Hagyományos ütemezési technikák
|
|
- Sarolta Ballané
- 5 évvel ezelőtt
- Látták:
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
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
RészletesebbenIdõ-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
RészletesebbenIdotervezés 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
RészletesebbenÜzemszervezés. 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
RészletesebbenHálózati 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
RészletesebbenÜzemszervezés 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
RészletesebbenNagy 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
RészletesebbenHálózati 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
Részletesebbene (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:
RészletesebbenBalogh 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
RészletesebbenFEGYVERNEKI 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,
RészletesebbenPROJEKTEK 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
RészletesebbenA 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
RészletesebbenDiverzifikáció 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,
RészletesebbenBevezetés 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.
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenEllátási 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
RészletesebbenGyártórendszerek 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
RészletesebbenFEGYVERNEKI 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
RészletesebbenTermelési 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
RészletesebbenKövetelmények 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
RészletesebbenValószínűségi 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 :
RészletesebbenKövetelmények 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
RészletesebbenBevezetés. 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
RészletesebbenCsima 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
RészletesebbenNév 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
RészletesebbenTőkekihelyezés 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
RészletesebbenTermeléstervezés 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
RészletesebbenAlgoritmusok 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,...,
RészletesebbenSzámítógéppel 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
RészletesebbenÉpítési 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
RészletesebbenELŐADÁS 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
RészletesebbenSupporting 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
RészletesebbenAlgoritmuselmélet. 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
RészletesebbenFEGYVERNEKI 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:
RészletesebbenMiskolci 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..
RészletesebbenAngol 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
RészletesebbenSzámítógép-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)
RészletesebbenDr. 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
RészletesebbenElőadás 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
RészletesebbenValószínűségszámítás 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:
RészletesebbenStatisztika - 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
RészletesebbenSTATISZTIKA 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
RészletesebbenSTUDENT 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
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
RészletesebbenÉpítésikivitelezés-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
RészletesebbenKészítette: 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
RészletesebbenDr. 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
RészletesebbenBIOMATEMATIKA 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
RészletesebbenDöntéselmélet OPERÁCIÓKUTATÁS
Döntéselmélet OPERÁCIÓKUTATÁS Operációkutatás Az operációkutatás az a tudomány, amely az optimális döntések előkészítésében matematikai módszereket használ fel. Az operációkutatás csak a döntés-előkészítés
RészletesebbenGLOBÁLIZÁLT 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
RészletesebbenÁgazati 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
Részletesebbenbiometria 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
RészletesebbenUsing 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
RészletesebbenSzakmai 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.
RészletesebbenPublikációs 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
RészletesebbenMiskolci 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
RészletesebbenMatematikai 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
RészletesebbenOn 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
RészletesebbenTársadalmi-gazdasági szempontok Az ipari termelési folyamatok kedvezőbbé tétele és az ipari együttműködési láncok sűrűsége pozitív társadalmi és gazdasági eredmények létrejöttéhez is hozzájárul. A társadalmi
Részletesebbenü 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
Részletesebbenx, 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.
RészletesebbenÉpítőipari 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
RészletesebbenMapping 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)
RészletesebbenTermelési 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
RészletesebbenGazdasági 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
RészletesebbenANGOL 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
Részletesebben1. 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
RészletesebbenFEGYVERNEKI 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,
Részletesebben2. 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
RészletesebbenA 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
RészletesebbenIntegrált 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
RészletesebbenFEGYVERNEKI 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
RészletesebbenLeíró 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,
RészletesebbenKIEGÉSZÍTŽ 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
RészletesebbenTöbb 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...
RészletesebbenNEVEZETES 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
RészletesebbenIdőütemezés. 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
RészletesebbenEllátási 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
RészletesebbenJAVÍTÓ 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
RészletesebbenAz 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.
RészletesebbenGeokémia 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:
RészletesebbenÜtemezési 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
RészletesebbenA 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
RészletesebbenDöntéselőkészítés. 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
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenMérnökgeodéziai 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,
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenÚJDONSÁGOK 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
RészletesebbenÍ 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
RészletesebbenMiskolci 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.
RészletesebbenVéletlenszám 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
RészletesebbenUtasítások. 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.
RészletesebbenPhenotype. 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
RészletesebbenGenome 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
RészletesebbenSTATISZTIKA. 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
RészletesebbenSZÉLTURBINÁKAT 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
RészletesebbenOperációkutatás 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
Részletesebbentükör 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
RészletesebbenAbszolút 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