Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä
|
|
- Heli Hyttinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat Optimointiopin seminaari kevät 2011
2 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa BCC, ADD, SBM-mallit Cross-efficiency Kotitehtävä
3 Taustaa tehokkuudesta Tehokkuus (tai tuottavuus) = Output / Input Jos tiedetään output ja input, helppoa määrittää esim. yksittäiselle koneelle, johon menee polttoainetta sisään ja tulee vääntömomenttia ulos. Tilanne vaikeutuu, jos outputteja tai inputteja on useita. Edelleen: miten vertailla erilaisia laitteita keskenään entäpä kokonaisia tehtaita?
4 Pareto-Koopmans DMU (decision making unit eli päätösyksikkö kuten tehdas tehtaiden joukossa) on tehokas jos ja vain jos mitään inputtia tai outputtia ei voida parantaa huonontamatta jotakin muuta.
5 Kaksiulotteinen tarkastelu Jätetään output ja input sellaisiksi kuin ovat i.e. ei lasketa suhdetta. Oheinen kuva antaa sitten mahdollisuuden erilaisiin vertailuihin (PNSsuora, kulmakerroin eli tehokkuus). Tässä tehdään kuitenkin tiettyjä oletuksia. Tilanne vaikeutuu, jos lisää ulottuvuuksia
6 Tehokas rintama Data ENVELOPMENT analysis (DEA) Olettamalla vakio skaalautuvuus, voidaan tehokas rintama määrätä tehokkaimman pisteen ja origon avulla. Nyt yksittäisen pisteen tehostamismahdollisuudet nähdään suhteessa tehokkaaseen rintamaan. Väli A1-A2 on A:n referenssijoukko
7 Osatehokkuudet Useampiulotteisia tapauksia voi käsitellä esim. laskemalla osatehokkuudet ja käyttämällä niitä vertailupisteinä. Tämä ei kuitenkaan aina ole mielekästä tai edes mahdollista. Jos 2out x 2in tapaus, täytyisi olettaa, että on kaksi täysin erillistä syy-seuraussuhdetta.
8 CCR (Charnes, Cooper, Rhodes) Aiemmin tällä kurssilla valittu additiivinen malli ja elisitoitu painot päätöksentekijöiltä CCR-mallissa painot lasketaankin datasta itsestään s.e. jokaiselle DMU:lle valitaan yksilöllisesti parhaat mahdolliset painot. Max, Tarkemmin:
9 Tuotantomahdollisuuksien joukko Määritellään nyt käyvien datapisteiden joukko: X on inputdatamatriisi ja Y on outputdatamatriisi
10 CCR-malli Ongelma voidaan muuntaa kokonaislukumuotoon vakioimalla nimittäjä yhteen. Saadaan primääri- ja duaalimuotoinen tehtävä Kerroinmuoto ja envelopment -muoto Vaikka jokaiselle DMU:lle valitaan parhaat mahdolliset painot, kaikki DMU:t eivät silti ole 100% CCR-tehokkaita
11 Slack-vektorit Theta on välillä ]0,1], jos theta on alle 1, voidaan määritellä, että pisteen ero suhteessa vertailu DMUo:hon on niinpä tehdään vielä thetan määrittämisen jälkeen toinen optimointi Maksimoidaan slackit muuttamatta thetaa
12 CCR-tehokkuus Ensimmäisessä vaiheessa nähdään onko thetan arvo 1, jos on: piste saattaa olla CCRtehokas Toinen vaihe tarvitaan, jotta nähdään ovatko slackit nollia. Tämä on toinen ehto CCR-tehokkuudelle. Toista vaihetta selkiyttää tehottomuuden lähteiden tarkastelu.
13 Tehottomuuden lähteet Tekninen tehottomuus Esim. toisen koneen hyötysuhde on huonompi kuin toisen Poistetaan muuttamatta suhteellisia osuuksia (esim. siirrytään D:stä P:hen) Yhdistetehottomuus Esim. liian suuri tehdashalli suhteessa työntekijämäärään (esim. siirrytään Q:sta B:hen)
14 Referenssijoukko Edellisen kalvon kuvassa on pääteltävissä mikä on kunkin tehottoman pisteen referenssijoukko (Eo) tehokkuudeen parantamiseksi. Matemaattisesti CCR:ssä slack-muuttujien avulla:
15 Output-malli Aiemmassa keskityttiin minimoimaan inputteja, kuitenkaan vähentämättä outputtia Kuitenkin voi olla relevanttia myös maksimoida outputtia kasvattamatta inputtia yhteys input malliin: Slackit:
16 Inputit, joihin ei voida vaikuttaa Joskus malliin vaikuttaa tekijöitä, joihin ei voida vaikuttaa, niinpä ne pitää jättää pois optimoinnin kohdefuktio(i)sta, mutta kuitenkin huomioida rajoitteissa. D=Discretionary / voidaan vaikuttaa, ND= Non-Discretionary / ei voida vaikuttaa
17 muita DEA-malleja, cross efficiency -käsite tehokkuuden mittana Mat Optimointiopin seminaari kevät 2011
18 BCC-malli Entä jos vakioskaalautuvuus-oletus ei päde?
19 BCC - laskennallisesti Lisätään CCR-malliin oletus, siitä, että lamdat ovat yhteensä 1. kts. alla envelopment- ja kerroinmuodot BCC:stäkin on Output-muotoinen malli
20 Additiivinen malli Edut aiempiin verrattuna: Koordinaatistovapaa i.e. myös negatiiviset arvot voidaan syöttää malliin (koordinaatistomuunnoksella). Additiivinen malli huomioi samanaikaisesti sekä input että output-suunnat.
21 ADD-malli laskennallisesti Alla malli envelopment ja kerroinmuodossa Huomattavaa on, että mallista puuttuu theta kokonaan, (tosin informaatio sisältyy s- ja s+ vektoreihin).
22 SBM (Slacks-based measure) SBM-tehokas DMU on aina myös CCRtehokas. Kuitenkin SBM-mallia voidaan painottaa päätöksetekijöiltä elisitoiduilla painoilla
23 DEA-mallien yhteenveto Malli valitaan ongelman mukaan mutta monesti joudutaan testaamaan useita malleja yhteen ongelmaan.
24 Cross-efficiency Aiemmissa DEA-malleissa DMU saa valita itsellensä parhaat painotukset; mutta entä jos painot valitaan muiden DMU:iden perusteella? Itsearviointi vs. peer-review Cross-efficiency lasketaan käyttämällä DEAtehtävän ratkaisun sivutuotteena generoituvia painoja (joita ei kuitenakaan saada dualmuotoisesta tehtävästä).
25 X-eff matriisi Painotus tehdään oheisen matriisin avulla. Diagonaalin (eli itsearvion sisällyttämisellä ei ole suurta merkitystä. Joissain tilanteissa DMU:n kannalta voi olla useita yhtä optimaalisia painoja, mitkä valita?
26 Aggressivinen vs. Hyväntahtoinen Tilanteessa, jossa DMU:lle lasketaan painot ja jää useita yhtä optimaalisia, voidaan X-eff matriisin valita Joko sellaiset, joilla muiden tulos mahdollisimman huono (aggressiivinen tapa) Tai sellaiset, joilla muiden tulos mahdollisimman hyvä (hyväntahtoinen tapa).
27 Hyödyt? Menetelmä tuo perspektiiviä painotuksiin ja paljastaa erikoiset yksilöt (mavericks), jotka ovat hyviä vain yhdessä asiassa.
28 Kotitehtävä Oheisessa taulukossa on annettu arvoja seitsemälle DMU:lle kahden input-kriteerin ja yhden output kriteerin perusteella. Data on valmiiksi normeerattu outputin mukaan. DMU A B C D E F G Input x x Output y Tehtävä: konstruoi tälle CCR-I-malli (xls:ään tai muualle), määritä tehokkaat DMU:t ja niiden referenssijoukot.
29 Kotitehtävä: alkua Ohessa formuloitu envelopment - muotoinen tehtävä. Tarvittaessa lisää apua tehtävän ratkaisemiseen Cooper et al. pp. 53- Kirjan ratkaisua ei kuitenkaan voi suoraan prujata, sillä myös käytetty xls-malli pitää palauttaa järkevine perusteluineen
Mat Optimointiopin seminaari
Lähde: Preferenssi-informaatio DEA-malleissa: Value Efficiency Analysis (VEA) -menetelmä Mat-2.4142 Optimointiopin seminaari 23.3.2011 Halme, M., Joro, T., Korhonen, P., Wallenius, J., 1999. A Value Efficiency
LisätiedotPreference Programming viitekehys tehokkuusanalyysissä
Preference Programming viitekehys tehokkuusanalyysissä Mat-2.4142 Optimointiopin seminaari kevät 2011 Salo, A., Punkka, A., 2011. Ranking Intervals and Dominance Relations for Ratio-Based Efficiency Analysis,
Lisätiedot2 DEA sovellusta. Mat Optimointiopin seminaari kevät S ysteemianalyysin. Laboratorio Aalto-yliopisto
2 DEA sovellusta Mat-2.4142 Optimointiopin seminaari kevät 2011 Sisältö Using Data Envelopment Analysis to Evaluate Efficiency in the Economic Performance of Chinese Cities (Charnes ym. 1989) Managing
LisätiedotProjektiportfolion valinta
Projektiportfolion valinta Mat-2.4142 Optimointiopin seminaari kevät 2011 Kotitehtävän 1 ratkaisu Kotitehtävä Kirkwood, G. W., 1997. Strategic Decision Making: Multiobjective Decision Analysis with Spreadsheets,
LisätiedotAlternative DEA Models
Mat-2.4142 Alternative DEA Models 19.9.2007 Table of Contents Banker-Charnes-Cooper Model Additive Model Example Data Home assignment BCC Model (Banker-Charnes-Cooper) production frontiers spanned by convex
Lisätiedot2 sovellusta: VEA + preferenssiinformaation. varmuusalueilla
2 sovellusta: VEA + preferenssiinformaation mallintaminen varmuusalueilla Mat-2.4142 Optimointiopin seminaari kevät 2011 Lähteet: Korhonen ym.: Value efficiency analysis of academic research Thompson ym.:
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.1.213 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotCapacity utilization
Mat-2.4142 Seminar on optimization Capacity utilization 12.12.2007 Contents Summary of chapter 14 Related DEA-solver models Illustrative examples Measure of technical capacity utilization Price-based measure
LisätiedotSovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa
Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa Mat-2.4142 Optimointiopin seminaari kevät 2011 Kleinmuntz ja Kleinmuntz1999 TEHTÄVÄ Sairaalan strategisen investointibudjetin
LisätiedotReturns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu
Returns to Scale II Contents Most Productive Scale Size Further Considerations Relaxation of the Convexity Condition Useful Reminder Theorem 5.5 A DMU found to be efficient with a CCR model will also be
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
LisätiedotThe CCR Model and Production Correspondence
The CCR Model and Production Correspondence Tim Schöneberg The 19th of September Agenda Introduction Definitions Production Possiblity Set CCR Model and the Dual Problem Input excesses and output shortfalls
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
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
LisätiedotOPERAATIOTUTKIMUKSEN AJATTELUTAPA TUTKIMUSMAAILMASTA TEOLLISUUTEEN
OPERAATIOTUTKIMUKSEN AJATTELUTAPA TUTKIMUSMAAILMASTA TEOLLISUUTEEN MIKKO SYRJÄNEN FORS-ILTAPÄIVÄ 2012 1 / 1 Wärtsilä 3 July 2009 Alku operaatiotutkijana Systeemianalyysin laboratorio, DI 1999 Johdatus
LisätiedotAki Taanila LINEAARINEN OPTIMOINTI
Aki Taanila LINEAARINEN OPTIMOINTI 26.4.2011 JOHDANTO Tässä monisteessa esitetään lineaarisen optimoinnin alkeet. Moniste sisältää tarvittavat Excel ohjeet. Viimeisin versio tästä monisteesta ja siihen
LisätiedotOther approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
Lisätiedot1.4 Funktion jatkuvuus
1.4 Funktion jatkuvuus Kun arkikielessä puhutaan jonkin asian jatkuvuudesta, mielletään asiassa olevan jonkinlaista yhtäjaksoisuutta, katkeamattomuutta. Tässä ei kuitenkaan käsitellä työasioita eikä ihmissuhteita,
LisätiedotLyhyt katsaus tuottavuuden ja tehokkuuden mittaamisen taloustieteissä - Miten soveltaa alustatalouteen?
Lyhyt katsaus tuottavuuden ja tehokkuuden mittaamisen taloustieteissä - Miten soveltaa alustatalouteen? Tutkimusjohtaja Olli-Pekka Ruuskanen Johtamiskorkeakoulu, Synergos Tampereen yliopisto Sisältö 1.
LisätiedotInvestointimahdollisuudet ja niiden ajoitus
Investointimahdollisuudet ja niiden ajoitus Ratkaisu optiohinnoitteluteorian avulla Esitelmä - Eeva Nyberg Optimointiopin seminaari - Syksy 000 / Tähän asti opittua NP:n rajoitteet vaikka NP negatiivinen
LisätiedotHow to Support Decision Analysis with Software Case Förbifart Stockholm
How to Support Decision Analysis with Software Case Förbifart Stockholm (Valmiin työn esittely) 13.9.2010 Ohjaaja: Prof. Mats Danielson Valvoja: Prof. Ahti Salo Tausta -Tukholman ohikulkutien suunnittelu
LisätiedotHaitallinen valikoituminen: yleinen malli ja sen ratkaisu
Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Mat-2.4142 Optimointiopin seminaari Matias Leppisaari 29.1.2008 Esityksen rakenne Yleinen malli Käypyys ja rajoitusehdot Mallin ratkaisu Kotitehtävä
LisätiedotDemo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotLuento 4: Lineaarisen tehtävän duaali
Luento 4: Lineaarisen tehtävän duaali Käsittelemme seuraavaksi lineaarisen optimoinnin duaaliteoriaa. Kuten luennossa 2 esitettiin, kohdefunktion optimiarvon herkkyys z, kun rajoitusyhtälön i, 1 i m, oikea
LisätiedotLineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla
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,
Lisätiedot1. Otetaan perusjoukoksi X := {0, 1, 2, 3, 4, 5, 6, 7}. Piirrä seuraaville kolmelle joukolle Venn-diagrammi ja asettele alkiot siihen.
Joukko-oppia Matematiikan mestariluokka, syksy 2010 Harjoitus 1, vastaukset 20.2.2010 1. Otetaan perusjoukoksi X := {0, 1, 2, 3, 4, 5, 6, 7}. Piirrä seuraaville kolmelle joukolle Venn-diagrammi asettele
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
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotVektoreiden virittämä aliavaruus
Vektoreiden virittämä aliavaruus Määritelmä Oletetaan, että v 1, v 2,... v k R n. Näiden vektoreiden virittämä aliavaruus span( v 1, v 2,... v k ) tarkoittaa kyseisten vektoreiden kaikkien lineaarikombinaatioiden
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
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.
LisätiedotFunktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot
3. Funktion raja-arvo ja jatkuvuus 3.1. Reaali- ja kompleksifunktiot 43. Olkoon f monotoninen ja rajoitettu välillä ]a,b[. Todista, että raja-arvot lim + f (x) ja lim x b f (x) ovat olemassa. Todista myös,
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
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotLineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!
Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
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
LisätiedotProjektiportfolion valinta
Projektiportfolion valinta Mat-2.4142 Optimointiopin seminaari kevät 2011 Portfolion valinta Käytettävissä on rajallinen määrä resursseja, joten ne on allokoitava mahdollisimman hyvin eri projekteille
LisätiedotArkkitehtuurien tutkimus Outi Räihä. OHJ-3200 Ohjelmistoarkkitehtuurit. Darwin-projekti. Johdanto
OHJ-3200 Ohjelmistoarkkitehtuurit 1 Arkkitehtuurien tutkimus Outi Räihä 2 Darwin-projekti Darwin-projekti: Akatemian rahoitus 2009-2011 Arkkitehtuurisuunnittelu etsintäongelmana Geneettiset algoritmit
Lisätiedot1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta
Sisältö Johdanto 2 LP tehtävän luonteen tarkastelua 3 Johdanto herkkyysanalyysiin 5 2 Optimiarvon funktio ja marginaalihinta 5 3 Johdanto duaaliteoriaan 6 2 LP-tehtävän standardimuoto 9 Johdanto Optimoinnista
LisätiedotReturns to Scale Chapters
Return to Scale Chapter 5.1-5.4 Saara Tuurala 26.9.2007 Index Introduction Baic Formulation of Retur to Scale Geometric Portrayal in DEA BCC Return to Scale CCR Return to Scale Summary Home Aignment Introduction
LisätiedotLyhyen aikavälin hintakilpailu 2/2
Lyhyen aikavälin hintakilpailu 2/2 Ilkka Männistö Esitelmä 10 - Ilkka Männistö Optimointiopin seminaari - Kevät 2003 / 1 Kilpailun aste Markkinahinta ei kerro mitään kilpailun asteesta jos kustannusrakennetta
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Evoluutiopohjainen monitavoiteoptimointi MCDM ja EMO Monitavoiteoptimointi kuuluu
LisätiedotMat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
Lisätiedots = 11 7 t = = 2 7 Sijoittamalla keskimmäiseen yhtälöön saadaan: k ( 2) = 0 2k = 8 k = 4
BM0A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 5, Syksy 05. (a) i. Jotta vektori c sijaitsisi a:n ja b:n virittämällä tasolla, c on voitava esittää a:n ja b:n lineaarikombinaationa. c ta + sb
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotHarjoitus 7: vastausvihjeet
Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.
LisätiedotSignalointi: autonromujen markkinat
Signalointi: autonromujen markkinat Mat-.414 Optimointiopin seminaari Klaus Mattila 1.0.008 1 Esityksen rakenne Johdanto Autonromujen markkinat: Akerlofin malli Kustannuksellinen signalointi: Spencen malli
Lisätiedot3.1 Väliarvolause. Funktion kasvaminen ja väheneminen
Väliarvolause Funktion kasvaminen ja väheneminen LAUSE VÄLIARVOLAUSE Oletus: Funktio f on jatkuva suljetulla välillä I: a < x < b f on derivoituva välillä a < x < b Väite: On olemassa ainakin yksi välille
LisätiedotOsakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
LisätiedotHintakilpailu lyhyellä aikavälillä
Hintakilpailu lyhyellä aikavälillä Virpi Turkulainen 5.3.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Johdanto Bertrandin ristiriita ja sen lähestyminen Bertrandin ristiriita Lähestymistavat:
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
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
LisätiedotParetoratkaisujen visualisointi. Optimointiopin seminaari / Kevät 2000 Esitelmä 11 Petteri Kekäläinen 45305L
Paretoratkaisujen visualisointi Optimointiopin seminaari / Kevät 2000 Esitelmä 11 Petteri Kekäläinen 45305L 1. Johdanto Monitavoiteoptimointitehtävät ovat usein laajuutensa takia vaikeasti hahmotettavia
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotLuento 6: Monitavoitteinen optimointi
Luento 6: Monitavoitteinen optimointi Monitavoitteisessa optimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f,,f m Esimerkki ortfolion eli arvopaperijoukon optimoinnissa: f
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 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
LisätiedotHaitallinen valikoituminen: Kahden tyypin malli
Haitallinen valikoituminen: Kahden tyypin malli Mat-2.4142 Optimointiopin seminaari Mikko Hyvärinen 29.1.2008 Haitallinen valikoituminen kahden tyypin malli Haitallinen valikoituminen tarkoittaa että päämies
LisätiedotHelsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.2014 klo 10 13
Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.014 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt: x + a) 3 x + 1 > 0 c) x x + 1 = 1 x 3 4 b) e x + e x 3
LisätiedotMiksi vaikuttavuuden osoittaminen on niin tärkeää?
Miksi vaikuttavuuden osoittaminen on niin tärkeää? Vaikuttavuus ja arviointi etsivässä työsää Valli ry:n seminaarissa 24.8.2018 Petri Uusikylä, Suomen arviointiyhdistys Mitä on arviointi? Arviointi (evaluaatio)
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
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
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotDiskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9
Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon
LisätiedotKonvergenssilauseita
LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
Lisätiedot1. ja 2. kurssi (I-osa) Perusasiat kuntoon
1. ja 2. kurssi (I-osa) Perusasiat kuntoon., 4. ja 5. kurssit (II-osa) Geometrian osuus 6. 9. kurssit (III-osa) Analyysi: - Raja-arvo ja jatkuvuus - & derivointi - Integ.laskenta & integrointi Aloitusesimerkki
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo - Ratkaisut ja pisteytysohjeet. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x+ x +9, b) log (x) 7,
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Supremum ja inmum Tarkastellaan aluksi avointa väliä, Tämä on joukko, johon kuuluvat kaikki reaaliluvut miinus yhdestä yhteen Kuitenkaan päätepisteet eli luvut ja
Lisätiedot4.1 Kaksi pistettä määrää suoran
4.1 Kaksi pistettä määrää suoran Kerrataan aluksi kurssin MAA1 tietoja. Geometrisesti on selvää, että tason suora on täysin määrätty, kun tunnetaan sen kaksi pistettä. Joskus voi tulla vastaan tilanne,
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
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
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotNäihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,
TKK, Matematiikan laitos Gripenberg/Harhanen Mat-1.432 Matematiikan peruskurssi K2 Harjoitus 4, (A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä ) 12 16.2.2007, viikko
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotMonitavoiteoptimointi
Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa
LisätiedotParetoratkaisujen visualisointi
Paretoratkaisujen visualisointi Optimointiopin seminaari - Kevät 2000 / 1 Esityksen sisältö Vaihtoehtoisten kohdevektorien visualisointi Arvopolut Palkkikaaviot Tähtikoordinaatit Hämähäkinverkkokaavio
Lisätiedot2. Uusiutuvat luonnonvarat: Kalastuksen taloustiede
YLE5 / YET-09 Luonnonvarataloustieteen jatkokurssi. Uusiutuvat luonnonvarat: alastuksen taloustiede Marko Lindroos & Maija Holma Uusiutuvat luonnonvarat alastuksen taloustiede: Luentoteemat.1 Johdanto.
Lisätiedotja nyt tässä tapauksessa a = 1, b=4 ja c= -5, ja x:n paikalle ajattelemme P:n.
Harjoitukset 2, vastauksia. Ilmoittakaa virheistä ja epäselvyyksistä! 1. b (kysyntäkäyrä siirtyy vasemmalle) 2. c (kysyntäkäyrä siirtyy oikealle) 3. ei mikään edellisistä; oikea vastaus olisi p 2
Lisätiedot1 Kannat ja kannanvaihto
1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:
LisätiedotMat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet
Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
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 =
LisätiedotPiiri K 1 K 2 K 3 K 4 R R
Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
Lisätiedot9 Matriisit. 9.1 Matriisien laskutoimituksia
9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä
LisätiedotBioenergian kestävyyden arviointi Arvioinnin tulokset Suomessa. Bioenergian kestävyys seminaari 3.12.2015 Kilta-sali, Helsinki Taija Sinkko
Bioenergian kestävyyden arviointi Arvioinnin tulokset Suomessa Bioenergian kestävyys seminaari 3.12.2015 Kilta-sali, Helsinki Taija Sinkko Esityksen sisältö Kestävyyden arviointi Perusperiaatteet Arvioidut
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
LisätiedotAluksi. 1.1. Kahden muuttujan lineaarinen yhtälö
Aluksi Matematiikan käsite suora on tarkalleen sama asia kuin arkikielen suoran käsite. Vai oliko se toisinpäin? Matematiikan luonteesta johtuu, että sen soveltaja ei tyydy pelkkään suoran nimeen eikä
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
Lisätiedot