Projektiportfolion valinta

Koko: px
Aloita esitys sivulta:

Download "Projektiportfolion valinta"

Transkriptio

1 Projektiportfolion valinta Mat Optimointiopin seminaari kevät 2011

2 Portfolion valinta Käytettävissä on rajallinen määrä resursseja, joten ne on allokoitava mahdollisimman hyvin eri projekteille budjetointi. Tarkoituksena valita mahdollisista projekteista paras kombinaatio eli paras portfolio. Yhden projektin valitseminen tarkoittaa, että muuhun jää vähemmän resursseja. Rajoittavia tekijöitä esimerkiksi rahoitus, tila ja aika.

3 Portfolion valinta: Esimerkkejä R&D-projektien valinta Mitkä vaihtoehdot valita erilaisista aurinkoenergian sovelluksista tarkemmin tutkittaviksi? Investointikohteiden valinta Mitkä sillat valita korjattavaksi? Tuoteportfolion valinta Mitä tuotteita myydä ja millä markkinoilla?

4 Portfolion valinta: Esimerkkejä Organisaatioiden budjettien suunnittelu Yhdysvaltojen puolustusvoimien menojen budjetointi 1960-luvulta lähtien Terveydenhuolto Organisaatioiden kehittäminen ja uudistukset Euroopan lentoliikenteen operatiivisen johtamisen parantaminen

5 Yleisiä piirteitä portfolion valinnassa Vaihtoehtoja on paljon, kymmenistä tuhansiin. Kenelläkään yksittäisellä ihmisellä ei voi olla täyttä ymmärrystä kaikista mahdollisista projekteista. Ihmiset saattavat haluta valita projekteja toteutettavaksi vääristä syistä. Tarvitaan työkaluja helpottamaan vaihtoehtojen vertailua.

6 Hyötykustannusanalyysi (Benefit/Cost Analysis) Useita vaihtoehtoisia projekteja, joista vain pieni osa voidaan toteuttaa eli valita portfolioon. Yksittäisen projektin i hyöty b i tai kustannus c i ei muutu yhdistettäessä muihin projekteihin. Valitaan korkeimman b i /c i -suhteen omaavia projekteja kunnes budjetti on täynnä. Tuottavuusindeksi b i c i /c i antaa vastaavantyyppisiä tuloksia.

7 Hyötykustannusanalyysi: Esimerkki Tarkastellaan 12 projektia, joiden hinnat ja hyödyt tunnetaan. Budjettirajoite euroa. Lasketaan jokaisella projektille hyöty/kustannus (kerrotaan skaalauksen vuoksi). Järjestetään projektit hyöty/kustannus suhteen mukaan suurimmasta pienimpään. Valitaan projekteja kunnes seuraava projekti ei enää mahdu budjettiin.

8 Projekti Kustannus ( ) Hyöty Hyöty/ Kustannus ,3364 2, ,5241 1, ,4127 1, ,4527 1, ,5293 0, ,4127 0, ,4363 0, ,3460 0, ,6865 0, ,3589 0, ,4260 0, ,0000 0,000 0,

9 Projekti Kustannus ( ) Hyöty Hyöty/ Kustannus Kum. kustannus Kum. hyöty ,3364 2, , ,5241 1, , ,4127 1, , ,4527 1, , ,5293 0, , ,4127 0, , ,4363 0, , ,3460 0, , ,6865 0, , ,3589 0, , ,4260 0, , ,0000 0, ,9216

10

11 On mahdollista löytää portfolio jolla saadaan suurempi hyöty ja isompi osa budjetista käytettyä kuin hyötykustannusanalyysilla. Ei kuitenkaan ole mahdollista löytää portfoliota, jolla saataisiin enemmän hyötyä kulutettua euroa kohden. Budjetti ( ) Valitaan projektit Kustannus ( ) Hyöty Rahaa yli ( ) Portfolion hyöty/kustannus ja , , ja , ,9685

12 Hyötykustannusanalyysi - Yksi budjettirajoite kerrallaan. - Jokaisen projektin on oltava suhteessa pieni kokonaisuuteen verrattuna. - Ei käytä tehokkaasti koko budjettia ja mahdollisesti ylijäävä raha. + Yksinkertainen toteuttaa. + Sopii alustaviin tutkimuksiin. + On pohdittava onko monimutkaisilla menetelmillä saatava parannus käytetyn rahamäärän ja ajan arvoinen.

13 Optimointi Perustehtävää on helppo laajentaa monimutkaisempiin rajoitteisiin. Useita budjettirajoitteita Projektit kestävät useamman aikaperiodin yli. Projektit eivät ole riippumattomia toisistaan. Yhdestä projektista on useampia variaatioita. Projekti voidaan valita ainoastaan, jos myös joku toinen projekteista valitaan.

14 Optimointi m c i b i x i C riippumatonta projektia projektin i kustannus projektin i hyöty binäärinen päätösmuuttuja budjetti s. e. Max x i m i=1 m i=1 b i x i c i x i C 0,1 i = 1,, m

15 Optimointi: Esimerkki Valitaan kuuden tuotekehittelyprojektin (P1-P6) välillä. Kahdesta ensimmäisestä projektista on kummastakin kolme mahdollista vaihtoehtoa. Kaikki projektit kestävät viisi vuotta, ja jokaisella vuodella on oma budjettirajoitteensa. Projektit P1, P4 ja P5 mahdollistavat potentiaalisesti hyvän tuotteen 1 suunnittelun ja projektit P2 ja P3 tuotteen 2.

16 Projekti Arvo Vuosittainen vaadittu budjetti Vaadittu työ Tuote Tuote 1 2 P1.1 0, Kyllä Ei P1.2 0,12 2 1,5 1,5 1 0 Kyllä Ei P1.3 0,1 2 1,5 1,5 1 1 Kyllä Ei P2.1 0,3 4,5 5, Ei Kyllä P2.2 0, Ei Kyllä P2.3 0,18 1,5 2,5 2,5 2 0 Ei Kyllä P3 0, Ei Kyllä P4 0, ,5 1,5 1,5 Kyllä Ei P5 0,25 2 2,5 5 2,5 1 Kyllä Ei P6 0,21 0 1,5 3,5 1,5 0,5 Ei Ei Budjetti

17 Max s.e. 10 i=1 10 i=1 b i x i c ij x i C j j = 1,, 5 3 i=1 x i 1 ja i=4 x i 1 6 i 1,2,3,8,9 x i 1 i 4,5,6,7 x i 1 x i 0,1 i = 1,, 10

18 Tuotteiden 1 ja 2 valmistaminen halutaan varmistaa valitsemalla tietyistä suunnitelmista. Max s.e. 10 i=1 10 i=1 3 b i x i c ij x i C j j = 1,, 5 i=1 x i 1 ja i=4 x i 1 6 Jokaiselle viidestä vuodesta on oma budjettirajoite. i 1,2,3,8,9 x i 1 i 4,5,6,7 x i 1 x i 0,1 i = 1,, 10 Kahdesta ensimmäisestä projektista on kummastakin kolme vaihtoehtoa, joista vain yksi voidaan valita.

19 Projekti Päätösmuuttuja Arvo Vuosittainen vaadittu budjetti Sama Vaadittu työ tuote Tuote Tuote 1 2 P1 P2 P , P ,12 2 1,5 1, P ,1 2 1,5 1, P ,3 4,5 5, P , P ,18 1,5 2,5 2, P3 0 0, P4 1 0, ,5 1,5 1, P5 1 0,25 2 2,5 5 2, P6 0 0,21 0 1,5 3,5 1,5 0, Yhteensä 0,77 6, , Budjetti

20 Optimointi Tehtävä on lineaarinen, mikä mahdollistaa sen tehokkaan ratkaisemisen. esim. Excelin Solver-lisäosalla. Menetelmää mahdollista hyödyntää myös, kun päätösmuuttujat ovat jatkuvia. Ei-lineaarisissa tehtävissä alkuarvojen merkitys kasvaa.

21 Kotitehtävä Kirkwood, G. W., Strategic Decision Making: Multiobjective Decision Analysis with Spreadsheets, Duxbury Press, Wadsworth Publishing Company, pp Tehtävien 8.3 ja 8.4 perusteella. Ohjelmistoyrityksellä on 9100 tuntia käytettävissä seuraavana vuonna uusien projektien toteuttamiseen. Valinta tehdään 14 projektista, joihin kuluvat ajat ja joista saatavat hyödyt tunnetaan.

22 Projekti Hyöty Aika 1 0, , , , , , , , , , , , , , Mitkä projekteista valitaan hyötykustannusanalyysin perusteella?

23 Kotitehtävä Nyt yrityksen johto kuitenkin huomaa, että kaikki koodaajat eivät osaa kaikkia kieliä. Tehtävä on ratkaistava uudestaan tapauksessa, kun kolmelle ohjelmointikielelle on jokaiselle oma budjettirajoitteensa.

24 Projekti Hyöty Aika Excel Access C 1 0, , , , , , , , , , , , , , Rajoite Mitkä projektit nyt valitaan toteutettaviksi käyttäen hyödyksi kokonaislukuoptimointia?

25 Lähteet Kirkwood, G. W., Strategic Decision Making: Multiobjective Decision Analysis with Spreadsheets, Duxbury Press, Wadsworth Publishing Company, pp Luenberger, D.G., Investment Science, Oxford University Press, pp Kleinmuntz, D. N., Resource Allocation Decisions, in: Edwards et al. (eds): Advances in Decision Analysis - From Foundations to Applications. Cambridge University Press, pp

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

Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa

Sovelluksia 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

Lisätiedot

Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla

Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla Mat-2.4142 Optimointiopin seminaari kevät 2011 Lähde: Liesiö, J., Mild, P., Salo, A., 2008. Robust portfolio

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 4: Matlab - Optimization Toolbox Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen

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

Additiivinen arvofunktio projektiportfolion valinnassa

Additiivinen arvofunktio projektiportfolion valinnassa Esitelmä 5 Antti Toppila sivu 1/19 Optimointiopin seminaari Kevät 2011 Additiivinen arvofunktio projektiportfolion valinnassa Antti Toppila 2.2.2011 Esitelmä 5 Antti Toppila sivu 2/19 Optimointiopin seminaari

Lisätiedot

Sovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena

Sovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena Sovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena Mat-2.4142 Optimointiopin seminaari kevät 2011 Sisällys 1. Ongelma: Lentoliikenteen parannus 2. Ongelma: Projektien valinta 3. Esimerkki

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

MAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo

MAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo MAT - 2.114 INVESTOINTITEORIA (5 op) Kevät 2008 Ville Brummer / Pekka Mild / Ahti Salo 1 Opintojakson sisältö Taustaa Kattaa matemaattisen investointiteorian perusteet: Teemoja sivuttu osin muilla Mat-2

Lisätiedot

TIEA382 Lineaarinen ja diskreetti optimointi

TIEA382 Lineaarinen ja diskreetti optimointi TIEA382 Lineaarinen ja diskreetti optimointi Jussi Hakanen Tietotekniikan laitos jussi.hakanen@jyu.fi AgC 426.3 Yleiset tiedot Tietotekniikan kandidaattiopintojen valinnainen kurssi http://users.jyu.fi/~jhaka/ldo/

Lisätiedot

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Santtu Saijets 16.6.2014 Ohjaaja: Juuso Liesiö Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.

Lisätiedot

Kaksi sovellusta robustien päätössuositusten tuottamisesta

Kaksi sovellusta robustien päätössuositusten tuottamisesta Esitelmä 12 Antti Toppila sivu 1/19 Optimointiopin seminaari Kevät 2011 Kaksi sovellusta robustien päätössuositusten tuottamisesta Antti Toppila 2.3.2011 Esitelmä 12 Antti Toppila sivu 2/19 Optimointiopin

Lisätiedot

Talousjohtaja strategiavaikuttajana: Kohti dialogista johtamista? Eero Vaara

Talousjohtaja strategiavaikuttajana: Kohti dialogista johtamista? Eero Vaara Talousjohtaja strategiavaikuttajana: Kohti dialogista johtamista? Eero Vaara http://www.hanken.fi/staff/vaara Strategisen johtamisen ongelmia» Toiminnallistamisen ( implementointi, jalkauttaminen ) vaikeudet»

Lisätiedot

Investointimahdollisuudet ja investointien ajoittaminen

Investointimahdollisuudet ja investointien ajoittaminen Investointimahdollisuudet ja investointien ajoittaminen Optimaalisen investointistrategian ominaispiirteitä eli parametrien vaikutus ratkaisuun Optimointiopin seminaari - Syksy 000 / Optimointiopin seminaari

Lisätiedot

Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla

Lineaaristen 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

Lisätiedot

Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu (aihe-esittely)

Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu (aihe-esittely) Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu (aihe-esittely) Vilma Virasjoki 23.01.2012 Ohjaaja: Jouni Pousi Valvoja: Raimo P. Hämäläinen Työn saa tallentaa

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x

Lisätiedot

Aki Taanila LINEAARINEN OPTIMOINTI

Aki 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

Lisätiedot

Paretoratkaisujen visualisointi. Optimointiopin seminaari / Kevät 2000 Esitelmä 11 Petteri Kekäläinen 45305L

Paretoratkaisujen 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

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

Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla

Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.01.2013 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Preference Programming viitekehys tehokkuusanalyysissä

Preference 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,

Lisätiedot

6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa

6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa JYVÄSKYLÄN YLIOPISTO 6. Luennon sisältö Lineaarisen optimoinnin duaaliteoriaa työkalu ratkaisun analysointiin Jälki- ja herkkyysanalyysiä mitä tapahtuu optimiratkaisulle, jos tehtävän vakiot hieman muuttuvat

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

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä

Lisätiedot

ohjelman arkkitehtuurista.

ohjelman arkkitehtuurista. 1 Legacy-järjestelmällä tarkoitetaan (mahdollisesti) vanhaa, olemassa olevaa ja käyttökelpoista ohjelmistoa, joka on toteutettu käyttäen vanhoja menetelmiä ja/tai ohjelmointikieliä, joiden tuntemus yrityksessä

Lisätiedot

Lineaaristen monitavoiteoptimointitehtävien

Lineaaristen 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.

Lisätiedot

Algoritmit. Ohjelman tekemisen hahmottamisessa käytetään

Algoritmit. Ohjelman tekemisen hahmottamisessa käytetään Ohjelmointi Ohjelmoinnissa koneelle annetaan tarkkoja käskyjä siitä, mitä koneen tulisi tehdä. Ohjelmointikieliä on olemassa useita satoja. Ohjelmoinnissa on oleellista asioiden hyvä suunnittelu etukäteen.

Lisätiedot

MESTA työkalu suunnitelmavaihtoehtojen monikriteeriseen vertailuun ja parhaan vaihtoehdon etsintään

MESTA työkalu suunnitelmavaihtoehtojen monikriteeriseen vertailuun ja parhaan vaihtoehdon etsintään MESTA työkalu suunnitelmavaihtoehtojen monikriteeriseen vertailuun ja parhaan vaihtoehdon etsintään Metsäsuunnittelu verkossa ja verkostoissa seminaari, Tikkurila 23.4.2008 MMM Teppo Hujala Metla Joensuu

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys

Lisätiedot

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat-2.4142 Optimointiopin seminaari kevät 2011 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa

Lisätiedot

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet

Lisätiedot

Kuluttajan teoriaa tähän asti. Luento 6. Hyötyfunktion ja indifferenssikäyrien yhteys. Kuluttajan hyöty. Laajennuksia. Kuluttajan ylijäämä

Kuluttajan teoriaa tähän asti. Luento 6. Hyötyfunktion ja indifferenssikäyrien yhteys. Kuluttajan hyöty. Laajennuksia. Kuluttajan ylijäämä Kuluttajan teoriaa tähän asti Valintojen tekemistä niukkuuden vallitessa - Tavoitteen optimointia rajoitteella Luento 6 Kuluttajan ylijäämä 8.2.2010 Budjettirajoite (, ) hyödykeavaruudessa - Kulutus =

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

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 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

Lisätiedot

Kokonaislukuoptimointi hissiryhmän ohjauksessa

Kokonaislukuoptimointi hissiryhmän ohjauksessa Kokonaislukuoptimointi hissiryhmän ohjauksessa Systeemianalyysin laboratorio Teknillinen Korkeakoulu, TKK 3 Maaliskuuta 2008 Sisällys 1 Johdanto Taustaa Ongelman kuvaus 2 PACE-graafi Graafin muodostaminen

Lisätiedot

Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen

Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen 07.05.2012 Ohjaaja: Raimo Hämäläinen Valvoja: Raimo Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Flowbased Capacity Calculation and Allocation. Petri Vihavainen Markkinatoimikunta 20.5.2014

Flowbased Capacity Calculation and Allocation. Petri Vihavainen Markkinatoimikunta 20.5.2014 Flowbased apacity alculation and Allocation Petri Vihavainen Markkinatoimikunta 20.5.2014 Miksi flowbased? Nykyinen siirtokapasiteetin määrittely AT/NT (Net Transfer apacity) on yksinkertainen ja toimiva.

Lisätiedot

1. Lineaarinen optimointi

1. Lineaarinen optimointi 0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on

Lisätiedot

Optimal Harvesting of Forest Stands

Optimal Harvesting of Forest Stands Optimal Harvesting of Forest Stands (Presentation of the topic) 24 January 2010 Instructor: Janne Kettunen Supervisor: Ahti Salo Tausta Ass. Prof. Janne Kettunen käsitteli osana väitöskirjatyötään stokastisen

Lisätiedot

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.

Lisätiedot

Kokonaislukuoptimointimallinnus projektiportfolion valinnasa

Kokonaislukuoptimointimallinnus projektiportfolion valinnasa Kokonaislukuoptimointimallinnus projektiportfolion valinnasa Mat-2.4142 Optimointiopin seminaari kevät 2011 Lähteet: Brown & Dell & Newman: Optimizing Military Capital Planning Pachamanova: Introducing

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

Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely)

Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely) Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely) Joonas Lanne 23.2.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Optimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi

Optimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi Optimointi Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa Ongelman mallintaminen Mallin ratkaiseminen Ratkaisun analysointi 1 Peruskäsitteitä Muuttujat: Sallittu alue: x = (x 1, x 2,...,

Lisätiedot

Luento 7: Kokonaislukuoptimointi

Luento 7: Kokonaislukuoptimointi Luento 7: Kokonaislukuoptimointi Lineaarisessa optimointitehtävässä (LP) kaikki muuttujat ovat jatkuvia. Kokonaislukuoptimoinnin (ILP = Integer LP) tehtävässä kaikilla muuttujilla on kokonaislukurajoitus

Lisätiedot

min 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

min 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

Lisätiedot

2 DEA sovellusta. Mat Optimointiopin seminaari kevät S ysteemianalyysin. Laboratorio Aalto-yliopisto

2 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

Lisätiedot

Kuntamaisemasta apua omaan päätöksentekoomme. Kaupunginjohtaja Kari Karjalainen 25.5.2010 Kuntamaisema Seminaari

Kuntamaisemasta apua omaan päätöksentekoomme. Kaupunginjohtaja Kari Karjalainen 25.5.2010 Kuntamaisema Seminaari Kuntamaisemasta apua omaan päätöksentekoomme Kaupunginjohtaja Kari Karjalainen 25.5.2010 Kuntamaisema Seminaari Raisio Asukkaita reilu 24 000 Yrityksiä yli 1400 Sosiaali- ja terveyspalvelut isäntäkuntamallilla

Lisätiedot

Tuotantoprosessin optimaalinen aikataulutus (valmiin työn esittely)

Tuotantoprosessin optimaalinen aikataulutus (valmiin työn esittely) Tuotantoprosessin optimaalinen aikataulutus (valmiin työn esittely) Joona Kaivosoja 01.12.2014 Ohjaaja: DI Ville Mäkelä Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

Projektin arvon määritys

Projektin arvon määritys Projektin arvon määritys Luku 6, s. 175-186 Optimointiopin seminaari - Syksy 2000 / 1 Tehtävä Johdetaan menetelmä projektiin oikeuttavan option määrittämiseksi kohde-etuuden hinnan P perusteella projektin

Lisätiedot

Kaikki suunnittelemaan! Henkilöstön osallistaminen

Kaikki suunnittelemaan! Henkilöstön osallistaminen Kaikki suunnittelemaan! Henkilöstön osallistaminen Minä & tiede yleisöluento Pohjalaisen Monitori, 21.11. 18:00 Jussi Kantola Tuotannon yksikkö, Vaasan Yliopisto jussi.kantola@uva.fi) Sisältö 1. Mitä suunnittelu

Lisätiedot

Harjoitus 2 ( )

Harjoitus 2 ( ) Harjoitus 2 (24.3.2015) Tehtävä 1 Figure 1: Tehtävän 1 graafi. Aikaisimmat aloitushetket selvitetään kaavoilla v[0] = 0 v[p] max 0 i p 1 {v[i]+a i (i,p) E} = v[l]+a l d[p] l. Muodostetaan taulukko, jossa

Lisätiedot

Flowbased Capacity Calculation and Allocation. Petri Vihavainen Markkinatoimikunta

Flowbased Capacity Calculation and Allocation. Petri Vihavainen Markkinatoimikunta Flowbased apacity alculation and Allocation Petri Vihavainen Markkinatoimikunta Miksi flowbased? Nykyinen AT/NT- malli on yksinkertainen ja toimiva Tilanne voi muuttua tulevaisuudessa: A- verkko silmukoituu

Lisätiedot

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän

Lisätiedot

Puuvirtojen optimointi ja tietojärjestelmäsovellutukset. Teijo Palander Itä Suomen yliopisto

Puuvirtojen optimointi ja tietojärjestelmäsovellutukset. Teijo Palander Itä Suomen yliopisto Puuvirtojen optimointi ja tietojärjestelmäsovellutukset Teijo Palander Itä Suomen yliopisto Win Win Win päätöksenteko Onko huonosti valittu tutkimus ja kehittämisote? Alkaako puun hankintaketju tehtaan

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

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,

Lisätiedot

Kieli merkitys ja logiikka. 2: Helpot ja monimutkaiset. Luento 2. Monimutkaiset ongelmat. Monimutkaiset ongelmat

Kieli merkitys ja logiikka. 2: Helpot ja monimutkaiset. Luento 2. Monimutkaiset ongelmat. Monimutkaiset ongelmat Luento 2. Kieli merkitys ja logiikka 2: Helpot ja monimutkaiset Helpot ja monimutkaiset ongelmat Tehtävä: etsi säkillinen rahaa talosta, jossa on monta huonetta. Ratkaisu: täydellinen haku käy huoneet

Lisätiedot

ICT:n johtamisella tuloksia

ICT:n johtamisella tuloksia Tuottava IT ICT:n johtamisella tuloksia Data: Tietohallintojen johtaminen Suomessa 2012 Tietääkö liiketoimintajohto mitä IT tekee? Ei osaa sanoa tietääkö Ei tiedä Osittain Tietää 0 % 10 % 20 % 30 % 40

Lisätiedot

Pystysuuntainen ohjaus

Pystysuuntainen ohjaus Pystysuuntainen ohjaus Satu Vapaakallio satu.vapaakallio@hut.fi 19.2.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisällys Luku 4.1 Pystysuuntainen perusviitekehys Peruskäsitteitä Yleisimmät pystysuuntaiset

Lisätiedot

Mikä ohjaa terveyden edistämistä? Heli Hätönen, TtT Koordinaattori, Imatran kaupunki Projektipäällikkö, THL

Mikä ohjaa terveyden edistämistä? Heli Hätönen, TtT Koordinaattori, Imatran kaupunki Projektipäällikkö, THL Mikä ohjaa terveyden edistämistä? Heli Hätönen, TtT Koordinaattori, Imatran kaupunki Projektipäällikkö, THL Terveyden edistämisen toiminnan yksinkertaisuus - ja saman aikainen kompleksisuus Lähestymistapoja

Lisätiedot

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Kokonaislukuoptiomointi Leikkaustasomenetelmät Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat

Lisätiedot

Signalointi: autonromujen markkinat

Signalointi: 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

Lisätiedot

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä

Lisätiedot

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1 Kertaus. Lineaarinen optimointitehtävä on muotoa: 1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n

Lisätiedot

Kieku-hanke osana valtion talousja henkilöstöhallinnon uudistamista. Tomi Hytönen Valtiovarainministeriö

Kieku-hanke osana valtion talousja henkilöstöhallinnon uudistamista. Tomi Hytönen Valtiovarainministeriö Kieku-hanke osana valtion talousja henkilöstöhallinnon uudistamista Tomi Hytönen Valtiovarainministeriö Kieku numeroina Yhteinen Kieku-tietojärjestelmä korvaa vanhat (yli 100 kpl) talousja henkilöstöhallinnon

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 6 24.4.2017 Tehtävä 1 Määritelmän (ks. luentomonisteen s. 107) mukaan yleisen muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on min θ(u,v)

Lisätiedot

Luento 5: Peliteoria

Luento 5: Peliteoria Luento 5: Peliteoria Portfolion optimointi Sijoittajan tehtävä Nashin tasapaino Vangin ongelma Nashin neuvotteluratkaisu 1 Portfolion optimointi Varallisuus A sijoitetaan n:ään sijoituskohteeseen (osake,

Lisätiedot

Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita

Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä

Lisätiedot

Kuukaudet. Kuukaudet

Kuukaudet. Kuukaudet Sivu järjestys aineittain Ajalta.. -.. Kauppa- Ja Taloustieteellisiä Yleis- Sekä Muita Opintoja 0 A0 D000 D0 E0 Taitosalkku; Perustyövälineohjelmat Johtamistaitojen sosiaalipsykologiaa Social Psychology

Lisätiedot

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio Johdannaisanalyysi Contingent Claims Analysis Juha Leino 11.10.2000 Optimointiopin seminaari - Syksy 2000 / 1 Oletukset Yritys tuottaa tuotetta, jonka hinta on x x noudattaa geometrista Brownin liikettä

Lisätiedot

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset 30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset Mitä on lineaarinen optimointi (LP)? LP= lineaarinen optimointiongelma (Linear Programming) Menetelmä, jolla etsitään

Lisätiedot

Lineaarinen optimointitehtävä

Lineaarinen optimointitehtävä Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä

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

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 5 10.4.2017 Tehtävä 1 x 2 7 0,7 9,8 6 5 4 x 1 x 2 7 x 1 x 2 1 3 2 x 1 0 4,3 x 1 9 1 0,0 x 2 0 9,0 1 2 3 4 5 6 7 8 9 x 1 Kuva 1: Tehtävän 1 sallittu joukko S Optimointitehtävän sallittu

Lisätiedot

TTY Porin laitoksen optimointipalvelut yrityksille

TTY Porin laitoksen optimointipalvelut yrityksille TTY Porin laitoksen optimointipalvelut yrityksille Timo Ranta, TkT Frank Cameron, TkT timo.ranta@tut.fi frank.cameron@tut.fi Automaation aamukahvit 28.8.2013 Optimointi Tarkoittaa parhaan ratkaisun valintaa

Lisätiedot

Bayesilainen päätöksenteko / Bayesian decision theory

Bayesilainen päätöksenteko / Bayesian decision theory Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-2.3140 Lineaarinen ohjelmointi 4.10.2007 Luento 4 Ekstreemipisteiden optimaalisuus ja Simplex (kirja 2.4-2.6, 3.1-3.2) Lineaarinen ohjelmointi - Syksy 2007 / 1 Luentorunko Degeneroituvuus Ekstreemipisteiden

Lisätiedot

Harjoitus 7: vastausvihjeet

Harjoitus 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.

Lisätiedot

Harjoitus 2 ( )

Harjoitus 2 ( ) Harjoitus 2 (27.3.214) Tehtävä 1 7 4 8 1 1 3 1 2 3 3 2 4 1 1 6 9 1 Kuva 1: Tehtävän 1 graafi. Aikaisimmat aloitushetket selvitetään kaavoilla v[] = v[p] d[p] l. max i p 1 {v[i] + a i (i, p) E} = v[l] +

Lisätiedot

Budjetointi ja raportointi. Outi Kauppinen SMEs and Horizon 2020 4.4.2014

Budjetointi ja raportointi. Outi Kauppinen SMEs and Horizon 2020 4.4.2014 Budjetointi ja raportointi Outi Kauppinen SMEs and Horizon 2020 4.4.2014 Perusteet Budjetointi- ja raportointivaatimukset riippuvat hankemuodosta Avustuksen pääsääntö 100% välittömistä kuluista + 25% (välillisten

Lisätiedot

Monimutkaisten järjestelmien toimintavarmuuden parantaminen Jussi Kangaspunta ja Ahti Salo

Monimutkaisten järjestelmien toimintavarmuuden parantaminen Jussi Kangaspunta ja Ahti Salo Monimutkaisten järjestelmien toimintavarmuuden parantaminen 22..202 Jussi Kangaspunta ja Ahti Salo Taustaa Yhteiskunnan turvallisuusstrategia ja elintärkeiden toimintojen turvaaminen Esim. myrskyjen aiheuttamat

Lisätiedot

Ehto- ja toistolauseet

Ehto- ja toistolauseet Ehto- ja toistolauseet 1 Ehto- ja toistolauseet Uutena asiana opetellaan ohjelmointilauseet / rakenteet, jotka mahdollistavat: Päätösten tekemisen ohjelman suorituksen aikana (esim. kyllä/ei) Samoja lauseiden

Lisätiedot

ARVOLUPAUKSET JA ASIAKASARVO FINANSSI- JA VAKUUTUSMARKKINOILLA. KTT Pekka Puustinen, Vakuutustieteen yliopistonlehtori

ARVOLUPAUKSET JA ASIAKASARVO FINANSSI- JA VAKUUTUSMARKKINOILLA. KTT Pekka Puustinen, Vakuutustieteen yliopistonlehtori ARVOLUPAUKSET JA ASIAKASARVO FINANSSI- JA VAKUUTUSMARKKINOILLA KTT Pekka Puustinen, Vakuutustieteen yliopistonlehtori Arvot vs. Arvo Arvot Pirkko-pissis Arvo Rampe-Raudottaja Nykyinen logiikka Vaihdannan

Lisätiedot

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (21.4.2015) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s. t. g(x) 0 h(x) = 0 x X olevan optimointitehtävän Lagrangen duaali on missä max θ(u, v) s. t.

Lisätiedot

1 Komparatiivinen statiikka ja implisiittifunktiolause

1 Komparatiivinen statiikka ja implisiittifunktiolause Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla

Lisätiedot

Monitavoiteoptimointi

Monitavoiteoptimointi Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa

Lisätiedot

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. 5..0 Tehtävä Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. (c) (d) Arvostelu Kanta on degeneroitunut jos ja vain jos sitä vastaava kantamatriisi on singulaarinen. Optimissa muuttujan

Lisätiedot

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto.

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. LP-mallit, L8 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset

Lisätiedot

Alkuraportti. LAPPEENRANNAN TEKNILLINEN YLIOPISTO TIETOJENKÄSITTELYN LAITOS CT10A4000 - Kandidaatintyö ja seminaari

Alkuraportti. LAPPEENRANNAN TEKNILLINEN YLIOPISTO TIETOJENKÄSITTELYN LAITOS CT10A4000 - Kandidaatintyö ja seminaari LAPPEENRANNAN TEKNILLINEN YLIOPISTO TIETOJENKÄSITTELYN LAITOS CT10A4000 - Kandidaatintyö ja seminaari Alkuraportti Avoimen lähdekoodin käyttö WWW-sovelluspalvelujen toteutuksessa Lappeenranta, 30.3.2008,

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

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla Optimointiopin seminaari - Syksy 2000 / 1 Esitelmän sisältö Investointien peruuttamattomuuden vaikutus investointipäätökseen Investointimahdollisuuksien

Lisätiedot

Harjoitus 1 (17.3.2015)

Harjoitus 1 (17.3.2015) Harjoitus 1 (17.3.2015) Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 = Turku 2 = Tampere 3 = Helsinki 4 = Kuopio 5 = Joensuu. a) Tehtävänä on ratkaista Bellman

Lisätiedot

Kansalaisopiston talousohjauksen kehittäminen. Vertikal Oy Simo Pokki SYKSY 2015

Kansalaisopiston talousohjauksen kehittäminen. Vertikal Oy Simo Pokki SYKSY 2015 Kansalaisopiston talousohjauksen kehittäminen Vertikal Oy Simo Pokki SYKSY 2015 Lähtökohtia Kansalaisopistolla on tuotteita eli erilaisia kursseja ääretön määrä Kansalaisopiston talouden logiikka on kuntasektorille

Lisätiedot

Hintadiskriminaatio 2/2

Hintadiskriminaatio 2/2 Hintadiskriminaatio 2/2 Matti Hellvist 12.2.2003 Toisen asteen hintadiskrimiaatio eli tuotteiden kohdennus Toisen asteen hintadiskriminaatio toimii tilanteessa, jossa kuluttajat ovat keskenään erilaisia

Lisätiedot

17/20: Keittokirja IV

17/20: Keittokirja IV Ohjelmointi 1 / syksy 2007 17/20: Keittokirja IV Paavo Nieminen nieminen@jyu.fi Tietotekniikan laitos Informaatioteknologian tiedekunta Jyväskylän yliopisto Ohjelmointi 1 / syksy 2007 p.1/10 Tavoitteita

Lisätiedot