0 k 1 o 2 i 3 r 4 a 5 00 k 11 i

Lisätiedot

Luento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori.

Luento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori. Luento 2 Binomi-malli Posteriorijakauman esittämisestä Informatiivisista priorijakaumista Konjugaattipriori Slide 1 Yksiparametrisia malleja Binomi Jacob Bernoulli (1654-1705), Bayes (1702-1761) Normaali

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

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

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot