Stochastische Modellen in Operations Management (153088)
|
|
- Erna Meijer
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Stochastische Modellen in Operations Management (153088) S1 S2 X ms X ms R1 S0 240 ms Ack L1 R2 10 ms Internet R3 L2 D0 10 ms D1 D2 Richard Boucherie Stochastische Operations Research TW, Ravelijn H
2 Stochastische dynamische programmering 2 Fasen n aantal opeenvolgende momenten waarop beslissingen moeten worden genomen Toestandsruimte S n verzameling van mogelijke toestanden i die kunnen optreden in fase n Beslissingsruimte D n (i) verzameling van mogelijk acties d die beschikbaar zijn bij toestand i in fase n Directe resultaat r n (i,d) Verwachte opbrengst gedurende fase n als gevolg van beslissing d in toestand i Overgang j i,d : p n (j i,d) kans op toestand j als gevolg van beslissing d bij toestand i in fase n
3 Stochastische dynamische programmering 3 Doelstelling maximaliseer de verwachte resultaten over de gehele planningshorizon : N max E r n (i n,d n ) Optimale waardefunctie definieer f n (i) als het maximale verwachte resultaat vanaf fase n vanuit toestand i S n Recurrente betrekkingen f n (i) = max d D n (i) deze werken achterwaarts! n= 0 r n (i,d) + p n ( j i,d) f n +1 ( j) j S n+1
4 Vandaag: oneindige horizon 4 Wat gaat mis? Discontering en contante waarde Verwachte resultaat Oneindige horizon; deterministische optimalisering Voorbeeld Optimaliteitsvergelijking
5 Stochastische dynamische programmering 5 Doelstelling maximaliseer de verwachte resultaten over de gehele planningshorizon : N max E r n (i n,d n ) Optimale waardefunctie definieer f n (i) als het maximale verwachte resultaat vanaf fase n vanuit toestand i S n Recurrente betrekkingen f n (i) = max d D n (i) deze werken achterwaarts! n= 0 r n (i,d) + p n ( j i,d) f n +1 ( j) j S n+1
6 Vandaag: oneindige horizon 6 Wat gaat mis? Discontering en contante waarde Verwachte resultaat Oneindige horizon; deterministische optimalisering Voorbeeld Optimaliteitsvergelijking
7 Discontering en contante waarde (1) 7 Kapitaal K 0 rentegevend belegd Rentevoet i % per jaar Na jaar rente, bezit Rentevoet constant, dan na t jaar bezit Samengestelde interest (rente-op-rente) Omgekeerd, kapitaal U, uitgekeerd over t jaren kan nu worden uitgekeerd middels betaling van a < 1 : disconteringsfactor, K : contante waarde lagere rente geeft grotere disconteringsfactor
8 Discontering en contante waarde (2) 8 Stel een rij bedragen, waarbij betaald in jaar t. Contante waarde van X, CW(X), is mits de rij convergeert. Indien beslissingscriterium is contante waarde, verkies dan boven indien CW(X)>CW(Y) Maakt het mogelijk betalingen in de toekomst te vergelijken
9 Discontering en contante waarde (3) 9 Wanneer betalingen constant zijn, zeg M, disconteringsfactor a CW (X) = x t a t = t= 0 Ma t = M a t t= 0 = M(1+ a + a ) = M 1 a t= 0
10 a t = 1 t= 0 T t= 0 1 a a t =1+ a + a a T T a a t = a + a a T + a T +1 t= 0 T (1 a) a t =1 a T +1 t= 0 t= 0 t= 0 T T a t = 1 at +1 1 a 1 a T +1 a t = lim a t = lim T 1 a = 1 1 a T t= 0 Intermezzo: geometrische reeks (a 1) (a <1) 10
11 Intermezzo: geometrische reeks 11 a t =1+ a + a t= 0 a a t = a + a 2 + a t= 0 (1 a) a t =1 (a <1) t= 0
12 Vandaag: oneindige horizon 12 Wat gaat mis? Discontering en contante waarde Verwachte resultaat Oneindige horizon; deterministische optimalisering Voorbeeld Optimaliteitsvergelijking
13 Doelstelling Verwachte resultaat Verwachte resultaten over de gehele planningshorizon : 13 E lim N N 1 N 1 n= 0 r n (i n,d n )
14 Stochastische dynamische programmering 14 Doelstelling maximaliseer de verwachte resultaten over de gehele planningshorizon : Optimale waardefunctie max E definieer f n (i) als het maximale verwachte resultaat vanaf fase n vanuit toestand i S n Recurrente betrekkingen f n (i) = max d D n (i) deze werken achterwaarts! n= 0 r n (i n,d n )a n r n (i,d) + p n ( j i,d) f n +1 ( j) j S n+1
15 Vandaag: oneindige horizon 15 Wat gaat mis? Discontering en contante waarde Verwachte resultaat Oneindige horizon; deterministische optimalisering Voorbeeld Optimaliteitsvergelijking
16 16 Oneindige horizon; deterministisch Toepassingen beslissingsproblemen over een oneindige horizon waarbij de beslismomenten geordend zijn in de tijd Probleemstructuur analoog aan dynamische programmeringsproblemen, maar nu over een oneindige horizon
17 Oneindige horizon; deterministisch 17 Definities Politiek / Strategie Indien voor iedere toestand i S op tijdstip t een beslissing δ t (i) voorgeschreven is, noemen we de functie δ t een beslisregel De oneindige rij π=(δ 0, δ 1, ) noemen we een politiek of strategie een stationaire politiek π=(δ, δ, ) is een voorschrift dat op ieder tijdstip aan iedere toestand i S dezelfde beslissing δ(i) D(i) toekent
18 Opbrengst Oneindige horizon; deterministisch Indien in toestand i S op tijdstip t een beslissing δ t (i) =j S wordt genomen geeft dit directe opbrengst r(i,δ t (i))=r(i,j). Criteria voor vergelijken politieken maximale contante waarde (verdisconteerde resultaat) over een oneindige horizon, startend in i S : 18 maximale gemiddelde resultaat per tijdseenheid over een oneindige horizon, startend in i S : V π (.) waarde functie behorende bij politiek π
19 Oneindige horizon; deterministisch 19
20 Vandaag: oneindige horizon 20 Wat gaat mis? Discontering en contante waarde Verwachte resultaat Oneindige horizon; deterministische optimalisering Voorbeeld Optimaliteitsvergelijking
21 Voorbeeld: eenvoudig netwerk 21 Systeem met twee toestanden: S={1,2} Directe opbrengst r(i,j) bij transitie i naar j als in figuur Gezocht politiek die (voor iedere begintoestand) de contante waarde maximaliseert over oneindige horizon
22 Voorbeeld: eenvoudig netwerk 22 Willekeurige politiek Startend in 1 pad (1,1,2,2,1,1, ) opbrengsten (4,5,3,2,4,5, ) niet-stationaire politiek
23 Voorbeeld: eenvoudig netwerk Stationaire politieken 23 Politiek 1 beter dan politiek 2 als
24 Voorbeeld: eenvoudig netwerk Stationaire politieken 24 Politiek 1 beter dan politiek 2 als
25 Voorbeeld: eenvoudig netwerk 25
26 Vandaag: oneindige horizon 26 Wat gaat mis? Discontering en contante waarde Verwachte resultaat Oneindige horizon; deterministische optimalisering Voorbeeld Optimaliteitsvergelijking
27 Optimaliteitsvergelijkingen 27 Algemeen systeem Toestandsruimte S We beperken ons tot stationaire politieken Actieruimte D(i), i S Optimaliteitsvergelijkingen Hoe vind je de onbekende waardefunctie V die oplossing is van deze functionaalvergelijking? Waarde-iteratie of successieve approximatie Politiek of strategie iteratie Lineaire programmering
28 Waarde-iteratie 28
29 Voorbeeld: eenvoudig netwerk 29
30 Waarde-iteratie 30
31 Voorbeeld: eenvoudig netwerk 31
32 Next on SMOM 32 Toestandsruimte S Actieruimte D(i), i Strategie / politiek Contante waarde Optimaliteitsvergelijkingen S Hoe vind je de onbekende waardefunctie V die oplossing is van deze functionaalvergelijking? Waarde-iteratie of successieve approximatie Politiek of strategie iteratie Lineaire programmering En voor stochastische systemen?
33 Oneindige horizon; deterministisch 33 Contante waarde Optimaliteitsvergelijkingen Vervangen de recursie voor eindige horizon Waarde-iteratie
34 Oneindige horizon; stochastisch 34 Contante waarde Optimaliteitsvergelijkingen Vervangen de recursie voor eindige horizon Waarde-iteratie
Stochastische Modellen in Operations Management (153088)
R1 L1 R2 S0 Stochastische Modellen in Operations Management (153088) 240 ms 10 ms Ack Internet Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
R1 L1 R2 1 S0 Stochastische Modellen in Operations Management (153088) 240 ms 10 ms Ack Internet Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Oerations Management (15388) S1 S2 Ack X ms X ms S 24 ms R1 R2 R3 L1 L2 1 ms 1 ms D Internet D1 D2 Richard Boucherie Stochastische Oerations Research TW, Ravelijn H 219 htt://wwwhome.math.utwente.nl/~boucherierj/onderwijs/15388/15388.html
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Oerations Management (153088) S1 S2 Ack X ms X ms S0 240 ms R1 R2 R3 L1 L2 10 ms 10 ms D0 Internet D1 D2 Richard Boucherie Stochastische Oerations Research TW, Citadel 125 htt://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (53088) S S Ack X ms X ms S0 40 ms R R R3 L L 0 ms 0 ms D0 Internet D D Richard Boucherie Stochastische Operations Research TW, Ravelijn H 9 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/53088/53088.html
Nadere informatieo Dit tentamen bestaat uit vier opgaven o Beantwoord de opgaven 1 en 2 enerzijds, en de opgaven 3 en 4 anderzijds op aparte vellen papier
Toets Stochastic Models (theorie) Maandag 22 rnei 2OL7 van 8.45-1-1-.45 uur Onderdeel van de modules: o Modelling and analysis of stochastic processes for MATH (20L400434) o Modelling and analysis of stochastic
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (53088) S S Ack X ms X ms S0 40 ms R R R3 L L 0 ms 0 ms D0 Internet D D Richard Boucherie Stochastische Operations Research TW, Ravelijn H 9 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/53088/53088.html
Nadere informatieMARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen.
MARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen. voorraadmodel: voorraadkosten personeelsplanningmodel: salariskosten machineonderhoudsmodel: reparatiekosten
Nadere informatieStochastisch Dynamisch Programmeren
Stochastisch Dynamisch Programmeren Ger Koole Vrije Universiteit, De Boelelaan 1081a, 1081 HV Amsterdam, The Netherlands 17 juni 2005 Samenvatting We introduceren de principes van stochastisch dynamisch
Nadere informatieClassificatie van Markovbeslissingsketens
Classificatie van Markovbeslissingsketens Complexiteit van het multichainclassificatieprobleem Wendy Ellens 21 augustus 2008 Bachelorscriptie, Mathematisch Instituut, Universiteit Leiden Begeleider: Prof.
Nadere informatieZoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1.
LIMIETGEDRAG VAN REDUCIBELE MARKOV KETEN In het voorgaande hebben we gezien hoe we de limietverdeling van een irreducibele, aperiodieke Markov keten kunnen berekenen: Voorbeeld 1: Zoek de unieke oplossing
Nadere informatieLIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS
LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over limietgedrag van continue-tijd Markov ketens. Stelling: Een irreducibele, continue-tijd Markov keten met toestandsruimte S = {1, 2,..., N}
Nadere informatieToepassingen op differentievergelijkingen
Toepassingen op differentievergelijkingen We beschouwen lineaire differentievergelijkingen of lineaire recurrente betrekkingen van de vorm a 0 y k+n + a y k+n + + a n y k+ + a n y k = z k, k = 0,,, Hierbij
Nadere informatieP = LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten:
LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten: Voorbeeld: Zoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1. P = 0 1/4
Nadere informatieMARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen.
MARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen. voorraadmodel: voorraadkosten personeelsplanningmodel: salariskosten machineonderhoudsmodel: reparatiekosten
Nadere informatieStochastische spelen. Christian Hutter. Bachelorscriptie - Voorjaar 2005
Stochastische spelen Christian Hutter Bachelorscriptie - Voorjaar 2005 1 Inhoudsopgave 1 Inleiding 3 2 Markov Beslissings theorie 4 2.1 Sommeerbare Markov beslissings processen.......... 4 2.1.1 Verdiscontering......................
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
HET POISSON PROCES In veel praktische toepassingen kan het aaankomstproces van personen, orders,..., gemodelleerd worden door een zogenaamd Poisson proces. Definitie van een Poisson proces: Een Poisson
Nadere informatieZ.O.Z. Radboud Universiteit Nijmegen Tentamen Analyse 1 WP001B 16 juni 2016, 12:30 15:30 (16:30)
Radboud Universiteit Nijmegen Tentamen Analyse 1 WP001B 16 juni 016, 1:30 15:30 (16:30) Het gebruik van een rekenmachine, telefoon of tablet is niet toegestaan. U mag geen gebruik maken van aantekeningen
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk X: Reinforcement leren
Inleiding Adaptieve Systemen Hoofdstuk X: Reinforcement leren Cursusjaar 2012-2013 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 21 juni
Nadere informatieToegepaste Wiskunde 2: Het Kalman-filter
Toegepaste Wiskunde 2: Het Kalman-filter 25 februari, 2008 Hans Maassen 1. Inleiding Het Kalman filter schat de toestand van een systeem op basis van een reeks, door ruis verstoorde waarnemingen. Een meer
Nadere informatie0.97 0.03 0 0 0.008 0.982 0.01 0 0.02 0 0.975 0.005 0.01 0 0 0.99
COHORTE MODELLEN Markov ketens worden vaak gebruikt bij de bestudering van een groep van personen of objecten. We spreken dan meestal over Cohorte modellen. Een voorbeeld van zo n situatie is het personeelsplanning
Nadere informatieINLEIDING. Definitie Stochastisch Proces:
Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 8 Leo van Iersel Technische Universiteit Delft 2 november 2016 Leo van Iersel (TUD) TW2020 Optimalisering 2 november 2016 1 / 28 Minimum Opspannende Boom (Minimum Spanning
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 8 Leo van Iersel Technische Universiteit Delft 28 oktober 2015 Leo van Iersel (TUD) TW2020 Optimalisering 28 oktober 2015 1 / 25 Definitie Een boom is een samenhangende
Nadere informatieBESLISKUNDE 3 voorjaar L.C.M. KALLENBERG bewerkt door F.M. Spieksma UNIVERSITEIT LEIDEN
BESLISKUNDE 3 voorjaar 2012 L.C.M. KALLENBERG bewerkt door F.M. Spieksma UNIVERSITEIT LEIDEN Inhoudsopgave 1 DYNAMISCHE PROGRAMMERING 1 1.1 Inleiding.......................................... 1 1.2 Terminologie.......................................
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.1, donderdag K. P. Hart Faculteit EWI TU Delft Delft, 21 april, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 32 Outline 1 K. P. Hart TW2040: Complexe Functietheorie
Nadere informatieopgaven formele structuren deterministische eindige automaten
opgaven formele structuren deterministische eindige automaten Opgave. De taal L over het alfabet {a, b} bestaat uit alle strings die beginnen met aa en eindigen met ab. Geef een reguliere expressie voor
Nadere informatieKettingbreuken. 20 april 2010 1 K + 1 E + 1 T + 1 T + 1 I + 1 N + 1 G + 1 B + 1 R + 1 E + 1 U + 1 K + E + 1 N 1 2 + 1 0 + 1 A + 1 P + 1 R + 1 I + 1
Kettingbreuken Frédéric Guffens 0 april 00 K + E + T + T + I + N + G + B + R + E + U + K + E + N 0 + A + P + R + I + L + 0 + + 0 Wat zijn Kettingbreuken? Een kettingbreuk is een wiskundige uitdrukking
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 3 Leo van Iersel Technische Universiteit Delft 21 september 2016 Leo van Iersel (TUD) TW2020 Optimalisering 21 september 2016 1 / 36 LP: Lineair Programmeren min x 1 2
Nadere informatieFinanciële Markten 2
1ste bach TEW Financiële Markten 2 De Ceuster Q uickprinter Koningstraat 13 2000 Antwerpen www.quickprinter.be 118 2.80 EUR Nieuw!!! Online samenvattingen kopen via www.quickprintershop.be Financiële markten
Nadere informatieHoofdstuk 4: De tijdswaarde van geld
Hoofdstuk 4: De tijdswaarde van geld 4.1 De tijdslijn Een serie cash flows die verschillende periodes duurt, noemen we een cash flow stroom. Een cash flow stroom kunnen we op een tijdslijn weergeven. Een
Nadere informatieEconometrie. Optimaliseren. Meerkeuzevragen
Examen Kwantitatieve Beleidsmethoden (TEW) Econometrie Meerkeuzevragen Optimaliseren Vraag 1 (6 punten) Hanna heeft 1000 euro die ze kan beleggen in of aandelen of in obligaties. Het rendement van haar
Nadere informatieTU/e 2DD50: Wiskunde 2 (1)
TU/e 2DD50: Wiskunde 2 (1) Organisatorische informatie Wat Dag Tijd Zaal Docent College Tue 5+6 Aud 6+15 Gerhard Woeginger Thu 1+2 Aud 1+4 Gerhard Woeginger Clicker session Tue 7+8 Aud 6+15 Gerhard Woeginger
Nadere informatieWISB134 Modellen & Simulatie. Lecture 5 - Scalaire recursies (deel 2)
WISB134 Modellen & Simulatie Lecture 5 - Scalaire recursies (deel 2) Overzicht van ModSim Meeste aandacht (t/m 1 apr.) Basisbegrippen dynamische modellen Definities recursies, DVs, numerieke methoden Oplossingen
Nadere informatieDe dimensie van een deelruimte
De dimensie van een deelruimte Een deelruimte van R n is een deelverzameling die op zichzelf ook een vectorruimte is. Ter herinnering : Definitie. Een deelverzameling H van R n heet een deelruimte van
Nadere informatieOptimaal Fritzen. J.S. van der Laan. Bachelorscriptie Scriptiebegeleidster: dr. F.M. Spieksma. 9 juli 2015
Optimaal Fritzen J.S. van der Laan Bachelorscriptie Scriptiebegeleidster: dr. F.M. Spieksma 9 juli 2015 Mathematisch Instituut, Universiteit Leiden Naam student: Studentnummer: E-mail: Opleiding: Onderwijsinstelling:
Nadere informatieFinancieel Management
3de bach TEW Financieel Management samenvatting : hoorcolleges aangevuld uit boek Q www.quickprinter.be uickprinter Koningstraat 13 2000 Antwerpen 162 6,00 Online samenvattingen kopen via www.quickprintershop.be
Nadere informatieCombinatoriek groep 2
Combinatoriek groep 2 Recursie Trainingsdag 3, 2 april 2009 Homogene lineaire recurrente betrekkingen We kunnen een rij getallen a 0, a 1, a 2,... op twee manieren definiëren: direct of recursief. Een
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
VERNIEUWINGSPROCESSEN In hoofdstuk 6 hebben we gezien wat een Poisson proces is. Definitie van een Poisson proces: Een Poisson proces met intensiteit λ (notatie P P (λ)) is een stochastisch proces {N(t),
Nadere informatieWachttijdtheorie (vakcode )
Wachttidtheorie vacode 153087 Doel Introductie theorie netweren van wachtrien met nadru o exacte analytische olossingen. Omvang 3 SP 5 ECTS volgend aar Ca 18 bieenomsten Plaats: 4.2 Vorm: Hoorcollege /
Nadere informatieVragen die je wilt beantwoorden zijn:
Net als bij een discrete-tijd Markov keten is men bij de bestudering van een continue-tijd Markov keten zowel geïnteresseerd in het korte-termijn gedrag als in het lange-termijn gedrag. Vragen die je wilt
Nadere informatieTentamen: Operationele Research 1D (4016)
UITWERKINGEN Tentamen: Operationele Research 1D (4016) Tentamendatum: 12-1-2010 Duur van het tentamen: 3 uur (maximaal) Opgave 1 (15 punten) Beschouw het volgende lineaire programmeringsprobleem P: max
Nadere informatieTentamen Optimalisering (IN2520) Datum: 5 november 2004, Docent: Dr. J.B.M. Melissen
Tentamen Optimalisering (IN2520) Datum: 5 november 2004, 14.00 17.00. Docent: Dr. J.B.M. Melissen Veel succes! 1 Deze opgave bestaat uit 15 tweekeuzevragen. Per goed antwoord krijg je 2 punten. a. Dynamisch
Nadere informatieTU/e 2DD50: Wiskunde 2
TU/e 2DD50: Wiskunde 2 Enkele mededelingen Instructies (vandaag, 10:45 12:30) in vier zalen: Zaal Aud 10 Pav b2 Pav m23 Ipo 0.98 voor studenten met achternaam beginnend met letters A tot en met D met letters
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i).
MARKOV PROCESSEN Continue-tijd Markov ketens (CTMCs) In de voorafgaande colleges hebben we uitgebreid gekeken naar discrete-tijd Markov ketens (DTMCs). Definitie van discrete-tijd Markov keten: Een stochastisch
Nadere informatie2.1 Twee gekoppelde oscillatoren zonder aandrijving
Hoofdstuk Twee gekoppelde oscillatoren.1 Twee gekoppelde oscillatoren zonder aandrijving We beschouwen als voorbeeld van een systeem van puntmassa s die gekoppeld zijn aan elkaar en aan twee vaste wanden
Nadere informatieMobiele communicatie: reken maar!
Mobiele communicatie: reken maar! Richard J. Boucherie Stochastische Operationele Research Toen : telefooncentrale Erlang verliesmodel Nu : GSM Straks : Video on demand Toen : CPU Processor sharing model
Nadere informatieConstraint satisfaction. Zoekalgoritmen ( ) College 11: Constraint Satisfaction. Voorbeelden. Een constraint satisfaction probleem
Constraint satisfaction Zoekalgoritmen (2009 2010) College 11: Constraint Satisfaction Dirk Thierens, Tekst: Linda van der Gaag Een constraint satisfaction probleem (CSP) bestaat uit: een verzameling variabelen;
Nadere informatieDe Minimax-Stelling en Nash-Evenwichten
De Minima-Stelling en Nash-Evenwichten Sebastiaan A. Terwijn Radboud Universiteit Nijmegen Afdeling Wiskunde 20 september 2010 Dit is een bijlage bij het eerstejaars keuzevak Wiskunde, Politiek, en Economie.
Nadere informatieChapter 4: Continuous-time Markov Chains (Part I)
Stochastic Operations Research I (2014/2015) Selection of exercises from book and previous exams. Chapter 4: Continuous-time Markov Chains (Part I) 1.1 Book pp 179 185 These are useful exercises to learn
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+ = j X n = i, X n,...,
Nadere informatieCombinatoriek groep 1
Combinatoriek groep 1 Recursie Trainingsweek, juni 009 Stappenplan homogene lineaire recurrente betrekkingen Even herhalen: het stappenplan om een recurrente betrekking van orde op te lossen: Stap 1. Bepaal
Nadere informatieHet bepalen van de optimale verkoopprijs met behulp van dynamische programmering
Het bepalen van de optimale verkoopprijs met behulp van dynamische programmering B. Wierenga 1. Inleiding In het volgende zal aan de orde worden gesteld: het vraagstuk van de optimale prijsstelling in
Nadere informatieMARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN?
MARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN? KARMA DAJANI In deze lezing gaan we over een bijzonder model in kansrekening spreken Maar eerst een paar woorden vooraf Wat doen we
Nadere informatieQ is het deel van de overgangsmatrix dat correspondeert met overgangen
COHORTE MODELLEN Stel we hebben een groep personen, waarvan het gedrag van ieder persoon afzonderlijk beschreven wordt door een Markov keten met toestandsruimte S = {0, 1, 2,..., N} en overgangsmatrix
Nadere informatieDeel 2 van Wiskunde 2
Deel 2 van Wiskunde 2 Organisatorische informatie Wat Dag Tijd Zaal Docent College Tue 5+6 Aud 6+15 Jacques Resing Thu 1+2 Aud 1+4 Jacques Resing Werkcollege Tue 7+8 Aud 6+15 Jacques Resing Instructie
Nadere informatie2DD50: Tentamen. Tentamen: 26 januari 2016 Hertentamen: 5 april 2016
2DD50: Tentamen Tentamen: 26 januari 2016 Hertentamen: 5 april 2016 Bij het tentamen mag een eenvoudige (niet grafische; niet programmeerbare) rekenmachine meegenomen worden, en 2 tweezijdige A4-tjes met
Nadere informatieV = {a, b, c, d, e} Computernetwerken: de knopen zijn machines in het netwerk, de kanten zijn communicatiekanalen.
WIS14 1 14 Grafen 14.1 Grafen Gerichte grafen Voor een verzameling V is een binaire relatie op V een verzameling geordende paren van elementen van V. Voorbeeld: een binaire relatie op N is de relatie KleinerDan,
Nadere informatieWaarom kleintjes niet altijd voor moeten gaan (maar vaak wel)
Waarom kleintjes niet altijd voor moeten gaan (maar vaak wel) Sindo Núñez Queija Universiteit van Amsterdam & Centrum voor Wiskunde en Informatica + Maaike Verloop en Sem Borst OVERZICHT: Wachtrijen en
Nadere informatieConvexe Analyse en Optimalisering
Convexe Analyse en Optimalisering Bernd Heidergott Vrije Universiteit Amsterdam en Tinbergen Institute WEB: http://staff.feweb.vu.nl/bheidergott college conopt docent week 6 6 De Lagrange Methode 6.1 Interpretatie
Nadere informatieAanvullend dictaat Stochastische Operations Research I. H.C. Tijms
Aanvullend dictaat Stochastische Operations Research I H.C. Tijms november 2008 2 Contents 1 Markov Keten Monte Carlo Methoden 7 1.0.1 Reversibele Markov ketens.................. 7 1.0.2 Metropolis-Hastings
Nadere informatieDefinitie van continue-tijd Markov keten:
Definitie van continue-tijd Markov keten: Een stochastisch proces {X(t), t 0} met toestandsruimte S heet een continue-tijd Markov keten (CTMC) als voor alle i en j in S en voor alle tijden s, t 0 geldt
Nadere informatieTentamen Inleiding Kansrekening 9 juni 2016, 10:00 13:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 9 juni 6, : 3: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met onderdelen. Elk onderdeel
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 3 Leo van Iersel Technische Universiteit Delft 21 september 2016 Leo van Iersel (TUD) TW2020 Optimalisering 21 september 2016 1 / 36 LP: Lineair Programmeren min x 1 2
Nadere informatieIjkingstoets industrieel ingenieur aangeboden door UGent en VUB op 30 juni 2014: algemene feedback
IJkingstoets juni 4 - reeks - p. / Ijkingstoets industrieel ingenieur aangeboden door UGent en VUB op juni 4: algemene feedback In totaal namen studenten deel aan deze ijkingstoets industrieel ingenieur
Nadere informatieNETWERKEN VAN WACHTRIJEN
NETWERKEN VAN WACHTRIJEN Tot nog toe keken we naar wachtrijmodellen bestaande uit 1 station. Klanten komen aan bij het station,... staan (al dan niet) een tijdje in de wachtrij,... worden bediend door
Nadere informatieOptimalisering en Complexiteit, College 1. Han Hoogeveen, Utrecht University
Optimalisering en Complexiteit, College 1 Han Hoogeveen, Utrecht University Gegevens Docent : Han Hoogeveen : j.a.hoogeveen@uu.nl Vak website : http://www.cs.uu.nl/docs/vakken/opt/ Student assistenten
Nadere informatieOpdracht 2. Deadline maandag 28 september 2015, 24:00 uur.
Opdracht 2. Deadline maandag 28 september 2015, 24:00 uur. Deze opdracht bestaat uit vier onderdelen; in elk onderdeel wordt gevraagd een Matlabprogramma te schrijven. De vier bijbehore bestanden stuur
Nadere informatieHeuristieken en benaderingsalgoritmen. Algoritmiek
Heuristieken en benaderingsalgoritmen Wat te doen met `moeilijke optimaliseringsproblemen? Voor veel problemen, o.a. optimaliseringsproblemen is geen algoritme bekend dat het probleem voor alle inputs
Nadere informatieHet tentamen heeft 25 onderdelen. Met ieder onderdeel kan maximaal 2 punten verdiend worden.
Hertentamen Inleiding Kansrekening WI64. 9 augustus, 9:-: Het tentamen heeft 5 onderdelen. Met ieder onderdeel kan maximaal punten verdiend worden. Het tentamen is open boek. Boeken, nota s en een (eventueel
Nadere informatieOEFENINGEN PYTHON REEKS 6
OEFENINGEN PYTHON REEKS 6 1. A) Schrijf een functie die een getal x en een getal y meekrijgt. De functie geeft de uitkomst van volgende bewerking als returnwaarde terug: x y x als x y x y y als x < y B)
Nadere informatieDefinitie van continue-tijd Markov keten:
Definitie van continue-tijd Markov keten: Een stochastisch proces {X(t), t 0} met toestandsruimte S heet een continue-tijd Markov keten (CTMC) als voor alle i en j in S en voor alle tijden s, t 0 geldt
Nadere informatieUitwerking tentamen Analyse van Algoritmen, 29 januari
Uitwerking tentamen Analyse van Algoritmen, 29 januari 2007. (a) De buitenste for-lus kent N = 5 iteraties. Na iedere iteratie ziet de rij getallen er als volgt uit: i rij na i e iteratie 2 5 4 6 2 2 4
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+1 = j X n = i, X n 1,...,
Nadere informatieLineaire dv van orde 2 met constante coefficienten
Lineaire dv van orde 2 met constante coefficienten Homogene vergelijkingen We bekijken eerst homogene vergelijkingen van orde twee met constante coefficienten, d.w.z. dv s van de vorm a 0 y + a 1 y + a
Nadere informatieConvexe Analyse en Optimalisering
Convexe Analyse en Optimalisering Bernd Heidergott Vrije Universiteit Amsterdam and Tinbergen Institute WEB: http://staff.feweb.vu.nl/bheidergott.htm Overzicht Boek: Optimization: Insights and Applications,
Nadere informatieExamenvragen Hogere Wiskunde I
1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies
Nadere informatieModellen en Simulatie Speltheorie
Utrecht, 20 juni 2012 Modellen en Simulatie Speltheorie Gerard Sleijpen Department of Mathematics http://www.staff.science.uu.nl/ sleij101/ Program Optimaliseren Nul-som matrix spel Spel strategie Gemengde
Nadere informatieBEDRIJFSWETENSCHAPPEN. 2. De investeringsbeslissing en de verantwoording ervan
BEDRIJFSWETENSCHAPPEN Hoofdstuk 2: INVESTERINGSANALYSE 1. Toepasbare beoordelingsmethodes 1.1. Pay-back 1.2. Return on investment 1.3. Internal rate of return 1.4. Net present value 2. De investeringsbeslissing
Nadere informatieTechnische Universiteit Delft. ANTWOORDEN van Tentamen Gewone differentiaalvergelijkingen, TW2030 Vrijdag 30 januari 2015,
Technische Universiteit Delft Faculteit EWI ANTWOORDEN van Tentamen Gewone differentiaalvergelijkingen, TW23 Vrijdag 3 januari 25, 4.-7. Dit tentamen bestaat uit 6 opgaven. Alle antwoorden dienen beargumenteerd
Nadere informatieVrije Universiteit Faculteit der Economische Wetenschappen en Bedrijfskunde Afdeling Econometrie
Vrije Universiteit Faculteit der Economische Wetenschappen en Bedrijfskunde Afdeling Econometrie Tentamen: Convexe Analyse en Optimalisering Opleiding: Bacheloropleiding Econometrie Vakcode: 64200 Datum:
Nadere informatieFundamentele begrippen in de financiële wiskunde
Fundamentele begrippen in de financiële wiskunde Peter Spreij Leve de Wiskunde!, 8 april 2011 Inhoud Doel 1 Doel 2 3 Arbitrage Replicatie, hedging 4 5 6 Peter Spreij Financiële Wiskunde 1/ 60 Inhoud Doel
Nadere informatiemax 5x 1 2x 2 s.t. 2x 1 x 2 10 (P) x 1 + 2x 2 2 x 1, x 2 0
Voorbeeldtentamen Deterministische Modellen in de OR (158075) Opmerking vooraf: Geef bij elke opgave een volledige en duidelijke uitwerking inclusief argumentatie! Gebruik van de rekenmachine is niet toegestaan.
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
VERNIEUWINGSPROCESSEN In hoofdstuk 3 hebben we gezien wat een Poisson proces is. Definitie van een Poisson proces: Een Poisson proces met intensiteit λ (notatie P P (λ)) is een stochastisch proces {N(t),
Nadere informatieIJkingstoets burgerlijk ingenieur juni 2014: algemene feedback
IJkingstoets burgerlijk ingenieur 30 juni 2014 - reeks 1 - p. 1 IJkingstoets burgerlijk ingenieur juni 2014: algemene feedback In totaal namen 716 studenten deel aan de ijkingstoets burgerlijk ingenieur
Nadere informatieUitwerking Tweede Quiz Speltheorie,
Uitwerking Tweede Quiz Speltheorie, 28-11-2012 Attentie! Maak van de onderstaande drie opgaven er slechts twee naar eigen keuze! Opgave 1 [50 pt]. Van het tweepersoons nulsomspel met de 2 4-uitbetalingsmatrix
Nadere informatieDynamisch programmeren (H 10)
Dynamisch programmeren (H 10) Dynamisch programmeren is een techniek voor het optimaal nemen van een rij van afhankelijke beslissingen Voorbeeld (10.1): Vind de kortste route van A naar J in het Stage
Nadere informatieCombinatoriek groep 1 & 2: Recursie
Combinatoriek groep 1 & : Recursie Trainingsweek juni 008 Inleiding Bij een recursieve definitie van een rij wordt elke volgende term berekend uit de vorige. Een voorbeeld van zo n recursieve definitie
Nadere informatieDiscrete Structuren. Piter Dykstra Opleidingsinstituut Informatica en Cognitie
Discrete Structuren Piter Dykstra Opleidingsinstituut Informatica en Cognitie www.math.rug.nl/~piter piter@math.rug.nl 22 februari 2009 INDUCTIE & RECURSIE Paragrafen 4.3-4.6 Discrete Structuren Week 3:
Nadere informatievandaag is Annie twee jaar jonger dan Ben en Cees samen
Hoofdstuk I Lineaire Algebra Les 1 Stelsels lineaire vergelijkingen Om te beginnen is hier een puzzeltje: vandaag is Annie twee jaar jonger dan Ben en Cees samen over vijf jaar is Annie twee keer zo oud
Nadere informatieUniversiteit Utrecht Departement Informatica. Examen Optimalisering op dinsdag 29 januari 2019, uur.
Universiteit Utrecht Departement Informatica Examen Optimalisering op dinsdag 29 januari 2019, 17.00-20.00 uur. ˆ Mobieltjes UIT en diep weggestopt in je tas. Wanneer je naar de WC wil, dan moet je je
Nadere informatieen-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,
Kansrekening voor Informatiekunde, 25 Les 8 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin knopen acties aangeven en opdrachten langs verbindingen tussen de knopen verwerkt
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 12 december 2014 8:30-10:30 Vooraf Mobiele telefoons en dergelijke dienen uitgeschakeld te zijn. Het eerste deel van het tentamen bestaat uit 8 multiple-choice
Nadere informatieHints en uitwerkingen huiswerk 2013 Analyse 1 H17
Hints en uitwerkingen huiswerk 013 Analyse 1 H17 Rocco van Vreumingen augustus 014 1 Inhoudsopgave 1 Hints 1 3 Hints 4 3 Hints 3 4 4 Hints 4 5 5 Hints 5 5 6 Hints 6 6 7 Hints 7 6 8 Hints 8 6 9 Hints 9
Nadere informatieHoofdstuk 10: Partiële differentiaalvergelijkingen en Fourierreeksen
Hoofdstuk : Partiële differentiaalvergelijkingen en Fourierreeksen Partiële differentiaalvergelijkingen zijn vergelijkingen waarin een onbekende functie van twee of meer variabelen en z n partiële afgeleide(n)
Nadere informatieBesliskunde in Tennis
T.C. van Barneveld Besliskunde in Tennis Optimaal serveren in tennis Het plannen van een tennistoernooi Bachelorscriptie, 4 juni 2009 Scriptiebegeleider: prof.dr. L.C.M. Kallenberg Mathematisch Instituut,
Nadere informatieStochastische grafen in alledaagse modellen
Stochastische grafen in alledaagse modellen Ionica Smeets en Gerard Hooghiemstra 27 februari 2004 Stochastische grafen zijn grafen waarbij het aantal kanten bepaald wordt door kansverdelingen. Deze grafen
Nadere informatie