Hagyományos ütemezési technikák

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Hagyományos ütemezési technikák"

Átírás

1 Mályusz Levente

2 Hagyományos ütemezési technikák Hagyományos: CPM és MPM technika Előny: egyszerűen kezelhető, számolható Hátrány: nem kezeli a - tevékenységi idők bizonytalanságait - nincs elágazás - sorrendszámolás nincs - erőforrás kezelés nincs - a rosszul struktúrált feladatok megoldását nemsegíti

3 Speciális ütemezési technikák PERT, Monte Carlo szimuláció Idő- és költség együtt tervezése, költségtervezési feladat, Time-cost trade-off, Erőforrás allokálás (időkorlátos, erőforráskorlátos) Kritikus láncok CCPM 1997

4 PERT Program Evaluation and Review Technique 1958 Polaris rakétarendszer A tevékenység idők béta eloszlást követnek

5 A béta eloszlás. Mályusz Levente Döntéstámogató modellek

6 PERT /kiinduló adatok Adott minden tevékenységre Pesszimista érték b, optimista érték a, legvalószínűbb érték m A tevékenység idő várható értéke t, és szórása s t a 4m b 6 s 2 b a 6 2 Mályusz Levente Döntéstámogató modellek

7 Feltételezések a tevékenység idők béta eloszlást követnek a tevékenység idők egymástól függetlenek várható értékük és szórásuk számítása egyszerűsített képlettel történik az átfutási idő várható értéke a kritikus úton lévő tevékenységek várható értékének összege az átfutási idő szórásnégyzete, a kritikus úton lévő tevékenységek szórásnégyzeteinek összege a kritikus úton lévő tevékenységek száma gyakorlati szempontból elég nagy ahhoz, hogy az átfutási idő eloszlásfüggvényére feltehessük, hogy normális eloszlást követ. (A centrális határeloszlást tételt használjuk, habár az elméleti feltételek nem állnak fenn.)

8 PERT /feltevések Egy darab kritikus utat kell csak vizsgálni Az átfutási idő várható értéke az egy darab kritikus út hosszának várható értéke, A kritikus út hossza normális eloszlású, a kritikus út hosszának várható értéke az úton lévő tevékenységek várható értékének összege. (Központi határeloszlás tétel)

9 Központi határeloszlás tétel N darab független, tetszőleges eloszlású akár különböző! valószínűségi változó összegének várható értéke normális eloszlású, ha n tart a végtelenhez. (Hahn Shapiro, 1967)

10 Példa a PERT hálóra Tevékenyég a m b t s2 A - acélszerkezetek előregyártása , 2 0, 6 9 B - F e l v o n u l á s , 0 2, 7 8 C - A l a p o z á s B 1 1, 0 7, 1 1 D - S z e r k e z e t é p í t é s A, C 1 1, 3 4, 0 0 E - B e f e j e z ő m u n k á k D 1 0, 0 4, 0 0

11 PERT háló A 22,2; 0,69 D 10; 4 E 11,3; 4 B 10; 2,78 C 11; 7,11

12 Eredmények 1. Utak (az utak hossza normális eloszlású) A-D-E, Hossz várható értéke: 43,5; Szórásnégyzet 2,9 B-C-D-E A hossz várható értéke: 42,3 Szórásnégyzet: 4,2

13 Eredmények 2. (A-D-E út, a kritikus út) n a p o k s z á m a Átfutási idő z-score valósz. 35 vagy kevesebb 35-2,883 0,2% 40,6 vagy kevesebb 40,6-1,000 15,9% 41 vagy kevesebb 41,0-0,848 19,8% 42 vagy kevesebb 42,0-0,509 30,5% 43,5 vagy kevesebb 43,5 0,000 50,0% 49,4 vagy kevesebb 49,4 2,000 97,7% 50 vagy kevesebb 50,0 2,205 98,6% 55 vagy kevesebb 55,0 3, ,0%

14 Eredmények 3. (B-C-D-E út) n a p o k s z á m a Átfutási idő z-score valósz. 35 vagy kevesebb 35-1,734 4,1% 40,6 vagy kevesebb 40,6-0,421 33,7% 41 vagy kevesebb 41,0-0,315 37,6% 42 vagy kevesebb 42,0-0,079 46,9% 43,5 vagy kevesebb 43,5 0,276 60,9% 49,4 vagy kevesebb 49,4 1,670 95,3% 50 vagy kevesebb 50,0 1,813 96,5% 55 vagy kevesebb 55,0 2,995 99,9%

15 Feltételezések vizsgálata 1. A tevékenység idő béta eloszlású A tevékenységidőre vonatkozó természetesnek tűnő feltétel, hogy a pesszimista és az optimista idő is pozitív, az eloszlás unimodális. Technikai oldalról feltehetjük, hogy az eloszlás folytonos. Ebből a szempontból a béta eloszlás korrekt és ugyanezen szempontból például a normális eloszlás feltételezése nem helyénvaló. A béta eloszlás 4 paraméterrel rendelkezik, ezért a hármas időbecslés mellett negyedik feltételként általában az egyszerűsített számítást használjuk fel.

16 2. A tevékenységidők függetlenek egymástól (időjárás, a beszállító, a kivitelező) Jelenleg csak kutatási eredmények léteznek a tevékenységek közötti függőségek feltárásáról

17 3. A centrális határeloszlás tétele alkalmazható (a kritikus úton a tevékenységek száma tart a végtelenhez) A tapasztalat szerint 30 független béta eloszlású valószínűségi változó összegének eloszlása gyakorlati szempontból már nagyon közel van a normális eloszláshoz

18 Monte Carlo Szimuláció Felhasználói szempontból egyszerű Minden utat számításba vesz, nem csak a leghosszabbat A tevékenységek lehetnek függők is

19 Idő- és költségek együttes kezelése Time-cost trade-off Költségtervezési feladat Kelley J.E. és Walker M.R Fulkerson R.D. 1961

20 Time-cost trade-off (ez az eredeti modell) költség c K a c=-tg K b a t b tevékenység idő

21 Költségtervezési feladat (MPM)

22 Eredmény költség K max K min p a p b átfutási idő

23 + Közvetett költségek költség K max Közvetlen költség Közvetett költség K min p a p b átfutási idő

24 Project direct cost Project direct cost C crash max C crash opt Least cost ie. optimal curve C crash max C crash opt Least cost ie. optimal curve C normal max C normal max C normal opt C normal opt p crash p normal Project Duration (p) p min p crash p normal p max Project Dur. (p) CPM least cost scheduling project duration vs. project cost PDM least cost scheduling project duration vs. project cost

25 Erőforrás allokálás/elrendezés Időkorlátos Cél: egy előre meghatározott profilhoz illeszkedjen az erőforrás görbe (Az átfutási idő fix) Erőforrás korlátos Cél: az erőforrás egy előre meghatározott értéket nem haladhat meg. (Az átfutási idő nőhet)

26 Erőforrás allokálás / időkorlátos Erőforrások (munkaerő) A, 10 ; B, 8 ;C,9; D,9;E,9;F,10. 0 A 3 BK0 3 B 7 BK2 9 C KK0 BB1 0 D 2 KK1 1 E 3 14 F BB BB

27 napok tev. 5 A B C D E F E D E A 2 B C F 1

28 napok tev. 5 A B C D E F A Építéskivitelezési és DSzervezési Tanszék, 2 Mályusz B Levente Döntéstámogató C modellek 1 E F

29 Erőforrás allokálás / erőforrás korlátos 0 A 2 BK0 2 B 5 BK0 5 D KK0 KK0 2 C BB0 BK0 BK0 BK0 8 E

30 napok tev. 3 A B C D E C 3 2 A B D E 1 Mályusz Levente Döntéstámogató modellek

31 napok tev 3 A B C D E A B D E Mályusz Levente Döntéstámogató 1 modellek C

32 Kritikus láncok / Történeti háttér 1958 CPM, MPM 1997 Eliyahu M. Goldratt Theory of Constraints Critical Chain Miért? Mi a cél?

33 Felhasznált elvek a tevékenység idő becslése a hagyományos PERT eljárásban biztonsággal terhelt (átlag idő+- 2 szórás= 95%) A tevékenység idő becslése legyen az átlag (50%) hallgató szindróma, Parkinson törvénye M(x+z)=M(x)+M(y) D 2 (x+z)=d 2 (x)+d 2 (y) (ha függetlenek)

34 Várható érték Valószínűségi változók várható értékének az összege a változók összegének várható értéke M(út a hálóban)= =M(tev1+tev2)=M(tev1)+M(tev2)

35 Szórás (kockázat) Független valószínűségi változók szórásnégyzetének az összege a változók összegének szórásnégyzete D 2 (út a hálóban)=d 2 (tev1)+d 2 (tev2) 7 2 =

36 Standard normális eloszlás Várható érték és szórás -3szórás -2szórás -1szórás +1szórás +2szórás +3szórás 2.28% 13.59% 34.13% 34.13% 13.59% 2.28% ~ 68% ~ 95% ~ 99.7% Mályusz Levente Döntéstámogató modellek

37 Mályusz Levente

38 Matematikai előzmények 1800-es évek lineáris egyenletrendszerek megoldása 1900-as évek eleje lineáris egyenlőtlenségrendszerek megoldhatósága 1943 lineáris egyenlőtlenségrendszerek megoldása, lineáris programozás 1960-as évek nemlineáris programozási feladatok

39 Farkas Gyula Farkas Lemma There is a solution to Ax = b; x 0 if and only if for every y 0 with y T b 0, we have y T A 0.

40 A szállítási feladat Adott n darab termelő és termelési mennyiségük egyenként illetve m darab fogyasztó és fogyasztási mennyiségük egyenként. Adott c ij fajlagos szállítási költség, amelybe az egységnyi termék szállítása kerül, ha azt az i-edik termelőtől a j-edik fogyasztóhoz szállítjuk. A cél a fogyasztók igényét úgy kielégíteni, hogy a szállítás összes költsége minimális legyen.

41 Kantorovich I want to emphasize again that the greater part of the problems of which I shall speak, relating to the organization and planning of production, are connected specifically with the Soviet system of economy and in the majority of cases do not arise in the economy of a capitalist society.

42 Lineáris programozás előzménye Leonid Kantorovich funérlemezek gyártásával kapcsolatos optimalizálási feladatok munkák elosztása az egyes munkagépek között rendelések elosztása gyárak között Szállítási feladatok 1975-ben közgazdasági Nobel díjat kapott Mathematical Methods in the Organization and Planning of Production 1939 oroszul (1960 Management Science)

43 Lineáris programozás/szimplex George Bernard Dantzig operációkutatás 1946 szimplex algoritmus (1947)

44 Consider the problem of assigning 70 men to 70 jobs. Suppose a value or benefit v ij would result if the ith man is assigned to the jth job. An activity consists in assigning the ith man to the jth job. The restriction are: (i) each man must be assigned a job (there are 70 such), and (ii) each job must be filled (also 70). The level of an activity is either 1, meaning it will be used, or 0, meaning it will not. Thus there are 2 70 or 140 restrictions, or 4900 activities with 4900 corresponding 0-1 decision variables x ij. Unfortunately there are 70! Different possible solutions or ways to make the assignments x ij.

45 The major influences of the pre-1947 era were Leontief s work on the Input-Output Model of the Economy (1933), an important paper by von Neumann on Game Theory (1928), and another by him on steady economic growth (1937).

46 Gráfelmélet Leonhard Euler Königsbergi hidak 1736

47 Shortest Path (legrövidebb út probléma) Algoritmus Ford 1956 Bellman 1958 Dantzig 1958 Dijkstra 1959

48 Gráf, hálózat, tervütemháló 1847 Kirchoff gráfelmélet és alkalmazása elektromos hálózatokban F. Guthrie: Négy szín probléma Kuratowski síkba teríthetőség Ford-Fulkerson maximális folyam, minimális költségű folyam 1956-tól Polaris projekt, DuPont, Rand Corporation, CPM, PERT, MPM, PDM

49 Time-cost trade-off Kelley 1959 Walker 1961

50 Felhasznált irodalom Mályusz, Hajdu: How would you like it: cheaper or shorter. ORGANIZATION TECHNOLOGY & MANAGEMENT IN CONSTRUCTION 1:(2) pp (2009) Mályusz Levente Döntéstámogató modellek

Idő-ütemterv hálók - I. t 5 4

Idő-ütemterv hálók - I. t 5 4 Építésikivitelezés-Vállalkozás / : Hálós ütemtervek - I lőadás:folia.doc Idő-ütemterv hálók - I. t s v u PRT time/cost : ( Program valuation & Review Technique ) ( Program Értékelő és Áttekintő Technika

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

Idotervezés I. A CPM háló. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1

Idotervezés I. A CPM háló. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1 Idotervezés I. A CPM háló BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1 Hagyományos eszközök Sávos ütemterv, Gannt diagram (pont szeru építkezéseken) földkiemelés tükörkészítés alapozás aszfalt

Részletesebben

Üzemszervezés. Projekt tervezés. Dr. Juhász János

Üzemszervezés. Projekt tervezés. Dr. Juhász János Üzemszervezés Projekt tervezés Dr. Juhász János Projekt tervezés - Definíció Egy komplex tevékenység feladatainak, meghatározott célok elérése érdekében, előre megtervezett módon, az erőforrások sajátosságainak

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 Alsó felső korlátos maximális folyam 3,9 3 4,2 4,8 4 3,7 2 Transzformáljuk több forrást, több nyelőt tartalmazó

Részletesebben

Üzemszervezés A BMEKOKUA180

Üzemszervezés A BMEKOKUA180 Budapesti Műszaki és Gazdaságtudományi Egyetem Közlekedésmérnöki és Járműmérnöki Kar Közlekedésmérnöki Szak Üzemszervezés A BMEKOKUA180 Projekt tervezés Dr. Juhász János egyetemi docens Projekt tervezés

Részletesebben

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel

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

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

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma: Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:

Részletesebben

Balogh János gépészmérnök, műszaki menedzser MSc., vezető programkoordinációs szakértő 1

Balogh János gépészmérnök, műszaki menedzser MSc., vezető programkoordinációs szakértő 1 Építési projektek ütemtervi bizonytalanságainak, kockázatainak figyelembe vétele a pénzügyi tervezésnél Balogh János gépészmérnök, műszaki menedzser MSc., vezető programkoordinációs szakértő, MVM Paks

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

PROJEKTEK tervezése és kontrollja. Az ütemtervezés története. Az ütemtervezés története. Építéskivitelezési és Szervezési Tanszék 1

PROJEKTEK tervezése és kontrollja. Az ütemtervezés története. Az ütemtervezés története. Építéskivitelezési és Szervezési Tanszék 1 PROJEKTEK tervezése és kontrollja Hajdu Miklós BME Építéskivitelezési Tanszék Az ütemtervezés története Ókor Projekt tervezés a Nagy Fal, a piramisk építésénél (dokumentumok üzemorvosok alkalmazásáról

Részletesebben

A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató

A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében Dicse Jenő üzletfejlesztési igazgató How to apply modern e-learning to improve the training of firefighters Jenő Dicse Director of

Részletesebben

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

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,

Részletesebben

Bevezetés az operációkutatásba A lineáris programozás alapjai

Bevezetés az operációkutatásba A lineáris programozás alapjai Bevezetés az operációkutatásba A lineáris programozás alapjai Alkalmazott operációkutatás 1. elıadás 2008/2009. tanév 2008. szeptember 12. Mi az operációkutatás (operations research)? Kialakulása: II.

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

Ellátási lánc optimalizálás egy új multinál

Ellátási lánc optimalizálás egy új multinál Ellátási lánc optimalizálás egy új multinál Provimi Pet Food Europe A PPF Supply Center koncepció Az optimalizálás első lépései A PPF ellátási láncának optimalizálása Az AIMMS project tanulságai Költségcsökkentés

Részletesebben

Gyártórendszerek dinamikája

Gyártórendszerek dinamikája GYRD-7 p. 1/17 Gyártórendszerek dinamikája Gyártásütemezés: az ütemezések analízise Gantt-chart módszerrel, az optimalizálási feladat kitűzése és változatai, megoldás a kritikus út módszerrel Werner Ágnes

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus

Részletesebben

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Dr. Koltai Tamás egyetemi tanár Menedzsment és Vállalatgazdaságtan Tanszék Tematika Kvantitatív eszközök használata Esettanulmányok

Részletesebben

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 Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor

Részletesebben

Valószínűségi változók. Várható érték és szórás

Valószínűségi változók. Várható érték és szórás Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :

Részletesebben

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 Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor

Részletesebben

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

Részletesebben

Csima Judit április 9.

Csima Judit április 9. Osztályozókról még pár dolog Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. április 9. Csima Judit Osztályozókról még pár dolog 1 / 19 SVM (support vector machine) ez is egy

Részletesebben

Név KP Blokk neve KP. Logisztika I. 6 LOG 12 Dr. Kovács Zoltán Logisztika II. 6 Logisztika Dr. Kovács Zoltán

Név KP Blokk neve KP. Logisztika I. 6 LOG 12 Dr. Kovács Zoltán Logisztika II. 6 Logisztika Dr. Kovács Zoltán Név KP Blokk neve KP Felelıs vizsgáztató Kombinatorikus módszerek és algoritmusok 5 MAT 10 Dr. Tuza Zsolt Diszkrét és folytonos dinamikai rendszerek matematikai alapjai 5 Matematika Dr. Hartung Ferenc

Részletesebben

Tőkekihelyezés és projektkövetés informatikája

Tőkekihelyezés és projektkövetés informatikája Berlin Boston Budapest Düsseldorf Munich Prague Stuttgart Vienna Zurich www.ifua.hu dr. Kupás Tibor Budapest, 2007. március 19. Hálótervezés gyakorlat 1/2 Tőkekihelyezés és projektkövetés informatikája

Részletesebben

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

Termeléstervezés és -irányítás Termelés és kapacitás tervezés Xpress-Mosel FICO Xpress Optimization Suite Termeléstervezés és -irányítás Termelés és kapacitás tervezés Xpress-Mosel FICO Xpress Optimization Suite Alkalmazásával 214 Monostori László egyetemi tanár Váncza József egyetemi docens 1 Probléma Igények

Részletesebben

Algoritmusok bonyolultsága

Algoritmusok bonyolultsága Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,

Részletesebben

Számítógéppel irányított rendszerek elmélete. Gyakorlat - Mintavételezés, DT-LTI rendszermodellek

Számítógéppel irányított rendszerek elmélete. Gyakorlat - Mintavételezés, DT-LTI rendszermodellek Számítógéppel irányított rendszerek elmélete Gyakorlat - Mintavételezés, DT-LTI rendszermodellek Hangos Katalin Villamosmérnöki és Információs Rendszerek Tanszék e-mail: hangos.katalin@virt.uni-pannon.hu

Részletesebben

Építési projektek szervezése HÁLÓS IDŐTERVEZÉS. Dr. Vattai Zoltán András

Építési projektek szervezése HÁLÓS IDŐTERVEZÉS. Dr. Vattai Zoltán András Építési projektek szervezése HÁLÓS IDŐTERVEZÉS Dr. Vattai Zoltán András www.ekt.bme.hu 1 Koenigsberg, Prussia, XVIII. sz. ma: Kalinyingrág, Oroszország 2 Kérdés: Lehet-e olyan körsétát tenni a város hét

Részletesebben

ELŐADÁS ÁTTEKINTÉSE 6. ea.: Projekttervezés III.

ELŐADÁS ÁTTEKINTÉSE 6. ea.: Projekttervezés III. ELŐADÁS ÁTTEKINTÉSE 6. ea.: Projekttervezés III. Tevékenységek tervezése Időtervezés: Gantt diagramm Hálótervezés: Kritikus út Tartalék idő Példa ismertetése TEVÉKENYSÉGEK TERVEZÉSE Fel kell vázolni egy

Részletesebben

Supporting Information

Supporting Information Supporting Information Cell-free GFP simulations Cell-free simulations of degfp production were consistent with experimental measurements (Fig. S1). Dual emmission GFP was produced under a P70a promoter

Részletesebben

Algoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.

Algoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y. Algoritmuselmélet Mélységi keresés és alkalmazásai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 9. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 06/7. félév 7. Előadás Dr. Kulcsár Gyula egyetemi docens Tartalom. A projektütemezés alapjai..

Részletesebben

Angol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel

Angol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel Angol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel Timea Farkas Click here if your download doesn"t start

Részletesebben

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)

Részletesebben

Dr. Kulcsár Gyula. Virtuális vállalat félév. Projektütemezés. Virtuális vállalat félév 5. gyakorlat Dr.

Dr. Kulcsár Gyula. Virtuális vállalat félév. Projektütemezés. Virtuális vállalat félév 5. gyakorlat Dr. Projektütemezés Virtuális vállalat 06-07. félév 5. gyakorlat Dr. Kulcsár Gyula Projektütemezési feladat megoldása Projekt: Projektütemezés Egy nagy, összetett, általában egyedi igény alapján előállítandó

Részletesebben

Előadás 5 Követés I. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1

Előadás 5 Követés I. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1 Előadás 5 Követés I. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1 Munka előremenetele Hol járunk a tervezetthez képest? Időben Költségben Műszaki tartalom = minőségmenedzsment BME Építéskivitelezési

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás összefoglaló Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

STUDENT LOGBOOK. 1 week general practice course for the 6 th year medical students SEMMELWEIS EGYETEM. Name of the student:

STUDENT LOGBOOK. 1 week general practice course for the 6 th year medical students SEMMELWEIS EGYETEM. Name of the student: STUDENT LOGBOOK 1 week general practice course for the 6 th year medical students Name of the student: Dates of the practice course: Name of the tutor: Address of the family practice: Tel: Please read

Részletesebben

Centrális határeloszlás-tétel

Centrális határeloszlás-tétel 13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a

Részletesebben

Építésikivitelezés-Vállalkozás / 2: Gráftechnikai alapfogalmak VÁLLALKOZÁS. javított háttöltés

Építésikivitelezés-Vállalkozás / 2: Gráftechnikai alapfogalmak VÁLLALKOZÁS. javított háttöltés Elõadás:Folia201.doc VÁLLALKOZÁS ( tervezés - bonyolítás - változásmenedzsment ) ideiglenes földút monolit vb.támfal javított háttöltés új földtöltés régi töltés humusz teherbíró talaj Tevékenység Sz Megnevezés

Részletesebben

Készítette: Fegyverneki Sándor

Készítette: Fegyverneki Sándor VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y

Részletesebben

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

Dr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr. Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Ismertesse a legfontosabb előrejelzési módszereket és azok gyakorlati

Részletesebben

BIOMATEMATIKA ELŐADÁS

BIOMATEMATIKA ELŐADÁS BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség

Részletesebben

Döntéselmélet OPERÁCIÓKUTATÁS

Döntéselmélet OPERÁCIÓKUTATÁS Döntéselmélet OPERÁCIÓKUTATÁS Operációkutatás Az operációkutatás az a tudomány, amely az optimális döntések előkészítésében matematikai módszereket használ fel. Az operációkutatás csak a döntés-előkészítés

Részletesebben

GLOBÁLIZÁLT BESZERZÉS ÉS ELOSZTÁS A LOGISZTIKÁBAN

GLOBÁLIZÁLT BESZERZÉS ÉS ELOSZTÁS A LOGISZTIKÁBAN 3. EŐADÁS GOÁIZÁT ESZZÉS ÉS EOSZTÁS A OGISZTIKÁAN A termelés globalizációjának, a késleltetett termelés következménye, hogy két kapcsolódó láncszem a beszerzés és elosztás is globalizálódik. A globalizált

Részletesebben

Ágazati kapcsolatok mérlege

Ágazati kapcsolatok mérlege Ágazati kapcsolatok mérlege Alkalmazott operációkutatás 9 elıadás 28/29 tanév 28 november 28 Input-output http://wwwlearn-linenrwde/angebote/selma/foyer/projekte/hammproj3/in_out/vgrgrahtm Ágazati kapcsolatok

Részletesebben

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

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

Using the CW-Net in a user defined IP network

Using the CW-Net in a user defined IP network Using the CW-Net in a user defined IP network Data transmission and device control through IP platform CW-Net Basically, CableWorld's CW-Net operates in the 10.123.13.xxx IP address range. User Defined

Részletesebben

Szakmai továbbképzési nap akadémiai oktatóknak. 2012. december 14. HISZK, Hódmezővásárhely / Webex

Szakmai továbbképzési nap akadémiai oktatóknak. 2012. december 14. HISZK, Hódmezővásárhely / Webex Szakmai továbbképzési nap akadémiai oktatóknak 2012. december 14. HISZK, Hódmezővásárhely / Webex 14.00-15.00 15.00-15.30 15.30-15.40 Mai program 1. Amit feltétlenül ismernünk kell: az irányítótábla közelebbről.

Részletesebben

Publikációs lista. Dr. Molnárka-Miletics Edit Széchenyi István Egyetem Matematika és Számítástudományi Tanszék

Publikációs lista. Dr. Molnárka-Miletics Edit Széchenyi István Egyetem Matematika és Számítástudományi Tanszék Publikációs lista Dr. Molnárka-Miletics Edit Széchenyi István Egyetem Matematika és Számítástudományi Tanszék Folyóirat cikkek: E. Miletics: Energy conservative algorithm for numerical solution of ODEs

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Dr. Kulcsár Gyula egyetemi docens Megoldásjavító szabályzókör A Kybernos egyszerűsített modellje Klasszikus termelésirányítási

Részletesebben

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Matematikai alapok és valószínőségszámítás. Normál eloszlás Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak

Részletesebben

On The Number Of Slim Semimodular Lattices

On The Number Of Slim Semimodular Lattices On The Number Of Slim Semimodular Lattices Gábor Czédli, Tamás Dékány, László Ozsvárt, Nóra Szakács, Balázs Udvari Bolyai Institute, University of Szeged Conference on Universal Algebra and Lattice Theory

Részletesebben

Társadalmi-gazdasági szempontok Az ipari termelési folyamatok kedvezőbbé tétele és az ipari együttműködési láncok sűrűsége pozitív társadalmi és gazdasági eredmények létrejöttéhez is hozzájárul. A társadalmi

Részletesebben

ü ű í ú ú ü ü ü ű ü ű ü ű ü ű ü í ü ű í í ü í í í í í ü í ű

ü ű í ú ú ü ü ü ű ü ű ü ű ü ű ü í ü ű í í ü í í í í í ü í ű ü ú É Á Á ü ű í ú ú ü ü ü ű ü ű ü ű ü ű ü í ü ű í í ü í í í í í ü í ű ü ű í ü í í ü ű í ü ű ü í ü í í í ü í ű ü í ú í ü ü ú í ü ü ű ü í í í ü ü ü í ü Ü ü ü ü ü ü í í í ü í í ü í í ü ű ü ú í ü í ü í ű í

Részletesebben

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

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.

Részletesebben

Építőipari projektek nyomkövetése. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1

Építőipari projektek nyomkövetése. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1 Építőipari projektek nyomkövetése Tanszék Dr. Mályusz Levente 1 Munka előremenetele Hol járunk a tervezetthez képest? Időben Költségben Műszaki tartalom = minőségmenedzsment Tanszék Dr. Mályusz Levente

Részletesebben

Mapping Sequencing Reads to a Reference Genome

Mapping Sequencing Reads to a Reference Genome Mapping Sequencing Reads to a Reference Genome High Throughput Sequencing RN Example applications: Sequencing a genome (DN) Sequencing a transcriptome and gene expression studies (RN) ChIP (chromatin immunoprecipitation)

Részletesebben

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Dr. Koltai Tamás egyetemi tanár Menedzsment és Vállalatgazdaságtan Tanszék Tematika Kvantitatív eszközök használata Esettanulmányok

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Gazdasági matematika II. vizsgadolgozat megoldása, június 10 Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett

Részletesebben

ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY

ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY A feladatsor három részbol áll 1. A vizsgáztató társalgást kezdeményez a vizsgázóval. 2. A vizsgázó egy szituációs feladatban vesz részt a

Részletesebben

1. dolgozat Számítógéppel segített matematikai modellezés "A" változat 2009 október 20, kedd

1. dolgozat Számítógéppel segített matematikai modellezés A változat 2009 október 20, kedd Név:. dolgozat Számítógéppel segített matematikai modellezés "A" változat 9 október, kedd Oldd meg a következ: feladatokat. Készíts szép notebook-ot, figyelj a korrekt strukturált megoldásokra.. feladat

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

2. Előadás Projekt ütemezés. Solver használata. Salamon Júlia

2. Előadás Projekt ütemezés. Solver használata. Salamon Júlia 2. Előadás Projekt ütemezés. Solver használata. Salamon Júlia Projekt ütemezés Számos nagy projekt tervezésekor használják a CMP (Critical Path Method - Kritikus út módszere) és a PERT (Program Evaluation

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

Integrált gyártórendszerek

Integrált gyártórendszerek IGYR-7 p. 1/4 Integrált gyártórendszerek Gyártásütemezés: az ütemezések analízise Gantt-chart módszerrel, az optimalizálási feladat kitűzése és változatai, megoldás a kritikus út módszerrel, dinamikus

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,

Részletesebben

KIEGÉSZÍTŽ FELADATOK. Készlet Bud. Kap. Pápa Sopr. Veszp. Kecsk. 310 4 6 8 10 5 Pécs 260 6 4 5 6 3 Szomb. 280 9 5 4 3 5 Igény 220 200 80 180 160

KIEGÉSZÍTŽ FELADATOK. Készlet Bud. Kap. Pápa Sopr. Veszp. Kecsk. 310 4 6 8 10 5 Pécs 260 6 4 5 6 3 Szomb. 280 9 5 4 3 5 Igény 220 200 80 180 160 KIEGÉSZÍTŽ FELADATOK (Szállítási probléma) Árut kell elszállítani három telephelyr l (Kecskemét, Pécs, Szombathely) öt területi raktárba, melyek Budapesten, Kaposváron, Pápán, Sopronban és Veszprémben

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

NEVEZETES FOLYTONOS ELOSZLÁSOK

NEVEZETES FOLYTONOS ELOSZLÁSOK Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó

Részletesebben

Időütemezés. Időtervezés

Időütemezés. Időtervezés Időtervezés A projekt definíciójánál láthattuk, hogy az egyik projektkorlát az idő. Ezért nagyon fontos egy olyan időterv elkészítése, melyen grafikusan szemléltethetjük a projekt megvalósítását. Ehhez

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

JAVÍTÓ VIZSGA ANGOL NYELV 2015/2016

JAVÍTÓ VIZSGA ANGOL NYELV 2015/2016 JAVÍTÓ VIZSGA ANGOL NYELV 2015/2016 9. osztály Könyv + Munkafüzet: Real Life Elementary (zöld) Leckék: Unit 1-8 A létige kifejezése (Starter Unit) Névmások: birtokos névmások, személyes névmások, mutató

Részletesebben

Az optimális megoldást adó algoritmusok

Az optimális megoldást adó algoritmusok Az optimális megoldást adó algoritmusok shop ütemezés esetén Ebben a fejezetben olyan modellekkel foglalkozunk, amelyekben a munkák több műveletből állnak. Speciálisan shop ütemezési problémákat vizsgálunk.

Részletesebben

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka Geokémia gyakorlat 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek Geológus szakirány (BSc) Dr. Lukács Réka MTA-ELTE Vulkanológiai Kutatócsoport e-mail: reka.harangi@gmail.com ALAPFOGALMAK:

Részletesebben

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

Ütemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék Ütemezési problémák Kis Tamás 1 1 MTA SZTAKI valamint ELTE, Operációkutatási Tanszék ELTE Problémamegoldó Szeminárium, 2012. ősz Kivonat Alapfogalmak Mit is értünk ütemezésen? Gépütemezés 1 L max 1 rm

Részletesebben

A Markowitz modell: kvadratikus programozás

A Markowitz modell: kvadratikus programozás A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer

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

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

Mérnökgeodéziai hálózatok feldolgozása

Mérnökgeodéziai hálózatok feldolgozása Mérnökgeodéziai hálózatok feldolgozása dr. Siki Zoltán siki@agt.bme.hu XIV. Földmérő Találkozó Gyergyószentmiklós 2013.05.09-12. Mérnökgeodéziai hálózatok nagy relatív pontosságú hálózatok (1/100 000,

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

ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)

ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18) ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18) Előadó: Lakat Károly, L.K. Quality Bt. 2017 szeptember 27 EOQ MNB Szakbizottsági ülés Minitab 18 újdonságai Session ablak megújítása

Részletesebben

Í ú ü ü ú Ó É ü Í É ü Í ü ü Íü

Í ú ü ü ú Ó É ü Í É ü Í ü ü Íü Á Ö É Á É Ó Ü É üü Í Í ü ü Ú ú ú Í Ú Í ú ü ü ú Ó É ü Í É ü Í ü ü Íü É Í Í Í ü É Í Í É Í Í Í Ő ü ü ü É Ö ÍÉ ü ü ü ü Ü ü ú ü ú ü ü ü ü ü ú Ö ü ú ü ü ü ü ü ü ü ü ü É ü ü Á úú ü ü Í ü Í Í Í ü ü É ú ü ü Í ü

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 1-2. Előadás Dr. Kulcsár Gyula egyetemi docens A tantárgy tematikája 1.

Részletesebben

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

Utasítások. Üzembe helyezés

Utasítások. Üzembe helyezés HASZNÁLATI ÚTMUTATÓ Üzembe helyezés Utasítások Windows XP / Vista / Windows 7 / Windows 8 rendszerben történő telepítéshez 1 Töltse le az AORUS makróalkalmazás telepítőjét az AORUS hivatalos webhelyéről.

Részletesebben

Phenotype. Genotype. It is like any other experiment! What is a bioinformatics experiment? Remember the Goal. Infectious Disease Paradigm

Phenotype. Genotype. It is like any other experiment! What is a bioinformatics experiment? Remember the Goal. Infectious Disease Paradigm It is like any other experiment! What is a bioinformatics experiment? You need to know your data/input sources You need to understand your methods and their assumptions You need a plan to get from point

Részletesebben

Genome 373: Hidden Markov Models I. Doug Fowler

Genome 373: Hidden Markov Models I. Doug Fowler Genome 373: Hidden Markov Models I Doug Fowler Review From Gene Prediction I transcriptional start site G open reading frame transcriptional termination site promoter 5 untranslated region 3 untranslated

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

SZÉLTURBINÁKAT TARTALMAZÓ MÉRLEGKÖRÖK KIEGYENLÍTŐ ENERGIA KÖLTSÉGEINEK MINIMALIZÁLÁSA

SZÉLTURBINÁKAT TARTALMAZÓ MÉRLEGKÖRÖK KIEGYENLÍTŐ ENERGIA KÖLTSÉGEINEK MINIMALIZÁLÁSA SZÉLTURBINÁKAT TARTALMAZÓ MÉRLEGKÖRÖK KIEGYENLÍTŐ ENERGIA KÖLTSÉGEINEK MINIMALIZÁLÁSA Varga László E.ON Hungária ZRt. Hirsch Tamás Országos Meteorológiai Szolgálat XXVII. Magyar Operációkutatási Konferencia

Részletesebben

Operációkutatás példatár

Operációkutatás példatár 1 Operációkutatás példatár 2 1. Lineáris programozási feladatok felírása és megoldása 1.1. Feladat Egy gazdálkodónak azt kell eldöntenie, hogy mennyi kukoricát és búzát vessen. Ha egységnyi földterületen

Részletesebben

tükör által homályosan

tükör által homályosan Ságvári Bence Online tükör által homályosan Fogyasztás, idenetás és társadalmi egyenlőtlenségek az online térben Fogyasztás és közösségek szimpózium 2015.11.25. Pécs Rövid (és szubjek0v) visszatekintés

Részletesebben

Abszolút folytonos valószín ségi változó (4. el adás)

Abszolút folytonos valószín ségi változó (4. el adás) Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t

Részletesebben