消费者理论:效用函数

效用函数

效用函数

效用函数是为每个可能的消费束指派一个数字,它指派给受较多偏好的消费束的数字大于指派给受较少偏好的消费束的数字的方法。

对于消费束 ( x 1 , x 2 ) (x_1,x_2) (x1,x2) 的偏好超过对于消费束 ( y 1 , y 2 ) (y_1,y_2) (y1,y2) 的偏好,其充分必要条件是 ( x 1 , x 2 ) (x_1,x_2) (x1,x2) 的效用大于 ( y 1 , y 2 ) (y_1,y_2) (y1,y2) 的效用。
( x 1 , x 2 ) ≻ ( y 1 , y 2 ) ⇔ u ( x 1 , x 2 ) > u ( y 1 , y 2 ) ( x 1 , x 2 ) ≺ ( y 1 , y 2 ) ⇔ u ( x 1 , x 2 ) < u ( y 1 , y 2 ) ( x 1 , x 2 ) ⪯ ( y 1 , y 2 ) ⇔ u ( x 1 , x 2 ) ≤ u ( y 1 , y 2 ) (x_1,x_2) \succ (y_1,y_2) \Leftrightarrow u(x_1,x_2) > u(y_1,y_2) \\ (x_1,x_2) \prec (y_1,y_2) \Leftrightarrow u(x_1,x_2) < u(y_1,y_2) \\ (x_1,x_2) \preceq (y_1,y_2) \Leftrightarrow u(x_1,x_2) \leq u(y_1,y_2) \\ (x1,x2)(y1,y2)u(x1,x2)>u(y1,y2)(x1,x2)(y1,y2)u(x1,x2)<u(y1,y2)(x1,x2)(y1,y2)u(x1,x2)u(y1,y2)

效用函数和无差异曲线

例如:以下消费束 ( 4 , 1 ) (4,1) (4,1) ( 2 , 3 ) (2,3) (2,3) ( 2 , 2 ) (2,2) (2,2)
假设
( 2 , 3 ) ≻ ( 4 , 1 ) ∼ ( 2 , 2 ) (2,3) \succ (4,1) \sim (2,2) (2,3)(4,1)(2,2)
可以分配格上述消费束保持偏好顺序的任何效用值,如
u ( 2 , 3 ) = 6 > u ( 4 , 1 ) = u ( 2 , 2 ) = 4. u(2,3) = 6 > u(4,1) = u(2,2) = 4. u(2,3)=6>u(4,1)=u(2,2)=4.
这些被分配的效用称为效用水平
无差异曲线表示相同偏好的消费束集合;相同偏好表示同样的效用水平。
因此, 无 差 异 曲 线 上 所 有 消 费 束 有 同 样 的 效 用 水 平 {\color{red}无差异曲线上所有消费束有同样的效用水平} 线

边际效用

如果一个效用函数被表达为 u ( x 1 , x 2 , … , x n ) u(x_1,x_2,\dots, x_n) u(x1,x2,,xn),那么该函数求关于 x i x_i xi 的一阶偏导,得到 ∂ u ( ⋅ ) ∂ x i \frac{\partial u(\cdot)}{\partial x_i} xiu(),称 ∂ u ( ⋅ ) ∂ x i \frac{\partial u(\cdot)}{\partial x_i} xiu() x i x_i xi 的边际效用,即物品 x i x_i xi 对于消费提供的边际贡献。

边际效用和边际替代率

由于同一条无差异曲线表示效用不变,是一个常数:
u ( x 1 , f ( x 1 ) ) = c u(x_1, f(x_1)) = c u(x1,f(x1))=c
对上式求关于 x 1 x_1 x1 的偏导,会得出
∂ u ( ⋅ ) ∂ x 1 + ∂ u ( ⋅ ) ∂ x 2 f ′ ( x 1 ) = 0 f ′ ( x 1 ) = − ∂ u ∂ x 1 / ∂ u ∂ x 2 . \frac{\partial u(\cdot)}{\partial x_1}+ \frac{\partial u(\cdot)}{\partial x_2} f'(x_1) = 0 \\ f'(x_1) = - \frac{\partial u}{\partial x_1} / \frac{\partial u}{\partial x_2}. x1u()+x2u()f(x1)=0f(x1)=x1u/x2u.
或者写成
∂ u ( ⋅ ) ∂ x 1 + ∂ u ( ⋅ ) ∂ x 2 d x 2 d x 1 = 0 \frac{\partial u(\cdot)}{\partial x_1}+\frac{\partial u(\cdot)}{\partial x_2}\frac{dx_2}{dx_1} = 0 x1u()+x2u()dx1dx2=0
得到
d x 2 d x 1 = − ∂ u ( ⋅ ) ∂ x 1 / ∂ u ( ⋅ ) ∂ x 2 . \frac{dx_2}{dx_1} = - \frac{\partial u(\cdot)}{\partial x_1} / \frac{\partial u(\cdot)}{\partial x_2}. dx1dx2=x1u()/x2u().
∣ d x 2 d x 1 ∣ = ∂ u ( ⋅ ) ∂ x 1 / ∂ u ( ⋅ ) ∂ x 2 \left|\frac{dx_2}{dx_1} \right| = \frac{\partial u(\cdot)}{\partial x_1} / \frac{\partial u(\cdot)}{\partial x_2} dx1dx2=x1u()/x2u() 为物品1对于物品2的边际替代率 M R S 1 , 2 MRS_{1,2} MRS1,2。同样地,记 ∣ d x j d x i ∣ = ∂ u ( ⋅ ) ∂ x i / ∂ u ( ⋅ ) ∂ x j \left|\frac{dx_j}{dx_i} \right| = \frac{\partial u(\cdot)}{\partial x_i} / \frac{\partial u(\cdot)}{\partial x_j} dxidxj=xiu()/xju() 为物品 i i i 对于物品 j j j 的边际替代率,所以
M R S i , j ( x ) = ∂ u ( ⋅ ) ∂ x i / ∂ u ( ⋅ ) ∂ x j MRS_{i,j}(x) = \frac{\partial u(\cdot)}{\partial x_i} / \frac{\partial u(\cdot)}{\partial x_j} MRSi,j(x)=xiu()/xju()
(1) M R S i , j ( x ) MRS_{i,j}(x) MRSi,j(x) 是一个正数;
(2) M R S i , j ( x ) MRS_{i,j}(x) MRSi,j(x) 表示当效用不变时, x i x_i xi 可以替代 x j x_j xj 的边际比率。

预算约束

  • ( x 1 , … , x n ) (x_1,\dots, x_n) (x1,,xn) 表示消费者消费的商品束, ( p 1 , … , p n ) (p_1,\dots,p_n) (p1,,pn) 表示商品的价格。
  • 预算约束:消费支出不超过收入, m m m 表示消费者的收入,即:
    p 1 x 1 + ⋯ + p n x n ≤ m p_1x_1+\dots+p_nx_n \leq m p1x1++pnxnm
  • 预算约束描述的是在给定商品价格和收入的情况下,消费者可以消费的商品的数量。
  • 当价格为 ( p 1 , … , p n ) (p_1,\dots,p_n) (p1,,pn) 和收入 m m m 时能负担的消费束称为消费者的预算集
    B ( p 1 , … , p n , m ) = { ( x 1 , … , x n ) ∣ x 1 ≥ 0 , … , x n ≥ 0 , p 1 x 1 + ⋯ + p n x n ≤ m } B(p_1,\dots,p_n,m) = \{(x_1,\dots,x_n) \mid x_1\geq 0,\dots,x_n \geq 0,p_1x_1+\dots+p_nx_n \leq m \} B(p1,,pn,m)={(x1,,xn)x10,,xn0,p1x1++pnxnm}

参考

  1. 课程老师的PPT,这里就不外传了。
  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值