Néhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Néhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok"

Átírás

1 Néhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok Poesz Attila BCE Operációkutatás és Aktuáriustudományok Tanszék április 1. Poesz A. () Következetlenség április 1. 1 / 28

2 Vázlat Probléma bemutatása Koczkodaj megközelítése, triádok külön-külön vizsgálata Új megközelítés, triádok teljes rendszerének együttes vizsgálata Egészértékű programozás Gráf reprezentáció Példa bemutatása Összegzés Poesz A. () Következetlenség április 1. 2 / 28

3 Páros összehasonlítási mátrixok alkalmazása Többszempontú döntési feladatoknál: alternatívák szempontok szerinti értékelése szempontsúlyok meghatározása csoportos döntéseknél: kompetencia-súlyok (szavazóerők) meghatározása Legfeljebb 3 elemmel konzisztenssé/közel konzisztenssé tehető mátrixok jelentősége: elírások kiszűrése döntéshozónak javítási lehetőség csökken a következetlenség szintje közel azonosnak értékelt alternatívák esetében Poesz A. () Következetlenség április 1. 3 / 28

4 Saaty-féle hányados skála:1/9,..., 9 A 1 : acél szerkezet A 2 : megerősített beton,fa állv. A 3 : megerősített beton A 4 : előre gyártott betonelemekből A 5 : beton mag merevítve A 1 A 2 A 3 A 4 A 5 A A 2 1/5 1 1/5 1/5 1/7 A 3 1/ /3 A 4 1/ /3 A 5 1/ Tulajdonságok Önmagával azonos a ii = 1, (1) Reciprocitás a ij = 1/a ji, (2) Konzisztencia a ik = a ij a jk, i,j,k (3) Inkonzisztens az a mátrix, amelyik nem konzisztens. inkonzisztencia magas nincs értelme számolni Poesz A. () Következetlenség április 1. 4 / 28

5 Koczkodaj megközelítése Alapötlet Minden A R 3 3 páros összehasonlítás mátrix konzisztenssé tehető egyetlen elemének (és reciprokának) alkalmas megváltoztatásával. A 1 A 2 A 3 A A 2 1/21 1 1/7 A 3 1/3 7 1 GD a = 21 5 = 16 CM a = = 3.2 A 1 A 2 A 3 A A 2 1/5 1 1/7 A 3 1/3 7 1 A 1 A 2 A 3 A /7 A 2 1/5 1 1/7 A 3 7/5 7 1 GD b = 3 5/7 = CM b = /7 = A 1 A 2 A 3 A A 2 1/5 1 3/5 A 3 1/3 5/3 1 GD c = 7 5/3 = 5.33 CM c = 1/7 7 5/3 = az egyes triádokról, illetve azok egy konzisztens mátrixtól vett minimális eltéréséről Nem vizsgálja a mátrix teljes triád struktúráját Poesz A. () Következetlenség április 1. 5 / 28

6 Új megközelítés Mátrix triádjainak összefüggő rendszere javítása a teljes rendszer vizsgálatával Jelölések: A R n n Ā = log A ā ij = log a ij, i, j = 1,...,n. Konzisztencia: ā ij + ā jk + ā ki = 0, i, j, k = 1,...,n. A4 A5 Kutatási irányok: 1 Gráfelmélet 2 Egészértékű programozás A3 A2 A6 A1 Poesz A. () Következetlenség április 1. 6 / 28

7 Gráf reprezentáció Gráf reprezentáció: G ={V, E} irányított gráf V ={1,...,n} a csúcspontok, E =V V pedig az élek halmaza. (i, j) E élhez az ā ij súlyt rendeljük Az (i, j, k) triád = (i, j), (j, k), (k, i) élek által alkotott kör. Az (i, j, k) triád súlya S(i,j,k)=ā ij + ā jk + ā ki A3 A4 A2 A1 Triád konzisztens ha súlya 0, ellenkező esetben pedig inkonzisztens. Konzisztencia tekintetében (i,j,k) triád azonos (i,k,j) S(i, j, k) = S(i, k, j) Az A mátrix konzisztens,ha minden triádjának 0 a súlya. Poesz A. () Következetlenség április 1. 7 / 28

8 Állítás (2) Legyen (i, j, k) egy inkonzisztens triád. Ekkor tetszőlegesl V\{i, j, k} esetén az (l, i, j), (l, j, k) és (l, k, i) triádok közül legalább az egyik inkonzisztens. Bizonyítás: S(l, i, j) + S(l, j, k) + S(l, k, i) = S(i, j, k) Mivel az (i, j, k) súlya nem nulla, a másik három triád közül legalább az egyik súlya nem nulla kell, hogy legyen. A4 A3 A1 A2 Következmény 1.: Ha A inkonzisztens, akkor G legalább n 2 inkonzisztens triádot tartalmaz. 2.: Ha A inkonzisztens, akkor tetszőleges i V esetén van G-ben inkonzisztens (i, j, k) triád. Poesz A. () Következetlenség április 1. 8 / 28

9 Állítás (3. - Egy elem megváltoztatása) Egy A inkonzisztens páros összehasonlítási mátrix pontosan akkor tehető egyetlen elemének megváltoztatásával konzisztenssé, ha a megfelelő G gráf pontosan n 2 inkonzisztens triádot tartalmaz. Ha n 4, akkor a változtatás egyértelmű. Bizonyítás: Triviális n=3, triviális, ( itt n=4 együtt n 5 Fontos..kell n=4l 1,l 2 nem lehet) 2.Áll (i, j, k) inkonz. triád + G gráf (n 2) inkonz. l V\{i, j, k} esetén az (l, i, j), (l, j, k) és (l, k, i) triádok közül pontosan egy inkonzisztens. S(i, j, k)=α előző pont Tfh.: valamely (l, i, j) inkonz. (Ábra) (l, j, k) és (l, k, i) konzisztensek: A3 ā lj + ā jk + ā kl =0 ā lk + ā ki + ā il = 0 Σ A4 A2 ā jk + ā ki =ā jl + ā li + ā ij ā ij + ā jk + ā ki = ā li + ā ij + ā jl =α A1 S(i, j, k) = S(i, j, l) = S(l, j, i) =α Poesz A. () Következetlenség április 1. 9 / 28

10 (i, j) él közös: indirekt tfh.: (i, j, k) közös él l1 V\{i, j, k}, (l 1, i, j) inkonz. (j,l 2,l 1 ) konz. 1.pont l2 V\{i, j, k}, (l 2, k, i) inkonz. (l 2, j, k) konz. ā l2 j + ā jk + ā kl2 =0 ā jl2 + ā l2 l 1 + ā l1 j = 0 Σ ā jk + ā kl2 + ā l2 l 1 + ā l1 j = 0 S(i,l2,l 1 ) = 0, S(i, j, k) =α, S(l 1, j, i) = S(l 2, i, k) = α, ezen triádok súlyait összegezve: javítás: Tfh.: ā jk + ā kl2 + ā l2 l 1 + ā l1 j = α, aholα 0 l V\{i, j, k}, (l, i, j) triád inkonz. (előző pont) S(l, i, j) = S(i, j, k) =α (2. pont) ā ij = ā ij α l, S(l, i, j) = 0 és S(i, j, k) = 0, többi triád értéke nem változott (= 0). változtatás egyértelműsége: csak az (i, j) él vesz részt mind az n 2 triádban. Poesz A. () Következetlenség április / 28

11 1. Megjegyzés. Könnyen látható, hogy annak ellenőrzése, hogy az inkonzisztens triádok száma n 2 vagy sem, O(n 3 ) művelettel végrehajtható, a feltétel teljesülése esetén pedig a módosítandó él és a módosítás mértékének meghatározása már csak O(n 2 ) műveletet igényel. Állítás (4.) Egy konzisztens páros összehasonlítási mátrix K számú elemének (és azok reciprokjainak) megváltoztatásával kapott A páros összehasonlítási mátrix G gráfjában legfeljebb K(n 2) inkonzisztens triád lehet. Akkor lesz az inkonzisztens triádok száma pontosan K(n 2), ha a megváltoztatott elemek nem szerpelnek közös triádban. Bizonyítás: A R n n konzisztens mátrix: K lépés, lépésenként max. n 2 triád súlya változik legfeljebb K(n 2) lehet G-ben Poesz A. () Következetlenség április / 28

12 Módosított elemek és azok kapcsolata Esetek k 3 elem közös triádban 2 elem közös triádban konzisztens közös triádok inkonzisztens triádok I (n 2) II (n 2) III/A (n 2)-1 III/B (n 2)-2 IV (n 2) V/A (n 2)-1 V/B (n 2)-2 VI/A (n 2)-2 VI/B (n 2)-3 VI/C (n 2)-4 VII/A (n 2)-3 VII/B (n 2)-4 VII/C (n 2)-5 VII/D (n 2)-6 VIII/A (n 2)-2 VIII/B (n 2)-3 Esetek k megváltoztatott dimenzió mátrix elemek I 1 α 12 n 3 II 2 α 12,α 34 n 4 III 2 α 12,α 13 n 4 IV 3 α 12,α 34,α 56 n 6 V 3 α 12,α 13,α 45 n 5 VI 3 α 12,α 13,α 24 n 4 VII 3 α 12,α 13,α 14 n 4 VIII 3 α 12,α 13,α 23 n 4 Példa mátrix, log(a) 0 α 12 α α 16 α 12 0 α α 26 α 13 α α α 16 α 26 α Poesz A. () Következetlenség április / 28

13 Állítás (5.=3.) Egy A inkonzisztens páros összehasonlítási mátrix pontosan akkor tehető egyetlen elemének megváltoztatásával konzisztenssé, ha a megfelelő G gráfban van olyan (i, j) él, hogy minden (l, i, j),l V\{i, j} triád súlya ugyanaz a nem nulla szám, az összes többi triád viszont konzisztens. Ha n 4, ez az (i, j) él egyértelmű. Két él módosítása két él kapcsolata független egymáshoz kapcsolódó n = 3 triviálisan végtelen sok megoldás n 4 releváns Poesz A. () Következetlenség április / 28

14 Állítás (6.) Egy A inkonzisztens páros összehasonlítási mátrix pontosan akkor tehető két elemének megváltoztatásával konzisztenssé, ha a megfelelő G gráfban az alábbi két eset valamelyike teljesül: 1 (i 1, j 1 ) és (i 2, j 2 ) független él,α 1 0 ésα 2 0, hogy (l, i 1, j 1 ), l V\{i 1, j 1 } triád súlyaα 1, (l, i 2, j 2 ),l V\{i 2, j 2 } triád súlyaα 2, az összes többi triád viszont konzisztens. 2 Van két olyan egymáshoz csatlakozó (i, j) és (j, k) él, valamint nem nullaα 1 ésα 2 szám, hogy minden (l, i, j),l V\{i, j, k} triád súlyaα 1, minden (l, j, k),l V\{i, j, k} triád súlyaα 2, az (i, j, k) triád súlyaα 1 +α 2, az összes többi triád viszont konzisztens. i k āij i1 āi1j1 j1 j ājk i2 āi2j2 j2 (a) (i1,ji), (i2,j2) függetlenek l k (b) (i, j), (j, k) csatlakozó élek Poesz A. () Következetlenség április / 28

15 āi1j1 Három elem megváltoztatása i1 āi1j1 j1 i2 āi2j2 āj1k1 k1 āk1l1 l1 j2 j1 i3 āi3j3 j3 i1 (c) 3 független él (d) 3 csatlakozó él k1 l1 āj1k1 j1 i2 āi2j2 j2 āi1l1 i1 āi1j1 j1 i1 āi1j1 j1 āi1j1 āi1k1 āj1k1 āk1i1 i1 k1 k1 (e) 1 független él (f) centrális elhelyezkedés (g) közös triádban Poesz A. () Következetlenség április / 28

16 Kevert egészértékű programozás M a lehetséges páros összehasonlítás értékek maximuma M = 2 log M, egy felső korlát n 1 n min y ij i=1 j=i+1 x ij, i, j = 1,...,n, i j, módosított mátrix elemeinek logaritmusa y ij, i, j = 1,...,n, i j, Dummy s.t. x ij + x jk + x ki = 0, 1 i< j< k n, x ij = x ji, 1 i< j n, M x ij M, 1 i< j n, 2 My ij x ij ā ij 2 My ij, 1 i< j n, y ij {0, 1}, 1 i< j n, Állítás (1.) Az MIP optimumértéke: a minimális elemszám, amivel az A konzisztenssé tehető. Legfeljebb K elem megváltoztatásával konzisztenssé tehető? Csatolandó feltétel: n 1 n y ij K i=1 j=i+1 Poesz A. () Következetlenség április / 28

17 Összehasonlítás MIP eredmény: sor oszlop régi elem új elem eltérés /5 1/ /2 1/8 1/ /2 1/8 1/2 1 A 124 = / / /2 1/8 1/2 1 GD iterációs eredmény: Iteráció sor oszlop régi elem új elem GD /7 0, /2 7/8 0, /2 7/8 0, /4 0, /5 0, /2 5/8 0, /2 5/8 0, /4 7/5 0,35 A j 124 = 1 1 1/2 1/8 1/ /2 1/8 1/ / / /2 1/8 1/ /8 1/8 7/ /8 1/8 7/8 1 A j 124 = /5 7/5 8/ /7 1 1/7 1 8/ /2 1/8 7/8 1 Poesz A. () Következetlenség április / 28

18 MIP feladat eredménye adathalmazon Valós minta Szakfolyóiratokban publikált 22 valós döntési szintuációt leíró cikkből, összesen 137 páros összehasonlítás mátrixot gyűjtöttünk össze és dolgoztunk fel. Mátrixok 1 elem 2 elem 3 elem Dimenzió száma Konzisztens módosítása módosítása módosítása és nagyobb Összesen Poesz A. () Következetlenség április / 28

19 A mintában szereplő mátrixok: A 44 R 5 5, A 6 R 6 6 és az A 76 R / A 44 = 1/ / Aj 44 = 1/3 1/2 1/2 1/ / / / /4 1/2 1/2 1/ A 6 = /7 1/7 1/7 1 1/7 2 A j 6 = 1/7 1/7 1/7 1 1/7 9/ /9 1/9 1/9 1/2 1/9 1 1/9 1/9 1/9 7/9 1/ /7 1/ / A 76 = 1 1/7 1/ /7 1/ A j 76 = 1 1/7 1/ /7 1/ /7 1/ /7 1/ / / /7 1/ /7 1/ /7 1/ /7 1/ /7 1/ Poesz A. () Következetlenség április / 28

20 60 %? Poesz A. () Következetlenség április / 28

21 További modellek és eredmények ( ) 1 a b A 3 3 = 1/a 1 c [a b c] R /b 1/c 1 CM(a, b, c) = min( 1 a a b c, 1 b b ac, 1 c c b a ). CM(A) = max{cm(a ij, a ik, a jk ) i j< k n} Bozóki S. és Rapcsák T. [2008] megmutatták, ha T(a, b, c) = max { ac, } b b ac CM(a, b, c) = 1 1 T(a, b, c) T(a, b, c) = 1 1 CM(a, b, c) Ā = log(a) esetében T(ā, b, c) = max { ā + c b, (ā + c b) }. LP megoldása: CM(A) = 1 1 exp(z opt) Bozóki, Fülöp, Koczkodaj [2010]: min z s.t. ā ij + ā jk + ā ki z, 1 i< j< k n, (ā ij + ā jk + ā ki ) z, 1 i< j< k n, Poesz A. () Következetlenség április / 28

22 II. MIP K és CM krit adott Az A mátrix maximum K elemének megváltoztatásával CM(A ) CM krit teljesül? z = log( 1 1 CM krit ) M = log(m) ā ij = log(a ij ) min n 1 n y ij i=1 j=i+1 s.t. x ij + x jk + x ki z, 1 i< j< k n, (x ij + x jk + x ki ) z, 1 i< j< k n, x ij = x ji, 1 i< j n, M x ij M, 1 i< j n, 2 My ij x ij ā ij 2 My ij, 1 i< j n, y ij {0, 1}, 1 i< j n, n 1 n y ij i=1 j=i+1 K Poesz A. () Következetlenség április / 28

23 III. MIP K adott Az A mátrix maximum K elemének megváltoztatásával min CM(A )? z változó CM(A ) = 1 1 exp(z opt) M = log(m) ā ij = log(a ij ) min z s.t. x ij + x jk + x ki z, 1 i< j< k n, (x ij + x jk + x ki ) z, 1 i< j< k n, x ij = x ji, 1 i< j n, M x ij M, 1 i< j n, 2 My ij x ij ā ij 2 My ij, 1 i< j n, y ij {0, 1}, 1 i< j n, n 1 n K y ij i=1 j=i+1 Poesz A. () Következetlenség április / 28

24 R 6 6 mátrixok, III. MIP Min CM Sorszám CM K=3 Eltérés CR 2 0,78 0,63 0,15 9,38% 3 0,61 0,61 0 3,22% 4 0,75 0,63 0,13 6,9% 5 0,36 0 0,36 0,35% 6 0,63 0,56 0,07 4,23% 7 0,7 0,62 0,08 6,42% 8 0,64 0,53 0,11 3,64% 9 0,61 0,42 0,19 2,81% 10 0,44 0,44 0 1,24% 11 0,82 0,5 0,32 7,67% 12 0,47 0,4 0,07 1,88% 13 0,81 0,72 0,09 14,7% 14 0,98 0,67 0,31 34,71% 15 0,83 0,38 0,46 5,04% 16 0,75 0,63 0,13 7,69% 17 0,78 0,56 0,22 6,32% 18 0,83 0,67 0,17 12,01% 19 0,8 0,38 0,43 6,53% 20 0,6 0,5 0,1 3,98% 21 0,43 0 0,43 0,54% 1 1/3 1/ /5 5 3 A = 5 1/ /3 5 1/ CR = 34, 71% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/ /3 1/ , A 1 = 5 1/ /3 0, 65 1/ CR = 15, 03% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/ /3 1, , A 2 = 0, 87 1/ /3 0, 34 1/ CR = 7, 29% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/ , 97 1, , A 3 = 0, 64 1/ /3 1/3 1/ CR = 4, 94% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/3 3 1 Poesz A. () Következetlenség április / 28

25 Összefoglalás Eredmények alkalmazása: elírt páros összehasonlítási elemek detektálása triád struktúra feltárása a bemutatott eszközökkel teljes triád struktúrát figyelembe vevő javító algoritmus Eredményeink: egészértékű programozási feladat felírása módosított gráf reprezentáció állítások megfogalmazása és belátása eredmények ellenőrzése valós adatokon konzisztens mátrix 1, 2, 3 elemének megváltoztatással, hány inkonzisztens triád keletkezik Poesz A. () Következetlenség április / 28

26 További kutatási irányok További inkonzisztencia mutatókra (CR, GD) felírni hasonló összefüggéseket. Kutatási eredmények más területen történő alkalmazása? párosösszehasonlítás mátrix ferdén szimmetrikus mátrix játékelmélet gazdaságstatisztika Lie-Algebra? Poesz A. () Következetlenség április / 28

27 Bozóki, S., Rapcsák, T. [2008]: On Saaty s and Koczkodaj s inconsistencies of pairwise comparison matrices, Journal of Global Optimalization 42(2), pp Bozóki, S., Fülöp, J., Koczkodaj, W.W. [2010]: LP-based consistency-driven supervision for incomplete pairwise comparison matrices, Working Paper, WP Bozóki, S., Fülöp, J., Poesz, A. [2010]: On pairwise comparison matrices that can be made consistent by modification of a few elements, Central European Journal of Operation Research (in print). DOI /s Kéri, G. [2005]: Kritériumok páros összehasonlítás mátrixokra, Szigma, 36, pp Kindler, J., Papp O. [1977]: Komplex rendszerek vizsgálata, Műszaki Könyvkiadó, Budapest. Koczkodaj, W.W [1993]: A new definition of consistency of pairwise comparisons, Mathematical and computer modelling, 18, pp Poesz, A. [2008]: A páros összehasonlítás mátrixok kritikus értékeinek detektálása, TDK dolgozat, Budapesti Corvinus Egyetem, Budapest. Poesz, A. [2008]: Tapasztalati páros összehasonlítás mátrixok inkonzisztenciájának vizsgálata, Szakdolgozat, Budapesti Corvinus Egyetem, Közgazdaságtudományi Kar, Gazdasági Döntések Tanszék, Budapest. Saaty, T.L [1980]: The analytic hierarchy process, McGraw-Hill, New-York. Poesz A. () Következetlenség április / 28

28 Köszönöm a figyelmet! Poesz A. () Következetlenség április / 28

Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel p. 1/29. Ábele-Nagy Kristóf BCE, ELTE

Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel p. 1/29. Ábele-Nagy Kristóf BCE, ELTE Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel Ábele-Nagy Kristóf BCE, ELTE Bozóki Sándor BCE, MTA SZTAKI 2010. november 4. Nem teljesen kitöltött páros

Részletesebben

Páros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása

Páros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása Páros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása Bozóki Sándor 1,2, Fülöp János 1,3 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 3 Óbudai Egyetem XXXI. Magyar Operációkutatási Konferencia

Részletesebben

Páros összehasonlítás mátrixok empirikus vizsgálata p. 1/20

Páros összehasonlítás mátrixok empirikus vizsgálata p. 1/20 Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor 1,2, Dezső Linda 3,4, Poesz Attila 2, Temesi József 2 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 3 Szegedi Tudományegyetem 4 Budapesti

Részletesebben

Páros összehasonlítás mátrixok empirikus vizsgálata. Bozóki Sándor

Páros összehasonlítás mátrixok empirikus vizsgálata. Bozóki Sándor Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor MTA SZTAKI Operációkutatás és Döntési Rendszerek Kutatócsoport Budapesti Corvinus Egyetem Operációkutatás és Aktuáriustudományok Tanszék

Részletesebben

Bozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok

Bozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok A feszítőfákból számolt súlyvektorok mértani közepének optimalitása a logaritmikus legkisebb négyzetes célfüggvényre nézve Bozóki Sándor MTA SZTAKI, Budapesti Corvinus Egyetem Vitaliy Tsyganok Laboratory

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.

Részletesebben

Diszkrét matematika 2. estis képzés

Diszkrét matematika 2. estis képzés Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

5. Analytic Hierarchy Process (AHP)

5. Analytic Hierarchy Process (AHP) 5 Analytic Hierarchy Process (AHP) (ld Temesi J: A döntéselmélet alapjai, 120-128) (Rapcsák T: Többszempontú döntési problémák I ld http://wwwoplabsztakihu/tanszek/download/ ITobbsz-dont-modszpdf) 51 Bevezetés

Részletesebben

Operációkutatás. Vaik Zsuzsanna. ajánlott jegyzet: Szilágyi Péter: Operációkutatás

Operációkutatás. Vaik Zsuzsanna. ajánlott jegyzet: Szilágyi Péter: Operációkutatás Operációkutatás Vaik Zsuzsanna Vaik.Zsuzsanna@ymmfk.szie.hu ajánlott jegyzet: Szilágyi Péter: Operációkutatás Operációkutatás Követelmények: Aláírás feltétele: foglalkozásokon való részvétel + a félév

Részletesebben

5. Analytic Hierarchy Process (AHP)

5. Analytic Hierarchy Process (AHP) 5 Analytic Hierarchy Process (AHP) (ld Temesi J: A döntéselmélet alapjai, 120-128) (Rapcsák T: Többszempontú döntési problémák I ld http://wwwoplabsztakihu/tanszek/download/ ITobbsz-dont-modszpdf) 51 Bevezetés

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

Opkut deníciók és tételek

Opkut deníciók és tételek Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét

Részletesebben

17. előadás: Vektorok a térben

17. előadás: Vektorok a térben 17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett

Részletesebben

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/ Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c

Részletesebben

1/ gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI

1/ gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI / Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI /. Legyen adott az alábbi LP-feladat: x + 4x + x 9 x + x x + x + x 6 x, x, x x + x +

Részletesebben

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/ Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c

Részletesebben

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő

Részletesebben

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat

Részletesebben

Többtényezős döntési problémák

Többtényezős döntési problémák KIPA módszer: Lépései: 1. értékelési tényezők páros elrendezése, 2. páros összehasonlítás elvégzése, 3. egyéni preferencia táblázatok felvétele, konzisztencia mutatók meghatározása, 4. aggregált preferencia

Részletesebben

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet   takach november 30. 1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű

Részletesebben

Totális Unimodularitás és LP dualitás. Tapolcai János

Totális Unimodularitás és LP dualitás. Tapolcai János Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni

Részletesebben

Döntéselőkészítés. XII. előadás. Döntéselőkészítés

Döntéselőkészítés. XII. előadás. Döntéselőkészítés XII. előadás Többszempontú döntések elmélete MAUT (Multi Attribute Utility Theory ) A többszempontú döntési feladatok megoldásának lépései: A döntési feladat felépítése: a) a cél megfogalmazása, b) az

Részletesebben

Többszempontú döntési módszerek, modellek Dr. Stettner Eleonóra

Többszempontú döntési módszerek, modellek Dr. Stettner Eleonóra Kaposvári Egyetem Gazdaságtudományi Kar Kari Tudományos Diákköri Tanács TDK módszertani kurzus 3. alkalom Többszempontú döntési módszerek, modellek Dr. Stettner Eleonóra 2016. április 4. A kurzus a Nemzeti

Részletesebben

Alap fatranszformátorok II

Alap fatranszformátorok II Alap fatranszformátorok II Vágvölgyi Sándor Fülöp Zoltán és Vágvölgyi Sándor [2, 3] közös eredményeit ismertetjük. Fogalmak, jelölések A Σ feletti alaptermek TA = (T Σ, Σ) Σ algebráját tekintjük. Minden

Részletesebben

A logaritmikus legkisebb négyzetek módszerének karakterizációi

A logaritmikus legkisebb négyzetek módszerének karakterizációi A logaritmikus legkisebb négyzetek módszerének karakterizációi Csató László laszlo.csato@uni-corvinus.hu MTA Számítástechnikai és Automatizálási Kutatóintézet (MTA SZTAKI) Operációkutatás és Döntési Rendszerek

Részletesebben

Bozóki Sándor február 16. Érzékenységvizsgálat a Promethee módszertanban p. 1/18

Bozóki Sándor február 16. Érzékenységvizsgálat a Promethee módszertanban p. 1/18 Érzékenységvizsgálat a Promethee módszertanban Bozóki Sándor 2011. február 16. Érzékenységvizsgálat a Promethee módszertanban p. 1/18 Vázlat PROMETHEE Parciális érzékenységvizsgálat egy szempontsúly változhat

Részletesebben

Analitikus hierarchia eljárás. Módszertani alapok, algoritmus és számpélda

Analitikus hierarchia eljárás. Módszertani alapok, algoritmus és számpélda Analitikus hierarchia eljárás Módszertani alapok, algoritmus és számpélda Készítette: Dr. Kiss Ferenc 2009. Tartalom Az Analitikus Hierarchia eljárás...3 Alapelvek és a szempontrendszer kialakítása...

Részletesebben

Diszkrét matematika 2. estis képzés

Diszkrét matematika 2. estis képzés Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2015. tavasz 1. Diszkrét matematika 2.C szakirány 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu Komputeralgebra Tanszék 2015. tavasz Gráfelmélet Diszkrét

Részletesebben

Diszkrét matematika 2. estis képzés

Diszkrét matematika 2. estis képzés Diszkrét matematika 2. estis képzés 2016. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

15. LINEÁRIS EGYENLETRENDSZEREK 15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a

Részletesebben

Operációkutatás vizsga

Operációkutatás vizsga Operációkutatás vizsga A csoport Budapesti Corvinus Egyetem 2007. január 9. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS

Részletesebben

Diszkrét matematika I.

Diszkrét matematika I. Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 8. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Elemi számelmélet Diszkrét matematika I. középszint

Részletesebben

Dinamikus modellek szerkezete, SDG modellek

Dinamikus modellek szerkezete, SDG modellek Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.

Részletesebben

Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27

Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27 Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek

Részletesebben

Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése

Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése Dr. Kallós Gábor 2014 2015 1 Az Ordó jelölés Azt mondjuk, hogy az f(n) függvény eleme az Ordó(g(n)) halmaznak, ha van olyan c konstans (c

Részletesebben

Opponensi vélemény. Farkas András. Közlekedési rendszerek fejlesztése és értékelése többtényezős döntési eljárások felhasználásával

Opponensi vélemény. Farkas András. Közlekedési rendszerek fejlesztése és értékelése többtényezős döntési eljárások felhasználásával Opponensi vélemény Farkas András Közlekedési rendszerek fejlesztése és értékelése többtényezős döntési eljárások felhasználásával 1. Disszertáció felépítése c. akadémiai doktori értekezéséről Az angol

Részletesebben

Algoritmuselmélet. Gráfok megadása, szélességi bejárás, összefüggőség, párosítás. Katona Gyula Y.

Algoritmuselmélet. Gráfok megadása, szélességi bejárás, összefüggőség, párosítás. Katona Gyula Y. Algoritmuselmélet Gráfok megadása, szélességi bejárás, összefüggőség, párosítás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2. előadás

Részletesebben

2017/ Szegedi Tudományegyetem Informatikai Intézet

2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 8. Előadás Bevezetés Egy olyan LP-t, amelyben mindegyik változó egészértékű, tiszta egészértékű

Részletesebben

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Vektorterek. =a gyakorlatokon megoldásra ajánlott Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,

Részletesebben

Diszkrét matematika 2.

Diszkrét matematika 2. Diszkrét matematika 2. 2018. március 9. 1. Diszkrét matematika 2. 4. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. március 9. Gráfelmélet Diszkrét

Részletesebben

Diszkrét matematika 1. estis képzés

Diszkrét matematika 1. estis képzés Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján

Részletesebben

Diszkrét matematika 1. estis képzés. Komputeralgebra Tanszék ősz

Diszkrét matematika 1. estis képzés. Komputeralgebra Tanszék ősz Diszkrét matematika 1. estis képzés 2015. ősz 1. Diszkrét matematika 1. estis képzés 6. előadás Mérai László diái alapján Komputeralgebra Tanszék 2015. ősz Elemi számelmélet Diszkrét matematika 1. estis

Részletesebben

MATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga

MATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén

Részletesebben

Gazdasági matematika II. tanmenet

Gazdasági matematika II. tanmenet Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):

Részletesebben

Algoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.

Algoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y. Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME

Részletesebben

2. Visszalépéses stratégia

2. Visszalépéses stratégia 2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:

Részletesebben

Adatbázisok* tulajdonságai

Adatbázisok* tulajdonságai Gazdasági folyamatok térbeli elemzése 4. előadás 2010. 10. 05. Adatbázisok* tulajdonságai Rendezett, logikailag összefüggő és meghatározott szempont szerint tárolt adatok és/vagy információk halmaza Az

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2017. ősz 1. Diszkrét matematika 2.C szakirány 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.

Részletesebben

Bevezetés az algebrába 2 Vektor- és mátrixnorma

Bevezetés az algebrába 2 Vektor- és mátrixnorma Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M 2016.

Részletesebben

26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA

26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA 26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA Az előző két fejezetben tárgyalt feladat általánosításaként a gráfban található összes csúcspárra szeretnénk meghatározni a legkisebb költségű utat. A probléma

Részletesebben

Diszkrét matematika 1. estis képzés

Diszkrét matematika 1. estis képzés Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján

Részletesebben

Hadamard-mátrixok Előadó: Hajnal Péter február 23.

Hadamard-mátrixok Előadó: Hajnal Péter február 23. Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus

Részletesebben

Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba

Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba I. előadás Előadó: Dr. Égertné dr. Molnár Éva Informatika Tanszék A 602 szoba Tárggyal kapcsolatos anyagok megtalálhatók: http://www.sze.hu/~egertne Konzultációs idő: (páros tan. hét) csütörtök 10-11 30

Részletesebben

Hálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék

Hálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék Hálózati Folyamok Alkalmazásai Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék Maximális folyam 7 7 9 3 2 7 source 8 4 7 sink 7 2 9 7 5 7 6 Maximális folyam feladat Adott [N, A] digráf (irányított

Részletesebben

Diszkrét matematika 2. estis képzés

Diszkrét matematika 2. estis képzés Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

Nagy Gábor  compalg.inf.elte.hu/ nagy ősz Diszkrét matematika 1. középszint 2016. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra

Részletesebben

EGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF

EGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF Összefoglaló Gráfok / EGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF Adott a G = (V, E) gráf ahol a V a csomópontok, E az élek halmaza E = {(x, y) x, y V, x y (nincs hurokél) és (x, y) = (y, x)) Jelölések:

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

Nagy Gábor  compalg.inf.elte.hu/ nagy ősz Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 6. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra

Részletesebben

Analízis előadás és gyakorlat vázlat

Analízis előadás és gyakorlat vázlat Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)

Részletesebben

Mátrixok 2017 Mátrixok

Mátrixok 2017 Mátrixok 2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4

Részletesebben

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási

Részletesebben

Adatszerkezetek II. 1. előadás

Adatszerkezetek II. 1. előadás Adatszerkezetek II. 1. előadás Gráfok A gráf fogalma: Gráf(P,E): P pontok (csúcsok) és E P P élek halmaza Fogalmak: Irányított gráf : (p 1,p 2 ) E-ből nem következik, hogy (p 2,p 1 ) E Irányítatlan gráf

Részletesebben

Gráfelmélet. I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma

Gráfelmélet. I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma Készítette: Laczik Sándor János Gráfelmélet I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma Definíció: a G=(V,E) párt egyszerű gráfnak nevezzük, (V elemeit a gráf csúcsainak/pontjainak,e elemeit

Részletesebben

Extraktív heteroazeotróp desztilláció: ökologikus elválasztási eljárás nemideális

Extraktív heteroazeotróp desztilláció: ökologikus elválasztási eljárás nemideális Ipari Ökológia pp. 17 22. (2015) 3. évfolyam, 1. szám Magyar Ipari Ökológiai Társaság MIPOET 2015 Extraktív heteroazeotróp desztilláció: ökologikus elválasztási eljárás nemideális elegyekre* Tóth András

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

Nagy Gábor  compalg.inf.elte.hu/ nagy ősz Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra

Részletesebben

Operációkutatás. Vaik Zsuzsanna. Budapest október 10. First Prev Next Last Go Back Full Screen Close Quit

Operációkutatás. Vaik Zsuzsanna. Budapest október 10. First Prev Next Last Go Back Full Screen Close Quit Operációkutatás Vaik Zsuzsanna Vaik.Zsuzsanna@ymmfk.szie.hu Budapest 200. október 10. Mit tanulunk ma? Szállítási feladat Megoldása Adott: Egy árucikk, T 1, T 2, T,..., T m termelőhely, melyekben rendre

Részletesebben

Lineáris algebra gyakorlat

Lineáris algebra gyakorlat Lineáris algebra gyakorlat 7. gyakorlat Gyakorlatvezet : Bogya Norbert 2012. március 26. Ismétlés Tartalom 1 Ismétlés 2 Koordinátasor 3 Bázistranszformáció és alkalmazásai Vektorrendszer rangja Mátrix

Részletesebben

7. Előadás. Megyesi László: Lineáris algebra, oldal. 7. előadás Elemi bázistranszformáció

7. Előadás. Megyesi László: Lineáris algebra, oldal. 7. előadás Elemi bázistranszformáció 7. Előadás Megyesi László: Lineáris algebra, 57. 61. oldal. Gondolkodnivalók Bázis, dimenzió 1. Gondolkodnivaló Legyenek a v vektor koordinátái a v 1,..., v n bázisban: (1, α 2,..., α n ). Igazoljuk, hogy

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

Nagy Gábor  compalg.inf.elte.hu/ nagy ősz Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum

Részletesebben

Algoritmizálás, adatmodellezés 1. előadás

Algoritmizálás, adatmodellezés 1. előadás Algoritmizálás, adatmodellezés 1. előadás Algoritmus-leíró eszközök Folyamatábra Irányított gráf, amely csomópontokból és őket összekötő élekből áll, egyetlen induló és befejező éle van, az induló élből

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy

Nagy Gábor  compalg.inf.elte.hu/ nagy Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék

Részletesebben

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

Nagy Gábor  compalg.inf.elte.hu/ nagy ősz Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra

Részletesebben

Algoritmuselmélet 7. előadás

Algoritmuselmélet 7. előadás Algoritmuselmélet 7. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Március 11. ALGORITMUSELMÉLET 7. ELŐADÁS 1 Múltkori

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.

Részletesebben

1/12. 3. gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI

1/12. 3. gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI / Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI Normál feladatok megoldása szimplex módszerrel / / Normál feladatok megoldása szimplex

Részletesebben

Algoritmizálás és adatmodellezés tanítása 2. előadás

Algoritmizálás és adatmodellezés tanítása 2. előadás Algoritmizálás és adatmodellezés tanítása 2. előadás Tartalom Összegzés vektorra, mátrixra Megszámolás vektorra, mátrixra Maximum-kiválasztás vektorra, mátrixra Eldöntés vektorra, mátrixra Kiválasztás

Részletesebben

Diszkrét matematika I.

Diszkrét matematika I. Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 5. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Számfogalom bővítése Diszkrét matematika I. középszint

Részletesebben

Heurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására

Heurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására Heurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására Dobjánné Antal Elvira és Vinkó Tamás Pallasz Athéné Egyetem, GAMF M szaki és Informatikai Kar Szegedi Tudományegyetem, Informatikai

Részletesebben

Diszkrét matematika 2.C szakirány

Diszkrét matematika 2.C szakirány Diszkrét matematika 2.C szakirány 2015. ősz 1. Diszkrét matematika 2.C szakirány 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2015.

Részletesebben

A szimplex algoritmus

A szimplex algoritmus A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás

Részletesebben

Saj at ert ek-probl em ak febru ar 26.

Saj at ert ek-probl em ak febru ar 26. Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre

Részletesebben

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI 4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok

Részletesebben

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu

Részletesebben

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13. Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 13. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet

Részletesebben

22. GRÁFOK ÁBRÁZOLÁSA

22. GRÁFOK ÁBRÁZOLÁSA 22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is

Részletesebben

ő ü ó ő ü ó ó ő ó ű ő ő ű ú ő ó ő ő ó ó ő ó ő ő ó ő ő ó ő ó ő ú ú ó ó ő ú ű ú ű ő ú ú ó ó ó ó ó ó ő ó ó Í ó ó ő ó ó ő ő ű ú ű ú ó ó ű ú ó ő ő ü ó ó ó ő ü ó ő ő ő ő ú ó ő ü ő ü ú ó ő ü ÍÍ ú ú ő ó ő ó ü

Részletesebben

Ütemezési modellek. Az ütemezési problémák osztályozása

Ütemezési modellek. Az ütemezési problémák osztályozása Ütemezési modellek Az ütemezési problémák osztályozása Az ütemezési problémákban adott m darab gép és n számú munka, amelyeket az 1,..., n számokkal fogunk sorszámozni. A feladat az, hogy ütemezzük az

Részletesebben

Hatékonyság 1. előadás

Hatékonyság 1. előadás Hatékonyság 1. előadás Mi a hatékonyság Bevezetés A hatékonyság helye a programkészítés folyamatában: csak HELYES programra Erőforrásigény: a felhasználó és a fejlesztő szempontjából A hatékonyság mérése

Részletesebben

Idõ-ütemterv há lók - I. t 5 4

Idõ-ütemterv há lók - I. t 5 4 lõadás:folia.doc Idõ-ütemterv há lók - I. t s v u PRT time/cost : ( Program valuation & Review Technique ) ( Program Értékelõ és Áttekintõ Technika ) semény-csomópontú, valószínûségi változókkal dolgozó

Részletesebben

n m db. szám a i R Lehet a k, vagy a α. i, α szabad index a ij két indexű mennyiség (i sor index, j oszlop index) a ib j

n m db. szám a i R Lehet a k, vagy a α. i, α szabad index a ij két indexű mennyiség (i sor index, j oszlop index) a ib j a R 1 db. szám a 1, a 2,..., a n {a i} i=1,n a i R Lehet a k, vagy a α. i, α szabad index a 11 a 12... a 1m a 21 a 22... a 2m........ a n1 a n2... a nm {a ij} i=1,n,j=1,m R a ij két indexű mennyiség (i

Részletesebben

5. Előadás. (5. előadás) Mátrixegyenlet, Mátrix inverze március 6. 1 / 39

5. Előadás. (5. előadás) Mátrixegyenlet, Mátrix inverze március 6. 1 / 39 5. Előadás (5. előadás) Mátrixegyenlet, Mátrix inverze 2019. március 6. 1 / 39 AX = B (5. előadás) Mátrixegyenlet, Mátrix inverze 2019. március 6. 2 / 39 AX = B Probléma. Legyen A (m n)-es és B (m l)-es

Részletesebben

12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor

12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor 12. előadás Egyenletrendszerek, mátrixok Dr. Szörényi Miklós, Dr. Kallós Gábor 2015 2016 1 Tartalom Matematikai alapok Vektorok és mátrixok megadása Tömbkonstansok Lineáris műveletek Mátrixok szorzása

Részletesebben

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták

Részletesebben

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió 6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V

Részletesebben