Sie sind auf Seite 1von 23

Mengenwertige Optimierung und Spieltheorie

Ralf Banisch Gabriel Fuhrmann


30. September 2003

Zusammenfassung
Eine Untersuchung über die Anwendungsmöglichkeiten der mengenwertigen Optimierung in
der Spieltheorie im Rahmen des Schülerpraktikums 2002/03 an der Landesschule Pforta.

1
INHALTSVERZEICHNIS 1

Inhaltsverzeichnis
1 Vorwort 2

2 Einführende Beispiele zu Optimierungsproblemen 2


2.1 Was ist Optimierung? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Zur Vektoroptimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

3 Vektorräume, Konvexität, Kegel 3


3.1 Der Vektorraum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.1 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Konvexe Mengen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.1 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3 Kegel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3.1 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3.2 Spitze Kegel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

4 Relationen 6
4.1 Definition der Relation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.2 Weitere Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.3 Eigenschaften der Relationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.3.1 Symmetrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.3.2 Reflexivität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.3.3 Transitivität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.3.4 Antisymmetrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.4 Relationen in Vektorräumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.4.1 Eigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.5 Pareto-minimale Punkte von V ⊆ 2Y . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.6 Mengenrelationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

5 Spieltheorie 14
5.1 Eine allgemeine Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.1.1 Was sind Spiele? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.1.2 1. Beispiel: Stein- Schere- Papier . . . . . . . . . . . . . . . . . . . . . . . . 14
5.1.3 2. Beispiel: Gefangenendilemma . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.2 Zwei- Personen- Spiele in Normalform . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2.1 Beschreibung eines Zwei- Personen- Spiels . . . . . . . . . . . . . . . . . . . 15
5.2.2 Ein einfaches Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3 Einige Lösungskonzepte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3.1 Schattenminimum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3.2 Konservative Lösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3.3 Nichtkooperatives Gleichgewicht (Nash- Gleichgewicht) . . . . . . . . . . . 17
5.3.4 Pareto- Minimum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3.5 Stackelberg- Gleichgewicht . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.4 Duopoly . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.4.1 Pareto- Minima im Duopoly . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.4.2 Die Konservative Lösung im Duopoly . . . . . . . . . . . . . . . . . . . . . 18
5.4.3 Nichtkoooperatives Gleichgewicht im Duopoly . . . . . . . . . . . . . . . . . 19
5.4.4 Stackelberg- Gleichgewicht im Duoploy . . . . . . . . . . . . . . . . . . . . 19

6 Eine spieltheoretische Interpretation der Mengenrelationen 19

7 Anhang 22
7.1 Quellennachweis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7.2 Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1 VORWORT 2

1 Vorwort
Die folgende Arbeit ist das Ergebnis eines einjährigen Praktikums an der Martin-Luther-Universität
Halle-Wittenberg. Wir möchten uns hiermit bei Herrn Andreas Löhne besonders bedanken. Ohne
ihn wäre diese Arbeit nicht möglich gewesen.
In der Wirtschaft zunehmend an Bedeutung gewinnend stellt die Spieltheorie heutzutage kaum
noch ein Fremdwort dar. Dieses mathematische Teilgebiet füllt seit bereits 60 Jahren so einige
Bücher.
Anders verhält es sich da mit den Mengenrelationen. Dieses verhältnismäßig junge Gebiet
mathematischen Interesses birgt noch viele Rätsel in sich. Unter anderem stellt sich wie so häufig
die Frage nach einer evtl. praktischen Anwendbarkeit dieser Relationen.
Da die Mengenrelationen eine Art Verallgemeinerung der in der Spieltheorie bereits Anwendung
findenden Vektorrelationen darstellen, liegt die Vermutung nahe, dass sich auch die Mengenrela-
tionen spieltheoretisch interpretieren lassen.
Diesen kleinen Stein im Mosaik der Mengenrelationen zu untersuchen und dadurch ein besseres
Verständnis der Theorie zu erreichen, war unter anderem Ziel unseres Praktikums.

2 Einführende Beispiele zu Optimierungsproblemen


2.1 Was ist Optimierung?
In einem Optimierungsproblem geht es darum, irgendeine Eigenschaft nach einem bestimmten
Kriterium und unter bestimmten Bedingungen zu minimieren. Sei also X die Menge der Zustände
oder Punkte des Optimierungsproblems und f : X 7→ R eine Bewertungsfunktion, die jedem
Punkt eine reelle Zahl zuordnet. Bestimmte Nebenbedingungen lassen nur eine Teilmenge A ⊂ X
als erlaubte Punkte zu. Nun ist es die Aufgabe in einem Optimierungsproblem, diese Funktion
f unter den zulässigen Punkten A zu minimieren. Ein zulässiger Punkt x̄ ∈ A heißt Lösung des
Optimierungsproblems, wenn gilt:
f (x̄) ≤ f (x)∀x ∈ A.

Beispiel 1: Unter allen Rechtecken mit Umfang 4 soll dasjenige mit größtem Flächeninhalt
gesucht werden.
Dann ist X die Menge R × R aller geordneten Paare (a, b) aus R × R, wobei jedes Paar den
Seitenlängen eines Rechtecks entspricht. Für die Menge A gilt A = {(a, b) ∈ R × R : 2(a + b) = 4}.
Die Bewertungsfunktion f : R×R 7→ R ordnet jeder möglichen Lösung den negativen Flächeninhalt
zu:

f (a, b) = −ab mit 2(a + b) = 4.

Beispiel 2: Gegeben seien zwei Punkte A und B in der Ebene. Beide Punkte sollen durch
eine Rutsche verbunden werden, auf der ein Ball von A nach B rollen kann. Die Rutsche sei durch
die Bahnkurve einer Funktion g beschrieben. Gesucht ist nun die Rutsche, auf der der Ball am
schnellsten von A nach B gelangt (siehe Abb. 1).
Dann ist X die Menge aller Funktionen, A ist die Menge aller stetigen Funktionen, die durch
A und B gehen, und f : X 7→ R ordnet jeder Funktion die Zeit, die der Ball auf der Bahnkurve
der Funktion benötigt, zu.

2.2 Zur Vektoroptimierung


Im skalarwertigen Optimierungsproblem ordnet die Bewertungsfunktion f : X 7→ R jedem Punkt
eine reelle Zahl zu. Das bedeutet, dass genau ein Kriterium zu minimieren ist. In der Praxis ist
es aber häufig so, dass mehrere Kriterien für die Lösung des Problems relevant sind. Will man
beispielsweise einen Fertigungsprozess optimieren, so sind dabei viele Kriterien zu beachten: Die
3 VEKTORRÄUME, KONVEXITÄT, KEGEL 3

Abbildung 1: Jede mögliche Bahnkurve von A nach B lässt sich als Funktion durch A und B
beschreiben

für die Fertigung benötigte Arbeitszeit, die Qualität des Endproduktes, die Betriebskosten der
Fertigungsanlage und so weiter. Unsere Bewertungsfunktion f : X 7→ Y ordnet nun jedem Punkt
einen ganzen Vektor zu. Die einzelnen Komponenten des Vektors sind die Kriterien, nach denen
optimiert werden soll.
Beispiel: Ein Bildhauer muss sich für das zu verwendende Material seiner Skulptur entschei-
den. Es gibt drei Materialien mit gleichen optischen Eigenschaften, die sich aber in Preis und
Bearbeitungszeit unterscheiden. Je billiger das Material, desto länger dauert die Bearbeitung.
Wie löst man nun ein solches Vektoroptimierungsproblem? Eine Möglichkeit ist die Wichtung:
Jedem Kriterium wird ein Gewicht zugeordnet, dass angibt, wie wichtig das Kriterium ist. Unser
Bildhauer könnte etwa jede Stunde Arbeitszeit mit seinem Stundenlohn gewichten. Dann führt
man das mehrkriterielle auf ein normales Optimierungsproblem zurück und kann es lösen. Oft
ist diese Wichtung aber nicht so einfach. Unterscheiden sich die Materialien in ihren optischen
Eigenschaften, fließt auch das in die Auswahl mit ein, und optischen Eigenschaften kann man sehr
schwer ein Gewicht zuordnen. Wie also kann man ein mehrkriterielles Optimierungsproblem lösen,
ohne die Kriterien zu wichten? Mit dieser Frage beschäftigt sich die Vektoroptimierung. Um sie
zu beantworten, ist eine Erläuterung einiger mathematischer Grundlagen unumgänglich.

3 Vektorräume, Konvexität, Kegel


3.1 Der Vektorraum
Definition. Unter einem Vektorraum (linearen Raum) X versteht man eine Menge von Elementen
mit den Eigenschaften:
A, Zu je zwei Elementen x, y ∈ X ist die Summe x + y ∈ X erklärt, so dass gilt:

∀x, y ∈ X : x + y = y + x (1)
∀x, y, z ∈ X : x + (y + z) = (x + y) + z (2)
∃0 ∈ X : ∀x ∈ X : 0 + x = x (3)
∀x ∈ X ∃x∗ ∈ X : x + x∗ = 0 (4)
3 VEKTORRÄUME, KONVEXITÄT, KEGEL 4

B, Für jedes x, y ∈ X und jedes α, β ∈ R ist α · x und α · y beziehungsweise β · x und β · y erklärt


und es gilt:

(α + β)x = x(α + β) = αx + βx (5)


α(x + y) = αx + αy (6)
(αβ)x = α(βx) (7)
1·x=x (8)

3.1.1 Beispiel
 
xi
Betrachten wir Zahlenpaare der Form ; xi , yi ∈ R. Die Addition wird definiert durch:
      yi
x1 x2 x1 + x2
+ = Die Multiplikation mit einem Skalar ist entsprechend erklärt
y1 y2 y + y2
   1 
xi α · xi
durch: α · = Handelt es sich hierbei um einen Vektorraum? Um diese Frage
yi α · yi
zu beantworten, muss einfach geprüft werden, ob die Zahlenpaare die Eigenschaften eines Vektor-
raums erfüllen:
A,
           
x1 x2 x1 + x2 x2 + x1 x2 x1
+ = = = + (1)
y1 y2 y1 + y 2 y 2 + y1 y2 y1
         
x1 x2 x3 x1 + (x2 + x3 ) (x1 + x2 ) + x3
+ + = =
y1 y3 y3 y1 + (y2 + y3 ) (y1 + y2 ) + y3
     
x1 x2 x3
= + + (2)
y1 y2 y3
       
0 x1 0 + x1 x1
+ = = (3)
0 y1 0 + y1 y1
       
−x1 x1 −x1 + x1 0
+ = = (4)
−y1 y1 −y1 + y1 0

B,
         
x1 (α + β) · x1 αx1 + βx1
αx1 βx1
(α + β) · = = + =
y1 (α + β) · y1 αy1 + βy1
αy1 βy1
   
x1 x1
=α· +β· (5)
y1 y1
         
x1 x2 αx1 + αx2 αx1 αx2
α· + = = +
y1 y2 αy1 + αy2 αy1 αy2
   
x1 x2
=α· +α· (6)
y1 y2
          
x1 (αβ) · x1 α · (βx1 ) βx1 x1
(αβ) · = = =α· =α· β (7)
y1 (αβ) · y1 α · (βy1 ) βy1 y1
     
x1 1 · x1 x1
1· = = (8)
y1 1 · y1 y1

Damit ist gezeigt, dass die betrachteten Zahlenpaare, da sie ja alle zu erfüllenden Eigenschaften
eines Vektorraumes besitzen, auch einen Vektorraum darstellen. Dies kann man entsprechend auf
n- Tupel erweitern.
Keinen Vektorraum stellen beispielsweise die√rationalen Zahlen dar, da zum Beispiel die Mul-
tiplikation einer rationalen Zahl ungleich 0 mit 2 zu einer reellen Zahl führt, die nicht Element
der rationalen Zahlen ist.
3 VEKTORRÄUME, KONVEXITÄT, KEGEL 5

3.2 Konvexe Mengen


Definition. Sei X ein Vektorraum, dann heißt A ⊂ X konvex, wenn mit a, b ∈ A stets auch

λa + (1 − λ)b ∈ A∀λ ∈ [0; 1]

Bildlich kann man sich das so vorstellen: nimmt man sich zwei beliebige Punkte a und b aus einer
Menge A heraus, so gehören auch all die Punkte zu A, die auf der Verbindungslinie von a und b
liegen.

3.2.1 Beispiel
Gegeben sei die Menge A = {x ∈ R2 : |x| ≤ 1}. Handelt es sich um eine konvexe Menge?
Seien a, b ∈ A, d.h. |a| ≤ 1 und |b| ≤ 1. Zu zeigen ist, dass damit auch gilt: |λa + (1 − λ)b| ≤ 1
Beweis:
   
x1 y1
|λa + (1 − λ)b| = λ + (1 − λ)
x2 y2
   
λx1 (1 − λ)y1 p
= + = (λx1 + (1 − λ)y1 )2 + (λx2 + (1 − λ)y2 )2
λx2 (1 − λ)y2
q
= λ2 x21 + (1 − λ)2 y12 + 2λ(1 − λ)x1 y1 + λ2 x22 + (1 − λ)2 y22 + 2λ(1 − λ)x2 y2
q
= λ2 (x21 + x22 ) + (1 − λ)2 (y12 + y22 ) + 2λ(1 − λ)(x1 y1 + x2 y2 )
s        
x1 y1 x1 y1
≤ λ 2 2
+ (1 − λ) + 2λ(1 − λ) ·
x2 y2 x2 y2
s      
x1 y1
≤ λ2 + (1 − λ)2 + 2λ(1 − λ) cos(x, y)
x2 y2
s      
x1 y1
= 1 − 2λ(1 − λ) + 2λ(1 − λ) cos(x, y)
x2 y2
p
≤ 1 − 2λ(1 − λ) + 2λ(1 − λ) · 1 · 1 · 1 = 1 ≤ 1

q.e.d.

Visualisiert man das Problem, wird auch sofort ersichtlich, dass es sich bei der betrachteten Menge
tatsächlich um eine konvexe Menge handelt, stellt die Gesamtheit der x ∈ R2 mit einem Betrag ≤ 1
doch eine Kreisscheibe (mit dem Radius 1) dar, auf der natürlich alle Punkte der Verbindungstrecke
zweier zur Kreisfläche gehörenden Punkte liegen.
Betrachten wir nun die Menge B = x ∈ R2 : |x| = 1. Handelt es sich auch bei der Gesamtheit
der x ∈ R2 mit einem Betrag von genau 1 um eine konvexe Menge? Stellen wir uns die Menge wieder
bildlich vor: diesmal haben wir es lediglich mit einem Kreis zu tun, so dass unsere Anschauung uns
verrät, dass nicht alle Punkte der Verbindungstrecke (sondern nur der Anfangs- und Endpunkt)
auch zur Menge B gehören, B scheint also nicht konvex zu sein. Ein einfaches Gegenbeispiel
beweist die Vermutung:
   
0 0
Seien x = , y = und λ = 0, 5. Dann müßte, damit B konvex ist, auch
  −1
   1
0 0 0
0, 5 + 0, 5 = zu B gehören, was aber aufgrund des Betrags von 0 nicht
−1 1 0
gegeben ist, womit die Behauptung bewiesen ist.
4 RELATIONEN 6

3.3 Kegel
Definition. Sei Λ ⊂ R, K ⊂ X, dann gilt:

Λ · K := {λ · k ∈ X : λ ∈ Λ, k ∈ K}

Definition. Sei X ein Vektorraum. Eine Teilmenge K ⊂ X heißt Kegel, wenn gilt: [0; ∞[·K ⊂ K

3.3.1 Beispiel
Stellt eine Gerade im R2 einen Kegel dar? Für eine Gerade gilt folgende Gleichung: ax + by =
c (a, b, c ∈ R; a2 + b2 6= 0). Seien a, b, c 6= 0 und die Geraden damit als eineindeutige Zuordnungen
zu betrachten, dann gilt: y = −a/b x + c/b. Eine solche Gerade schneidet die y-Achse in (0; c/b).
Es gilt weiterhin: 0 · (0; c/b) = (0; 0). Aufgrund der genannten Eigenschaften der betrachteten
Geraden (eineindeutige Zuordnung) kann dieser Punkt allerdings nicht zur Menge der Punkte
dieser Geraden gehören. Somit stellt eine Gerade im R2 nicht zwangsläufig einen Kegel dar. Jedoch
sind all jene Geraden, die durch den Koordinatenursprung verlaufen, Kegel, wie leicht ersichtlich
ist.
Weitere Kegel stellen per Definition alle Vektorräume dar.
Satz: Ein Kegel K ⊂ X ist genau dann konvex, wenn gilt: K + K = K.
Der Beweis des Satzes lässt sich in drei Teile gliedern:
Beweis:
1. Sei K konvex; zu zeigen ist: K ⊂ K + K (hierfür ist die Konvexitätsbedingung unnötig)
Da 0 ∈ K und 0 + K = K sowie logischerweise 0 + K ⊂ K + K ist auch K ⊂ K + K.
2. Sei K konvex; zu zeigen ist: K + K ⊂ K
Sei y ∈ K + K, d.h. y = k1 + k2 mit k1 , k2 ∈ K. Weiterhin gibt es aufgrund der Tatsache, dass K
einen Kegel darstellt, für k1 und k2 (wenigstens) ein k1∗ ∈ K und k2∗ ∈ K sowie ein entsprechendes
λ ∈ [0; 1], so dass gilt: λk1∗ = k1 und (1 − λ)k2∗ = k2 . Wegen der Konvexität von K gilt außerdem:
y = λk1∗ + (1 − λ)k2∗ ∈ K.
3. Sei K + K = K; zu zeigen ist, dass K konvex ist
Mit x ∈ K und y ∈ K ist auch x + y ∈ K Aufgrund der Kegeleigenschaft ist weiterhin λx ∈ K :
∀λ ∈ [0; 1] und (1 − λ)y ∈ K : ∀λ ∈ [0; 1] und damit auch λx + (1 − λ)y ∈ K.
q.e.d.

3.3.2 Spitze Kegel


Definition. Ein Kegel heißt spitz oder punktiert (pointed), wenn gilt:

K ∩ (−K) = {0} , wobei − K = {−k; k ∈ K}

Ein Beispiel
 für punktierte Kegel stellt
 der Kegel K dar, der sich wie folgt ergibt:
2 x2 ≥ 0f ür x1 ≥ 0
K= x∈R :
x2 > 0f ür x1 < 0
Ein Beispiel für einen nicht-spitzen Kegel ist die Menge der reelen Zahlen.

4 Relationen
Will man ein Optimierungsproblem lösen, hat man häufig zwischen mehreren möglichen Punkten
einen auszuwählen. Um zu entscheiden, welcher am besten ist, muss man die einzelnen Punkte
erst einmal vergleichen können, man braucht also Relationen. Dass das vergleichen Können nicht
ganz selbstverständlich ist, soll dieses Kapitel zeigen.
4 RELATIONEN 7

4.1 Definition der Relation


Gegeben ist eine beliebige Menge X. Dann ist
X × X := {(x, y) : x ∈ X, y ∈ X}

die Menge aller geordneten Paare aus X. Eine Teilmenge R ⊂ X × X nennen wir nun Relation
auf X und wir definieren
(x1 , x2 ) ∈ R ⇔ x1 Rx2
.

Diese Definition der Relation als Teilmenge scheint zunächst etwas befremdlich und hat mit
unseren intuitiven Vorstellungen von Relationen nicht viel gemein. Darum soll sie zunächst am
Beispiel einer Relation, die wir alle kennen, nämlich ‘<’, erläutert werden. Sei X = {1, 2, 3} die
Menge der natürlichen Zahlen von 1 bis 3. Dann ist
X × X = {(1; 1), (1; 2), (1; 3), (2; 1), (2; 2), (2; 3), (3; 1), (3; 2), (3; 3)}
und
R = {(1; 2), (1; 3), (2; 3)}

(x1 ; x2 ) ∈ R ⇔ x1 < x2 .

R enthält also alle Elemente von X × X, die die ‘<’-Eigenschaft besitzen. Über die Mengen-
definition lassen sich auch sehr ungewöhnliche Relationen definieren, wie die folgenden Beispiele
zeigen.

4.2 Weitere Beispiele


Beispiel 1: Sei X die “Menge aller Aussagen” (Eine Aussage ist etwas, das entweder wahr oder
falsch sein kann, z.B. “Es regnet jetzt”.) Dann ist X × X die Menge aller geordneten Paare von
Aussagen. Wir definieren eine Relation R als
R = {(x1 ; x2 ) ∈ X × X : (x1 ∧ x2 ) ∨ (¬x1 ∧ ¬x2 )}

Diese Relation ist dann die Äquivalenz der Aussagenlogik x1 ↔ x2 . R enthält alle geordneten
Paare von Aussagen (x1 ; x2 ), die äquivalent zueinander sind.

Beispiel 2: Sei X wieder die Menge aller Aussagen. Dann ist


R = {(x1 ; x2 ) ∈ X × X : (x1 ∧ x2 ) ∨ (¬x1 ∧ ¬x2 ) ∨ (¬x1 ∧ x2 )}

die Implikation der Aussagenlogik x1 → x2 . R enthält alle geordneten Paare von Aussagen
(x1 ; x2 ), für die gilt x1 impliziert x2 .

Beispiel 3: Sei X die Menge aller Teilmengen einer gegebenen Menge Y (Schreibweise: X = 2Y ).
Dann ist
R = {(x1 ; x2 ) ∈ X × X : y ∈ x1 → y ∈ x2 ∀y ∈ Y }

die Teilmengenrelation x1 ⊆ x2 . R enthält alle Teilmengen (x1 ; x2 ) von Y, für die x1 selbst
Teilmenge von x2 ist.

4.3 Eigenschaften der Relationen


Relationen können bestimmte Eigenschaften besitzen, die hier im folgenden näher vorgestellt wer-
den. Die Eigenschaften sind unabhängig voneinander und können entweder erfüllt oder nicht erfüllt
sein.
4 RELATIONEN 8

4.3.1 Symmetrie
Eine Relation heißt symmetrisch, wenn gilt:
∀(x1 ; x2 ) ∈ X : (x1 ; x2 ) ∈ R → (x2 ; x1 ) ∈ R

Ein Beispiel für symmetrische Relationen ist die Äquivalenz der Aussagenlogik, ein Beispiel
für unsymmetrische Relationen ist ‘<’.

4.3.2 Reflexivität
Eine Relation heißt reflexiv , wenn gilt:
∀x ∈ X : (x; x) ∈ R

Ein Beispiel für reflexive Relationen ist ‘=’, ein Beispiel für nicht reflexive Relationen ist ‘6=’.

4.3.3 Transitivität
Eine Relation heißt transitiv , wenn gilt:
∀x1 , x2 , x3 ∈ X : (x1 ; x2 ) ∈ R ∧ (x2 ; x3 ) ∈ R → (x1 ; x3 ) ∈ R

Ein Beispiel für transitive Relationen ist ‘<’, denn aus 1 < 2 und 2 < 5 folgt offensichtlich 1 < 5.
Ein Beispiel für nicht transitive Relationen ist die Gewinnrelation beim Stein-Schere-Papier-Spiel:
Auch wenn Schere < Stein und Stein < Papier, gilt offensichtlich nicht Schere < Papier (Schere
< Stein heißt Schere verliert gegen Stein).

4.3.4 Antisymmetrie
Eine Relation heißt antisymmetrisch, wenn gilt:
∀x1 , x2 ∈ X : (x1 ; x2 ) ∈ R ∧ (x2 ; x1 ) ∈ R → x1 = x2

Ein Beispiel für antisymmetrische Relationen ist ‘≤’, ein Beispiel für nicht antisymmetrische
Relationen sind die symmetrischen Relationen, denn dort folgt ja aus (x1 ; x2 ) ∈ R bereits (x2 ; x1 ) ∈
R.

4.4 Relationen in Vektorräumen


Bisher haben wir die Relationen ganz allgemein betrachtet. Nun wollen wir uns im speziellen mit
Relationen in Vektorräumen beschäftigen. Zur Erinnerung: Die intuitiv bekannten Relationen ’<‘
und ’>‘ sind Relationen im eindimensionalen Vektorraum R und vergleichen zwei Elemente nach
einem Kriterium. Wir wollen jetzt auch nach mehreren Kriterien vergleichen, also brauchen wir
auch in allgemeinen Vektorräumen Relationen. Dort werden durch Kegel K Relationen erzeugt:
Definition: Seien x, y ∈ X, X Vektorraum. Dann ist

x ≤K y ⇔ y − x ∈ K.

Beispiel. Sei X = R2 , K = R2+ = {x ∈ R|x1 ≥ 0, x2 ≥ 0}. K ist nun eine Relation zwischen
den Punkten im R2 . Für zwei Punkte A, B ∈ R2 gilt A ≤K B, wenn B im an A angehefteten
Kegel liegt (siehe Abb. 2).
4 RELATIONEN 9

Abbildung 2: B liegt im an A angehefteten Kegel

4.4.1 Eigenschaften
1. ∀y ∈ X : x1 ≤K x2 ⇒ x1 + y ≤K x2 + y
Zum Beweis wenden wir die Definition der Kegelrelation von oben an:

x2 − x1 ∈ K
x2 + y − x1 − y ∈ K
(x2 + y) − (x1 + y) ∈ K

2. ∀x1 , x2 ∈ X, λ ≥ 0 : x1 ≤K x2 → λx1 ≤K λx2


Zum Beweis wenden wir wieder unsere Definition an:
x2 − x1 ∈ K → λ(x2 − x1 ) ∈ K
3. Reflexivität:
∀x ∈ X : x ≤K x ⇔ x − x ∈ K
4. Transitivität:

Satz 1 Wenn K konvex ist, dann ist ≤K transitiv.

Beweis: Seien x1 ≤K x2 ; x2 ≤K x3 , d.h.

x2 − x1 ∈ K, x3 − x2 ∈ K
⇒ x2 − x1 + x3 − x2 ∈ K + K = K (Konvexität)
⇒ x3 − x2 ∈ K
⇔ x1 ≤K x3
4 RELATIONEN 10

5. Antisymmetrie:
Zunächst ist unsere Kegelrelation nicht antisymmetrisch, wie folgendes Gegenbeispiel zeigt:
Sei X = R2 und K = {(x, y) ∈ R2 : y ≥ 0}. Seien ferner A und B zwei Punkte auf der
X-Achse mit A 6= B. Nun gilt offensichtlich (siehe Abb. 3):

A ∈ B + K ⇒ B ≤K A (9)
B ∈ A + K ⇒ A ≤K B (10)

Hierbei ist B + K := {B + k : k ∈ K, B ∈ {B}}.

Abbildung 3: Durch stumpfe Kegel erzeugte Relationen sind nicht antisymmetrisch

Aus (1) und (2) würde bei Antisymmetrie A=B folgen, dies ist aber nicht der Fall. Die
Antisymmetrie ist also bei Kegelrelationen, die durch stumpfe Kegel erzeugt werden, nicht
erfüllt. Immerhin gilt aber folgender

Satz 2 Wenn K spitz ist, dann ist ≤K antisymmetrisch.

Beweis:
Seien x1 ≤K x2 und x2 ≤K x1 (siehe Definition Antisymmetrie). Dann ist x2 − x1 ∈ K und
x1 − x2 ∈ K ↔ x2 − x1 ∈ −K. Daraus folgt weil K spitz ist x2 − x1 = 0, also x2 = x1 . Damit
ist ≤K antisymmetrisch.

Alle konvexen, spitzen Kegel erzeugen also eine Kegelrelation mit den Eigenschaften 1-5. Wei-
tere Überlegungen, die hier aus Platzgründen nicht aufgeführt werden, zeigen, dass sogar die
Umkehrung gilt:

Satz 3 Jede Relation in einem Vektorraum, die den Eigenschaften 1-5 genügt, wird durch einen
konvexen, spitzen Kegel erzeugt.
4 RELATIONEN 11

Abbildung 4: A und B sind mit den Kegelrelationen nicht vergleichbar

Was bedeutet das? Mithilfe der Vektorrelationen können wir Punkte in Vektorräumen verglei-
chen. Durch konvexe, spitze Kegel erzeugte Vektorrealationen haben weitestgehend die gleichen
Eigenschaften wie Relationen in R, wie wir gezeigt haben. Soweit so gut. Leider gibt es in Vek-
torräumen aber auch nicht vergleichbare Elemente:
In Abb. 4 sind A und B mit der durch den Kegel K = R2+ erzeugten Relation nicht vergleichbar:
A 6∈ B+K und B 6∈ A+K, es gilt also weder A ≤K B noch B ≤K A. Anders als bei den Relationen
auf R, wo wir alle in R enthaltenen Elemente mithilfe der Relation miteinander vergleichen können
und damit eine Ordnung zwischen allen Elementen aus R entsteht, gibt es hier viele Elemente,
die nicht miteinander vergleichbar sind. Dies hat zur Folge, dass Vektoroptimierungsprobleme nie
eine eindeutige Lösung haben, sondern immer eine Menge von gleichwertigen Lösungen existiert,
zwischen denen man sich entscheiden kann. Wie man diese Lösungen findet, soll das nächste
Kapitel zeigen.

4.5 Pareto-minimale Punkte von V ⊆ 2Y


Nachdem wir die Kegelrelationen nun kennengelernt haben, wollen wir sie anwenden, um die
sogenannten Pareto-optimalen Punkte einer Teilmenge V ∈ 2Y zu finden. Diese Menge entspricht
im Allgemeinen der Lösungsmenge eines Vektoroptimierungsproblems. Die Menge der Pareto-
optimalen Punkte von V bezeichnen wir mit MinV.
Definition: v̄ ∈ M inV ⇔ v ∈ V ∧ v ≤K v̄ ⇒ v̄ = v

Beispiel: Sei Y = R2 , K = R2+ , V1 ⊂ Y .


Sei V2 = V1 ∪ {0}, V3 = V1 + K, V4 = V2 + K.
Um MinV zu finden, setzt man den negativen Kegel an einzelne Punkte. Liegt kein Punkt der
Menge im Kegel, gehört der Punkt, an den der Kegel angefügt wurde, zu MinV. In Abb. 5 wurde
der negative Kegel an einen Punkt von M inV1 gesetzt. Wie man sieht, ist kein Punkt von V1 im
Kegel, allerdings liegt (0, 0) ∈ V2 im Kegel. Damit gehört der Punkt zu M inV1 , aber nicht zu
M inV2 . Insgesamt ergibt sich:
M inV1 = {λ 10 + (1 − λ) 01 ; λ ∈ [0; 1]}
 

M inV2 = {0}
4 RELATIONEN 12

Abbildung 5: M inV1 ist blau und M inV2 rot gekennzeichnet

M inV3 = M inV1
M inV4 = M inV2

Pareto-Optima sind besonders im Hinblick auf die Anwendung in der Spieltheorie interessant.
Im nächsten Kapitel soll es um eine Erweiterung der bekannten Vektorrelationen gehen, den Men-
genrelationen.

4.6 Mengenrelationen
Bisher konnten wir einzelne Punkte in Vektorräumen mit Kegelrelationen vergleichen. Eine Er-
weiterung der Kegelrelationen stellen die Mengenrelationen dar. Hier vergleicht man nun statt
einzelner Punkte ganze Punktmengen im Vektorraum. Während die Vektorrelationen schon seit
etwa 40 Jahren bekannt sind, sind die Mengenrelationen aktuelles Thema der Forschung. Dennoch
haben beide Relationen ähnliche Eigenschaften, wie wir in diesem Kapitel sehen werden.
Sei Y ein beliebiger Vektorraum und K ⊂ Y ein konvexer, spitzer Kegel. A, B ∈ 2Y seien zwei
Teilmengen von Y (2Y ist die Menge aller Teilmengen von Y). Um Mengen zu vergleichen, setzen
wir analog zu den Vektorrelationen den Kegel an jeden Punkt von A bzw. B. Die Menge aller
Punkte, die von allen diesen Kegeln überdeckt wird, ist der “Gesamtkegel” der Menge. In Abb. 6
ist er zu sehen.

Welche Beziehung besteht nun zwischen A und B? Der Vergleich von Mengen ist zunächst
weder trivial noch eindeutig. Es gibt in der Tat verschiedene Möglichkeiten, hier eine Relation zu
definieren. Es würde aber den Rahmen dieser Arbeit sprengen, alle Varianten miteinander verglei-
chen zu wollen. Wir wollen uns auf die beiden reflexiven und transitiven Relationen beschränken,
für die wir uns entschieden haben. Andere Definitionen sind zwar möglich, machen aber in den
meisten Fällen wenig Sinn.

Definition:
A4B ⇔ ∀b ∈ B ∃a ∈ A : a ≤K b ⇔ B ⊂A+K
A2B ⇔ ∀a ∈ A ∃b ∈ B : a ≤K b ⇔ A⊂B−K
4 RELATIONEN 13

Abbildung 6: Links der Vergleich von Punkten, rechts der Vergleich von Mengen im Vektorraum

Im Beispiel auf Abb. 6 gilt also A 2 B, aber nicht A 4 B. Beide Relationen sind zwar von der
Kegelrelation ≤K abgeleitet, aber dennoch durchaus unterschiedlich. Wir wollen die wichtigsten
Eigenschaften beider Relationen nur am Beispiel von ‘4’ zeigen. ‘2’ hat diese Eigenschaften auch.

1. Reflexivität:
Die Relation ist reflexiv, wenn A 4 A gilt. Es ist also zu überprüfen, ob ∀a ∈ A ∃b ∈ A :
a ≤K b gilt. Wie man leicht sieht, ist diese Aussage wahr. Die Relation ist also reflexiv.
2. Transitivität:
Hier ist zu überprüfen, ob A 4 B ∧ B 4 C ⇒ A 4 C gilt. Sei also

∀b ∈ B ∃a ∈ A : a ≤K b (11)
∀c ∈ C ∃b ∈ B : b ≤K c (12)

Da man nun nach (4) zu jedem c ∈ C ein b ∈ B mit b ≤K c findet und zu diesem b nach (3)
ein a ∈ A mit a ≤K b, gilt somit
∀c ∈ C ∃a ∈ A : a ≤K c.
Damit gilt also Transitivität.
3. Antisymmetrie:
Beispiel: Sei Y = R2 , K = R2+ , A = K und B = {(0, 0)}. Nun ist offensichtlich

B ⊂A+K =K ⇔ A4B (13)


A⊂B+K =K ⇔ B4A (14)

Aus (5) und (6) müsste bei vorliegender Antisymmetrie A = B gelten, dass ist offensichtlich
nicht der Fall. Unsere Relation wird aber antisymmetrisch, wenn wir unsere Definition von
der Gleichheit zweier Mengen überdenken. Oftmals sind an einer Menge nur die minimalen
Punkte interessant, denn nur die spielen für die Mengenrelationen eine Rolle. Aus diesem
5 SPIELTHEORIE 14

Grund wollen wir alle Mengen aus 2Y in Äquivalenzklassen unterteilen. In einer Äquivalenz-
klasse sind alle Mengen, die die gleiche feste minimale Punktmenge haben, enthalten:

A≡B ⇔A+K =B+K

Betrachten wir unsere Mengenrelationen nur noch auf den Äquivalenzklassen, so sind diese
antisymmetrisch.

5 Spieltheorie
In diesem Kapitel wollen wir eine kleine Einführung in die Spieltheorie liefern, die zunächst ganz
allgemein den Begriff der Spieltheorie verstehen helfen und dann etwas spezieller auf die Zwei-
Personen- Spiele in Normalform eingehen soll. Zur Erhöhung des Verständnisses verschiedener
Definitionen werden die Bedeutungen der einzelnen Begrifflichkeiten an Beispielen, wie sie auch
uns von Herrn Löhne gegeben wurden, skizziert.

5.1 Eine allgemeine Einführung


Die Spieltheorie stellt ein recht junges Teilgebiet der Mathematik dar, dass sich im Wesentlichen
erst in den 40-er Jahren des 20. Jahrhunderts, aus der Forderung einer Mathematisierung wirt-
schaftlicher Problematiken heraus, gebildet hat. Ihr Gegenstand stellen die strategischen Spiele
dar, in denen das Handeln mehrerer Akteure Berücksichtigung findet.
Was aber sind nun ”Spiele“?

5.1.1 Was sind Spiele?


Prinzipiell kann man sagen, dass ein Spiel durch seine Spielregeln und -gesetze charakterisiert
wird. Eine Durchführung eines Spieles entsprechend der genannten Spielregeln bezeichnet man
hingegen als Partie. In einem Spiel verfolgen die Spieler spezielle Ziele, die sie mittels verschiedener
Strategien, die eine Art Handlungsvorschrift zum Beispiel zur Reaktion auf Aktionen anderer
Spieler darstellen, zu erreichen versuchen.
Häufig findet man zur Modellierung einfacher Spiele sogenannte Spielbäume, die sich von einem
Punkt aus verzweigen und als ganzes ein Spiel darstellen (siehe Abb.7). Ein Pfad dieses Baumes
stellt dann entsprechend eine Partie dar.

5.1.2 1. Beispiel: Stein- Schere- Papier


Als ein Beispiel kann das Stein- Schere- Papier- Spiel genannt werden. Die Spielregeln hier sind:
Zwei Spieler S1 und S2 müssen gleichzeitig mit der Hand einen Stein, eine Schere oder ein Blatt
Papier darstellen. Stellen beide den gleichen Gegenstand dar, liegt ein Unentschieden vor. Zeigt
S1 einen Stein, hat S2 gewonnen, wenn er ein Blatt zeigt, hingegen verloren, wenn er eine Schere
darstellt. Stellt weiterhin der eine eine Schere dar, hat der andere, sofern er ein Blatt zeigt verloren.
Für eine Niederlage bekommt man einen Verlust von 1 für ein Unentschieden von 0 für einen
Gewinn −1. Da der Gesamtverlust dementsprechend mit 0 konstant ist, spricht man von einem
sogenannten Nullsummenspiel. Im Spielbaum sieht das dann wie folgt aus:

5.1.3 2. Beispiel: Gefangenendilemma


Beim Gefangenendilemma sind zwei Häftlinge in getrennten Zellen untergebracht. Verraten beide
den jeweils anderen, erhalten sie eine hohe Strafe. Verrät keiner den anderen, sind sie beide frei.
Verrät jedoch einer den anderen, ohne dass dieser den wiederum anderen verrät, bekommt der
Verräter eine Belohnung und der Verratene eine Höchststrafe. Tabelle 2.1 zeigt die Auszahlungs-
matrix.
5 SPIELTHEORIE 15

Abbildung 7: Spielbaum des Stein- Schere- Papier- Spiels; Die Kreise stellen sogenannte Knoten
dar, an denen das Weiterspielen möglich ist, während die Rechtecke das Ende des Spiels symboli-
sieren; 1..Stein, 2..Schere, 3..Papier

S1 /S2 verrät nicht verrät


verrät nicht 0/ 0 10/ -5
verrät -5/ 10 8/ 8

Tabelle 1: Die Zahlenwerte geben den jeweiligen Verlust der Gefangenen an

Die Gefangenen befinden sich also in einem Dilemma: entweder man verrät den anderen, weil
man verhindern will, dass man die Höchststrafe erhält, setzt ihn aber damit auf jeden Fall einer
Bestrafung aus, oder man will dafür sorgen, dass beide ungestraft davon kommen, riskiert damit
aber, die Höchststrafe zu erhalten.
Sowohl beim Gefangenendilemma, als auch beim Stein- Schere- Papier- Spiel handelt es sich um
Spiele mit unvollständiger Information, weil man als Spieler nie weiß, was der jeweils andere Spieler
für eine Strategie wählt. Ein Spiel mit vollständiger Information ist das später näher erläuterte
Hölzchenspiel.
Um nach dieser knappen Einführung, die lediglich eine Orientierung darstellen sollte, das Verständ-
nis für die Spieltheorie ein wenig zu konkretisieren, werden wir nun die Zwei- Personen- Spiele in
Normalform etwas genauer betrachten, deren Untersuchung aufgrund der geringen Spielerzahl mit
verhältnismäßig einfachen Mitteln möglich ist.

5.2 Zwei- Personen- Spiele in Normalform


5.2.1 Beschreibung eines Zwei- Personen- Spiels
Ein Zwei- Personen- Spiel in Normalform besteht zunächst aus den zwei Spielern Sx und Sy . Jedem
dieser Spieler wird eine Strategiemenge zugeordnet: Strategiemenge X von Sx und Strategiemenge
Y von Sy . Weiterhin regeln die Verlustfunktionen f : X × Y −→ R sowie g : X × Y −→ R die
Auszahlung von Sx bzw. Sy . Beide werden in der sogenannten Biloss- Funktion zusammengefasst:

F (x, y) := (f (x, y), g(x, y))

Da möglicherweise nicht alle Paare (x, y) ∈ X × Y als sinnvoll zu betrachten sind, betrachtet man
lediglich die zulässige Menge:
U ⊂X ×Y
So dass ein Zwei- Personen- Spiel durch die zulässige Strategiemenge, sowie die Biloss- Funktion
beschrieben wird: (U, F ).
5 SPIELTHEORIE 16

5.2.2 Ein einfaches Beispiel


Auch beim sogenannten Hölzchenspiel handelt es sich um ein Zwei- Personen- Spiel in Nomalform.
Wir haben zwei Spieler Sx und Sy . Beide sind abwechselnd dazu vepflichtet, entweder ein oder
zwei Hölzchen von einem Stapel bestehend aus vier Hölzchen zu nehmen. Begonnen wird bei Sx
und es hat verloren, wer das letzte Hölzchen vom Stapel nimmt. Sx hat die Strategiemenge X =
{x1 , x2 , x3 }, wobei sich die einzelnen Strategien wie folgt zusammensetzen: x1 = {(4; 1), (2; 1)}
(“Wenn 4 Hölzchen liegen, nimm 1” usw.), x2 = {(4; 2)} und x3 = {(4; 1), (2; 2)}. Sy hat die Strate-
giemenge Y = {y1 , y2 , y3 , y4 }, die sich zusammensetzt aus y1 = {(3; 1), (2; 1)}, y2 = {(3; 1), (2; 2)},
y3 = {(3; 2), (2; 1)} und y4 = {(3; 2), (2; 2)}. Der Verlust des Verlierers beträgt dabei 1, der
des Gewinners −1, so dass die Biloss- Funktion folgende Werte annimmt: F (x1 , y1 ) = (−1, 1),
F (x1 , y2 ) = (−1, 1), F (x1 , y3 ) = (1, −1) usw..

5.3 Einige Lösungskonzepte


5.3.1 Schattenminimum
Definition. Gegeben sei ein Zwei- Personen- Spiel (U, F ). Seien

αx := inf f (x, y)
(x,y)∈U

αy := inf g(x, y)
(x,y)∈U

Dann ist das Schattenminimum für den Fall, dass αx und αy endlich sind, definiert als:

α := (αx , αy )

Wenn tatsächlich ein solches Schattenminimum existiert, nennt man das Spiel beschränkt. Da-
mit stellt das Schattenminimum, sofern ein Paar von Strategien (x0 , y 0 ) ∈ U existiert, für das gilt:
F (x0 , y 0 ) = α, ein geeignetes Lösungskozept dar.
Das Problem ist allerdings, dass nur in Ausnahmefällen tatsächlich ein solches Paar von Stra-
tegien existiert, wie sich am Hölzchenspiel skizzieren lässt: Hier gilt: αx = −1 und αy = −1. Es
handelt sich auch beim Hölzchenspiel um ein Nullsummenspiel. So hat, wenn der eine Spieler ge-
winnt der andere auch gleichzeitig verloren und die Summe der Punktzahlen beider Spieler bleibt
stets Null. Es existiert damit gleichzeitig kein (x0 , y 0 ) für das gilt: F (x0 , y 0 ) = (−1, −1) und damit
wiederum kein Schattenminimum.
Vielmehr gilt in den meisten Fällen: F (U ) ⊂ α+R2+ , so dass andere Lösungskonzepte gebraucht
werden.

5.3.2 Konservative Lösung


Man betrachte für den Spezialfall: U = X × Y folgende Funktionen, die den Verlust von Sx
beziehungsweise Sy im sogenannten worst case in Abhängigleit der gewählten Startegie liefern:

f ∗ (x) = sup f (x, y)


y∈Y

g ∗ (y) = sup g(x, y)


x∈X

Hat man keinerlei Informationen über das Verhalten des anderen Spielers vorliegen, so kann es
durchaus sinnvoll sein, eine Startegie zu wählen, bei der der maximale Verlust möglichst gering
ist.
Definition. Die Strategien x∗ und y ∗ heißen konservative Strategien oder Lösungen für Sx bezie-
hungsweise Sy im Spiel (U, F ), sofern gilt:

x∗ : f ∗ (x∗ ) = vx∗ = inf f ∗ (x)


x∈X
5 SPIELTHEORIE 17

y ∗ : g ∗ (y ∗ ) = vy∗ = inf g ∗ (y)


y∈Y

Der Vektor v = {vx∗ , vy∗ } heißt konservativer Wert des Spiels.
Wählt man die konservative Strategie ist man stets auf der sicheren Seite: Egal was der andere
Spieler macht, der eigene Verlust ist nie schlechter als vx bzw. vy . Allerdings kann bei einem Paar
konservativer Strategien (x∗ , y ∗ ) beispielsweise Sx über eine Strategie x verfügen, so dass gilt:
f (x, y ∗ ) < f (x∗ , y ∗ ), was nicht selten der Fall ist, weshalb für eine sorgfältige Betrachtung eines
Spiels neben den bereits aufgeführten Lösungsbegriffen noch weitere von Nöten sind.

5.3.3 Nichtkooperatives Gleichgewicht (Nash- Gleichgewicht)


Betrachten wir wieder ein Spiel (U, F ) im Spezialfall: U = X × Y .
Definition. Ein Paar von Strategien (x0 , y 0 ) wird als Nichtkooperatives Gleichgewicht bezeichnet,
wenn folgende Gleichungen erfüllt sind:

f (x0 , y 0 ) = min f (x, y 0 )


x∈X

g(x0 , y 0 ) = min g(x0 , y)


y∈Y

Man spricht im Zusammenhang mit dem Nash- Gleichgewicht auch von Individueller Stabilität,
da weder Sx noch Sy die Möglichkeit haben, ihren Verlust zu verringern, solange der jeweils andere
Spieler seine Strategie beibehält.

5.3.4 Pareto- Minimum


Definition. Ein Paar (x0 , y 0 ) ∈ U von Strategien eines Spieles (U, F ) heißt schwaches Pareto-
Minimum, falls kein Paar (x, y) ∈ U existiert, für das folgendes gilt:

f (x, y) < f (x0 , y 0 )

g(x, y) < g(x0 , y 0 )


Das Pareto- Minimum entspricht damit einer Kollektiven Stabilität, da es auch durch Verände-
rung der Strategien beider Spieler nicht möglich ist, einen besseren Spielwert (bezüglich der Ord-
nung im R2 ) zu erreichen.
Dieses Konzept stellt die theoretische Grundlage für die in 4.5 angesprochenen Pareto- opti-
malen Punkte einer Teilmenge dar.

5.3.5 Stackelberg- Gleichgewicht


Es gibt noch weitere Lösungskonzepte wie z.B. das Stackelberg- Gleichgewicht. Dabei werden
“reine” Strategien durch Entscheidungsregeln ersetzt.
Denken wir uns den Fall, dass in einem Zwei- Personen- Spiel (U, F ) die Spieler Sx und Sy
sich nicht simultan für eine Strategie entscheiden, sondern beispielsweise Sx sich vor Sy für ein
x ∈ X festzulegen hat und gleichzeitig weiß, dass Sy seine Strategie nach der Regel y = R(x)
bestimmt. In diesem Fall, versucht Sx natürlich seine Strategie so zu wählen, dass sein Verlust in
Abhängigkeit von x und R(x) möglichst gering ist.
Ein Paar von Strategien (x∗ , y ∗ ) heißt dann Stackelberg- Gleichgewicht, wenn gilt: Sy wählt
seine Strategie y ∗ als Reaktion auf die von Sx gewählte Strategie x∗ nach der Regel R(x∗ ) und x∗
ist Lösung des Optimierungsproblems:

min f (x, R(x))


x∈X
5 SPIELTHEORIE 18

5.4 Duopoly
Zur Verdeutlichung der Lösungsbegriffe betrachten wir im Folgenden eine einfache Form des Duo-
poly. In diesem Zwei- Personen- Spiel sind die Spieler Sx und Sy Produzenten eines Produktes,
welches Sx in der Anzahl x ≥ 0 und Sy in der Anzahl y ≥ 0 herstellt. In der Verlustfunkion sollen
ein Zusammenhang zwischen dem Verkaufspreis des Produktes und der Gesamtproduktion und
die Produktionskosten Berücksichtigung finden. Betrachten wir den Fall, in dem das Preismodell
p(x, y) folgendes Aussehen hat: p(x, y) = α − β(x + y) mit α, β ∈ R+ . Weiterhin seien die Pro-
duktionskosten c(x) des Spielers Sx beziehungsweise d(y) des Spielers Sy wie folgt beschrieben:
c(x) = γx + δ beziehungsweise d(x) = γy + δ mit γ, δ ∈ R+ .
Die Verlustfunktionen f (x, y) von Spieler Sx und g(x, y) von Spieler Sy haben dann folgendes
Aussehen:
f (x, y) = c(x) − p(x, y)x = βx(x + y + (γ − α) ÷ β) + δ
g(x, y) = d(y) − p(x, y)y = βy(x + y + (γ − α) ÷ β) + δ
Zur weiteren Vereinfachung betrachten wir nun den Spezialfall: β = 1; δ = 0. Weiterhin wird
vereinbart: α − γ = u, so dass u der Maximalproduktion entspricht und wir im Weiteren folgende
Verlustfunktionen betrachten:
f (x, y) = x(x + y − u)
g(x, y) = y(x + y − u)
Mit diesen Vereinfachungen ist es mit recht einfachen Mitteln möglich die Strategien (die in
diesem Spiel der jeweiligen Produktionsmenge der Spieler entsprechen) der vorgestellten Lösungs-
konzepte zu ermitteln, was wir im folgenden tun werden.

5.4.1 Pareto- Minima im Duopoly


Zur Ermittlung der Pareto- Minima betrachten wir zunächst den Gesamtverlust h beider Spie-
ler. Für ihn gilt: h(x + y) = f (x, y) + g(x, y) = (x + y)(x + y − u). Führen wir weiterhin die
Gesamtproduktion z ein, so gilt z = x + y und damit: h(z) = z(z − u).
Sucht man nun nach den Pareto- Minima, muss logischerweise der Gesamtverlust minimal sein:
min h(z) = min z(z − u) = −1/4u2
z∈[0;2u] z∈[0;2u]

Dies ist genau dann der Fall, wenn z = x+y = 1/2u gilt. All die Punkte, die dies erfüllen (in Abb.8
dargestellt durch den hellgrünen unteren Rand) gehören zu den Pareto- Minima und stellen damit
je nach Verteilung der Produktionsmenge akzeptable Lösungsansätze dar, wobei davon auszugehen
ist, dass die Pareto- Minima ohne eine Absprache wohl kaum zu realisieren sind.

5.4.2 Die Konservative Lösung im Duopoly


Im worst case erleiden Sx und Sy in Abhängigkeit der jeweiligen Strategie folgende Verluste:
f ∗ (x) = sup x(x + y − u) = x2
y∈[0;u]

g ∗ (y) = sup y(x + y − u) = y 2


x∈[0;u]

Es ist leicht einzusehen, dass f (x) und g ∗ (y) ihr Minimum für x = 0 beziehungsweise y = 0

erreichen, so dass sich für den konservativer Wert v ∗ folgendes ergibt:


v ∗ = {0; 0}
Damit würde sich ein Spieler, der eine konservative Lösung dieses Duopoly- Spiels anstrebt aus
dem Geschehen zurückziehen, um sich keinem Risiko auszusetzen, damit aber gleichzeitig jede
Chance auf Gewinn verlieren (in Abb.8 durch den violetten Punkt im Ursprung verdeutlicht),
womit in diesem Fall die konservative Strategie wohl keine sinnvolle Möglichkeit des Handelns
darstellt.
6 EINE SPIELTHEORETISCHE INTERPRETATION DER MENGENRELATIONEN 19

5.4.3 Nichtkoooperatives Gleichgewicht im Duopoly


Betrachten wir nun das Nichtkooperative Gleichgewicht. Spieler Sx beziehungsweise Sy versucht
bei fester Strategie des jeweils anderen Spielers seinen Verlust mittels der Strategie x0 beziehungs-
weise y 0 zu minimieren, so dass also gilt:

f (x0 , y) = min f (x, y) = min x(x + y − u)


x∈[0;u] x∈[0;u]

g(x, y 0 ) = min g(x, y) = min y(x + y − u)


y∈[0;u] y∈[0;u]

Somit handeln Sx und Sy nach folgenden Entscheidungsregel C(y) und D(x):

C(y) = x0 = (u − y) ÷ 2

D(x) = y 0 = (u − x) ÷ 2
Sucht man nun nach dem Nichtkooperativen Gleichgewicht, ist dies gleichbedeutend mit der Suche
nach einem Fixpunkt der Abbildung (x, y) −→ (C(y), D(x)). Fixpunkt meint in diesem Zusam-
menhang einen Punkt für den gilt (x0 , y 0 ) = (C(y 0 ), D(x0 )). D.h., dass gleichzeitig x0 = (u − y 0 ) ÷ 2
und y 0 = (u − x0 ) ÷ 2 gelten. Durch Substitution erhält man für diesen Punkt:

(x0 , y 0 ) = (1/3u; 1/3u)

Der Gesamtverlust h liegt im Nash- Gleichgewicht mit h(x + y) = f (x, y) + g(x, y) = −2/9u2
logischerweise über dem der Pareto- Minima, setzt aber keine Kooperation voraus. (Verluste von
Sx und Sy im Nashgleichgewicht sind in Abb.8 durch den roten Punkt hervorgehoben)

5.4.4 Stackelberg- Gleichgewicht im Duoploy


Untersuchen wir nun den Fall, dass sich beispielsweise Sx vor Sy für eine Strategie zu entscheiden
hat. Gehen wir weiterhin davon aus, dass sich Sx darüber im Klaren ist, dass Sy sich nach der
Entscheidungsregel D(x) = (u − x) ÷ 2 verhält, da er ja immer mit der optimalen Strategie auf die
Entscheidung von Sx antworten will. Dieses Wissen will Sx natürlich ausnutzen, weshalb er den
entsprechenden Verlust minimiert:

min f (x, D(x)) = min x(x + u/2 − x/2 − u) = min x(x/2 − u/2) = −u2 /8
x∈[0;u] x∈[0;u] x∈[0;u]

Als Strategiepaar (x, y) ergibt sich hierbei (u/2; u/4), was einem Gesamtverlust h von h(x + y) =
−3/16u2 entspricht, der höher als der im Nash- Gleichgewicht, dafür aber zu Gunsten von Sx
ungleich verteilt ist (siehe blauer Punkt in Abb.8).

6 Eine spieltheoretische Interpretation der Mengenrelatio-


nen
Mengenwertige Verlustfunktionen existieren in vielen praktischen Bereichen, zum Beispiel dort, wo
gewisse Einflussfaktoren nicht bekannt sind. Im Laufe unseres Praktikums, hatten wir die Aufgabe,
die Anwendbarkeit der Mengenrelationen auf die Spieltheorie zu untersuchen, stellten allerdings
fest, dass das Ersetzen der Vektorrelationen durch die Mengenrelationen, wenig Sinn macht.
Dennoch ist es uns gelungen, eine Situation zu konstruieren, in der man effiziente Elemente
bzgl. der Mengenrelationen ökonomisch interpretieren kann. Der entscheidende Unterschied dieser
konstruierten Situation zu einer realen besteht darin, dass zwei festgewählte Mengen mit der Men-
genrelation verglichen werden. Erst dadurch ist es möglich, sinnvolle Aussagen über die Elemente
dieser Menge zu machen.
Betrachten wir im folgenden ein Spiel, bei dem zwei Firmen an zwei Orten A und B jeweils ein
und dasselbe Produkt in ihren dortigen Filialen verkaufen. Der Preis des Produktes soll dabei, wie
6 EINE SPIELTHEORETISCHE INTERPRETATION DER MENGENRELATIONEN 20

Abbildung 8: Das Schaubild der Verluste (für u = 2) von Sx und Sy deutet die Unterschiede
zwischen den verschiedenen Lösungskonzepten an

bei dem bereits untersuchten Duopoly, von der jeweiligen Gesamtzahl der an A bzw. B angebotenen
Stücke abhängen. Dabei soll an jedem Standort eine Regulierungsbehörde in Abhängigkeit der von
den Firmen gewählten Strategien über z.B. eine Preisregulation Standortnachteile verhindern.
2
Dadurch wird die in 5.2.1 eingeführte Bilossfunktion F : X → 2R mengenwertig, da den Firmen
ja nicht bekannt ist, welche Entscheidung die Regulierungsbehörde fällen wird. Dabei sollen F und
X für beide Standorte gleich sein.
Sei xA ∈ X eine Bistrategie, also ein Paar von Strategien der zwei Firmen, so dass F (xA )
-minimal in F ist, d.h.

F (x)  F (xA ) ⇒ F (x) = F (xA ) ∀x ∈ X

Wir wollen zeigen: Wenn die beiden Firmen die Strategie xA am Standort A und irgendeine
andere feste Strategie xB am Standort B wählen, dann kann die Regulierungsbehörde durch Aus-
wahl eines bestimmten yA ∈ M inF (xA ) (also Regulation durch z.B. Gebührenerhebung) erreichen,
dass mindestens eine der beiden Firmen keinen Standortnachteil an Standort A im Vergleich zu
Standort B hat.
Beweis: Wie wir bereits wissen gilt nach Definition

F (xB )  F (xA ) ⇒ F (xB ) = F (xA ) und


F (xB ) 6= F (xA ) ⇒ F (xB ) 6 F (xB )

Führen wir also eine Fallunterscheidung durch:


Fall 1:F (xA ) = F (xB ).
Dann gilt aber auch M inF (xA ) = M inF (xB ) und dann kann die Regulierungsbehörde eine
Strategie yA ∈ M inF (xA ) auswählen, die dann auch in M inF (xB ) enthalten ist, so dass also gilt

∀yB ∈ F (xB ) : yA ≤K yB

q.e.d.
6 EINE SPIELTHEORETISCHE INTERPRETATION DER MENGENRELATIONEN 21

Fall 2:F (xB ) 6 F (xA ).


Zur Erinnerung:

F (xB )  F (xA ) ⇔ ∀yA ∈ F (xA ) : ∃yB ∈ F (xB ) : yB ≤K yA

F (xB ) 6 F (xA ) ⇔ ∃yA ∈ F (xA ) : ∀yB ∈ F (xB ) : yB 6≤K yA


Wählt die Behörde aber genau dieses yA ∈ F (xA ) aus, ist, egal welches yB ∈ F (yB ) am
Standort B von der dortigen Behörde ausgewählt wird, yB nie kleiner bezüglich der Kegelrelation
im Vergleich zu yA . Das heißt aber, dass für mindestens eine Firma kein Standortnachteil im
Vergleich zu Standort B vorhanden ist.
q.e.d.
Das Problem hierbei ist: Die Behörde muss das am Standort A gewählte Strategiepaar xA kennen.
Für irgendein anderes xA muss die Behörde ein anderes yA auswählen. In unserem Beispiel ist
das kein Problem, weil die Firmen typischerweise zunächst ihre Strategien festlegen, bevor die
Regulierungsbehörde entscheidet. In den allermeisten Spielen ist die Situation aber anders: Man
möchte seinen eigenen Verlust minimieren, ohne die Strategie des anderen zu kennen. Dabei helfen
einem die Mengenrelationen aufgrund der oben genannten Eigenschaft nicht.
Abschließend muss also gesagt werden, dass die Mengenrelationen überraschenderweise doch,
wenn überhaupt, nur selten in der Spieltheorie anwendbar sind.
7 ANHANG 22

7 Anhang
7.1 Quellennachweis
Unsere Quelle stellt prinzipiell der Unterricht bei Herrn Dipl.-Math. Andreas Löhne dar. Herr
Löhne benutzte als Basis für seinen Unterricht folgende Quellen:

1. Hamel, Andreas; Löhne, Andreas: Ordering Relations and Boundedness in 2Y . In: Minimal
Set Theorems. Report No. 11 (Halle/Saale) 2002
2. Hampicke, Ulrich: Mikroökonomie für den Studiengang ”Landschaftsökologie und Natur-
schutz”. Script zu ”Landschaftsökonomie I”. Universität Greifswald Oktober 1997
3. Kuroiwa, D.: The Natural Criteria in Set-Valued Optimization. RMS Kokyuroku 1048 (1998)
4. Aubin, J.-P.; Ekeland, I.: Applied Nonlinear Analysis. John Wiley & Sons. New York 1984

7.2 Abbildungsverzeichnis
Abb.1: erstellt von Ralf Banisch mit ”Corel Draw 6.0”
Abb.2: erstellt von Ralf Banisch mit ”Corel Draw 6.0”
Abb.3: erstellt von Ralf Banisch mit ”Corel Draw 6.0”
Abb.4: erstellt von Ralf Banisch mit ”Corel Draw 6.0”
Abb.5: erstellt von Ralf Banisch mit ”Corel Draw 6.0”
Abb.6: erstellt von Ralf Banisch mit ”Corel Draw 6.0”
Abb.7: erstellt von Gabriel Fuhrmann mit ”Microsoft Paint”
Abb.8: erstellt von Gabriel Fuhrmann mit ”Mathematica 4 for students” und ”Microsoft Paint”