Moraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä

Samankaltaiset tiedostot
Painotetun metriikan ja NBI menetelmä

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Jaksolliset ja toistuvat suoritukset

Epätäydelliset sopimukset

Tchebycheff-menetelmä ja STEM

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

3.5 Generoivat funktiot ja momentit

Kokonaislukuoptimointi

Mat Lineaarinen ohjelmointi

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

4. A priori menetelmät

Yrityksen teoria ja sopimukset

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

Eräs Vaikutuskaavioiden ratkaisumenetelmä

HASSEN-WEILIN LAUSE. Kertausta

Yrityksen teoria. Lari Hämäläinen S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

ABTEKNILLINEN KORKEAKOULU

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Luento 6 Luotettavuus Koherentit järjestelmät

Mat Lineaarinen ohjelmointi

6. Stokastiset prosessit (2)

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Monte Carlo -menetelmä

7. Modulit Modulit ja lineaarikuvaukset.

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

AB TEKNILLINEN KORKEAKOULU

r i m i v i = L i = vakio, (2)

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Kuluttajahintojen muutokset

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

4. MARKKINOIDEN TASAPAINOTTUMINEN 4.1. Tasapainoperiaate Yritysten ja kuluttajien välinen tasapaino

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

3 Tilayhtälöiden numeerinen integrointi

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

3. Datan käsittely lyhyt katsaus

Mat Sovellettu todennäköisyyslasku A

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Hallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä Palautuspäivä

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Kanoniset muunnokset

11. Vektorifunktion derivaatta. Ketjusääntö

Aamukatsaus

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

FYSA220/2 (FYS222/2) VALON POLARISAATIO

Suurivaltaisin, Armollisin Keisari ja Suuriruhtinas!

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

Mat Tilastollisen analyysin perusteet, kevät 2007

3.3 Hajontaluvuista. MAB5: Tunnusluvut

Mekaniikan jatkokurssi Fys102

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

Yksikköoperaatiot ja teolliset prosessit

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

Johdatus tekoälyn taustalla olevaan matematiikkaan

Reaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

W Hz. kohinageneraattori. H(f) W Hz. W Hz. ELEC-A7200 Signaalit ja järjestelmät Laskuharjoitukset. LASKUHARJOITUS 5 Sivu 1/7

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

LIGNIININ RAKENNE JA OMINAISUUDET

VERKKOJEN MITOITUKSESTA

Hyrynsalmen kunta, jäljempänä kunta. Laskutie 1, HYRYNSALMI. Kohde sijaitsee Hallan Sauna- nimisessä kiinteistössä.

Tilastollisen fysiikan luennot

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

Työllistääkö aktivointi?

PPSS. Roolikäyttäytymisanalyysi Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN Vantaa info@mlp.

Tchebycheff-menetelmä ja STEM

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

TULEVAISUUDEN KILPAILUKYKY VAATII OSAAVAT TEKIJÄNSÄ. Suomen Ammattiin Opiskelevien Liitto - SAKKI ry

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely

A250A0100 Finanssi-investoinnit Harjoitukset

Mat Tilastollisen analyysin perusteet, kevät 2007

- Keskustelu symbolein. i

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

10.5 Jaksolliset suoritukset

Jäykän kappaleen liike

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

1ap/100. pv-1. p AK/s. p p-1. 1ap/100. pv-1. ai t20. pv-1. 1ap/100. sr t45. is-1. jä ai. pv-1 IV. p-1. 1ap/100. kaukolämpö AK-1 ju

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

Sisältö. Päätöksenteon heuristiikat ja harhat. Heuristiset harhat. Intuitio ja tiedon saatavuus. Heuristiset harhat

Luento 9. June 2, Luento 9

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Valtuustoon nähden sitovat mittarit

5. Datan käsittely lyhyt katsaus

Uuden opettajan opas

- Keskustelu symbolein. i

Kollektiivinen korvausvastuu

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

Transkriptio:

Moraalnen uhkapel: N:n agentn tapaus el moraalnen uhkapel tmessä Mat-2.4142 Optmontopn semnaar Ismo Räsänen 4.3.2008 S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 1

Päämes vs. tm Ongelma Vapaamatkustus Klpalutus Ratkasuja kannustmet valvonta suortusten arvont Kottehtävä Aheet S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 2

Ryhmäkannustmet: determnstnen yhtestuotto Agentteja n kpl Havatsematon tomnta (tuotantopanos) Ykstynen (e-rahallnen) kustannus v adost konveks, dfferentotuva ja kasvava s.e. ( 0) = 0 v Yhtenen rahallnen tuotos a A = [ 0, ) : A R x adost kasvava, konkaav, ja dfferentotuva s.e. x( 0) = 0 v x : A R S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 3

Ryhmäkannustmet: determnstnen yhtestuotto Jakosääntö agentn osuus tuotoksesta x Agentn s (x) preferenssfunkto u ( m, a ) = m v ( a ) alkupääomat (ntal endowment of money) äärellsä ja normalsotu nollaan S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 4

Ryhmäkannustmet: determnstnen yhtestuotto Vodaanko x jakaa kokonaan s.e. agentten eyhtestyöpeln (EY-pel) tuloksena agentella on Pareto-optmaalnen Nashn tasapano? El löytyykö s ( x) 0, s.e. n (1) budjett tasapanossa s x x x = ( ) =, 1, (2) EY-peln tuotot ovat s x( a)) v ( a ), (3) Pareto-optmaalnen Nashn tasapano a* = arg max a A [ ] n x( a) v ( a ) = 1 ( = 1, K, n S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 5

Ryhmäkannustmet: determnstnen yhtestuotto Teoreema 1: E ole olemassa sellasa jakosääntöjä { s (x)}, jolla (1) toteutuu ja samaan akaan a* tuottas Nashn tasapanossa EY-peln tuotoks (2). Johtopäätös: Tehokkuutta e voda saavuttaa jakamalla kakk yhtenen tuotto x s.e. oletetaan (1). S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 6

Teoreema 1:n seurauksa Vapaamatkustus Syy: Hujaava agentteja e voda tunnstaa, jos yhtestuotos x on anoa havattava merkk agentten panokssta Ratkasu: Kannustmn motvotu (okeus nettoansohn) päämes valvomaan osakkuudesta kaptalsmn Teoreema 2:n mukaset kannustmet S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 7

Vapaamatkustuksen ratkaseva jakosääntö Teoreema 2: On olemassa joukko käypä jakosääntöjä s ( x) 0,, kun relaksodaan (1) n el asetetaan s x x ja saadaan tomnnat =1 ( ) a* Nashn tasapanoon. Todstus: Otetaan s ( x) b, = 0, x( a*) x( a*). (8) Valtaan b s.e. b = x( a ) b > ja v ( a ) > 0. Tällön x( a ) v ( a ) > 0. Tällön a* on paretooptmaalnen ja Nashn tasapanossa.q.e.d. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu x x < Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 8

Teoreema 2:n tomnta vapaamatkustuksen ktkemsessä Relaksomalla budjetttasapanorajotusta (1) saadaan ottaa käyttöön (determnstsen yhtestuotoksen tapauksessa) agentten käytöstä valvovat sakot (ta bonukset ta uhat). Mutta ryhmäsakot tomvat van, jos ntä toteuttaa päämes. Tm e saa ntä tse toteuttaa (sllon sakot jäsvät toteuttamatta). Päämehen (havatsematon) tuotantopanostus on kelletty. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 9

Teoreema 2:n tomnta vapaamatkustuksen ktkemsessä Sakon käytön lsäks on mahdollsta käyttää myös stouttamsta el tmn jäsenet maksavat ennakkoon x(a*) ja saavat osuuden s ( a*) = x Stouttamsessa agentten tulojen rajaukset (endowment constrants) vovat olla ongelma Johtopäätös: Päämehen päärool on meluummn asettaa tmlle valvovat kannusteet (rkkomalla samalla budjetttasapanon) kun valvoa tmä. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 10

Oletukset: Ryhmäkannustmet: satunnanen yhtestuotto agentt rskneutraaleja panostusten kustannus kuten aemmn yhtenen tuotos x( a, θ ) satunnanen olosuhteen kautta (esm. kone, jota van valvotaan) agentella samanlaset uskomukset kosken epävarmaa θ :aa θ S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 11

Ryhmäkannustmet: satunnanen yhtestuotto Tarkastellaan yhtestuotoksen x jakaumaa pelkästään a:n funktona x:n ehdollnen jakauma F(x,a) ja theysfunkto f(x,a) annetulla a Oletetaan, että F ( x, a) = F( x, a) / a ja f ( x, a) = f ( x, a) / ovat olemassa & ( x, a) a S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 12

Ryhmäkannustmet: satunnanen yhtestuotto Oletus 1: F(x,a) on a:n konveks funkto Globaal optm Oletus 2: F ( x, a) / F( x, a) (ta x:n alarajaa) Oletus 3: x + S ysteemanalyysn Laboratoro Teknllnen korkeakoulu F ( x, a) / 1 F( x, a) (ta x:n ylärajaa), kun ( ), kun Oletus 2 ja 3 tulktaan s.e. hyvn penllä ja suurlla x:n arvolla vodaan tarkast havata onko tomnta ollut haluttua. Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 x 13

Ryhmäkannustmet: satunnanen yhtestuotto Oletus: sellaset jakosäännöt, jolla s x x ( Teoreema 3: Kun oletukset 1 ja 2 pätevät, teoreeman 2 optmaalnen ratkasu jakosäännöks vodaan approksmoda melvaltasen tarkast käyttämällä ryhmäkannustma. On ss olemassa tehokkata sakkoja, jolla saadaan paras tuotos vakka tuotoksen suhteen ols epävarmuutta. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu n =1 ) Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 14

Teoreema 3:n todstus: x, x ~ x x < ~ x Jakosääntönä, s ( x) = s s x k mssä k > 0 ja s = 1. (9) toteuttaa budjettrelaksaaton, ja se kuvaa joka agentn sakon k, jos krttstä yhtestuotostasoa ~ x Jotta a* on Nashn tasapano (9):llä on välttämätön ja rttävä ehto (oletuksella 1) ( ~ s E ( a ) k F x, a ) v ( a ) = 0, = 1, K, n mssä E(a)=Ex(a) odotettu yhtestuotos ja E ( a) = Ex( a) / a., (10) (9) S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 15

Teoreema 3:n todstus: Knntetään ja valtaan k s.e. (10) toteutuu. Odotettu jäännös on W = k F( ~ x, ). x~ Näytetään, että W vodaan saada melvaltasen peneks: (10):stä saadaan a ( ~ k = A / F x, a ), mssä A = se ( a ) v ( a ) (11) Annetaan ~ x : n penentyä ja säädetään k tä : s.e. (11) toteutuu. Sllon jäännökseks saadaan ( ~ ( ~ W = A F x, a ) / F x, a ), joka menee nollaan oletuksen 2 nojalla. Q.E.T. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 16

Teoreema 3:n seurauksa Jos x:n jakauma tukka el x~, jolle F on suur, kun F / F on pen (esm. suurvaranssnen log-normaaljakauma), sllon saadaan ana hyvä approksmaato parhaalle ratkasulle Mutta jos x jakautunut laajemmn s.e. F on pen x ~, sllon tehokkuuden lasku on merkttävä varallsuusrajotuksen (wealth constrants) vakutuksesta S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 17

Teoreema 3:n seurauksa Satunnasella yhtestuotoksella tulorajotukset (endowment constrants) rajottavat tmn kokoa, jota vodaan tehokkaast valvoa sakolla, sllä S ysteemanalyysn Laboratoro Teknllnen korkeakoulu kun n kasvaa F 0, ja kun E (a) on rajotettu, päädytään shen, että a 0, koska (10) vomassa ja s 0 ( koska s = 1). Joskus tähän ongelmaan vodaan löytää ratkasu maksamalla bonuksa kuten seuraava teoreema ehdottaa Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 18

Ryhmäkannustmet: satunnanen yhtestuotto Teoreema 4: Oletusten 1 ja 3 pätessä, paras tuotos vodaan pakottaa päämehelle mtättömn kustannuksn rajattomalla varallsuudella (unbounded wealth), vakka agentten tulot (endowments) olsvatkn rajotettuja. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 19

Ryhmäkannustmet: satunnanen yhtestuotto Todstus teoreemalle 4 on dealtaan samankaltanen kun teoreema 3:lla Idea:Päämes jakaa rahat bonuksna s.e. s = : s ( x) b, = s x( a*), x x > ~ x ~ x b 1 Bonuksa ja x~ :ää säädetään s.e. a* sälyy Nashn tasapanossa, kun päämehen odotetut kustannukset ( )( 1 ( ~ x, a*) ) menevät nollaan (oletus 3) b F S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 20

Ryhmäkannustmet yhteenveto E yhtestyötä agentten välllä Jos tuotos determnstnen, relaksomalla budjetttasapanon ja käyttämällä (jaettavan) tuotoksen haaskaava sakkoja ta tuotoksen ylttävä bonuksa, postetaan vapaamatkustus Jos tuotos e ole determnstnen, kannusteet tmlle tomvat kohtuullsen hyvn jossakn tlantessa. Jos agentten määrä kasvaa ja jos he ovat rskä karttava ta jos agentten tulot (endowments) rajataan, tehokkuus hekkenee. Tällön valvonta avuks, koska optmaalnen ratkasu e ole tarjolla. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 21

Rttävä tunnusluku Ylestä mallsta: rskneutraal päämes, rskä karttavat agentt päämehen rskneutraalsuudesta seuraa rsknjaon hyödyttömyys agentn hyötyfunkto separotuva rahahyödyks ja tomnnan kustannukseks tuotos anoastaan sgnaal agentten tomsta Olkoon y havattu sgnaal tomsta a. y vo ssältää x:n mutte ole pakko. y:n theysfunkto on g(y,a). S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 22

Rttävä tunnusluku sgnaallle y a = ( a, K, a 1, a+ 1, K, an), a = Määrtelmä: Funkto T (y) on rttävä y:lle suhteen, jos on olemassa funktot ) 0, s.e. g( y, a) h ( y, a ) p ( T ( y), a), y, a g : = T ( y) = ( T ( y1), K, T ( yn)) on rttävä y:lle a:n suhteen, jos jokanen T (y) on rttävä y:lle. ( a, a 1 ) a : n h ( p ( ) 0 n tueks S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 23

Rttävä tunnusluku sgnaallle y Teoreema 5: Oletetaan, että T y) = ( T ( y ), K, T ( y on rttävä y:lle a:n suhteen. Sllon annettuna mkä tahansa kokoelma kannustnjärjestelmä { s (y)}, on olemassa joukko järjestelmä ~ s ( T ) jotka Pareto-domnovat hekost { s (y)}. ( 1 n { }, )) S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 24

Teoreema 5:n seurauksa Agentt saa saman odotetun hyödyn molemmlla järjestelmllä, joten sama tomntakn. Lsäks päämes saa vähntään yhtä suuren hyödyn ~ s ( T ) : llä kun s( y ) : llä. Jos agentn hyötyfunkto on separotuva, jakosääntö saa olla satunnanen enntään agentn tomsta kertoven sgnaalen kautta ja sks ylenen kohna on suodatettava S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 25

Globaalst rttävä tunnusluku Määrtelmä: ja, T sgnaallle y T (y) on rttävä a:ssa, jos kaklla ga ( y1, a) ga ( y2, a) = lähes kaklla y1, y2 g( y, a) g( y, a) = 1 2 { y T ( y) T } (17) T(y) on globaalst rttävä, jos (17) on totta kaklla a ja ja globaalst rttämätön, jos jollan (17) e ole totta kaklla a. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 26

Globaalst rttävä tunnusluku sgnaallle y Teoreema 6: Oletetaan, että T(y) on globaalst e-rttävä y:lle. Otetaan kokoelma vahtuva jakosääntöjä { s ~ ( y) = s ( T ( y)) } s.e. agentten tomnnat ovat unkssa tasapanossa. Sllon on olemassa jakosäännöt { ~ s ( y )}, jotka antavat adon Pareto-parannuksen. Lsäks { ~ s ( y )} vodaan valta s.e. saadaan samat tasapanon tomnnat kun säännöllä { s (y)} saatn. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 27

Teoreema 6:n seuraus Jos T(y) e ole rttävä tunnusluku y:lle (optmaalsella a), käyttämällä kakka y jakosäännön perusteena pärjätään adost paremmn. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 28

Suhteellnen suortuksen arvont Ylestä: ja klpalu agentten kesken systeemssä nformaatota paljon, joten vodaan ertellä tuotto jokasen ykslön panoksen mukaan, x( a, θ ) = x ( a, θ ), θ = ( θ1, K, θn ), mssä kakk x : t havataan erkseen Jos θ : t ovat determnstsä, tehokkuus saavutetaan asettamalla joka agentt vastuuseen omasta tuotoksestaan S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 29

Suhteellnen suortuksen arvont ja klpalu agentten kesken Entäpä, jos : t ovat satunnasa? θ Epävarmuutta vodaan kuvata seuraavast: θ Ryhmä työntekjötä tekemässä samanlasa tehtävä s.e. jokasen agentn tuotanto rppuu agentn ponnstelusta, kaklle työntekjölle yhtesestä kohnasta ja ertysestä kohnasta η. Tm samassa kaupassa tekee osttan tsenäsä tehtävä ja käyttää yhtesä työkaluja η. ε ε S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 30

Suhteellnen suortuksen arvont ja klpalu agentten kesken Sjotusjärjestys-turnaus palktsee agentt anoastaan suortussjotuksen mukaan ekä tuotoksen perusteella n agentta ja n palkntoa; korken tuotos saa suurmman palkkon, toseks korken toseks suurmman palkkon jne. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 31

Suhteellnen suortuksen arvont ja klpalu agentten kesken Teoreema 7: Oletetaan, että x : t ovat monotonsa θ : n suhteen. Sllon agentn optmaalnen jakosääntö rppuu anoastaan ykslön tuotoksesta joss kakken tuotokset ovat rppumattoma η = 0 ( ). S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 32

Teoreema 7:n seurauksa Johtaa shen, että agentten pakottamnen klpalemaan keskenään on tsessään arvotonta, jos e ole ylestä kohnaa η. Anoa hyöty on teto vertassuortukssta. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 33

Teoreema 7:n seurauksa Jos agentten tuotokset ovat rppumattoma, Sjotusjärjestys-turnaus tuottavat huonompa suortuksa kun agentten palktsemnen hedän tsenäsen tuotoksen pohjalta (Teoreema 7). Jos tuotokset rppuvat tosstaan, sllon Sjotusjärjestys-turnaus vo toma. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 34

Teoreema 7:n seurauksa Mutta...Sjotusjärjestys-turnaukset vovat hukata paljon nformaatota, jos suortusta votasn mtata kardnaalsest. Esm. agentten tuotokset x = ( x 1, K, x n ) kuvataan tunnusluvuks T ( x) = ( k1( x), K, kn( x mssä k (x) on agentn sjotus. Tästä e saa rttävää tunnuslukua a:lle (pats trvaalt tapaukset) Teoreema 6 sanoo, että ols paremp tapa käyttää x:ää, mkäl mahdollsta. )), S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 35

Teoreema 8 Kaks erlasta tuotosta: I : II : x ( a, θ ) = x ( a, θ ) = a + η + ε, a ( η + ε ), = 1, K, n, = 1, K, n. Tässä θ = ( η, ε ), mssä η on ylesen kohnan parametr ε : t ja ovat rppumattoma ertysä rskejä. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 36

Teoreema 8 Kaks teknologaa I ja II. Oletetaan, että η, ε, K 1, ε n ovat rppumattoma ja normaaljakautuneta. Olkoon x = α x agentten tuotosten panotettu keskarvo. Teknologalle I α = τ / τ, mssä τ on ε : tarkkuus (varanssn kääntesluku). Teknologalle II α = τ / τ a, mssä a on agentn vastaus tasapanotlanteessa. Molemmssa tapauksssa optmaalnen jakosääntö rppuu anoastaan x : stä ja x : stä. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 n 37

Teoreema 8:n seurauksa Joskus ss kokonasmtta kuten panotettu keskarvo vertassuortuksesta vo ssältää kaken oleellsen tedon ylesestä kohnasta Panotetun keskarvon rttävyys on kutenkn normaaljakaumalle ertynen omnasuus Huomaa, että teoreema 8 e vätä, että jakosäännön ptäs rppua x x : stä vaan anoastaan, että se on muotoa s ( x, x). η. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 38

Teoreema 8:n seurauksa Se, että er agentten tuotokset ovat er tavalla panotettuja x : n laskemsessa vttaa skaalaus- ja er tetolähteden arvoerohn Erot skaalauksessa korjataan jakamalla xj a j : llä mkä tulktaan tuottavuuden (rate of return) mttarna S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 39

Teoreema 8:n seurauksa Informaatoarvot eroavat, jos ε j : llä on er tarkkuus Jos ε j : llä on korkea tarkkuus (pen varanss), x j kertoo tarkemmn η : n arvon ja saa suuremman panon keskarvossa El ne x j : t, jotka ovat vahvast korrelotuneet x : n kanssa, ptäs olla merkttävämpä ndkaattoreta agentn suortuksen arvonnssa S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 40

Teoreema 8:n seurauksa Tosnpän: kun τ 0, x j e kerro paljon mtään η : sta ε j : n kohnan vuoks, ja sks sllä e anneta paljon panoa S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 41

Suuret tmkoot teknologolla I η ja II Jos tunnetaan jälkkäteen, teoreeman 5 mukaan se ptäs suodattaa pos, jotta akaansaadaan parannus. Myöskään e ols tarpeen vertalla yksttästen agentten tuotoksa, koska ne olsvat tosstaan ehdollsest rppumattoma η : lla (vrt. teoreema 7). S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 42

Suuret tmkoot teknologolla I ja II Ss n:n agentn kannustnongelma yhtenee n:n rppumattoman agentn ongelmaan, kun η tunnetaan jälkkäteen. Tällön optmaalset kenot rppuvata + ε (teknologalle I) ja aε, koska η : n havannont sall näden muuttujen havannonnn. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 43

Suuret tmkoot teknologolla I η ja II Jos e havata jälkkäteen, agentten määrän kasvaessa, vodaan η päätellä rppumattomsta sgnaalesta x. Tällön agentten määrän kasvaessa saavutetaan approksmatvsest sama tulos kun jos ols η = 0. Agentten määrän kasvaessa vodaan ss ylenen kohna havata raja-arvona ja tällön postaa agentten vastuulta (oletus teknologosta I ja II e välttämätön). S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 44

Kottehtävä Met ja anna esmerkk kunka käyttäst Holmströmn edellä kästeltyjä tuloksa okeassa elämässä. S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn semnaar - Kevät 2008 45