Ablauf. 1 Imitationsdynamik. 2 Monotone Auszahlung. 3 Entscheidung gegen iterativ dominierte Strategien. 4 Beste-Antwort-Dynamik 2 / 26
|
|
- Tobias Eberhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Spieldynamik Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Kap. 8 Simon Maurer Saarbrücken, den / 26
2 Ablauf 1 Imitationsdynamik 2 Monotone Auszahlung 3 Entscheidung gegen iterativ dominierte Strategien 4 Beste-Antwort-Dynamik 2 / 26
3 Imitationsdynamik Voraussetzungen: Symmetrische Spiele mit (n x n) - Auszahlungsmatrix eine (große) Population von Spielern reine Strategien R 1 bis R n werden mit einer Wiederholungsrate x i (t) gewählt 3 / 26
4 Imitationsdynamik Voraussetzungen: Symmetrische Spiele mit (n x n) - Auszahlungsmatrix eine (große) Population von Spielern reine Strategien R 1 bis R n werden mit einer Wiederholungsrate x i (t) gewählt Zustand ist zu jedem Zeitpunkt durch einen Punkt x S n gegeben 3 / 26
5 Imitationsdynamik Voraussetzungen: Symmetrische Spiele mit (n x n) - Auszahlungsmatrix eine (große) Population von Spielern reine Strategien R 1 bis R n werden mit einer Wiederholungsrate x i (t) gewählt Zustand ist zu jedem Zeitpunkt durch einen Punkt x S n gegeben Auszahlung: Strategie R i erhält dann (Ax) i = a ij x j pro Spiel die durchschnittliche Auszahlung der Population ist x A x 3 / 26
6 Imitationsdynamik Gelegentliche Auswahl eines Spielers der Population, Möglichkeit, die Strategie zu wechseln, Wahlprozess zufällig, übernimmt mit einer gewissen Wahrscheinlichkeit dessen Strategie. 4 / 26
7 Imitationsdynamik Gelegentliche Auswahl eines Spielers der Population, Möglichkeit, die Strategie zu wechseln, Wahlprozess zufällig, übernimmt mit einer gewissen Wahrscheinlichkeit dessen Strategie. Ein genereller Ansatz wird durch das Input-Output-Modell repräsentiert: Input-Output-Modell ẋ i = x i ( fij (x) f ji (x) ) x j. j 4 / 26
8 Imitationsdynamik Gelegentliche Auswahl eines Spielers der Population, Möglichkeit, die Strategie zu wechseln, Wahlprozess zufällig, übernimmt mit einer gewissen Wahrscheinlichkeit dessen Strategie. Ein genereller Ansatz wird durch das Input-Output-Modell repräsentiert: Input-Output-Modell ẋ i = x i ( fij (x) f ji (x) ) x j. j Klar: Ist ẋ i = 0, so ist S n invariant unter obiger Formel. 4 / 26
9 Imitationsdynamik Die Änderungsrate von R j zu R i ist gegeben durch x i x j f ij t mit x i x j = Wahrscheinlichkeit für das Auswählen eines Spielers mit Strategie R j bzw. R i, f ij = Rate mit der ein R j -Spieler zu R i umschwenkt 5 / 26
10 Imitationsdynamik Die Änderungsrate von R j zu R i ist gegeben durch x i x j f ij t mit x i x j = Wahrscheinlichkeit für das Auswählen eines Spielers mit Strategie R j bzw. R i, f ij = Rate mit der ein R j -Spieler zu R i umschwenkt Diese Rate hängt natürlich von der momentanen Auszahlung (Ax) i und (Ax) j ab. f ij (x) = f ( (Ax) i, Ax) j ) mit f = f(u, v) Funktion, welche die Imitationsvorschrift angibt. 5 / 26
11 Imitationsdynamik Imitiere den Besseren Erste Idee: 0, wenn u < v f(u, v) = 1, wenn u > v 6 / 26
12 Imitationsdynamik Imitiere den Besseren Erste Idee: 0, wenn u < v f(u, v) = 1, wenn u > v Problem: Diese Funktion ist unstetig. 6 / 26
13 Imitationsdynamik Imitiere den Besseren Erste Idee: 0, wenn u < v f(u, v) = 1, wenn u > v Problem: Diese Funktion ist unstetig. Ausweg: Man definiert sich eine Funktion, die von der Auszahlungsdifferenz abhängig ist. 6 / 26
14 Imitationsdynamik Definiere z.b. f(u, v) als f(u, v) = φ(u v) mit φ monoton wachsend. 7 / 26
15 Imitationsdynamik Definiere z.b. f(u, v) als f(u, v) = φ(u v) mit φ monoton wachsend. Das Input-Output-Modell kann dann mit ψ(u) = φ(u) φ( u) (ungerade, monoton wachsend) geschrieben werden als: ẋ i = x i x j ψ ( ) (Ax) i Ax) j j 7 / 26
16 Imitationsdynamik Beispiel Setze φ(u) u α +, α 0 und ψ(u) u α + sgn(u). Für α = 1 ergibt sich ψ(u) = u. Diese Imitationsvorschrift ist proportional und bedeutet im Endeffekt imitiere Verhalten mit höherem Profit, gewichtet mit einer Wahrscheinlichkeit, die proportional zum erwarteten Gewinn ist. Das Input-Output-Modell reduziert sich dann zur gewohnten Replikatordynamik: ẋ i = x i ( (Ax)i x Ax ). Im Grenzfall α 0 entsteht nun aus dem Input-Output-Modell die zuvor angesprochene Imitiere den Besseren-Strategie. 8 / 26
17 Imitationsdynamik Das Input-Output-Modell lässt sich auch wie folgt darstellen: ( ( ) ) ẋ i = x i f (Ax)i f mit f = ( ) x i f (Ax) i Dieser Fall tritt dann auf, wenn ein Spieler zu einer besseren Strategie wechselt, die proportional zur Differenz [f((ax) i ) f((ax) j )] + ist, wenn f ij = f((ax) i ), d.h. der Wechsel ist nur vom imitierten Spieler abhängig, wenn f ij = f((ax) j ), d.h. der Wechsel ist nur von der Auszahlung an der imitierenden Spieler abhängig (Imitation aufgrund Unzufriedenheit, mit der Annahme, dass unerfolgreiche Spieler öfters und blind imitieren). 9 / 26
18 Monotone Auszahlung Nun interessieren uns Spieldynamiken der Form ẋ i = x i g i (x) mit g i C 1 und x i g i (x) = 0 x S n. 10 / 26
19 Monotone Auszahlung Nun interessieren uns Spieldynamiken der Form ẋ i = x i g i (x) mit g i C 1 und x i g i (x) = 0 x S n. Definition: Auszahlungsmonoton Eine Spieldynamik wird als auszahlungsmonoton bezeichent, falls sich die Wachstumsrate der verschiedenen Strategien direkt proportional zur erwarteten Auszahlung verhält: g i (x) > g j (x) (Ax) i > (Ax) j 10 / 26
20 Monotone Auszahlung Informationen zur monotonen Auszahlung: Die Replikatordynamik ist auszahlungsmonoton. Auszahlungsmonotone Spiele haben die gleichen stationären Punkte, wie die Replikatordynamik. Für auszahlungsmonotone Spiele sind die Lyapunov-stabilen Gleichgewichte Nash-Gleichgewichte. Die strikten Nash-Gleichgewichte sind asymptotisch stabil. 11 / 26
21 Monotone Auszahlung Schwach auszahlungspositiv: Reine Strategie mit einer höheren Auszahlung als der Durchschnitt der Population. Die Strategie hat eine streng monoton wachsende Wachstumsrate. B(x) ( i : (Ax) i > x Ax ) g i (x) > 0 12 / 26
22 Entscheidung gegen iterativ dominierte Strategien Definition: strikt dominiert Die reine Strategie R i wird als strikt dominiert bezeichnet, wenn es eine Strategie y S n gibt, sodass x S n gilt: (Ax) i < y Ax. 13 / 26
23 Entscheidung gegen iterativ dominierte Strategien Spiel wird von rational denkenden Menschen gespielt, die Strategie R i wird nicht benutzt, alle strikt dominierten Strategien verschwinden aus dem Spiel, es bleiben reine Strategien übrig, die im nächsten Spiel strikt dominiert werden. 14 / 26
24 Entscheidung gegen iterativ dominierte Strategien Beispiel Es sei die Auszahlungsmatrix A gegeben durch A = R 2 ist strikt dominiert, im nächsten Spiel ist R 3 strikt dominiert, man erhält also eine nichtleere Menge von reinen Strategien, diese Menge hängt nicht vom Eliminationsprozess selbst ab. 15 / 26
25 Entscheidung gegen iterativ dominierte Strategien Definition: konvex monoton Eine auszahlungsmonotone Spieldynamik wird als konvex monoton bezeichnet, falls i und y, x S n gilt: y Ax > (Ax) i y i g j (x) > g i (x) 16 / 26
26 Entscheidung gegen iterativ dominierte Strategien Definition: konvex monoton Eine auszahlungsmonotone Spieldynamik wird als konvex monoton bezeichnet, falls i und y, x S n gilt: y Ax > (Ax) i y i g j (x) > g i (x) Satz 1 Ist eine monotone Spieldynamik konvex monoton und ist die reine Strategie R i iterativ strikt dominiert, so konvergiert die Frequenz x i (t) gegen 0. (Beweis siehe Anhang.) 16 / 26
27 Entscheidung gegen iterativ dominierte Strategien Beispiel Folgende Auszahlungsmatrix soll betrachtet werden: a c b γ b a c γ A = c b a γ α + β α + β α + β 0 mit c < a < b, 0 < β < b a und γ > / 26
28 Entscheidung gegen iterativ dominierte Strategien J. Hofbauer, K. Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Seite / 26
29 Beste-Antwort-Dynamik d.h. Diskrete Generationen von Spielern, in jeder Runde soll ein Spieler zur Generation hinzustoßen, dieser Spieler nimmt eine Strategie der besten Antwort auf den bestehenden Strategien-Mix ein, dieser Spieler muss seine Strategie für das gesamte Spiel beibehalten, in der Generation k + 1 nimmt dieser Spieler eine Strategie r k+1 {R 1,..., R n } ein r k+1 maximiert die erwartete Auszahlung gegenüber s k = 1 k k r k i=1 19 / 26
30 Beste-Antwort-Dynamik Die Änderung in der Durchschnittsstrategie kann mit Hilfe der Differenzengleichung s k+1 s k = r k+1 s k k+1 berechnet werden. Dabei ist r k+1 β(s k ), wobei β(s k ) die Menge der besten Antworten auf x S n repräsentiert. 20 / 26
31 Beste-Antwort-Dynamik Übergang zu einer kontinuierlichen Betrachtungsweise: ( ) ṡ(t) = 1 t r(t) s(t) mit r(t) β(s(t)) bzw. in integraler Form: t s(t) = t 1 r(τ) dτ. Die Betrachtung von stückweise linearen Lösungen führt zur Beste-Antwort-Dynamik: 0 ẋ = β(x) x 21 / 26
32 Beste-Antwort-Dynamik Beispiel Folgende Auszahlungsmatrix soll betrachtet werden: A = J. Hofbauer, K. Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Seite / 26
33 Beste-Antwort-Dynamik Allgemeine Konstruktion der stückweise linearen Lösungen der Beste-Antwort-Dynamik Anfangspunkt x, die Strategie b β((1 ɛ)x ɛb) fungiert als beste Antwort (ɛ 0), Iteration führt auf eine stückweise lineare Lösung für alle Zeiten t > / 26
34 Beste-Antwort-Dynamik Allgemeine Konstruktion der stückweise linearen Lösungen der Beste-Antwort-Dynamik Anfangspunkt x, die Strategie b β((1 ɛ)x ɛb) fungiert als beste Antwort (ɛ 0), Iteration führt auf eine stückweise lineare Lösung für alle Zeiten t > 0. Satz 2 Sei p eine innere ESS für ein Spiel mit Auszahlungsmatrix A. Dann ist p für die Beste-Antwort-Dynamik global asymptotisch stabil. Alle stückweise linearen Pfade erreichen p in einer endlichen Zeit. (Beweis siehe Anhang.) 23 / 26
35 Fazit Wir haben: 24 / 26
36 Fazit Wir haben: gelernt den Imitationsprozess mathematisch zu modellieren, 24 / 26
37 Fazit Wir haben: gelernt den Imitationsprozess mathematisch zu modellieren, die Auswirkungen der Dominanz auf statische Spiele untersucht, 24 / 26
38 Fazit Wir haben: gelernt den Imitationsprozess mathematisch zu modellieren, die Auswirkungen der Dominanz auf statische Spiele untersucht, die Möglichkeit einer besten Antwort auf bestehende Strategien besprochen. 24 / 26
39 Anhang Beweis zu Satz 1 Sei R i strikt dominiert von einem y S n. Aufgrund der Stetigkeit existiert ein δ > 0, sodass g i (x) y i g j (x) < δ x S n. Mit P(x) x i erreichen wir für jede innere Lösung mit t x(t), dass j x y j j Ṗ(x) = P(x) x j ẋ j = P(x) ( g i (x) y i g j (x) ). Daher ist Ṗ(x) < δ P(x). Daraus folgt, dass x i (t), welches kleiner als P(x(t)) ist, exponentiell abnimmt. Es reicht nun, dieses Argument zu wiederholen: ist das x i klein genug, so gibt es eine Ungleichung, die analog zur konvexen Monotonität für alle Strategien gilt, die in der nächsten Runde eliminiert werden, usw.. Also konvergiert die Frequenz x i (t) für die reinen Strategien R i, welche strikt dominiert sind, gegen / 26
40 Anhang Beweis zu Satz 2 Betrachte die Funktion V(x) = max i (Ax) i x Ax mit V(x) 0 und V(x) = 0, falls x = p. Entlang eines geraden Stückes ẋ = b-x ist dann V = (b-x) x Ax und V = ẋ Ax + (b-x) Aẋ = (b-x) Ax + (b-x) A(b-x). Für x p ist der erste Term nach Def. negativ und der zweite Term ist aufgrund Gleichung (6.19) und sogar nach unten durch 0 begrenzt. Also fällt V(x(t)) und erreichet den Wert 0 in einer endlichen Zeit. 26 / 26
Bimatrix-Spiele. Sarah Hidlmayer
Bimatrix-Spiele Sarah Hidlmayer 13.12.2011 Literatur: Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics (Ch. 11), Cambridge. Bimatrix-Spiele 1 Dynamik für Bimatrix-Spiele 2 Partnerschaftsspiele
MehrAsymmetrische Spiele. Eric Barré. 13. Dezember 2011
Asymmetrische Spiele Eric Barré 13. Dezember 2011 Gliederung 1 Einführung Allgemeines Definition Begründung Nash-Gleichgewicht 2 Kampf der Geschlechter Allgemein Auszahlungsmatrix Nash-Gleichgewicht Beispiel
MehrLotka-Volterra-Gleichungen für mehr als zwei Populationen
Lotka-Volterra-Gleichungen für mehr als zwei Populationen Dennis Kunz 06.12.2011 Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics Lotka-Volterra-Gleichungen für mehr als zwei
MehrGeometrie in der Spieltheorie
Evolutionäre Spieltheorie November 3, 2011 Evolution der Spieltheorie John von Neumann, Oskar Morgenstern 1944: The Theory of Games and Economic Behavior John Nash 1950: Non-cooperative Games Nash Gleichgewicht:
MehrKapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie
Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel
Mehr1 Lektion 7: Evolutorische Spieltheorie. Evolution?r stabile Strategien und Replikatordynamik als Beitrag aus der Biologie
1 Lektion 7: Evolutorische Spieltheorie. Evolution?r stabile Strategien und Replikatordynamik als Beitrag aus der Biologie Verfeinerungen vom Begri Nash-Gleichgewicht Erfahrung hat gezeigt, dass sich Spieler
MehrEvolutionär stabile Strategien
Evolutionär stabile Strategien Thomas Luxenburger 06.12.2011 LITERATUR: Josef Hofbauer, Karl Sigmund: Evolutionary Games and Population Dynamics, Kapitel 6: Evolutionary stable strategies Gliederung 1
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrBeispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrAbbildung 5.1: stabile und instabile Ruhelagen
Kapitel 5 Stabilität Eine intuitive Vorstellung vom Konzept der Stabilität vermitteln die in Abb. 5.1 dargestellten Situationen. Eine Kugel rollt unter dem Einfluss von Gravitation und Reibung auf einer
Mehr01. Gruppen, Ringe, Körper
01. Gruppen, Ringe, Körper Gruppen, Ringe bzw. Körper sind wichtige abstrakte algebraische Strukturen. Sie entstehen dadurch, dass auf einer Menge M eine oder mehrere sogenannte Verknüpfungen definiert
MehrKlausur zur Vorlesung Spieltheorie Musterlösung
Prof. Dr. Ulrich Schwalbe Sommersemester 2001 Klausur zur Vorlesung Spieltheorie Musterlösung Die Klausur besteht aus vier Vorfragen, von denen drei zu beantworten sind sowie drei Hauptfragen, von denen
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
Mehr10 Untermannigfaltigkeiten
10. Untermannigfaltigkeiten 1 10 Untermannigfaltigkeiten Definition. Eine Menge M R n heißt k-dimensionale Untermannigfaltigkeit des R n, 1 k n, falls es zu jedem a M eine offene Umgebung U R n von a und
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehr2. Vorlesung. 1.3 Beste-Antwort Funktion. Vorlesung: Einführung in die Spieltheorie WS 2006/ Oktober 2006 Guido Schäfer
LETZTE ÄNDERUNG: 15. NOVEMBER 2006 Vorlesung: Einführung in die Spieltheorie WS 2006/2007 2. Vorlesung 24. Oktober 2006 Guido Schäfer 1.3 Beste-Antwort Funktion Notation: Definiere A i := j N\{i} A j.
MehrSeminararbeit zur Spieltheorie. Thema: Rationalisierbarkeit und Wissen
Seminararbeit zur Spieltheorie Thema: Rationalisierbarkeit und Wissen Westfälische-Wilhelms-Universität Münster Mathematisches Institut Dozent: Prof. Dr. Löwe Verfasst von: Maximilian Mümken Sommersemester
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrKatalytische Hyperzyklen
Katalytische Hyperzyklen Lara Münster 20.12.2011 Literatur: Hofbauer J., Sigmund K. (1998). Evolutionary Games and Population Dynamics. Cambridge University Press: Cambridge Katalytische Hyperzyklen 1
Mehr12. Vorlesung. 19. Dezember 2006 Guido Schäfer
LETZTE ÄNDERUNG: 6. JANUAR 007 Vorlesung: Einführung in die Spieltheorie WS 006/007. Vorlesung 9. Dezember 006 Guido Schäfer 4 Bayesian Games Wir haben bisher immer angenommen, dass jeder Spieler vollständige
MehrSpieltheorie - Wiederholte Spiele
Spieltheorie - Wiederholte Spiele Janina Heetjans 12.06.2012 1 Inhaltsverzeichnis 8 Wiederholte Spiele 3 8.1 Einführung und Motivation................................. 3 8.2 Unendlich oft wiederholte Spiele:
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrWiederholte Spiele. Grundlegende Konzepte. Zwei wichtige Gründe, wiederholte Spiele zu betrachten: 1. Wiederholte Interaktionen in der Realität.
Spieltheorie Sommersemester 2007 1 Wiederholte Spiele Grundlegende Konzepte Zwei wichtige Gründe, wiederholte Spiele zu betrachten: 1. Wiederholte Interaktionen in der Realität. 2. Wichtige Phänomene sind
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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
MehrMathematik für Wirtschaftswissenschaftler. gehalten von Claus Diem
Mathematik für Wirtschaftswissenschaftler gehalten von Claus Diem Übungen Die Seminare / Übungsgruppen / Tutorien finden wöchentlich statt. Alle zwei Wochen am Montag wird ein Übungsblatt ausgegeben. Dies
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
MehrRäuber-Beute-Modelle, Auslese/Schwellensatz
Räuber-Beute-Modelle, Auslese/Schwellensatz Mareike Franz und Brigitte Steinhauser 15. Dezember 2008 1 / 37 1 Räuber-Beute-Modelle 2 Prinzip der Auslese durch Wettbewerb 3 Schwellensatz der Epidemiologie
Mehr:50:11 REZ: Spieltheorie SoSe Sitzung 7
01.05.2007 16:50:11 REZ: Spieltheorie SoSe 2007 16 Sitzung 7 Der Begriff der evolutionären Stabilität unterstellt implizite dynamische Betrachtungen. Diese können nach Maßgabe einer Differentialgleichung
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrMATHEMATIK FÜR WIRTSCHAFTSWISSENSCHAFTLER MUSTERLÖSUNG 3. TEST
Privatdozent Dr. C. Diem diem@math.uni-leipzig.de http://www.math.uni-leipzig.de/ diem/wiwi MATHEMATIK FÜR WIRTSCHAFTSWISSENSCHAFTLER MUSTERLÖSUNG 3. TEST Es folgt eine Musterlösung zusammen mit Anleitungen
MehrKapitel 5: Spiele mit simultanen Spielzügen und reinen Strategien: Kontinuierliche Strategien
Übersicht Teil 2 Kapitel 5: Spiele mit simultanen Spielzügen und reinen Strategien: Kontinuierliche Strategien Kapitel 5 1 Kapitel 5 Übersicht Teil 2 2 Übersicht Reine Strategien als stetige Variablen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrKurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren
Kurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren Was sind typische qualitative Aussagen bei gewöhnlichen Differentialgleichungen der Form x (t) = f(t, x)? (1) 1. Andere
MehrÜbungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Lösungsvorschlag Serie 12
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen Übungsaufgaben zur Vorlesung ANALYSIS I (WS 2/3) Lösungsvorschlag
MehrEvolutionäre Spiele. Wolfgang Mulzer, Yannik Stein
Seminar über Algorithmen 11.02.2014 Julian Ritter Evolutionäre Spiele Wolfgang Mulzer, Yannik Stein 1 Idee Motivation aus der Natur: Interesse der theoretischen Biologie an einer Bevölkerung, die um Ressourcen
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
MehrKapitel 1. Grundlegendes
Kapitel 1 Grundlegendes Abschnitt 1.4 Vollständige Induktion Charakterisierung der natürlichen Zahlen Die Menge N 0 = {0, 1, 2, 3,...} der natürlichen Zahlen läßt sich wie folgt charakterisieren: 1. 0
MehrStabilität von n-spezies Gemeinschaften
Stabilität von n-spezies Gemeinschaften Julia Klein 20.12.2011 Joseph Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Kap.15 Übersicht 1 Einführung 2 Mutualismus und M-Matrizen 3
MehrMarkov-Prozesse. Markov-Prozesse. Franziskus Diwo. Literatur: Ronald A. Howard: Dynamic Programming and Markov Processes
Markov-Prozesse Franziskus Diwo Literatur: Ronald A. Howard: Dynamic Programming and Markov Processes 8.0.20 Gliederung Was ist ein Markov-Prozess? 2 Zustandswahrscheinlichkeiten 3 Z-Transformation 4 Übergangs-,
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
MehrAsymptotische Stochastik (SS 2010)
Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrSpieltheorie mit. sozialwissenschaftlichen Anwendungen
Friedel Bolle, Claudia Vogel Spieltheorie mit sozialwissenschaftlichen Anwendungen SS 2010 Simultane Spiele 1. Einführung: Spiele in Normalform Nash-Gleichgewicht Dominanz 2. Typen von Spielen Gefangenendilemma
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrPartielle Informationen in Währungskrisenmodellen
Christian Bauer Partielle Informationen in Währungskrisenmodellen Verlag Dr. Kovac Inhaltsverzeichnis Einleitung 1 I Entscheidungen und die Qualität von Informationen 7 1 Entscheidungstheoretische Einordnung
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
MehrAnalysis und Lineare Algebra mit MuPAD
Analysis und Lineare Algebra mit MuPAD Dehling/Kubach Mögliche Themen für Abschlussprojekte 1 Fourier-Reihen Zu einer integrierbaren Funktion f : [0,2π] R definieren wir die Fourier-Reihe wobei a 0 = 1
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr13. Funktionen in einer Variablen
13. Funktionen in einer Variablen Definition. Seien X, Y Mengen. Eine Funktion f : X Y ist eine Vorschrift, wo jedem Element der Menge X eindeutig ein Element von Y zugeordnet wird. Wir betrachten hier
MehrSBP Mathe Aufbaukurs 3. Imaginäre und komplexe Zahlen. Komplexe Zahlen in der Gaußschen Zahlenebene. Darstellungen komplexer Zahlen.
SBP Mathe Aufbaukurs 3 # 0 by Clifford Wolf # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das Lernen mit Lernkarten
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrDefinition: Die Menge der Imputationen ist die Menge I aller Nutzenallokationen, die erreichbar und individuell rational sind.
Spieltheorie Sommersemester 2007 1 Der Kern Sei I = {1, 2,...,n} und Γ = (I, v). Definition: Die Menge der Imputationen ist die Menge I aller Nutzenallokationen, die erreichbar und individuell rational
MehrFolgen, Reihen, Grenzwerte u. Stetigkeit
Folgen, Reihen, Grenzwerte u. Stetigkeit Josef F. Bürgler Abt. Informatik HTA Luzern, FH Zentralschweiz HTA.MA+INF Josef F. Bürgler (HTA Luzern) Einf. Infinitesimalrechnung HTA.MA+INF 1 / 33 Inhalt 1 Folgen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrEinführung in die Spieltheorie und Nash-Gleichgewichte
Einführung in die Spieltheorie und Nash-Gleichgewichte Vortrag im Seminar WT und Ihre Anwendungen Institut für Mathematische Statistik Fachbereich Mathematik und Informatik Westfählische Wilhelms-Universtät
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrFormale Methoden 1. Gerhard Jäger 9. Januar Uni Bielefeld, WS 2007/2008 1/23
1/23 Formale Methoden 1 Gerhard Jäger Gerhard.Jaeger@uni-bielefeld.de Uni Bielefeld, WS 2007/2008 9. Januar 2008 2/23 Automaten (informell) gedachte Maschine/abstraktes Modell einer Maschine verhält sich
MehrTheorie der Wärme Musterlösung 11.
Theorie der Wärme Musterlösung. FS 05 Prof. Thomas Gehrmann Übung. Edelgas im Schwerefeld Berechne den Erwartungswert der Energie eines monoatomaren idealen Gases z. B. eines Edelgases in einem zylindrischen
MehrEinwegfunktionen. Problemseminar. Komplexitätstheorie und Kryptographie. Martin Huschenbett. 30. Oktober 2008
Problemseminar Komplexitätstheorie und Kryptographie Martin Huschenbett Student am Institut für Informatik an der Universität Leipzig 30. Oktober 2008 1 / 33 Gliederung 1 Randomisierte Algorithmen und
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
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
MehrVergleich von Entscheidungsträgern bzgl. ihrer Risikoaversion:
Ist das Arrow-Pratt-Maß der absoluten Risikoaversion bekannt, so lässt sich daraus die Nutzenfunktion bestimmen: Mithilfe der Substitution y := U (w) dy = U (w)dw gilt: und daher U (w) U (w) dw = A a (w)dw
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Kapitel 1: Aussagen, Mengen
MehrDifferential- und Integralrechnung
Brückenkurs Mathematik TU Dresden 2016 Differential- und Integralrechnung Schwerpunkte: Differentiation Integration Eigenschaften und Anwendungen Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik
MehrÜbungsskript Regelungstechnik 2
Seite 1 von 11 Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik Prof. Dr.-Ing. Klaus Dietmayer / Seite 2 von 11 Aufgabe 1 : In dieser Aufgabe sollen zeitdiskrete Systeme untersucht werden.
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
Mehr[5], [0] v 4 = + λ 3
Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
Mehr2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)
2 Folgen und Reihen 2.1 Folgen in C 2.1.1 Konvergenz von Folgen Eine Folge komplexer Zahlen ist eine Funktion f : N C. Mit a n schreibt man (a n ) n=1, (a n ) oder auch a 1, a 2,.... := f(n) (a n ) heißt
MehrKAPITEL 1: ENDLICHE KÖRPER 1 ALLGEMEINES 2 GLEICHUNGEN ÜBER EINEM ENDLICHEN KÖRPER
RUPRECHT-KARLS-UNIVERSITÄT HEIDELBERG MATHEMATISCHES INSTITUT SEMINAR: QUADRATISCHE FORMEN ÜBER DEN RATIONALEN ZAHLEN SOMMERSEMESTER 2007 DOZENT: PROF. DR. KAY WINGBERG ASSISTENT: JOHANNES BARTELS KAPITEL
MehrÜbungsaufgaben Lösungen
Übungsaufgaben Lösungen Stochastische Matrizen, Markov-Prozesse MV5.1 Eine N N-Matrix P heißt stochastisch, wenn ihre Matrixelemente nicht-negativ sind und alle Zeilensummen 1 ergeben. In Formeln: P ij
Mehr8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem 8.1 Der Kompaktheitssatz Kompaktheitssatz Endlichkeitssatz Der Kompaktheitssatz ist auch unter dem Namen Endlichkeitssatz bekannt. Unter Verwendung
MehrDie Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man
Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.
Mehr2.3 Kriterien der Entscheidungsfindung: Präferenzen
.3 Kriterien der Entscheidungsfindung: Präferenzen Der Einfachheit halber beschränken wir uns auf n = ( zwei Güter). Annahme: Konsumenten können für sich herausfinden, ob sie x = ( x, ) dem Güterbündel
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrMathematische Ökologie
Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen
MehrANALYSIS I FÜR TPH WS 2016/17 3. Übung Übersicht
ANALYSIS I FÜR TPH WS 206/7 3. Übung Übersicht Aufgaben zu Kapitel 5 und 6 Aufgabe : Untersuchung von Reihen mittels Konvergenzkriterien Aufgabe 2: Konvergenz und Berechnung von Reihen I Aufgabe 3: ( )
MehrÜbungen zu Kurvenintegralen Lösungen zu Übung 12
Übungen zu Kurvenintegralen Lösungen zu Übung. Sei der obere Halbreis mit dem Radius r um (, ), und sei f(x, y) : y. Berechnen Sie f(x, y) ds. Das ist jetzt eine leine Aufgabe zum Aufwärmen. Guter Tric:
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
MehrKonvexe Funktionen und Legendre-Transformation
Konvexe Funktionen und Legendre-Transformation Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x, y auch stets deren Verbindungsstrecke xy = {x +t xy 0 t 1} = {(1 t)x +ty 0 t 1} enthält.
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
Mehr