Proseminar Spieltheorie - Mehrstufige Spiele -
|
|
- Benjamin Fuhrmann
- vor 6 Jahren
- Abrufe
Transkript
1 Proseminar Spieltheorie - Mehrstufige Spiele - Thorsten Tasch 11. Mai 006 Zusammenfassung Wir haben bis jetzt fast ausschließlich Spiele betrachtet, die aus jeweils genau einem Spielzug zweier Spieler bestehen. In diesem Abschnitt soll nun auf Spielen mit mehreren Zügen näher eingegangen werden. Dazu werden wir als erstes den Begriff der Verhaltensstrategie einführen, der eine für solche Spiele bessere Beschreibung von Strategien zulässt. Danach sollen mit den Spielen bis zur Erschöpfung und den stochastischen Spielen exemplarisch zwei Beispiele solcher Spiele näher betrachtet werden. 1 Verhaltensstrategien Bis jetzt haben wir zur Beschreibung von Strategien auschließlich reine und gemischte Strategien benutzt. Diese Möglicheit der Beschreibung war sowohl für die betrachteten Zwei-Personen-Nullsummenspiele als auch für die schon weitergehenden unendlichen Spiele immer ausreichend und zwecmäßig. Wir wollen nun Spiele betrachten, die auch aus vielen einzelnen Spielzügen bestehen, was uns am Ende dieses Abschnittes zur Definition der mehrstufigen Spielen führen wird. Zunächst soll jedoch untersucht werden, ob die bisherigen Strategiebegriffe noch ausreichend und sinnvoll anwendbar sind. Betrachten wir als erstes das beannte Spiel Vier-Gewinnt. Das Konzept der reinen und gemischten Strategien impliziert, dass der Spieler am Anfang alle möglichen reinen Strategien, d. h. Zugfolgen, überbedent und seine Entscheidung dann für eine seiner reinen Strategien trifft. Niemand würde dieses Spiel aber so spielen. Stattdessen trifft man als Spieler nur eine Entscheidung Zug für Zug; dies führt dann auch dazu, dass er bei seiner Entscheidung die Züge seines Gegners mitberücsichtigen ann. Statt sich schon am Anfang für eine seiner 1 N reinen Strategien zu entscheiden würde sich der Spieler also in jeder seiner N Informationsmengen jeweils zwischen i Möglicheiten wählen. Ein solches Konzept wäre also näher an der Realität. Dies führt auch zu pratischen Erleichterungen, weil sonst die Anzahl der reinen Strategien bei langen Spielen äußerst groß werden ann. Betrachten wir dazu zur Vereinfachung ein vollständiges Spiel, sondern nur ein Spieler und seine Entscheidungsmöglicheiten. Seien dazu Parplätze und Autos gegeben. Der Spieler muss alle Autos auf die Parplätze verteilen (pro Parplatz natürlich nur ein Auto!). Die Reihenfolge der Wagen ist dabei fest vorgegeben und wir setzen weiterhin voraus, dass nach jedem Einparen die Parplätze unter Auslassung der schon belegten neu durchnummeriert werden, d. h. wir brauchen uns 1
2 um besetzte Parplätze eine Gedanen zu machen. Während er für Wagen 1 noch Möglicheiten hat, sind es für Wagen nur noch 1 Möglicheiten; insgesamt gibt es also! Möglicheiten, die Autos auf die Parplätze zu verteilen, und damit insgesamt! reine Strategien. Die Menge der gemischten Strategien hat damit die Dimension! 1. Wie im obigen Beispiel liegt es also nahe, die durch die gemischte Strategien beschriebenen Wahrscheinlicheitsverteilungen statt wie vorher global jetzt loal zu realisieren. Dazu wollen wir jetzt einen neuen Begriff einführen: 1.1 Definition (Verhaltensstrategie). Eine Menge von Wahrscheinlicheitsverteilungen, die jeweils auf einer Informationsmenge definiert sind, heißt Verhaltensstrategie. Wenden wir dies nun auf unser Beispiel an: Wie oben haben wir für den ersten Wagen Möglicheiten, die Menge der zugehörigen Wahrscheinlicheitsverteilungen hat also die Dimension 1, und wir erhalten als Dimension der Menge der Verhaltensstrategien ( i) = i=1 ( 1) (1.1) Diese Zahl ist offensichtlich wesentlich geringer als die Dimension der Menge der gemischten Strategien. Wir önnen sogar zu jeder Verhaltensstrategie eine in Bezug auf die erwartete Auszahlung äquivalente gemischte Strategie bestimmen. Dazu betrachtet man jede reine Strategie einzeln; die Wahrscheinlicheit für das Spielen dieser Strategie ist dann gerade das Produt der zugehörigen loalen Wahrscheinlicheiten. Umgeehrt gilt dies jedoch i. A. nicht, was folgendes Beispiel verdeutlicht: 1. Beispiel. Betrachten wir aus dem Buch das Beispiel II.5.9, das durch folgende Grafi beschrieben wird: Die optimale Strategie von Spieler in diesem Spiel ist
3 (0, 5 7,, 0) (1.) 7 Angenommen, diese Strategie wäre durch eine Verhaltensstrategie (y 1, y ) darstellbar (Anmerung: Dies ist eine im Buch verwendete Kurzschreibweise; die Wahrscheinlicheitsverteilung in der ersten Informationsmenge ist dann (y 1, 1 y 1 ) und in der zweiten (y, 1 y )). Offensichtlich wäre damit die gemischte Strategie (y 1 y, y 1 (1 y ), (1 y 1 )y, (1 y 1 )(1 y )) (1.3) Man sieht aber sofort, dass damit die schon beannte optimale gemischte Strategie nicht darstellbar ist. Somit ist das Spiel mit Hilfe von Verhaltensstrategien nicht lösbar. Das Problem resultiert daher, dass der Spieler bei seinem zweiten Zug die Folgen seines ersten Zuges nicht beachtet bzw. sich gar nicht mehr an seine damalige Entscheidung erinnern ann. Man spricht daher von Spielen mit unvollommenen Erinnerungsvermögen; die Definition dafür wollen wir nun urz festhalten: 1.3 Definition (Perfetes Erinnerungsvermögen). Ein Spiel heißt Spiel mit perfetem Erinnerungsvermögen, wenn jedem Spieler alle Informationen, die ihm schon zu einem früheren Zeitpunt beannt waren, auch zu jedem späteren Zeitpunt beannt sind. Auf diese Problemati soll im Folgenden nicht weiter eingegangen werden. Stattdessen werden unsere Spiele vom Grundsatz her immer folgenden Aufbau haben: Vor jedem Spielzug besitzen beide Spieler volle Information. Spieler 1 spielt eine seiner reinen Strategien. Daraufhin spielt auch Spieler eine seiner reinen Strategien, ohne über den Zug von Spieler 1 Kenntnis zu haben. Die Runde wird durch einen möglichen Zufallszug abgeschlossen. Abschließend erhalten beide Spieler wieder gleichzeitig volle Information. Es versteht sich von selbst, dass dies nicht bei jedem Spiel exat gleich sein muss. Die Grundidee, ein Spiel in einzelne Spielrunden, sog. Stufen, einzuteilen, zu deren Beginn beide Spieler volle Information besitzen, wird aber bei den im Folgenden exemplarischen vorgestellten Spieltypen immer dieselbe sein. Außerdem gleichen die einzelnen Stufen den schon beannten Zwei-Personen-Nullsummenspielen, die nur um einige neue Elemente für mehrstufige Spiele erweitert werden. Spiele bis zur Erschöpfung Der Leitgedane der Spiele bis zur Erschöpfung ist, dass jeder Spieler mit einer endlichen Reserve beginnt. In jeder Stufe des Spiels wird dann die Reserve (mindestens) eines Spielers gemindert. Zusätzlich sind auch gemeinsame Reserven, z. B. zur Repräsentation eines zeitlichen Fators, denbar. Aus der Endlicheit der Reserven folgt damit gezwungermaßen die Endlicheit des Spiels. Sieger ist derjenige Spieler, der am Ende des Spiels seine Reserve noch nicht aufgebraucht hat. Alternativ ann man sich ein solches Spiel auch so vorstellen, dass in jeder Runde ein Spieler Punte gutgeschrieben riegt und der Spieler gewinnt, der zuerst eine vorgegebene Puntzahl erreicht. 3
4 Wie angeündigt sollen zur Beschreibung dieser Spiele die von den Zwei- Personen-Nullsummenspiele beannten Matrizen verwendet werden. Neben einer Auszahlung önnen diese jetzt aber alternativ auch als Eintrag die Anweisung für das Spielen der nächsten Stufe enthalten. Da nach Definition das Spiel endlich ist, existiert mindestens eine Matrix, die nur Auszahlungen als Einträge enthält. Offensichtlich ist es also möglich, solche Spiele rücwärts zu lösen. Genau dieser Sachverhalt soll im folgenden Beispiel gezeigt werden:.1 Beispiel. In diesem Spiel existieren zwei Spieler, die in jeder Runde die Wahl zwischen zwei Möglicheiten haben, sagen wir Kopf oder Zahl. Wählen beide Spieler dieselbe Auswahlmöglicheit, so erhält Spieler 1 einen Punt, im anderen Fall Spieler. Das Spiel ist zu Ende, sobald ein Spieler zwei Punte hat; damit ist das Spiel auf maximal drei Runden begrenzt. Die Auszahlung soll die Differenz der Puntzahlen beider Spieler sein. Das Spiel lässt sich durch folgende vier Matrizen beschreiben: Γa Γ Γ 1 = b (.1) Γ b Γ a Γ3 Γ a = (.) Γ 3 Γ3 Γ b = (.3) Γ Γ 3 = (.4) 1 1 In den Matrizen bedeutet dabei der Eintrag Γ, dass bei Wahl dieser Möglicheit das Spiel Γ gespielt werden soll. Da wir nur mit Erwartungswerten rechnen, dürfen wir diesen Eintrag gegen den Wert des Spiels Γ ersetzen. Deshalb lassen sich der Werte der Spiele und die optimalen Strategien der Spieler dadurch bestimmen, indem man suzessive die Werte der einzelnen Matrizen berechnet und passend einsetzt. Dazu önnen wir das im Kapitel über Zwei-Personen-Nullsummenspiele erworbene Wissen nutzen, u. a. also folgende Formeln für Spiele ohne Sattelpunt: det(γ) v = (1, 1) adj(γ)(1, 1) T (.5) (1, 1) adj(γ) x = (1, 1) adj(γ)(1, 1) T (.6) y = adj(γ)(1, 1) T (1, 1) adj(γ)(1, 1) T (.7) Im Beispiel erhält man für die Spiele folgenden Werte: v 1 = 0 (.8) v a = 1 (.9) v b = 1 (.10) v 3 = 0 (.11) 4
5 Im letzten Schritt bestimmen wir noch die optimale Strategien beider Spieler für die einzelnen Spiele: x 1 =, 1 ) y 1 =, 1 ) (.1) x a =, 1 ) y a =, 1 ) (.13) x b =, 1 ) y b =, 1 ) (.14) x 3 =, 1 ) y 3 =, 1 ) (.15) Der Wert v 1 = 0 und die optimalen Strategien zeigen, dass dieses Spiel wirlich ein faires Zufallsspiel ist und nicht ein Spieler bevorzugt wird. Wie man sich leicht vorstellen ann, ist es zu aufwändig, längere Spiele nach diesem Verfahren von Hand zu lösen. Häufig lassen sich jedoch reursive Beziehungen zwischen den einzelnen beschreibenden Matrizen finden, die zu einer allgemeinen Lösung führen önnen. Allerdings önnen dabei auch äußerst omplizierte Differentialgleichungen entstehen, die aum lösbar sind. Einen einfachen Fall zeigt folgendes Beispiel:. Beispiel. Beide Spieler besitzen jeweils N Karten, davon je eine Trumpfarte. Offensichtlich dauert dieses Spiel also höchstens N Runden. Spielen Spieler 1 und Spieler ihre Trumpfarten, so erhält Spieler 1 einen Punt; spielt nur Spieler seine Trumpfarte, so erhält Spieler einen Punt. Wenn Spieler 1 seine Trumpfarte spielt, Spieler dagegen nur eine normale Karte, so erhält niemand einen Punt. In allen drei Fällen ist das Spiel damit auch beendet. Im letzten Fall, d. h. wenn ein Spieler seine Trumpfarte spielt, geht das Spiel in seine nächste Runde. Dieses Spiel lässt sich für N > 1 reursiv durch folgende Matrix beschreiben: 1 0 Γ N = (.16) 1 Γ N 1 Zusätzlich gilt für den Wert des Spiels folgende Anfangsbedingung: v 1 = 1 (.17) Zuerst ist zu überprüfen, ob Γ N einen Sattelpunt besitzt. Dies ist für N = offensichtlich nicht der Fall. Für unsere weiteren Betrachtungen wollen wir den Wert des Spiels explizit angeben; es gilt Mittels Indution folgt dann v N = v N 1 + v N 1 (.18) 1 v N = N 1 (.19) Damit gilt v N > 0 für alle N N und somit hat Γ N einen Sattelpunt. Daher beschreibt das so bestimmte v N den Wert jedes Spielelements. Zur Berechnung der optimalen Strategien dürfen wir jetzt v N 1 in Γ N einsetzen: 5
6 1 0 Γ N = 1 1 N 1 1 Unter der Benutzung der beannten Formeln folgt dann x N N 1 = N 1 ; N 1 1 N 1 1 y N = N 1 ; N N 1 (.0) (.1) (.) Dass die Berechnung nicht immer so einfach ist, zeigt folgendes Beispiel, das nur eine erweiterte Version des vorherigen Beispiels darstellt:.3 Beispiel. Sei das Spiel wie oben gegeben, jedoch mit folgender Abweichung: Spielen Spieler 1 und Spieler ihre Trumpfarten, so erhält Spieler 1 N Punte; spielt nur Spieler seine Trumpfarte, so erhält Spieler N Punte. Im Gegensatz zum vorherigen Beispiel hängen also die zu vergebenen Punte von der Spielstufe ab, in dem sich das Spiel jeweils befindet. Dieses Spiel lässt sich für N > 1 reursiv durch folgende Matrix beschreiben: N 0 Γ N = (.3) N Γ N 1 Zusätzlich gilt für den Wert des Spiels folgende Anfangsbedingung: v 1 = 1 (.4) Für N = 1 hat das Spiel einen Sattelpunt und für N > 1 folgt dies wegen v N = Nv N 1 v N 1 + N (.5) durch Anwendung von Indution. Mittels obiger Gleichung lassen sich für bestimmte N auch Werte und optimale Strategien berechnen. Die Bestimmung einer allgemeinen, nicht reursiven Formel ist jedoch schwieriger als im vorherigen Beispiel. Daher bleibt die Berechnung dem geneigten Leser überlassen. 3 Stochastische Spiele Die stochastischen Spiele gleichen den im vorherigen Abschnitt vorgestellten Spielen bis zur Erschöpfung. Auch sie bestehen aus einzelnen Spielelementen, die wiederum den aus den Zwei-Personen-Nullsummenspiele beannten Matrizen gleichen. Es bestehen jedoch einige bedeutende Unterschiede: Nach jedem Spielelement findet eine Auszahlung statt. Das danach zu spielende Spielelement ist nicht durch die Wahl der reinen Strategien beider Spieler strit festgelegt, sondern es besteht ein Zufallsmechanismus; dazu enthält die Matrix die notwendigen Wahrscheinlicheiten. Selbiges gilt zum Beenden des Spiels. Es ann wieder zu vorherigen Spielelementen zurücgeehrt werden. 6
7 Theoretisch ann deshalb das Spiel unendlich lang andauern und es önnen unendliche Auszahlungen erzielt werden; durch die Wahl der Wahrscheinlicheiten beim Zufallsmechanismus wird jedoch die Endlicheit garantiert. Dies führt uns zu folgender Definition: 3.1 Definition (Stochastisches Spiel). Eine Menge von p Spielelementen bzw. Positionen Γ heißt stochastisches Spiel, wenn jedes Spielelement durch m n - Matrizen (b ij ) mit Elementen der Form beschrieben wird. b ij = a ij + ij Γ l (3.1) ij 0 (3.) ij < 1 (3.3) Jedes Spielelement Γ des stochastischen Spiels wird also wie gewöhnlich durch eine Matrix (b ij ) beschrieben. Spielt Spieler 1 seine i-te und Spieler seine j-te Strategie, so ist a ij die Auszahlung in dieser Spielstufe. Die Zahlen qij l beschreiben die Wahrscheinlicheit dafür, dass als nächstes Spielelement Γ l gespielt wird. Offensichtlich ist qij 0 = 1 qij l die Wahrscheinlicheit dafür, dass das Spiel nach dem Spielen des -ten Spielelements beendet ist. Da nach Definition qij 0 > 0 für alle = 1,..., p gilt, ist die Wahrscheinlicheit dafür, dass ein stochastisches Spiel unendlich ist, gleich Null. Das Konzept zur Beschreibung von Strategien gleicht dem der Verhaltensstrategien, die am Anfang schon vorgestellt wurden. Auch hier werden Wahrscheinlicheitsverteilungen für jede Informationsmenge angegeben, d. h. der Zufallsmechanismus wirt loal, im Gegensatz zu den gemischten Strategien. Dabei sind zwei verschiedene Aspete zu unterscheiden: Erstens ann (und wird) eine Strategie davon abhängen, welches Spielelement gerade gespielt wird. Dies war schon bei den Spielen bis zur Erschöpfung der Fall. Zweitens ist auf Grund der Konzeption der stochastischen Spiele auch ein zeitlicher Aspet zu berücsichtigen. Es wäre nämlich durchaus denbar, wenn ein Spielelement in der 10. Stufe gespielt wird, eine andere Stra- tegie zu wählen, als wenn es früher gespielt wird. Dies ist umso wichtiger, da ein Spielelement ja durchaus mehrmals gespielt werden ann. Hierauf werden wir jedoch nicht näher eingehen. Dazu folgende Definition: 3. Definition (Strategie). Sei ein stochastisches Spiel mit p Spielelementen gegeben. Eine Menge von m -Vetoren x t mit = 1,..., p und t N heißt 7
8 Strategie des Spielers 1, wenn gilt: m x t i = 1 (3.4) i=1 Eine Strategie heißt stationär, wenn gilt: x t i 0 (3.5) x s = x t s, t N (3.6) Entsprechend ist die Strategie von Spieler eine Menge von n -Vetoren y t. Befindet sich also Spieler 1 in der t-ten Stufe des Spiels im Spielelement Γ, ist x t i die Wahrscheinlicheit dafür, dass er seine i-te Strategie anwendet. Ist die Wahrscheinlicheit, genauer der ganze Vetor x t, unabhängig davon, in welcher Stufe t sich der Spieler befindet, spricht man von einer stationären Strategie. Nun wollen wir uns mit der tatsächlichen Berechnung des Wertes eines stochastischen Spiels beschäftigen. Auf Grund der Ähnlicheiten zu den Spielen bis zur Erschöpfung önnte man meinen, dass dies genauso (einfach) geht wie zuvor. Der erste Schritt ist nämlich sogar der gleiche, da wir wieder die Anweisung, das nächste Spielelement zu spielen, gegen den Wert des Spieles austauschen dürfen. Dies führt aber nur zu einer impliziten Definition, da z. B. das gleiche Spielelement mehrmals hintereinander gespielt werden darf und dann der Wert von sich selbst abhängt. Wir müssen also die Existenz und Eindeutigeit des Wertevetors zeigen, zuerst wollen wir den Sachverhalt aber formal festhalten: 3.3 Satz. Sei ein stochastisches Spiel mit p Spielelementen B = (b ij ) gegeben. Dann existiert ein Vetor v = (v 1,..., v p ) mit den Eigenschaften b ij = a ij + Dieser Vetor ist eindeutig bestimmt. ij v l (3.7) v = val(b ) (3.8) Zum Beweis wollen wir erst folgendes Lemma zeigen: 3.4 Lemma. Seien A = (a ij ) und B = (b ij ) m n-matrizen mit für ein. Dann gilt a ij < b ij + i = 1,..., m; j = 1,..., n (3.9) val(a) < val(b) + (3.10) Beweis (Lemma). Sei y eine optimale Strategie von Spieler in B. Dann gilt für alle i: n n n a ij y j < b ij y j + y j val(b) + (3.11) j=1 j=1 da y j = 1 und b ij y j val(b) wegen y optimal in B gelten. Sei nun außerdem x eine optimale Strategie von Spieler 1 in A. Dann gilt: m n m val(a) x i a ij y j < x i (val(b) + ) = val(b) + (3.1) i=1 j=1 i=1 da x i = 1 und x i a ij val(a) für alle j wegen x optimal in A gelten. j=1 8
9 Beweis (Satz). Als erstes wollen wir die Eindeutigeit zeigen. Seien also v und w zwei verschiedene Vetoren, die die in der Behauptung geforderten Eigenschaften erfüllen. Wähle nun so, dass v w maximal ist. Sei außerdem c = v w und o. B. d. A. c > 0. Definiere nun die zugehörigen Matrizen B und B durch Damit folgt sofort b ij = a ij + b ij = a ij + b ij b ij = und somit nach vorherigem Lemma ij v l (3.13) ij w l (3.14) ij (v l w l ) < c (3.15) v = val(b ) < val(b ) + c = w + c (3.16) Nach Voraussetzung gilt aber v w = c. Aus diesem Widerspruch folgt die Eindeutigeit des gesuchten Vetors. Jetzt ist noch die Existenz des gewünschten Vetors zu zeigen. Dafür definieren wir eine Folge, die gegen diesen Vetor onvergiert. Sei also (v r ) r=0 eine Folge von Vetoren mit Sei nun v 0 = (0,..., 0) (3.17) b r ij = a ij + qij l vl r (3.18) v r+1 s = max i,j, = val((b r ij )) (3.19) { Sei außerdem r N beliebig, mit v r+1 maximal. Dann gilt: a ij + ij v r l ij v r l v r 1 qij l v r 1 l l ij } qij l v r 1 l s vn r vn r 1 a ij + < 1 (3.0) v r maximal und n mit vr n v r 1 n ij s (3.1) s v r n v r 1 n (3.) s v r n v r 1 n (3.3) a ij + ij v r l (3.4) qij l v r 1 l + s vn r vn r 1 9
10 Durch Anwendung des Lemmas folgt: v r s vn r vn r 1 v r+1 v r + s vn r vn r 1 (3.5) v r+1 v r s v r n v r 1 n (3.6) Mittels Dreiecsungleichung und Abschätzung durch die geometrische Reihe sieht man sofort, dass die Folge (t r ) mit t r = max v r+1 v r eine Cauchy- Folge ist und onvergiert. Damit onvergiert auch die Folge der Vetoren (v r ) gegen einen Grenzvetor v. Sei nun b ij = a ij + ij v l (3.7) w = val((b ij)) (3.8) Es ist zu zeigen, dass v = w für alle = 1,..., p gilt. Sei ɛ > 0. Für alle und schließlich alle r N gilt dann wegen Konvergenz: v r v < ɛ (3.9) Damit gilt a ij + ij v l ɛ < ij v l ɛ < a ij + ij v r l v l < ɛ ij v r l < ij v r l < a ij + ij v l + ɛ ij v l + ɛ (3.30) (3.31) (3.3) und mittels Lemma folgt w ɛ < vr+1 < w + ɛ v r+1 w < ɛ (3.33) (3.34) Dann gilt und da ɛ beliebig folgt v = w. v w v v r+1 + v r+1 w < ɛ (3.35) Der Existenzbeweis ann zur Approximation des Wertevetors verwendet werden. Dazu nutzt man die in den Gleichungen (3.17)-(3.19) definierte Folge v r, die wie gezeigt gegen den Wertevetor des stochastischen Spiels onvergiert. Wie bei den Spielen bis zur Erschöpfung ann man dann in den Matrizen die Anweisung, das -te Spielelement zu spielen, gegen den Wert des -ten Spielelements ersetzen. Mittels den beannten Formeln lässt sich dann die optimale (stationäre) Strategie bestimmen. Die dadurch enstehenden Folgen x r und y r onvergieren offensichtlich gegen die optimalen (stationären) Strategien beider Spieler. Diese Methode soll an den folgenden Beispielen gezeigt werden: 10
11 3.5 Beispiel. Zwei Spieler haben in jeder Runde die Wahl zwischen zwei Möglicheiten. Wählen beide dieselbe, so erhält Spieler 1 einen Punt, sonst Spieler. Durch Münzwurf wird entschieden, ob das Spiel weitergespielt wird. Dieses Spiel lässt sich durch folgende Matrix beschreiben: ( Γ = Γ Γ ) Γ Γ (3.36) Wie oben beschrieben berechnen wir die ersten drei Glieder der Folge von Werten: v 0 = 0 (3.37) v 1 = 0 (3.38) v = 0 (3.39) Offensichtlich ist dies eine onstante Nullfolge. Wir setzen dann v in die Matrix ein 1 1 Γ = (3.40) 1 1 und erhalten optimale Strategien x 1 =, 1 ) y 1 =, 1 ) (3.41) 3.6 Beispiel. Seien zwei Spieler mit jeweils zwei Einheiten gegeben. In jeder Runde haben die Spieler die Wahl zwischen zwei Möglicheiten, sagen wir Kopf oder Zahl. Wählen beide Kopf, so erhält Spieler 1 von Spieler zwei Einheiten. Wählen beide Zahl, so erhält Spieler 1 von Spieler eine Einheit. Wählt Spieler 1 Kopf und Spieler Zahl, so erhält Spieler von Spieler 1 zwei Einheiten. Wählt Spieler 1 Zahl und Spieler Kopf, so erhält Spieler von Spieler 1 eine Einheit. Die Möglicheiten fasst folgende Matrix zusammen: (3.4) 1 1 Das Spiel ist beendet, falls ein Spieler eine Einheiten mehr hat; natürlich ann jeder Spieler dem anderen Spieler nur so viele Einheiten geben, wie er selbst noch hat. Sonst wird mit einer Wahrscheinlicheit von 0,9 weitergespielt. Dieses stochastische Spiel wird durch folgende Matrizen beschrieben, wobei das Spiel mit Spielelement Γ beginnt: + 0, 9Γ3 1 Γ 1 = (3.43) , 9Γ ( ) Γ = (3.44) 1 + 0, 9Γ , 9Γ 3 ( Γ 3 = 1 + 0, 9Γ , 9Γ 1 ) (3.45) 11
12 Nun berechnen wir wieder zur Approximation des Wertevetors die ersten drei Folgenglieder: v 0 = (0; 0; 0) (3.46) v 1 = (0, ; 0; 0, ) (3.47) v = (0, 17; 0; 0, 17) (3.48) Durch Einsetzen von v in die Matrizen erhalten wir mittels den üblichen Formeln eine Approximation der optimalen (stationären) Strategien beider Spieler für alle Spielelemente: x 1 = (0, 41; 0, 59) y 1 = (0, 41; 0, 59) (3.49) x = (0, 3; 0, 7) y = (0, 5; 0, 5) (3.50) x 3 = (0, 41; 0, 59) y 3 = (0, 59; 0, 41) (3.51) 1
1 Häufungswerte von Folgen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heio Hoffmann WS 0/..0 Höhere Mathemati I für die Fachrichtung Informati. Saalübung (..0) Häufungswerte von Folgen Oft
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
Mehr$Id: reell.tex,v /11/15 13:12:24 hk Exp $
$Id: reell.tex,v.8 200//5 3:2:24 h Exp $ 4 Die reellen Zahlen 4.3 Das Vollständigeitsaxiom Wir hatten das Supremum einer Menge M R als die leinste obere Schrane von M definiert, sofern eine solche überhaupt
MehrMarkov-Ketten 1. Definition 2.1
Marov-Ketten Definition 2. Sei P eine -Matrix mit Elementen {P i,j : i, j,...,}. Ein Zufallsprozess (X 0, X,...) mit endlichem Zustandsraum S{s,...,s } heißt homogene Marov-Kette mit Übergangsmatrix P,
Mehr6 Reelle und komplexe Zahlenfolgen
Mathematik für Physiker I, WS 200/20 Freitag 0.2 $Id: folgen.tex,v. 200/2/06 :2:5 hk Exp $ $Id: reihen.tex,v. 200/2/0 4:4:40 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Cauchyfolgen Wir kommen nun
Mehr,...) ist eine Folge, deren Glieder der Null beliebig nahe kommen. (iii) Die Folge a n = ( 1) n + 1 n oder (a n) = (0, 3 2, 2 3, 5 4, 4 5
3 Folgen 3.1 Definition und Beispiele Eine Abbildung a : Æ Ê heißt (reelle) Zahlenfolge. Statt a(n) schreiben wir kürzer a n und bezeichnen die ganze Folge mit (a n ) n Æ oder einfach (a n ), was aber
Mehr2 - Konvergenz und Limes
Kapitel 2 - Folgen Reihen Seite 1 2 - Konvergenz Limes Definition 2.1 (Folgenkonvergenz) Eine Folge komplexer Zahlen heißt konvergent gegen, wenn es zu jeder positiven Zahl ein gibt, so dass gilt: Die
MehrKapitel 4: Irreduzible und aperiodische Markov Ketten 1
Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme
Mehr1 Folgen und Stetigkeit
1 Folgen und Stetigkeit 1.1 Folgen Eine Folge ist eine durchnummerierte Zusammenfassung von reellen Zahlen. Sie wird geschrieben als (a 1, a 2, a 3,...) = (a n ) n N. Es ist also a n R. Der Index n gibt
Mehr1 Natürliche Zahlen und vollständige Indution Beispiel : Für jede Zahl x 6 1gilt die geometrische Summenformel 1+x + x + :::+ x n 1 xn+1 1 x : (I) Für
1 Natürliche Zahlen und vollständige Indution Die ganzen Zahlen hat der liebe Gott gemacht, alles andere ist Menschenwer. (L. Kronecer) Wir setzen das System N der natürlichen Zahlen 1; ; 3;::: als beannt
MehrPr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P.
2.2 Berechnung von Übergangswahrscheinlichkeiten Wir beschreiben die Situation zum Zeitpunkt t durch einen Zustandsvektor q t (den wir als Zeilenvektor schreiben). Die i-te Komponente (q t ) i bezeichnet
MehrDas Pumping Lemma der regulären Sprachen
Das Pumping Lemma der regulären Sprachen Frank Heitmann heitmann@informatik.uni-hamburg.de 1 Das Pumping Lemma Das Pumping Lemma der regulären Sprachen macht eine Aussage der Art wenn eine Sprache L regulär
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathemati Prof. Dr. Oliver Matte Max Lein Zentralübung 15. Abzählbareit Mathemati für Physier 2 Analysis 1) Wintersemester 2010/2011 Lösungsblatt 3 29.10.2009) i)
MehrKapitel 16. Invertierbare Matrizen
Kapitel 16. Invertierbare Matrizen Die drei Schritte des Gauß-Algorithmus Bringe erweiterte Matrix [A b] des Gleichungssystems A x auf Zeilenstufenform [A b ]. Das System A x = b ist genau dann lösbar,
MehrHackenbusch und Spieltheorie
Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)
MehrVorkurs Mathematik. Übungen Teil IV
Vorkurs Mathematik Herbst 009 M. Carl E. Bönecke Skript und Übungen Teil IV. Folgen und die Konstruktion von R Im vorherigen Kapitel haben wir Z und Q über (formale) Lösungsmengen von Gleichungen der Form
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
Mehr$Id: folgen.tex,v /05/31 12:40:06 hk Exp $ an 1 2 n 1 ist gerade, 3a n 1 + 1, a n 1 ist ungerade.
$Id: folgen.tex,v. 202/05/3 2:40:06 hk Exp $ 6 Folgen Am Ende der letzten Sitzung hatten wir Folgen in einer Menge X als Abbildungen a : N X definiert, die dann typischerweise in der Form (a n ) n N, also
Mehrn=1 a n mit reellen Zahlen a n einen
4 Unendliche Reihen 4. Definition und Beispiele Ein altes Problem der Analysis ist es, einer Reihe mit reellen Zahlen einen Wert zuzuordnen. Ein typisches Beispiel ist die unendliche Reihe + +..., die
MehrÜbungsaufgaben zu Analysis 1 Lösungen von Blatt VII vom (ii) z = 1 + i 1 i, (iii) z = (4 3i)3. = 1 1 z
Prof. Dr. Moritz Kaßmann Faultät für Mathemati Wintersemester 04/05 Universität Bielefeld Übungsaufgaben zu Analysis Lösungen von Blatt VII vom 8..4 Aufgabe VII. (6 Punte) a) Bringen Sie die folgenden
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
Mehr6 Reelle und komplexe Zahlenfolgen
$Id: folgen.tex,v.7 200//29 :58:57 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Folgenkonvergenz In der letzten Sitzung hatten wir den Begriff der Konvergenz einer reellen oder komplexen Folge gegen
MehrDie Binomialreihe. Sebastian Schulz. Ausarbeitung zum Vortrag im Proseminar Analysis (Wintersemester 2008/09, Leitung Prof. Dr.
Die Binomialreihe Sebastian Schulz Ausarbeitung zum Vortrag im Proseminar Analysis (Wintersemester 008/09, Leitung Prof. Dr. Eberhard Freitag Zusammenfassung: Diese Ausarbeitung beschäftigt sich mit der
Mehr11. Darstellung von Kurven und Flächen
H.J. Oberle Approximation WS 23/4. Darstellung von Kurven und Flächen Bézier Kurven. Unser Ziel ist es, polynomiale Kurven auf dem Rechner möglichst effizient darzustellen. Hierzu nutzen wir die Basisdarstellung
MehrNumerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren
Ergänzungen zu dem Buch Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben von Carl Geiger und Christian Kanzow (Springer Verlag, 1999) Eine kurze Einführung in Quasi Newton Verfahren
Mehr3.3. KONVERGENZKRITERIEN 67. n+1. a p und a n. beide nicht konvergent, so gilt die Aussage des Satzes 3.2.6
3.3. KONVERGENZKRITERIEN 67 und l n+1 wiederum als kleinsten Wert, so dass A 2n+2 = A 2n+1 + l n+1 k=l n < A. Alle diese Indizes existieren und damit ist eine Folge {A k } k N definiert. Diese Folge konvergiert
Mehr$Id: reell.tex,v /11/11 12:32:08 hk Exp $
Mathemati für Physier I, WS 203/204 Montag. $Id: reell.tex,v.23 203// 2:32:08 h Exp $ Die reellen Zahlen.5 Potenzen mit rationalen Exponenten Wir behandeln gerade die Bernoulli-Ungleichung +x) n +nx gültig
Mehr(λ), t P j i = P j i. heißt symmetrisch, wenn t A = A und antisymmetrisch, wenn
3. 1 Transposition der Elementarmatrizen aus R n n. Für 1 i, j n und λ G(R) bzw. λ R gilt t S i (λ) S i (λ), t Q j i (λ) Qi j (λ), t P j i P j i. 3. 11 Definition. Eine Matrix A R n n t A A. heißt symmetrisch,
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 12 8. Juni 2010 Kapitel 10. Lineare Gleichungssysteme (Fortsetzung) Umformung auf obere Dreiecksgestalt Determinantenberechnung mit dem Gauß-Verfahren
Mehr3 Iterative Lösung von sequentiellen Entscheidungsprozessen
3 Iterative Lösung von sequentiellen Entscheidungsprozessen Die Behandlung bewertete Marov-Kette diente dem Ziel, sequentielle Entscheidungsprozesse, die sich aus Marov-Ketten herleiten lassen, untersuchen
MehrVorlesung: Nicht-kooperative Spieltheorie. Teil 4: 2-Personen-Nullsummenspiele
Vorlesung: Nicht-kooperative Spieltheorie Teil 4: 2-Personen-Nullsummenspiele Dr. Thomas Krieger Wintertrimester 2009 Dr. Thomas Krieger Vorlesung: Nicht-kooperative Spieltheorie 1 Definition 2-Personen-Nullsummenspiele
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
MehrDWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr
2. Ankunftswahrscheinlichkeiten und Übergangszeiten Bei der Analyse von Markov-Ketten treten oftmals Fragestellungen auf, die sich auf zwei bestimmte Zustände i und j beziehen: Wie wahrscheinlich ist es,
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
Mehr$Id: reihen.tex,v /06/12 10:59:50 hk Exp $ unendliche Summe. a 1 + a 2 + a 3 +.
Mathematik für Informatiker B, SS 202 Dienstag 2.6 $Id: reihen.tex,v.8 202/06/2 0:59:50 hk Exp $ 7 Reihen Eine Reihe ist eine unendliche Summe a + a 2 + a 3 +. Die Summanden a i können dabei reell oder
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
Mehr1 Mengen. 1.1 Elementare Definitionen. Einige mathematische Konzepte
Einige mathematische Konzepte 1 Mengen 1.1 Elementare Definitionen Mengendefinition Die elementarsten mathematischen Objekte sind Mengen. Für unsere Zwecke ausreichend ist die ursprüngliche Mengendefinition
Mehr= 7! = 6! = 0, 00612,
Die Wahrscheinlichkeit, dass Prof. L. die Wette verliert, lässt sich wie folgt berechnen: Ω = {(i 1,..., i 7 ) : i j {1... 7}, j = 1... 7}, wobei i, j für den Wochentag steht, an dem die Person j geboren
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrEinführung in die Theorie der Markov-Ketten. Jens Schomaker
Einführung in die Theorie der Markov-Ketten Jens Schomaker Markov-Ketten Zur Motivation der Einführung von Markov-Ketten betrachte folgendes Beispiel: 1.1 Beispiel Wir wollen die folgende Situation mathematisch
MehrVerfeinerungen des Bayesianischen Nash Gleichgewichts
Spieltheorie Sommersemester 007 Verfeinerungen des Bayesianischen Nash Gleichgewichts Das Bayesianische Nash Gleichgewicht für Spiele mit unvollständiger Information ist das Analogon zum Nash Gleichgewicht
Mehr3. Folgen und Reihen. 3.1 Folgen und Grenzwerte. Denition 3.1 (Folge) Kapitelgliederung
Kapitelgliederung 3. Folgen und Reihen 3.1 Folgen und Grenzwerte 3.2 Rechenregeln für konvergente Folgen 3.3 Monotone Folgen und Teilfolgen 3.4 Ein Algorithmus zur Wurzelberechnung 3.5 Reihen 3.6 Absolut
MehrAnalysis I Mathematik für InformatikerInnen II SoSe 12 Musterlösungen zur Prüfungsklausur vom 18. Juli 2012
Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Faultät II Institut für Mathemati Unter den Linden 6, D-0099 Berlin Prof. Andreas Griewan Ph.D. Dr. Thomas M. Surowiec Dr. Fares Maalouf
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrLeitfaden 20. t = dim V dimu.
Leitfaden 2 Einschub (Nachtrag zur LA I): Komplementärbasen Sei V ein Vektorraum, U ein Unterraum Eine Folge (v,, v t ) von Vektoren aus V heißt linear unabhängig modulo U, falls folgendes gilt: sind p
MehrMathematik I. Vorlesung 7. Folgen in einem angeordneten Körper
Prof. Dr. H. Brenner Osnabrück WS 009/010 Mathematik I Vorlesung 7 Folgen in einem angeordneten Körper Wir beginnen mit einem motivierenden Beispiel. Beispiel 7.1. Wir wollen die Quadratwurzel einer natürlichen
Mehrdem Lehrplan entsprechend für alle HTL Abteilungen im 4. und 5. Jahrgang;
bernhard.nietrost@htl-steyr.ac.at Seite von 2 Risio Mathematische / Fachliche Inhalte in Stichworten: Stochasti: Laplace, Abzähltechnien, UND/ODER-Regel, bedingte W-eit, Erwartungswert, Vertrauensbereich;
MehrWie viele Möglichkeiten gibt es, n Kinder in einer Reihe zu platzieren, z.b. für n = 5? Für n = 2 gibt es 2 Möglichkeiten.
n-faultät Wie viele Möglicheiten gibt es, n Kinder in einer Reihe zu platzieren, z.b. für n? Für n gibt es Möglicheiten. Für n 3 hat das 3. Kind 3 Möglicheiten, die beiden restlichen Plätze önnen jeweils
MehrAufgabenblatt 1: Abgabe am vor der Vorlesung
Aufgabenblatt 1: Abgabe am 17.09.09 vor der Vorlesung Aufgabe 1. a.) (1P) Geben Sie die Lösungsmenge der folgenden Gleichung an: 6x + y = 10. Zeichnen Sie die Lösungsmenge in ein Koordinatensystem. b.)
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Mehr2n n + 2. n + (1 + j) 1. 2n + 2 = 1. 2n + 2. (n + 1) + j + 2 1
Aufgabe Die strenge Monotonie zeigen wir mittels vollständiger Indution. Indutionsanfang: Trivialerweise ist f streng monoton wachsend. Indutionsschritt: Wir nehmen an, es sei gezeigt, dass für ein gewisses
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 2. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heio Hoffmann WS 2013/14 Höhere Mathemati I für die Fachrichtung Informati Lösungsvorschläge zum 2. Übungsblatt Aufgabe
MehrÜbungen zu gewöhnlichen Differentialgleichungen Lösungen zu Übung 23
Übungen zu gewöhnlichen Differentialgleichungen Lösungen zu Übung 3 3.1 Gegeben sei die Anfangswertaufgabe (AWA) Zeigen Sie, dass die Funktion y (x) = x y(x) mit y(0) = 1 die einzige Lösung dieser AWA
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrFolgen und Reihen. Folgen. Inhalt. Mathematik für Chemiker Teil 1: Analysis. Folgen und Reihen. Reelle Funktionen. Vorlesung im Wintersemester 2014
Inhalt Mathematik für Chemiker Teil 1: Analysis Vorlesung im Wintersemester 2014 Kurt Frischmuth Institut für Mathematik, Universität Rostock Rostock, Oktober 2014... Folgen und Reihen Reelle Funktionen
Mehr3. Potenzreihen. Definition 7.5. Eine unendliche Reihe der Form. a k x k. Es handelt sich also um eine Funktionenreihe mit f k (x) = a k x k.
3. Potenzreihen Definition 7.5. Eine unendliche Reihe der Form a x mit x R (veranderlich und a R (onstant heit Potenzreihe, die Zahlen a ( heien Koezienten der Potenzreihe. Es handelt sich also um eine
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
MehrVorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)
Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen ohne die Null) 1.1 Teilbareit
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
Mehr3.1 Folgen. ,...) die Folge der sogenannten Hauptbrüche in Q. Mathematik I WiSe 2005/ y = (y n ) n N = ( 1 3, 1 9, 1 27, 1 81, 1
Kapitel 3. Folgen und Reihen 3.1 Folgen Eine Folge ist eine durchnummerierte Zusammenfassung von reellen Zahlen. Sie wird geschrieben als a = (a 1, a 2, a 3,...) = (a n ) n N. Es ist also a n R. Der Index
Mehrtechnische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 4.3 und 4.4
MehrReduktion. 2.1 Abstrakte Reduktion
2 Reduktion In diesem Kapitel studieren wir abstrakte Eigenschaften von Regeln. In den ersten beiden Abschnitten betrachten wir nicht einmal die Regeln selbst, sondern nur abstrakte Reduktionssysteme,
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrHausaufgabe 7 Abgabe am oder am in der Übung
Stochasti, Sommersemester 04 Hausaufgabe 7 Abgabe am 6.5. oder am.5. in der Übung Prof. Dr. I. Veselić Dr. M. Tautenhahn, Dr. C. Schumacher Aufgabe. Sei a (0, /). Die Wahrscheinlicheit p, dass eine Familie
Mehr6. Vorlesung. Rechnen mit Matrizen.
6. Vorlesung. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt
MehrFolgen und Reihen Folgen
Folgen und Reihen 30307 Folgen Einstieg: Wir beginnen mit einigen Beispielen für reelle Folgen: (i),, 4, 8, 6, (ii) 4,, 6, 3, 7, (iii) 0,,,, 3,, (iv), 3, 7,,, Aufgabe : Setzt die Zahlenfolgen logisch fort
MehrKapitel 3. Natürliche Zahlen und vollständige Induktion
Kapitel 3 Natürliche Zahlen und vollständige Induktion In Kapitel 1 haben wir den direkten Beweis, den modus ponens, kennen gelernt, der durch die Tautologie ( A (A = B) ) = B gegeben ist Dabei war B eine
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
MehrPotenzreihen. Potenzreihen sind Funktionenreihen mit einer besonderen Gestalt.
Potenzreihen Potenzreihen sind Funtionenreihen mit einer besonderen Gestalt. Definition. Ist (a ) eine Folge reeller (bzw. omplexer) Zahlen und x 0 R (bzw. z 0 C), dann heißt die Reihe a (x x 0 ) (bzw.
Mehr1 Lineare Gleichungssysteme und Matrizen
1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe
MehrRekursive Folgen im Pascalschen Dreieck
Reursive Folgen im Pascalschen Dreiec Holger Stephan, Tag der Mathemati,. Juni Zusammenfassung Viele Probleme aus den unterschiedlichsten Teilgebieten der Mathemati (z.b. Analysis, Kombinatori, Zahlen-,
MehrAbzählende Kombinatorik
Kapitel Abzählende Kombinatori Die in diesem Kapitel behandelte abzählende Kombinatori untersucht endliche Struturen und beschäftigt sich mit den Möglicheiten Objete anzuordnen oder auszuwählen Die abzählende
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
Mehr4 Reelle und komplexe Zahlenfolgen
$Id: folgen.tex,v.2 203//29 2:06:38 hk Exp hk $ 4 Reelle und komplexe Zahlenfolgen 4. Folgenkonvergenz In der letzten Sitzung hatten wir den Begriff der Folgenkonvergenz und die Grenzwerte von Folgen eingeführt.
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrKombinatorik und Urnenmodelle
Kapitel 2 Kombinatori und Urnenmodelle In diesem Abschnitt nehmen wir an, dass (Ω, A, P ein Laplace scher Wahrscheinlicheitsraum ist (vgl. Bsp.1.3, d.h. Ω ist endlich, A = P (Ω und P (A = A Ω A Ω. Für
MehrÜber die so definierten Potenzen beweisen wir nun einige einfache Aussagen. = a m+n a Def.
4 NATÜRLICHE ZAHLEN UND VOLLSTÄNDIGE INDUKTION 15 der Eigenschaften von N streng begründen, was hier aber nicht geschehen soll. (Statt Zahlen önnen die a n auch Elemente irgendwelcher Mengen sein.) Über
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrNICHTKOOPERATIVE SPIELTHEORIE EINFÜHRUNG. Minimaxlösungen & Gleichgewichte
NICHTKOOPERATIVE SPIELTHEORIE EINFÜHRUNG Minimaxlösungen & Gleichgewichte Spieltheorie Einführungsbeispiel Gefangenendilemma (Prisoner s Dilemma) Nicht kooperierende Spielteilnehmer Spieler Gefangener
MehrKonstruktion der reellen Zahlen 1 von Philipp Bischo
Konstruktion der reellen Zahlen 1 von Philipp Bischo 1.Motivation 3 1.1. Konstruktion von R im allgemeine 3 2.Voraussetzung 3 2.1Die Menge Q zusammen mit den beiden Verknüpfungen 3 2.2Die Rationalen Zahlen
MehrTaylor-Reihenentwicklung. Bemerkungen. f(z) = a k (z z 0 ) k mit a k,z 0,z C. z k z C. f (k) (x 0 ) (x x 0 ) k mit x 0,x R.
8.2 Potenzreihen Definition: Eine Reihe der Form f(z) = a ( ) mit a,z 0,z C heißt (omplexe) Potenzreihe zum Entwiclungspunt z 0 C. Beispiel: Die (omplexe) Exponentialfuntion ist definiert durch die Potenzreihe
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
MehrFerienkurs Analysis I für Physiker WS 15/16 Aufgaben Tag 1. Aufgaben Tag 1. (1 + i) 2 = 0 + 2i. = i 1 + i = i1 i = 1 2 2 + i 2
Ferienurs Analysis I für Physier WS 15/16 Aufgaben Tag 1 1 Komplee Zahlen I Aufgaben Tag 1 Berechnen Sie Real- und ImaginÃďrteil von a) (1 + i) (1 + i) 0 + i b) 1 + 1 1 i ( 1 + 1 i ) 1 ( 1 + i i ) 1 i
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrMarkovsche Entscheidungsprozesse - Teil III Der erwartete Gesamtgewinn. Universität Siegen
Markovsche Entscheidungsprozesse - Teil III Der erwartete Gesamtgewinn Jan Müller Universität Siegen Sommersemester 2009 Inhaltsverzeichnis 1 Das Gesamtgewinn-Kriterium 1 1.1 Die Existenz des erwarteten
MehrTaylorentwicklung von Funktionen einer Veränderlichen
Taylorentwicklung von Funktionen einer Veränderlichen 17. Januar 2013 KAPITEL 1. MATHEMATISCHE GRUNDLAGEN 1 Kapitel 1 Mathematische Grundlagen 1.1 Stetigkeit, Differenzierbarkeit und C n -Funktionen Der
MehrSerie 5. Lineare Algebra D-MATH, HS Prof. Richard Pink. 1. [Aufgabe] Invertieren Sie folgende Matrizen über Q:
Lineare Algebra D-MATH, HS 214 Prof Richard Pink Serie 5 1 [Aufgabe] Invertieren Sie folgende Matrizen über Q: 1 a) 1 1 1 1 1 2 1 1 1 b) 1 2 1 1 1 1 2 1 1 1 1 2 1 2 3 1 c) 1 3 3 2 2 1 5 3 1 2 6 1 [Lösung]
MehrDie Fundamentalgruppe des Kreises
Abschnitt 9 Die Fundamentalgruppe des Kreises Überlagerungen und die Fundamentalgruppe von S 1 Überlagerungen (die Definition folgt weiter unten stehen in engem Zusammenhang mit der Fundamentalgruppe.
MehrDieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
MehrProseminar Konvexe Mengen: Der Satz von Carathéodory
Proseminar Konvexe Mengen: Der Satz von Carathéodory Gerrit Grenzebach 26. Otober 2004 In diesem Referat werden der Begriff der onvexen Hülle einer Menge eingeführt und einige Eigenschaften der onvexen
MehrFolgen und Reihen. Wirtschaftswissenschaftliches Zentrum Universität Basel. Mathematik für Ökonomen 1 Dr. Thomas Zehrt
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen Dr. Thomas Zehrt Folgen und Reihen Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band, 7. Auflage,
Mehr