Rationaalisen toimijan malli
|
|
- Satu Rantanen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Rationaalisen toimijan malli
2 Millainen on rationaalinen toimija? Rationaalisesti toimivan henkilön preferenssit oletetaan johdonmukaisiksi Käyttäytymistieteilijät korostavat kuitenkin tilanteita, joissa henkilön preferenssien havaitaan olevan epäjohdonmukaiset Preferenssien epäjohdonmukaisuus voi perustua vääränlaisiin uskomuksiin Seurausta esim. systemaattisesta tietämättömyydestä Henkilön preferenssijärjestys on riippuvainen olotilasta Nälkä, pelko, väsymys jne. Perinteinen päätösteoria ei huomioi henkilön olotilaa
3 Ihmisten ja eläinten arvioinnista Useat kokeet osoittavat, että ihmiset rikkovat systemaattisesti odotusarvoisen hyödyn periaatetta Ei kuitenkaan tarkoita preferenssien epäjohdonmukaisuutta Ei kuitenkaan ole yleisesti näyttöä siitä, että eläimet toimisivat vastoin odotusarvoisen periaatetta Muutamia poikkeuksia kuitenkin löytyy Erot ihmisten ja eläinten arvioinnissa perustuvat osittain arviointiympäristöön Eläimiä arvioidaan reaalimaailmassa, mutta ihmisiä eritoten analyyttisten mallien avulla
4 BPC-malli BPC = Beliefs, Preferences, and Constraints Uskomukset, preferenssit (so. mieltymykset), ja rajoitukset Malli määrittelee joukon käyttäytymisominaisuuksia, joihin tukeutumalla voidaan eri toimijoita mallintaa preferenssejään maksimoivina yksilöinä Jos joukossa A vaihtoehto x on mieluisampi kuin vaihtoehto y niin merkitään Relaatio A A x määrittää joukossa A preferenssijärjestyksen tarkoittaa, että vaihtoehto on aidosti mieluisampi A y
5 Preferenssien johdonmukaisuus Preferenssijärjestys joukossa A on (binääri)relaatio, jolla on seuraavat kolme ominaisuutta I Täydellisyys II Transitiivisuus III Riippumattomuus epäolennaisista vaihtoehdoista Yksilön preferenssit ovat johdonmukaiset, jos preferenssijärjestys toteuttaa nämä ominaisuudet Huom! rationaalisesti toimivan henkilön preferenssit oletettiin johdonmukaisiksi
6 Preferenssijärjestyksen ominaisuudet Näiden kolmen ominaisuuden on pädettävä kaikille joukoille B ja vaihtoehdoille x, y, z A I II Täydellisyys Transitiivisuus III Riippumattomuus epäolennaisista vaihtoehdoista Ominaisuuden III nojalla vaihtoehtojen joukkoa ei tarvitse täsmentää joten voidaan kirjoittaa lyhyesti x y x x, A x y y B, A ja y taiy y x B A A z x y x x A A z y
7 "Punaviiniä vai valkoviiniä, Sir?" Henkilö nauttii mielummin punaviiniä kuin valkoviiniä, koska punaviini on hänen mielestään parempaa Sen sijaan sama henkilö voi nauttia ruoan yhteydessä mielummin valkoviiniä, jos pääruokana on kalaa Vastoin oletusta riippumattomuudesta Vaihtoehdot voidaan kuitenkin määritellä seuraavasti x 1 = punaviini + liha x 2 = punaviini + kala y 1 = valkoviini + liha y 2 = valkoviini + kala x 1 y1 y2 x2 Johdonmukainen riippumattomuusoletuksen kanssa
8 Preferenssijärjestystä kuvaava funktio Jos preferenssit ovat johdonmukaisia, niin on olemassa funktio, jonka maksimointi vastaa yksilön valintoja Tämä funktio on preferenssifunktio, joka kuvaa yksilön käyttäytymistä tietyssä vaihtoehtojen joukossa Teoreema 1.1 Preferenssifunktiolla u:a R voidaan kuvata preferenssirelaatiota äärellisessä joukossa A, jos ja vain jos on johdonmukainen Huom! Preferenssifunktio ei ole yksikäsitteinen
9 Mitä on rationaalinen toiminta? Rationaalisuus ei tarkoita itsekkyyttä eli ainoastaan oman hyödyn maksimointia Se, että yksilö esimerkiksi huomioi myös muut yksilöt tai toimii oikeudenmukaisesti ei ole epärationaalista toimintaa Hyödyn maksimointi ei edellytä muuta kuin oletuksen transitiivisuudesta sekä joitakin teknisiä ehtoja Kuten aiemmin todettiin johdonmukaisuudesta
10 Rahaa kulutukseen vai hyväntekeväisyyteen? Oletetaan että henkilö, jolla on 100 rahaa käytettävänään, pohdiskelee kuinka paljon käyttää kulutukseen ja kuinka paljon hyväntekeväisyyteen Henkilö haluaa maksimoida hyötynsä ja käyttää x kulutukseen ja loput y hyväntekeväisyyteen Jokaista hyväntekeväisyyteen lahjoitettua euroa kohden henkilö maksaa p 0 < p < 1 tarkoittaa tukiaisia ja p > 1 veroa Hyötyfunktio on u(x, y) ja rajoitusehto x + py = 100 On täysin rationaalista valita y > 0
11 Tietämättömyydestä johtuva virhe Päätösteoria ei tee oletusta, että ihmiset tekisivät valintoja, jotka olisivat heidän hyvinvointia edistäviä Esim. tupakoiva ihminen ei käyttäytymisellään riko preferenssien johdonmukaisuutta Jos ihmiset toimivat vastoin päätösteorian oletuksia, niin se ei tarkoita sitä, että he olisivat epärationaalisia Henkilöt voivat yksinkertaisesti olla tietämättömiä tai harhaanjohdettuja (so. heillä on asioista väärää tietoa) Jos henkilöt johdonmukaisesti rikkovat esim. transitiivisuutta tehdessään valintoja, niin he eivät joko täytä teorian aksioomia tai he eivät tiedä miten arvioida valintojaan
12 Biologian selitys johdonmukaisuudelle Oletetaan, että eliöiden preferenssit toteuttavat täydellisyys ominaisuuden Eliön on pystyttävä tekemään johdonmukaisia päätöksiä tavanomaisissa tilanteissa Oletetaan lisäksi, että eliöllä on aivoissaan kolme päätöksiin vaikuttavaa keskusta Jokaisessa keskuksessa on oma preferenssijärjestys Eliön preferenssit määräytyvät vaihtoehtopareille sen mukaan kumpi vaihtoehto on useammassa keskuksessa mieluisampi
13 Oletus transitiivisuudesta horjuu? Olkoon vaihtoehtoja kolme: A, B ja C Preferenssijärjestykset eliön aivojen kolmessa eri keskuksessa oletetaan seuraavanlaisiksi 1. A B C 2. B C A 3. C A B Jos eliölle tarjotaan kerrallaan kahta vaihtoehtoa, niin se tekee oletusten perusteella seuraavanlaiset valinnat A vai B? B vai C? A vai C? A B C A B C A
14 Oletus transitiivisuudesta horjuu? Olkoon vaihtoehtoja kolme: A, B ja C Preferenssijärjestykset eliön aivojen kolmessa eri keskuksessa oletetaan seuraavanlaisiksi Evolutiivinen biologia: 1. A B C 2. B C A 3. C A B Luonnonvalinta suosii sellaisia mutaatioita, Jos eliölle tarjotaan jotka tukahduttavat kerrallaan kahta kolmesta vaihtoehtoa, niin se tekee päätöskeskuksesta oletusten perusteella kaksi seuraavanlaiset tai parhaassa valinnat A vai B tapauksessa? A jopa integroi keskukset B vai C? A vai C? B C A B C A
15 Epäjohdonmukaisuus ajan suhteen Ihmisten on helpompi tehdä järkeviä valintoja, jos valinnantekohetken ja kustannusten (tai hyötyjen) toteutumisen välinen ajanjakso on pitkä Toisaalta silloin, kun kustannukset (tai hyödyt) ovat välittömiä, ihmiset tekevät helpommin huonompia valintoja Ihmisillä on taipumus diskontata lähitulevaisuuden hyötyjä suuremmalla kertoimella kuin pidemmälle ulottuvia hyötyjä Esim. pitkän ajan parempia kassavirtoja uhrataan välittömien, mutta huonompien kassavirtojen aikaansaamiseksi
16 10 tänään vai 11 viikon päästä? Empiirisen kokeen perusteella useammat koehenkilöt valitsivat 10 välittömästi kuin 11 viikon päästä (Ainslie ja Haslam, 1992) Kun samoille koehenkilöille tarjottiin vaihtoehtoja siten, että ne toimeenpannaan vasta vuoden päästä niin monet heistä, jotka valitsivat ensin välittömän rahasumman 10, pitivät vaihtoehtoa 11 mieluisampana Tällöin valinnat eivät ole johdonmukaisia ajan suhteen
17 Epäjohdonmukaisuuden korjaaminen Jos koehenkilöiden käyttäytymistä mallinnetaan hieman monimutkaisemman vaihtoehtojoukon suhteen niin johdonmukaisuus säilyy Valitaan vaihtoehdot esimerkiksi seuraavasti = 10 välittömästi x 0 y 7 = 11 yhden viikon päästä x 365 = 10 yhden vuoden päästä y 372 = 11 yhden vuoden ja yhden viikon päästä Tällöin koetulos x 0 y 7 ja y 372 x 365 on johdonmukainen Aika on explisiittisesti mainittuna vaihtoehdoissa
18 Johdonmukaisuus ajan suhteen Oletus 1: Hyöty on additiivinen aikaperiodien suhteen Oletus 2: Nykyinen hyötyfunktio on sama myös myöhempinä ajanhetkinä siten, että tulevat hyödyt on diskontattu nykyhetkeen kiinteällä kertoimella Diskonttauskerroin voi olla eri suuruinen eri henkilöillä Oletuksista 1 ja 2 seuraa johdonmukaisuus ajan suhteen, mitä kutsutaan eksponentiaaliseksi diskonttaukseksi U( x 0, x1, ) k ) k u( x k0
19 Hyperbolinen diskonttaus Ihmisten valintojen on havaittu olevan enemmän yhdenmukaisia hyperbolisen diskonttauksen kuin exponentiaalisen diskonttauksen suhteen 10 tänään vai 11 viikon päästä? Olkoon z t ajanhetkellä t toimitettu rahamäärä ja olkoon tätä rahamäärää vastaava hyötyfunktio z u( z t ) t 1 Tällöin u(x 0 ) = 10 ja u(y 7 )=11/8 = eli x 0 y 7 Vastaavasti u(x 365 )=0.027 ja u(y 372 )=0.029 eli y 372 x 365
20 ... Arpajaiset Tarkastellaan valintoja sellaisten vaihtoehtojen suhteen, joissa stokastiset tapahtumat määrittävät tulevat tapahtumat sekä yksilön tuotot Arpajaisista saatavan tuoton odotusarvo on todennäköisyyksillä painotettu summa mahdollisista tuotoista p 1 x 1 E[ l] n i1 p i x i l p 2 x 2 p n x n
21 Odotusarvoisen hyötyperiaatteen johtaminen Odotusarvoinen hyötyperiaate voidaan johtaa oletuksesta, että yksilön preferenssit ovat johdonmukaisia vaihtoehtoisten arpajaisten joukossa Yksilön preferenssit voidaan esittää hyötyfunktion avulla ja lisäksi näiden perusteella voidaan päätellä todennäköisyydet, jotka yksilö asettaa eri tapahtumille Odotusarvoinen hyötyperiaate pätee näille todennäköisyyksille Mahdollisten luonnontilojen joukko on Ω ja tapahtumajoukko A on luonnontilojen osajoukko
22 Savagen aksioomat ja teoreema 1/2 A1: Preferenssit kahden arpajaispelin välillä riippuu ainoastaan sellaisista tapahtumista, joissa arpajaisilla on erilaiset tuotot A2: Tapahtumajoukossa A arpajaisten π ja ρ tuotot ovat π = x ja ρ = y. Tällöin π ρ, jos ja vain jos x y A A3: Tapahtuman todennäköisyys on riippumaton tuotoista, jotka pelaaja saa kyseisessä tapahtumassa
23 Savagen aksioomat ja teoreema 2/2 A4: Jos arpajaispelin π tuotto on kaikissa mahdollisissa tapahtumissa suurempi kuin pelin ρ niin π ρ A5: Tekninen ominaisuus Teoreema 1.3 Oletetaan, että A1-A5 pätee. Tällöin on olemassa todennäköisyysfunktio p joukossa Ω ja hyötyfunktio u : X R siten, että kaikille arpajaisille π ja ρ pätee E E [ u; p] [ u; p] E [ u; p] p( ) u( ( ))
24 Allais n ja Ellsbergin paradoksit Hyödyn laskeminen odotusarvon perusteella oletetaan yleisesti perustaksi ihmisten valintakäyttäytymisen mallintamiseen, mutta on kuitenkin olemassa sellaisia tilanteita, joissa tämä oletus ei päde Tunnetuimmat esimerkit tällaisista tilanteista ovat Allais n ja Ellsbergin paradoksit Eivät oikeastaan ole paradokseja vaan empiirisesti todettuja säännönmukaisuuksia, jotka eivät vain noudata periaatetta määrittää kokonaishyötyä odotusarvon perusteella
25 Ellsbergin paradoksi 1/2 Tarkastellaan kahta tilannetta pelissä, jossa voittoina x = 2,500,000 y = 500,000 z = 0 Tilanne 1: valinta on tehtävä arpajaisten π ja π välillä siten, että pelien odotusarvot ovat π = y ja π = 0.10x y z Tilanne 2: valinta tehdään arpajaisten ρ ja ρ välillä siten, että näiden odotusarvot ovat ρ = 0.11y z ja ρ = 0.10x z Useimmat ihmiset valitsevat pelit π ja ρ
26 Ellsbergin paradoksi 2/2 Valinta ei ole kuitenkaan johdonmukaiden odotusarvoisen hyödyn suhteen Olkoon voittojen hyödyt u h = u( ), u m = u(500000) ja u l = u(0) Tällöin, jos odotusarvoisen hyödyn periaate pätee niin π π u m > 0.10u h u m u l 0.11u m > 0.10u h u l u l 0.11u m u l > 0.10u h u l ρ ρ
27 Allais n paradoksi 1/3 Tarkastellaan kahta laatikkoa siten, että laatikossa A on 51 punaista ja 49 valkoista palloa ja laatikossa B on 100 punaista ja valkoista palloa Henkilöitä pyydetään tekemään valinta kahdessa eri tilanteessa Tilanne 1: Henkilö nostaa pallon joko laatikosta A tai B. Jos pallo on punainen, henkilö voittaa 10 Tilanne 2: Henkilö nostaa pallon joko laatikosta A tai B. Jos pallo on valkoinen, henkilö voittaa 10
28 Allais n paradoksi 2/3 Useammat henkilöt valitsevat laatikon A molemmissa tilanteissa Tämä on vastoin odotusarvoisen hyödyn periaatetta riippumatta siitä, kuinka paljon henkilö olettaa valkoisia palloja olevan laatikossa B Toisin sanoen kuinka suureksi henkilö arvioi todennäköisyyden, että laatikosta B nostettu pallo on valkoinen
29 Allais n paradoksi 3/3 Tilanteessa 1 odotusarvoiset tuotot ovat A: 0.51u(10) u(0) B: (1-p)u(10) + pu(0) Jos henkilö pitää laatikkoa A aidosti parempana vaihtoehtona niin p > 0.49 Tilanteessa 2 odotusarvoiset tuotot ovat A: 0.49u(10) u(0) B: pu(10) + (1-p)u(0) Jos henkilö pitää laatikkoa A aidosti parempana vaihtoehtona niin p < 0.49
30 Hyötyfunktion muoto Preferenssirelaation määrittely ei yksin riitä, koska sen perusteella emme voi sanoa mitään hyötyfunktion muodosta Vrt. teoreema 1.2: Mikä tahansa kasvava funktio esittää myös samaa preferenssirelaatiota Jos preferenssirelaatiota kuvataan hyötyfunktiolla u(x), joka täyttää odotusarvoisen hyödyn periaatteen, niin u(x) on mielivaltaisen vakion sekä mittayksikön suhteen määritelty Jos u(x) on henkilön hyötyfunktio, niin v(x)=au(x) + b on myös
31 Hyötyfunktio on yleensä konkaavi Konkaavius tarkoittaa tässä, että hyödyn odotusarvo on vähemmän kuin odotusarvon hyöty u(y) u(e[x]) E[u(x)]) D B C u(x) A x E[x] y
32 Riskinpakoisuus Jos yksilö pitää arpajaisten odotusarvoa mieluisampana kuin arpajaisia sinänsä, niin yksilön sanotaan olevan riskipakoinen Toisin sanoen odotusarvon hyöty on suurempi kuin hyödyn odotusarvo eli u(e[x]) > E[u(x)] Yksilö on siis riskipakoinen, jos ja vain jos hyötyfunktio on konkaavi Yksilön sanotaan olevan riskihakuinen, jos hyötyfunktio on konveksi Riskineutraali hyötyfunktio on lineaarinen
33 Arrow-Prattin absoluuttinen riskipakoisuuskerroin Riskin karttamisen aste riippuu hyötyfunktion kaarevuudesta (eli toisesta derivaatasta u'' ) Arrow-Prattin absoluuttinen riskipakoisuuskerroin on sopiva riskipakoituuden mittariksi ( x) u u''( x) u'( x) Teoreema 1.5 Yksilö, jonka hyötyfunktio on u(x) on enemmän riskiä karttava kuin henkilö, jonka hyötyfunktio on v(x), jos kaikilla x pätee λ u (x) > λ v (x)
34 Kysymyksiä?
35 Kotitehtävät 1.1. Anna esimerkki sellaisesta eläinmaailmassa tapahtuvasta käyttäytymisestä, jossa transitiivisuus ei päde (3p) 1.2. Osoita, että jos on täydellinen (I) niin silloin toteuttaa seuraavan ominaisuuden: (3p) Jos x y, niin y x on epätosi Ohje: x y voidaan lausua muodossa ei päde y x
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 5 Ratkaisuehdotuksia Näissä harjoituksissa viljellään paljon sanaa paradoksi. Sana tulee ymmärtää laajassa mielessä. Suppeassa mielessähän
LisätiedotNollasummapelit 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
LisätiedotArvo (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.
LisätiedotRationaalisen valinnan teoria
Rationaalisen valinnan teoria Rationaalisuuden teoriat 1) Mihin meillä on perusteita uskoa? 2) Mitä meidän pitäisi tehdä? 3) Mitä päämääriä meillä tulisi olla? Näitä kysymyksiä vastaavat uskomusten rationaalisuus,
LisätiedotHaitallinen 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
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
Lisätiedot2. Arvon ja hyödyn mittaaminen
2. Arvon ja hyödyn mittaaminen 1 2 Arvon ja hyödyn mittaaminen 2.1 Miksi tarvitsemme arvofunktiota? Arvofunktio on preferenssien (mieltymysten) matemaattinen kuvaus. Arvofunktio kuvaa päätöskriteeriä vastaavan
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 4 Ratkaisuehdotuksia 1. Olkoon herra K.:n hyötyfunktio u(x) = ln x. (a) Onko herra K. riskinkaihtaja, riskinrakastaja vai riskineutraali?
LisätiedotDerivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2
MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain
LisätiedotProspektiteoria. Systeemianalyysin. Antti Toppila. Esitelmä 4 3. helmikuuta laboratorio Aalto-yliopiston TKK
Prospektiteoria Antti Toppila sivu 1/19 Optimointiopin seminaari keväällä 2010 Prospektiteoria Antti Toppila Esitelmä 4 3. helmikuuta 2009 Prospektiteoria Antti Toppila sivu 2/19 Optimointiopin seminaari
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotYhteistyötä 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
LisätiedotI I K UL U UT U T T A T JANTE T O E R O I R A
II KULUTTAJANTEORIA.. Budjettirajoite * Ihmisten kaikkea toimintaa rajoittavat erilaiset rajoitteet. * Mikrotalouden kurssilla tärkein rajoite on raha. * Kuluttaja maksimoi hyötyään, mutta ei kykene toteuttamaan
LisätiedotMS-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
LisätiedotTaloustieteen 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?
LisätiedotLuento 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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotHaitallinen 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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotHaitallinen 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
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotMatematiikan 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
LisätiedotESS oppiminen ja sen simulointi
ESS oppiminen ja sen simulointi 8.10.2008 Suhteellinen palkkiosumma, RPS = = = = + + = = n i t i t i t i t i i n i i i i P m r P m r t f r r f 1 1 1 1 1 1 1 1 ) ( ) ( ) ( (1) τ τ τ τ τ τ Harleyn (1981)
LisätiedotSosiaaliset hyvinvointifunktiot (Social welfare functions SWF)
Arrow n teoreema Sosiaaliset hyvinvointifunktiot (Social welfare functions SWF) SWF f on sääntö tai prosessi, joka määrittää kullekin joukolle yksilöiden preferenssijärjestyksiä (eli profiilille ) (R 1,...,R
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
LisätiedotTodistusmenetelmiä Miksi pitää todistaa?
Todistusmenetelmiä Miksi pitää todistaa? LUKUTEORIA JA TO- DISTAMINEN, MAA11 Todistus on looginen päättelyketju, jossa oletuksista, määritelmistä, aksioomeista sekä aiemmin todistetuista tuloksista lähtien
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotRatkaisuehdotus 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
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I
MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I G. Gripenberg Aalto-yliopisto 3. huhtikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-A0402 Diskreetin matematiikan perusteetesimerkkejä,
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I G. Gripenberg Aalto-yliopisto 3. huhtikuuta 014 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteetesimerkkejä,
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotINTERVALLIPÄÄTÖSPUUT 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
LisätiedotIV. 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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotLyhyen 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
LisätiedotBayesin 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
LisätiedotSekalaiset 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
LisätiedotTilastollinen 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
LisätiedotLuento 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
LisätiedotDynaaminen 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
Lisätiedot3. 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
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
LisätiedotPRO GRADU -TUTKIELMA. Tomi Salminen. Nashin neuvotteluratkaisu ja Rubinsteinin vuorottelevien tarjousten neuvottelumalli
PRO GRADU -TUTKIELMA Tomi Salminen Nashin neuvotteluratkaisu ja Rubinsteinin vuorottelevien tarjousten neuvottelumalli HELSINGIN YLIOPISTO Soveltava matematiikka Stokastiikan linja 7.3.2013 Ohjaaja: Esa
Lisätiedot8. 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
LisätiedotAdditiivinen arvofunktio
Additiivinen arvofunktio Mat-.44 Optimointiopin seminaari kevät 0 Preferenssi Päätöksentekijällä preferenssi vaihtoehtojen a,b A välillä a parempi kuin b ( a b) b parempi kuin a ( b a) Indifferentti vaihtoehtojen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
LisätiedotMoraalinen uhkapeli: laajennuksia ja sovelluksia
Moraalinen uhkapeli: laajennuksia ja sovelluksia Sisältö Kysymysten asettelu Monen tehtävän malli Sovellusesimerkki: Vakuutus Sovellusesimerkki: Palkkion määrääminen Johtajan palkitseminen Moraalisen uhkapelin
LisätiedotKuluttajan 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 =
LisätiedotYleinen tietämys ja Nashin tasapaino
Yleinen tietämys ja Nashin tasapaino 24.3.2010 Nashin tasapaino Ratkaisumalli kahden tai useamman pelaajan pelille. Yleisesti: Jos jokainen pelaaja on valinnut strategiansa eikä yksikään pelaaja voi hyötyä
LisätiedotInduktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa. väite P(n) on totta kaikille n = 0,1,2,...
Induktiotodistus Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa väite P(n) on totta kaikille n = 0,1,2,.... Tässä väite P(n) riippuu n:n arvosta. Todistuksessa
LisätiedotVarian luku 12. Lähde: muistiinpanot on muokattu Varianin (2006, instructor s materials) muistiinpanoista
Epävaruus Varian luku 12 Lähde: uistiinpanot on uokattu Varianin (2006, instructor s aterials) uistiinpanoista Epävaruus Tähän asti ollaan tarkasteltu kuluttajan optiaalista valintaa sivuuttaen kokonaan
Lisätiedotsaadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 209 4 Funktion raja-arvo 4. Määritelmä. Funktion raja-arvon määritelmän ehdosta ε > 0: δ > 0: f) A < ε aina, kun 0 < a < δ, saadaan kvanttorien järjestystä vaihtamalla
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
Lisätiedot1 + 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
LisätiedotLuonnollisten lukujen ja kokonaislukujen määritteleminen
Luonnollisten lukujen ja kokonaislukujen määritteleminen LuK-tutkielma Jussi Piippo Matemaattisten tieteiden yksikkö Oulun yliopisto Kevät 2017 Sisältö 1 Johdanto 2 2 Esitietoja 3 2.1 Joukko-opin perusaksioomat...................
Lisätiedot(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
LisätiedotPeliteoria 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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotSekastrategiat 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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
LisätiedotSekastrategia 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
LisätiedotLuento 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
LisätiedotMatemaatiikan tukikurssi
Matemaatiikan tukikurssi Kurssikerta 1 1 Funktiot Funktion määritelmä Funktio on sääntö, joka liittää kahden eri joukon alkioita toisiinsa. Ollakseen funktio tämän säännön on liitettävä jokaiseen lähtöjoukon
LisätiedotVäliestimointi (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).
LisätiedotRatkaisuehdotus 2. kurssikokeeseen
Ratkaisuehdotus 2. kurssikokeeseen 4.2.202 (ratkaisuehdotus päivitetty 23.0.207) Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin
LisätiedotOsittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
LisätiedotLuento 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
Lisätiedotsaadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 208 4 Funktion raja-arvo 4 Määritelmä Funktion raja-arvon määritelmän ehdosta ε > 0: δ > 0: fx) A < ε aina, kun 0 < x a < δ, saadaan kvanttorien järjestystä vaihtamalla
Lisätiedot4.1. 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
LisätiedotV 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
LisätiedotX R Matematiikan johdantokurssi, syksy 2016 Harjoitus 5, ratkaisuista
Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Olkoon perusjoukkona X := {,,,, } ja := {(, ), (, ), (, ), (, )}. Muodosta yhdistetyt (potenssi)relaatiot,,,. Entä mitä on yleisesti n, kun
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotSignalointi: 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
LisätiedotMatematiikan 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
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
LisätiedotLuento 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
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotTodista suoraan integraalin määritelmään perustuen tasointegraalin ominaisuus. λ f = λ f,
7. Taso- ja avaruusintegraali 7.1. Tasointegraalin määrittely 205. Tarkastellaan funktiota f (x,y) = x+y neliössä {(x,y) 0 x 1, 0 y 1}. Neliö jaetaan suorilla x = a ja y = b neljään osasuorakulmioon; 0
LisätiedotLuento 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, 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
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotMartingaalit ja informaatioprosessit
6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on
Lisätiedot2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)
Approbatur 3, demo, ratkaisut Sovitaan, että 0 ei ole luonnollinen luku. Tällöin oletusta n 0 ei tarvitse toistaa alla olevissa ratkaisuissa. Se, pidetäänkö nollaa luonnollisena lukuna vai ei, vaihtelee
LisätiedotLuento 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,
LisätiedotViime kerralta. Y56 Luento2. Kuinka valita piste budjettisuoralta? Mitä tänään opitaan?
..00 Viime kerralta Taloustiede mallintaa yhteiskunnan toimintaa Y56 Luento Preferenssit ja Hyöty Valintojen tekemistä niukkuuden vallitessa Vaihtoehtoiskustannus ja trade-off Valinnoista aiheutuvien hyötyjen
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotKarteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21
säilyy Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla c b a 1 2 3 5 1 / 21 säilyy Esimerkkirelaatio R = {(1, b), (3, a), (5, a), (5, c)} c b a 1
LisätiedotLUKU II HOMOLOGIA-ALGEBRAA. 1. Joukko-oppia
LUKU II HOMOLOGIA-ALGEBRAA 1. Joukko-oppia Matematiikalle on tyypillistä erilaisten objektien tarkastelu. Tarkastelu kohdistuu objektien tai näiden muodostamien joukkojen välisiin suhteisiin, mutta objektien
LisätiedotToistetut 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.
LisätiedotEvolutiivisesti 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
LisätiedotMatematiikan 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
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
Lisätiedot