Экономическая кибернетика

Эк. Кибернетика.

Игра – матем. Модель конфликтной ситуации.

Стратегия игрока – это правила выбора действий в сложившейся ситуации.

Решение игры – это нахождение оптимальной стратегии для каждого игрока, т.е. нахождение цены игры.

Оптимальная стратегия игрока – это стратегия, которая в среднем (настрив. на длительную игру) дает игроку возможный наибольший выигрыш.

Неонтогонистическая – если выигрыш одной из сторон склад. из проигрыша др. стороны, иначе антогонистическая – выигрыш одного равен проигрышу др.

Матричные игры.

- самые простые игры. Играют 2 чел. У каж конечное число стратегий. Список стратегий известен каж играющему, т.е. игра с полной инф. Игра одноходовая.

Величина выигрыша известна заранее, опис. В числовых единицах. Оба дейст. Сознательны, никто не поддается. Игра яв-ся антогонистической. Правила определяют победителя.

Игры с седловой точкой обладают св-м устойчивости – если один игрок примен оптим стратегию, то др. игроку не выгодно отклон-ся от своей оптим стратегии.

Первонач сведен по т. вероятности.

Случайные событие – это событие, которое может произойти или не произойти в данной ситуации.

Вероятность – это количественная характеристика, мера появ-я событий.

P(А)=(число благопр. событий)/(общее число событий).

М(х)=i хipi – матем. ожидание.

D(x)=i х2ipi – (M(x))2 – дисперсия.

(x)=D(x) – средне квадратичное отклонение – показывает степень разбросанности значений случайной величины относительно матем. ожидания.

Правило 3 сигм ():

PM(x)-3(x)0); S*B - оптим стратегия.

Неактивная стратегия – вероятность применения, которой в оптим стратегии равна нулю.

Теорема устойчивости: Если один игрок применяет свою оптим стратегию, то 2 игроку не выгодно выходить за рамки своих активных стратегий.

Теорема: В матр. игре количество активных стратегий у каж игрока одинаковое.

Применение решений в усл. неопределенности.

Рассмотрим игру человек и природа. Человек – лицо принимающее решение. Природа – экон-я среда в состоянии рынка.

Отличия от матричной игры: Активные решения принимает только чел, он хочет найти наиболее оптим решение. У природы стихийное поведение и она не стремится к выигрышу. Считается, что чел знает список сост природы, но не знает какое из них будет фактическим. В игре с природой чел труднее сделать свой выбор, поэтому сущ несколько подходов нахождения оптимального решения.

Подход определяется склонностью чел к риску.

Риск – это может быть упущенная выгода или необход понести дополнит произв-е затраты.

Элементы матрицы – это ожидание резуль. Деятельности в завис от сост природы.

1) Подход махмах “оптимистический”: В каж точке мы находим макс элемент и после этого находим макс из полученных чисел. i=maxj aij=maxii=i0 выб Аi0.

Выбираем макс значение. Чел ориентир на самый лучший возмож результат, не обращ внимание на возмож неудачи.

2) Критерий Вальда – критерий пессимизма: Находим в каж строчке миним элемент и выбираем ту стратегию, которая дает макс гарантируемый доход.

i=minj aij=maxi i=i  выб Аi0.

3)Критерий Гурвица () – ур пессимизма: Человек выбирает 01. Находим число i=i+(1-)i maxii=i0 выб Аi0. Если =1 – кр Вальда (пессимизма), если =0 – кр оптимизма. Конкретная величина  опред-ся эк-ой ситуацией.

4) Критерий Сэвиджа – кр минимального риска: Состав март риска по формуле rij=j-аij. ij=max aij  rij=j-aij.

R=(rij) –матр риска; ri=maxj rij mini ri=ri0  выб Аi0.

Если бы мы знали, то мы бы выбрали наиболее эф-е решение. Для самого эф-го решения: rij=0 (если Пj)  Аi. Риск = величине упущенной возможности.

У каж критерия есть свои особенности применения. Если мы оценив ситуацию по разным критериям, то мы можем принять более обоснован решение. Трудность обоснования яв-ся, что природа не стремится к выигрышу.

Принятие решения в усл риска.

Рассотрим вариант игры чел и природы в случаи, когда нам известно сост природы. Природа к выигрышу не стремится. Находим стратегию, которая приносит макс средний доход. Средний доход расчитывается по правилу теории вероятности.

Величина среднего дохода равна матем ожиданию при этой стратегии.

1) М(Ai)=nj=1aijpj Находим макс maxi M(Ai)

2) Правило минималь среднего риска. R=(Ai)=nj=1rijpj. Находим наимень mini R(Ai).

Лемма: Указ выше 2 критерия в результате всегда приводят к выбору одной и той же оптим стратегии.

Док-во: Найдем миним сред риска mini R(Ai)= mini jrijpj= mini (j(j-аij)pj)= mini (jj pj-jаijpj)=jj pj – не зависит от переменной i, значит это const С= mini (С-jаijpj) минимум разности соот-ет максимуму вычитаемого.

maxi jаijpj=M(Ai).

Номера стратегий, на которых достиг миним среднего риска, равны номерам стратегий обеспеч наиболь средний выигрыш.

Бейссовский подход нахождения оптимального решения.

Бейсовский подход: Если первонач распредел вероятности мы получ доход Q. Если мы можем провести эксперемент дающий новое распред вероятности в завис от первонач Qи нового Q’ , мы делаем свой выбор стратегии. p'Q’.

Некоторые св-ва матричной игры.

Замеч№1 О масштабе игр: Пусть даны 2 игры одинаковой размерности с платежной матрицей р(1) и р(2). При чем при любых i и j выпол (а(2)ij=a(1)ij+), некоторые числа  и . Тогда: 1) опт стратегии 1 игрока в 1 и 2 игре одинаковые. Опт стратегии 2 игрока одинаковы в обеих играх.

2) Цена второй игры V2=V1+.

Для некот методов решений все элементы матр должны быть не отрицательными.

Заме№2 О доминировании стратегий: Этот прием применяется для умень размерности игры.

А: Аi доминирует над Ак (Аi>Ак), если для любого j выпол нерав-во аij>akj и хотя бы одно из этих нерав-в строгое.

Ак – заведомо невыгодна; сред размер выигрыша меньше; р*к=0, стратегия пассивная.

В: Вj доминирует над Вt (Вj>Вt), если для любого i выпол нерав-во аij>ait и хотя бы одно из этих нерав-в строгое.

Bt – невыгодна  q*t=0 – актив стратегия.

Доминир стратегии вычеркиваются и получ матр меньшей размерностью.

Замеч№3 Сравнение операций по методу Парето: Допустим есть операции Q1, Q2,… Qn. Для каж опер-и расчит 2 параметра: 1) E(Q) – эффективность (доход);

2) r(Q) – степень риска (-сред квадратич отклон).

Самая лучшая операция – это опер с наилуч эф-ю и с наимень риском. F(Q)=E(Q)-r(Q), где  - это склонность к риску (не мат проблема). Находим макс из этих критериев maxi F(Qi). Операция Qi>Q, если эф-ть не менее E(Qi)E(Qj), а риск опер r(Qi)r(Qj) и хотя бы одно из нерав-в строгое.

Доминир страт отбрас, как заведомо невыгодные.

Множ Парето – это все недоминир-е операции. Наиболее эф-е среди них.

Понятие о позиционных игр.

У каж игрока своя платежная матрица. Выигрыш одного не означ проигр др. Таким способом можно высчитывать взаимные интересы игроков, а также возможность образования коалиции. Можно расчит динамические игры учитывая фактор времени и т.д.

Позиционные игры –возникает в случаи, когда надо принимать последо-но несколько решений, при чем выбор решения опираются на предыдущ-е решения.

Рассотрим простейш случ позиц-й игры с природой. Решение изобр в виде дерева решений.

Дерево решений – граф-е изобр-е всех возможных альтернатив игрока и сост природы с указ вероятности соответ-х состояний и размеров выигрыша в каж ситуации.

Альтернатива игрока изобр квадратом – список возможных стратегий в соот-й ситуации. Сост-е природы кружочком, чел на них влиять не может. Делается оценка каж вершины и наход макс оценка ситуаций соот-х каж ветви дерева решений.

EMV – денежное решение; EMV=i(отдача в i-ом сост-и)pi

maxвершина (EMV)=?