3. Monitavoitteinen arvoteoria

Samankaltaiset tiedostot
4. Kriteerien painottaminen

Luento 6 Luotettavuus Koherentit järjestelmät

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

Raja-arvot. Osittaisderivaatat.

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

Ilkka Mellin (2008) 1/24

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

Mat Lineaarinen ohjelmointi

6. Stokastiset prosessit (2)

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

ABTEKNILLINEN KORKEAKOULU

Painotetun metriikan ja NBI menetelmä

3.5 Generoivat funktiot ja momentit

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

Tchebycheff-menetelmä ja STEM

10.5 Jaksolliset suoritukset

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

HASSEN-WEILIN LAUSE. Kertausta

3 Tilayhtälöiden numeerinen integrointi

Muuttujien välisten riippuvuuksien analysointi

r i m i v i = L i = vakio, (2)

Suoran sovittaminen pistejoukkoon

Monte Carlo -menetelmä

Satunnaismuuttujat ja todennäköisyysjakaumat

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

1, x < 0 tai x > 2a.

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Jaksolliset ja toistuvat suoritukset

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

6. Capital Asset Pricing Model

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

3. Datan käsittely lyhyt katsaus

4. A priori menetelmät

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

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

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Tilastollisen fysiikan luennot

Mat Koesuunnittelu ja tilastolliset mallit

Kanoniset muunnokset

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Insinöörimatematiikka IA

Mat Lineaarinen ohjelmointi

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Baltian Tie 2001 ratkaisuja

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

- Keskustelu symbolein. i

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

SMG-1100: PIIRIANALYYSI I

7. Modulit Modulit ja lineaarikuvaukset.

Kokonaislukuoptimointi

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Mat Sovelletun matematiikan erikoistyö. Sijoitussalkun optimointi Black-Litterman -mallilla

1. välikoe

Gibbsin vapaaenergia aineelle i voidaan esittää summana

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

Tehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.

Timo Tarvainen PUROSEDIMENTIIANALYYSIEN HAVAINNOLLISTAMINEN GEOSTATISTIIKAN KEINOIN. Outokumpu Oy Atk-osasto

Mat Sovellettu todennäköisyyslasku A

Mittalaitteet. M. Kuisma, T. Torttila, J. Tyster. Elektroniikan laboratoriotyöt 1 - Mittalaitteet 1

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

FYSA220/2 (FYS222/2) VALON POLARISAATIO

Näytteenoton virhelähteet, luotettavuuden estimointi ja näytteenottoketjun optimointi

Harjoituksen pituus: 90min 3.10 klo 10 12

OKLS535. Opetusharjoittelu, OH3, 8 op kevät Harjoittelun tavoitteet

Johdatus tekoälyn taustalla olevaan matematiikkaan

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Kvanttimekaanisten joukkojen yhteys termodynamiikkaan

Mat Tilastollisen analyysin perusteet, kevät 2007

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

4.3 Signaalin autokorrelaatio

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei

Solmu 3/ toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

SU/Vakuutusmatemaattinen yksikkö (6)

Reaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Luento 6 Luotettavuus ja vikaantumisprosessit

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Aamukatsaus

AB TEKNILLINEN KORKEAKOULU

LIGNIININ RAKENNE JA OMINAISUUDET

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

****************************************************************** ****************************************************************** 7 Esim.

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Pyörimisliike. Haarto & Karhunen.

Transkriptio:

3. Motavottee arvoteora

3 Motavottee arvoteora Eglakelsä termejä Multattrbute Value Theory (MAVT) Value Tree Aalyss Arvopuuaalyys tarkottaa. tehtävä tavottede, krteere ja attrbuutte jäsetämstä herarkseks puuks (ogelma struktuot) 2. ja motavottese arvoteora (MAVT) soveltamsta parhaa vahtoehdo tustamseks (ogelma ratkasu). 2

3. Arvoje yhdstäme Lähtökohdat: Joukko vahtoehtoja Päätökse kaalta merktyksellset tavotteet ( fudametal/ meas objectves ) Tavottede saavuttamsta mttaavat attrbuutt Kuk vahtoehto x kuvataa joukkoa seuraamuksa tavottede suhtee, ts. attrbuutte suhtee tehtyjä mttauksa (x,x 2,,x ). Formulodaa päätösogelma seuraavast: x vahtoehto kpl tavotteta attrbuutteja kpl x vahtoehdo x seuraamus attrbuut suhtee v (x ) seuraamukse x arvo -e attrbuut suhtee Vahtoehtoo x=(x,,x ) lttyvät attrbuuttkohtaset arvot v (x ) (egl. scores ) oletetaa tuetuks ämä vodaa määrttää esmerkks edellse lueo meetelmllä arvofukto vo olla määrtelty joko koko vahteluvälllä ta pelkästää vahtoehtoje joukossa. 3

Ogelma: Mte vahtoehdo x = (x,,x ) kokoasarvo vodaa määrttää? El kuka er attrbuutte arvot tulee yhdstää? ( x,, )? V x = Ogelma vodaa kuvata (2-kerrokssea) arvopuua: Kokoasarvo Atrbuutt Atrbuutt 2... Atrbuutt Oletetaa että päätöksetekjällä o vahtoehtoje keske preferessrelaato >~ s.e. ( x,, x ) > ~ ( y,, y ) jos ja va jos vahtoehto x = (x,,x ) melusamp ta yhtä melusa ku y = (y,,y ). Mllä edellytyksllä o olemassa tätä preferessrelaatota kuvaava arvofukto? 4

Lause 3. Olkoo vahtoehtojoukkoa A = R (reaallukuarvoset vektort). Jos päätöksetekjä preferessrelaato >~ toteuttaa ehdot () >~ o hekko järjestys () (Pareto:) x y ja j s.t. x j > y j (x,,x ) > (y,,y ) () x = (x,,x ) >~ y = (y,,y ) >~ z = (z,,z ) λ [0,] s.t. λx + (-λ)z ~ y ordaale arvofukto v: A R s.e. ( x,, x) ~ ( y,, y) v( x x ) v( y y ),,,,. Tod. Saotaa, että vahtoehto a* o dagoaale jos α s.e. a*=(α,α,,α). Olkoo x A melvaltae vahtoehto. Määrtellää dagoaalset vahtoehdot x ja x s.e. x = m {x, x } ja x = max{x,,x },,. ()-ehdo perusteella x >~ x >~ x. Edellee ()-ehdo ojalla λ s.e. x* = (α x, α x,, α x ) = λx +(-λ)x ~ x. Tämä x* o ()-ehdo ja dagoaalsuusomasuude ojalla ykskästtee. Määrtellää vahtoehdo x arvo s.e. v(x) = α x. Tällö (,, ) ~ (,, ) x= x x y y = y x* = ( α,, α )~ x ~ y ~ y* = ( α,, α ) α α vx ( ) vy ( ). x y x x y y 5

Edelle lause e kutekaa ole kov hyödylle, koska se e täsmeä, mte vahtoehdo kokoasarvo V(x) muodostuu attrbuuttkohtassta arvosta v (x ). Lähtökohdaks valtaa dekomposto ( hajota ja halltse ): ( ) V x,, x = f( v ( x ),, v ( x )) Ylvertasest tärke o addtve mall, jossa vahtoehdo kokoasarvo estetää se attrbuuttkohtaste arvoje paotettuja summaa: ( ) Vx,, x = wv( x) Käytäössä arvopuuaalyysssä käytetää mlte aa addtvsta malla, joka o helpost ymmärrettävä. 6 Tosaa käytetää myös multplkatvsta malla, joka kuvaa myös vahtoehtoje välsä preferessrppuvuuksa V ( x,, x) = [ Kkv ( x) ] K + = Ogelma: Addtve mall e kutekaa välttämättä kuvaa preferessejä oke. mkä tahasa krteer o mllä tahasa muulla krteerllä kompesotavssa oko ä? vrt. lexkografe preferesse kuvaus esm. Maslow tarveherarka

Mllo addtvsta malla vodaa perustellust käyttää? 3.2 Preferessrppumattomuus Määr: Attrbuutt X o preferessrppumato attrbuutsta Y, jos x, x 2,y s.t. (x, y ) > (x 2,y ) (x, y) > (x 2,y) y Määr: Attrbuutt X,..., X ovat keskeää preferessrppumattoma, jos jokae attrbuutte osajoukko o preferessrppumato ko. attrbuutte komplemettjoukosta (so. musta ku valttuu osajoukkoo kuuluvsta attrbuutesta). Addtve arvofukto kuvaa päätöksetekjä preferessejä va jos attrbuutt ovat keskeää preferessrppumattoma. Käytäössä preferessrppumattomuutta e (valtettavast) usekaa tutkta kov ykstyskohtasest. Tosaa preferessrppumattomuus sekotetaa vahtoehtojoukossa lmeevää korrelaatoo kyse o preferessraketee omasuudesta e vahtoehtoje! 7

Esm. Mett, asupakkakua valtaa. Relevatteja krteerejä ovat hakttava auto (Y) ja kaupuk (X). X asupakka: x Helsk x 2 Afrka tasako Y auto: y Mersu y 2 Jeepp Jos preferesst ovat sellaset, että (x, y ) > (x 2,y ) (x, y 2 ) > (x 2,y 2 ), Helsk o Afrkkaa melusamp, rppumatta autosta. Slt vo olla, että Mersu (x, y ) > (x,y 2 ) (x 2, y 2 ) > (x 2,y ), Jeepp so. Mersu o mukavamp, jos asut Helsgssä, ku taas Afrka tasagolla jeepp o paremp. X o preferessrppumato Y:stä Y e ole preferessrppumato X:stä. Afrkka Helsk HUOM. Edes Lausee 3. vaatmus ) (Pareto-ehto) e esmerkssä toteudu! Sllä ku attrbuutteja o kaks, Pareto-ehdosta seuraa preferessrppumattomuus. 8

Etä ku attrbuutteja o eemmä ku kaks? Esm. Atera valta. Attrbuutt ovat v{puav, valkov} lha={härkä, kaa} lsuke={perua, rs} Lsäks oletetaa krteerkohtaset preferesst: puav > valkov härkä > kaa perua > rs Rkkomatta krteerkohtas preferessejä (Pareto-ehtoa) vodaa asettaa: ) (puav, härkä, rs) > (valkov, härkä, perua) ja 2) (puav, kaa, rs) < (valkov, kaa, perua) V ja lsuke evät ole preferessrppumattoma lhasta! HUOM! Pareto-ehdosta e ylesest (>2) seuraa preferessrppumattomuus 9

Mutta oko preferessrppumattomuus rttävä ehto addtvse mall olemassaololle? Tarkastellaa tlaetta v(0,0) = v(0,) = 2 v(0,2) = 3 v(,0) = 2 v(,) = 4 v(,2) = 6 v(2,0) = 3 v(2,) = 7 v(2,2) = 8 Preferessrppumattomuus o vomassa, koska rvellä ja sarakkella olevat kokoasarvot ovat adost kasvava. Addtvsta arvofuktota e kutekaa ole; sllä jos tällae v(x,x 2 ) = v (x ) + v 2 (x 2 ) ols, (0,) ~ (,0) V (0) + V 2 () = V () + V 2 (0) (2,0) ~ (0,2) V (2) + V 2 (0) = V (0) + V 2 (2) mstä edellee v (2) + v 2 () = v () + v 2 (2) vakka tauluko mukaa v(2,) = 7 6 = v(,2). Tarvtaa ss lsävaatmuksa kute Thompso ehto (ks. kuva): (x 0,y ) ~(x,y 0 ) (x 2,y 0 ) ~(x 0,y 2 ) (x 2,y ) ~ (x,y 2 ) 0

Lause 3.2 Jos preferessrppumattomuude lsäks o vomassa joukko (vähemmä rajaava) lsäoletuksa, o olemassa addtve arvofukto ste että ( x,, x ) ~ ( y,, y ) ( ) ( ) V x,, x = v ( x ) v ( y ) = V y,, y. Tod. Ks. esm. Frech (986) (e tarvtse osata). Arvofukto o affeja postvsa muuoksa valle ykskästtee, ts. myös arvofukto V (.) = α V(.) + β toteuttaa yo. lausee (α,β vakota, α > 0). Yo. preferessmallssa e kutekaa esy attrbuutte paoja ekä attrbuuttkohtasa arvoja ole myöskää ormeerattu. Etä mkä o paoje tulkta? Merktää x 0 = huoo seuraamus :e attrbuut suhtee x * = paras seuraamus Olkoo x melvaltae vahtoehto s.e. x 0 x x *, jollo se kokoasarvo Lausee 3. mukaa o

Vx Vx Vx Vx 0 0 () = () ( ) + ( ) 0 v( x) v ( x) V( x ) = + = v x v x + V x 0 ( ) ( ) ( ) v( x) v ( x ) = + * 0 v ( x) v ( x ) V( x ) * v ( x) v ( x) W > 0 v ( x ) = W 0 v( ) * x + Vx ( ) * + v ( x) v ( x) v ( x) v ( x) α > 0 β [ α β ] = W v x + + V x 0 ( ) ( ) N v [0,] W = + N 0 [( W) v ( x)] V( x ) ( W ) = w > 0, w = N 0 N = ( W) wv ( x) + V ( x ) = χv () x + δ δ χ> 0 N V ( x) 2

josta huomataa: v N :t kuvaavat samoja attrbuuttkohtasa preferessejä ku v :t, sllä v N o pos. aff. muuos v :stä o (ks. kardaale arvofukto, lueto 2) V N [0,] kuvaa samoja preferessejä ku V, sllä V N o pos. aff. muuos V:stä. Va attrbuuttpaoje w suhtella o merktystä, el e vodaa skaalata ste että summaks tulee yks. Vodaa ss huoletta tarkastella ormeerattua kokoasarvofuktota: N N V ( x) = wv ( x). deaalvahtoehto joka o paras mahdolle kakke attrbuutte suhtee (x *,x * 2, x * ) saa ä kokoasarvoksee yks vahtoehto joka o huoyo mahdolle kakke attrbuutte suhtee (x 0,x 0 2, x 0 ) saa taas kokoasarvoksee olla 3

Mkä o attrbuuttpaoje tulkta? Määrtelmästä saamme * = w W v ( x ) v ( x ), el attrbuuttpao kuvaa stä kokoasarvossa tapahtuvaa muutosta, joka lttyy attrbuut srtymsee se huoommalta määrtellyltä tasolta parhammalle määrtellylle tasolle. Tästä tulkasta rrotettua paokertoma koskevat kysymykset evät ole melekkätä: Kump o tärkeämp ympärstö va talous? Krteer tärkeyttä e ole olemassa rrallsea tarvtaa vertalukohta oko yhteskuta valms maksamaa hyöteslaj turvaamsesta mljooa euroa? Jos tarkasteltavat vahtoehdot krteert ovat jodek krteere suhtee (lähes) dettsä, äde krteere tuls saada pe pao. käytäössä tämä vo johtaa krttsee keskusteluu ja mahdolls jättesk Mks esmerkks terveys- ta ympärstöäkökohte tuls saada pe pao? 4

3.3 Arvopuuaalyys Mellä o yt vahtoehtoje attrbuuttkohtaset arvot v (x ) tapa yhdstää ämä arvot kokoasarvoks addtvse mall V(x)= w v (x ) ja krteerpaoje (w ) avulla Päätösehdotuksea estetää vahtoehdosta se, joka kokoasarvo o suur. Kokoasarvo Atrbuutt Atrbuutt 2... Atrbuutt Lähtökohtaa attrbuutte tustame so. ogelma jäsetely. Ogelma jäsetely ja tavottede määrttely o use aalyys atos ja samalla moessa melessä vake vahe. Se pohtme tukee ratkasuje löytämstä. Herkkyysaalyys o kää oleae osa aalyysä. Se avulla vodaa lopuks tutka, mte muutokset mallssa vakuttavat vahtoehtoje arvotuu paremmuusjärjestyksee. 5