Hry s asymetrickou informáciou

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Hry s asymetrickou informáciou"

Transcript

1 FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITA KOMENSKÉHO V BRATISLAVE Katedra aplikovanej matematiky a štatistiky Hry s asymetrickou informáciou DIPLOMOVÁ PRÁCA BRATISLAVA 2007 Veronika Sláviková

2 FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITA KOMENSKÉHO V BRATISLAVE Ekonomická a finančná matematika Hry s asymetrickou informáciou DIPLOMOVÁ PRÁCA Diplomant: Veronika Sláviková Vedúci diplomovej práce: doc. RNDr. Ján Pekár, PhD. Bratislava 2007

3 Prehlasujem, že diplomovú prácu som vypracovala samostatne pod vedením vedúceho diplomovej práce a čerpala som len z uvedenej literatúry. V Bratislave, 1. júna 2007 Veronika Sláviková

4 Týmto by som sa chcela poďakovať vedúcemu diplomovej práce doc. RNDr. JánoviPekárovi,PhD.zavedeniepripísanítejtopráce. Ďalejbysomsa chcela poďakovať Jaroslavovi Kačmárovi a mojej rodine za veľkú podporu počas celých piatich rokoch.

5 Abstrakt Táto diplomová práca by mala slúžiť ako učebný materiál. Zaoberá sa teóriou hier, konkrétne nekooperatívnymi hrami s asymetrickou informáciou. Obsahuje teóriu k hrám typu Moral hazard, Adverse selection, Signalling a Screening. K jednotlivým kategóriam sú uvedené riešené príklady a zadania príkladov s výsledkami. Kľúčové slová: Teória hier, Moral hazard, Adverse selection, Signalling, Screening Abstract This work should be used as educational source. It deals with game theory, concretely with noncooperative games with asymetric information. It includes theory about Moral hazard, Adverse selection, Signalling and Screening. Foreachcategorytherearecoupleofsolvedproblemsandcoupleof problems with solutions only. Keywords: Game theory, Moral hazard, Adverse selection, Signalling, Screening

6 Obsah Úvod 8 1 Základné pojmy a definície Typyazápisyhier Stratégieaekvilibriá Hry s asymetrickou informáciou 17 3 Moral hazard Moralhazardsoskrytouakciou Príklady Moralhazardsoskrytýmpoznaním Príklady Adverse selection Adverseselection Príklady Signalling Príklady Screening Príklady Riešenia príkladov 59 Záver 63 Literatúra 64

7 Zoznam obrázkov 1.1 Mayersonovahra Stromyhiersasymetrickouinformáciou Indiferenčnékrivky Optimálna úroveň vzdelania vysokoproduktívneho pracovníka Optimálnaúroveňvzdelania Preferovanéseparovanéekvilibrium Preferovanéspoločnéekvilibrium Pozorovateľnáproduktivita Neexistenciaspoločnéhoekvilibria Optimálna veľkosť úlohy vysokoproduktívneho pracovníka Neexistenciaseparovanéhoekvilibria,1.situácia Neexistenciaseparovanéhoekvilibria,2.situácia... 56

8 Úvod Počiatky teórie hier môžeme sledovať až do roku 1713, kedy James Waldegrave prezentoval riešenie(minmaxová zmiešaná stratégia) kartovej hry le Her pre dvoch hráčov. V roku 1838 Antoine Augustine Cournot v svojej práci Researches into the Mathematical Principles of the Theory of Wealth, predstavil analýzu správania sa duopolov. V roku 1881 Francis Ysidro Edgeworth predstavil pojem konkurenčného ekvilibria v ekonómii, pozostávajúcej zdvochosôbadvochtypovkomodít. EmileBorelvpráciAlgebreetcalcul des probabilites z roku 1927 sformuloval prvé minimaxové riešenie pre hry o dvoch osobách a troch až piatich stratégiách. No teória hier, ako samostatná vedná disciplína neexistovala až do roku 1928, kedy John von Neumann publikoval sériu prác, ktoré vyvrcholili prácou The Theory of Games and Economic Behavior(Teória hier a ekonomického správania sa) z roku 1944, ktorej spoluautorom bol aj Oskar Morgenstern. Tátoprácasazaslúžilaoto,žesateóriahierdostaladopovedomiaľudí. Uplatnenie teórie hier je hlavne v aplikovanej matematike a ekonómii, no používa sa aj v biológii, filozofii či sociológii. Známym príkladom z teórie hier je hra väzňova dilema, ktorá je základom nespočetného množstva prác. Najznámejším herným teoretikom je pravdepodobne John Nash, ktorý predstavil Nashovo ekvilibrium a o ktorom bol natočený Oscarmi ovenčený film A Beautiful Mind. V tejto diplomovej práci sa budeme zaoberať nekooperatívnymi hrami s asymetrickou informáciou, t.j. účastníci nespolupracujú, ale každý chce maximalizovať svoj zisk sám. Asymetria spočíva v tom, že jeden z hráčov má informáciu, ktorú druhý hráč nemá. Cieľom je popísať teóriu, vysvetliť ju na vzorových príkladoch a nakoniec uviesť príklady na riešenie tak, aby táto práca mohla slúžiť ako plnohodnotný učebný materiál. Prácajerozdelenádo5častí.Vprvejpopíšemezákladyteóriehier,pojmy a definície, ktoré budú potrebné pre ďalšie kapitoly. Druhá časť obsahuje

9 úvod do asymetrických hier a rozdelenie do jednotlivých kategórií. V tretej a štvrtej časti sa budeme zaoberať už jednotlivými kategóriami hier s asymetrickou informáciou, ich podrobným popisom, jednotlivými stratégiami a ich prípadnými ekvilibriami. Ku každej kategórií uvedieme podrobne vyriešené vzorové príklady a na konci niekoľko zadaní príkladov na riešenie. V piatej časti budú výsledky príkladov na riešenie(bez uvedeného postupu). 9

10 Kapitola 1 Základné pojmy a definície Pod hrou v teórii hier, všeobecne rozumieme príklad, kde sa vopred daný počet hráčov rozhoduje medzi vopred danými stratégiami(nie nutne rovnakými pre každého hráča) s vopred danými výplatami. Pritom sa predpokladá racionalita hráčov, to znamená, že každý maximalizuje svoju výplatu. Typickým príkladom je hra väzňova dilema. Príbeh: Polícia zatkne 2 ľudí pre podozrenie z krádeže. Vypočúva každého samostatne. Obidvaja dostanú rovnakúponuku:aksapriznáktomu,žetospraviliobaja,atendruhýnie, potomondostane1rokzaspoluprácu,atendruhýdostane10rokov.aksa obidvajapriznajú,dostanekaždýpo5rokov,noaksanepriznáanijedenz nich,prenedostatokdôkazovsikaždýodsedílen3roky.jetuvopreddaný počet hráčov(2), vopred dané stratégie(priznať sa, nepriznať sa) s vopred danými výplatami(počet rokov vo väzení). Dilema z názvu spočíva v tom, že ak sa jeden hráč neprizná, môže v závislosti od rozhodnutia druhého hráča dostaťbuď1,alebo10rokov. Aksaprizná,môžedostať3alebo5rokov. Taksarozhodneradšejpriznať,kedyjeajtáhoršiasituácia,5rokov,stále lepšia ako 10 rokov. Takto budú uvažovať obidvaja a nakoniec sa priznajú, takžedostanú5rokov,ajkeďsamohliobidvajanepriznaťadostať3roky. Ekvilibrium hry nie je v tomto prípade to reálne najlepšie dosiahnuteľné.

11 1.1Typyazápisyhier Typyazápisyhier Hry sa môžu líšiť vo viacerých aspektoch, teda ich môžeme deliť nasledovne: podľa informovanosti hráčov: Hry s úplnou informáciou- všetci hráči majú všetky možné informácie Hry s neúplnou informáciou- niektoré informácie sú nedostupné pre všetkých hráčov Hrysdokonalouinformáciou-každýhráčvie,kdesavdanomokamihu hry nachádza Hrysnedokonalouinformáciou-hráčnemusívedieť, kdesapráve nachádza Hrysistotou-vhresanevyskytujenáhoda Hrysneistotou-vhresavyskytujeajnáhoda Hry so symetrickou informáciou- všetci hráči majú rovnaké informácie Hry s asymetrickou informáciou- niektorí hráči majú informačnú výhodu podľa počtu krokov: jednokrokové hry opakované hry nekonečne opakované hry hryskonečnýmpočtomkrokov podľa spôsobu rozhodovania: simultánne hry- hráči sa rozhodujú naraz sekvenčnéhry-hráčisastriedajúvťahoch

12 1.1Typyazápisyhier 12 Rozlišujeme dve formy zápisu hry- extenzívnu a strategickú. Definícia: Hrou v extenzívnej forme Γ nazývame šesticu {I, (x, ),ι(.),a(.),p,u},kde: I = {N, 1, 2,...}-množinahráčov,N-jehráčnáhoda (x, )-hernýstrom,danýmnožinouvrcholovxarelácioupredchádzania, je tranzitívna, antisymetrická a teda čiastočne usporiadaná ι(.)- zobrazenie x I, ktoré priraďuje každému rozhodovaciemu vrcholuxhráča,ktorýsavňomrozhoduje A(.) -A(h)jemnožinavšetkýchakcií,ktorémáhráčkdispozíciív informačnej množine h P- rozdelenie množiny všetkých vrcholov na informačné množiny u-funkciavýplat Potrebujeme ešte pojem stratégia a informačná množina. Definícia: Stratégiou nazývame úplný predpis akcií, ktoré hráč volí vo všetkýchsvojichrozhodovacíchvrcholoch, bezohľadunato, čisadonichv priebehu hry dostane alebo nie. Definícia: Informačnou množinou nazývame množinu vrcholov, o ktorých hráčvie,žesanachádzavjednomznich,nevievšakvktorom. Príklad: Mayersonova hra Hrajúdvajahráčiahráčnáhoda.1.hráčsipotiahnekartuzbalíka.Náhoda určí,čijetočierna(black)alebočervená(red)karta.1.hráčsanaňupozrie avyberiesi,čizloží(fold)alebonie(rise).aknezloží,aleprihodí,2.hráčsi vyberie, či prihodí(meet) alebo neprihodí(pass) a pozrie sa na kartu. Zápis v extenzívnej forme: I = {N, 1, 2} A N (N)={red,black} A 1 (1.a)={Fold,Rise},A 1 (1.b)={fold,rise} A 2 (2.0)={meet,pass}

13 1.1Typyazápisyhier 13 S 1 = {Ff,Fr,Rf,Rr} S 2 = {m,p} výplaty a informačné množiny sú zrejmé zo stromu hry(obrázok 1.1). Obrázok 1.1: Mayersonova hra Definícia:Hrouvstrategickejformenazývametrojicu G = {I,S,u},kde: I = {1, 2,...,n}-množinahráčov S = S 1 x S 2 x...x S n -množinaprofilovstratégií u = (u 1,u 2,...,u n )-vektorfunkciívýplat Príklad: Súboj pohlaví Manželský pár sa rozhoduje, ako strávi večer. Manželka chce ísť na koncert, manžel na box. Zápis v strategickej forme: I = {M,F } S = {(B,B), (B,K), (K,B), (K,K)} Vektor funkcií výplat sa často nahrádza tabuľkou výplat: B K B 2,1 0,0 K 0,0 1,2

14 1.2 Stratégie a ekvilibriá 14 Definícia: Statickou Bayesovou hrou v strategickej forme nazývame päticu (I,A,T, u i : T i x A R,µ i ),kde: I = {N, 1, 2,...,n}-množinahráčov A = A 1 x A 2 x...x A n -profilakcií, A i jemnožinaakciíhráčai T = T 1 x T 2 x... x T n -množinaprofilovtypovhráčov, T i jemnožina typov hráča i u i -funkciavýplathráčai, u i (t i,a) µ i -systémpredpokladovhráčaiopravdepodobnostitypovostatných hráčov, µ i (t i t i ) 1.2 Stratégie a ekvilibriá Rozlišujeme dva typy stratégií. Čisté a zmiešané. Hráč má čisté stratégie, akvolísvojustratégiu s i,zmnožinystratégií S i,bezakejkoľveknáhodnosti. Definícia: Stratégiu s i hráčanazývameostrodominantnoustratégiou,ak platí,žepreľubovoľnýprofilstratégií s i zahranýprotihráčmiprinášastratégia s i ostroväčšiuvýplatunežľubovoľnáinástratégia s i,tedaak: u i (s i,s i ) > u i (s i,s i ), s i S i Definícia: Stratégiu s i hráčanazývameslabodominantnoustratégiou,ak platí,žepreľubovoľnýprofilstratégií s i zahranýprotihráčmiprinášastratégia s i väčšiualeborovnakúvýplatunežľubovoľnáinástratégia s i,tedaak: u i (s i,s i ) u i (s i,s i ), s i S i Definícia: Stratégia s ijeostro(slabo)dominovanástratégiou s i. Platí,že akexistujeostrodominantnástratégia s i,takjejediná.slabodominantných stratégií môže byť viacero. Definícia:Profilstratégie s nazývameekvilibriomostrodominantnýchstratégií, akprekaždéhohráčaije s ijehoostrodominantnástratégia.

15 1.2 Stratégie a ekvilibriá 15 Veta: Ak má hra ekvilibrium ostro dominantných stratégií, tak toto ekvilibrium je Nashovým ekvilibriom hry. Nashové ekvilibrium hry, je také ekvilibrium,kdeužžiadnyhráčnemôžezískaťväčšiuvýplatutým,želenonsám zmení stratégiu. Definícia: Zmiešanou stratégiou σ i hráča i nazývame rozdelenie pravdepodobnostínadmnožinoučistýchstratégiidanéhohráča S i. Definícia: Profilzmiešanýchstratégií σ = (σ 1,...,σ n)nazývamenashovo ekvilibrium v zmiešaných stratégiách, ak pre každého hráča i I platí: σ i = arg max σ i Σ i u i (σ i,σ i) Definícia:ProfilstrategiívstatickejBayesovejhre (s 1(.),s 2(.)...s n(.))nazývame Bayesovym Nashovym ekvilibriom(bne) pre každého hráča a pre každýjehotyp,ak µ i (t i t i ) u i (t i,s i(t i ),s i(t i )) µ i (t i t i ) u i (t i,a i,s i(t i )) t i T i t i T i prevšetky a i A i. Definícia: Nech s jebnehrysneúplnouinformáciou. Hovoríme,žeinformačnámnožinajenaekvilibriovejceste,akvzhľadomna s arozdelenie typov je dosiahnuteľná kladnou pravdepodobnosťou. Ak je dosiahnuteľná s nulovou pravdepodobnosťou, hovoríme, že je mimo ekvilibriovej cesty. Definícia: Profil stratégií s nazývame sekvenčne racionálnym vzhľadom na systém predpokladov µ, ak s vyberie v každej informačnej množine racionálnu akciu. Definícia:Profilstratégií s asystémpredpokladov µtvoriaslabodokonalé Bayesovo ekvilibrium, ak spĺňajú: Hra má systém predpokladov, teda v každej informačnej množine má hráč, ktorý sa v nej rozhoduje, dobre definovaný predpoklad µ. Systémom predpokladov µ hry v extenzívnej forme nazývame rozdelenie pravdepodobností nad rozhodovacími vrcholmi v každej informačnej

16 1.2 Stratégie a ekvilibriá 16 množine. Pre každý rozhodovací vrchol x v informačnej množine h(x) platí: µ(x) = 1,µ(x) 0, 1 x h(x) Nech s jebne.požadujeme,abyvšetkyinformačnémnožinynaekvilibriovej ceste boli konzistentné s Bayesovym pravidlom. V informačných množinách mimo ekvilibriovej cesty, kde nie je možné použiť Bayesove pravidlo, je predpoklad ľubovoľný. Vzhľadom na dané predpoklady, stratégie hráčov musia byť sekvenčne racionálne.

17 Kapitola 2 Hry s asymetrickou informáciou Hrou s asymetrickou informáciou nazývame takú hru, kde jeden z hráčov má informačnú výhodu oproti druhému, t.j. jeden vie niečo, čo ten druhý nevie. Typickým príkladom sú modely, kde predávajúci má viac informácií o predávanom produkte, napr. predavač ojazdených vozidiel, realitný agent, obchodník s akciami. Na druhej strane poznáme aj prípady, kde môže mať informačnú výhodu kupujúci, napr. úrazová poistka alebo kupovanie umeleckého diela u predajcu, ktorý nemá dielo ocenené znalcom. Podobne medzi hry s asymetrickou informáciou môžeme zaradiť pracovný pohovor. Teória hier s asymetrickou informáciou je často používaná v oblasti ekonomického výskumu a už viac ako dve desaťročia je nevyhnutným nástrojom nemalej časti výskumníkov. Jej počiatky sa datujú do roku 1970, kedy George Akerlof uverejnil svoju prácu The Market for Lemons, v ktorej na trhu s ojazdenými autami predstavil asymetrickú informáciu a jej dôsledky. Druhým prelomom bol rok 1973, kedy Michael Spence uverejnil svoju prácu Job Market Signalling, v ktorej popísal správanie sa zamestnancov a zamestnávateľov na trhu práce. V roku 2001 dostali páni Akerlof, Spence a Stiglitz za ich analýzu trhov s asymetrickou informáciou Nobelovu cenu. Hry s asymetrickou informáciou môžeme rozdeliť do 2 hlavných kategórií: Moral hazard Adverse selection Pojem Moral hazard vyjadruje to, že redistribúcia rizika mení správanie sa ľudí. Napríklad ľudia, ktorí majú poistenie proti krádeži auta, sa môžu

18 správať ľahkovážnejšie a nechať občas auto nezamknuté. Podobne ľudia, ktorí majú úrazovú poistku sa menej boja robiť nebezpečné veci (napr. skalolezenie a pod.), pretože vedia, že prípadný úraz im bude vykompenzovaný. Ďalším príkladom môže byť opakovaná pomoc, finančná alebo iného druhu,niekomuvnúdzi. Távytváramorálneriziko,žeten,ktotúpomoc potrebuje,sinaňuzvykneaprestanesasnažiťsámztohoproblémudostať. V teórii hier môžeme hry typu Moral hazard ďalej rozdeliť na Moral hazard so skrytou akciou a Moral hazard so skrytým poznaním. Adverse selection vyjadruje to, že vďaka asymetrickej informácii je jedna skupina účastníkov trhu znevýhodnená. Napríklad ak si nefajčiar chce uzavrieť poistku, poisťovňa nevie, či je fajčiar alebo nie a preto mu nastaví vyššiu cenu, takú, akú nastaví fajčiarovi. Ak by túto skutočnosť vedela poisťovňa zistiť, mohla by nastaviť rozdielne ceny poistiek. Ďalším príkladom môže byť trh práce. Zamestnávateľ nevie určiť mieru produktivity uchádzača o zamestnanie a preto mu ponúkne nižší plat, ako keby vedel jeho produktivitu. Tieto situácie sa dajú riešiť signálmi, ktoré jednotliví účastníci trhu môžu zasielať. Napríklad ak niekto ide na vysokú školu, predpokladá sa, žejevysokoproduktívny,ajkebyjuledvaprešiel. To,ženaňuišieljepre zamestnávateľa signálom, že uchádzač je vysokoproduktívny. Zamestnávateľ tiež môže vytvoriť situáciu, kde zamestnanec bude donútený prezradiť o sebe niečo. Od Adverse selection môžeme ďalej odvodiť podkategórie Signalling a Screening. Každú z týchto hier možeme opísať jednoduchým Principal- Agent modelom,kdeagentmáinformačnúvýhodu.vtýchtomodelochideoto,žeprincipal ponúka agentovi zmluvu, ktorú agent príjme alebo odmietne. V Moral hazard modeloch príroda zasahuje do hry až po uzatvorení zmlúv. V prípade hier typu Moral hazard so skrytou akciou, príroda zasahuje až po tom, ako agent niečo podnikne, v hrách typu Moral hazard so skrytým poznaním pred tým. V hrách typu Adverse selection, príroda začína hru a určí typ agenta. Agent môže poslať signál principalovi. Ak to spraví pred ponúknutím zmluvy,taksajednáosignalling,aksignálpošlepouzatvorenízmluvy,jednásao Screening. Ak nepošle žiadnu správu, ide o typ Adverse selection. Jednotlivé kategórie nie sú jednoznačne odlíšiteľné, navzájom sa prelínajú. Stromy hier vidno na obrázku

19 Obrázok 2.1: Stromy hier s asymetrickou informáciou 19

20 Kapitola 3 Moral hazard 3.1 Moral hazard so skrytou akciou Pre pochopenie princípu riešenia týchto hier si najprv uvedieme hry so symetrickou informáciou. Najlepšie si to vysvetlíme na dvoch typoch hier. Tie salíšiavtom,ktomávyjednávaciuvýhodu.vprvejhrejeveľafiriem(principalov), ktoré súťažia o zamestnanca(agenta), ktorý je len jeden. V druhej hresiúlohyvymenia. Principaljelenjedenaonsivyberáspomedziteoreticky nekonečne veľa kandidátov na prácu. Pre obidve hry sú spoločné tieto vlastnosti: Každýťahjevšeobecneznámy Výstupfirmy(principala) q(e)jerastúcisosnahou e,keďžečímpracovitejší zamestnanec, tým vyšší zisk pre firmu Principalovafunkciazisku V (q w)jerastúcasrozdielomvýstupua platu Agentova funkcia užitočnosti U(e, w) je klesajúca so snahou e a rastúcasplatom w,keďžečlovekprirodzenechcečonajviacpeňazízačo najmenej práce Hráči: principal a agent Časovýplánhry: 1. krok: principal ponúkne agentovi zmluvu 2. krok: agent ju prijme alebo zamietne

21 3.1 Moral hazard so skrytou akciou 21 3.krok:akjuagentprijme,vynaložísnahu e 4.krok:výstupjerovný q(e),kde q > 0 Výplaty: Ak agent odmietne zmluvu, jeho zisk sa rovná jeho rezervačnej užitočnosti U a zisk principala je nulový. Ak agent zmluvu prijme, jeho ziskjerovný U(e,w)aprincipalbudemaťzisk V (q w) Hra1-Produkčnáhra1 Principal je jeden a agentov je veľa. Keďže teoreticky je nekonečne veľa agentov, tak ak chce byť agent prijatý, musí sa uspokojiť s minimálnym platom, s ktorým však musí dosiahnuť aspoň rezervačnú užitočnosť, teda Principal chce maximalizovať svoj zisk, takže U(e, w(e)) = U (3.1) max e V (q(e) w(e)) (3.2) Nutnou podmienkou je V (q(e) w(e)) ( q e w ) = 0 (3.3) e KeďžeVjevždyrastúca,tedaprváderiváciajevždykladná,tak q e = w e Využitím vety o derivácii implicitnej funkcie dostávame ( )( ) ( ) U q U = w e e (3.4) (3.5) Teraz musí principal vymyslieť takú zmluvu, ktorá by donútila agenta vynaložiť snahu výhodnejšiu pre principala. Má viac možností: donucovaciazmluva,kdeagentoviponúkneplat w,akvynaložísnahu e,alebonulu,akvynaložíinúsnahu hraničnázmluva,kdemuponúkneplat w,akvynaložísnahuväčšiu

22 3.1 Moral hazard so skrytou akciou 22 rovnúako e anulaakmenšiu lineárnazmluva,kdeponúknutýplatjevtvare w(e) = α + β e. αaβsaurčiatak,žespĺňajúrovnicu w(e ) = α+β e atátopriamka jedotyčnicoukindiferenčnejkrivke U = Uadotýkajúsavbode (e,w ) Hra2-Produkčnáhra2 V tejto verzii hry je veľa principalov a len jeden agent. Znovu principal ponúkaagentovizmluvu,nojesivedomý,žetentorazjeagentten,ktosi môže klásť podmienky. Takže vie, že agentovi musí ako plat ponúknuť celý svoj zisk, inak ten zmluvu neprijme. Maximalizujeme teda agentovu funkciu užitočnosti. max U(e,q(e)) (3.6) e Nutnou podmienkou je v tomto prípade ( )( ) U U q e + q e = 0 (3.7) Akosmeužspomenuli,platagentajevýstupomfirmy,teda U dostávame ( )( ) ( ) U q U = w e e q = U w,zčoho (3.8) Obidve hry si ukážeme na konkrétnych príkladoch. V obidvoch bude agentova funkcia užitočnosti daná cez rovnicu, no výstup principala bude v jednom prípade daný pomocou funkcie a v druhom pomocou tabuľky. Riešený príklad Predokladajme,žeagentmáfunkciuužitočnosti U = w e,kde emôže nadobúdať hodnoty 0 alebo 1. Jeho rezervačná utilita U nech je 5. Pravdepodobnosť jednotlivých výstupov principala pri rôznych úrovniach snahy je vidno v tabuľke výstup snaha nízka (e = 0) vysoká (e = 1)

23 3.1 Moral hazard so skrytou akciou 23 Otázky: (a) Ak je veľa principalov a málo agentov, ako bude vyzerať zmluva, ktorú principal ponúkne agentovi a aká bude jeho užitočnosť? (b)akobyvyzeralazmluva,akjeveľaagentovamáloprincipalov?aký bude zisk principala? (c) Akú snahu by agent zvolil, ak by bol majiteľom a zamestnancom zároveň aakábybolajehoužitočnosť? Odpovede: (a) Zisk principala musí byť 0. Agent dostane všetok výstup, takže si vyráta všetky možné užitočnosti pri rôznych výstupoch. Pri e = 0 principal dosiahnevýstup = 60,takžeagentovaužitočnosť U = 7.74a pri (e = 1)jevýstup = 80,takžeagentovaužitočnosťje U = 7.94.Principalvie,žeakagentoviponúkneinúzmluvuakotú,priktorej má agent maximálnu užitočnosť, tak ju odmietne. Preto ponúkne agentovi nasledujúcuzmluvu: w = 80ak e = 1aw = 0ak e = 0,čímdonútiagentasa snažiť, keďže inak by jeho užitočnosť bola menšia ako rezervačná. Agentova užitočnosťbude U(e = 1) = 80 1 = 7.9. (b) Agentova užitočnosť sa musí rovnať jeho rezervačnej užitočnosti, teda U = 5.Principalsivyrátasvojziskpreobidvesnahy. Ak e = 0,tak 5 = w 0 w = 25, q = 60, V = = 45. Ak e = 1,tak w = 36, q = 80, V = = 44. Teda paradoxne je pre principala lepšie, ak je agent menej snaživý. To je spôsobené hlavne neveľkým rozdielom v efektivite agenta a aj jeho vysokou rezervačnou užitočnosťou. Principal ponúkne agentovi takúto zmluvu: w = 25ak e = 0aw=0ak e = 1. (c)keďžeagentjemajiteľomfirmy,takvšetokvýstup qidejemu,takže w = q. Ztoho U(e = 0) = = 6, U(e = 1) = = 7. Tedapreferovalbyvyššiusnahuajeho užitočnosť by bola 7. Všimnime si, že dosiahne nižšiu užitočnosť, ako keby pracoval pre principala. Poznámka: Snahu vynaložil len jednu a preto ju odčítavame len raz.

24 3.1 Moral hazard so skrytou akciou 24 Riešený príklad Predpokladajme,žeagentmáfunkciuužitočnosti U = log( w e 2 ), e R +. Jeho rezervačná užitočnosť U = 5. Výstup principala je daný funkciou q(e) = 100log(1 + e). Otázky: (a) Ak je veľa principalov a málo agentov, ako bude vyzerať zmluva, ktorú principal ponúkne agentovi a aká bude jeho užitočnosť? (b)akobyvyzeralazmluva,akjeveľaagentovamáloprincipalov.aký bude zisk principala? Odpovede: (a) V tomto prípade má vyjednávaciu silu agent, teda zisk principala bude nula. Agent maximalizuje svoju funkciu užitočnosti. Z(3.5) dostávame ( )( ) ( ) e = (3.9) w e e w e 2 ztohodostaneme e = 6.59.Všimnimesi,žesnahanezávisínaplate.Ďalej dostávame q = 202.7,tedaaj w = Principalponúkneagentovi nasledujúcu zmluvu: w = 202.7, ak vynaloží snahu e = 6.59, pri inej snahe dostane agent 0. Agentova užitočnosť bude U = (b) Keďže principal má v tomto prípade vyjednávaciu silu, agentova užitočnosťbude U = 5,ztohosivyjadríme w = e 2 + exp(5). Ziskprincipala je V = q(e) w(e) = 100log(1 + e) e 2 + exp(5),tenchcemaximalizovať. Znutnejpodmienkynámvyjde 100 2e = 0,zčohodostávame (1+e) e = Dopočítame q = 202.7aw = Ziskprincipalaje V = Zmluva môže byť napr. donucovacia : akagentvynaložísnahu e = 6.59,dostaneplat w = ak agent vynaloží inú snahu dostane nula V týchto hrách sa asymetrická informácia nevyskytovala. Tá sa v hre vyskytuje, až keď principal nemôže pozorovať aspoň jednu z veličín(snahu, výstup). V tom horšom prípade, keď nemôže pozorovať žiadnu z nich, sa konečne dostávame k morálnemu hazardu. Totiž ak principal nemôže pozorovať ani snahu, ani výstup, tak ak ponúkne agentovi plat vyšší ako nula, agent nevyviniežiadnusnahuanapriektomudostaneplat. Tohosijevedomýaj

25 3.1 Moral hazard so skrytou akciou 25 principal, a teda mu ponúkne plat 0. Tento problém sa dá čiastočne vyriešiť napr. viacnásobným opakovaním hry alebo pozorovaním inej premennej, ktorá je korelovaná so snahou. V prípade, keď môže pozorovať aspoň výstup, tak principal si vie podobneakovhrách1a2vypočítať,akábymalabyťagentovasnaha,abyon mal maximálny zisk. Pre túto snahu si vyrátať výstup a plat podmieniť výstupom.napr.principalponúkneagentoviplat wak q = q a 0ak q q.v tomto prípade, sa dá zmluva znovu podmieniť niečim, čo je závislé na snahe. Hra3-Produkčnáhra3 V tejto hre sa vyskytuje náhoda. Principal nemôže pozorovať snahu, no môže pozorovať výstup. Ten je však funkciou nielen snahy, ale aj náhody. Principal ponúkne agentovi zmluvu, ten ju prijme alebo odmietne. Ak ju odmietne, principal má zisk 0 a agent rezervačnú užitočnosť. Ak ju prijme, dohryzasiahnenáhoda,ktoráurčístavsveta θ,odktoréhozávisívýstup q. Principal maximalizuje strednú hodnotu svojho zisku V max w E(V (q(ẽ,θ) w(q(ẽ,θ)))) (3.10) Keďže vie, že agent môže zmluvu odmietnuť, navrhnutá zmluva musí spĺňať dve podmienky. Prvá, podmienka komplementarity stimulov, núti agenta vybrať si snahu, ktorú zvoli principal a druhá, podmienka účasti, zaručuje, že užitočnosť agenta bude aspoň taká, ako je jeho rezervačná užitočnosť, teda núti agenta prijať zmluvu. Tie dve podmienky vyzerajú takto: podmienka komplementarity stimulov: ẽ = arg max e E(U(e,w(q(e,θ)))) (3.11) podmienka účasti: E(U(ẽ,w(q(ẽ,θ)))) Ū (3.12) Systém zmlúv musí byť nastavený tak, aby nami požadovaný systém zmlúv bol pre agenta lepší ako ľubovoľný iný. Jedným zo spôsobov, ako môže principal vybrať zmluvu, je tzv. troj-kroková metóda pánov Grossmana a Harta. Prvým krokom je nájsť pre všetky úrovne snahy zmluvy, ktoré donútia agenta vynaložiť požadovanú snahu. Druhým

26 3.1 Moral hazard so skrytou akciou 26 krokom je spomedzi nich nájsť zmluvu, ktorá má pre danú snahu najmenšie náklady. Tretím krokom je vybrať tú zmluvu, ktorá maximalizuje principalov zisk.krokjednaadvasadajúzhrnúťdojednejfunkcie: C(ẽ) = min w(.) E(w(q(ẽ,θ))) (3.13) za podmienok(3.11),(3.12). Krok tri je vyjadrený rovnicou max ẽ E(V (q(ẽ,θ) C(ẽ))) (3.14) Principal má teraz viac možností ako navrhnúť zmluvu. Jednou z možností je tzv. Boiling-in-oil zmluva, v ktorej je agentovi ponúknutý plat v závislosti od výstupu firmy. Ak výstup bude taký, aký požaduje principal, agent dostane postačujúci plat. Ak agent vyvinie snahu, ktorá vedie k inému výstupu, bude mu ponúknutý záporný plat. To znamená, že ak agent nevyvinie požadovanú snahu, tak bude potrestaný a bude musieť zaplatiť principalovi nejakú sumu. Ďalšou možnosťou je, že agent kúpi firmu, takže všetok výstup pôjde jemu a principalovi zaplatí nejakú čiastku. Ukážeme si to na konkrétnom príklade. Riešený príklad Zoberieme si tabuľku výstupov z riešeného príkladu Funkcia užitočnostiagentanechje U = w e.rezervačnáužitočnosť U = 3.Ziskprincipala je V = q w.principalnemôžepozorovaťsnahuagenta. Otázky: (a)akagentovjeviacaprincipaljelenjeden,akobudevyzeraťzmluva? Aký bude principalov zisk a agentova užitočnosť? (b)akobudevyzeraťzmluva,aksazavediepodmienka,žeplatnemôžebyť záporný w(q) 0? Odpovede: (a) Principal si vyráta, aká snaha je pre neho výhodnejšia. Ak e = 0,tak 3 = w 0 w = 3, q = 60, V = 60 3 = 57. Ak e = 1,tak w = 4, q = 80, V = 80 4 = 76. Výhodnejšiajeprenehosnaha e = 1. Z podmienky účasti pri snahe 1, ktorá vyzerá takto: 0.2(w(0) 1) + 0.8(w(100) 1) 3vyplýva,žeočakávanýplatmusíbyť najmenej 4.

27 3.1 Moral hazard so skrytou akciou 27 Prvou z možností, ako to dosiahnuť je, že principal predá firmu agentovi. Toznamená,ževšetokvýstuppôjdejemu. Naviacdostane4zaprácuaza to všetko musí principalovi zaplatiť očakávaný výstup, to je 80. Takže ak výstupbude100,agentovplatbude = 24aakbudevýstup0, takagentovplatbude = 76. Agentovaužitočnosťje 0.2( 76) + 0.8(24) 1 = 3. Principalovziskje 0.2(0 ( 76)) + 0.8(100 24) = 76. Druhá možnosť je, že principal navrhne agentovi Boiling-in-oil zmluvu. Principal chce čo najväčší výstup, takže agentovi ponúkne plat v závislosti odvýstupu. Akvýstupbude100,takagentdostaneplatrovnýjehorezervačnej užitočnosti w(100) = 3. Ak výstup bude ľubovoľne iný, agentov plat bude záporný w(0) = Môže to byť ľubovoľné záporné číslo. (b) Z podmienky kompatibility stimulov 0.4w(0) + 0.6w(100) 0.2w(0) + 0.8w(100) 1 dostávame w(100) w(0) 5. Zmluvy z(a) ju spĺňajú, ale nespĺňajú podmienku, že plat nemôže byť záporný. Takže podmienka kompatibility stimulov bude splnená ako rovnosť. To znamená, že rozdiel medzi platom pri vysokom a platom pri nízkom výstupe bude presne 5. Principal môže ponúknuť viacero zmlúv, ale chce platiť čo najmenej a chce, aby nízky výstup bol neatraktívny, takže sa rozhodne pre zmluvu w(0) = 0aw(100) = 5. Musívšakspĺňať, žeočakávanáužitočnosť 0.2(0) + 0.8(5) 1 = 3 bude väčšia alebo rovná ako agentova užitočnosť 3. Tojevporiadku Príklady Príklad Broadwayská hra Investori chcú investovať peniaze do divadelnej hry. Ponúknu producentovi hry zmluvu w(q) v závislosti od výstupu q. Producent ju môže prijať alebo odmietnuť. Ak ju odmietne, jeho užitočnosť je U(100), zisk investorov je 0. Akjuprijme,môžesarozhodnúť,čipeniazeinvestujedohryaleboich spreneverí. Ak peniaze spreneverí, jeho výplata je o 50$ väčšia ako keď ich investuje do hry. Jeho užitočnosť je teda U(w(q)+50) ak peniaze spreneverí a U(w(q)) ak nie. Náhoda potom určí úspešnosť hry. S pravdepodobnosťou 0.5 bude úspešná a s pravdepodobnosťou 0.5 to bude prepadák. Výstup q potom závisí od kombinácie týchto dvoch faktorov a jeho hodnoty sú v tabuľke. Zisk investoraje V I = q w(q).

28 3.1 Moral hazard so skrytou akciou 28 Úspešnosť hry úspech prepadák správanie producenta spreneverí nespreneverí (a) Akú zmluvu majú navrhnúť investori, aby maximalizovali svoj zisk? (b)akosazmenísituácia,keďjenatrhuveľainvestorovaibajedenproducent? Príklad Predpokladajme,žeagentmáfunkciuužitočnosti U = w e, e {0, 2.4}. Jehorezervačnáužitočnosťje U = 7. Ziskprincipalaje V (q w) = q w. Tabuľka výstupov je nasledujúca: výstup snaha e = e = (a) Ak je veľa principalov a málo agentov, ako bude vyzerať zmluva, ktorú principal ponúkne agentovi a aká bude jeho užitočnosť? (b)akobyvyzeralazmluva,akjeveľaagentovamáloprincipalov. Aký bude zisk principala? (c) Akú snahu by agent zvolil, ak by bol majiteľom a zamestnancom zároveň aakábybolajehoužitočnosť? (d) Ako by vyzerala zmluva, ak je veľa principalov, málo agentov a principal nemôže pozorovať snahu. Príklad Principalov je veľa, agentov málo, principal môže pozorovať snahu. Predpokladajme,žeagentmafunkciuužitočnosti U = w + w αe,jehorezervačná užitočnosť je U = 0. Tabuľka výstupov je nasledujúca: výstup snaha e = e =

29 3.1 Moral hazard so skrytou akciou 29 (a)ak α = 2,akábudeagentovaužitočnosť? (b)akábudeagentovaužitočnosťak α = 10? (c)preaké αjeagentovijednoktorúsnahusivyberie? (d)akjeagentmajiteľomfirmy, α = 2,akúsnahusizvolíaakábudejeho užitočnosť? (e)priakejnajväčšej αsiagenteštevyberiesnahu5?

30 3.2 Moral hazard so skrytým poznaním Moral hazard so skrytým poznaním V týchto hrách je informácia úplná. Náhoda urobí krok po uzatvorení zmluvy, ale ešte pred vynaložením snahy agentom. Tento krok pozoruje agent, principal nie. Informácia je na začiatku symetrická a stáva sa asymetrickou až po uzatvorení zmluvy. Podmienka kompatibility stimulov sa v hrách so skrytým poznaním nazýva samovyberajúca podmienka. Principal sa snaží navrhnúť zmluvu, ktorá donúti agenta prezradiť informácie o sebe(o svojom type) a bude prijateľná pre obidvoch. Hra4-Produkčnáhra4 Hráči: principal a agent Časovýplánhry: 1. krok: principal ponúkne agentovi zmluvu w(q, m), kde q je výstup a m je správa, ktorú agent pošle 2. krok: agent zmluvu prijme alebo odmietne 3. krok: náhoda určí stav sveta s podľa rozdelenia F(s), ktoré priradí s pravdepodobnosťou p dobrý stav a s pravdepodobnosťou 1 p zlý stav. Principal ju nemôže pozorovať, agent môže. 4. krok: ak agent zmluvu prijme, vynaloží snahu e, ktorú principal neviepozorovaťapošlesprávu m. mmôžebyťsprávaodobrom stavealeboozlomstavesveta 5.krok:výstupje q = q(e s) Výplaty: Ak agent odmietne zmluvu, jeho užitočnosť sa bude rovnať rezervačnej užitočnosti U. Zisk principala je 0. Akagentzmluvupríjme,jehoužitočnosťje U(e,w s)aprincipalovzisk je V (q w). Riešený príklad Uvažujemehru4. Prírodaurčí p = 0.5. Výstupyagentasú q(e d.s.) = 3e predobrýstavsvetaaq(e z.s.) = eprezlýstav. Agentovaužitočnosťje U(e,w s) = w e 2,rezervačnáužitočnosť U = 0aprincipalovzisk V = q w.

31 3.2 Moral hazard so skrytým poznaním 31 Principal sa snaží navrhnúť zmluvu, ktorá má donútiť agenta povedať pravdu o stave sveta. V tejto verzii hry so skrytou informáciou, musí zmluva spĺňať obidve samovyberajúce podmienky a len jednu podmienku účasti. Ak by agent aj principal mali rovnaké informácie, príklad by sa dal vyriešiť takto. Agent maximalizuje svoju užitočnosť. Ak je stav sveta dobrý, rieši max 3e d e 2 d (3.15) e d akjezlý max e z e z e 2 z (3.16) Vyriešením týchto maximalizačných problémov dostávame optimálne hodnotysnahyaztohohodnotyvýstupov, e d = 1.5, e z = 0.5, q z = 0.5, q d = 4.5. V tomto príklade ale principal nevie pozorovať snahu. Teda musí navrhnúť systém zmlúv pomocou samovyberajúcej podmienky a podmienky účasti. Principal maximalizuje svoj zisk max [0.5(q d w d ) + 0.5(q z w z )] (3.17) q d,q z,w d,w z Agentsivyberiezmluvu (q d,w d ),aksprávam=dobrýstavazmluvu (q z,w z ), ak m = zlý stav. Obidve tieto zmluvy musia spĺňať samovyberajúcu podmienkuapodmienkuúčasti. Vprípadedobréhostavusveta,kde e = q/3, chce principal, aby si agent vybral dobrú zmluvu. Takže samovyberajúca podmienka vyzerá takto: ( qd ) 2 ( qz ) 2 U(q d,w d d.s.) = w d U(qz,w z d.s.) = w z (3.18) 3 3 V prípade zlého stavu sveta, kde e = q, vyzerá samovyberajúca podmienka takto: U(q z,w z z.s.) = w z qz 2 U(q d,w d z.s.) = w d qd 2 (3.19) V čase uzatvárania zmluvy agent nevie, aký stav sveta bude. Teda podmienkaúčastibudelenjednaabudevyzeraťtakto: 0.5U(q ( d,w d d.s.) + 0.5U(q z,w z z.s.) = = 0.5 w d ( q d ) ) (w 3 z qz) 2 0 (3.20) Principal chce platiť agentom čo najmenej, takže táto podmienka bude splnená ako rovnosť.

32 3.2 Moral hazard so skrytým poznaním 32 ( 0.5 w d ( qd ) ) ( w z q 2 3 z) = 0 (3.21) Taktiež samovyberajúca podmienka pri dobrom stave sveta bude splnená ako rovnosť, keďže principal chce, aby si agent vybral v dobrom stave sveta určite dobrú zmluvu, ale zároveň mu chce čo najmenej zaplatiť. w d ( qd ) 2 = wz 3 ( qz ) 2 (3.22) 3 Vyjadrímesi w z a w d z(3.21)a(3.22), w z = 5 9 q2 za w d = 1 9 q2 d q2 z. Dosadením týchto hodnôt do maximalizačnej funkcie principala dostávame max q d,q z ( ( 0.5 q d 1 9 q2 d 4 ) ( 9 q2 z q z 5 )) 9 q2 z (3.23) Z nutných podmienok ( ) 9 q d = 0 (3.24) a ( ) ( 9 q z ) 9 q z = 0, (3.25) dostávame q d = 4.5aq z = 0.5,pomocouktorýchdopočítame w d = 2.36a w z = Príklady Príklad Príroda určila pravdepodobnosť p = 0.6, s ktorou priradila dobrý stav sveta. Agent, po prijatí zmluvy a vynaložení snahy, pošle principalovi správu astavesveta m. Výstupyagentasú q(e d.s.) = 4epredobrýstavsvetaa q(e z.s.) = eprezlýstav. Agentovaužitočnosťje U(e,w s) = w e 2,rezervačnáužitočnosť U = 0aprincipalovzisk V = q w. Akobudúvyzerať ponúknuté zmluvy?

33 3.2 Moral hazard so skrytým poznaním 33 Príklad Principal ponúka agentovi zmluvu, ktorá závisí od výstupu q a od poslanej správy m. Príroda určí pravdepodobnosť p = 0.5, s ktorou priradí dobrý stav sveta. Agent, po prijatí zmluvy a vynaložení snahy, pošle principalovi správuostavesveta m.výstupyagentasú q(e d.s.) = 2epredobrýstavsvetaaq(e z.s.) = eprezlýstav.agentovaužitočnosťje U(e,w s) = w 2e 2, rezervačnáužitočnosť U = 0aprincipalovzisk V = q w.akomáprincipal navrhnúť zmluvy?

34 Kapitola 4 Adverse selection 4.1 Adverse selection VhráchtypuAdverseselectionsú,narozdielodhiertypuMoralhazard, agenti rozdielni. Agent má ešte pred uzatvorením zmluvy informáciu, ktorú principal nemá. Sú to hry so skrytým poznaním. Samovyberajúca podmienkanútirôznychagentovvybraťsirôznezmluvy. Akotomôževyzerať,si ukážeme na príklade. Hra5-Produkčnáhra5 Hráči: principal a agent Časovýplánhry: 1. krok: náhoda určí agentovu produktivitu a podľa rozdelenia F(a), ktoré s pravdepodobnosťou p priradí nízku a s pravdepodobnosťou 1 p vysokú produktivitu. Principal ju nemôže pozorovať, agent môže 2. krok: principal ponúkne agentovi niekoľko zmlúv W 1 = (w 1 (q(a v,θ)),w 1 (q(a n,θ))) W 2 = (w 2 (q(a v,θ)),w 2 (q(a n,θ))). 3. krok: agent jednu zo zmlúv prijme alebo zamietne všetky 4.krok:náhodaurčí θ,čojestavsveta,podľarozdelenia G(θ). Výstup qjefunkciou θ

35 4.1 Adverse selection 35 Výplaty: Ak agent odmietne všetky zmluvy, jeho užitočnosť sa rovná rezervačnej užitočnosti,vprípadenízkejproduktivityagentaje U n avprípade vysokejproduktivity U v.principalovziskjenula. Aksiagentvyberiejednuzozmlúv,jehoužitočnosťbude U(w)aprincipalovzisk V (q w). Riešený príklad Uvažujeme hru 5. Náhoda s pravdepodobnosťou p = 0.5 priradí agentovi nízkuproduktivitu a = 0aspravdepodobnosťou 1 p = 0.5mupriradí vysokúproduktivitu a = 10. Výstupagenta q = min(a + θ, 10), kde θ môžebyť0alebo10. Jehoužitočnosť U = w,rezervačnáužitočnosťpre nízkoproduktívnehoagentaje U n = 3aprevysokoproduktívneho U v = 4. Principalovziskje V = q w. Výstupprinízkoproduktívnomagentovije teda buď 0 alebo 10, pri vysokoproduktívnom je stále 10. Očakávaný výstup pri nízkoproduktívnom agentovi je 0.5(0)+0.5(10) = 5, takžeprincipalsihomôžedovoliťnajaťzaplat 3 w(q) 5. Privysokoproduktívnom je očakávaný výstup 0.5(10) + 0.5(10) = 10, takže principal môžeponúknuťplat 4 w(q) 10. Principal sa snaží navrhnúť zmluvu tak, aby si agent jednoznačne vybral akciu. Snaží sa pre agentov rôznych typov navrhnúť rôzne atraktívne zmluvy. Opäť chce maximalizovať svoj zisk za podmienky účasti a samovyberajúcej podmienky. V separovanom ekvilibriu bude teraz viacero samovyberajúcich podmienok pre rôzne typy agentov. Vhodná zmluva záleží na agentovej skrytej informácii. Môže sa stať, že samovyberajúca podmienka nebude vôbec potrebná. Principal sa môže rozhodnúť, že nebude rozlišovať rôznetypyagentov.vtedymustačípodmienkaúčasti,abysauistil,žesau neho zamestnajú. V našej hre podmienka účasti vyzerá takto: U n (W 1 ) U n ; 0.5w 1 (0) + 0.5w 1 (10) 3 U v (W 2 ) U v ; 0.5w 2 (10) + 0.5w 2 (10) 4 (4.1) V hrách typu Adverse selection je typické, že podmienka účasti je záväzná pre horšítypagentaaprelepšítypagentanieje.principalsasnažínavrhnúťtaký systém zmlúv, ktorý mu pomôže určiť, o aký typ agenta sa jedná. Napríklad z dvoch navrhnutých zmlúv, musí maximálne jedna spĺňať obe podmienky pre horšieho agenta. Aspoň jedna zo zmlúv musí byť atraktívna pre lepšieho agenta. Chceme, aby to bola tá, ktorá nie je atraktívna pre horšieho agenta.

36 4.1 Adverse selection 36 Podľatoho,ktorúzmluvusiagentvyberie,principalurčíoakýtypagentasa jedná. Ak by obidve navrhnuté zmluvy boli atraktívne pre lepšieho agenta, principal by nevedel určiť o aký typ agenta sa jedná. Navrhnuté zmluvy musia spĺňať obidve podmienky(samovyberajúcu aj podmienku účasti). Samovyberajúca podmienka: U n (W 1 ) U n (W 2 ) ; 0.5w 1 (0) + 0.5w 1 (10) 0.5w 2 (0) + 0.5w 2 (10) U v (W 2 ) U v (W 1 ) ; 0.5w 2 (10) + 0.5w 2 (10) 0.5w 1 (10) + 0.5w 1 (10) (4.2) Samovyberajúca podmienka je záväzná pre lepší typ agenta a pre horší typ agenta nie je. Toto je tiež typické pri hrách typu Adverse selection. Principal navrhne dve zmluvy: W 1 = (w 1 (q = 0) = 3,w 1 (q = 10) = 3) W 2 = (w 2 (g = 0) = 0,w 2 (q = 10) = 4) (4.3) Prvá zmluva ponúka rovnaký plat pri rôznych výstupoch. Nízkoproduktívny hráčsivyberie W 1,lebo W 2 muprinesienižšiuočakávanúvýplatuavysoko produktívnyhráčsivyberie W 2. Jetoslabéekvilibrium,keďžeobidvajasú indiferentní voči tomu, či prijmu zmluvu alebo nie. Akbyprincipalnavrholsystémzmlúv (2, 4), (0, 4),horšíagentbysiznovu muselvybraťprvúzmluvu,lepšíbymalnavýber.alekeďželepšíagentby si mohol vybrať horšiu, tak tento systém zmlúv by principalovi nepovedal nič o typoch agentov. Systémzmlúv (3, 3), (0, 5)byboltiežvporiadku,nokeďžeprincipalmaximalizujesvojziskavie,žeagentbuderobiťajzamenej,taknemádôvod navrhnúť tento systém. Ukážeme si teraz príklad, vďaka ktorému vznikol Adverse selection. Jedná sa o príklad od Akerlofa, Trh s ojazdenými autami, ktorý popísal vo svojej knihe The Market for Lemons.

37 4.1 Adverse selection 37 Hra6-Trhsojazdenýmiautami Hráči: kupujúci a predávajúci Časovýplánhry: 1. krok: príroda určí typ kvality auta θ pre predávajúceho, podľa rozdelenia F(θ). Predávajúci pozná θ. Kupujúci pozná rozdelenie F,nonepozná θ 2.krok:kupujúcinavrhnecenu P,zaktorújeochotnýautokúpiť 3. krok: predávajúci ju buď prijme alebo nie Výplaty: Aksanacenenedohodnú,ichvýplatysúnulové.Aksadohodnú,zisk kupujúcehoje U = Z k (θ) Paziskpredávajúcehoje V = P Z p (θ). Kde Z p a Z k súfunkcieoceneniaautaprepredávajúcehoakupujúceho. Riešený príklad Obidvajamajúrovnakúfunkciuoceneniaauta Z k (θ) = Z p (θ) = θ.výplaty súteda U = θ Pa V = P θ.kvalitaáutnatrhujerovnomernerozložená medzi2000a6000. Priemernákvalitaatedaajcenaautaje4000. Žiaden predávajúci s autom kvalitnejším ako 4000 však na trhu nebude pôsobiť. Ponúkanébudútedalenautáskvalitou4000anižšou. Ichpriemernácena bude3000. Toztrhuvytlačímajiteľováutskvalitouvyššouako3000. Priemernácenaponúkanýcháutklesnena2500,...Taktotoskončí,ažkeď natrhubudúlenautáskvalitou2000,ktorýchalebudeveľmimáloatrhs autami skolabuje. Výsledok tejto situácie je extrémny, no keďže kupujúci aj predávajúci si cenia auto rovnako, v konečnom dôsledku je jedno, kto auto vlastní, spokojní súobidvaja.tosazmenívďalšompríklade,kdesikupujúcibudúautoceniť viac. Riešený príklad Oprotipríkladu4.1.2sazmenífunkciaoceneniaautaukupujúceho Z k (θ) = 1.2θ. Jehovýplatabude U = 1.2θ P. Priemernácenaáutnatrhuje 4000, ale predávať sa budú autá aj za 1.2*4000=4800. Z trhu budú vytlačení majitelia áut s kvalitou vyššou ako Priemerná cena áut na trhu klesne na3400,alepredávaťsabudúautáza1.2*3400,...taktobudepokračovať, aždôjdemektomu,žepriemernácenaáutnatrhubude2500,ktorébudú

38 4.1 Adverse selection 38 mať pre kupujúcich hodnotu Predávať sa teda budú všetky autá s priemernoukvalitou2500azacenu3000anižšiu.tátosituáciavšaknieje efektívna, keďže v situácii so symetrickou informáciou by sa predali všetky autá. Tieto a podobné hry typu Adverse selection sa dajú riešiť pomocu Signallingu alebo Screeningu. V predchádzajúcich príkladoch by to mohla byť napr. predvádzacia jazda, na ktorej by si kupujúci mohol urobiť odhad kvality auta. Signallingu a Screeningu sa budeme venovať v ďalších kapitolách. Terazsiukážemehru,kdeagentmánazačiatkuhryinformáciuostavesveta, ktorú principal nemôže pozorovať a taktiež v priebehu hry podnikne akciu nepozorovateľnú pre principala. Takže sa tu budú vyskytovať prvky z hier typu Adverse selection aj z hier typu Moral hazard. Hra 7- Kombinácia Adverse selection a Moral hazard Hráči: principal a agent Časovýplánhry: 1.krok: náhoda určí stav sveta s podľa rozdelenia F(s), ktoré priradí s pravdepodobnosťou p dobrý stav a s pravdepodobnosťou 1 p zlý stav. Principal ju nemôže pozorovať, agent môže. 2.krok: principal ponúkne agentovi zmluvu w(q) 3.krok: agent zmluvu prijme alebo odmietne 4.krok: agent vynaloží snahu e 5.krok:výstupje q = q(e,s) Výplaty: Ak agent odmietne zmluvu, jeho užitočnosť sa bude rovnať rezervačnej užitočnosti U. Zisk principala je 0. Akagentzmluvupríjme,jehoužitočnosťje U(e,w,s)aprincipalovzisk je V (q w). Riešený príklad Uvažujemehru7. Prírodaurčí p = 0.5. Výstupyagentasú q(e,d.s.) = 3e predobrýstavsvetaaq(e,z.s.) = eprezlýstav. Agentovaužitočnosťje U(e,w,s) = w e 2,rezervačnáužitočnosť U = 0aprincipalovzisk V = q w.

39 4.1 Adverse selection 39 HrasariešipodobneakoHra4.Rozdielbudepripodmienkeúčasti,kdeuž podmienky budú dve. Akbyagentajprincipalmalirovnakéinformácie,agentovplatbybolvo výške jeho výstupu. Príklad by sa dal vyriešiť takto: Agent maximalizuje svoju užitočnosť. Ak je stav sveta dobrý, rieši akjezlý max e d 3e d e 2 d (4.4) maxe z e z e 2 z (4.5) Vyriešením týchto maximalizačných problémov dostávame optimálne hodnotysnahyaztohohodnotyvýstupov, e d = 1.5, e z = 0.5, q z = 0.5, q d = 4.5. Principal a agent v tomto príklade nemajú rovnaké informácie. Principal maximalizuje svoj zisk. max [0.5(q d w d ) + 0.5(q z w z )] (4.6) q d,q z,w d,w z Agentsivyberámedzidvomadonucovacímizmluvami (q d,w d )a(q z,w z ), ktoré musia spĺňať samovyberajúce podmienky a podmienky účasti. Samovyberajúca podmienka: V prípade dobrého stavu sveta chce principal, aby si agent vybral dobrú zmluvu (q d,w d ).Agentovasnahaje e = q/3.takže U(q d,w d d.s.) = w d ( qd 3 ) 2 U(qz,w z d.s.) = w z ( qz ) 2 (4.7) 3 V prípade zlého stavu sveta principal chce, aby si agent vybal zlú zmluvu (q z,w z ).Agentovasnahavtomtoprípadeje e = q.takže U(q z,w z z.s.) = w z q 2 z U(q d,w d z.s.) = w d q 2 d (4.8) Na to, aby si agent určite vybral možnosť pracovať pre principala v dobrom aj v zlom stave sveta, slúžia podmienky účasti. Podmienka účasti: Pre dobrý stav sveta aprezlýstavsveta U(q d,w d d.s.) = w d ( qd ) 2 0 (4.9) 3 U(q z,w z z.s.) = w z q 2 z 0 (4.10)

40 4.1 Adverse selection 40 V obidvoch stavoch sveta chce principal zaplatiť agentovi čo najmenej, ale musí to byť aspoň rezervačná užitočnosť. V prípade dobrého stavu, je ochotný agentovi zaplatiť aj trochu viac, takže podmienka účasti pre dobrý stav ostáva ako nerovnosť a podmienku účasti pre zlý stav možeme dať na rovnosť. w z = q 2 z (4.11) V dobrom stave sveta chce principal, aby si agent vybral určite dobrú zmluvu (q z,w z ),takžesamovyberajúcapodmienkabudepotlačenánarovnosť. Z (4.6)a(4.7)máme w d = = ( qd ) 2 + wz 3 ( qd ) 2 + q 2 z 3 ( qz ) 2 3 Dosadením do principalovej maximalizačnej funkcie ( q d max [0.5 q d,q z Z nutných podmienok a ( qz ) 2 q 2 z + 3 (4.12) ( qz ) 2 3 ( qz ) ) (q z q 2 3 z)] (4.13) ( q ) d = 0 (4.14) 9 ( 0.5 2q z + 2q ) z + 0.5(1 2q z ) = 0 (4.15) 9 námvyjde q d = 4.5,ztoho w d = 2.32aq z = 0.26,ztoho w z = Keď si to porovnáme s hodnotami, ktoré nám vyšli pri symetrickej informácii, takvidíme,ževýstupvdobromstavesvetajerovnakýavzlomstavesveta klesol. Je to spôsobené potrebou odlákať agenta od zlej zmluvy v dobrom stave sveta. Aksitietohodnotyporovnámeshodnotami,ktorénámvyšlivpredchádzajúcej hre z Moral hazard so skrytým poznaním(hra 4), tak vidíme, žeplatyvobidvochstavochsvetasúvtomtoprípadenižšie.tojezasespôsobené tým, že principal v predchádzajúcom príklade mal v zlom stave sveta možnosť priblížiť sa bližšie k hodnote platu z hry so symetrickou informáciou.

41 4.1 Adverse selection Príklady Príklad Náhoda určí produktivitu. S pravdepodobnosťou p = 0.5 priradí agentovi nízkuproduktivitu a = 0aspravdepodobnosťou 1 p = 0.5mupriradí vysokúproduktivitu a = 5.Výstupagenta q = a+θ,kde θmôžebyť0alebo 10. Jeho užitočnosť U = w, rezervačná užitočnosť pre nízkoproduktívneho agentaje U n = 2aprevysokoproduktívneho U v = 6. Principalovziskje V = q w. (a) Aký je očakávaný výstup vysokoproduktívneho agenta? (b) Ako budú vyzerať ponúknuté zmluvy? Príklad Náhodaurčíproduktivitu. S p = 0.5priradínízkuproduktivitu a = 0as p = 0.5priradívysokúproduktivitu a = 3.5. Výstupagenta q = 2a + θ, kde θmôžebyť0alebo7.jehoužitočnosť U = w,rezervačnáužitočnosťpre nízkoproduktívnehoagentaje U n = 3aprevysokoproduktívneho U v = 5. Principalovziskje V = q w. (a) Aký je očakávaný výstup nízkoproduktívneho agenta? (b) Ako budú vyzerať ponúknuté zmluvy? Príklad Majme trh s použitými mobilmy. Kvalita mobilov θ je rovnomerne rozložená medzi1000a5000.predajcamáfunkciuoceneniamobilu Z p (θ) = θakupujúci Z k (θ) = 1.5θ. Výplatysú U = 1.5θ P a V = P θ. Akábude priemernácenamobilunatrhu?zaakúcenusabudúpredávať? Príklad Na začiatku hry príroda určí pravdepodobnosť p = 0.5, s ktorou bude stav sveta dobrý. Agentovi je ponúknutá zmluva. Po prijatí zmluvy agent vynaložísnahu e. Výstupagentavdobromstavesvetaje q(e,d.s.) = 2eav zlomstavesveta q(e,z.s.) = e. Agentovaužitočnosťje U(e,w,s) = w e 2, rezervačnáužitočnosť U = 0aprincipalovzisk V = q w. (a) Akú zmluvu ponúkne principal? (b)akébybolisnahyavýstupy,akbymaliagentajprincipalrovnakéinformácie?

42 4.2 Signalling Signalling Signalling sa používa na odhalenie asymetrickej informácie v hrách typu Adverse selection. Agent pošle signál ešte pred navrhnutím zmluvy principalom, principal tak môže na základe poslaného signálu dedukovať typ hráča a zmluvu navrhnúť v závislosti od poslaného signálu. Najlepším príkladom na signalling je pracovný trh, kde zamestnávateľ ponúka zamestnanie. Budeme sa teda zaoberať hrami, kde hráči sú zamestnávateľ a pracovník. Pracovník môže byť vysokoproduktívny alebo nízkoproduktívny. Zamestnávateľ nevie pozorovať produktivitu hráča, ale pozná jej rozdelenie F(x). Pracovník si zvolí signál, ktorý v tejto hre bude predstavovať úroveň vzdelania. Predpokladáme, že vzdelanie nezvyšuje produktivitu. Tento signál zamestnávateľ pozoruje a na jeho základe navrhne zmluvu. Na trhu je viac zamestnávateľov a jeden pracovník, čo spôsobí, že zisk zamestnávateľa bude nula. Užitočnosť pracovníka je jeho plat, mínus náklady na vzdelanie. Náklady na vzdelanie závisia od úrovne vzdelania a produktivity. Stratégia pracovníka je vybrať si vhodnú úroveň vzdelania a zamestnávateľa. Stratégia zamestnávateľa je navrhnúť zmluvu, ktorá závisí od úrovne vzdelania. Predpokladáme, že vzdelanie je menej nákladné pre vysokoproduktívneho pracovníka. Funkcia nákladov na vzdelanie je rastúca so vzdelaním a klesajúca s produktivitou, keďže sa predpokladá, že vysokoproduktívny pracovník sa ľahšie učí. Indiferenčné krivky sú rastúce a konvexné, napr. ako na obrázku 4.1. Hra8 Hráči: zamestnávateľ a pracovník Časovýplánhry: 1. krok: náhoda určí produktivitu hráča θ. S pravdepodobnosťou λ priradíhráčoviproduktivitu θ v aspravdepodobnosťou 1 λ priradí θ n.produktivitumôžepozorovaťpracovník,zamestnávateľ nie. 2.krok:pracovníksivyberieúroveňvzdelania s 0, ) 3. krok: zamestnávatelia ponúknu zmluvu w(s) 4. krok: agent jednu zmluvu prijme alebo odmietne všetky 5.krok:výstupje θ

43 4.2 Signalling 43 Obrázok 4.1: Indiferenčné krivky Výplaty: Ak agent odmietne zmluvu, jeho užitočnosť sa bude rovnať rezervačnej užitočnosti U. Zisk principala je 0. Akagentzmluvuprijme,jehoužitočnosťje U(w,s,θ) = w c(s,θ),kde c(s, θ) je funkcia nákladov na vzdelanie. Principalov zisk V (θ w) = θ w. Ak by produktivita pracovníkov bola pozorovateľná aj pre zamestnávateľa a neexistovalo by vzdelanie, zmluvy by boli navrhnuté jednoducho. Každý by dostalplatpodľatoho,koľkobyvyrobil.čiže w(θ v ) = θ v a w(θ n ) = θ n. Ak by produktivita nebola pozorovateľná a neexistovalo by vzdelanie, zamestnávateľ by nemal možnosť zistiť ako produktívny je ten ktorý pracovník, takže zmluva by bola rovnaká pre obidvoch pracovníkov w(θ) = θ, kde θ = λθ v + (1 λ)θ n. V našom prípade nie je produktivita pozorovateľná pre zamestnávateľa, ale úroveň vzdelania, ktoré slúži ako signál, tu je. Takže zamestnávateľ môže na základe signálu dedukovať, o ktorého pracovníka sa jedná. Predpokladaná produktivitaje θ = µ(s)θ v + (1 µ(s)θ n ),kde µ(s ) = P(θ = θ v s )jesystémpredpokladov.zamestnávateľpredpokladá,žeexistujetaké s,ževšetci, ktorí si také alebo väčšie s vyberú, budú vysokoproduktívni. Predpokladaná produktivita θbudeležaťmedzi θ n a θ v. Do úvahy pripadajú dve ekvilibriá, spoločné a separované.

Matematika Funkcia viac premenných, Parciálne derivácie

Matematika Funkcia viac premenných, Parciálne derivácie Matematika 2-01 Funkcia viac premenných, Parciálne derivácie Euklidovská metrika na množine R n všetkých usporiadaných n-íc reálnych čísel je reálna funkcia ρ: R n R n R definovaná nasledovne: Ak X = x

Διαβάστε περισσότερα

7. FUNKCIE POJEM FUNKCIE

7. FUNKCIE POJEM FUNKCIE 7. FUNKCIE POJEM FUNKCIE Funkcia f reálnej premennej je : - každé zobrazenie f v množine všetkých reálnych čísel; - množina f všetkých usporiadaných dvojíc[,y] R R pre ktorú platí: ku každému R eistuje

Διαβάστε περισσότερα

ARMA modely čast 2: moving average modely (MA)

ARMA modely čast 2: moving average modely (MA) ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2014/2015 ARMA modely časť 2: moving average modely(ma) p.1/24 V. Moving average proces prvého rádu - MA(1) ARMA modely

Διαβάστε περισσότερα

1. Limita, spojitost a diferenciálny počet funkcie jednej premennej

1. Limita, spojitost a diferenciálny počet funkcie jednej premennej . Limita, spojitost a diferenciálny počet funkcie jednej premennej Definícia.: Hromadný bod a R množiny A R: v každom jeho okolí leží aspoň jeden bod z množiny A, ktorý je rôzny od bodu a Zadanie množiny

Διαβάστε περισσότερα

Goniometrické rovnice a nerovnice. Základné goniometrické rovnice

Goniometrické rovnice a nerovnice. Základné goniometrické rovnice Goniometrické rovnice a nerovnice Definícia: Rovnice (nerovnice) obsahujúce neznámu x alebo výrazy s neznámou x ako argumenty jednej alebo niekoľkých goniometrických funkcií nazývame goniometrickými rovnicami

Διαβάστε περισσότερα

Ekvačná a kvantifikačná logika

Ekvačná a kvantifikačná logika a kvantifikačná 3. prednáška (6. 10. 004) Prehľad 1 1 (dokončenie) ekvačných tabliel Formula A je ekvačne dokázateľná z množiny axióm T (T i A) práve vtedy, keď existuje uzavreté tablo pre cieľ A ekvačných

Διαβάστε περισσότερα

ARMA modely čast 2: moving average modely (MA)

ARMA modely čast 2: moving average modely (MA) ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 ARMA modely časť 2: moving average modely(ma) p.1/25 V. Moving average proces prvého rádu - MA(1) ARMA modely

Διαβάστε περισσότερα

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2012/2013 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18

Διαβάστε περισσότερα

6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu

6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu 6 Limita funkcie 6 Myšlienka ity, interval bez bodu Intuitívna myšlienka ity je prirodzená, ale definovať presne pojem ity je značne obtiažne Nech f je funkcia a nech a je reálne číslo Čo znamená zápis

Διαβάστε περισσότερα

Matematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad

Matematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Matematika 3-13. prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Erika Škrabul áková F BERG, TU Košice 15. 12. 2015 Erika Škrabul áková (TUKE) Taylorov

Διαβάστε περισσότερα

Obvod a obsah štvoruholníka

Obvod a obsah štvoruholníka Obvod a štvoruholníka D. Štyri body roviny z ktorých žiadne tri nie sú kolineárne (neležia na jednej priamke) tvoria jeden štvoruholník. Tie body (A, B, C, D) sú vrcholy štvoruholníka. strany štvoruholníka

Διαβάστε περισσότερα

Motivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010.

Motivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010. 14. decembra 2010 Rie²enie sústav Plocha rovnobeºníka Objem rovnobeºnostena Rie²enie sústav Príklad a 11 x 1 + a 12 x 2 = c 1 a 21 x 1 + a 22 x 2 = c 2 Dostaneme: x 1 = c 1a 22 c 2 a 12 a 11 a 22 a 12

Διαβάστε περισσότερα

Start. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop

Start. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop 1) Vytvorte algoritmus (vývojový diagram) na výpočet obvodu kruhu. O=2xπxr ; S=πxrxr Vstup r O = 2*π*r S = π*r*r Vystup O, S 2) Vytvorte algoritmus (vývojový diagram) na výpočet celkovej ceny výrobku s

Διαβάστε περισσότερα

Motivácia pojmu derivácia

Motivácia pojmu derivácia Derivácia funkcie Motivácia pojmu derivácia Zaujíma nás priemerná intenzita zmeny nejakej veličiny (dráhy, rastu populácie, veľkosti elektrického náboja, hmotnosti), vzhľadom na inú veličinu (čas, dĺžka)

Διαβάστε περισσότερα

Moderné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A

Moderné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A M A T E M A T I K A PRACOVNÝ ZOŠIT II. ROČNÍK Mgr. Agnesa Balážová Obchodná akadémia, Akademika Hronca 8, Rožňava PRACOVNÝ LIST 1 Urč typ kvadratickej rovnice : 1. x 2 3x = 0... 2. 3x 2 = - 2... 3. -4x

Διαβάστε περισσότερα

Chí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky

Chí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky Chí kvadrát test dobrej zhody Metódy riešenia úloh z pravdepodobnosti a štatistiky www.iam.fmph.uniba.sk/institute/stehlikova Test dobrej zhody I. Chceme overiť, či naše dáta pochádzajú z konkrétneho pravdep.

Διαβάστε περισσότερα

Prechod z 2D do 3D. Martin Florek 3. marca 2009

Prechod z 2D do 3D. Martin Florek 3. marca 2009 Počítačová grafika 2 Prechod z 2D do 3D Martin Florek florek@sccg.sk FMFI UK 3. marca 2009 Prechod z 2D do 3D Čo to znamená? Ako zobraziť? Súradnicové systémy Čo to znamená? Ako zobraziť? tretia súradnica

Διαβάστε περισσότερα

Cvičenie č. 4,5 Limita funkcie

Cvičenie č. 4,5 Limita funkcie Cvičenie č. 4,5 Limita funkcie Definícia ity Limita funkcie (vlastná vo vlastnom bode) Nech funkcia f je definovaná na nejakom okolí U( ) bodu. Hovoríme, že funkcia f má v bode itu rovnú A, ak ( ε > )(

Διαβάστε περισσότερα

Gramatická indukcia a jej využitie

Gramatická indukcia a jej využitie a jej využitie KAI FMFI UK 29. Marec 2010 a jej využitie Prehľad Teória formálnych jazykov 1 Teória formálnych jazykov 2 3 a jej využitie Na počiatku bolo slovo. A slovo... a jej využitie Definícia (Slovo)

Διαβάστε περισσότερα

4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti

4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti 4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti Výroková funkcia (forma) ϕ ( x) je formálny výraz (formula), ktorý obsahuje znak x, pričom x berieme z nejakej množiny M. Ak za x zvolíme

Διαβάστε περισσότερα

Matematika 2. časť: Analytická geometria

Matematika 2. časť: Analytická geometria Matematika 2 časť: Analytická geometria RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk Súradnicové

Διαβάστε περισσότερα

Funkcie - základné pojmy

Funkcie - základné pojmy Funkcie - základné pojmy DEFINÍCIA FUNKCIE Nech A, B sú dve neprázdne číselné množiny. Ak každému prvku x A je priradený najviac jeden prvok y B, tak hovoríme, že je daná funkcia z množiny A do množiny

Διαβάστε περισσότερα

Metódy vol nej optimalizácie

Metódy vol nej optimalizácie Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/28 Motivácia k metódam vol nej optimalizácie APLIKÁCIE p. 2/28 II 1. PRÍKLAD: Lineárna regresia - metóda najmenších štvorcov Na základe dostupných

Διαβάστε περισσότερα

6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH

6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH 6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH 6. Otázky Definujte pojem produkčná funkcia. Definujte pojem marginálny produkt. 6. Produkčná funkcia a marginálny produkt Definícia 6. Ak v ekonomickom procese počet

Διαβάστε περισσότερα

1. písomná práca z matematiky Skupina A

1. písomná práca z matematiky Skupina A 1. písomná práca z matematiky Skupina A 1. Vypočítajte : a) 84º 56 + 32º 38 = b) 140º 53º 24 = c) 55º 12 : 2 = 2. Vypočítajte zvyšné uhly na obrázku : β γ α = 35 12 δ a b 3. Znázornite na číselnej osi

Διαβάστε περισσότερα

Komplexné čísla, Diskrétna Fourierova transformácia 1

Komplexné čísla, Diskrétna Fourierova transformácia 1 Komplexné čísla, Diskrétna Fourierova transformácia Komplexné čísla C - množina všetkých komplexných čísel komplexné číslo: z = a + bi, kde a, b R, i - imaginárna jednotka i =, t.j. i =. komplexne združené

Διαβάστε περισσότερα

,Zohrievanie vody indukčným varičom bez pokrievky,

,Zohrievanie vody indukčným varičom bez pokrievky, Farba skupiny: zelená Označenie úlohy:,zohrievanie vody indukčným varičom bez pokrievky, Úloha: Zistiť, ako závisí účinnosť zohrievania vody na indukčnom variči od priemeru použitého hrnca. Hypotéza: Účinnosť

Διαβάστε περισσότερα

Tomáš Madaras Prvočísla

Tomáš Madaras Prvočísla Prvočísla Tomáš Madaras 2011 Definícia Nech a Z. Čísla 1, 1, a, a sa nazývajú triviálne delitele čísla a. Cele číslo a / {0, 1, 1} sa nazýva prvočíslo, ak má iba triviálne delitele; ak má aj iné delitele,

Διαβάστε περισσότερα

MIDTERM (A) riešenia a bodovanie

MIDTERM (A) riešenia a bodovanie MIDTERM (A) riešenia a bodovanie 1. (7b) Nech vzhl adom na štandardnú karteziánsku sústavu súradníc S 1 := O, e 1, e 2 majú bod P a vektory u, v súradnice P = [0, 1], u = e 1, v = 2 e 2. Aký predpis bude

Διαβάστε περισσότερα

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/27

Διαβάστε περισσότερα

Definícia parciálna derivácia funkcie podľa premennej x. Definícia parciálna derivácia funkcie podľa premennej y. Ak existuje limita.

Definícia parciálna derivácia funkcie podľa premennej x. Definícia parciálna derivácia funkcie podľa premennej y. Ak existuje limita. Teória prednáška č. 9 Deinícia parciálna deriácia nkcie podľa premennej Nech nkcia Ak eistje limita je deinoaná okolí bod [ ] lim. tak túto limit nazýame parciálno deriácio nkcie podľa premennej bode [

Διαβάστε περισσότερα

Úvod do lineárnej algebry. Monika Molnárová Prednášky

Úvod do lineárnej algebry. Monika Molnárová Prednášky Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 3 17 marca 2006 4 24 marca 2006 c RNDr Monika Molnárová, PhD Obsah 2 Sústavy lineárnych rovníc 25 21 Riešenie sústavy lineárnych rovníc

Διαβάστε περισσότερα

3. Striedavé prúdy. Sínusoida

3. Striedavé prúdy. Sínusoida . Striedavé prúdy VZNIK: Striedavý elektrický prúd prechádza obvodom, ktorý je pripojený na zdroj striedavého napätia. Striedavé napätie vyrába synchrónny generátor, kde na koncoch rotorového vinutia sa

Διαβάστε περισσότερα

Lineárna algebra I - pole skalárov, lineárny priestor, lineárna závislosť, dimenzia, podpriestor, suma podpriestorov, izomorfizmus

Lineárna algebra I - pole skalárov, lineárny priestor, lineárna závislosť, dimenzia, podpriestor, suma podpriestorov, izomorfizmus 1. prednáška Lineárna algebra I - pole skalárov, lineárny priestor, lineárna závislosť, dimenzia, podpriestor, suma podpriestorov, izomorfizmus Matematickým základom kvantovej mechaniky je teória Hilbertových

Διαβάστε περισσότερα

24. Základné spôsoby zobrazovania priestoru do roviny

24. Základné spôsoby zobrazovania priestoru do roviny 24. Základné spôsoby zobrazovania priestoru do roviny Voľné rovnobežné premietanie Presné metódy zobrazenia trojrozmerného priestoru do dvojrozmernej roviny skúma samostatná matematická disciplína, ktorá

Διαβάστε περισσότερα

7 Derivácia funkcie. 7.1 Motivácia k derivácii

7 Derivácia funkcie. 7.1 Motivácia k derivácii Híc, P Pokorný, M: Matematika pre informatikov a prírodné vedy 7 Derivácia funkcie 7 Motivácia k derivácii S využitím derivácií sa stretávame veľmi často v matematike, geometrii, fyzike, či v rôznych technických

Διαβάστε περισσότερα

AerobTec Altis Micro

AerobTec Altis Micro AerobTec Altis Micro Záznamový / súťažný výškomer s telemetriou Výrobca: AerobTec, s.r.o. Pionierska 15 831 02 Bratislava www.aerobtec.com info@aerobtec.com Obsah 1.Vlastnosti... 3 2.Úvod... 3 3.Princíp

Διαβάστε περισσότερα

Deliteľnosť a znaky deliteľnosti

Deliteľnosť a znaky deliteľnosti Deliteľnosť a znaky deliteľnosti Medzi základné pojmy v aritmetike celých čísel patrí aj pojem deliteľnosť. Najprv si povieme, čo znamená, že celé číslo a delí celé číslo b a ako to zapisujeme. Nech a

Διαβάστε περισσότερα

Matematika 2. časť: Funkcia viac premenných Letný semester 2013/2014

Matematika 2. časť: Funkcia viac premenných Letný semester 2013/2014 Matematika 2 časť: Funkcia viac premenných Letný semester 2013/2014 RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk

Διαβάστε περισσότερα

HASLIM112V, HASLIM123V, HASLIM136V HASLIM112Z, HASLIM123Z, HASLIM136Z HASLIM112S, HASLIM123S, HASLIM136S

HASLIM112V, HASLIM123V, HASLIM136V HASLIM112Z, HASLIM123Z, HASLIM136Z HASLIM112S, HASLIM123S, HASLIM136S PROUKTOVÝ LIST HKL SLIM č. sklad. karty / obj. číslo: HSLIM112V, HSLIM123V, HSLIM136V HSLIM112Z, HSLIM123Z, HSLIM136Z HSLIM112S, HSLIM123S, HSLIM136S fakturačný názov výrobku: HKL SLIMv 1,2kW HKL SLIMv

Διαβάστε περισσότερα

TECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA 1. Funkcia jednej premennej a jej diferenciálny počet

TECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA 1. Funkcia jednej premennej a jej diferenciálny počet TECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA časťa Funkcia jednej premennej a jej diferenciáln počet Dušan Knežo, Miriam Andrejiová, Zuzana Kimáková 200 RECENZOVALI: prof. RNDr. Jozef

Διαβάστε περισσότερα

Možnosti rozhodovacích agentov hrajúcich hracie karty. Bakalárska práca. Juraj Barič. Univerzita FMFI KI Informatika. Vedúci bc.

Možnosti rozhodovacích agentov hrajúcich hracie karty. Bakalárska práca. Juraj Barič. Univerzita FMFI KI Informatika. Vedúci bc. Možnosti rozhodovacích agentov hrajúcich hracie karty Bakalárska práca Juraj Barič Univerzita FMFI KI 9.2.1 Informatika Vedúci bc. práce: doc. RNDr. Mária Markošová, PhD. Bratislava 2009 Čestne prehlasujem,

Διαβάστε περισσότερα

KATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita

KATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita 132 1 Absolútna chyba: ) = - skut absolútna ochýlka: ) ' = - spr. relatívna chyba: alebo Chyby (ochýlky): M systematické, M náhoné, M hrubé. Korekcia: k = spr - = - Î' pomerná korekcia: Správna honota:

Διαβάστε περισσότερα

M6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou

M6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou M6: Model Hydraulický ytém dvoch záobníkov kvapaliny interakciou Úlohy:. Zotavte matematický popi modelu Hydraulický ytém. Vytvorte imulačný model v jazyku: a. Matlab b. imulink 3. Linearizujte nelineárny

Διαβάστε περισσότερα

Reálna funkcia reálnej premennej

Reálna funkcia reálnej premennej (ÚMV/MAN3a/10) RNDr. Ivan Mojsej, PhD ivan.mojsej@upjs.sk 18.10.2012 Úvod V každodennom živote, hlavne pri skúmaní prírodných javov, procesov sa stretávame so závislosťou veľkosti niektorých veličín od

Διαβάστε περισσότερα

Hry N hrá ov. doc. RNDr. tefan Pe²ko. April 9, Katedra matematických metód a opera nej analýzy, FRI šu

Hry N hrá ov. doc. RNDr. tefan Pe²ko. April 9, Katedra matematických metód a opera nej analýzy, FRI šu Katedra matematických metód a opera nej analýzy, FRI šu April 9, 2018 Budeme predpoklada, ºe kaºdý z N hrá ov (N 2) je inteligentný hrá. Najskôr za budeme zaobera nekooperativnymi hrami, v ktorých hrá

Διαβάστε περισσότερα

C. Kontaktný fasádny zatepľovací systém

C. Kontaktný fasádny zatepľovací systém C. Kontaktný fasádny zatepľovací systém C.1. Tepelná izolácia penový polystyrén C.2. Tepelná izolácia minerálne dosky alebo lamely C.3. Tepelná izolácia extrudovaný polystyrén C.4. Tepelná izolácia penový

Διαβάστε περισσότερα

Teória pravdepodobnosti

Teória pravdepodobnosti 2. Podmienená pravdepodobnosť Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 23. februára 2015 1 Pojem podmienenej pravdepodobnosti 2 Nezávislosť náhodných udalostí

Διαβάστε περισσότερα

FUNKCIE N REÁLNYCH PREMENNÝCH

FUNKCIE N REÁLNYCH PREMENNÝCH FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITY KOMENSKÉHO V BRATISLAVE FUNKCIE N REÁLNYCH PREMENNÝCH RNDr. Kristína Rostás, PhD. PREDMET: Matematická analýza ) 2010/2011 1. DEFINÍCIA REÁLNEJ FUNKCIE

Διαβάστε περισσότερα

2. prednáška. Teória množín I. množina operácie nad množinami množinová algebra mohutnosť a enumerácia karteziánsky súčin

2. prednáška. Teória množín I. množina operácie nad množinami množinová algebra mohutnosť a enumerácia karteziánsky súčin 2. prednáška Teória množín I množina operácie nad množinami množinová algebra mohutnosť a enumerácia karteziánsky súčin Verzia: 27. 9. 2009 Priesvtika: 1 Definícia množiny Koncepcia množiny patrí medzi

Διαβάστε περισσότερα

Podnikateľ 90 Mobilný telefón Cena 95 % 50 % 25 %

Podnikateľ 90 Mobilný telefón Cena 95 % 50 % 25 % Podnikateľ 90 Samsung S5230 Samsung C3530 Nokia C5 Samsung Shark Slider S3550 Samsung Xcover 271 T-Mobile Pulse Mini Sony Ericsson ZYLO Sony Ericsson Cedar LG GM360 Viewty Snap Nokia C3 Sony Ericsson ZYLO

Διαβάστε περισσότερα

Modelovanie dynamickej podmienenej korelácie kurzov V4

Modelovanie dynamickej podmienenej korelácie kurzov V4 Modelovanie dynamickej podmienenej korelácie menových kurzov V4 Podnikovohospodárska fakulta so sídlom v Košiciach Ekonomická univerzita v Bratislave Cieľ a motivácia Východiská Cieľ a motivácia Cieľ Kvantifikovať

Διαβάστε περισσότερα

Priamkové plochy. Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava

Priamkové plochy. Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava Priamkové plochy Priamkové plochy Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava Priamkové plochy rozdeľujeme na: Rozvinuteľné

Διαβάστε περισσότερα

Spojitosť a limity trochu inak

Spojitosť a limity trochu inak Spojitosť a limity trochu inak Štefan Tkačik Abstrakt Spojitosť funkcie alebo oblastí je základným stavebným kameňom matematickej analýzy. Pochopenie jej podstaty uľahčí chápanie diferenciálneho a integrálneho

Διαβάστε περισσότερα

u R Pasívne prvky R, L, C v obvode striedavého prúdu Činný odpor R Napätie zdroja sa rovná úbytku napätia na činnom odpore.

u R Pasívne prvky R, L, C v obvode striedavého prúdu Činný odpor R Napätie zdroja sa rovná úbytku napätia na činnom odpore. Pasívne prvky, L, C v obvode stredavého prúdu Čnný odpor u u prebeh prúdu a napäta fázorový dagram prúdu a napäta u u /2 /2 t Napäte zdroja sa rovná úbytku napäta na čnnom odpore. Prúd je vo fáze s napätím.

Διαβάστε περισσότερα

Príklady na precvičovanie Fourierove rady

Príklady na precvičovanie Fourierove rady Príklady na precvičovanie Fourierove rady Ďalším významným typom funkcionálnych radov sú trigonometrické rady, pri ktorých sú jednotlivé členy trigonometrickými funkciami. Konkrétne, jedná sa o rady tvaru

Διαβάστε περισσότερα

Vektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich

Vektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich Tuesday 15 th January, 2013, 19:53 Základy tenzorového počtu M.Gintner Vektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich násobenie reálnym číslom tak, že platí:

Διαβάστε περισσότερα

Planárne a rovinné grafy

Planárne a rovinné grafy Planárne a rovinné grafy Definícia Graf G sa nazýva planárny, ak existuje jeho nakreslenie D, v ktorom sa žiadne dve hrany nepretínajú. D sa potom nazýva rovinný graf. Planárne a rovinné grafy Definícia

Διαβάστε περισσότερα

Obyčajné diferenciálne rovnice

Obyčajné diferenciálne rovnice (ÚMV/MAN3b/10) RNDr. Ivan Mojsej, PhD ivan.mojsej@upjs.sk 14.3.2013 Úvod patria k najdôležitejším a najviac prepracovaným matematickým disciplínam. Nielen v minulosti, ale aj v súčastnosti predstavujú

Διαβάστε περισσότερα

x x x2 n

x x x2 n Reálne symetrické matice Skalárny súčin v R n. Pripomeniem, že pre vektory u = u, u, u, v = v, v, v R platí. dĺžka vektora u je u = u + u + u,. ak sú oba vektory nenulové a zvierajú neorientovaný uhol

Διαβάστε περισσότερα

Goniometrické substitúcie

Goniometrické substitúcie Goniometrické substitúcie Marta Kossaczká S goniometrickými funkciami ste sa už určite stretli, pravdepodobne predovšetkým v geometrii. Ich použitie tam ale zďaleka nekončí. Nazačiatoksizhrňme,čoonichvieme.Funkciesínusakosínussadajúdefinovať

Διαβάστε περισσότερα

Život vedca krajší od vysnívaného... s prírodou na hladine α R-P-R

Život vedca krajší od vysnívaného... s prírodou na hladine α R-P-R Život vedca krajší od vysnívaného... s prírodou na hladine α R-P-R Ako nadprirodzené stretnutie s murárikom červenokrídlym naformátovalo môj profesijný i súkromný život... Osudové stretnutie s murárikom

Διαβάστε περισσότερα

Harmonizované technické špecifikácie Trieda GP - CS lv EN Pevnosť v tlaku 6 N/mm² EN Prídržnosť

Harmonizované technické špecifikácie Trieda GP - CS lv EN Pevnosť v tlaku 6 N/mm² EN Prídržnosť Baumit Prednástrek / Vorspritzer Vyhlásenie o parametroch č.: 01-BSK- Prednástrek / Vorspritzer 1. Jedinečný identifikačný kód typu a výrobku: Baumit Prednástrek / Vorspritzer 2. Typ, číslo výrobnej dávky

Διαβάστε περισσότερα

Prirodzené čísla. Kardinálne čísla

Prirodzené čísla. Kardinálne čísla Prirodzené čísla Doteraz sme sa vždy uspokojili s tým, že sme pod množinou prirodzených čísel rozumeli množinu N = { 1, 2,3, 4,5, 6, 7,8,9,10,11,12, } Túto množinu sme chápali intuitívne a presne sme ju

Διαβάστε περισσότερα

MATEMATICKÁ ANALÝZA 1

MATEMATICKÁ ANALÝZA 1 UNIVERZITA PAVLA JOZEFA ŠAFÁRIKA V KOŠICIACH Prírodovedecká fakulta Ústav matematických vied Božena Mihalíková, Ján Ohriska MATEMATICKÁ ANALÝZA Vysokoškolský učebný text Košice, 202 202 doc. RNDr. Božena

Διαβάστε περισσότερα

Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej transformácie,

Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej transformácie, Kapitola Riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie, keď charakteritická rovnica má rôzne

Διαβάστε περισσότερα

4 Reálna funkcia reálnej premennej a jej vlastnosti

4 Reálna funkcia reálnej premennej a jej vlastnosti Reálna unkcia reálnej premennej a jej vlastnosti Táto kapitola je venovaná štúdiu reálnej unkcie jednej reálnej premennej. Pojem unkcie patrí medzi základné pojmy v matematike. Je to vlastne matematický

Διαβάστε περισσότερα

FUNKCIE. Funkcia základné pojmy. Graf funkcie

FUNKCIE. Funkcia základné pojmy. Graf funkcie FUNKCIE Funkcia základné pojm. Graf funkcie V prai sa často stretávame so skúmaním závislosti veľkosti niektorých veličín od veľkosti iných veličín, napríklad dĺžka kružnice l závisí od jej priemeru d

Διαβάστε περισσότερα

XVIII. ročník BRKOS 2011/2012. Pomocný text. Kde by bola matematika bez čísel? Čísla predstavujú jednu z prvých abstrakcií, ktorú

XVIII. ročník BRKOS 2011/2012. Pomocný text. Kde by bola matematika bez čísel? Čísla predstavujú jednu z prvých abstrakcií, ktorú Pomocný text Číselné obory Číselné obory Kde by bola matematika bez čísel? Čísla predstavujú jednu z prvých abstrakcií, ktorú ľudia začali vnímať. Abstrakcia spočívala v tom, že množstvo, ktoré sa snažili

Διαβάστε περισσότερα

Kontrolné otázky na kvíz z jednotiek fyzikálnych veličín. Upozornenie: Umiestnenie správnej a nesprávnych odpovedí sa môže v teste meniť.

Kontrolné otázky na kvíz z jednotiek fyzikálnych veličín. Upozornenie: Umiestnenie správnej a nesprávnych odpovedí sa môže v teste meniť. Kontrolné otázky na kvíz z jednotiek fyzikálnych veličín Upozornenie: Umiestnenie správnej a nesprávnych odpovedí sa môže v teste meniť. Ktoré fyzikálne jednotky zodpovedajú sústave SI: a) Dĺžka, čas,

Διαβάστε περισσότερα

Ján Buša Štefan Schrötter

Ján Buša Štefan Schrötter Ján Buša Štefan Schrötter 1 KOMPLEXNÉ ČÍSLA 1 1.1 Pojem komplexného čísla Väčšine z nás je známe, že druhá mocnina ľubovoľného reálneho čísla nemôže byť záporná (ináč povedané: pre každé x R je x 0). Ako

Διαβάστε περισσότερα

UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY

UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY MINIMAXNÉ OPTIMÁLNE NÁVRHY REGRESNÝCH EXPERIMENTOV DIPLOMOVÁ PRÁCA 2014 Bc. Gabriel GROMAN UNIVERZITA KOMENSKÉHO V BRATISLAVE

Διαβάστε περισσότερα

Aproximačné algoritmy. (7. októbra 2010) DRAFT

Aproximačné algoritmy. (7. októbra 2010) DRAFT R. Královič Aproximačné algoritmy (7. októbra 2010) ii Obsah 1 Úvod 1 1.1 Algoritmy a zložitosť........................... 1 1.2 Lineárne programovanie......................... 1 1.3 Použité vzťahy..............................

Διαβάστε περισσότερα

Základné poznatky molekulovej fyziky a termodynamiky

Základné poznatky molekulovej fyziky a termodynamiky Základné poznatky molekulovej fyziky a termodynamiky Opakovanie učiva II. ročníka, Téma 1. A. Príprava na maturity z fyziky, 2008 Outline Molekulová fyzika 1 Molekulová fyzika Predmet Molekulovej fyziky

Διαβάστε περισσότερα

23. Zhodné zobrazenia

23. Zhodné zobrazenia 23. Zhodné zobrazenia Zhodné zobrazenie sa nazýva zhodné ak pre každé dva vzorové body X,Y a ich obrazy X,Y platí: X,Y = X,Y {Vzdialenosť vzorov sa rovná vzdialenosti obrazov} Medzi zhodné zobrazenia patria:

Διαβάστε περισσότερα

Základy matematickej štatistiky

Základy matematickej štatistiky 1. Náhodný výber, výberové momenty a odhad parametrov Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. mája 2015 1 Náhodný výber 2 Výberové momenty 3 Odhady parametrov

Διαβάστε περισσότερα

Technická univerzita v Košiciach. Zbierka riešených a neriešených úloh. z matematiky. pre uchádzačov o štúdium na TU v Košiciach

Technická univerzita v Košiciach. Zbierka riešených a neriešených úloh. z matematiky. pre uchádzačov o štúdium na TU v Košiciach Technická univerzita v Košiciach Zbierka riešených a neriešených úloh z matematiky pre uchádzačov o štúdium na TU v Košiciach Martin Bača Ján Buša Andrea Feňovčíková Zuzana Kimáková Denisa Olekšáková Štefan

Διαβάστε περισσότερα

Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti rozvodu tepla

Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti rozvodu tepla Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti príloha č. 7 k vyhláške č. 428/2010 Názov prevádzkovateľa verejného : Spravbytkomfort a.s. Prešov Adresa: IČO: Volgogradská 88, 080 01 Prešov 31718523

Διαβάστε περισσότερα

NUMERICKÁ MATEMATIKA. Moderné vzdelávanie pre vedomostnú spoločnosť/ Projekt je spolufinancovaný zo zdrojov EÚ. Fakulta elektrotechniky a informatiky

NUMERICKÁ MATEMATIKA. Moderné vzdelávanie pre vedomostnú spoločnosť/ Projekt je spolufinancovaný zo zdrojov EÚ. Fakulta elektrotechniky a informatiky Moderné vzdelávanie pre vedomostnú spoločnosť/ Projekt je spolufinancovaný zo zdrojov EÚ NUMERICKÁ MATEMATIKA Fakulta elektrotechniky a informatiky Štefan Berežný Táto publikácia vznikla za finančnej podpory

Διαβάστε περισσότερα

Kompilátory. Cvičenie 6: LLVM. Peter Kostolányi. 21. novembra 2017

Kompilátory. Cvičenie 6: LLVM. Peter Kostolányi. 21. novembra 2017 Kompilátory Cvičenie 6: LLVM Peter Kostolányi 21. novembra 2017 LLVM V podstate sada nástrojov pre tvorbu kompilátorov LLVM V podstate sada nástrojov pre tvorbu kompilátorov Pôvodne Low Level Virtual Machine

Διαβάστε περισσότερα

Prednáška Fourierove rady. Matematická analýza pre fyzikov IV. Jozef Kise lák

Prednáška Fourierove rady. Matematická analýza pre fyzikov IV. Jozef Kise lák Prednáška 6 6.1. Fourierove rady Základná myšlienka: Nech x Haφ 1,φ 2,...,φ n,... je ortonormálny systém v H, dá sa tento prvok rozvinút do radu x=c 1 φ 1 + c 2 φ 2 +...,c n φ n +...? Ako nájdeme c i,

Διαβάστε περισσότερα

III. časť PRÍKLADY ÚČTOVANIA

III. časť PRÍKLADY ÚČTOVANIA III. časť PRÍKLADY ÚČTOVANIA 1. Účtovanie stravovania poskytovaného zamestnávateľom zamestnancom ( 152 Zák. práce) Obsah účtovného prípadu Suma MD Účt. predpis D A. Poskytovanie stravovania vo vlastnom

Διαβάστε περισσότερα

Ohraničenosť funkcie

Ohraničenosť funkcie VaFu05-T List Ohraničenosť funkcie RNDr. Beáta Vavrinčíková U: V bežnom živote sa často stretávame s funkciami, ktorých hodnot sú určitým spôsobom obmedzené buď na celom definičnom obore D alebo len na

Διαβάστε περισσότερα

PRIEMER DROTU d = 0,4-6,3 mm

PRIEMER DROTU d = 0,4-6,3 mm PRUŽINY PRUŽINY SKRUTNÉ PRUŽINY VIAC AKO 200 RUHOV SKRUTNÝCH PRUŽÍN PRIEMER ROTU d = 0,4-6,3 mm èíslo 3.0 22.8.2008 8:28:57 22.8.2008 8:28:58 PRUŽINY SKRUTNÉ PRUŽINY TECHNICKÉ PARAMETRE h d L S Legenda

Διαβάστε περισσότερα

7. Dokážte, že z každej nekonečnej množiny môžeme vydeliť spočítateľnú podmnožinu.

7. Dokážte, že z každej nekonečnej množiny môžeme vydeliť spočítateľnú podmnožinu. Teória množín To, že medzi množinami A, B existuje bijektívne zobrazenie, budeme symbolicky označovať A B alebo A B. Vtedy hovoríme, že množiny A, B sú ekvivalentné. Hovoríme tiež, že také množiny A, B

Διαβάστε περισσότερα

Spojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana.

Spojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana. Spojité rozdelenia pravdepodobnosti Pomôcka k predmetu PaŠ Strana z 7 RNDr. Aleš Kozubík, PhD. 6. marca 3 Zoznam obrázkov Rovnomerné rozdelenie Ro (a, b). Definícia.........................................

Διαβάστε περισσότερα

3. kapitola. Axiomatická formulácia modálnej logiky Vzťah medzi syntaxou a sémantikou. priesvitka 1

3. kapitola. Axiomatická formulácia modálnej logiky Vzťah medzi syntaxou a sémantikou. priesvitka 1 3. kapitola Axiomatická formulácia modálnej logiky Vzťah medzi syntaxou a sémantikou priesvitka 1 Axiomatická výstavba modálnej logiky Cieľom tejto prednášky je ukázať axiomatickú výstavbu rôznych verzií

Διαβάστε περισσότερα

Metodicko pedagogické centrum. Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH ZAMESTNANCOV K INKLÚZII MARGINALIZOVANÝCH RÓMSKYCH KOMUNÍT

Metodicko pedagogické centrum. Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH ZAMESTNANCOV K INKLÚZII MARGINALIZOVANÝCH RÓMSKYCH KOMUNÍT Moderné vzdelávanie pre vedomostnú spoločnosť / Projekt je spolufinancovaný zo zdrojov EÚ Kód ITMS: 26130130051 číslo zmluvy: OPV/24/2011 Metodicko pedagogické centrum Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH

Διαβάστε περισσότερα

LR(0) syntaktické analyzátory. doc. RNDr. Ľubomír Dedera

LR(0) syntaktické analyzátory. doc. RNDr. Ľubomír Dedera LR0) syntaktické analyzátory doc. RNDr. Ľubomír Dedera Učebné otázky LR0) automat a jeho konštrukcia Konštrukcia tabuliek ACION a GOO LR0) syntaktického analyzátora LR0) syntaktický analyzátor Sám osebe

Διαβάστε περισσότερα

Obsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8

Obsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8 Obsah 1 Číselné obory 7 1.1 Reálne čísla a ich základné vlastnosti............................ 7 1.1.1 Komplexné čísla................................... 8 1.2 Číselné množiny.......................................

Διαβάστε περισσότερα

ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s

ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s P P P P ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s r t r 3 2 r r r 3 t r ér t r s s r t s r s r s ér t r r t t q s t s sã s s s ér t

Διαβάστε περισσότερα

Numerické metódy Učebný text pre bakalárske štúdium

Numerické metódy Učebný text pre bakalárske štúdium Imrich Pokorný Numerické metódy Učebný text pre bakalárske štúdium Strana 1 z 48 1 Nepresnosť numerického riešenia úloh 4 1.1 Zdroje chýb a ich klasifikácia................... 4 1.2 Základné pojmy odhadu

Διαβάστε περισσότερα

ZADANIE 1_ ÚLOHA 3_Všeobecná rovinná silová sústava ZADANIE 1 _ ÚLOHA 3

ZADANIE 1_ ÚLOHA 3_Všeobecná rovinná silová sústava ZADANIE 1 _ ÚLOHA 3 ZDNIE _ ÚLOH 3_Všeobecná rovinná silová sústv ZDNIE _ ÚLOH 3 ÚLOH 3.: Vypočítjte veľkosti rekcií vo väzbách nosník zťženého podľ obrázku 3.. Veľkosti známych síl, momentov dĺžkové rozmery sú uvedené v

Διαβάστε περισσότερα

2 Chyby a neistoty merania, zápis výsledku merania

2 Chyby a neistoty merania, zápis výsledku merania 2 Chyby a neistoty merania, zápis výsledku merania Akej chyby sa môžeme dopustiť pri meraní na stopkách? Ako určíme ich presnosť? Základné pojmy: chyba merania, hrubé chyby, systematické chyby, náhodné

Διαβάστε περισσότερα

MOSTÍKOVÁ METÓDA 1.ÚLOHA: 2.OPIS MERANÉHO PREDMETU: 3.TEORETICKÝ ROZBOR: 4.SCHÉMA ZAPOJENIA:

MOSTÍKOVÁ METÓDA 1.ÚLOHA: 2.OPIS MERANÉHO PREDMETU: 3.TEORETICKÝ ROZBOR: 4.SCHÉMA ZAPOJENIA: 1.ÚLOHA: MOSTÍKOVÁ METÓDA a, Odmerajte odpory predložených rezistorou pomocou Wheastonovho mostíka. b, Odmerajte odpory predložených rezistorou pomocou Mostíka ICOMET. c, Odmerajte odpory predložených

Διαβάστε περισσότερα

SLOVENSKO maloobchodný cenník (bez DPH)

SLOVENSKO maloobchodný cenník (bez DPH) Hofatex UD strecha / stena - exteriér Podkrytinová izolácia vhodná aj na zaklopenie drevených rámových konštrukcií; pero a drážka EN 13171, EN 622 22 580 2500 1,45 5,7 100 145,00 3,19 829 hustota cca.

Διαβάστε περισσότερα

VaFu18-T List 1. Mocninové funkcie. RNDr. Beáta Vavrinčíková

VaFu18-T List 1. Mocninové funkcie. RNDr. Beáta Vavrinčíková VaFu8-T List Mocninové funkcie RNDr. Beáta Vavrinčíková U: V tejto téme sa budeme zaoberať jednou celou skupinou funkcií. Pripomeňme si, že funkcia popisuje určitú závislosť medzi dvoma veličinami. Na

Διαβάστε περισσότερα

Obsah. 1.1 Základné pojmy a vzťahy Základné neurčité integrály Cvičenia Výsledky... 11

Obsah. 1.1 Základné pojmy a vzťahy Základné neurčité integrály Cvičenia Výsledky... 11 Obsah Neurčitý integrál 7. Základné pojmy a vzťahy.................................. 7.. Základné neurčité integrály............................. 9.. Cvičenia..........................................3

Διαβάστε περισσότερα

Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi

Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi Typy súvislostí javov a vecí: nepodstatné - vonkajšia súvislosť nevyplýva z vnútornej potreby (javy spoločne vznikajú, majú zhodný priebeh, alebo

Διαβάστε περισσότερα

Numerické metódy matematiky I

Numerické metódy matematiky I Prednáška č. 7 Numerické metódy matematiky I Riešenie sústav lineárnych rovníc ( pokračovanie ) Prednáška č. 7 OBSAH 1. Metóda singulárneho rozkladu (SVD) Úvod SVD štvorcovej matice SVD pre menej rovníc

Διαβάστε περισσότερα