Projektiportfolion valinta

Koko: px
Aloita esitys sivulta:

Download "Projektiportfolion valinta"

Transkriptio

1 Projektiportfolion valinta Mat Optimointiopin seminaari kevät 2011 Kotitehtävän 1 ratkaisu

2 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.

3 Projekti Hyöty Aika 1 0, , , , , , , , , , , , , , Mitkä projekteista valitaan hyötykustannusanalyysin perusteella? Oletetaan projektit riippumattomiksi niistä saatavien hyötyjen ja niihin käytettävien aikojen suhteen!

4 Projekti Hyöty Aika Hyöty/ Kustannus 1 0, ,00 2 0, ,67 3 0, ,50 4 0, ,00 5 0, ,00 6 0, ,00 7 0, ,80 8 0, ,67 9 0, , , , , , , , , , , ,89 Lasketaan hyöty jaettuna ajalla (eli kustannuksella) sekä skaalataan :lla 0, b i c i = 18,00

5 Projekti Hyöty Aika Hyöty/Aika Kum. Hyöty Kum.aika 10 0, ,429 0, , ,500 0, , ,000 0, , ,667 0, , ,000 0, , ,000 1, , ,000 1, , ,889 2, , ,667 2, , ,815 3, , ,800 3, , ,667 3, , ,500 4, , ,143 4, esim. 0,51 + 0,08 Järjestetään projektit hyöty/kustannus -suhteen mukaan suurimmasta pienimpään ja lasketaan kumulatiivinen hyöty ja aika

6 Projekti Hyöty Aika Hyöty/Aika Kum. Hyöty Kum.aika Valitaanko projekti? 10 0, ,429 0, Kyllä 3 0, ,500 0, Kyllä 1 0, ,000 0, Kyllä 2 0, ,667 0, Kyllä 6 0, ,000 0, Kyllä 4 0, ,000 1, Kyllä 5 0, ,000 1, Kyllä 14 0, ,889 2, Ei 13 0, ,667 2, Ei 9 0, ,815 3, Ei 7 0, ,800 3, Ei 8 0, ,667 3, Ei 11 0, ,500 4, Ei 12 0, ,143 4, Ei Valitaan projekteja, kunnes budjettirajoite on täynnä! Kätevä tehdä esim. if-komennolla: =JOS(L12>9100;"ei";"kyllä")

7 Ratkaisu Valittiin siis projektit 1, 2, 3, 4, 5, 6 ja 10. Kokonaishyödyksi saatiin 1,42 ja budjetista käytetiin 4800 tuntia. Vertailun vuoksi: Käyttämällä matemaattista optimointia (seuraava kalvo) valittaisiin projektit 2, 3, 4, 5, 6, 10 ja 14, jolloin koko budjettirajoite saadaan käytettyä ja kokonaishyöty on 2,1.

8 Binäärinen päätösmuuttuja, joka kertoo valitaanko projekti vai ei. Projekti Päätösmuuttuja Hyöty Aika 1 0 0, , , , , , , , , , , , , , summa 2, solu Maksimoitava x i b i 14 i=1 Ylemmän näistä on oltava pienempi tai yhtäsuuri kuin alempi eli budjettirajoite. 14 i=1 x i c i 9100

9 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.

10 Aika Projekti Hyöty Excel Access C 1 0, , , , , , , , , , , , , , Rajoite Mitkä projektit nyt valitaan toteutettaviksi käyttäen hyödyksi kokonaislukuoptimointia? Oletetaan projektit riippumattomiksi niistä saatavien hyötyjen ja niihin käytettävien aikojen suhteen!

11 Projekti i Päätösmuuttuja x i Hyöty (b i ) Excel c 1i Aika Access c 2i 1 0 0, C c 3i 2 0 0, , , , , , , , , , , , , Yhteensä Rajoite Max s.e i=1 b i x i c ji x i C j, j = 1,2,3 i=1 x i binäärisiä i Esim. j = 3: 250x x x x x x x x x

12

13

14 Projekti i Päätösmuuttuja x i Hyöty (b i ) Excel c 1i Aika Access c 2i 1 1 0, C c 3i 2 0 0, , , , , , , , , , , , , Yhteensä 2, Rajoite Valitaan siis projektit 1, 3, 5, 6, 7, 10, 11, 12 ja 13

Projektiportfolion valinta

Projektiportfolion 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

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

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

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

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

How to Support Decision Analysis with Software Case Förbifart Stockholm

How 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

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

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

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

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

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

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

Lisätiedot

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

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

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-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

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

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

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

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Haitallinen 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

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

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

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

Mat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut

Mat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut Projektien valintapäätöksiä voidaan pyrkiä tekemään esimerkiksi hyöty-kustannus-suhteen (so. tuottojen nykyarvo per kustannusten nykyarvo) tai nettonykyarvon (so. tuottojen nykyarvo - kustannusten nykyarvo)

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

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

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

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

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

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

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

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

Uusien keksintöjen kannustimet

Uusien keksintöjen kannustimet Uusien keksintöjen kannustimet Ville Koskenvuo 9.4.2003 Optimointiopin seminaari Kevät 2003 / 1 Päivän agenda 1. luento: Uusien keksintöjen kannustimet ja patenttikisat (Koskenvuo) 2. luento: Uusien keksintöjen

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

Demo 1: Branch & Bound

Demo 1: Branch & Bound MS-C05 Optimoinnin perusteet Malliratkaisut 7 Ehtamo Demo : Branch & Bound Ratkaise lineaarinen kokonaislukuoptimointitehtävä käyttämällä Branch & Boundalgoritmia. max x + x s.e. x + 4x 9 5x + x 9 x Z

Lisätiedot

Haitallinen valikoituminen: Kahden tyypin malli

Haitallinen 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

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

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti isää satunnaisuutta ja mahdollisuus keskeyttää projekti Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy isää satunnaisuutta Tähän mennessä on käytetty vain yhtä satunnaismuuttujaa tuotteen

Lisätiedot

Operatioanalyysi 2011, Harjoitus 3, viikko 39

Operatioanalyysi 2011, Harjoitus 3, viikko 39 Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5 (Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the

Lisätiedot

Uusien keksintöjen hyödyntäminen

Uusien keksintöjen hyödyntäminen Uusien keksintöjen hyödyntäminen Otso Ojanen 9.4.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Käyttöönoton viiveet Ulkoisvaikutukset ja standardointi Teknologiaodotusten koordinointimalli Lisensiointi

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

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

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

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

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

Lisätiedot

Investointimahdollisuudet ja niiden ajoitus

Investointimahdollisuudet 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

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

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

Yhteistyötä sisältämätön peliteoria jatkuu

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

Lisätiedot

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

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 5 2.2.28 Tehtävä a) Tehtävä voidaan sieventää muotoon max 5x + 9x 2 + x 3 s. t. 2x + x 2 + x 3 x 3 x 2 3 x 3 3 x, x 2, x 3 Tämä on tehtävän kanoninen muoto, n = 3 ja m =. b) Otetaan

Lisätiedot

Mainonta ja laatu tuotteiden erilaistamisessa

Mainonta ja laatu tuotteiden erilaistamisessa Mainonta ja laatu tuotteiden erilaistamisessa Samuel Aulanko Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Mainonta Tiedollinen ja ohjaileva mainonta Monopolistinen kilpailu Oligopolinen kilpailu

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

Valikoima, laatu ja mainonta

Valikoima, laatu ja mainonta Valikoima, laatu ja mainonta Sami Niemelä 5.2.2003 Sisältö Tuoteavaruus Käsite ja erottelutapoja Valikoiman muodostaminen Laatu ja laajuus Laatu Tyypit ja ongelmia Mainonta Käytetyt symbolit määrä s laatu

Lisätiedot

Ratkaisuehdotukset LH 8 / vko 47

Ratkaisuehdotukset LH 8 / vko 47 Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat

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

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

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

MS-C2105 Optimoinnin perusteet Malliratkaisut 4 MS-C2105 Optimoinnin perusteet Malliratkaisut 4 Ehtamo Duaalin muodostamisen muistisäännöt Duaalin muodostamisessa voidaan käyttää muistisääntötaulukkoa, jota voidaan lukea vasemmalta oikealle tai oikealta

Lisätiedot

Kurssin esittely (syksy 2016)

Kurssin esittely (syksy 2016) Kurssin esittely (syksy 2016) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Opettajat Tuntiopettaja Anna Anttalainen (BIO), aktiivinen kiltatoiminnassa

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

Tentin materiaali. Sivia: luvut 1,2, , ,5. MacKay: luku 30. Gelman, 1995: Inference and monitoring convergence

Tentin materiaali. Sivia: luvut 1,2, , ,5. MacKay: luku 30. Gelman, 1995: Inference and monitoring convergence Tentin materiaali Sivia: luvut 1,2,3.1-3.3,4.1-4.2,5 MacKay: luku 30 Gelman, 1995: Inference and monitoring convergence Gelman & Meng, 1995: Model checking and model improvement Kalvot Harjoitustyöt Tentin

Lisätiedot

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan 17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten

Lisätiedot

Algoritmit 2. Luento 2 Ke Timo Männikkö

Algoritmit 2. Luento 2 Ke Timo Männikkö Algoritmit 2 Luento 2 Ke 15.3.2017 Timo Männikkö Luento 2 Tietorakenteet Lineaarinen lista, binääripuu Prioriteettijono Kekorakenne Keko-operaatiot Keon toteutus taulukolla Algoritmit 2 Kevät 2017 Luento

Lisätiedot

Prospektiteoreettinen näkökulma

Prospektiteoreettinen näkökulma Miten paljon saneerausohjelmien onnistumiseen vaikuttaa yrittäjän kannustimet? Prospektiteoreettinen näkökulma Tapio Laakso 29.1.2010 Onnistumisen hyöty yrittäjälle vs. keskeytymisriski (Selvittäjän rooli?

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

Simplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala

Simplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala Simplex-algoritmi T-6.5 Informaatiotekniikan seminaari..8, Susanna Moisala Sisältö Simplex-algoritmi Lähtökohdat Miten ongelmasta muodostetaan ns. Simplextaulukko Miten haetaan käypä aloitusratkaisu Mitä

Lisätiedot

Algoritmit 2. Luento 2 To Timo Männikkö

Algoritmit 2. Luento 2 To Timo Männikkö Algoritmit 2 Luento 2 To 14.3.2019 Timo Männikkö Luento 2 Tietorakenteet Lineaarinen lista, binääripuu Prioriteettijono Kekorakenne Keko-operaatiot Keon toteutus taulukolla Algoritmit 2 Kevät 2019 Luento

Lisätiedot

Demo 1: Simplex-menetelmä

Demo 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

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

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

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaislukuoptimointi Optimointitehtävät, joissa muuttujat tai osa niistä voivat saada vain kokonaislukuarvoja Puhdas kokonaislukuoptimointitehtävä: Kaikki muuttujat kokonaislukuja Sekoitettu kokonaislukuoptimointitehtävä:

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

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,

Lisätiedot

Millaisia ovat finanssipolitiikan kertoimet

Millaisia ovat finanssipolitiikan kertoimet Millaisia ovat finanssipolitiikan kertoimet Antti Ripatti Helsingin yliopisto, HECER, Suomen Pankki 20.3.2013 Antti Ripatti (HECER) fipon kerroin 20.3.2013 1 / 1 Johdanto Taustaa Finanssipolitiikkaa ei

Lisätiedot

Yhteydettömän kieliopin jäsennysongelma

Yhteydettömän kieliopin jäsennysongelma Yhteydettömän kieliopin jäsennysongelma Yhteydettömän kieliopin jäsennysongelmalla tarkoitetaan laskentaongelmaa Annettu: yhteydetön kielioppi G, merkkijono w Kysymys: päteekö w L(G). Ongelma voidaan periaatteessa

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

Yt-lakikysely Suomen Yrittäjät

Yt-lakikysely Suomen Yrittäjät Yt-lakikysely 2007 Suomen Yrittäjät 28.12.2007 1 YT-lain keskeiset velvoitteet 20 29 työntekijää työllistäville yrityksille Tiedottamisvelvollisuus vähintään 2 kertaa vuodessa yrityksen taloudellisesta

Lisätiedot

Malliratkaisut Demo 1

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

Lisätiedot

TKHJ:ssä on yleensä komento create index, jolla taululle voidaan luoda hakemisto

TKHJ:ssä on yleensä komento create index, jolla taululle voidaan luoda hakemisto Indeksin luonti ja hävitys TKHJ:ssä on yleensä komento create index, jolla taululle voidaan luoda hakemisto Komentoa ei ole standardoitu ja niinpä sen muoto vaihtelee järjestelmäkohtaisesti Indeksi voidaan

Lisätiedot

Malliratkaisut Demo 4

Malliratkaisut Demo 4 Malliratkaisut Demo 4 1. tehtävä a) f(x) = 2x + 21. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että imoinnin suhteen. Funktio on konveksi ja konkaavi. b) f(x) = x (pienin kokonaisluku

Lisätiedot

Investointimahdollisuudet ja investoinnin ajoittaminen

Investointimahdollisuudet ja investoinnin ajoittaminen Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman

Lisätiedot

Ratkaisu: a) Koroton takaisinmaksuaika on 9000 = 7,5 vuotta. 1200 b) Kun vuosituotot pysyvät vakiona, korollinen takaisinmaksuaika määräytyy

Ratkaisu: a) Koroton takaisinmaksuaika on 9000 = 7,5 vuotta. 1200 b) Kun vuosituotot pysyvät vakiona, korollinen takaisinmaksuaika määräytyy Kotitehtävät 7. Aihepiirinä Investointi Ratkaisuehdotuksia 1. Investoinnin hankintameno on 9000 euroa ja siitä saadaan seuraavina vuosina vuosittain 1200 euron tulot. Määritä a) koroton takaisinmaksuaika

Lisätiedot

Paretoratkaisujen visualisointi

Paretoratkaisujen visualisointi Paretoratkaisujen visualisointi Optimointiopin seminaari - Kevät 2000 / 1 Esityksen sisältö Vaihtoehtoisten kohdevektorien visualisointi Arvopolut Palkkikaaviot Tähtikoordinaatit Hämähäkinverkkokaavio

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

Concurrency - Rinnakkaisuus. Group: 9 Joni Laine Juho Vähätalo

Concurrency - Rinnakkaisuus. Group: 9 Joni Laine Juho Vähätalo Concurrency - Rinnakkaisuus Group: 9 Joni Laine Juho Vähätalo Sisällysluettelo 1. Johdanto... 3 2. C++ thread... 4 3. Python multiprocessing... 6 4. Java ExecutorService... 8 5. Yhteenveto... 9 6. Lähteet...

Lisätiedot

Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)

Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Markus Losoi 30.9.2013 Ohjaaja: DI Antti Toppila Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

EAKR: DigiLeap Hallittu digiloikka:

EAKR: DigiLeap Hallittu digiloikka: EAKR: DigiLeap Hallittu digiloikka: Digitalisaatiokyselyn yhteenveto (18) Teknologian tutkimuskeskus VTT: Jukka Kääriäinen, Maarit Tihinen Oulun Yliopisto: Marko Juntunen, Sari Perätalo..18 DigiLeap -hanke

Lisätiedot

Monopoli. Tommi Välimäki S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Monopoli. Tommi Välimäki S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu Monopoli Tommi Välimäki 29.1.2003 Peruskäsitteitä: kysyntä ja tarjonta Hyödykkeen arvo kuluttajalle on maksimihinta, jonka hän olisi siitä valmis maksamaan Arvon raja-arvo vähenee määrän funktiona, D=MV

Lisätiedot

Ohjelmointi 1 / 2009 syksy Tentti / 18.12

Ohjelmointi 1 / 2009 syksy Tentti / 18.12 Tentti / 18.12 Vastaa yhteensä neljään tehtävään (huomaa että tehtävissä voi olla useita alakohtia), joista yksi on tehtävä 5. Voit siis valita kolme tehtävistä 1 4 ja tehtävä 5 on pakollinen. Vastaa JOKAISEN

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

8 Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14)

8 Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14) 8 Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14) Markkinat ovat kilpailulliset silloin, kun siellä on niin paljon yrityksiä, että jokainen pitää markkinoilla määräytyvää hintaa omista toimistaan

Lisätiedot

Luku 8. Aluekyselyt. 8.1 Summataulukko

Luku 8. Aluekyselyt. 8.1 Summataulukko Luku 8 Aluekyselyt Aluekysely on tiettyä taulukon väliä koskeva kysely. Tyypillisiä aluekyselyitä ovat, mikä on taulukon välin lukujen summa tai pienin luku välillä. Esimerkiksi seuraavassa taulukossa

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

Prosessien kehittäminen. Prosessien parantaminen. Eri mallien vertailua. Useita eri malleja. Mitä kehitetään?

Prosessien kehittäminen. Prosessien parantaminen. Eri mallien vertailua. Useita eri malleja. Mitä kehitetään? Prosessien kehittäminen Prosessien parantaminen Sami Kollanus TJTA330 Ohjelmistotuotanto 21.2.2007 Mitä kehitetään? CMMI, SPICE yms. Miten kehittämishanke saadaan toteutettua? Organisaation kehittämisen

Lisätiedot

Ohjelmoinnin peruskurssien laaja oppimäärä

Ohjelmoinnin peruskurssien laaja oppimäärä Ohjelmoinnin peruskurssien laaja oppimäärä Keskeneräinen luento 3: Listat (mm. SICP 22.2.3) Riku Saikkonen 31. 10. 2011 Sisältö 1 Linkitetyt listat 2 Linkitetyt listat (SICP 2.1.1, 2.2.1) funktionaalinen

Lisätiedot

Algoritmit 1. Luento 12 Ti Timo Männikkö

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

Lisätiedot

Kulutus. Kulutus. Antti Ripatti. Helsingin yliopisto, HECER, Suomen Pankki Antti Ripatti (HECER) Kulutus

Kulutus. Kulutus. Antti Ripatti. Helsingin yliopisto, HECER, Suomen Pankki Antti Ripatti (HECER) Kulutus Kulutus Antti Ripatti Helsingin yliopisto, HECER, Suomen Pankki 13.11.2013 Antti Ripatti (HECER) Kulutus 13.11.2013 1 / 11 Indifferenssikäyrät ja kuluttajan teoria Tarkastellaan edustavaa kotitaloutta.

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

Hintakilpailu lyhyellä aikavälillä

Hintakilpailu 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:

Lisätiedot

(EUR) Osasto TEK Osasto TKR Osasto PMT Osasto TMP Osasto TKK Osasto THY Osasto STS

(EUR) Osasto TEK Osasto TKR Osasto PMT Osasto TMP Osasto TKK Osasto THY Osasto STS Laskentakohteet - Yhteenveto - rinnakkain, 13.8.2009 8000 8000 7000 7000 6000 6000 5000 5000 4000 4000 3000 3000 2000 2000 1000 1000 Osasto TEK (10) Osasto TKR (12) Osasto PMT (14) Osasto TMP (17) Osasto

Lisätiedot

HYÖTYTEORIAN SOVELLUS LUONNONARVOKAUPAN JA TARJOUSKILPAILUN HANKKEIDEN ARVIOINTIIN

HYÖTYTEORIAN SOVELLUS LUONNONARVOKAUPAN JA TARJOUSKILPAILUN HANKKEIDEN ARVIOINTIIN HYÖTYTEORIAN SOVELLUS LUONNONARVOKAUPAN JA TARJOUSKILPAILUN HANKKEIDEN ARVIOINTIIN MMT Jouni Pykäläinen & MMT Mikko Kurttila, TAUSTA (KRITEERITYÖRYHMÄN PAPERI) yleisenä tavoitteena tärkeiksi arvioitujen

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48 MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?

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