Päätöksentekomenetelmät

Samankaltaiset tiedostot
Päätöksentekomenetelmät

Päätöksentekomenetelmät

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa.

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.

1. TILASTOLLINEN HAHMONTUNNISTUS

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI

Diskreettiaikainen dynaaminen optimointi

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

D ( ) E( ) E( ) 2.917

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

Tutkimustiedonhallinnan peruskurssi

Päätösanalyysi. Aiheet. 1. Päätöspuut. 2. Informaation arvo. 3. Herkkyysanalyysi. 1 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

Mitä kalibrointitodistus kertoo?

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely)

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Malliratkaisut Demo 1

Dynaaminen ohjelmointi ja vaikutuskaaviot

Dynaaminen optimointi

Algoritmit 1. Luento 1 Ti Timo Männikkö

Pohdiskeleva ajattelu ja tasapainotarkennukset

Markov-kustannusmallit ja kulkuajat

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

Yhteistyötä sisältämätön peliteoria jatkuu

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

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

Luento 10 Kustannushyötyanalyysi

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti)

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4

Malliratkaisut Demot

S Laskennallinen systeemibiologia

Autoilijan ikä v Yli 20 v. Mies 10,00% 1,75% Nainen 4,00% 2,50% Alueen ajokortit jakaantuvat vastaavien henkilöryhmien kesken seuraavasti:

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Tilastollisia peruskäsitteitä ja Monte Carlo

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

Kvantitatiivinen riski Määrittäminen ja hyväksyttävyys

Prof. Marko Terviö Assist. Jan Jääskeläinen

Tehokas ilmaisku. Terminologiaa. Ilmaisku. Tavoitteiden saavuttaminen. Suunnittelun tavoitteet. S ysteemianalyysin Laboratorio Teknillinen korkeakoulu

1. Vastaa seuraavaan tehtävään. Tehtävään liittyvä kuva on seuraavalla sivulla

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.

Jatkuvat satunnaismuuttujat

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Pilkeyrityksen liiketoimintaosaamisen kehittäminen. Timo Värre Jyväskylän ammattikorkeakoulu

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.

&idx=2&uilang=fi&lang=fi&lvv=2015

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5)

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

JOHDATUS TEKOÄLYYN TEEMU ROOS

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Yhteistyötä sisältämätön peliteoria

dx=5&uilang=fi&lang=fi&lvv=2014

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo Ratkaisut ja pisteytysohjeet

Riski ja velkaantuminen

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

Informaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI

Johdanto peliteoriaan Kirja kpl. 2

Referenssipiste- ja referenssisuuntamenetelmät

a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää.

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Nollasummapelit ja bayesilaiset pelit

Pohjoismaiden osakkeet ulottuvillasi Taurus tekee sijoittamisesta helpon. Taurus Capital Ltd

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo

&idx=2&uilang=fi&lang=fi&lvv=2015

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

Järvitesti Ympäristöteknologia T571SA

4 Kysyntä, tarjonta ja markkinatasapaino

HYVÄ LIIKETOIMINTAPÄÄTÖS JA JOHDON VASTUU

Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta. TKK (c) Ilkka Mellin (2004) 1

Algoritmit 1. Luento 12 Ti Timo Männikkö

Luento 6: Monitavoiteoptimointi

30A02000 Tilastotieteen perusteet

Taloustieteen perusteet 31A Opiskelijanumero Nimi (painokirjaimin) Allekirjoitus

Y56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero

Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely)

Liitosesimerkki Tietokannan hallinta, kevät 2006, J.Li 1

Mat Sovellettu todennäköisyyslasku A

Osa 11. Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14)

Transkriptio:

L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa: vähennetäänkö päästöjä itse vai ostetaanko päästöoikeuksia? päästöoikeuksien hinta? tulevat päästörajoitukset? Opiskelijan ongelmia: kannattaako kouluttautuminen? keskitynkö opiskeluun vai hankinko samalla työkokemusta? työnsaanti tulevaisuudessa? Luento alfa 4 Päätösongelmia löytyy joka paikasta Päätöksentekotilanteen rakenne Tuotantoratkaisut: millaisia tuotteita ja kuinka paljon valmistetaan? Päätöksentekijä Erilaisia toimintavaihtoehtoja eli strategioita Päätöksentekijän epäröinti kysyntä? Ongelman ympäristö, asiantila vaikuttaa toimintavaihtoehtojen tuottamiin tuloksiin ei ole päätöksentekijän kontrolloitavissa Sijoitusstrategiat: mikä sijoitusvaihtoehto on paras? sijoituksen arvo tulevaisuudessa? Luento alfa 3 Luento alfa 5

Päätöksenteko-ongelman ratkaiseminen Valinta ja asiantila vaikuttavat tuottoihin Valitaan paras toimintavaihtoehto Tavoitteena yleensä nettotuoton maksimointi tai kustannusten minimointi jatkossa oletetaan, että tavoitteena on nettotuoton maksimointi (asiat ovat sovellettavissa myös kustannusten minimointiin) (x 1 ) (x 2 ) (x 3 ) p(x 1 ) p(x 2 ) p(x 3 ) 1850 850-650 1300 600 0 12000 10000 150 = 1850 Luento alfa 6 Sijoitusesimerkin perustiedot Kolmenlaisia päätöksentekotilanteita Päätöksenteko varmuuden vallitessa Sijoituksen arvo sijoitusjakson lopussa Päätöksenteko riskin vallitessa (x 1 ) (x 2 ) (x 3 ) p(x 1 ) p(x 2 ) p(x 3 ) 12000 11000 9500 Päätöksenteko epävarmuuden vallitessa 11400 10700 10100 Luento alfa 8 Luento alfa 10

Päätöksenteko varmuuden vallitessa Voi sattua vain yksi asiantilał ei epävarmuutta valitaan se toimintavaihtoehto, joka tuottaa parhaan tuloksen Jos tiedetään, että tulossa on korkeasuhdanne Päätösongelma: max(1850; 1300) = 1850 Ł sijoitetaan teollisuusosakkeisiin 1 0 0 1850 850-650 1300 600 0 Päätöksenteko riskin vallitessa: odotusarvo Mikä on toimintavaihtoehdon keskimääräinen nettotuotto tai kustannus pitkällä aikavälillä? Esim. teollisuusosakkeiden tuotto-odotus: 1850 x 0,3 + 850 x 0,3 + (-650) x 0,4 = 550 tuotto jos korkeasuhdanne tuotto jos tasainen p(korkeasuhdanne) p(tasainen ) tuotto jos lama p(lama) Luento alfa 11 Luento alfa 13 Päätöksenteko riskin vallitessa Päätöksenteko riskin vallitessa Vähintään kaksi mahdollista asiantilaa sijoitusesimerkissä kolme mahdollista asiantilaa - korkeasuhdanne - tasainen - lama Asiantilojen todennäköisyydet tunnetaan korkeasuhdanteen todennäköisyys 0,3 tasaisen n todennäköisyys 0,3 laman todennäköisyys 0,4 Päätöksenteossa voidaan käyttää odotusarvokriteeriä paras vaihtoehto: suurin nettotuoton odotusarvo Päätösongelma: max(550; 570) = 570 Ł sijoitetaan osakerahastoon 0,3 0,3 0,4 Tuoton odotusarvo 1850 850-650 550 1300 600 0 570 Luento alfa 12

Täydellisen informaation arvo Kuinka paljon päätöksentekijän kannattaa maksaa tiedosta, joka kertoo varmuudella, mikä asiantila toteutuu? Sovellusalue: päätöksenteko riskin vallitessa 1. Lasketaan tuoton odotusarvo annetuilla todennäköisyyksillä: EV imperfect 2. Lasketaan tuoton odotusarvo, kun tiedetään, mikä asiantila tapahtuu: EV perfect 3. Täydellisen informaation arvo: EV perfect - EV imperfect Päätöksenteko epävarmuuden vallitessa Vähintään kaksi mahdollista asiantilaa sijoitusesimerkissä kolme mahdollista asiantilaa - korkeasuhdanne - tasainen - lama Vähintään kahden asiantilan todennäköisyyksiä ei tunneta korkeasuhdanteen todennäköisyys? tasaisen n todennäköisyys? laman todennäköisyys? Päätöksenteossa käytettävä kuitenkin jotain kriteeriä Luento alfa 15 Luento alfa 17 Täydellisen informaation arvo: esimerkki EV imperfect = max(550; 570) = 570 EV perfect = 1850 x 0,3 + 850 x 0,3 + 0 x 0,4 = 810 Täydellisen informaation arvo: EV perfect - EV imperfect = 810 570 = 240 0,3 0,3 0,4 Odotusarvo 1850 850-650 550 1300 600 0 570 Päätöksenteon kriteereitä Pessimistin kriteeri eli maximin-kriteeri Optimistin kriteeri eli maximax-kriteeri Laplacen kriteeri Harmin minimointi -kriteeri (minimax) Luento alfa 18

Pessimistin kriteeri eli maximin Pessimistin oletus: luonto on aina pahansuopa asiantiloista toteutuu aina tehdyn päätöksen kannalta huonoin vaihtoehto Valitaan toimintavaihtoehto, jonka huonoin mahdollinen tulos on mahdollisimman hyvä (maximin) Hyvä kriteeri, jos ei ole varaa olla väärässä Pessimistin kriteeri eli maximin: kritiikkiä Pessimistin lähtöoletus epärealistinen lähtöoletus: asiantiloista toteutuu aina tehdyn päätöksen kannalta huonoin vaihtoehto Saatavissa olevasta informaatiosta käytetään vain pieni osa (vrt. payoff-taulukko) Valituksi tulleen vaihtoehdon järkevyys joissakin tapauksissa kyseenalainen Vaihtoehdot Minimituotto N 1 N 2 N 3 S 1 25 3-1 -1 S 2 20 10 0 0 S 3 4 4 4 4 Luento alfa 19 Pessimistin kriteeri eli maximin: esimerkki Päätösongelma: max(min(1850; 850; -650); min(1300; 600; 0)) = max(-650 ; 0) = 0 Ł sijoitetaan osakerahastoon Minimituotto??? 1850 850-650 -650 1300 600 0 0 Optimistin kriteeri eli maximax Optimistin oletus: asiat kääntyvät aina parhain päin asiantiloista toteutuu aina tehdyn päätöksen kannalta paras vaihtoehto Valitaan toimintavaihtoehto, jonka paras mahdollinen tulos on mahdollisimman hyvä (maximax) Hyvä kriteeri, jos tavoitellaan mahdollisimman suurta voittoa eikä ole katastrofi, jos voittoa ei tule Luento alfa 22

Optimistin kriteeri eli maximax: esimerkki Päätösongelma: max(max(1850; 850; -650); max(1300; 600; 0)) = max(1850 ; 1300) = 1850 Ł sijoitetaan teollisuusosakkeisiin Maksimituotto??? 1850 850-650 1850 1300 600 0 1300 Laplacen kriteeri Realistinen lähtöoletus koska asiantilojen sattumistodennäköisyyksiä ei tunneta, oletetaan, että kaikki asiantilat voivat sattua yhtä suurella todennäköisyydellä: p(x i ) = 1/N (N = asiantilojen lukumäärä) Valitaan toimintavaihtoehto, jonka odotusarvo on paras Luento alfa 25 Optimistin kriteeri eli maximax: kritiikkiä Laplacen kriteeri: esimerkki Optimistin lähtöoletus epärealistinen lähtöoletus: asiantiloista toteutuu aina tehdyn päätöksen kannalta paras vaihtoehto Saatavissa olevasta informaatiosta käytetään vain pieni osa (vrt. payoff-taulukko). Valituksi tulleen vaihtoehdon järkevyys joissakin tapauksissa kyseenalainen Vaihtoehdot Maksimituotto N 1 N 2 N 3 S 1 25 3-1 25 S 2 20 10 0 20 S 3 4 4 4 4 Päätösongelma: max(683,33; 633,33) = 683,33 Ł sijoitetaan teollisuusosakkeisiin 1/3 1/3 1/3 Tuoton odotusarvo 1850 850-650 683,33 1300 600 0 633,33

Harmin minimointi -kriteeri (minimax) Vasta jälkeenpäin tiedetään, mikä olisi ollut paras toimintavaihtoehto Päätöksentekijää harmittaa, jos hän valitsi jonkin muun kuin parhaan vaihtoehdon Oletus: harmin määrä on suoraan verrannollinen parhaan ja valitun vaihtoehdon tuottojen erotukseen Harmin minimointi -kriteeri (minimax): esim. Päätösongelma: min(max(0; 0; 650); max(550; 250; 0)) = min(650; 550) = 550 Ł sijoitetaan osakerahastoon Maksimiharmi 0 0 650 650 550 250 0 550 Luento alfa 27 Harmin minimointi -kriteeri (minimax): esim. 1850 850-650 1300 600 0 Paras kriteeri? Eri kriteereillä tehdyt valinnat voivat päätyä eri ratkaisuihin Parasta kriteeriä ei ole olemassa kriteerin valinta riippuu päätöstilanteesta ja päätöksentekijästä Harmitaulukko (harmimatriisi) 1850 1300 = 550 0 0 650 550 250 0 Luento alfa 28 Luento alfa 30

Yleistä päätöspuista Graafinen apuväline Sovellusalue: päätöksenteko riskin vallitessa Analysointi perustuu useimmiten tuoton tai kustannusten odotusarvoon. Päätöspuiden käyttö on erityisen hyödyllistä, jos on analysoitava useita peräkkäisiä, toisiinsa liittyviä päätöksiä Esimerkki: Päätöspuun piirtäminen 1/5 1. Hahmota päätöstilanne 0,3 0,3 0,4 1850 850-650 1300 600 0 Luento alfa 32 Päätöspuun elementit Päätöspuun piirtäminen 2/5 2. Merkitse päätös- ja sattumatilanteet aikajärjestyksessä vasemmalta oikealle päätössolmut 1. Sijoituspäätös lopetussolmut haarat sattumasolmut 2. Sattuma: taloussuhdanne Luento alfa 35

Päätöspuun piirtäminen 3/5 3. Merkitse sattumasolmujen haarojen todennäköisyydet esim. haarojen yläpuolelle Päätöspuun piirtäminen 5/5 5. Laske jokaisen lopetussolmun kokonaistuotto/kustannus laske yhteen lopetussolmuun johtavien haarojen tuotot ja kustannukset Esim. -10100 + 10100 = 0 Luento alfa 36 Luento alfa 38 Päätöspuun piirtäminen 4/5 Päätöspuun ratkaiseminen 1/4 4. Merkitse haaroihin liittyvät kustannukset ja tuotot esim. haarojen alapuolelle 1. Laske solmujen odotusarvot lopusta alkuun lopetussolmut: solmun odotusarvo = haaran tuotto/kustannus Luento alfa 37 Luento alfa 39

Päätöspuun ratkaiseminen 2/4 Päätöspuun ratkaiseminen 4/4 sattumasolmut: solmun odotusarvo lasketaan odotusarvon kaavalla. 2. Analysoi optimaalinen toimintastrategia esimerkki: 1850 x 0,3 + 850 x 0,3 + (-650) x 0,4 = 550 esimerkki: sijoitetaan osakerahastoon, tuotto-odotus 570 Luento alfa 40 Luento alfa 42 Päätöspuun ratkaiseminen 3/4 päätössolmut: solmun odotusarvo = parhaan haaran odotusarvo esimerkki: maksimoidaan nettotuottoja: max(550, 570) = 570 Luento alfa 41 Luento alfa 43