ML a t he m at ik. Präferenzen. Klaus Schindler. e h r st a b 0 Universität des Saarlandes Fakultät 1

Ähnliche Dokumente
2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

Mathematik 1 für Wirtschaftsinformatik

Vorlesung. Funktionen/Abbildungen 1

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen

Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38

Studiengang (Zutreffendes bitte ankreuzen):

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

Finanzierung und Investition

Absolute Stetigkeit von Maßen

a n := ( 1) n 3n n 2. a n := 5n4 + 2n 2 2n n + 1. a n := n 5n 2 n 2 + 7n + 8 b n := ( 1) n

Einführung in die Algebra

Ergänzungen zur Analysis I

Mathematik I für Wirtschaftswissenschaftler

Modulabschlussklausur Analysis II

Extrema von Funktionen in zwei Variablen

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Bestimmung einer ersten

Optimierung. Optimierung. Vorlesung 7 Lineare Programmierung II Thomas Brox, Fabian Kuhn

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013

4. Versicherungsangebot

Prof. Dr. Ulrich Schwalbe Wintersemester 2004/05. Klausur Mikroökonomik. Matrikelnummer: Studiengang:

Optimalitätskriterien

Beispiel Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Charakteristikenmethode im Beispiel

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Lernzettel Mathe Inhaltsverzeichnis

Stabilität mittels Ljapunov Funktion

Theoretische Informatik

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Extremwertverteilungen

Mikroökonomik B 1. Intertemporale Entscheidung

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Mathematikaufgaben zur Vorbereitung auf das Studium

17. Penalty- und Barriere-Methoden

Klausur Mikroökonomik

Vorlesung Wirtschaftsmathematik II SS 2015, 3/2 SWS. Prof. Dr. M. Voigt

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Z = 60! 29!31! 1,

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt

TEILWEISE ASYNCHRONE ALGORITHMEN

Wirtschaftsstatistik. Konzentrations- und Disparitätsmessung

Solvency II und die Standardformel

Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

10. Vorlesung Spieltheorie in der Nachrichtentechnik

Klausur Mathematik 2

Teil II. Nichtlineare Optimierung

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen

Risiko und Versicherung - Übung

Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie

Analysis I III. Vorlesungsskriptum WS 2005/06 WS 2006/07. Fakultät für Mathematik, Ruhr-Universität Bochum

Vorlesung. Informationsökonomik und die Theorie der Firma

Formelsammlung Wirtschaftsmathematik

FORD ST _ST_Range_V2_ MY.indd FC1-FC3 27/06/ :24:01

Mikroökonomik B (Bachelor)

Monte Carlo Methoden in Kreditrisiko-Management

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/

Qualitative Datenanalyse

Im Jahr t = 0 hat eine Stadt Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.






Didaktik der Zahlbereiche 4. Die Menge der ganzen Zahlen. Mathematikunterricht in der Jahrgangsstufe 7. Zahlbereichserweiterungen in der Hauptschule

Dr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN


Mathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz

Nichtlineare Optimierung ohne Nebenbedingungen

Informatik I WS 07/08 Tutorium 24

Formelsammlung. Folgen und Reihen

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Unterlagen für die Lehrkraft

Quantitative Risk Management

Bayern FOS BOS 12 Fachabiturprüfung 2015 Mathematik (Nichttechnische Ausbildungsrichtungen) Analysis A I

Aufgaben zur Vorlesung Analysis II Prof. Dr. Holger Dette SS 2012 Lösungen zu Blatt 6

Serie 13: Online Test

16 Risiko und Versicherungsmärkte

Grundzüge der VWL A. Mathematik

Abitur - Grundkurs Mathematik. Sachsen-Anhalt Gebiet G1 - Analysis

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Was ist Entscheidungstheorie?


3.3 Eigenwerte und Eigenräume, Diagonalisierung

3. Zusammenhang. 22 Andreas Gathmann

Gewöhnliche Differentialgleichungen

Klausur Mikroökonomie I Diplom SS 06 Lösungen

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

2. Nash Equilibria. Das Spiel kann dann beschrieben werden durch

Hierarchische Archimedische Copulas

Aufgaben zur Mikroökonomik I

Transkript:

Präferenzen Klaus Schindler ML a t he m at ik e h r st a b 0 Universität des Saarlandes Fakultät 1 http://www.mathe.wiwi.uni-sb.de Advanced Quantitative Methods for Economists WS 2014/2015

Ordnung Lexikographische Ordnung Ordnung Definition: Für Vektoren x=(x 1,..., x N ) und y=(y 1,..., y N ) des R N y x k : y k x k y x k : y k > x k Bemerkung: (y x) (y x) ( k : y k x k ) ( l : yl >x l ) definiere

Ordnung Lexikographische Ordnung Lexikographische Ordnung Definition: Für Vektoren x und y des R N definiere y x, falls gilt (x=y) oder die erste von Null verschiedene Komponente von y x ist positiv. Bemerkung: ist eine Totalordnung in R N, die als lexikographische Ordnung bezeichnet wird.

Rationale Präferenzen Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Im Folgenden bezeichne X R N + die Menge sämtlicher Güterbündel ( Alternativen ). Eine Relation in X heißt rationale Präferenzrelation, wenn sie vollständig und transitiv ist. Man definiert daraus die Relationen der Indifferenz und der strikten Präferenz durch y x (y x) (x y) y x (y x) (x y) Für jedes x X definiert man die Indifferenzmenge und die obere bzw. untere Konturmenge (Besser- bzw. Schlechtermenge) durch { y X y x } { y X y x } { y X y x }

Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Manchmal ist es plausibel, dass größere Güterbündel kleineren Güterbündeln vorgezogen werden.

Monotone Präferenzen Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Eine Relation in X heißt monoton, wenn für alle x X gilt y x = y x streng monoton, wenn für alle x X gilt (y x) (y x) = y x Bemerkung: Strenge Monotonie impliziert Monotonie! In der Literatur sind teilweise leicht unterschiedliche Definitionen der Monotonie zu finden!

Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Wenn es Goods gibt, die Bads sind, kann keine monotone Präferenz vorliegen. In diesem Fall bietet sich statt der Monotonie ein schwächerer Begriff an.

Lokal nicht gesättigte Präferenzen Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Eine Relation in X heißt lokal nicht gesättigt, wenn gilt Bemerkung: x X ε>0 y U ε (x) : y x Jede monotone Relation ist lokal nicht gesättigt! Dicke Indifferenzmengen, deren Inneres (!) nicht leer ist, sind nicht verträglich mit lokaler Nichtsättigung!

Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Bei der Konvexität von Präferenzen beschäftigt man sich mit der Frage nach trade-offs zwischen verschiedenen Gütern (Alternativen).

Konvexe Präferenzen Ordnungsrelationen in R N Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Eine Relation in X heißt konvex, wenn für jedes x X die obere Konturmenge von x konvex ist, d.h. (y x) (z x) = α [0, 1] : α y + (1 α) z x Eine Relation in X heißt streng konvex, wenn für jedes x X gilt (y x) (z x) (y z) = α ]0, 1[: α y + (1 α) z x

Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen In Anwendungen (vor allem in der Ökonometrie) konzentriert man sich häufig auf Präferenzen, bei denen es möglich ist, die gesamte Präferenzrelation aus einer einzigen Indifferenzmenge abzuleiten.

Homothetische Präferenzen Rationale Präferenzen Monotone und streng monotone Präferenzen Lokal nicht gesättigte Präferenzen Konvexe Präferenzen Homothetische Präferenzen Eine Relation in X heißt homothetisch, wenn sich alle Indifferenzmengen durch proportionale Entwicklung in Richtung von Ursprungsgeraden ergeben, d.h. (y x) = α R + : α y α x

Aus Gründen der Optimierung ist es optimal, mittels einer Nutzenfunktion u darzustellen. Ist diese sogar differenzierbar stehen dann sogar alle Optimierungsmethoden der Differentialrechnung zur Verfügung.

Repräsentierende Nutzenfunktion Eine Funktion U : X R heißt repräsentierende Nutzenfunktion der Präferenzordnung, falls x, y X : x y U(x) U(y) Bemerkung: Insbesondere folgt: (x y) U(x)=U(y) (x y) U(x)>U(y)

Lexikographische Ordnung und Nutzenfunktion Die lexikographische Ordnung im R N besitzt keine repräsentierende Nutzenfunktion U! Beweis: Indirekt, wobei o.e. N=2 und X=R N gelte. Nach Definition der lexikographischen Ordnung müsste für U gelten x R : U(x, 2) > U(x, 1) Wähle für jedes x R eine rationale Zahl r(x) Q mit U(x, 2) > r(x) > U(x, 1) r : R Q ist streng mowa, denn für y > x gilt U(y, 2) > r(y) > U(y, 1) > U(x, 2) > r(x) > U(x, 1) Also ist r injektiv im Widerspruch zur Überabzählbarkeit von R.

Konturmengen und Homothetische und monotone Quasikonkave Eine Relation in X heißt stetig, wenn sie verträglich bzgl. Grenzwertbildung ist, d.h. ist (x n, y n ) eine Folge in X mit so gilt auch x y Bemerkung: 1) n N : x n y n 2) lim n (x n, y n ) = (x, y) 1 Beachte Analogie zu Grenzwerten in R N, d.h. x n y n = lim n x n lim n y n 2 Die lexikographische Ordnung ist unstetig, denn es gilt ( 1 n, 0) (1, 0), aber lim ( 1 n n, 0) = (0, 0) (1, 0)

Konturmengen und Homothetische und monotone Quasikonkave Stetigkeit und Konturmengen Satz: ist genau dann stetig, wenn alle oberen und unteren Konturmengen topologisch abgeschlossen sind. Beweis: = : Gilt y n x bzw. y n x, so folgt aus der Stetigkeit lim y n x bzw. lim y n x n n

Konturmengen und Homothetische und monotone Quasikonkave Anforderungen an die Präferenzordnung wirken sich auf die repräsentierende Nutzenfunktion aus!

Konturmengen und Homothetische und monotone Quasikonkave Eigenschaften von Zu jeder stetigen Präferenzordnung existiert eine stetige repräsentierende Nutzenfunktion. Eine stetige Präferenzordnung ist genau dann homothetisch, wenn eine repräsentierende Nutzenfunktion existiert, die homogen vom Grad 1 ist. Ist die Präferenzordnung monoton, so ist jede repräsentierende Nutzenfunktion U monoton, d.h. x y = U(x) U(y)

Konturmengen und Homothetische und monotone Quasikonkave Quasikonkave/konvexe Funktionen Sei f : X R eine Funktion auf einer konvexen Menge X. f heißt quasikonkav, wenn alle oberen Konturmengen konvex sind, d.h. wenn gilt t R : { x X f(x) t } ist konvex f heißt quasikonvex, wenn alle unteren Konturmengen konvex sind, d.h. wenn gilt t R : { x X f(x) t } ist konvex Satz: ist genau dann konvex, wenn jede repräsentierende Nutzenfunktion quasikonkav ist.

Konturmengen und Homothetische und monotone Quasikonkave Quasikonkave/Quasikonvexe Funktionen Satz: Sei f : X R eine Funktion auf einer konvexen Menge X. f ist genau dann quasikonkav, wenn gilt x, y X α [0, 1] : f ( αx + (1 α)y ) min { f(x), f(y) } f ist genau dann quasikonvex, wenn gilt x, y X α [0, 1] : f ( αx + (1 α)y ) max { f(x), f(y) }

Konturmengen und Homothetische und monotone Quasikonkave Eigenschaften Satz: f : X R quasikonkav f quasikonvex Jede konkave Funktion ist quasikonkav und jede konvexe Funktion ist quasikonvex. Jede monotone Funktion in einer Variablen ist quasikonkav und quasikonvex.

Konturmengen und Homothetische und monotone Quasikonkave Aufgaben 1 Erläutere die Unterschiede zwischen quasikonvex und konvex bzw. quasikonkav und konkav. 2 Untersuchen Sie, ob folgende Funktionen f i : R R konvex, quasikonvex, konkav oder quasikonkav sind. i) f 1 (x)=x 4 ii) f 2 (x)=x 5 iii) f 3 (x)= x 6 iv) f 4 (x)= e ( x 2 ) 3 Untersuchen Sie, ob f : R 2 R mit f(x 1, x 2 ) := e (x 2 1 +x 2 2 ) konvex, quasikonvex, konkav oder quasikonkav ist.