4. Kriteerien painottaminen

Samankaltaiset tiedostot
3. Monitavoitteinen arvoteoria

Luento 6 Luotettavuus Koherentit järjestelmät

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

= 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

Raja-arvot. Osittaisderivaatat.

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

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

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

Suoran sovittaminen pistejoukkoon

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Mat Sovellettu todennäköisyyslasku A

Painotetun metriikan ja NBI menetelmä

Muuttujien välisten riippuvuuksien analysointi

Segmentointimenetelmien käyttökelpoisuus

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

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

3.5 Generoivat funktiot ja momentit

Tchebycheff-menetelmä ja STEM

4. A priori menetelmät

Ilkka Mellin (2008) 1/24

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

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

10.5 Jaksolliset suoritukset

Harjoituksen pituus: 90min 3.10 klo 10 12

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Mat Sovellettu todennäköisyyslasku A

3 Tilayhtälöiden numeerinen integrointi

Kuorielementti hum

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

Monte Carlo -menetelmä

PPSS. Roolikäyttäytymisanalyysi Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN Vantaa info@mlp.

Yrityksen teoria ja sopimukset

6. Stokastiset prosessit (2)

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

ABTEKNILLINEN KORKEAKOULU

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

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

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tchebycheff-menetelmä ja STEM

Aamukatsaus

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

Mat Lineaarinen ohjelmointi

6. Capital Asset Pricing Model

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

3. Datan käsittely lyhyt katsaus

Gibbsin vapaaenergia aineelle i voidaan esittää summana

Jaksolliset ja toistuvat suoritukset

SOKLIN KAIVOSHANKKEEN YVA-SELVITYS (TÄYDENNYS)

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

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

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

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

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.

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

Näytteenoton virhelähteet, luotettavuuden estimointi ja näytteenottoketjun optimointi

HASSEN-WEILIN LAUSE. Kertausta

Satunnaismuuttujat ja todennäköisyysjakaumat

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Mat Koesuunnittelu ja tilastolliset mallit

Menetelmiä signaali/kohina-suhteen parantamiseksi. Vahvistinten epäideaalisuudet

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

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

Kuluttajahintojen muutokset

KOMISSION DELEGOITU ASETUS (EU) /, annettu ,

Baltian Tie 2001 ratkaisuja

Luento 6 Luotettavuus ja vikaantumisprosessit

FDS-OHJELMAN UUSIA OMINAISUUKSIA

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

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

7. Modulit Modulit ja lineaarikuvaukset.

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen

OKLS535. Opetusharjoittelu, OH3, 8 op kevät Harjoittelun tavoitteet

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

- Keskustelu symbolein. i

Mat Tilastollisen analyysin perusteet, kevät 2007

Paperikoneiden tuotannonohjauksen optimointi ja tuotefokusointi

1. välikoe

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

1, x < 0 tai x > 2a.

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

JARRUDYNAMOMETRIN LASKENTAOHJELIITE

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

Terveytemme Termisanasto ja tilastolliset menetelmät


Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Ilkka Mellin (2006) 1/1

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

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

VATT-TUTKIMUKSIA 124 VATT RESEARCH REPORTS. Tarmo Räty* Jussi Kivistö** MITATTAVISSA OLEVA TUOTTAVUUS SUOMEN YLIOPISTOISSA

KUVIEN LAADUN ANALYSOINTI

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

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

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto

Sähkön- ja lämmöntuotannon kustannussimulointi ja herkkyysanalyysi

LIGNIININ RAKENNE JA OMINAISUUDET

ARITMEETTIS-GEOMETRIS-HARMONINEN KESKIARVOEPÄYHTÄLÖ

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

Työllistääkö aktivointi?

Transkriptio:

4. Krteere paottame

4 Krteere paottame 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. Krteerpaot w mahdollsta johtaa päätöksetekjä preferessrelaatosta ( x,, x ) > ~ ( y,, y ) Tämä o kutek use la työlästä, mkä vuoks kehtetty kevyempä paotustekkota Vaaraa krteerpao väärä (=mallsta pokkeava) tulkta! 2

Krteere paottamstekkota Lähestymstavasta rppumatta krteerpaoja o syytä tarkastella herkkyysaalyys avulla Muuttuuko päätössuostus, jos krteerpaossa tapahtuu muutoksa? Mssä määr paot vovat muuttua lma, että suostus muuttuu toseks? Paot ormeerataa ste, että de summa o yks krteerpaoje määrttämse kaalta va paosuhtella w /w j o merktystä 3

4.. SMART Smple Mult-Attrbute Ratg Techque kehttäjää Ward Edwards (977) esmmäset sovellukset julksrahotteste ohjelmatomeptede prorsossa Paoje määrtysprosess:. Valtse vähte tärkeä krteer ja aa slle 0 pstettä. 2. Valtse seuraavaks vähte tärkeä krteer. Aa slle pstemäärä, joka kuvastaa ao. krteer ja aemm psteytettyje, vähemmä tärkede krteere keskästä tärkeyttä. 3. Käy tällä tavalla krteert läp vähte tärkemmästä tärkempää kues e kakk o psteytetty. 4. Jaa lopuks kuk krteer pstemäärä kakke krteere pstede kokoassummalla krteerpaot. Kysymykseasetata e kutekaa eksplsttsest ota huomoo vahtoehtoje attrbuuttkohtasa vahteluta. 4

4..2 Ordaalpaotusmeetelmät Meetelmssä kysytää aoastaa attrbuutte tärkeysjärjestys, josta lasketaa eräälaset keskarvopaot. Esm. SMARTER (SMART Explotg Raks, W. Edwards ja F.H. Barro, 994) käyttää cetrodpaoja. Olkoo krteerejä kpl ja R j krteer a j järjestysluku R j = tärkemmälle krteerlle R j = vähte tärkemmälle krteerlle Krteer paoks asetetaa w s.e. w w j R R j ja. Rak sum-paossa krteer pao o verraolle krteer saama järjestysluvu kääteslukuu w 2( + R ) = ( + ) Krteere summa o yks, sllä 2( + R ) w = = ( + ) 2( + ) 2 = R ( + ) ( + ) = 2 ( + ) = 2 = ( + ) 2 = = 5

2. Rak recprocal-paossa krteer pao o verraolle ao. krteer saama järjestysluvu kääteslukuu w 3. Cetrod-paot ovat ordaalvättäme rajaama paovektoraluee paopste jos. krteer o tärke, 2. toseks tärke je., R =, R 2 =2 ja paovektoraluee ekstreempsteet ovat (,0,0,0,..), (/2,/2,0,0, ), (/3,/3,/3,0, ) krteerpaoks saadaa ylesest w w j= R { jr R} j j R j R 4. Rak expoet-paossa krteerpao o verraolle term (-R +) potess jos z > (z < ), potess vahvstaa (heketää) tärkempe krteere paoja verrattua Rak sum-paoh ( ) w R + 6 z

Esm. Neljä krteerä (a,a 2,a 3,a 4 ) a 2 tärke, stte a, a 4 ja a 3 järjestysluvut R =2,R 2 =,R 3 =4,R 4 =3 a a 2 a 3 a 4 Σ Rak sum 3 4 2 0 paot 0.3 0.4 0. 0.2 Rak rec. /2 /4 /3 2 /2 paot 0.24 0.48 0.2 0.6 Cetrod /2 2 /2 /4 7/2 4 paot 0.27 0.52 0.06 0.6 Rak exp(z=2) 9 6 4 30 paot 0.30 0.53 0.03 0.3 7

4..3 SWING Edellä kuvatut meetelmät evät ota eksplsttsest huomoo stä, että paot kuvaavat arvo lsäystä, joka saadaa srryttäessä attrbuut huoommalta tasolta parhammalle. SWING-meetelmässä ä tehdää Määrtystekkka. Kuvttele vahtoehto, joka o huoo mahdolle jokase attrbuut suhtee. 2. Valtse attrbuutt, joka haluast esmmäseä srtää huoommalta tasolta parhammalle. Tälle attrbuutlle aetaa 00 pstettä. 3. Valtse tämä jälkee attrbuutt, joka haluast seuraavaks srtää huoommalta tasolta parhammalle. Aa tälle attrbuutlle pstemäärä, joka kuvastaa paraukse suuruutta suhteessa esmmäsee (kohda 2) parauksee. 4. Jatka kues kakk attrbuutt o käyty läp. 8

Esm. Hypoteette "pohjaoteerausvahtoehto" o x = ( x, x,, x ), V( x ) = 0 2 Jos :s attrbuutt srretää esmmäseks huoommalta parhammalle tasolle, se saa 00 pstettä, jollo x = ( x, x,, x, x ) 2 V( x) = w v ( x ) = wv ( x ) = w 00 j= j j j Jos j:s attrbuutt srretää seuraavaks huoommalta parhammalle tasolle s.e. paraus saa pstemäärä 60, x = ( x, x,, x, x ) 2 j V( x) = w v ( x ) = w v ( x ) = w 60 k= k k k j j j j Lopuks ä saadut paot ormeerataa. SWING-meetelmä omasuuksa kysymykset ottavat selväst huomoo attrbuut vahteluväl hypoteettste vahtoehtoje meltäme vo olla kov vakeaa. SMARTS-meetelmä (SMART usg Swgs) o yhdstelmä SMART- ja SWING-meetelmstä (Edwards ja Barro,994) 9

esks valtaa pe paraus (so. muutos jok attrbuut suhtee huoommalta parhammalle tasolla) ja aetaa slle 0 pstettä seuraavaks valtaa toseks pe paraus ja aetaa slle pstetä, jotka kuvastavat paraukse suuruutta aemp verrattua 4..4 Tradeoff-paotus Tradeoff-paotuksessa vertallaa kahta kuvtteellsta vahtoehtoa keskeää. Päätöksetekjää pyydetää asettamaa de seuraamukset ste, että vahtoehdot yhtä hyvä. tämä edellyttää, että päätösmuuttujat ovat jatkuva s.e. attrbuuttkohtae arvofukto o määrtelty joka psteessä meetelmällä o vahva teoreette pohja paot kytkeytyvät vahtoehtoje väls eroh. Esm. Oletetaa, että paraus x o x * o merkttävämp ku paraus x j o x j *. Päätöksetekjää pyydetää määrttämää sellae x, että ( x, x,, x, x ) ( x, x,, x, x ) 2 2 j wv( x) = w v ( x ) = w j j j j 0

4..5 Muta meetelmä Ns. cojot-aalyys o markkottutkmuksssa paljo käytetty meetelmä. kuluttajaa pyydetää tekemää vertaluja kuvtteellste tuottede välllä (esm. kumma tuottee valtsst?) attrbuutte paot estmodaa leaarsella regressolla ste, että tutkmuksessa havattu käyttäytyme selttyy mahdollsmma hyv.? wv( x) = V( x) V( y) = wv( y) j j j j j j j= j= Aalyysä vodaa käyttää esmerkks tuotesuuttelu ta markkaosuukse arvo tukea. todelle valtakäyttäytyme vo kutek poketa stä, mtä kuvtteellslla vahtoehdolla o havattu esm. käykä paoa vakea meltää

4.2 Tavottede herarkke kuvaus (arvopuu) Päätökse kokoastavote jaetaa osatavottes (krteereh, tekjöh), jotka vodaa edellee jakaa peemp osatekjöh (attrbuutteh) Traffc pla Level of Persoal servce Evromet Soco Ecoomc Iflueces Travellg durato Travellg comfort Tmg of travellg Idvdual travellg costs Polluto Urba sceery Eergy Cosumpto Effectve use of lad Total costs: vestmets ad mateace Facg of Ivestmets Tavotteea o jakaa laaja ja mosye ogelma paremm hahmotettavks osakokoasuuksks hajota ja halltse Hyvä arvopuu o. Mmaale (mmal) mukaa va oleellsa asota 2. Tomva (operatoal) krteert havaollsa ja merktyksellsä (so. vahtoehdot ovat krteere suhtee erlasa) 2

3. Täydelle (complete) mukaa kakk tarpeelle 4. Erytetty (decomposable) krteert ovat yksää melekkääst arvotavssa 5. E-päällekkäe (o-redudat) samoja asota e esy useampaa kertaa Mllo tavotteta e kaata eää jakaa eteepä? almma taso tavotteet joko mtattava, muute operatoalsotavssa (esm. korvkemuuttujlla) ta subjektvsest arvotavssa 4.2. Paottame arvopuussa Kokoasarvo määrttämstä varte tarvtaa va almma taso attrbuutte paokertomet sekä vahtoehtoje attrbuuttkohtaset arvot. Peraatteellsa etemstapoja o kaks. Herarkke ylätaso paot määrtetää erksee ja alataso paot johdetaa de avulla 2. E-herarkke ylätaso paoja e määrtetä erksee, mutta e johdetaa almma taso attrbuutte paosta 3

HIerarkke paotus E-herarkke paotus paot kerrotaa Ylätaso paoja e kysytä.... mutta e vodaa laskea summaa alataso paosta herarchcal weghtg o-herarchcal weghtg 0.30 0.70 0.40 0.60 0.20 0.30 0.50 0.2 0.8 0.4 0.2 0.35 0.2 0.8 0.4 0.2 0.35 0.30 0.70 Vakka krteerpaot johdettas e-herarkksta lähestymstapaa käyttäe, ylempe tasoje krteerpaosta ollaa slt use kostueta Mssä määr aalyysssä o paotettu ympärstötekjötä ja taloudellsa äkökohta? 4