Päätöksentekomenetelmät
|
|
- Kalevi Oksanen
- 7 vuotta sitten
- Katselukertoja:
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
L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa:
LisätiedotPäätöksentekomenetelmät
L u e n t o Päätösongelmia löytyy joka paikasta Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päästökauppa:
LisätiedotORMS2020 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
LisätiedotVAASAN 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
LisätiedotINTERVALLIPÄÄTÖSPUUT 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
LisätiedotVAASAN 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.
LisätiedotORMS2020 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
LisätiedotVAASAN 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
LisätiedotPreference 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.
LisätiedotVAASAN 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
Lisätiedot4.1. 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
LisätiedotORMS2020 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%
LisätiedotArvo (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.
Lisätiedotmonitavoitteisissa 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
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotDiskreettiaikainen 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
LisätiedotLisätehtäviä 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
LisätiedotAlgoritmit 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
LisätiedotD ( ) 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,
LisätiedotORMS2020 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
LisätiedotPäätösanalyysi. 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
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotMitä 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.
LisätiedotStokastinen 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
LisätiedotEräs 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
LisätiedotNumeeriset 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
LisätiedotMalliratkaisut 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,
LisätiedotDynaaminen 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
LisätiedotDynaaminen optimointi
Dynaaminen optimointi Tapa ratkaista optimointitehtävä Tehtävä ratkaistaan vaiheittain ja vaiheet yhdistetään rekursiivisesti Perustuu optimaalisuusperiaatteeseen: Optimaalisen ratkaisupolun loppuosa on
LisätiedotPohdiskeleva ajattelu ja tasapainotarkennukset
Pohdiskeleva ajattelu ja tasapainotarkennukset Sanna Hanhikoski 24.3.2010 Sisältö Pohdiskeleva ajattelu Nashin tasapainotarkennukset Täydellinen tasapaino Täydellinen bayesiläinen tasapaino Vaiheittainen
LisätiedotMarkov-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
LisätiedotORMS2020 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
LisätiedotAutoilijan 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
LisätiedotYhteistyötä 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
LisätiedotTalousmatematiikan 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,
LisätiedotTalousmatematiikan 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,
LisätiedotLuento 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
LisätiedotEsteet, 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
LisätiedotORMS2020 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
LisätiedotORMS2020 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
LisätiedotMalliratkaisut 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
LisätiedotS Laskennallinen systeemibiologia
S-114.2510 Laskennallinen systeemibiologia 3. Harjoitus 1. Koska tilanne on Hardy-Weinbergin tasapainossa luonnonvalintaa lukuunottamatta, saadaan alleeleista muodostuvien eri tsygoottien genotyyppifrekvenssit
LisätiedotLuento 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
LisätiedotTilastollisia 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
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
Lisätiedotc) 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)
LisätiedotKvantitatiivinen 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
LisätiedotProf. 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
LisätiedotTehokas 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
LisätiedotMS-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
Lisätiedot1. 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
LisätiedotORMS2020 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
LisätiedotMS-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
LisätiedotA 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 =
LisätiedotJatkuvat 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
LisätiedotBayesin 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
LisätiedotPilkeyrityksen 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.
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.
LisätiedotJuuri 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
LisätiedotKaikkiin 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
Lisätiedothttps://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
LisätiedotTalousmatematiikan 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
LisätiedotMTTTP5, 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.
Lisätiedot4 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
LisätiedotKynä-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
LisätiedotJOHDATUS 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
LisätiedotProbabilistiset 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
LisätiedotYhteistyötä sisältämätön peliteoria
Yhteistyötä sisältämätön peliteoria jarkko.murtoaro@hut.fi Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Käsitteistö Työkalut Nashin tasapaino Täydellinen tasapaino Optimointiopin seminaari
Lisätiedothttps://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
LisätiedotRiski 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
LisätiedotHelsingin, 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)
LisätiedotFoA5 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.
LisätiedotInformaation 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
LisätiedotTilastollisen 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
Lisätiedotehdolla y = f(x1, X2)
3.3. Kustannusten minimointi * Voiton maksimointi: panosten määrän sopeuttaminen -----> tuotanto * Kustannusten minimointi: tiett tuotannon taso -----> etsitään optimaalisin panoskombinaatio tuottamaan
LisätiedotHelsingin, 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)
LisätiedotVAASAN 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
LisätiedotOptimoinnin 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
LisätiedotJohdanto 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
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
LisätiedotPohjoismaiden 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
Lisätiedota) 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
LisätiedotLuento 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
LisätiedotNollasummapelit 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
LisätiedotLP-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
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
LisätiedotLuottamisvälin 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?
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.
LisätiedotHYVÄ 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
LisätiedotJärvitesti 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.
Lisätiedot4 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
LisätiedotAlgoritmit 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
LisätiedotLuento 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
LisätiedotJohdatus 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
Lisätiedot30A02000 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
LisätiedotTaloustieteen 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
LisätiedotLiitosesimerkki 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
LisätiedotNumeeriset 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
LisätiedotY56 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