Daten
Transcription
Daten
Einführung in die Wirtschaftsinformatik VO – WS 2009 / 2010 Daten – Modelle – Steuerung Wilfried Grossmann © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Inhalt Allgemeines Vorgehensmodell – Empirische Grundlage Teil 1: Daten • Daten – – – – Daten und Information Datenerhebung Entscheidungsunterstützung Datenintegration • Datawarehouse – Definition – Aufbau – Dimensionale Daten © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Inhalt Teil 2: Modelle • Modellierungszugänge – Logische Modelle – Mathematische Modelle – Empirische Modelle • Statistische Modelle – – – – Deskriptive Modellierung Mathematische Modellierung Data Mining Beispiel: Warenkorbanalyse © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Inhalt Teil 3: Steuerung • Optimierung – Lineare Optimierung © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Teil 1: Daten © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Allgemeines Vorgehensmodell Empirische Grundlagen • Neues Wissens entsteht oft nach folgendem Schema: – Empirie: Sammlung und Organisation von Fakten (= Daten) – Modell: Formale Beschreibung der Fakten – Steuerung: Nutzung des Modells um gewisse Zielvorstellungen zu erreichen © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information • Empirie wird meist in Form von Daten dargestellt – Beispiele: Entscheidung über Marktchance eines neuen Produktes • Daten – Transaktionsdaten – Kundendaten – Wirtschaftsdaten © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information • Daten sind nur Symbole (Zahlen, Zeichenketten) – BSP: • 42 Zahl • 42 im Kontext von Hitchhikers Guide to the Universe © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information • Daten werden durch Kontext zu Information • Kontext orientiert sich vielfach an Fragestellungen (Zielsetzungen) – Wann hat Kunde letzte Transaktion getätigt? – Wie viele Kunden haben im letzten Monat wie lange Website besucht? © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information Arten von Fragestellungen • Unterscheide zwei Arten von Fragestellungen – Fragen über einen Einzelfall – Fragen über die Gesamtheiten • Der notwendige Kontext muss die Art der Fragestellung berücksichtigen: © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information Arten von Fragestellungen – Kontext Einzelfall: • • • • Einheit: An welcher Einheit wird gemessen? Attribut (Variable): Was soll gemessen werden? Messvorgang: Wie wird der Wert gemessen? Wertebereich: Welche Werte können vorkommen? – Werte sind für jede Einheit ein festes Ergebnis © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information : Arten von Fragestellungen – Kontext Gesamtheiten: • Einheit: An welcher Einheit wird gemessen? • Grundgesamtheit (Population, Universum): Welche Einheiten werden betrachtet? • Attribut (Variable): Was soll gemessen werden? • Messvorgang: Wie wird der Wert gemessen? • Wertebereich: Welche Werte können vorkommen? – Werte zeigen über die betrachteten Einheiten eine Variabilität © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information Erfassung der Information • Daten = Werte + Kontext • Bezeichnung: – – – – Werte = Daten Kontext = Metadaten (auch Daten) Kontext der Metadaten = Meta-Metadaten ….. • Wie löst man diesen unendlichen Regress? © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Daten und Information Erfassung der Information • Es reichen 4 Ebenen: – Ebene 0: Realität – Ebene 1: Daten – Ebene 2: Datenmodell (Metadaten) – Ebene 3: Metamodels (Modelle für Datenmodelle) – Ebene 4: Meta-Meta-Modelle (Methoden für andere Methoden) © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Datenerhebung • Modell der Datenerhebung muss für beide Fragestellungen geeignet sein • Statistik ist ein Modell, das dies leistet – Variabilität wir durch Wahrscheinlichkeit operational • Es gibt auch andere Modelle – Fuzzy Models © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Datenerhebung discernible units statistical units (statistical) population collectives MEASUREMENT PROCESS statistical variable (analytical) characteristic characteristic value modality scale set of characteristic values modality set set of statistical values (co-domain) GROUPING PROCESS group characteristic value grouping level of characteristic values Reality © Universität Wien, Fakultät für Informatik group modality grouping level for modalities Statistics Ausprägungsfach: Wirtschaftsinformatik Daten Entscheidungsunterstützung • Anforderungen an Daten für Entscheidungsunterstützung – Inhaltliche Anforderungen – Qualität der Daten – Beschreibung der Daten © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten: Entscheidungsunterstützung – Inhaltliche Anforderungen • • Daten sollen eine Beschreibung von Zuständen geben ⇒ nicht nur Transaktionsdaten sondern auch summarische Information Daten sollen konfigurierbar sein z.B. Aggregation oder Disaggregation nach den Bedürfnissen des Entscheidungsträgers © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Entscheidungsunterstützung – Qualität der Daten • • • Daten sollen qualitativ hochwertig sein Daten sollen aktuell sein Daten sollen bei Bedarf historische Entwicklung wiedergeben © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Entscheidungsunterstützung – Beschreibung der Daten • Bedeutung der Daten soll transparent sein, sowohl vom inhaltlichen als auch vom strukturellen Standpunkt (Metadaten) © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Datenintegration • Unterscheide zwei Modelle der Datenintegration – Data-Warehouse (klassische Datenbank): Daten werden in einem Zwischenlayer integriert – Mediatorarchitektur (Internet): Daten werden nach Bedarf zusammengeführt © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Daten Datenintegration • Data-Warehouse Architektur client client client query answer warehouse data update data server data © Universität Wien, Fakultät für Informatik update data server data update data server data Ausprägungsfach: Wirtschaftsinformatik Daten: Datenintegration • Mediatiorarchitektur client client client query answer mediator query answer server data © Universität Wien, Fakultät für Informatik query query answer server data answer server data Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse • Zentrale ist die Entkoppelung der Daten im Warehouse von den Daten des Produktionssystems • Mehrere Ebenen: – Primäres (globales) Data-Warehouse – Lokales Data-Warehouse (Data-Mart) © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Definition • Primäres (globales) Data-Warehouse • Definition (nach Inmon, 1996): – A primary or corporate data warehouse is a collection of integrated non-volatile, subject-matter oriented databases designed to support the DSS function, where each unit of data is relevant to some moment in time, it contains atomic data and lightly summarized data. • Lokales Data-Warehouse (Datamart) – Extraktion von Daten aus dem primären DataWarehouse, die üblicherweise höher aggregiert sind. © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Aufbau • Zentrale Probleme im Aufbau – Effizientes Loading von Daten in das primäre Data-Warehouse (Extraktion, Cleaning und Integration); – Inkrementeller Update der Daten im globalen Data-Warehouse. © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Datamarts Customization Corporate datawarehouse AGGREGATION CUSTOMIZATION Data-Warehouse Aufbau High level aggregation Data Archieving Integrated data Operational Data Store (ODS) INTEGRATION History Data Integration Logs, deltas and histories PREPARATION Data Cleaning Data Archieving Data sources Data Extraction © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Dimensionale Daten • Dimensionale Daten – Grundlegende für einen Data-Mart sind dimensionale Daten, die als Datenwürfel (data cube, Tabelle) dargestellt werden – Dimensionen (Achsen) des Würfels repräsentieren Klassifikationsattribute – Summary Measures sind Werte in den Zellen des Würfels © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Dimensionale Daten • Beispiel für einen Würfel: Anzahl von Betrieben in einer Region, gegliedert nach Region, Größe und Zeit year 1998 1999 1997 size 4 2 3 3 2 1 1 1 AT1 AT2 AT3 AT4 AT5 Region © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Dimensionale Daten • Dimensionen haben oft Hierarchien: – Beispiele: • Region: Land – Region – Bezirk – Gemeinde • Zeit: Jahr – Monat – Tag Stunde – Minute • Frage: Wie stellt man solche Hierarchien dar? – Star-Schema – Snowflake-Schema © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Dimensionale Daten • Starschema: Time Gegraphy Time Code Quarter Code Quarter Name Month Code Month Name Date Geography Code Region Code Region Manager State Code City Code ..... Account Sales Geography Code Time Code Account Code Product Code Dollar Amount Units Account Code Key Account Code Key Account Name Account Name Account Type Account Market © Universität Wien, Fakultät für Informatik Product Product Code Product Name Brand Code Brand Name Prod. Line Code Prod. Line Name Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Dimensionale Daten • Snowflake-Schema Account attributes Account Code AccountName KeyAccount KeyAccount Code KeyAccount Name Account Account Code KeyAccount Code Region Region Code Region Mgr SALES State State Code State Name Gegraphy Postal Code Region Code State Code City Code Postal Code Time Code Account Code Product Code Dollar Amount Units Time Time Code Quarter Code Month Code City City Code City Name Quarter Quarter Code Quarter Name Month Month Code Month Name Product Product Code Prod. Line Code Brand Code Product Product Code Product Name © Universität Wien, Fakultät für Informatik Brand Brand Code Brand Name ProdLine ProdLine Code ProdLine Name Ausprägungsfach: Wirtschaftsinformatik Data-Warehouse Dimensionale Daten Wir wollen oft in solchen Hierarchien auf und ab wandern – Bezeichnung dieser Operationen: • Rollup, Drill Down • Frage: wie verhalten sich dabei die Summary Attribute? © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Teil 2: Modelle © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Modellierungszugänge • Was ist ein Modell? – Schematische Abbildung der Wirklichkeit • Modelle sind wie Karikaturen – Sie sollen gewisse Charakteristika widerspiegeln und präzise Fragestellungen erlauben © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Modellierungszugänge • Ziel der Modellierung ist es meist Zusammenhänge deutlich machen – Logische Zusammenhänge – Mathematische Zusammenhänge – Empirische Zusammenhänge © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Modellierungszugänge Logische Modelle • Besonders geeignet zur Modellierung von Zusammenhängen zwischen einzelnen Objekten, Begriffen, Konzepten → Relationen, Logik – Mensch ist ein Lebewesen – Adresse hat eine Postleitzahl – Person wohnt an einem Ort © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Modellierungszugänge Mathematische Modelle • Besonders geeignet zur Modellierung von funktionalen Zusammenhängen zwischen Messgrößen → Formeln, Mathematik – Geschwindigkeit und zurückgelegter Weg – Ertrag des Kapitals und Zinssatz © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Modellierungszugänge Empirische Modelle • Besonders geeignet zur Modellierung von Zusammenhängen, wenn Daten mit Unsicherheit behaftet sind – Modelle für Grundgesamtheit → Statistik, Wahrscheinlichkeitsrechnung – Körpergröße und Körpergewicht – Umsatz und Gewinn – Wartezeit an einer Servicestelle © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle • Unterscheide zwei Arten von Modellen – Deskriptive Beschreibung von Zusammenhängen – Mathematische Modellierung von Zusammenhängen • Data-Warehouse liefert die Grundlage für statistische Modell – Man bezeichnet die Verwendung von statistischen Modellen in diesem Zusammenhang heute als Data Mining © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Von Daten mit Data Mining zu Wissen Data Warehouse © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle • Wesentlich ist immer die Reduktion der Komplexität der vielen Einzelfälle auf wenige charakteristische Parameter (Maßzahlen) – Mittelwert, Streuung, „Verteilung“ © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Deskriptive Modellierung • Deskriptive Modelle geben – Numerische Beschreibung – Grafische Darstellung • Zentrale Frage: Welche Beschreibung für welche Art von Information (Daten) • Wie viele Merkmale könne gleichzeitig dargestellt werden? – Beispiel: Napoleons Russlandfeldzug (Minards Map) © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Deskriptive Modellierung © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Mathematische Modellierung • Ziel der statistischen Modelle ist meist die Vorhersage bei Unsicherheit • Unterscheide: – Geplantes Vorgehen, z.B. Wirkung eines Medikamentes → Inferenzstatistik, Entscheidungstheorie – Entdecken von Zusammenhängen → Data Minining, Machine Learning © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Datamining Ausgangspunkt: Zufälliger Prozess der Daten erzeugt, z.B. Kundenverhalten Realität (alle mögliche Kundenverhalten) Realisierung (vorhandene Daten) Typisches (mittleres) Kundenverhalten © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Datamining Ausgangspunkt: Zufälliger Prozess der Daten erzeugt, z.B. Kundenverhalten Realisierung (vorhandene Daten) Realität Bester Fit an Daten für typisches Verhalten BIAS Typisches Verhalten © Universität Wien, Fakultät für Informatik Modellraum: Menge aller möglichen Vorhersagemodelle Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Warenkorbanalyse • Ziel: Finde einen Zusammenhang zwischen Produkten, die von Kunden relativ oft gekauft werden und leite daraus Marketing-Strategien ab – Bier und Chips → Fernsehzeitschrift – Milch, Eier → Brot • Problem: Große Anzahl von Produkten und dementsprechend große Anzahl von Möglichkeiten © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Warenkorbanalyse • Datenstruktur: Warenkorb 1 2 3 4 5 6 7 8 9 10 © Universität Wien, Fakultät für Informatik A 1 1 1 0 0 1 1 0 1 0 Produkt B C D 0 0 0 1 1 1 0 1 0 0 1 0 1 1 1 1 1 0 0 1 1 1 1 0 0 0 1 1 1 0 E 0 0 1 0 0 0 0 1 0 1 Ausprägungsfach: Wirtschaftsinformatik Statistische Modelle: Warenkorbanalyse • Entwicklung eines Modells – Support = Relative Häufigkeit des Auftretens einer bestimmten Produktkombination – Teile die Produkte einer Kombination mit hohem Support in zwei Teile: • Antezedenten A • Konsequenzen B © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Warenkorbanalyse • Stelle die Häufigkeiten von Antezedenten und Konsequenzen in einer Tabelle dar Konsequenzen Antezedent 1 0 1 a b 0 c d • Interpretiere diese Darstellung als Maß für die Stärke einer logische Implikation Antezedent → Konsequenzen © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Warenkorbanalyse • Beurteile die Güte der Regel durch folgende Begriffe: – Support der Regel: a T ( A ⇒ B) = a+b+c+d – Konfidenz der Regel: T ( A ⇒ B) a C ( A ⇒ B) = = T ( A) a+b © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Statistische Modelle: Warenkorbanalyse – Lift der Regel C ( A ⇒ B ) a ⋅ (a + b + c + d ) L( A ⇒ B) = = T (B) ( a + b) ⋅ ( a + c ) © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Modelle Statistische Modelle Warenkorbanalyse – Lift misst Verhältnis zwischen dem beobachteten Auftreten von Antezedent und Konsequenten und dem theoretischen Auftreten, falls keine Assoziation herrscht. • Suche Regeln mit hohem Support und hoher Konfidenz und / oder hohem Lift © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Teil 3: Steuerung © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung • Mathematische Modelle werden häufig dazu verwendet um ein „optimales Verhalten“ zu bestimmen • Dazu wird eine Zielfunktion definiert, die von Entscheidungsvariablen abhängt • Meist sind für diese Entscheidungsvariablen auch noch Nebenbedingungen zu berücksichtigen © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem Beispiel: Diätproblem – Zur Ernährung braucht man täglich eine bestimmte Menge von zwei Vitaminen A und B, die in den Nährstoffen und Obst und Milch enthalten sind. – Obst und Milch haben einen bestimmten Preis je Einheit. – Wie viele Einheiten Obst und Milch soll eine Person täglich zu sich nehmen, damit die Kosten möglichst klein sind? © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem Daten zum Beispiel Vitamingehalt je Einheit Vitamin A B Kosten je Einheit © Universität Wien, Fakultät für Informatik Obst Milch 2 4 4 2 3 2.5 Täglicher Mindestbedarf 40 50 Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem Formulierung des Diätproblems als Optimierungsaufgabe – Entscheidungsvariable x = Einheiten konsumiertes Obst y = Einheiten konsumierte Milch © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem Da es bestimmte Mindestanforderungen für die Mengen an Vitaminen gibt, müssen die Mengen die folgenden Bedingungen erfüllen 2 x + 4 y ≥ 40 4 x + 2 y ≥ 50 x ≥ 0, y ≥ 0 © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem – Die Mengen von Obst und Milch, welche diese Bedingungen erfüllen, heißt Zulässiger Bereich – Grafische Darstellung 30 25 Vitamin B 4x+2y=50 Milch 20 15 Zulässiger Bereich 10 VitaminA: 2x+4y=40 5 0 0 5 10 15 20 25 Obst © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem – Die Zielfunktion ergibt sich aus den Kosten für die konsumierten Nährstoffe z = 3x + 2.5 y – Diese Kosten sollen minimal werden © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem • Wir suchen also die Lösung folgender Aufgabe min z = 3x + 2.5 y 2 x + 4 y ≥ 40 4 x + 2 y ≥ 50 x ≥ 0, y ≥ 0 © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem – Grafische Darstellung bei 30 Geldeinheiten Kosten 30 25 Vitamin B 4x+2y=50 Milch 20 Zulässiger Bereich 15 10 Zielfunktion: Kosten 5 VitaminA: 2x+4y=40 0 0 5 10 15 20 25 Obst – Diese Kosten ergeben offensichtlich keine Zulässige Lösung © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem – Grafische Darstellung bei 50 Geldeinheiten 30 25 Vitamin B 4x+2y=50 Milch 20 Zulässiger Bereich 15 10 Zielfunktion: Kosten 5 VitaminA: 2x+4y=40 0 0 5 10 15 20 25 Obst – Diese Kosten ergeben eine zulässige Lösung, wir können aber bessere Lösungen finden © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Beispiel Diätproblem – Optimale Lösung mit Wert 42,5 Geldeinheiten bei 10 Einheiten Obst und 5 Einheiten Milch 30 25 Vitamin B 4x+2y=50 Milch 20 Zulässiger Bereich 15 10 Zielfunktion: Kosten 5 VitaminA: 2x+4y=40 0 0 5 10 15 20 25 Obst © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, allgemeines • Probleme wie dieses Beispiel heißen Lineare Programme • Fragen: – Unter welchen Bedingungen kann eine Fragestellung als lineares Programm formuliert werden? • Proportionalität, Additivität, Teilbarkeit, Determiniertheit © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, allgemeines – Wie sieht der zulässige Bereich aus, wenn es mehr als zwei Variablen gibt? • Konvexer Polyeder – Ist es immer so, dass die Lösung an einer Ecke angenommen wird? • Ja, wenn es eine Lösung gibt – Wie kann man allgemein rechnerisch diese Lösung bestimmen? • Ecken entsprechen Lösungen von linearen Gleichungen • Wir benötigen effiziente Verfahren zum Suchen von einer optimalen Ecke © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, Sensitivität • Wie verändert sich die Lösung, wenn wir die Kosten eines Produktes verändern? – Beispiel: Lösung, falls Kosten für Milch je Einheit auf 1.2 sinken 30 25 Vitamin B 4x+2y=50 Milch 20 Zulässiger Bereich 15 10 Zielfunktion: Kosten 5 VitaminA: 2x+4y=40 0 0 5 10 15 20 25 Obst © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, Sensitivität • Wie verändert sich die Lösung, wenn wir den Bedarf an Vitaminen verändern? – Beispiel: Lösung, falls Mindestbedarf an Vitamin A auf 60 Einheiten steigt. Kosten sind dann 49 Geldeinheiten 30 25 Vitamin B 4x+2y=50 Milch 20 Zulässiger Bereich 15 10 Zielfunktion: Kosten 5 VitaminA: 2x+4y=40 0 0 5 10 15 20 25 30 35 Obst © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, Dualität • Betrachtung des Problems aus der Sicht des Verkäufers von Obst und Milch: – Kunde will eigentlich Vitamine und zahlt für Vitamine – Welchen Preis kann ich im besten Fall für eine Einheit der Vitamine verlangen, damit ich nicht teurer bin als die derzeitigen Preise für Obst und Milch? © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, Dualität – Diese Frage führt zu folgendem Optimierungsproblem: max z = 40 x + 50 y 2x + 4 y ≤ 3 4 x + 2 y ≤ 2.5 x ≥ 0, y ≥ 0 – Man bezeichnet diese Aufgabe als Duale Aufgabe © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung Dualität – Die Lösung ergibt für Vitamin A einen Preis von 1/3 je Einheit und für Vitamin B einen Preis von 7/12 je Einheit. Der Wert der Lösung ist wieder 42.5. – Es liegt also ein Gleichgewicht zwischen den Kosten des Käufers und dem Ertrag des Verkäufers vor. © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Lineare Programmierung, Dualität Grafische Darstellung Preis Vitamin B 2 1.5 Preis Milch 4x+2y=2.5 1 0.5 Zielfunktion: Ertrag Zulässiger Bereich 0 0 Preis Obst: 2x+4y=3 0.5 1 1.5 2 Preis Vitamin A © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Ganzzahlige Lineare Programmierung • Ist das Verfahren auch anwendbar, wenn alle Werte ganze Zahlen sein müssen? – Nein! – Beispiel: bestimme die Lösung in den ganzen Zahlen max z = 11x − y 10 x − y ≤ 40 x + y ≤ 20 x ≥ 0, y ≥ 0 © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik Steuerung Optimierung Ganzzahlige Lineare Programmierung – Optimale Lösung : x=5, y=10 mit Wert 45 – Lösung des linearen Programms: x=5.45, y=14. 54, Wert 45.45 – Nächste ganzzahlige Lösung: x=5, y=15, Wert 40 30 25 y 20 10x-y=40 Zielfunktion: Nutzen 15 Zulässiger Bereich 10 x+y=20 5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 x © Universität Wien, Fakultät für Informatik Ausprägungsfach: Wirtschaftsinformatik