Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA

Hasonló dokumentumok
Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA

Optimumkeresés számítógépen

Biomatematika 13. Varianciaanaĺızis (ANOVA)

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Hipotézis vizsgálatok

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

Bevezetés a hipotézisvizsgálatokba

Hipotézis vizsgálatok

Növényvédő szerek A B C D

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Számítógépes döntéstámogatás. Döntési modellek és technikák

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Számítógépes döntéstámogatás. Genetikus algoritmusok

Számítógépes döntéstámogatás. Statisztikai elemzés

SZÁMÍTÓGÉPES PROBLÉMAMEGOLDÁS

[Biomatematika 2] Orvosi biometria

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

11. Előadás. 11. előadás Bevezetés a lineáris programozásba

Matematikai modellek megoldása számítógéppel Solver Lingo

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Normális eloszlás paramétereire vonatkozó próbák

Döntési rendszerek I.

Biostatisztika Összefoglalás

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Klinikai és Bírósági Alkalmazások Valószínűségszámítási Modellek BREUER-LÁBADY PÉTER

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Korreláció és lineáris regresszió

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

Számítógépes döntéstámogatás. Fogalmakat is kezelni tudó számítógépes döntéstámogatás A DoctuS rendszer

EuroOffice Optimalizáló (Solver)

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Statisztika Elıadások letölthetık a címrıl

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

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

Adatok statisztikai értékelésének főbb lehetőségei

Kiváltott agyi jelek informatikai feldolgozása Statisztika - Gyakorlat Kiss Gábor IB.157.

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet

Az első számjegyek Benford törvénye

Növényvédő szerek A B C D

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet

egyetemi jegyzet Meskó Balázs

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

Biostatisztika VIII. Mátyus László. 19 October

Kísérlettervezés alapfogalmak

[Biomatematika 2] Orvosi biometria

Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József

y ij = µ + α i + e ij

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Kabos: Statisztika II. ROC elemzések Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.

Biostatisztika Összefoglalás

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Táblázatkezelés 5. - Függvények

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

Kézikönyv. Nyitott tételek átértékelése

Statisztikai módszerek 7. gyakorlat

A konfidencia intervallum képlete: x± t( α /2, df )

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat

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

Kutatásmódszertan és prezentációkészítés

Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?

Számítógépes döntéstámogatás. Bevezetés és tematika

Elemszám becslés. Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Ismertető A Solver telepítése, illetve indítása A Solver célcella módosuló cellák A feltételek általában a módosuló cellákra hivatkozó képletek.

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis

Kettőnél több csoport vizsgálata. Makara B. Gábor

SZÁMÍTÁSOK A TÁBLÁZATBAN

Alapfogalmak, alapszámítások

Statisztikai csalások és paradoxonok. Matematikai statisztika Gazdaságinformatikus MSc november 26. 1/31

3. előadás. Termelési és optimalizálási feladatok. Dr. Szörényi Miklós, Dr. Kallós Gábor

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás

Valószínűségszámítás és statisztika

Nemlineáris programozás 2.

SPSS ALAPISMERETEK. T. Parázsó Lenke

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

S Z Á L L Í T Á S I F E L A D A T

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

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

2. Előadás Projekt ütemezés. Solver használata. Salamon Júlia

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

NEMZETKÖZI KÖZGAZDASÁGTAN Kereskedelem

Matematikai statisztikai elemzések 4.

A Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása

Átírás:

SZDT-04 p. 1/30 Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu

Előadás SZDT-04 p. 2/30

SZDT-04 p. 3/30 Bevezetés Vállalkozási tevékenységünk során (általában) minél kevesebb ráfordítással szeretnénk minél nagyobb eredményt (minél több bevételt) elérni. A ráfordítást minimalizálni és az eredményt maximalizálni egyszerre nem megy. Az egyik csak a másik rovására történhet. Gazdaságossági elvek Eredményességi- vagy maximum elv (pl. termelési feladatoknál) adott erőforrások mellett eredmény max Takarékossági- vagy minimum elv (pl. szállítási feladatoknál vagy ha télen a megfelelő fűtést többféle energiahordozó segítségével is elérhetjük) adott gazdasági cél mellett ráfordítás min

SZDT-04 p. 4/30 Termelési feladat Hatféle erőforrásból négyféle terméket állít(hat)unk elő. Az egyes termékek fajlagos erőforrás szükségletét, az egyes erőforrásokból rendelkezésünkre álló készleteket, és az egyes termékek fajlagos nyereségét az alábbi táblázat tartalmazza.

SZDT-04 p. 5/30 Adjuk meg az optimális termelési programot! Mielőtt megadnánk a megoldást, írjuk át a problémát matematikai alakra. Így egyrészt könnyebb áttekinteni (ha szükséges programozni), másrészt a már rendelkezésünkre álló Excel eszköz, a Solver által kért adatokat is könnyebb így megadni. A célfüggvény itt nyereséget (eredményt) fog jelenteni, amit nyilván maximalizálni szeretnénk (maximum elv).

SZDT-04 p. 6/30 Termelési feladat megoldása Solverrel Táblázatunkat egészítsük ki néhány mezővel, amelybe egyrészt induló (nyilván nem az optimális) termelt mennyiségeket írjuk (B10:E10), Másrészt az ehhez a termelési programhoz tartozó erőforrás felhasználást adjuk meg (G3:G8), Harmadrészt pedig a megadott termelési programhoz tartozó nyereséget is felírjuk (G10). Az SZ.Ö. rövidítés a SZORZAT OSSZEG(tomb1; tomb2; tomb3;...) függvényt jelöli, amely két (vagy több) 1 n-es vagy n 1-es tömböt szoroz össze elemenként, majd a kapott szorzatokat összeadja.

A beírt összefüggések SZDT-04 p. 7/30

SZDT-04 p. 8/30 Termelési feladat A kezdő termelt mennyiségeket 1-eknek választva (helyettük írhattunk volna más számokat is), a következő értékek jelennek meg:

SZDT-04 p. 9/30 További lépések Az eszközök menüpontban található Solvert elindítva megadjuk az általa kért adatokat. Eszközök / Solver Célcella: G10 Legyen: Max Módosuló cellák: B10 : E10 Korlátozó feltételek: F3 : F8 G3 : G8 B10 : E10 0 és futtatjuk a Solvert.

SZDT-04 p. 10/30 Eredmény A legyártandó mennyiségek mellett megkapjuk azt is, hogy ehhez melyik erőforrásból mennyit használtunk fel és hogy mennyi nyereségünk van ebből.

SZDT-04 p. 11/30 Szállítási feladat Valamilyen anyagból 5 rendeltetési helyen felmerülő igényeket kell 4 telephelyről kielégítenünk. Az egyes rendeltetési helyeken felmerülő igényeket, az egyes telephelyeken rendelkezésre álló készleteket és a fajlagos szállítási költségeket az alábbi táblázat tartalmazza. Adjuk meg az optimális döntési tervet! Fel kell írnunk a matematikai modellt.

SZDT-04 p. 12/30 Beruházási feladat 5 üzem felépítéséről kell döntenünk, amelyhez mindössze egy erőforrást veszünk figyelembe. Az üzemek egy terméket állítanak elő. Az adatok

Gyakorlat SZDT-04 p. 13/30

SZDT-04 p. 14/30 Hipotézisvizsgálat Próba, teszt, szignifikancia vizsgálat Segítségével eldöntendő kérdésekre keressük a választ: Különbözik-e...? Összefügg-e...? Hat-e...? pl. Csökkenti-e egy bizonyos gyógyszer az allergiás rohamok gyakoriságát? Válasz egy minta alapján (nem teljes populáció!)

SZDT-04 p. 15/30 A hipotézisvizsgálat menete 1. Meg kell fogalmazni egy ún. nullhipotézist 2. Meg kell fogalmazni egy ellenhipotézist 3. Ki kell választani a megfelelő statisztikai próbát 4. Végre kell hajtani a próbát 5. Értelmezni kell a kapott eredményeket pl. Egy konkrét betegség kezelésének vizsgálata

SZDT-04 p. 16/30 Hipotézisvizsgálat A "Vajon nem véletlen-e?" kérdés eldöntésére alkalmas A tapasztalt különbség vagy hatás szakmailag jelentős-e, nem tudja eldönteni A különbség az új és a hagyományos kezelés között szignifikáns: túlmegy azon a mértéken, ami a véletlen számlájára lenne írható Releváns: ha szakmailag figyelemre méltó Statisztikai hipotézisvizsgálat alapgondolata: tudjuk, hogy ha a H hipotézis igaz lenne, az E esemény bekövetkezésének valószínűsége igen csekély volna. E bekövetkezett, tehát a H hipotézist elvetjük. Valószínűségszámítás szükségessége: ki kell tudnunk számolni, hogy mekkora az E esemény bekövetkezésének valószínűsége a H hipotézis igazsága esetén

SZDT-04 p. 17/30 Nullhipotézis, ellenhipotézis Nullhipotézis: régi elmélet (H 0 ) Ellenhipotézis: új elmélet (H 1 ) Egy megfigyelt minta alapján eldöntjük, hogy a nullhipotézis maradhat-e vagy új kerül a helyébe Ha a minta mindkét hipotézissel összeegyeztethető, akkor a régi elmélet marad érvényben p-érték, szignifikancia szint: egy mérőszám, amely megmutatja, hogy a megfigyelt minta mennyire erős bizonyíték a H 0 ellen, a H 1 javára

Egymintás próbák: egymintás t-teszt SZDT-04 p. 18/30

1 Alap információk a használathoz SZDT-04 p. 19/30

2 SZDT-04 p. 20/30

3 SZDT-04 p. 21/30

4 SZDT-04 p. 22/30

5 SZDT-04 p. 23/30

6 SZDT-04 p. 24/30

7 SZDT-04 p. 25/30

8 SZDT-04 p. 26/30

9 SZDT-04 p. 27/30

10 SZDT-04 p. 28/30

11 SZDT-04 p. 29/30

12 SZDT-04 p. 30/30