ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa.



Samankaltaiset tiedostot
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti)

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

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

Päätöksentekomenetelmät

Päätöksentekomenetelmät

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4

Aineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset

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

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I

811120P Diskreetit rakenteet

10. Painotetut graafit

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

Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Pinot, jonot, yleisemmin sekvenssit: kokoelma peräkkäisiä alkioita (lineaarinen järjestys) Yleisempi tilanne: alkioiden hierarkia

58131 Tietorakenteet ja algoritmit (syksy 2015) Toinen välikoe, malliratkaisut

Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta

1. Esitä rekursiivinen määritelmä lukujonolle

Valitaan alkio x 1 A B ja merkitään A 1 = A { x 1 }. Perinnöllisyyden nojalla A 1 I.

Matematiikan peruskurssi 2

LUKUTEORIA johdantoa

Graafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria

Algoritmit 1. Luento 7 Ti Timo Männikkö

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

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

811120P Diskreetit rakenteet

Diskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

Tuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta

Algoritmit 1. Luento 12 Ke Timo Männikkö

811312A Tietorakenteet ja algoritmit, , Harjoitus 7, ratkaisu

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

= 3 = 1. Induktioaskel. Induktio-oletus: Tehtävän summakaava pätee jollakin luonnollisella luvulla n 1. Induktioväite: n+1

Algoritmit 2. Luento 6 To Timo Männikkö

Tenttiin valmentavia harjoituksia

Algoritmit 2. Luento 5 Ti Timo Männikkö

Algoritmit 2. Luento 2 Ke Timo Männikkö

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin?

Algoritmit 1. Luento 12 Ti Timo Männikkö

Tietorakenteet, laskuharjoitus 7, ratkaisuja

Luku 7. Verkkoalgoritmit. 7.1 Määritelmiä

Algoritmit 1. Luento 8 Ke Timo Männikkö

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21

j(j 1) = n(n2 1) 3 + (k + 1)k = (k + 1)(k2 k + 3k) 3 = (k + 1)(k2 + 2k + 1 1)

Avainsanojen poimiminen Eeva Ahonen

(a) Kyllä. Jokainen lähtöjoukon alkio kuvautuu täsmälleen yhteen maalijoukon alkioon.

(iv) Ratkaisu 1. Sovelletaan Eukleideen algoritmia osoittajaan ja nimittäjään. (i) 7 = , 7 6 = = =

Algoritmit 2. Luento 4 Ke Timo Männikkö

Algoritmit 2. Luento 9 Ti Timo Männikkö

Harjoitus 6 ( )

Paikkatiedon käsittely 6. Kyselyn käsittely

Malliratkaisut Demot

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista

Sovellettu todennäköisyyslaskenta B

HY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 4 Ratkaisuehdotukset

Talousmatematiikan perusteet

Datatähti 2019 loppu

Yhtäpitävyys. Aikaisemmin osoitettiin, että n on parillinen (oletus) n 2 on parillinen (väite).

Määritelmä, alkuluku/yhdistetty luku: Esimerkki . c) Huomautus Määritelmä, alkutekijä: Esimerkki

T Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 12 (opetusmoniste, kappaleet )

Kysymyksiä koko kurssista?

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö

Johdatus lukuteoriaan Harjoitus 11 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Malliratkaisut Demot

Nollasummapelit ja bayesilaiset pelit

Ratkaisu. Tulkitaan de Bruijnin jonon etsimiseksi aakkostossa S := {0, 1} sanapituudelle n = 4. Neljän pituisia sanoja on N = 2 n = 16 kpl.

SEKASTRATEGIAT PELITEORIASSA

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Matematiikan tukikurssi

Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1

Satunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos

Kaikki kurssin laskuharjoitukset pidetään Exactumin salissa C123. Malliratkaisut tulevat nettiin kurssisivulle.

Algoritmit 2. Luento 2 To Timo Männikkö

AVL-puut. eräs tapa tasapainottaa binäärihakupuu siten, että korkeus on O(log n) kun puussa on n avainta

Liite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit

Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Esitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa 1. Lähdetään sieventämään epäyhtälön vasenta puolta:

Algoritmit 1. Luento 6 Ke Timo Männikkö

Algoritmit 2. Luento 13 Ti Timo Männikkö

Sovellettu todennäköisyyslaskenta B

Algoritmit 2. Luento 7 Ti Timo Männikkö

Pakkaset ja helteet muuttuvassa ilmastossa lämpötilan muutokset ja vaihtelu eri aikaskaaloissa

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

4.3. Matemaattinen induktio

Äärellisten mallien teoria

Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan erilaisia todistustekniikoita. Luentokalvoista 11, sekä voi olla apua.

ohjekortti #1 Tämä on ehto. Kun se täyttyy pelissä, seuraa tämän siirron sääntöjä.

Algoritmit 2. Luento 4 To Timo Männikkö

Algoritmit 2. Luento 12 Ke Timo Männikkö

Lineaarialgebra b, kevät 2019

Fylogeneettiset puut. Fylogeneettiset puut. UPGMA: esimerkki 2/2 UPGMA

58131 Tietorakenteet ja algoritmit Uusinta- ja erilliskoe ratkaisuja (Jyrki Kivinen)

Transkriptio:

ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus Ratkaisuehdotuksia Nämä harjoitukset liittyvät päätöspuiden rakentamiseen: varsinaista päätöksentekoa päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa. 1. Liukuhihnafirma Oy tuottaa jipposensoreita liukuhihnalla. Liukuhihnalla on kuitenkin ylikapasiteettia. Siten Liukuhihnafirma Oy pohdiskelee kokeillako tuottaa uutta tuotetta liukuhihnallaan silloin, kun jipposensoreita ei tuoteta. Vaihtoehtoja on kaksi: lämpösensori ja painesensori. Liukuhihnafirma Oy voi kokeilla tuottaa jompaa kumpaa, tai ei kumpaakaan, muttei molempia. Myyntiluvut sekä lämpö- että painesensorille ovat tiedossa, mutta on mahdollista, että liukuhihna ei pystykään tuottamaan lämpö- tai painesensoreita. Ennen kun tuottamista kokeillaan, ei voida tietää pystyykö liukuhihna tuottamaan lämpö- tai painesensoreita. Jos lämpösensoreita tuotetaan, saadaan niiden myynnistä 1.000.000=C. Painesensoreiden myynnistä saadaan vastaavasti 00.000=C. Lämpösensoreiden tuottamisyritys maksaa 100.000=C ja painesensorien tuottamisyritys maksaa 10.000=C. Jipposensoreiden myynnistä Liukuhihnafirma Oy saa.000.000=c. Piirrä Liukuhihnafirma Oy:n tilannetta kuvaava päätöspuu. Vihje: Liukuhihnafirma Oy:n mahdolliset (toisensa poissulkevat) päätökset ovat: kokeillaan tuottaa lämpösensoreita, kokeillaan tuottaa painesensoreita, ei kokeilla mitään. Liukuhihnafirma Oy kohtaa seuraavat satunnaiset, eli epävarmat, tapahtumat: jos päätetään kokeilla tuottaa lämpösensoreita, niin liukuhihna voi onnistua tuottamaan niitä, tai sitten ei, jos päätetään kokeilla tuottaa painesensoreita, niin liukuhihna voi onnistua tuottamaan niitä, tai sitten ei. Huomautus: Tässä tehtävässä ei ole vielä todennäköisyyksia, joten parasta valintaa ei voida määrätä ainakaan, jos päätössääntö on stokastinen. Voit toki halutessasi miettiä ei-stokastisia päätössääntöjä. Toinen huomautus: Tämän tehtävän ongelma voidaan mallintaa myös päätösmatriisien avulla. Tämä johtuu siitä, että ongelmassa ei ole peräkkäisiä päätöksiä, joiden välissä Lady Fortuna voisi paljastaa aivoituksiaan. 1

Ratkaisuehdotus: Kokeillaan lamposensoreita: Kokeillaan painesensoreita: 10.000 Onnistui Epaonnistui Onnistui Epaonnistui.900.000 1.900.000.90.000 1.990.000 Ei kokeilla.000.000. Seuraavassa on kuusi päätöspuuta: DT 1, DT, DT, DT, DT ja DT. Kolme päätöspuuta ovat olennaisesti samoja. Mitkä kolme? Itse asiassa päätöksenteon kannalta neljä päätöspuuta ovat samoja. Mitkä neljä? DT 1 1 0, 0, DT a 1 a 0, a 0, DT 0, 0, DT 1 0, 0,

DT 0, DT 1 0, 0, 0,0 0, a 1 Vihje: a 1, a, a,, jne. ovat vain nimikylttejä. Ne ovat vapaasti vaihdettavia. Ratkaisuehdotus: Puut DT 1, DT ja DT ovat samoja: DT :ssa on puun DT 1 peräkkäiset päätökset a 1 ja yhdistetty, ja puu DT on puu DT 1 peilattuna pystysuunnassa. Puut DT ja DT ovat keskenään olennaisesti samoja, mutta eslvästi eri puita kuin DT 1. Puu DT on päätöksenteon kannalta sama kuin puut DT 1, DT ja DT, sillä vähänkään järkevä päätöksentekijä ei ikinä valitse :sta.. Vaasan ylpistö järjestää tarjouskilpailun 1.000 tietokoneen ostamiseksi. ABC Tietokone Oy harkitsee osallistumista.tarjouskilpailuun ottaa osaa myös DEF Tietokone Oy. ABC Tietokone Oy on uusimassa tuotantoprosessiaan. Jos uusiminen onnistuu toivotusti, halpenee tietokoneiden valmistus. Valitettavasti voi myös käydä niin, että uusi tuotantoprosessi on kalliimpi kuin vanha. ABC Tietokone ei voi tietää uuden tuotantoprosessin todellisia kustannuksia käynnistämättä sitä. Jos ABC Tietokone Oy ottaa osaa tarjouskilpailuun se tekee tarjouksen 90=C, 80=C tai 70=C tietokoneelta. DEF Tietokone Oy:n tarjous on joko 1000=C, 900=C tai 800=C tietokoneelta. Jos ABC Tietokone osallistuu tarjouskilpailuun se tulee maksamaan sille 100.000=C. Nykyisellä tuotantoprosessillaan ABC Tietokone Oy voi valmistaa tietokoneen hinnalla 800=C. Uudella tuotantoprosessilla ABC Tietokone Oy voi todennäköisyydellä % valmistaa tietokoneen hinnalla 00=C, todennäköisyydellä 0% hinnalla 70=C ja todennäköisyydellä % hinnalla 80=C. Piirrä ABC Tietokone Oy:n tilannetta kuvaava päätöspuu. Vihje: Tässä on yksi tapa aloittaa ABC Tietokone Oy:n päätöspuu:

Tarjous 90: Tarjous 80: Tarjous 70: Ei tarjousta Tässä on toinen tapa aloittaa ABC Tietokone Oy:n päätöspuu: Tarjous: Ei tarjousta Voit valita yhden tavan tai toisen. Huomautus: Tässä tehtävässä ei pyydetä määräämään ABC Tietokone Oy:n optimaalista päätöstä. Ratkaisuehdotus: Rakennamme kohtalaisen ison puun. Pienempi puu saataisiin aikaan, jos DEF Tietokone Oy:n tarjous otettaisiin huomioon vain haaroina ABC voittaa tarjouskilpailun ja ABC häviää tarjouskilpailun.

?% : DEF 1.000 % : 80 0% : 70 % : 00 0.000 0 100.000 0.000 ABC 90?% : DEF 900?% :DEF 800?% : DEF 1.000 % : 80 0% : 70 % : 00 0.000 0 0.000 ABC 80?% : DEF 900 % : 80 0% : 70 % : 00 0.000 0 0.000?% : DEF 800?% : DEF 1.000 % : 80 0% : 70 % : 00 10.000 00.000 10.000 ABC 70?% : DEF 900 % : 80 0% : 70 % : 00 10.000 00.000 10.000 ABC 0 0?% : DEF 800 % : 80 0% : 70 % : 00 10.000 00.000 10.000

. Öljy-yhtiö Oy:n pitää päättää poratako öljyä paikasta P. Poraaminen maksaa 100.000=C. Jos öljyä löytyy, niin siitä saadaan.000.000=c. Öljyyhtiö Oy arvelee, että öljyn löytymisen todennäköisyys on %. Ennen varsinaista poraamista Öljy-yhtiö Oy voi palkata geologin arvioimaan paikkaa P. Geologin palkkaaminen maksaa 10.000=C. Geologi antaa todennäköisyydellä 0% suotuisan raportin. Mikäli raportti on suotuisa, löytyy öljyä paikasta P todennäköisyydellä 80%. Mikäli raportti on epäsuotuisa, löytyy öljyä paikasta P todennäköisyydellä 10%. Piirrä Öljy-yhtiö Oy:n tilannetta kuvaava päätöspuu. Vihje: Tässä on yksi tapa aloittaa Öljy-yhtiö Oy:n päätöspuu: Palkataan geologi: 10.000 Porataan: Ei porata Tässä on toinen tapa aloittaa Öljy-yhtiö Oy:n päätöspuu: Palkataan geologi: 10.000 Ei palkata geologia Voit valita yhden tavan tai toisen. Huomautus: Tässä tehtävässä ei pyydetä määräämään Öljy-yhtiö Oy:n optimaalista päätöstä. Ratkaisuehdotus: Rakennamme binäärisen puun, jossa peräkkäin kysytään neljä kyllä/ei -kysymystä. Jokaisen kysymyksen kohdalla puu (mahdollisesti) haarautuu. Kysymykset ovat:

1. Palkataanko geologi?. Onko geologin raportti suotuisa?. Porataanko?. Onko öljyä? Puu on Palkataanko geologi? Onko geologin raportti suotuisa? Porataanko? Onko oljya? 0% : On Kylla 80% : On 0% : Ei.890.000 110.000 Kylla 0% : Ei Ei Kylla 10% : On 90% : Ei 10.000.890.000 110.000 Ei 10.000 Ei Kylla % : On % : Ei.900.000 Ei 0. Päätöspuu on binäärinen, jos jokainen solmu haarautuu tasan kahteen haaraan. Esimerkiksi harjoitustehtävän päätöspuu DT on binäärinen, mutta päätöspuu DT ei ole, sillä sen juurisolmu haarautuu kolmeen haaraan. Päätöspuu on matala jos yksikään päätössolmu ei haaraudu välittömästi uudeksi päätössolmuksi, eikä yksikään sattumasolmu haaraudu välittömästi uudeksi sattumasolmuksi. Esimerkiksi harjoitustehtävän päätöspuu DT on matala, mutta päätöspuu DT 1 ei ole, sillä sen juurisolmua a 1 joka on, kuten tavallista, päätössolmu seuraa välittömästi uusi päätössolmu (a) Esitä harjoitustehtävän päätöspuut binäärisinä päätöspuina. 7

(Luonnollisesti riittää valita yksi puu samojen puiden joukosta.) (b) Osoita, että jokainen päätöspuu voidaan esittää binäärisenä päätöspuuna. (c) Esitä harjoitustehtävän päätöspuut matalina päätöspuina. (Luonnollisesti riittää valita yksi puu samojen puiden joukosta.) (d) Osoita, että jokainen päätöspuu voidaan esittää matalana päätöspuuna. Vihje kohtaan (b): Kannattaa osoittaa että jokainen n-haarautuminen niin sattuma- kuin päätöshaarautuminen voidaan jakaa kahdeksi haarautumiseksi, joista toinen on (n 1)-haarautuminen ja toinen on -haarautuminen. Väite seuraa tästä takaperoisen induktion nojalla. Vihje kohtaan (d): Kannattaa käyttää hyväksi kohtaa (b). Ratkaisuehdotus: (a) Puut DT 1, DT ja DT ovat samoja. Puu DT 1 (ja DT ) on jo valmiiksi binäärinen. Puu DT on jo valmiiksi binäärinen. Puuta DT vastaava binäärinen puu on (esimerkiksi) 0, 1,0 0, 0,0 Puuta DT vastaava binääripuu on (esimerkiksi) 1 0, 0, 1 8

(b) Jokainen päätöshaara, jossa on n haarautumista voidaan korvata kaksivaiheisella päätöshaaralla, jossa ensimmäisessä on n 1 haarautumista ja toisessa on haarautumista: a 1 a 1 a a a n 1 a n 1 a n a n 1 tai a n Iteroimalla n (n 1) (n ) saamme lopulta redusoitua päätöshaaran binäärisiksi päätöshaaroiksi. Sattumahaarat saamme redusoitua binäärisiksi sattumahaaroiksi samantapaisella rekursiivisella algoritmilla: a n p 1 p 1 p p p n 1 p n 1 +p n p n 1 p n p n 1 + p n p n p n 1 +p n (c) Puut DT 1, DT, ja DT ovat olennaisesti samoja, ja puu DT on jo valmiiksi matala. Puu DT on jo valmiiksi matala. Puu DT on jo valmiiksi matala. Puuta DT vastaava matala puu on (esimerkiksi) 0, 0, a 1 a 1 9

(d) Tämän kohdan perustelu on sama kuin kohdan (b), mutta nyt puiden muunnokset menevät vastakkaiseen suuntaan: a 1 a 1 a n 1 a n1 a n ja a n1 a n a nk a n ja a nk ja p 1 p 1 p n 1 p n1 p n p n1 p n p nk p n p nk 10

*. (Tämän tehtävän ratkaisemisesta ei saa lisäpisteitä, vaan ainoastaan mainetta ja kunniaa!) Jos halutaan soveltaa ei-stokastisia päätössääntöjä päätöspuihin, tulee varmistaa, että päätöspuu on matala: muuten tulokset saattavat olla hassuja ainakin jos noudatetaan ahnetta algoritmia, eli valitaan aina jokaisella hetkellä paras vaihtoehto kaikkien mahdollisten tulevien tapahtumien valossa. Esimerkkinä tästä pohdimme ahnetta katumuksen kaihtajan sääntöä seuraavassa päätöspuussa: 1 1 9 10 Vertaa yllä olevan puun ahnetta katumuksen kaihtajan sääntöä alla olevan puun katumuksen kaihtajan sääntöön. 1 a 1 9 10 Ratkaisuehdotus: Ei ehdotusta. Tehtävä on epäonnistunut tai pikemminkin liiankin onnistunut. Luennoija voi kysyttäessä selittää mitä tämä tarkoittaa. Missään tapauksessa tämä tehtävä ei ole kurssimateriaalia! 11