Markowoskie Stacjonarne Równowagi w Stochastycznych Grach Supermodularnych w Niepe ln a Prywatnȩ i Publiczn a Informacj a
|
|
- Jan Kwiatkowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Markowoskie Stacjonarne Równowagi w Stochastycznych Grach Supermodularnych w Niepe ln a Prywatnȩ i Publiczn a Informacj a Lukasz Balbus, Kevin Reffett i Lukasz Woźny Statystyka Matematyczna Wis la, 3-7 grudnia 2012 Uniwersytet Zielonogórski Arizona State University, USA Szko la G lówna Handlowa w Warszawie 1
2 Powi azania teorii gier ze statystyk a matematyczn a: W statystyce wystȩpuje dwóch graczy: statystyk i natura Statystyk nie wie do czego natura d aży, ale może za lożyć że zna rozk lad zachowań natury (podejście bayesowskie) zak lada że natura gra przeciwko niemu (podejście minimaksowe) W standardowej teorii gier każdy z graczy zna siȩ nawzajem, zna swój cel i swoje możliwości Gracze nie wiedz a tylko jak przeciwnicy zagraj a, czyli jakie zastosuj a strategie. 2
3 Podstawowy problem: znaleźć równowagȩ Nasha tzn. taki profil strategii: W i (x 1,..., x i 1, x i, x i+1,..., x n) W i (x 1,..., x i 1, x i, x i+1,..., x n) i,xi W podejściu minimaksowym równowaga Nasha to punkt siod lowy czyli para strategii: natura: bierze zbiór najmniej korzystny statystyk: wybiera optymaln a strategiȩ na zbiór najmniej korzystny 3
4 Gra bayesowska, interpretacje: Jest n graczy. Indeks gracza (np. każdy gracz to statystyk) i {1, 2,..., n}. Kolejnym marionetkowym graczem jest natura. Każdy gracz wie do czego zmierza przeciwnik, ale nie wie do czego zmierza natura (wiemy tylko że wybiera parametr θ o znanym rozk ladzie a-priori.). Inna interpretacja to mamy graczy i {1, 2,..., n} i nieznany parametr zak lócaj acy θ o znanym rozk ladzie a-priori. 4
5 Gra bayesowska -opis gry Co obserwuje i -ty gracz? Publiczny sygna l (szok) z Z (przedzia l w przestrzenii wektorowej zawieraj acy 0 wyposażony w σ-cia lo zbiorów borelowskich Z) Prywatny sygna l (subiektywna reakcja na szok) θ i Θ i (Θ i jest przestrzeni a polsk a) Gracz i obserwuje (z, θ i ), ale nie zna prywatnych sygna lów pozosta lych graczy θ j (j i). Oznaczmy θ := (θ 1,..., θ n ). Przyjmijmy tradycyjnie θ i = θ j. j i 5
6 Gracz i zna (z, θ i ). Ale nadal nie zna θ i... Za lóżmy, że uważa że rozk lad na Θ := n i=1 Θ i jest Q( z) (rozk lad a-priori). Ponieważ gracz zna dodatkowo θ i, uważa, że rozk lad a-posteriori na prywatnych sygna lach reszty graczy to Q i ( z, θ i ) (czyli regularny rozk lad warunkowy Q na Θ i pod warunkiem θ i Θ i oraz z Z) 6
7 Gracz i zna (z, θ i ). Co może zrobić? Gracz wybiera a i ze domkniȩtego zbioru strategii dopuszczalnych A i R k Zbiór strategii dopuszczalnych dla gracza i oznaczamy jako à i (z, θ i ) (zależy od publicznego i jego prywatnego sygna lu). 7
8 Gracz i zna (z, θ i ), Q i ( z, θ i ), wybiera akcjȩ a i Ã(z, θ i ). Co otrzymuje? Otrzymuje dzienn a wyp latȩ r i (z, (θ i, θ i ), (a i, a i (θ i ))). Ale ponieważ gracz zna θ i, nie jest w stanie przewidzieć ile otrzyma, nawet gdyby zna l strategiȩ pozosta lych graczy (zazwyczaj jej nie zna). Ale gracz zna rozk lad a posteriori Q i i z tego powodu dzienny cel to maksymalizacja dziennej oczekiwanej użyteczności = R i (z, θ i, (a i, a i )) = Θ i r i (z, (θ i, θ i ), (a i, a i (θ i )))Q(dθ i θ i) 8
9 Rozważmy problem graczy w wielu krokach t N := {1, 2,...}. Z tego powodu W każdym kroku t gracze obserwuj a (z t, θ t i ), Uważaj a że rozk lad na Θ i jest Q i ( z t, θ t i ), Wybieraj a akcje a i Ã(z t, θ t i ), i oczekuj a dziennej wyp laty R i (z t, θ t i, at i, at i ). Publiczny sygna l jest aktualizowany z t z t+1 i gra przechodzi do kroku t
10 Jak wygl ada aktualizacja, czyli zmiana z z t na z t+1? Zak ladamy, że z t jest lańcuchem Markowa sterowanym przez graczy o prawdopodobieństwie przejścia q( z, (θ i, θ i ), a) Czyli dla każdego (z t, θ t, a t ) z t+1 q( z t, (θ t i, θt i ), (at i, at i (θt i )) Ponieważ θ i jest nieznane dla gracza i, może on jedynie oczekiwać, że z t+1 Θ i q( z t, (θ t i, θ i), (a t i, at i (θ i))q(dθ j z t, θ t i ) 10
11 Ostateczny cel gracza: każdy gracz maksymalizuje γ i (z, θ i )(π) := E z,θ i,π i t=1 R i (z t, θ t i, at )β t 1 gdzie π i jest strategi a dla gracza i, natomiast π jest profilem. Rozważamy nastȩpuj ace problemy: Znalezienia algorytmu numerycznego na znalezienie stacjonarnej markowowskiej równowag Nasha w dyskontowanej grze stochastycznej. Rozważamy zbiór podobnych problemów parametryzowanych przez uporz adkowany zbiór Ω i prezentujemy rezultaty porównawcze dla równowag Nasha. 11
12 Dlaczego gry stochastyczne: Obszerna literatura na tym polu: Pierwsza praca: Shapley (1955) Istnienie równowagi przy różnych za lożeniach: Metrens i Parthasarathy (2003), Maitra i Sudderth (2007), wcześniej Amir (1996), Curtat (1996), Nowak (2003,2006,2010) Bayesowskie gry supermodularne : Vives (1990), Van Zandt (2010) Przyk lad gry w której nie istnieje równowaga: Levy (2012) Istnienie skorelowanych strategii: Duffy, Geanakoplos, Mas Collel, Lennan (1994), 12
13 Harris, Renny, Robson (1995), Nowak Raghavan (1992), Duggan (2012)... Metody obliczeniowe APS (iteracja zbiorów równowag): Abreu, Pearce and Strachetti (1990) Metody iteracyjne: Nowak, Szajowski (2003), Balbus, Nowak (2004), Balbus, Reffett and Woźny (2012),
14 Za lożenie 1: r i (z, θ, ) jest ci ag la w A, oraz r i (,, a) jest mierzalna na Z Θ Ã multifunkcja o wartościach niepustych, zwartych bȩd acych krat a zupe ln a, r i przyjmuje wartości w [0, M], f. supermodularna w a i, i ma rosn ace przyrosty w (a i, a i ) (kardynalne komplementarności patrz Curtat (1996)) oraz r i (, θ i, a) 0 (z = 0 stan bankructwa). Ponadto, r i jest rosn aca w a i. q jest w postaci q( z, θ, a) = p( z, θ, a)+(1 p(z z, θ, a))δ 0 ( ) gdzie δ 0 ( ) jest miar a skupion a w stanie bankructwa. p jest miar a t.z. p(z z, θ, a) < 13
15 0 oraz p(z 0, θ, a) 0 (stan bankructwa jest poch laniaj acy) dla wszystkich funkcji mierzalnych o wartościach [0, M] (zbiór takich funkcji to V) v p(v z, θ, a) ma kardynalne komplementarności i jest rosn aca w a. Ponadto p(v z, θ, ) jest ci ag la i p(v,, a) jest mierzalna.
16 Z równań Bellmana p. Bertsekas Shreve (1978) znalezienie stacjonarnej markowowskiej równowagi redukuje siȩ do gry jednokrokowej parametryzowanej przez v i V z wyp lat a W i (z, θ i, a i, σ i ) := (1 β)r i (z, θ i, (a i, σ i ))+ gdzie +βe(v i z, θ i, (a i, σ i )) = Θ i Z E(v i z, θ i, (a i, σ i )) = Θ i v i (z, θ i )q(dz z, θ, a i, σ i )Q i (dθ i z, θ i ) 14
17 Z tego powodu redukujemy ten problem do znalezienia punktu sta lego multifunkcji: z Φ(v, σ) = P(v, σ) T (v, σ), P i (v, σ) = arg max W i (z, θ i, a i, σ i ) a à i (z,θ i ) oraz T i (v, σ) = P := max W i (z, θ i, a i, σ i ) a à i (z,θ i ) n i=1 P i T := n i=1 T i. 15
18 Tzn. f jest stacjonarn a równowag a, a v jest odpowiedni a wyp lat a wtedy i tylko wtedy gdy (v, f ) Φ(v, f ) Możemy znaleźć ekstremalne selekcje: najmniejsz a i najwiȩksz a Φ(v, σ) = P(v, σ) T (v, σ), Φ(v, σ) = P(v, σ) T (v, σ). Obie istniej a z kardynalnych komplementarności (p. Topkis (1978), Milgrom and Roberts (1990), Curtat (1996)). 16
19 Podobne problemy: Nowak and P.Szajowski (2003), Balbus and Nowak (2004), P.Szajowski (2006), Balbus, Reffett i Woźny (2012) W odróżnieniu od ww modeli my nie liczymy równowag w grach pomocniczych, a redukujemy nasz problem do serii problemów maksymalizacyjnych. 17
20 Twierdzenie 1: Iteracje prowadz ace do równowagi Najwiȩksza równowaga: i dla t 1 (f 0, v 0 ) = (max Ã(z, θ), M) (f t+1, v t+1 ) = Φ(v t, σ t ). Wtedy oba f t i v t s a rosn ace w t. Najwiȩksza równowaga (wartość i strategia) (v, f ) = lim t (v t, σ t ). Najmniejsza równowaga: i dla t 1 (f 0, v 0 ) = (0, 0) (f t+1, v t+1 ) = Φ(v t, σ t ). Wtedy oba f t i v t s a rosn ace w t. Najmniejsza równowaga (wartość i strategia) to (v, f ) = lim t (v t, σ t ). 18
21 Dowód bazuje na tw. Tarskiego i Tarskiego i Kantorowicza.
22 Probem z pogranicza statystyki i teorii gier: Poprzednio za lożyliśmy znajomość rozk ladu a-priori θ Q( z). teraz go nie znamy, czyli operator Φ(f, v )(θ, z) zależy od Q. Za lóżmy że w kroku t gracz zna historiȩ gry do momentu t 1 w l acznie, w szczególności zna (θ 1 i, θ2 i,..., θt 1 i ) a w kroku t zna jedynie (z t, θi t ), a nie zna θ i t. Nie zna również rozk ladu a priori Q. 19
23 Gracz ma dwa problemy: Estymacja rozk ladu Q Maksymalizacja swojej funkcji użyteczności. Podobny problem przedstawia Minjárez Sosa i Vega-Amaya (2009), podobnie jak wcześniej Gordienko (1985), Gordienko i Minjares-Sosa (1998), Altman i Schwarz (1991). 20
24 Algorytm: Praca Balbus,Reffett, Woźny (2013) pokazuje istnienie odpowiedniej równowagi jako ci ag iteracji (f (z, θ; Q), v (z, θ; Q) Φ(f, v; Q)(z, θ i ). (i) Gracz i obserwuje (z 1, θ 1 i ) (ii) każdy gracz zgaduje Q i ( z) i wybiera strategiȩ (f (z 1, θ 1 ; Q), (iii) W kroku t gracz nie zna Q i, ale zna (θ 1 i, θ2 i,..., θt 1 i ) (iv) Problem: znajdź (szybko zbieżny) estymator Q( z t, θ t ) w oparciu o szereg czasowy { (θ i τ, θτ i )} t τ=1 (zt można potraktować jako sta l a). 21
25 (v) Oblicza (f t+1, v t+1 ) = Φ(f t, v t ; ˆQ t ), (vi) Przechodzi do nastȩpnego kroku,
26 Uproszczony model: Gra jednoosobowa (proces decyzyjny) Levhariego Mirmana: Populacja ryb odnawia siȩ zgodnie z regu l a z t+1 = ɛ t (z t a t ) θ, gdzie ɛ t ma rozk lad Lognormalny o (0, s 2 ). Zysk z po lowu dziennego dla rybaka to n.p. ln(a t ). Gracz nie zna θ, ale gdyby j a zna l uży lby strategii a t (z t, θ) = (1 g(θ))z t z t a t = g(θ)z t Wiȩc po zlogarytmowaniu mamy proces ARIMA(1,1,0) postaci Z t+1 = θ Z t + ln(g(θ))θ + E t, gdzie Z t = ln(z t ), E t ln(ɛ t ). Dla {ˆθ t } t=1 ci ag estymatorów θ. Pytanie: Co można powiedzieć o strategii a t (z t, θ t ) = (1 g(ˆθ t ))z t? 22
Konstruktywne metody znajdowania równowag w dużych gospodarkach.
Konstruktywne metody znajdowania równowag w dużych gospodarkach. Łukasz Balbus 1 Wojewódzki Urza d Pracy w Zielonej Górze, 28 Maja 2014 1 Uniwersytet Zielonogórski. Cele teorii gier w ekonomii: próba zrozumenia
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoMnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego
Bardziej szczegółowoMetoda Simplex bez użycia tabel simplex 29 kwietnia 2010
R. Rȩbowski 1 WPROWADZENIE Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 1 Wprowadzenie Powszechnie uważa siȩ, że metoda simplex, jako uniwersalny algorytm pozwalaj acyznaleźć rozwi azanie optymalne
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoTeoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej
Teoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej 27-28/10/09 ZBIORY MIERZALNE WZGLȨDEM MIARY ZEWNȨTRZNEJ Niech µ bȩdzie miar
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoProcesy Stochastyczne - Zestaw 1
Procesy Stochastyczne - Zestaw 1 Zadanie 1 Niech ξ i η bed a niezależnymi zmiennymi losowymi o rozk ladach N (0, 1). Niech X = ξ +η i Y = ξ η. Znaleźć rozk lad (X, Y ) i rozk lad warunkowy L X ( Y ). Zadanie
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoStochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów
Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14
Bardziej szczegółowoNiech X bȩdzie dowolnym zbiorem. Dobry porz adek to relacja P X X (bȩdziemy pisać x y zamiast x, y P ) o w lasnościach:
Teoria miary WPPT IIr semestr zimowy 2009 Wyk lad 4 Liczby kardynalne, indukcja pozaskończona DOBRY PORZA DEK 14/10/09 Niech X bȩdzie dowolnym zbiorem Dobry porz adek to relacja P X X (bȩdziemy pisać x
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 1 1 Co to jest MCMC? 2
Bardziej szczegółowoStochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych
Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 10 listopada 2016 Proseminarium licencjackie
Bardziej szczegółowoPOCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy
POCHODNA KIERUNKOWA Pochodne cz astkowe funkcji f(m) = f(x, y, z) wzglȩdem x, wzglȩdem y i wzglȩdem z wyrażaj a prȩdkość zmiany funkcji w kierunku osi wspó lrzȩdnych; np. f x jest prȩdkości a zmiany funkcji
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoZastosowania twierdzeń o punktach stałych
16 kwietnia 2016 Abstrakt Niech X będzie przestrzenią topologiczną. Ustalmy odwzorowanie ciągłe f : X X. Twierdzeniem o punkcie stałym nazywamy prawdę matematyczną postulującą pod pewnymi warunkami istnienie
Bardziej szczegółowoTeoria gier. mgr Przemysław Juszczuk. Wykład 5 - Równowagi w grach n-osobowych. Instytut Informatyki Uniwersytetu Śląskiego
Instytut Informatyki Uniwersytetu Śląskiego Wykład 5 - Równowagi w grach n-osobowych Figure: Podział gier Definicje Formalnie, jednoetapowa gra w postaci strategicznej dla n graczy definiowana jest jako:
Bardziej szczegółowoTeoria Gier - wojna, rybołówstwo i sprawiedliwość w polityce.
Liceum Ogólnokształcące nr XIV we Wrocławiu 5 maja 2009 1 2 Podobieństwa i różnice do gier o sumie zerowej Równowaga Nasha I co teraz zrobimy? 3 Idee 1 Grać będą dwie osoby. U nas nazywają się: pan Wiersz
Bardziej szczegółowoLiczba 2, to jest jedyna najmniejsza liczba parzysta i pierwsza. Oś liczbowa. Liczba 1, to nie jest liczba pierwsza
1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 3 Liczba 2, to jest jedyna najmniejsza liczba parzysta i pierwsza 2 1 0 1 2 3 x Oś liczbowa. Liczba 1, to nie jest liczba pierwsza MATEMATYKA
Bardziej szczegółowoT O P O L O G I A WPPT I, sem. letni WYK LAD 8. Wroc law, 21 kwietnia D E F I N I C J E Niech (X, d) oznacza przestrzeń metryczn a.
T O P O L O G I A WPPT I, sem. letni WYK LAD 8 Zwartość D E F I N I C J E Niech (X, d) oznacza przestrzeń metryczn a. Wroc law, 1 kwietnia 008 Definicja 1. (X, d) jest ca lkowicie ograniczona jeśli dla
Bardziej szczegółowoSterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina.
Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych W podstawowym problemie sterowania optymalnego minimalizacji
Bardziej szczegółowoMnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego
Bardziej szczegółowoZagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka
Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych 8 Pochodna kierunkowa funkcji Definicja Niech funkcja f określona bȩdzie w otoczeniu punktu P 0 = (x 0, y 0 ) oraz niech v = [v x, v y ] bȩdzie wektorem. Pochodn a kierunkow a funkcji
Bardziej szczegółowo0.1 Sposȯb rozk ladu liczb na czynniki pierwsze
1 Temat 5: Liczby pierwsze Zacznijmy od definicji liczb pierwszych Definition 0.1 Liczbȩ naturaln a p > 1 nazywamy liczb a pierwsz a, jeżeli ma dok ladnie dwa dzielniki, to jest liczbȩ 1 i sam a siebie
Bardziej szczegółowoZestaw nr 7 Ekstremum funkcji jednej zmiennej. Punkty przegiȩcia wykresu. Asymptoty
Zestaw nr 7 Ekstremum funkcji jednej zmiennej. Punkty przegiȩcia wykresu. Asymptoty November 20, 2009 Przyk ladowe zadania z rozwi azaniami Zadanie 1. Znajdź równanie asymptot funkcji f jeśli: a) f(x)
Bardziej szczegółowoTeoria gier. Łukasz Balbus Anna Jaśkiewicz
Teoria gier Łukasz Balbus Anna Jaśkiewicz Teoria gier opisuje sytuacje w których zachodzi konflikt interesów. Znajduje zastosowanie w takich dziedzinach jak: Ekonomia Socjologia Politologia Psychologia
Bardziej szczegółowoANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la?
Ci ag lość i norma Ćwiczenie. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? f (x, y) = x2 y 2 x 2 + y 2, f 2(x, y) = x2 y x 2 + y 2 f 3 (x, y) = x2 y
Bardziej szczegółowoWyk lad 6 Podprzestrzenie przestrzeni liniowych
Wyk lad 6 Podprzestrzenie przestrzeni liniowych 1 Określenie podprzestrzeni Definicja 6.1. Niepusty podzbiór V 1 V nazywamy podprzestrzeni przestrzeni liniowej V, jeśli ma on nastepuj ace w lasności: (I)
Bardziej szczegółowo28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w
Bardziej szczegółowoPawe l G ladki. Problem przetargu.
1 Problem przertargu Pawe l G ladki Problem przetargu. Co to jest przetarg w potocznym znaczeniu wyjaśniać chyba nie trzeba. W ujȩciu eknomicznym, za przetarg uważamy takie sytuacje, jak negocjacje handlowe
Bardziej szczegółowoElementy analizy funkcjonalnej PRZESTRZENIE LINIOWE
Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE Niech K = R lub K = C oraz X - dowolny zbiór. Określmy dwa dzia lania: dodawanie + : X X X i mnożenie przez liczbȩ : K X X, spe lniaj ace nastȩpuj ace
Bardziej szczegółowoRozdzia l 10. Najważniejsze normalne logiki modalne
Rozdzia l 10. Najważniejsze normalne logiki modalne 1. Logiki modalne normalne Definicja. Inwariantny zbiór formu l X jȩzyka modalnego L = (L,,,,, ) nazywamy logik a modaln a zbazowan a na logice klasycznej
Bardziej szczegółowoWyk lad 9 Baza i wymiar przestrzeni liniowej
Wyk lad 9 Baza i wymiar przestrzeni liniowej 1 Operacje elementarne na uk ladach wektorów Niech α 1,..., α n bed dowolnymi wektorami przestrzeni liniowej V nad cia lem K. Wyróżniamy nastepuj ace operacje
Bardziej szczegółowoWprowadzenie z dynamicznej optymalizacji
Wprowadzenie z dynamicznej optymalizacji Lukasz Woźny 29 kwietnia 2007 Spis treści 1 Optymalizacja statyczna a optymalizacja dynamiczna 2 1.1 Ekstrema lokalne funkcji wielu zmiennych - statyka...... 2
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowo5 Błąd średniokwadratowy i obciążenie
5 Błąd średniokwadratowy i obciążenie Przeprowadziliśmy 200 powtórzeń przebiegu próbnika dla tego samego zestawu parametrów modelowych co w Rozdziale 1, to znaczy µ = 0, s = 10, v = 10, n i = 10 (i = 1,...,
Bardziej szczegółowo11. Gry Macierzowe - Strategie Czyste i Mieszane
11. Gry Macierzowe - Strategie Czyste i Mieszane W grze z doskonałą informacją, gracz nie powinien wybrać akcję w sposób losowy (o ile wypłaty z różnych decyzji nie są sobie równe). Z drugiej strony, gdy
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoDolne oszacowania wartości rekordowych
Dole oszacowaia wartości rekordowych Agieszka Gorocy Uiwersytet Miko laja Koperika, Toruń Tomasz Rychlik Uiwersytet Miko laja Koperika, IM PAN, Toruń XXXV Koferecja Statystyka Matematycza, Wis la. 8 grudia
Bardziej szczegółowoWykład Ćwiczenia Laboratoriu m 30 30 1,5 1,5 WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI CELE PRZEDMIOTU
Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ELEMENTY TEORII GIER Nazwa w języku angielskim ELEMENTS OF GAME THEORY Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoRozdzia l 9. Zbiory liczb porz adkowych. Liczby porz adkowe izolowane i graniczne
Rozdzia l 9. Zbiory liczb porz adkowych. Liczby porz adkowe izolowane i graniczne 1. Kresy wzglȩdem dowolnego zbioru liczb porz adkowych Poświȩcimy teraz uwagȩ przede wszystkich kratowym w lasnościom klasy
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoPo wprowadzeniu zmiennych uzupe lniaj acych otrzymamy równoważny mu problem w postaci kanonicznej:
ROZDZIA L Metoda sympleksowa Motto: Matematyka nie może wype lnić życia ale jej nieznajomość już niejednemu je wype lni la H Steinhaus Tablica sympleksowa Rozważmy ZPL w postaci klasycznej maksymalizować
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa - 12
Zadania z Rachunku Prawdopodobieństwa - 12 1. Udowodnij, że dla dowolnych punktów x n, x w przestrzeni metrycznej E δ xn δ x wtedy i tylko wtedy gdy x n x. 2. Wykaż, że 1 n n k=1 δ k/n λ, gdzie λ jest
Bardziej szczegółowoGRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils
GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0
Bardziej szczegółowo1 Przestrzenie metryczne
Topologia I Notatki do wyk ladu LITERATURA UZUPE LNIAJA CA R. Duda, Wprowadzenie do topologii, czȩść I. R. Engelking, Topologia ogólna. R. Engelking, K. Sieklucki, Wstȩp do topologii. W. Rudin, Podstawy
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoImputacja brakujacych danych binarnych w modelu autologistycznym 1
Imputacja brakujacych danych binarnych w modelu autologistycznym 1 Marta Zalewska Warszawski Uniwesytet Medyczny Statystyka Matematyczna Wisła, grudzień 2009 1 Współautorzy: Wojciech Niemiro, UMK Toruń
Bardziej szczegółowoWyk lad 7 Baza i wymiar przestrzeni liniowej
Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoKurs z NetLogo - część 4.
Kurs z NetLogo - część 4. Mateusz Zawisza Zakład Wspomagania i Analizy Decyzji Instytut Ekonometrii Szkoła Główna Handlowa Seminarium Wieloagentowe Warszawa, 10.01.2011 Agenda spotkań z NetLogo 15. listopada
Bardziej szczegółowo2010 W. W. Norton & Company, Inc. Oligopol
2010 W. W. Norton & Company, Inc. Oligopol Oligopol Monopol jedna firma na rynku. Duopol dwie firmy na rynku. Oligopol kilka firm na rynku. W szczególności decyzje każdej firmy co do ceny lub ilości produktu
Bardziej szczegółowoEstymacja gęstości prawdopodobieństwa metodą selekcji modelu
Estymacja gęstości prawdopodobieństwa metodą selekcji modelu M. Wojtyś Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Wisła, 7 grudnia 2009 Wstęp Próba losowa z rozkładu prawdopodobieństwa
Bardziej szczegółowoWyk lad 3. Natalia Nehrebecka Dariusz Szymański. 13 kwietnia, 2010
Wyk lad 3 Natalia Nehrebecka Dariusz Szymański 13 kwietnia, 2010 N. Nehrebecka, D.Szymański Plan zaj eć 1 Sprowadzenie modelu nieliniowego do liniowego 2 w modelu liniowym Elastyczność Semielastyczność
Bardziej szczegółowoEkonomia matematyczna i dynamiczna optymalizacja
Ekonomia matematyczna i dynamiczna optymalizacja Ramy wyk ladu i podstawowe narz edzia matematyczne SGH Semestr letni 2012-13 Uk lady dynamiczne Rozwiazanie modelu dynamicznego bardzo czesto można zapisać
Bardziej szczegółowoWyk lad 9 Baza i wymiar przestrzeni liniowej
Wyk lad 9 Baza i wymiar liniowej Baza liniowej Niech V bedzie nad cia lem K Powiemy, że zbiór wektorów {α,, α n } jest baza V, jeżeli wektory α,, α n sa liniowo niezależne oraz generuja V tzn V = L(α,,
Bardziej szczegółowoNiesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka
Niesimpleksowe metody rozwia zywania zadań PL Seminarium Szkoleniowe Metoda Simplex: wady i zalety Algorytm SIMPLEX jest szeroko znany i stosowany do rozwi azywania zadań programowania liniowego w praktyce.
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych ukryte modele Markowa, algorytm EM Anna Gambin Instytut Informatyki Uniwersytet Warszawski ńczonymi l łańcuch Markowa Q, zbiór stanów M = (p k,l ) k,l Q, stochastyczna ścia
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Rozważmy eksperymenty 1 gra Bolka w ruletkę w kasynie;
Bardziej szczegółowoRozdzia l 6. Wstȩp do statystyki matematycznej. 6.1 Cecha populacji generalnej
Rozdzia l 6 Wstȩp do statystyki matematycznej 6.1 Cecha populacji generalnej W rozdziale tym zaprezentujemy metodȩ probabilistycznego opisu zaobserwowanego zjawiska. W takim razie (patrz rozdzia l 2.4)zjawiskotobȩdziemy
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 2 Tablice trwania życia
Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 2 Tablice trwania życia 1 Cele (na dzisiaj): Zrozumieć w jaki sposób można wyznaczyć przysz ly czas życia osoby w wieku x. Zrozumieć parametry
Bardziej szczegółowoWyk lad 5. Analiza dla informatyków 1 DANI LI1 Pawe l Domański szkicowe notatki do wyk ladu. 1. Granice niew laściwe
Analiza dla informatyków 1 DANI LI1 Pawe l Domański szkicowe notatki do wyk ladu Wyk lad 5 1. Granice niew laściwe Definicja 1 Ci ag (x n ) d aży do (jest rozbieżny do) + jeśli c R N n > N x n > c a do
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoTEORIA GIER W EKONOMII WYKŁAD 5: GRY DWUOSOBOWE KOOPERACYJNE O SUMIE NIESTAŁEJ
TEORI GIER W EKONOMII WYKŁD 5: GRY DWUOSOOWE KOOPERCYJNE O SUMIE NIESTŁEJ dr Robert Kowalczyk Katedra nalizy Nieliniowej Wydział Matematyki i Informatyki UŁ Gry dwumacierzowe Skończoną grę dwuosobową o
Bardziej szczegółowoWyk lad 12. (ii) najstarszy wspó lczynnik wielomianu f jest elementem odwracalnym w P. Dowód. Niech st(f) = n i niech a bedzie
1 Dzielenie wielomianów Wyk lad 12 Ważne pierścienie Definicja 12.1. Niech P bedzie pierścieniem, który może nie być dziedzina ca lkowitości. Powiemy, że w pierścieniu P [x] jest wykonalne dzielenie z
Bardziej szczegółowoNIEPEWNOŚCI POMIAROWE
Krzysztof Sacha Kraków, 2014 r. NIEPEWNOŚCI POMIAROWE Każdy wynik pomiaru jest obarczony pewna. Wynik pomiaru bez informacji o niepewności pomiarowej jest bezwartościowy. 1 Niepewności systematyczne Przypuśćmy,
Bardziej szczegółowoGeometryczna zbieżność algorytmu Gibbsa
Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności
Bardziej szczegółowo20PLN dla pierwszych 50 sztuk oraz 15PLN dla dalszych. Zysk ze sprzedaży biurka wynosi 40PLN dla pierwszych 20 sztuk oraz 50PLN dla dalszych.
Z1. Sformu lować model dla optymalnego planowania produkcji w nast epujacych warunkach: Wytwórca mebli potrzebuje określić, ile sto lów, krzese l i biurek powinien produkować, aby optymalnie wykorzystać
Bardziej szczegółowoModelowanie Preferencji a Ryzyko. Dlaczego w dylemat więźnia warto grać kwantowo?
Modelowanie Preferencji a Ryzyko Dlaczego w dylemat więźnia warto grać kwantowo? Marek Szopa U n iwe r s y t e t Ś l ą s k i INSTYTUT FIZYKI im. Augusta Chełkowskiego Zakład Fizyki Teoretycznej Klasyczny
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoEgzamin z Wstępu do Teorii Gier. 19 styczeń 2016, sala A9, g Wykładowca: dr Michał Lewandowski. Instrukcje
Egzamin z Wstępu do Teorii Gier 19 styczeń 2016, sala A9, g. 11.40-13.10 Wykładowca: dr Michał Lewandowski Instrukcje 1) Egzamin trwa 90 minut. 2) Proszę wyraźnie zapisać swoje imię, nazwisko oraz numer
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoRozdzia l 1. Podstawowe elementy teorii krat
Rozdzia l 1. Podstawowe elementy teorii krat 1. Zbiory czȩściowo uporz adkowane Definicja. Relacjȩ binarn a określon a na zbiorze A nazywamy relacj a czȩściowo porz adkuj ac a, gdy jest zwrotna, antysymetryczna
Bardziej szczegółowoTEORIA GIER W NAUKACH SPOŁECZNYCH. Równowagi Nasha. Rozwiązania niekooperacyjne.
TEORIA GIER W NAUKACH SPOŁECZNYCH Równowagi Nasha. Rozwiązania niekooperacyjne. Przypomnienie Gra o sumie zerowej Kryterium dominacji Kryterium wartości oczekiwanej Diagram przesunięć Równowaga Can a Round
Bardziej szczegółowoAukcje groszowe. Podejście teoriogrowe
Aukcje groszowe Podejście teoriogrowe Plan działania Aukcje groszowe Budowa teorii Sprawdzenie teorii Bibliografia: B. Platt, J. Price, H. Tappen, Pay-to-Bid Auctions [online]. 9 lipca 2009 [dostęp 3.02.2011].
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 12 Teoria gier II Spis treści Wstęp Oligopol, cła oraz zbrodnia i kara Strategie mieszane Analiza zachowań w warunkach dynamicznych Indukcja wsteczna Gry powtarzane
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoSPOTKANIE 11: Reinforcement learning
Wrocław University of Technology SPOTKANIE 11: Reinforcement learning Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.edu.pl 19.01.2016 Uczenie z nadzorem (ang. supervised learning)
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoSuma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas
Suma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas Ćwiczenie 1. Dowieść, że jeśli U i V s a podprzestrzeniami n-wymiarowej przestrzeni wektorowej oraz dim U = r i dim V = s, to max(0,
Bardziej szczegółowoTworzenie gier na urządzenia mobilne
Katedra Inżynierii Wiedzy Teoria podejmowania decyzji w grze Gry w postaci ekstensywnej Inaczej gry w postaci drzewiastej, gry w postaci rozwiniętej; formalny opis wszystkich możliwych przebiegów gry z
Bardziej szczegółowoModele lokalizacyjne
Modele lokalizacyjne Model Hotelling a Konsumenci jednostajnie rozłożeni wzdłuż ulicy Firmy konkurują cenowo Jak powinny ulokować się firmy? N=1 N=2 N=3 Model Salop a Konsumenci jednostajnie rozłożeni
Bardziej szczegółowoUniwersytet Warszawski Teoria gier dr Olga Kiuila LEKCJA 3
LEKCJA 3 Wybór strategii mieszanej nie jest wyborem określonych decyzji, lecz pozornie sztuczną procedurą która wymaga losowych lub innych wyborów. Gracze mieszają nie dlatego że jest im obojętna strategia,
Bardziej szczegółowow teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak
Równania różniczkowe czastkowe w teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak Horyzonty 2014 Podstawowy obiekt wyk ladu: funkcje holomorficzne wielu zmiennych Temat: dwa problemy, których znane
Bardziej szczegółowo