Páros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása
|
|
- Kristóf Magyar
- 5 évvel ezelőtt
- Látták:
Átírás
1 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 Cegléd, június 11. Inefficiency p. 1/38
2 Páros összehasonlítások Llull (1280-as és 1290-es évek) Condorcet (1785), Borda (1781) Fechner, Weber (1860) Thorndike (1920), Thurstone (1927) Saaty Analytic Hierarchy Process (AHP, 1980) Inefficiency p. 2/38
3 Páros összehasonlítás mátrix Adott n objektum w 1,w 2,w 3,...,w n súlyokkal. Definiáljuk a páros összehasonlítás mátrixot: w 1 1 w 1 w w 2 w w n w 2 w w w w w n w 3 w 3 w w 1 w w n, w n w w n w 1 w n w 2 ahol minden i, j, k indexre w ij > 0, w ij = 1 w ji, w ij = w ik w kj. Inefficiency p. 3/38
4 1 a 12 a a 1n a 21 1 a a 2n A = a 31 a a 3n a n1 a n2 a n ahol i,j = 1,...,n re, a ij > 0, a ij = 1 a ji. A feladat: w = (w 1,w 2,...,w n ) R n + súlyvektor meghatározása. Inefficiency p. 4/38
5 Sajátvektor módszer Aw = λ max w n w i = 1 i=1 (w i > 0, i = 1, 2,...,n) Inefficiency p. 5/38
6 Legkisebb négyzetek módszere min n i=1 n j=1 n w i = 1 i=1 ( a ij w i w j ) 2 w i > 0, i = 1, 2,...,n Inefficiency p. 6/38
7 Logaritmikus legkisebb négyzetek módszere min n i=1 n j=1 n w i = 1 i=1 [ log a ij log ( wi w j )] 2 w i > 0, i = 1, 2,...,n Inefficiency p. 7/38
8 Hagyományos és új kutatási irányok, alkalmazások Súlyozási módszerek Inkonzisztencia Nem teljesen kitöltött mátrixok Alkalmazások Pareto-optimalitás Inefficiency p. 8/38
9 Pareto-optimalitás A többcélú optimalizálási feladatunk: min x i > 0 i ( a ij x i x j ) i j Inefficiency p. 9/38
10 Pareto-optimalitás Legyen A = [a ij ] i,j=1,...,n egy n n-es páros összehasonlítás mátrix és w = (w 1,w 2,...,w n ) egy pozitív súlyvektor. Definíció: a w súlyvektor Pareto-optimális, ha nem létezik olyan w = (w 1,w 2,...,w n) súlyvektor, hogy a ij w i w j a ij w i w j minden 1 i,j n, esetén, és a kl w k < a kl w k valamely 1 k,l n esetén. w l w l Inefficiency p. 10/38
11 Egy Pareto-optimális súlyvektort tehát nem lehet dominálni, azaz megjavítani úgy, hogy legalább egy pozícióban jobban közelítse a döntéshozó által megadott értéket, miközben egyetlen más pozícióban sem keletkezik rosszabb közelítés. Inefficiency p. 11/38
12 Lokális Pareto-optimalitás Definíció: a w súlyvektor lokálisan Pareto-optimális, ha van olyan V (w) környezet, amelyben egyetlen w = (w 1,w 2,...,w n) súlyvektorra sem teljesül, hogy a ij w i w j a ij w i w j minden 1 i,j n, esetén, és a kl w k < a kl w k valamely 1 k,l n esetén. w l w l Inefficiency p. 12/38
13 Belső Pareto-optimalitás Definíció: a w súlyvektor belső Pareto-optimális, ha nem létezik olyan w = (w 1,w 2,...,w n) súlyvektor, hogy a ij w i w j = a ij w i w j a ij w i w j = a ij w i w j a kl w k w l = w k w l a kl w k w l = w k w l w i w j w i w j < w k w l > w k w l } minden 1 i,j n, esetén, és valamely 1 k,l n esetén. Inefficiency p. 13/38
14 Inefficiency p. 14/38
15 Pareto-optimalitás A definíciókból következik, hogy Pareto-optimalitás = lokális Pareto-optimalitás, Pareto-optimalitás = belső Pareto-optimalitás, Inefficiency p. 15/38
16 Pareto-optimalitás A definíciókból következik, hogy Pareto-optimalitás = lokális Pareto-optimalitás, Pareto-optimalitás = belső Pareto-optimalitás, valójában azonban: Tétel: A Pareto-optimalitás, a lokális Pareto-optimalitás és a belső Pareto-optimalitás ekvivalensek. Inefficiency p. 16/38
17 Pareto-optimalitás Blanquero, Carrizosa és Conde (2006) példája: A = / , w EM = 1/6 1/4 1 1/2 1/2 1/ , w = i a i3 x EM i3 x i3 a i3 x EM i3 a i3 x i Inefficiency p. 17/38
18 A = 1 4 1/9 9 1/9 1/8 1/4 1 1/8 1/4 1/7 1/ /2 1/9 4 1/ / /4 1/7 1 1/ , w EM = , w = A közelítések: X EM X , Inefficiency p. 18/38
19 A(p,q) = 1 p p p... p p 1/p 1 q /q 1/p 1/q 1 q /p q 1/p q /q 1, Állítás: Legyen p,q > 0,q 1 tetszőleges. Ekkor w EM nem Pareto-optimális. Ráadásul a fenti mátrix CR-inkonzisztenciája tetszőlegesen alacsony lehet, ha q elég közel van 1-hez. Inefficiency p. 19/38
20 A sajátvektor mint optimalizálási feladatok megoldása: Fichtner (1984) metrikája Perron és Frobenius min max és max min feladatai Inefficiency p. 20/38
21 Fichtner (1984) metrikája δ(a,b) def = n i=1 ( w EM(A) i ) w EM(B) 2 λ max (A) λ max (B) i + 2(n 1) +χ(a,b) λ max(a) + λ max (B) 2n, 2(n 1) + ahol χ(a,b) = { 0 ha A = B, 1 ha A B. Inefficiency p. 21/38
22 Tétel (Perron, Frobenius). Jelölje λ max az A n n-es páros összehasonlítás mátrix legnagyobb sajátértékét. Ekkor max w R n + min 1 i n n j=1 w i a ij w j λ max min 1 i n max w R n + n j=1 w i a ij w j ahol w = (w 1,w 2,...,w n ). Továbbá mindkét egyenlőtlenség pontosan akkor teljesül egyenlőséggel, ha w = κw EM, ahol κ tetszőleges pozitív szám. Inefficiency p. 22/38
23 Pareto-optimalitás Jelölje ε ij := min x i > 0 i w i w j a ij ( a ij x i Állítás: w akkor és csak akkor Pareto-optimális, ha bármely k,l = 1, 2,...,n, k l indexpárra w optimális megoldása az alábbi törtprogramozási feladatnak: inf x k a kl x l x i a ij x j ε ij minden (i,j) (k,l)-re x 1,x 2,...,x n > 0. x j ) i j Inefficiency p. 23/38
24 x i a ij x j ε ij x i a ij x j ε ij x j x i a ij x j + t ij ε ij x j a ij x j x i + t ij ε ij x j t ij 0 Inefficiency p. 24/38
25 ε ij := w i a ij w j Legyenek a β ij > 0 (i,j = 1, 2,...,n) szorzók tetszőlegesek. n n max β ij t ij i=1 j=1 x i (a ij + ε ij )x j + t ij 0, i,j = 1, 2,...,n x i + (a ij ε ij )x j + t ij 0, i,j = 1, 2,...,n x 1 = 1, x i 0, i = 2, 3,...,n t ij 0, i,j = 1, 2,...,n t ii = 0, i = 1, 2,...,n (LP) Változók: x i, i = 1, 2,...,n, és t ij, i,j = 1, 2,...,n. Inefficiency p. 25/38
26 ε ij := w i a ij w j n n max β ij t ij i=1 j=1 x i (a ij + ε ij )x j + t ij 0, i,j = 1, 2,...,n x i + (a ij ε ij )x j + t ij 0, i,j = 1, 2,...,n x 1 = 1, x i 0, i = 2, 3,...,n t ij 0, i,j = 1, 2,...,n t ii = 0, i = 1, 2,...,n (LP) Tétel: A fenti LP optimumértéke nemnegatív és véges. Továbbá w akkor és csak akkor Pareto-optimális, ha a fenti LP optimumértéke 0. Inefficiency p. 26/38
27 Az LP feladat megoldása, azaz w egy javítása még nem feltétlenül Pareto-optimális. Inefficiency p. 27/38
28 A logaritmizált változat min z R n ( z i z j log a ij ) i j Jelölje q i := log w i (i = 1, 2,...,n), µ ij := q i q j log a ij (i,j = 1, 2,...,n) és legyenek a ϑ ij > 0, 1 i < j n szorzók tetszőlegesek. n n max ϑ ij s ij i=1 j=i+1 z i z j log a ij µ ij + s ij 0, 1 i < j n z j z i + log a ij µ ij + s ij 0, 1 i < j n (loglp) z 1 = 0 s ij 0, 1 i < j n Változók: z i, i = 1, 2,...,n, s ij, 1 i < j n. Inefficiency p. 28/38
29 Tétel: Az alábbi állítások ekvivalensek: (1) w Pareto-optimális a ( min a ij x ) i x x i > 0 i j többcélú optimalizálási feladatban; (2) LP optimumértéke 0; (3) q = logw Pareto-optimális a i j min z R n ( z i z j log a ij ) i j többcélú optimalizálási feladatban; (4) loglp optimumértéke 0. Inefficiency p. 29/38
30 Tegyük fel, hogy w nem Pareto-optimális, és oldjuk meg a loglp feladatot, az optimális megoldást jelölje z. Meglepő módon w := expz, nem feltétlenül dominálja w-t. A következő előadásban a Pareto-optimalitás egy további karakterizációja jelenik meg. Inefficiency p. 30/38
31 A sajátvektor Pareto-optimalitása A sajátvektor biztosan nem Pareto-optimális: a korábban említett, tetszőlegesen alacsony CR-inkonzisztenciájú mátrixokra: 1 p p p... p p 1/p 1 q /q 1/p 1/q 1 q /p q 1/p q /q 1 Inefficiency p. 31/38
32 A sajátvektor Pareto-optimalitása A sajátvektor biztosan Pareto-optimális, ha a páros összehasonlítás mátrix konzisztens; 3 3-as, hiszen ekkor sajátvektor megegyezik a logaritmikus legkisebb négyzetek módszerével kapott mértani középpel; egy vagy két elem (és reciprokaik) megváltoztatásával konzisztenssé tehető ez is a következő előadás témája Inefficiency p. 32/38
33 A sajátvektor Pareto-optimalitása Nyitott kérdés: a sajátvektor Pareto-optimalitásának szükséges és elégséges feltétele. Inefficiency p. 33/38
34 Hivatkozások 1/4 Saaty, T.L. (1977): A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, 15(3): Saaty, T.L. (1980): The Analytic Hierarchy Process, McGraw-Hill, New York. Fichtner, J. (1984): Some thoughts about the Mathematics of the Analytic Hierarchy Process, Report 8403, Universität der Bundeswehr München, Fakultät für Informatik, Institut für Angewandte Systemforschung und Operations Research, Werner-Heisenberg-Weg 39, D-8014 Neubiberg, F.R.G. Inefficiency p. 34/38
35 Hivatkozások 2/4 Blanquero, R., Carrizosa, E., Conde, E. (2006): Inferring efficient weights from pairwise comparison matrices, Mathematical Methods of Operations Research 64(2): Conde, E., Pérez, M.d.l.P.R. (2010): A linear optimization problem to derive relative weights using an interval judgement matrix, European Journal of Operational Research, 201(2): Inefficiency p. 35/38
36 Hivatkozások 3/4 Bozóki, S. (2014): Inefficient weights from pairwise comparison matrices with arbitrarily small inconsistency, Optimization, 63(12): Ábele-Nagy, K., Bozóki, S. (2015): Efficiency analysis of simple perturbed pairwise comparison matrices, bírálat alatt. Ábele-Nagy, K., Bozóki, S., Rebák, Ö. (2015): Efficiency analysis of double perturbed pairwise comparison matrices, benyújtás előtt. Inefficiency p. 36/38
37 Hivatkozások 4/4 Bozóki, S., Fülöp, J. (2015): Efficient weight vectors from pairwise comparison matrices, benyújtás előtt. Inefficiency p. 37/38
38 Köszönöm a figyelmet. bozoki.sandor@sztaki.mta.hu bozoki Inefficiency p. 38/38
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
RészletesebbenBozóki 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
RészletesebbenPáros 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
RészletesebbenNéhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok
Néhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok Poesz Attila BCE Operációkutatás és Aktuáriustudományok Tanszék 2010. április 1. Poesz A. () Következetlenség 2010. április 1. 1 / 28
RészletesebbenPáros 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
Részletesebben5. 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
Részletesebben5. 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
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
RészletesebbenÚj eredmények a nem teljesen kitöltött páros összehasonlítás mátrixok témájában (2. rész)
Új eredmények a nem teljesen kitöltött páros összehasonlítás mátrixok témájában (2. rész) A módszertan alkalmazása a 2010-es sakkolimpia eredményeire Csató László laszlo.csato@uni-corvinus.hu Budapesti
RészletesebbenOpkut 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
RészletesebbenBozóki 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
RészletesebbenOptimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben
Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges
RészletesebbenDöntéselőkészítés. 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
RészletesebbenA Condorcet-paradoxon egy valószínűségi modellje
A Condorcet-paradoxon egy valószínűségi modellje Bozóki Sándor 1,2, Csató László 2, Temesi József 2 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 2013. június 11. p. 1/24 Intranzitív dobókockák A valószínűségi
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
RészletesebbenBevezetés 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.
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenAnalitikus 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...
RészletesebbenBudapesti Corvinus Egyetem. Közgazdaságtani Ph.D. Program
Budapesti Corvinus Egyetem Közgazdaságtani Ph.D. Program SÚLYOZÁS PÁROS ÖSSZEHASONLÍTÁSSAL ÉS ÉRTÉKELÉS HASZNOSSÁGI FÜGGVÉNYEKKEL A TÖBBSZEMPONTÚ DÖNTÉSI FELADATOKBAN Ph.D. értekezés tézisgyűjtemény Bozóki
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenDualitás 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
Részletesebben1/ 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 +
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenA 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
RészletesebbenA szemidefinit programozás alkalmazásai a kombinatorikus optimalizálásban című jegyzetemhez
Kiegészítések az A szemidefinit programozás alkalmazásai a kombinatorikus optimalizálásban című jegyzetemhez Ujvári Miklós Utolsó módosítás: 2011 szeptember A 4.25 Megjegyzés mögé beszúrandó (4.26-ból
RészletesebbenSzámítógépes 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
RészletesebbenTöbbszempontú 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
RészletesebbenAlap 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
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenSzinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35
Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek
RészletesebbenDöntési módszerek és alternatív sakkeredmények
Döntési módszerek és alternatív sakkeredmények Csató László Budapesti Corvinus Egyetem Közgazdaságtudományi Kar Operációkutatás és Aktuáriustudományok Tanszék 2011. október 14. Összefoglaló A tanulmány
RészletesebbenMátrixok 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
RészletesebbenOpponensi 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
Részletesebbenegyenlőtlenségnek kell teljesülnie.
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenMérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
RészletesebbenOktatási Hivatal. 1 pont. A feltételek alapján felírhatók az. összevonás után az. 1 pont
Oktatási Hivatal Öt pozitív egész szám egy számtani sorozat első öt eleme A sorozatnak a különbsége prímszám Tudjuk hogy az első négy szám köbének összege megegyezik az ezen öt tag közül vett páros sorszámú
Részletesebben1000 forintos adósságunkat, de csak 600 forintunk van. Egyetlen lehetőségünk, hogy a
A merész játékok stratégiája A következő problémával foglalkozunk: Tegyük fel, hogy feltétlenül ki kell fizetnünk 000 forintos adósságunkat, de csak 600 forintunk van. Egyetlen lehetőségünk, hogy a még
RészletesebbenNumerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok
Numerikus matematika Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, 2007 Lebegőpontos számok Normák, kondíciószámok Lineáris egyenletrendszerek Legkisebb négyzetes
RészletesebbenSaj 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
RészletesebbenSúlyok meghatározása páros összehasonlítás mátrixok legkisebb négyzetes közelítése alapján
Súlyok meghatározása páros összehasonlítás mátrixok legkisebb négyzetes közelítése alapján Bozóki Sándor Kivonat A páros összehasonlítások módszere a többszempontú döntési feladatok megoldásának egy lehetséges
RészletesebbenA(a; b) = 2. A(a; b) = a+b. Példák A(37; 49) = x 2x = x = : 2 x = x = x
10. osztály:nevezetes középértékek Összeállította:Keszeg ttila 1 1 számtani közép efiníció 1. (Két nemnegatív szám számtani közepe) Két nemnegatív szám számtani közepének a két szám összegének a felét
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
RészletesebbenAlgebra es sz amelm elet 3 el oad as Nevezetes sz amelm eleti probl em ak Waldhauser Tam as 2014 oszi f el ev
Algebra és számelmélet 3 előadás Nevezetes számelméleti problémák Waldhauser Tamás 2014 őszi félév Tartalom 1. Számok felbontása hatványok összegére 2. Prímszámok 3. Algebrai és transzcendens számok Tartalom
RészletesebbenSzámsorok. 1. Definíció. Legyen adott valós számoknak egy (a n ) n=1 = (a 1, a 2,..., a n,...) végtelen sorozata. Az. a n
Számsorok 1. Definíció. Legyen adott valós számoknak egy (a n ) = (a 1, a 2,..., a n,...) végtelen sorozata. Az végtelen összeget végtelen számsornak (sornak) nevezzük. Az a n számot a sor n-edik tagjának
RészletesebbenMetrikus terek, többváltozós függvények
Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész
Részletesebben1/12. 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
RészletesebbenNem teljesen kitöltött páros összehasonlítás mátrixok aggregálása
Nem teljesen kitöltött páros összehasonlítás mátrixok aggregálása Szakdolgozat Írta: Ábele-Nagy Kristóf Közgazdasági elemz mesterszak Témavezet : Bozóki Sándor, egyetemi adjunktus Operációkutatás és Aktuáriustudományok
Részletesebbenkonvergensek-e. Amennyiben igen, számítsa ki határértéküket!
1. Határértékek 1. Állapítsa meg az alábbi sorozatokról, hogy van-e határértékük, konvergensek-e. Amennyiben igen, számítsa ki határértéküket! 2 2...2 2 (n db gyökjel), lim a) lim n b) lim n (sin(1)) n,
RészletesebbenA szimplex algoritmus
. gyakorlat A szimplex algoritmus Az előző órán bevezetett feladat optimális megoldását fogjuk megvizsgálni. Ehhez új fogalmakat, és egy algoritmust tanulunk meg. Hogy az algoritmust alkalmazni tudjuk,
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenNemlineáris programozás: algoritmusok
Nemlineáris programozás: algoritmusok illes@math.elte.hu Operációkutatási Tanszék Budapest 2010. I. félév Feltétel nélküli optimalizálási feladat Feltétel nélküli optimalizálási feladat: Legyen adott az
RészletesebbenMátrixhatvány-vektor szorzatok hatékony számítása
Mátrixhatvány-vektor szorzatok hatékony számítása Izsák Ferenc ELTE TTK, Alkalmazott Analízis és Számításmatematikai Tanszék & ELTE-MTA NumNet Kutatócsoport munkatárs: Szekeres Béla János Alkalmazott Analízis
Részletesebbenút hosszát. Ha a két várost nem köti össze út, akkor legyen c ij = W, ahol W már az előzőekben is alkalmazott megfelelően nagy szám.
1 Az utazó ügynök problémája Utazó ügynök feladat Adott n számú város és a városokat összekötő utak, amelyeknek ismert a hossza. Adott továbbá egy ügynök, akinek adott városból kiindulva, minden várost
RészletesebbenA 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
Részletesebben2017. június 14, szerda
XXXII. MAGYAR OPERÁCIÓKUTATÁSI KONFERENCIA 2017. június 14, szerda 13.00 - Érkezés, regisztráció 14.00 A konferencia megnyitása 14.10-15.00 Plenáris előadás Elnök: Jordán Tibor Fleiner Tamás: Mire jók
Részletesebben11. Előadás. 1. Lineáris egyenlőség feltételek melletti minimalizálás
Optimalizálási eljárások MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2011. április 27. 1. Lineáris egyenlőség feltételek melletti minimalizálás Múlt héten nem szerepeltek
RészletesebbenTotális 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
Részletesebben352 Nevezetes egyenlôtlenségek. , az átfogó hossza 81 cm
5 Nevezetes egyenlôtlenségek a b 775 Legyenek a befogók: a, b Ekkor 9 + $ ab A maimális ab terület 0, 5cm, az átfogó hossza 8 cm a b a b 776 + # +, azaz a + b $ 88, tehát a keresett minimális érték: 88
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenOperációkutatás. 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
RészletesebbenA 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
RészletesebbenGy ur uk aprilis 11.
Gyűrűk 2014. április 11. 1. Hányadostest 2. Karakterisztika, prímtest 3. Egyszerű gyűrűk [F] III/8 Tétel Minden integritástartomány beágyazható testbe. Legyen R integritástartomány, és értelmezzünk az
RészletesebbenSHk rövidítéssel fogunk hivatkozni.
Nevezetes függvény-határértékek Az alábbiakban a k sorszámú függvény-határértékek)re az FHk rövidítéssel, a kompozíció határértékéről szóló első, illetve második tételre a KL1, illetve a KL rövidítéssel,
RészletesebbenPrincipal 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
Részletesebben1. Bázistranszformáció
1. Bázistranszformáció Transzformáció mátrixa új bázisban A bázistranszformáció képlete (Freud, 5.8.1. Tétel) Legyenek b és d bázisok V -ben, ] v V és A Hom(V). Jelölje S = [[d 1 ] b,...,[d n ] b T n n
RészletesebbenAz impulzusnyomatékok általános elmélete
Az impulzusnyomatékok általános elmélete November 27, 2006 Az elemi kvantummechanika keretében tárgyaltuk már az impulzusnyomatékot. A továbbiakban általánosítjuk az impulzusnyomaték fogalmát a kvantummechanikában
RészletesebbenTrigonometria Megoldások. 1) Oldja meg a következő egyenletet a valós számok halmazán! (12 pont) Megoldás:
Trigonometria Megoldások ) Oldja meg a következő egyenletet a valós számok halmazán! cos + cos = sin ( pont) sin cos + = + = ( ) cos cos cos (+ pont) cos + cos = 0 A másodfokú egyenlet megoldóképletével
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenDiszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (
FELADATOK A LEKÉPEZÉSEK, PERMUTÁCIÓK TÉMAKÖRHÖZ Diszkrét Matematika 4. LEKÉPEZÉSEK Értelmezési tartomány és értékkészlet meghatározása : Összefoglaló feladatgyűjtemény matematikából ( zöld könyv ): XIII.
RészletesebbenA valós számok halmaza 5. I. rész MATEMATIKAI ANALÍZIS
A valós számok halmaza 5 I rész MATEMATIKAI ANALÍZIS 6 A valós számok halmaza A valós számok halmaza 7 I A valós számok halmaza A valós számokra vonatkozó axiómák A matematika lépten-nyomon felhasználja
Részletesebben10. előadás. Konvex halmazok
10. előadás Konvex halmazok Konvex halmazok Definíció: A K ponthalmaz konvex, ha bármely két pontjának összekötő szakaszát tartalmazza. Állítás: Konvex halmazok metszete konvex. Konvex halmazok uniója
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenDiszkrét Matematika MSc hallgatók számára. 4. Előadás
Diszkrét Matematika MSc hallgatók számára 4. Előadás Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor 2012. február 28. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenAnalízis 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)
RészletesebbenAnalízis I. Vizsgatételsor
Analízis I. Vizsgatételsor Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v.0.6 RC 004 Forrás: Oláh Gábor: ANALÍZIS I.-II. VIZSGATÉTELSOR 2006-2007-/2
RészletesebbenDiszkrét 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
RészletesebbenA DÖNTÉSELMÉLET ELEMEI
A DÖNTÉSELMÉLET ELEMEI Irodalom: Temesi J., A döntéselmélet alapjai, Aula, 2002, Budapest Lawrence, J.A., Pasternack, B.A., Applied management science, John Wiley & Sons Inc. 2002 Stevenson, W. J., Operation
Részletesebben1.1. Vektorok és operátorok mátrix formában
1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. 13. Előadás
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára 13. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2009. december 7. Gráfok sajátértékei Definíció. Egy G egyszerű gráf sajátértékei az A G
RészletesebbenMatematika alapjai; Feladatok
Matematika alapjai; Feladatok 1. Hét 1. Tekintsük a,, \ műveleteket. Melyek lesznek a.) kommutativok b.) asszociativak c.) disztributívak-e a, műveletek? Melyik melyikre? 2. Fejezzük ki a műveletet a \
RészletesebbenNagy 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
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 10. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Felhívás Diszkrét matematika I. középszint 2014.
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
Részletesebben1. Az euklideszi terek geometriája
1. Az euklideszi terek geometriája Bázishoz tartozó skaláris szorzat Emékeztető Az R n vektortérbeli v = λ 2... és w = λ 1 λ n µ 1 µ 2... µ n λ 1 µ 1 +λ 2 µ 2 +...+λ n µ n. Jele v,w. v,w = v T u, azaz
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
Részletesebben4. Előadás: Erős dualitás
Optimalizálási eljárások/operációkutatás MSc hallgatók számára 4. Előadás: Erős dualitás Előadó: Hajnal Péter 2018. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét d
Részletesebben6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján
Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei
Részletesebben