Päätöksentekomenetelmät

Koko: px
Aloita esitys sivulta:

Download "Päätöksentekomenetelmät"

Transkriptio

1 L u e n t o Päätöksentekomenetelmät Luennon sisältö Hanna Virta / Liikkeenjohdon systeemit Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut

2 Johdanto päätöksentekoon

3 Päätösongelmia löytyy joka paikasta Tuotantoratkaisut: millaisia tuotteita ja kuinka paljon valmistetaan? kysyntä? Sijoitusstrategiat: mikä sijoitusvaihtoehto on paras? sijoituksen arvo tulevaisuudessa? Luento alfa 3

4 Päätösongelmia löytyy joka paikasta Päästökauppa: vähennetäänkö päästöjä itse vai ostetaanko päästöoikeuksia? päästöoikeuksien hinta? tulevat päästörajoitukset? Opiskelijan ongelmia: kannattaako kouluttautuminen? keskitynkö opiskeluun vai hankinko samalla työkokemusta? työnsaanti tulevaisuudessa? Luento alfa 4

5 Päätöksentekotilanteen rakenne Päätöksentekijä Erilaisia toimintavaihtoehtoja eli strategioita Päätöksentekijän epäröinti Ongelman ympäristö, asiantila vaikuttaa toimintavaihtoehtojen tuottamiin tuloksiin ei ole päätöksentekijän kontrolloitavissa Luento alfa 5

6 Päätöksenteko-ongelman ratkaiseminen Valitaan paras toimintavaihtoehto Tavoitteena yleensä nettotuoton maksimointi tai kustannusten minimointi jatkossa oletetaan, että tavoitteena on nettotuoton maksimointi (asiat ovat sovellettavissa myös kustannusten minimointiin) Luento alfa 6

7 Päätöksenteko eri tilanteissa

8 Lähtötiedot Sijoitusesimerkin perustiedot Sijoitussumma Sijoitusjakso 1 v. Kaksi sijoitusvaihtoehtoa Hallinnointi- ym kustannukset Kolme talousnäkymää teollisuusosakkeet ja osakerahasto teollisuus 150, osakerahasto 100 korkeasuhdanne, tasainen kasvu, lama Sijoituksen arvo sijoitusjakson lopussa Sijoitusvaihtoehdot Asiantilat Korkeasuhdanne (x 1 ) Tasainen kasvu (x 2 ) Lama (x 3 ) p(x 1 ) p(x 2 ) p(x 3 ) Teollisuusosakkeet Osakerahasto Luento alfa 8

9 Valinta ja asiantila vaikuttavat tuottoihin Payoff-taulukko Sijoitusvaihtoehdot Asiantilat Korkeasuhdanne (x 1 ) Tasainen kasvu (x 2 ) Lama (x 3 ) p(x 1 ) p(x 2 ) p(x 3 ) Teollisuusosakkeet Osakerahasto = 1850

10 Kolmenlaisia päätöksentekotilanteita Päätöksenteko varmuuden vallitessa Päätöksenteko riskin vallitessa Päätöksenteko epävarmuuden vallitessa Luento alfa 10

11 Päätöksenteko varmuuden vallitessa Voi sattua vain yksi asiantilał ei epävarmuutta valitaan se toimintavaihtoehto, joka tuottaa parhaan tuloksen Jos tiedetään, että tulossa on korkeasuhdanne Päätösongelma: max(1850; 1300) = 1850 Ł sijoitetaan teollisuusosakkeisiin Payoff-taulukko Sijoitusvaihtoehdot Asiantilat Korkeasuhdanne Tasainen kasvu Lama Teollisuusosakkeet Osakerahasto Luento alfa 11

12 Päätöksenteko riskin vallitessa Vähintään kaksi mahdollista asiantilaa sijoitusesimerkissä kolme mahdollista asiantilaa - korkeasuhdanne - tasainen kasvu - lama Asiantilojen todennäköisyydet tunnetaan korkeasuhdanteen todennäköisyys 0,3 tasaisen kasvun todennäköisyys 0,3 laman todennäköisyys 0,4 Päätöksenteossa voidaan käyttää odotusarvokriteeriä paras vaihtoehto: suurin nettotuoton odotusarvo Luento alfa 12

13 Päätöksenteko riskin vallitessa: odotusarvo EV = E N ( x) = x p( ) i= 1 i x i Mikä on toimintavaihtoehdon keskimääräinen nettotuotto tai kustannus pitkällä aikavälillä? Esim. teollisuusosakkeiden tuotto-odotus: 1850 x 0, x 0,3 + (-650) x 0,4 = 550 tuotto jos korkeasuhdanne tuotto jos tasainen kasvu tuotto jos lama p(korkeasuhdanne) p(tasainen kasvu) p(lama) Luento alfa 13

14 Päätöksenteko riskin vallitessa Päätösongelma: max(550; 570) = 570 Ł sijoitetaan osakerahastoon Payoff-taulukko Korkeasuhdanne Teollisuusosakkeet Osakerahasto Sijoitusvaihtoehdot Asiantilat Tasainen kasvu Lama 0,3 0,3 0,4 Tuoton odotusarvo

15 Täydellisen informaation arvo Kuinka paljon päätöksentekijän kannattaa maksaa tiedosta, joka kertoo varmuudella, mikä asiantila toteutuu? Sovellusalue: päätöksenteko riskin vallitessa 1. Lasketaan tuoton odotusarvo annetuilla todennäköisyyksillä: EV imperfect 2. Lasketaan tuoton odotusarvo, kun tiedetään, mikä asiantila tapahtuu: EV perfect 3. Täydellisen informaation arvo: EV perfect - EV imperfect Luento alfa 15

16 Täydellisen informaation arvo: esimerkki EV imperfect = max(550; 570) = 570 EV perfect = 1850 x 0, x 0,3 + 0 x 0,4 = 810 Täydellisen informaation arvo: EV perfect - EV imperfect = = 240 Payoff-taulukko Korkeasuhdanne Teollisuusosakkeet Osakerahasto Sijoitusvaihtoehdot Asiantilat Tasainen kasvu Lama 0,3 0,3 0,4 Odotusarvo

17 Päätöksenteko epävarmuuden vallitessa Vähintään kaksi mahdollista asiantilaa sijoitusesimerkissä kolme mahdollista asiantilaa - korkeasuhdanne - tasainen kasvu - lama Vähintään kahden asiantilan todennäköisyyksiä ei tunneta korkeasuhdanteen todennäköisyys? tasaisen kasvun todennäköisyys? laman todennäköisyys? Päätöksenteossa käytettävä kuitenkin jotain kriteeriä Luento alfa 17

18 Päätöksenteon kriteereitä Pessimistin kriteeri eli maximin-kriteeri Optimistin kriteeri eli maximax-kriteeri Laplacen kriteeri Harmin minimointi -kriteeri (minimax) Luento alfa 18

19 Pessimistin kriteeri eli maximin Pessimistin oletus: luonto on aina pahansuopa asiantiloista toteutuu aina tehdyn päätöksen kannalta huonoin vaihtoehto Valitaan toimintavaihtoehto, jonka huonoin mahdollinen tulos on mahdollisimman hyvä (maximin) Hyvä kriteeri, jos ei ole varaa olla väärässä Luento alfa 19

20 Pessimistin kriteeri eli maximin: esimerkki Päätösongelma: max(min(1850; 850; -650); min(1300; 600; 0)) = max(-650 ; 0) = 0 Ł sijoitetaan osakerahastoon Payoff-taulukko Korkeasuhdanne Teollisuusosakkeet Osakerahasto Minimituotto Asiantilat Tasainen kasvu Lama??? Sijoitusvaihtoehdot

21 Pessimistin kriteeri eli maximin: kritiikkiä Pessimistin lähtöoletus epärealistinen lähtöoletus: asiantiloista toteutuu aina tehdyn päätöksen kannalta huonoin vaihtoehto Saatavissa olevasta informaatiosta käytetään vain pieni osa (vrt. payoff-taulukko) Valituksi tulleen vaihtoehdon järkevyys joissakin tapauksissa kyseenalainen Vaihtoehdot Asiantilat Minimituotto N 1 N 2 N 3 S S S

22 Optimistin kriteeri eli maximax Optimistin oletus: asiat kääntyvät aina parhain päin asiantiloista toteutuu aina tehdyn päätöksen kannalta paras vaihtoehto Valitaan toimintavaihtoehto, jonka paras mahdollinen tulos on mahdollisimman hyvä (maximax) Hyvä kriteeri, jos tavoitellaan mahdollisimman suurta voittoa eikä ole katastrofi, jos voittoa ei tule Luento alfa 22

23 Optimistin kriteeri eli maximax: esimerkki Päätösongelma: max(max(1850; 850; -650); max(1300; 600; 0)) = max(1850 ; 1300) = 1850 Ł sijoitetaan teollisuusosakkeisiin Payoff-taulukko Korkeasuhdanne Teollisuusosakkeet Osakerahasto Maksimituotto Asiantilat Tasainen kasvu Lama??? Sijoitusvaihtoehdot

24 Optimistin kriteeri eli maximax: kritiikkiä Optimistin lähtöoletus epärealistinen lähtöoletus: asiantiloista toteutuu aina tehdyn päätöksen kannalta paras vaihtoehto Saatavissa olevasta informaatiosta käytetään vain pieni osa (vrt. payoff-taulukko). Valituksi tulleen vaihtoehdon järkevyys joissakin tapauksissa kyseenalainen Vaihtoehdot Asiantilat Maksimituotto N 1 N 2 N 3 S S S

25 Laplacen kriteeri Realistinen lähtöoletus koska asiantilojen sattumistodennäköisyyksiä ei tunneta, oletetaan, että kaikki asiantilat voivat sattua yhtä suurella todennäköisyydellä: p(x i ) = 1/N (N = asiantilojen lukumäärä) Valitaan toimintavaihtoehto, jonka odotusarvo on paras Luento alfa 25

26 Laplacen kriteeri: esimerkki Päätösongelma: max(683,33; 633,33) = 683,33 Ł sijoitetaan teollisuusosakkeisiin Payoff-taulukko Korkeasuhdanne Teollisuusosakkeet Osakerahasto Sijoitusvaihtoehdot Asiantilat Tasainen kasvu Lama 1/3 1/3 1/3 Tuoton odotusarvo , ,33

27 Harmin minimointi -kriteeri (minimax) Vasta jälkeenpäin tiedetään, mikä olisi ollut paras toimintavaihtoehto Päätöksentekijää harmittaa, jos hän valitsi jonkin muun kuin parhaan vaihtoehdon Oletus: harmin määrä on suoraan verrannollinen parhaan ja valitun vaihtoehdon tuottojen erotukseen Luento alfa 27

28 Harmin minimointi -kriteeri (minimax): esim. Payoff-taulukko Sijoitusvaihtoehdot Asiantilat Tasainen kasvu Lama Teollisuusosakkeet Osakerahasto Harmitaulukko (harmimatriisi) Sijoitusvaihtoehdot Asiantilat = 550 Korkeasuhdanne Korkeasuhdanne Tasainen kasvu Lama Teollisuusosakkeet Osakerahasto Luento alfa 28

29 Harmin minimointi -kriteeri (minimax): esim. Päätösongelma: min(max(0; 0; 650); max(550; 250; 0)) = min(650; 550) = 550 Ł sijoitetaan osakerahastoon Payoff-taulukko Korkeasuhdanne Teollisuusosakkeet Osakerahasto Maksimiharmi Asiantilat Tasainen kasvu Lama Sijoitusvaihtoehdot

30 Paras kriteeri? Eri kriteereillä tehdyt valinnat voivat päätyä eri ratkaisuihin Parasta kriteeriä ei ole olemassa kriteerin valinta riippuu päätöstilanteesta ja päätöksentekijästä Luento alfa 30

31 Päätöspuut

32 Yleistä päätöspuista Graafinen apuväline Sovellusalue: päätöksenteko riskin vallitessa Analysointi perustuu useimmiten tuoton tai kustannusten odotusarvoon. Päätöspuiden käyttö on erityisen hyödyllistä, jos on analysoitava useita peräkkäisiä, toisiinsa liittyviä päätöksiä Luento alfa 32

33 Päätöspuun elementit päätössolmut lopetussolmut haarat sattumasolmut

34 Päätöspuun piirtäminen 1/5 1. Hahmota päätöstilanne Esimerkki: Sijoitusvaihtoehdot Asiantilat Korkeasuhdanne Tasainen kasvu Lama 0,3 0,3 0,4 Teollisuusosakkeet Osakerahasto

35 Päätöspuun piirtäminen 2/5 2. Merkitse päätös- ja sattumatilanteet aikajärjestyksessä vasemmalta oikealle 1. Sijoituspäätös 2. Sattuma: taloussuhdanne Luento alfa 35

36 Päätöspuun piirtäminen 3/5 3. Merkitse sattumasolmujen haarojen todennäköisyydet esim. haarojen yläpuolelle Luento alfa 36

37 Päätöspuun piirtäminen 4/5 4. Merkitse haaroihin liittyvät kustannukset ja tuotot esim. haarojen alapuolelle Luento alfa 37

38 Päätöspuun piirtäminen 5/5 5. Laske jokaisen lopetussolmun kokonaistuotto/kustannus laske yhteen lopetussolmuun johtavien haarojen tuotot ja kustannukset Esim = 0 Luento alfa 38

39 Päätöspuun ratkaiseminen 1/4 1. Laske solmujen odotusarvot lopusta alkuun lopetussolmut: solmun odotusarvo = haaran tuotto/kustannus Luento alfa 39

40 Päätöspuun ratkaiseminen 2/4 sattumasolmut: solmun odotusarvo lasketaan odotusarvon kaavalla. esimerkki: 1850 x 0, x 0,3 + (-650) x 0,4 = 550 Luento alfa 40

41 Päätöspuun ratkaiseminen 3/4 päätössolmut: solmun odotusarvo = parhaan haaran odotusarvo esimerkki: maksimoidaan nettotuottoja: max(550, 570) = 570 Luento alfa 41

42 Päätöspuun ratkaiseminen 4/4 2. Analysoi optimaalinen toimintastrategia esimerkki: sijoitetaan osakerahastoon, tuotto-odotus 570 Luento alfa 42

43 Luento alfa 43

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa:

Lisätiedot

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Päätösongelmia löytyy joka paikasta Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päästökauppa:

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa.

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa. ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus Ratkaisuehdotuksia Nämä harjoitukset liittyvät päätöspuiden rakentamiseen: varsinaista päätöksentekoa päätöspuiden avulla tarkastellaan

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999 1(5) VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999 Tehtävä 1. Liitteessä on kuvattu yksi luentojen perusesimerkeistä, Raiffan pallouurnia

Lisätiedot

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti 12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI 10.5.1996

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI 10.5.1996 1 VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI 10.5.1996 Tehtävä 1. Tuotantoprosessin käynnistyessä koneille asennetaan tietyt säätöarvot.

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 Ratkaisuehdotuksia 1. (a) Päätöspuu on matala, jos mitään sattumasolmua ei välittömästi seuraa sattumasolmu eikä mitään päätössolmua

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI 4.3.1996

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI 4.3.1996 1 VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI 4.3.1996 Tehtävä 1. Eräässä diktatuurimaassa on edelleenkin käytössä kuolemanrangaistus

Lisätiedot

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 1(5) VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 29.1.1999 Tehtävä 1. Kahdessa ulkonäöltään identtisessä läpinäkymättömästä materiaalista valmistetussa

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: RMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 8 Ratkaisuehdotuksia Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: Pankki harkitsee myöntääkö 5. euron lainan asiakkaalle 12%

Lisätiedot

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x) Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Hyöty (engl. utility) = arvo, jonka koemme riskitilanteessa eli, kun teemme päätöksiä epävarmuuden (todennäköisyyksien) vallitessa. Vrt.

Lisätiedot

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Epätäydellisen preferenssiinformaation hyödyntäminen monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi 15.1.2018 Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Kai Virtanen Tausta Päätöspuu

Lisätiedot

1. TILASTOLLINEN HAHMONTUNNISTUS

1. TILASTOLLINEN HAHMONTUNNISTUS 1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon

Lisätiedot

Algoritmit 1. Luento 1 Ti Timo Männikkö

Algoritmit 1. Luento 1 Ti Timo Männikkö Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017

Lisätiedot

D ( ) E( ) E( ) 2.917

D ( ) E( ) E( ) 2.917 Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus 3 Ratkaisuehdotuksia 1. Penan Grilli ja Jaskan Grilli ovat kilpailijoita. Molempien täytyy päättää samanaikaisesti ja toisistaan tietämättä

Lisätiedot

Päätösanalyysi. Aiheet. 1. Päätöspuut. 2. Informaation arvo. 3. Herkkyysanalyysi. 1 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

Päätösanalyysi. Aiheet. 1. Päätöspuut. 2. Informaation arvo. 3. Herkkyysanalyysi. 1 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto Päätösanalyysi Aiheet 1. Päätöspuut 2. Informaation arvo 3. Herkkyysanalyysi 1 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto Päätöspuut (Decision trees) - Osat 1. Päätösnoodit (decision

Lisätiedot

Tutkimustiedonhallinnan peruskurssi

Tutkimustiedonhallinnan peruskurssi Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,

Lisätiedot

Mitä kalibrointitodistus kertoo?

Mitä kalibrointitodistus kertoo? Mitä kalibrointitodistus kertoo? Luotettavuutta päästökauppaan liittyviin mittauksiin MIKES 21.9.2006 Martti Heinonen Tavoite Laitteen kalibroinnista hyödytään vain jos sen tuloksia käytetään hyväksi.

Lisätiedot

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely)

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely) Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely) Esitelmöijä Olli Rentola päivämäärä 21.1.2013 Ohjaaja: TkL Anssi Käki Valvoja: Prof. Ahti Salo Työn saa tallentaa

Lisätiedot

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Mat-2.4142 Optimointiopin seminaari 2.3.2011 Lähteet: Clemen, R. T., & Smith, J. E. (2009). On the Choice of Baselines

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

Dynaaminen ohjelmointi ja vaikutuskaaviot

Dynaaminen ohjelmointi ja vaikutuskaaviot Dynaaminen ohjelmointi ja vaikutuskaaviot. Taustaa 2. Vaikutuskaaviot ja superarvosolmut 3. Vaikutuskaavion ratkaiseminen 4. Vaikutuskaavio ja dynaaminen ohjelmointi: 5. Yhteenveto Esitelmän sisältö Optimointiopin

Lisätiedot

Dynaaminen optimointi

Dynaaminen optimointi Dynaaminen optimointi Tapa ratkaista optimointitehtävä Tehtävä ratkaistaan vaiheittain ja vaiheet yhdistetään rekursiivisesti Perustuu optimaalisuusperiaatteeseen: Optimaalisen ratkaisupolun loppuosa on

Lisätiedot

Pohdiskeleva ajattelu ja tasapainotarkennukset

Pohdiskeleva ajattelu ja tasapainotarkennukset Pohdiskeleva ajattelu ja tasapainotarkennukset Sanna Hanhikoski 24.3.2010 Sisältö Pohdiskeleva ajattelu Nashin tasapainotarkennukset Täydellinen tasapaino Täydellinen bayesiläinen tasapaino Vaiheittainen

Lisätiedot

Markov-kustannusmallit ja kulkuajat

Markov-kustannusmallit ja kulkuajat 2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Haroitus 2 Ratkaisuehdotuksia 1. Työpaikalla ärestetään huumetesti. Testi on 99% varma. Toisin sanoen vain 1% huumeenkäyttäistä ää palastumatta

Lisätiedot

Autoilijan ikä 18-20 v Yli 20 v. Mies 10,00% 1,75% Nainen 4,00% 2,50% Alueen ajokortit jakaantuvat vastaavien henkilöryhmien kesken seuraavasti:

Autoilijan ikä 18-20 v Yli 20 v. Mies 10,00% 1,75% Nainen 4,00% 2,50% Alueen ajokortit jakaantuvat vastaavien henkilöryhmien kesken seuraavasti: 1 VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Professori Ilkka Virtanen & assistentti Saija Miettunen LASKUHARJOITUKSET VIIKKO 6/2001 1. Eräässä diktatuurimaassa on edelleen

Lisätiedot

Yhteistyötä sisältämätön peliteoria jatkuu

Yhteistyötä sisältämätön peliteoria jatkuu Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 11 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

Luento 10 Kustannushyötyanalyysi

Luento 10 Kustannushyötyanalyysi Luento 10 Kustannushyötyanalyysi Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Päätösanalyysistä Päätöksenteon teoriat Deskriptiiviset

Lisätiedot

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

Esteet, hyppyprosessit ja dynaaminen ohjelmointi Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen 4.10.2000 Oppikirjan sivut 83-87 ja 93-98 Optimointiopin seminaari - Syksy 2000 / 1 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti)

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti) ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 200 Harjoitus 5 (Koetentti) Ratkaisuehdotuksia. Öljy-Yhtiö Oy on tehnyt herra K.:n maapalasta ostotarjouksen 200kC. Herra K. voi joko myydä maapalan

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 Ratkaisuehdotuksia 1. Omppukone Oy valmistaa liukuhihnalla muistipiirejä kymmenen piirin sarjoissa. Omppukone arvioi, että keskimäärin

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot

S Laskennallinen systeemibiologia

S Laskennallinen systeemibiologia S-114.2510 Laskennallinen systeemibiologia 3. Harjoitus 1. Koska tilanne on Hardy-Weinbergin tasapainossa luonnonvalintaa lukuunottamatta, saadaan alleeleista muodostuvien eri tsygoottien genotyyppifrekvenssit

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa

Lisätiedot

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollisia peruskäsitteitä ja Monte Carlo Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta

Lisätiedot

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia. Tehtävien ratkaisuja 4. Palloja yhteensä 60 kpl. a) P(molemmat vihreitä) = P((1. pallo vihreä) ja (. pallo vihreä)) = P(1. pallo vihreä) P(. pallo vihreä 1. pallo vihreä) = 0.05 (yleinen kertolaskusääntö)

Lisätiedot

Kvantitatiivinen riski Määrittäminen ja hyväksyttävyys

Kvantitatiivinen riski Määrittäminen ja hyväksyttävyys TEKNOLOGIAN TUTKIMUSKESKUS VTT OY Kuvapaikka (ei kehyksiä kuviin) Kvantitatiivinen riski Määrittäminen ja hyväksyttävyys Palotutkimuksen päivät 30.8.2017 Terhi Kling Esitelmän sisältö Riskin käsite Riskien

Lisätiedot

Prof. Marko Terviö Assist. Jan Jääskeläinen

Prof. Marko Terviö Assist. Jan Jääskeläinen Harjoitukset 3. 1. (a) Dismalandissa eri puolueiden arvostukset katusiivoukselle ovat Q A (P ) = 60 6P P A (Q) = 10 Q/6 Q B (P ) = 80 5P P B (Q) = 16 Q/5 Q C (P ) = 50 2P P C (Q) = 25 Q/2 Katusiivous on

Lisätiedot

Tehokas ilmaisku. Terminologiaa. Ilmaisku. Tavoitteiden saavuttaminen. Suunnittelun tavoitteet. S ysteemianalyysin Laboratorio Teknillinen korkeakoulu

Tehokas ilmaisku. Terminologiaa. Ilmaisku. Tavoitteiden saavuttaminen. Suunnittelun tavoitteet. S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Tehokas ilmaisku -Päätösanalyysi suunnittelun tukena- Ilmaisku Terminologiaa saattajat viholliskohde lento saattajat yhteinen viholliskohde määrittää lennon maantieteellinen läheisyys t tukevat toisiaan

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

1. Vastaa seuraavaan tehtävään. Tehtävään liittyvä kuva on seuraavalla sivulla

1. Vastaa seuraavaan tehtävään. Tehtävään liittyvä kuva on seuraavalla sivulla A31C00100 Mikrotaloustiede Kevät 2017 HARJOITUKSET 3 1. Vastaa seuraavaan tehtävään. Tehtävään liittyvä kuva on seuraavalla sivulla (i) Alla olevan kuvan kuluttaja A) on riskinkaihtaja B) on riskineutraali

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 7 Ratkaisuehdotuksia. Liukuhihnafirma Oy tuottaa jipposensoreita liukuhihnalla. Liukuhihnalla on kuitenkin ylikapasiteettia. Siten Liukuhihnafirma

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

Pilkeyrityksen liiketoimintaosaamisen kehittäminen. Timo Värre Jyväskylän ammattikorkeakoulu

Pilkeyrityksen liiketoimintaosaamisen kehittäminen. Timo Värre Jyväskylän ammattikorkeakoulu Pilkeyrityksen liiketoimintaosaamisen kehittäminen Timo Värre Jyväskylän ammattikorkeakoulu 1 Talouden hallinnan keskeiset osat Tulevaisuus Pitääkö kasvaa? KASVU KANNATTAVUUS Kannattaako liiketoiminta?

Lisätiedot

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio. Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.

Lisätiedot

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774

Lisätiedot

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa. NIMI: OPPILASNUMERO: ALLEKIRJOITUS: tehtävä 1 2 3 4 yht pisteet max 25 25 25 25 100 arvosana Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5)

4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5) 4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5) Opimme tässä ja seuraavissa luennoissa että markkinat ovat hyvä tapa koordinoida taloudellista toimintaa (mikä on yksi taloustieteen

Lisätiedot

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 18.1.2016-6.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

Yhteistyötä sisältämätön peliteoria

Yhteistyötä sisältämätön peliteoria Yhteistyötä sisältämätön peliteoria jarkko.murtoaro@hut.fi Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Käsitteistö Työkalut Nashin tasapaino Täydellinen tasapaino Optimointiopin seminaari

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014 1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

Lisätiedot

Riski ja velkaantuminen

Riski ja velkaantuminen Riski ja velkaantuminen TU-C1030 Laskelmat liiketoiminnan päätösten tukena Luento 28.1.2016 I vaiheen luentokokonaisuus INVESTOINNIN KANNATTAVUUS YRITYKSEN KANNATTAVUUS 1. Vapaa rahavirta (FCF) 2. Rahavirtojen

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30. FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.

Lisätiedot

Informaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät

Informaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät 259 Informaation arvo Öljykenttään myydään porausoikeuksia, palstoja on n kappaletta, mutta vain yhdessä niistä on C euron edestä öljyä Yhden palstan hinta on C/n euroa Seismologi tarjoaa yritykselle tutkimustietoa

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

ehdolla y = f(x1, X2)

ehdolla y = f(x1, X2) 3.3. Kustannusten minimointi * Voiton maksimointi: panosten määrän sopeuttaminen -----> tuotanto * Kustannusten minimointi: tiett tuotannon taso -----> etsitään optimaalisin panoskombinaatio tuottamaan

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13 Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 2 x 2 3 2 3 x 1 4, (b) (x + 1)(x 2)

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 18.12.1998

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 18.12.1998 VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 18.12.1998 Tehtävä 1. Vakuutusyhtiön tilaston mukaan erään suurkaupunkialueen autoilijoiden (ajokortin

Lisätiedot

Optimoinnin sovellukset

Optimoinnin sovellukset Optimoinnin sovellukset Timo Ranta Tutkijatohtori TTY Porin laitos OPTIMI 4.12.2014 Mitä optimointi on? Parhaan ratkaisun systemaattinen etsintä kaikkien mahdollisten ratkaisujen joukosta Tieteellinen

Lisätiedot

Johdanto peliteoriaan Kirja kpl. 2

Johdanto peliteoriaan Kirja kpl. 2 Aalto-yliopiston TKK Mat-2.4142 K2010 Esitelmä 1 Ilkka Leppänen 1 Johdanto peliteoriaan Kirja kpl. 2 Ilkka Leppänen 20.1.2010 Aalto-yliopiston TKK Mat-2.4142 K2010 Esitelmä 1 Ilkka Leppänen 2 Aiheet Laajennettu

Lisätiedot

Referenssipiste- ja referenssisuuntamenetelmät

Referenssipiste- ja referenssisuuntamenetelmät Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari

Lisätiedot

Pohjoismaiden osakkeet ulottuvillasi Taurus tekee sijoittamisesta helpon. Taurus Capital Ltd 24.04. 2010

Pohjoismaiden osakkeet ulottuvillasi Taurus tekee sijoittamisesta helpon. Taurus Capital Ltd 24.04. 2010 Pohjoismaiden osakkeet ulottuvillasi Taurus tekee sijoittamisesta helpon Taurus Capital Ltd 24.04. 2010 The Little Book that Beats the Market 2006 ilmestyi kirja, jonka tekijä väitti kehittäneensä osakevalintamenetelmän

Lisätiedot

a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää.

a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää. .. Markkinakysyntä ja joustot a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää. Markkinoiden kysyntäkäyrä saadaan laskemalla

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen

Lisätiedot

Nollasummapelit ja bayesilaiset pelit

Nollasummapelit ja bayesilaiset pelit Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1

Lisätiedot

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo LP-mallit, L19 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset

Lisätiedot

&idx=2&uilang=fi&lang=fi&lvv=2015

&idx=2&uilang=fi&lang=fi&lvv=2015 20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

HYVÄ LIIKETOIMINTAPÄÄTÖS JA JOHDON VASTUU

HYVÄ LIIKETOIMINTAPÄÄTÖS JA JOHDON VASTUU HYVÄ LIIKETOIMINTAPÄÄTÖS JA JOHDON VASTUU Marika Salo HYVÄ LIIKETOIMINTA- PÄÄTÖS JA JOHDON VASTUU Yliopistollinen väitöskirja, joka Vaasan yliopiston kauppatieteellisen tiedekunnan suostumuksella esitetään

Lisätiedot

Järvitesti Ympäristöteknologia T571SA 7.5.2013

Järvitesti Ympäristöteknologia T571SA 7.5.2013 Hans Laihia Mika Tuukkanen 1 LASKENNALLISET JA TILASTOLLISET MENETELMÄT Järvitesti Ympäristöteknologia T571SA 7.5.2013 Sarkola Eino JÄRVITESTI Johdanto Järvien kuntoa tutkitaan monenlaisilla eri menetelmillä.

Lisätiedot

4 Kysyntä, tarjonta ja markkinatasapaino

4 Kysyntä, tarjonta ja markkinatasapaino 4 Kysyntä, tarjonta ja markkinatasapaino (Taloustieteen oppikirja, luku 4) Opimme tässä ja seuraavissa luennoissa että markkinat ovat hyvä tapa koordinoida taloudellista toimintaa (mikä on yksi taloustieteen

Lisätiedot

Algoritmit 1. Luento 12 Ti Timo Männikkö

Algoritmit 1. Luento 12 Ti Timo Männikkö Algoritmit 1 Luento 12 Ti 19.2.2019 Timo Männikkö Luento 12 Osittamisen tasapainoisuus Pikalajittelun vaativuus Lajittelumenetelmien vaativuus Laskentalajittelu Lokerolajittelu Kantalukulajittelu Algoritmit

Lisätiedot

Luento 6: Monitavoiteoptimointi

Luento 6: Monitavoiteoptimointi Luento 6: Monitavoiteoptimointi Monitavoiteoptimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f 1,, f m Esimerkiksi opiskelija haluaa oppia mahdollisimman hyvin ja paljon mahdollisimman

Lisätiedot

Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta. TKK (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2004) 1 Verkot ja todennäköisyyslaskenta Puudiagrammit todennäköisyyslaskennassa: Johdatteleva esimerkki Todennäköisyyslaskenta

Lisätiedot

30A02000 Tilastotieteen perusteet

30A02000 Tilastotieteen perusteet 30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi

Lisätiedot

Taloustieteen perusteet 31A00110 18.04.2016. Opiskelijanumero Nimi (painokirjaimin) Allekirjoitus

Taloustieteen perusteet 31A00110 18.04.2016. Opiskelijanumero Nimi (painokirjaimin) Allekirjoitus Taloustieteen perusteet 31A00110 18.04.2016 Opiskelijanumero Nimi (painokirjaimin) Allekirjoitus Pisteytys: 1 2 3 4 5 6 Yht Vastaukseen käytetään vain tätä vastauspaperia. Vastaa niin lyhyesti, että vastauksesi

Lisätiedot

Liitosesimerkki Tietokannan hallinta, kevät 2006, J.Li 1

Liitosesimerkki Tietokannan hallinta, kevät 2006, J.Li 1 Liitosesimerkki 16.02.06 Tietokannan hallinta, kevät 2006, J.Li 1 Esim R1 R2 yhteinen attribuutti C T(R1) = 10,000 riviä T(R2) = 5,000 riviä S(R1) = S(R2) = 1/10 lohkoa Puskuritilaa = 101 lohkoa 16.02.06

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n

Lisätiedot

Y56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero

Y56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero Y56 Kevät 2010 1 Y56 Laskuharjoitukset 4 Palautus viim. ti 30.3. klo 12-14 (luennolla!) Opiskelijan nimi Opiskelijanumero Harjoitus 1. Tuotantoteknologia Tavoitteena on oppia hahmottamaan yrityksen tuotantoa

Lisätiedot