Döntési rendszerek I.

Hasonló dokumentumok
Döntési rendszerek I.

Döntési rendszerek I.

Követelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet

Követelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet

Bevezetés Standard 1 vállalatos feladatok Standard több vállalatos feladatok 2017/ Szegedi Tudományegyetem Informatikai Intézet

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet

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

GYAKORLÓ FELADATOK 4: KÖLTSÉGEK ÉS KÖLTSÉGFÜGGVÉNYEK

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 2017/

KÖZGAZDASÁGTAN I. Készítette: Bíró Anikó, K hegyi Gergely, Major Klára. Szakmai felel s: K hegyi Gergely június

Valószínűségi változók. Várható érték és szórás

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév

Mikroökonómia - 5. elıadás

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

Áttekintés LP és geometria Többcélú LP LP és egy dinamikus modell 2017/ Szegedi Tudományegyetem Informatikai Intézet

Mátrixjátékok tiszta nyeregponttal

Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA

Termeléstervezés és -irányítás Termelés és kapacitás tervezés Xpress-Mosel FICO Xpress Optimization Suite

A stratégiák összes kombinációján (X) adjunk meg egy eloszlást (z) Az eloszlás (z) szerint egy megfigyelő választ egy x X-et, ami alapján mindkét

Bevezetés az operációkutatásba A lineáris programozás alapjai

Nemlineáris programozás 2.

Közgazdaságtan - 6. elıadás

Közgazdaságtan 1. ELTE TáTK Közgazdaságtudományi Tanszék. 2. hét KERESLET, KÍNÁLAT, EGYENSÚLY

Monopolista árképzési stratégiák: árdiszkrimináció, lineáris és nem lineáris árképzés. Carlton -Perloff fejezet

2017/ Szegedi Tudományegyetem Informatikai Intézet

10. Előadás: A sztochasztikus programozás alap modelljei

Operációkutatás vizsga

A mérlegterv nem más, mint a tervidőszak utolsó napjára vonatkozóan összeállított mérleg, amely a vállalat vagyonát mutatja be kétféle vetületben,

Termelés- és szolgáltatásmenedzsment

Optimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/

Operációkutatás példatár

2. hét. 8. hét Elrejelzett igény Korábbi rendelés Készlet Rendelés beérkezés Rendelés feladás. 3. hét

Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA

Vállalati készlet-és pénzgazdálkodás

További programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás

MIKROÖKONÓMIA I. Készítette: Kőhegyi Gergely, Horn Dániel. Szakmai felelős: Kőhegyi Gergely június

MIKROÖKONÓMIA I. B. Készítette: K hegyi Gergely, Horn Dániel és Major Klára. Szakmai felel s: K hegyi Gergely június

13. A zöldborsó piacra jellemző keresleti és kínálati függvények a következők P= 600 Q, és P=100+1,5Q, ahol P Ft/kg, és a mennyiség kg-ban értendő.

Társadalmi és gazdasági hálózatok modellezése

A Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

Egyes logisztikai feladatok megoldása lineáris programozás segítségével. - bútorgyári termelési probléma - szállítási probléma

KÖZGAZDASÁGTAN II. Készítette: Lovics Gábor. Szakmai felelős: Lovics Gábor június

MUNKAGAZDASÁGTAN. Készítette: Köllő János. Szakmai felelős: Köllő János január

Piaci szerkezetek VK. Gyakorló feladatok a 4. anyagrészhez

Matematika A1a Analízis

(Independence, dependence, random variables)

Mikroökonómia. Vizsgafeladatok

Dinamikus modellek szerkezete, SDG modellek

Esettanulmányok és modellek 2

14.1.ábra: Rezervációs árak és a fogyasztói többlet (diszkrét jószág) 6. elıadás: Fogyasztói többlet; Piaci kereslet; Egyensúly

Dr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.

Mikroökonómia. Gyakorló feladatok

PIACI SZERKEZETEK BMEGT30A hét, 1. óra: Differenciált termékes Bertrand-oligopólium

A L Hospital-szabály, elaszticitás, monotonitás, konvexitás

Utolsó el adás. Wettl Ferenc BME Algebra Tanszék, Wettl Ferenc (BME) Utolsó el adás / 20

Gyakorló feladatok a Termelésszervezés tárgyhoz MBA mesterszak

Gazdasági matematika II. vizsgadolgozat, megoldással,

KÉSZLETMODELLEZÉS EGYKOR ÉS MA

ELTE TáTK Közgazdaságtudományi Tanszék KÖZGAZDASÁGTAN II. Készítette: Lovics Gábor. Szakmai felelős: Lovics Gábor június

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Ütemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Termelői magatartás elemzése

Biostatisztika VIII. Mátyus László. 19 October

Klasszikus alkalmazások

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Gauss-Seidel iteráció

Közgazdaságtan I. avagy: mikroökonómia. Dr. Nagy Benedek

FELADATOK MIKROÖKONÓMIÁBÓL

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Gazdaságpolitika Tanszék Budapesti Corvinus Egyetem

TestLine - Gazdasági és jogi ismeretek Minta feladatsor

Vannak releváns gazdasági kérdéseink és ezekre válaszolni szeretnénk.

Előadó: Dr. Kertész Krisztián

M{ZD{ CX MME_CX-5_COVER_13R1_V2.indd 1 30/01/ :56

M{ZD{ CX MME_CX-5_COVER_12R1_V2.indd 1 30/01/ :27


Alapfogalmak, alapszámítások

11. Előadás. 11. előadás Bevezetés a lineáris programozásba

Készítette: Juhász Ildikó Gabriella

A Markowitz modell: kvadratikus programozás

Online algoritmusok. Algoritmusok és bonyolultságuk. Horváth Bálint március 30. Horváth Bálint Online algoritmusok március 30.

Készítette: Fegyverneki Sándor

Közgazdasági elméletek. Dr. Karajz Sándor Gazdaságelméleti Intézet

A szimplex algoritmus

Konszolidált éves beszámoló összeállítása és elemzése

Számítógépes döntéstámogatás. Genetikus algoritmusok

MIKROÖKONÓMIA - konzultáció - Termelés és piaci szerkezetek

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

Gépi tanulás a gyakorlatban. Lineáris regresszió

1. A vállalat. 1.1 Termelés

Bevezetés az algebrába 2 Vektor- és mátrixnorma

Termékdifferenciálás és monopolisztikus verseny. Carlton -Perloff 7. fejezet

Bevezetés s a piacgazdaságba. gba. Alapprobléma. Mikroökonómia: elkülönült piaci szereplık, egyéni érdekek alapvetı piaci törvények

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

A lineáris programozás alapjai

Átírás:

Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 3. Gyakorlat

Egy újságárus 20 centért szerez be egy adott napilapot a kiadótól és 25-ért adja el. A nap végéig el nem adott újságok értéktelenné válnak. Az újságárus eddigi tapasztalata szerint napi 6-10 közötti újságot tud eladni, azonos eséllyel. Mennyit újságot vegyen a kiadótól nap elején? Két probléma merülhet fel, ha nem találja el jól a napi mennyiséget: 1 Tegyük fel, hogy 8-at rendel, csak csak 6-ot vesznek meg. Ekkor 8 20 = 160-at fizet ki a kiadónak, de csak 6 25 = 150 bevétele lesz, vagyis 10 centet bukik nap végére. 2 Ha 6-ot rendel, viszont 8-an vennének, akkor eladja a 6-ot és így 6 (25 20) = 30 profitra tesz szert, viszont hosszútávon elveszítheti azokat vásárlókat akiknek már nem tud újságot adni.

Megoldás. Legyen S = {6,7,8,9,10} a lehetséges napi keresletek. Legyen p 6 = p 7 = p 8 = p 9 = p 1 0 = 1/5 annak a valószínűsége, hogy a kereslet rendre 5,6,7,8,9 vagy 10. Az az árus i-t rendel, és j a kereslet, akkor egyrészt 20i-t fizet ki a kiadónak, másrészt 25 min(i, j) bevétele lesz az eladásokból. Ekkor a profit r ij = 25i 20i = 5i, ha i j r ij = 25j 20i, ha i j

Az alábbi táblázat mutatja az újságárus lehetséges kifizetéseit. Kereslet (vásárlók száma) Megrendelt újságok 6 7 8 9 10 6 30 30 30 30 30 7 10 35 35 35 35 8-10 15 40 40 40 9-30 -5 20 45 45 10-50 -25 0 25 50 Miért nem rendelünk 1,...,5-öt, vagy 10-nél többet? (Ld. dominancia fogalma)

Rendeljünk annyit, amely esetén min j S r ij maximális. Megrendelt újságok Legrosszabb eset Kifizetés 6 6,7,8,9,10 30 7 6 10 8 6-10 9 6-30 10 6-50 Azaz ebben az esetben 6 újságot kellene rendelni.

Rendeljünk annyit, amely esetén max j S r ij maximális. Ez a lehetséges legjobb kifizetést számítja. Megrendelt újságok Legjobb eset Kifizetés 6 6,7,8,9,10 30 7 7,8,9,10 35 8 8,9,10 40 9 9,10 45 10 10 50 Azaz ebben az esetben 10 újságot kellene rendelni. Ugyanakkor ha nem jön be az optimizmusunk, akkor 50-t is bukhatunk, ha egy nap csak 6 újságot vesznek meg.

Nézzük meg, hogy adott szcenáriók esetén mennyit bukhat az újságárus az optimális döntéshez képest. Például, ha tudná, hogy 7 újságot fognak venni, a legjobb amit tehet az, hogy 7-et rendel a kiadótól és ekkor r 77 = 35 hasza lesz. De ha csak 6-ot rendel, akkor r 67 = 30, vagyis az optimálistól vett különbözet 5. Kereslet (vásárlók száma) Készlet 6 7 8 9 10 6 30 30 = 0 35 30 = 5 40 30 = 10 45 30 = 15 50 30 = 20 7 30 10 = 20 35 35 = 0 40 35 = 10 45 35 = 10 50 35 = 15 8 30 + 10 = 40 35 15 = 20 40 40 = 0 45 40 = 5 50 40 = 10 9 30 + 30 = 60 35 + 5 = 40 40 20 = 20 45 45 = 0 50 45 = 5 10 30 + 50 = 80 35 + 25 = 60 40 0 = 40 45 25 = 20 50 50 = 0 A legrosszabb eseteket vastagon kiemeltük. A döntési kritérium értelmében válassza a legjobbat ezek közül, vagyis 6-ot vagy 7-et fog rendelni.

Nézzük meg, hogy hány megrendelt újság esetén lesz a legnagyobb a kifizetés várható értékben Megrendelt újságok 1 6 1 7 1 8 5 1 9 1 10 5 Várható kifizetés 5 (30 + 30 + 30 + 30 + 30) = 30 5 (10 + 35 + 35 + 35 + 35) = 30 ( 10 + 15 + 40 + 40 + 40) = 25 5 ( 30 5 + 20 + 45 + 45) = 25 ( 50 25 + 0 + 25 + 50) = 0 Ebben az esetben is 6 vagy 7 újság rendelés az ajánlott.

Végül nézzük meg teljesen általános esetben a problémát. Legyen c a beszerzési ár, d pedig az eladási ár (d > c), a keresletet pedig (p 1,..., p k ) eloszlás adja: Pr(x i a kereslet) = p i. Legyen X véletlen változó melyre Pr(X = x i ) = p i (azaz X a kereslet). Ekkor a várható bevétel E[(d c)x]. Tegyük fel, hogy t darab újságot rendelünk. A cél az, hogy úgy határozzuk meg t értékét, hogy a várható bevétel maximális legyen. ha t x (x 1,..., x n ) akkor ha t < x (x 1,..., x n ) akkor dx ct = c(x t) + (d c)x dt ct = (d c)(x t) + (d c)x

Látható, hogy a várható bevétel maximalizálásához a c(t x i )p i + (d c)(x i t)p i x i :t>x i x i :t x i függvényt kell minimalizálni. Az első tag az eladhatatlan újság miatti veszteséget, míg a második az elszalasztott lehetőséget tükrözi. Előfordul, hogy a kereslet egy folytonos eloszlással adott, melynek sűrűségfüggvénye f. Ekkor t-t is érdemes folytonosnak tekinteni, a minimalizálandó függvényünk pedig g(x) = c x (t z)f(z)dz + (d c) x (z t)f(z)dz. Ennek minimuma, illetve további példák: ld. Pluhár András előadás jegyzete.