Stochastische Modellen in Operations Management (153088)
|
|
- Irma van den Pol
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 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 D2
2 Karakteristieken Dynamische Programmering 2 Probleem kan worden opgedeeld in fasen Elke fase is geassocieerd met een aantal toestanden Actie / beslissing in toestand legt volgende toestand vast Gegeven huidige toestand mag beslissing voor volgende fasen niet afhangen van eerdere fasen (principe van optimaliteit, Bellman) Er is een recursie die verwachte kosten / opbrengst van fasen n, n+1,, T relateert aan kosten van fasen n+1,, T Kosten zijn zeker, volgende toestand is zeker Kosten zijn onzeker, volgende toestand is zeker Kosten zijn onzeker, volgende toestand is onzeker
3 Fasen n Variabelen aantal opeenvolgende momenten waarop beslissingen moeten worden genomen 3 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 Overgang naar toestand j als gevolg van beslissing d bij toestand i in fase n
4 4 Vandaag: Beleggen in opties Stochastisch dynamische programmering Dobbelspelletje Beslisbomen Samenvatting How to gamble if you must
5 Beleggen in opties (1) 5 Situatieschets je bezit een optie om gedurende de komende N dagen een hoeveelheid aandelen te kopen tegen een vaste prijs van c Euro per aandeel je maakt een winst van max{0,i-c} Euro per aandeel als de koers gelijk is aan i Euro op de dag van aankoop de huidige koers van het aandeel is s, maar verandert per dag met +1, -1 of 0, met bijbehorende kansen p, q en 1-p-q Gevraagd de optimale strategie en de maximale verwachte winst per aandeel Opgave (N=5, s=c=50, p=q=1/3) Bepaal de optimale strategie
6 Fasen Beleggen in opties (2) opeenvolgende dagen : n = 0,...,N Toestand koers v/h aandeel : i n {s - n,...,s + n} Beslissing kopen of niet kopen? Optimale waardefunctie definieer f n (i) als de maximale verwachte winst indien de koers i Euro bedraagt als er n dagen verstreken zijn 6 Recurrente betrekkingen?
7 Beleggen in opties (3) Optimale waardefunctie definieer f n (i) als de maximale verwachte winst indien de koers i gulden bedraagt als er n dagen verstreken zijn Recurrente betrekkingen na N dagen is de optie verlopen, d.w.z. 7 f N (i) = max{0,i-c} voor alle i voor 0 n< N geldt het volgende:
8 Beleggen in opties (4) 8 Voorbeeld (N=5, s=c=50, p=q=1/3) de optimale strategie laat zich eenvoudig aflezen uit de volgende tabel (rood = beslissing kopen): de maximale verwachte winst bedraagt hierbij f 0 (50)=72 cent per aandeel (is waarde optie op tijdstip 0)
9 9 Vandaag: Beleggen in opties Stochastisch dynamische programmering Dobbelspelletje Beslisbomen Samenvatting How to gamble if you must
10 10 Deterministische Stochastische Dynamische Programmering Toepassingen beslissingsproblemen over een eindige horizon waarbij de beslismomenten geordend zijn (doorgaans in de tijd) Probleemstructuur optimale strategie m.b.v. recursie fase n toestand i n S n beslissing d n D n ( i n ) overgangskansen pi n n+1 ( i n+1 ii n,, d n ) directe resultaat r n ( i n, d n )
11 11 SDP (kosten onzeker, volgende toestand onzeker) 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 Overgangskansen p n (j i,d) kans op toestand j als gevolg van beslissing d bij toestand i in fase n
12 Doelstelling Optimalisatie maximaliseer de verwachte resultaten over de gehele planningshorizon : Optimale waardefunctie N max E r n (i n,d n ) definieer f n (i) als het maximale verwachte resultaat vanaf fase n vanuit toestand i S n Recurrente betrekkingen Stopcriterium f n (i) = max d D n (i) n= 0 r n (i,d) + p n ( j i,d) f n +1 ( j) j S n+1 aan het eind van de planningshorizon ligt alles vast, d.w.z. f N (i) moet gegeven zijn voor alle i S N 12
13 Verschillende varianten Determistisch vs. stochastisch bij deterministische DP problemen zijn de gevolgen van iedere beslissing bekend: p n (j i,d)=1 voor zekere j bij alle n,i,d bij stochastische DP problemen is dat niet (altijd) het geval Discreet vs. continu bij discrete DP problemen is aantal toestanden aftelbaar bij continue DP problemen is aantal toestanden overaftelbaar Eén vs. meerdere dimensies een toestand uit de toestandsruimte kan soms uit meerdere variabelen bestaan Doelstellingen maximale verwachtingswaarde van... maximale kans op... 13
14 14 Vandaag: Beleggen in opties Stochastisch dynamische programmering Dobbelspelletje Beslisbomen Samenvatting How to gamble if you must
15 15 Situatieschets Een dobbelspelletje (1) je mag maximaal N maal werpen met een (zuivere) dobbelsteen na elke worp moet je beslissen of je doorgaat of stopt de uitbetaling van het spel is het aantal gegooide ogen in de laatste worp Gevraagd de optimale strategie en de maximale verwachte uitbetaling of `hoeveel wilt u inzetten om mee te doen? Optimale waardefunctie definieer f n (i) als de maximale verwachte uitbetaling indien je n maal gegooid hebt, en het aantal ogen in de laatste worp gelijk is aan i
16 Fasen Een dobbelspelletje (2) opeenvolgende worpen : n = 0,...,N Toestand aantal ogen in laatste worp : i {1,...,6} Beslissing stoppen of doorgaan? Optimale waardefunctie f n (i) max verwachte uitbetaling indien je n maal gegooid hebt, en aantal ogen in de laatste worp is i Recurrente betrekkingen na N worpen is het spelletje afgelopen f N (i)=i, i=1,,6 voor 0 n< N geldt 6 f n (i) = max i, 1 6 f n +1 ( j) j=1 16
17 17 Voorbeeld (N=6) Een dobbelspelletje (4) de optimale strategie laat zich eenvoudig aflezen uit de volgende tabel (rood = beslissing stoppen) de verwachte uitbetaling van het spel bedraagt f 0 (0)=(5/6)*5.130+(1/6)*6=5.275 gulden
18 18 Vandaag: Beleggen in opties Stochastisch dynamische programmering Dobbelspelletje Beslisbomen Samenvatting How to gamble if you must
19 Wasmachine fabrikant (1) Pilgrim benaderd door het warenhuis D&V met het aanbod om exclusief voor D&V wasmachines te maken. Huidige winst van Pilgrim uit eigen verkopen is 1 miljoen euro. Accepteert Pilgrim het aanbod dan levert dit een jaarlijkse winstbijdrage van E ,-. Door substitutie effecten dalen de eigen verkopen. Geschatte winstdaling op de eigen verkopen is 25% met kans 0.1, 30% met kans 0.6 en 35% met kans 0.3. Indien Pilgrim aanbod afslaat zal met kans 0.4 een concurrent het aanbod accepteren, in welk geval de hiervoor genoemde winstdaling toch optreedt. Pilgrim kan in dit geval echter ook tot actie overgaan, hetzij door de eigen prijs te verlagen, hetzij door meer reclame te maken. De extra reclame kost jaarlijks E ,-- en heeft als effect dat de winstdaling minder is en wel 10% met kans 0.2, 15% met kans 0.7 en 20% met kans 0.1. Prijsverlaging beperkt de winstdaling tot 10% met kans 0.1, 15% met kans 0.8 en 20% met kans 0.1, mits de concurrent niet ook zijn prijs omlaag doet. Kans dat concurrent met een prijsverlaging reageert als Pilgrim hiertoe besluit is 0.5, met als gevolg dat Pilgrim's winstdaling 10% is met kans 0.1, 15% met kans 0.6 of 20% met kans 0.3. Welke politiek moet Pilgrim toepassen opdat zijn verwachte winstdaling zo klein mogelijk is? 19
20 Huidige winst E 1 miljoen uit eigen verkoop aanbod warenhuis: maak exclusief machines voor warenhuis acceptatie: winstbijdrage E maar minder eigen verkopen (substitutie): 25% met kans 0.1, 30% met kans 0.6, 35% met kans 0.3 afslaan: concurrent accepteert aanbod met kans 40% dan zelfde winstdaling mogelijke actie bij acceptatie aanbod door concurrent: prijs verlagen -- minder eigen verkopen als conc. prijs gelijk: 10% met kans 0.1, 15% met kans 0.8, 20% met kans als conc. prijs lager (kans hierop 50%): 10% met kans 0.1, 15% met kans 0.6, 20% met kans 0.3 reclame maken (kosten E ) -- minder eigen verkopen: 10% met kans 0.2, 15% met kans 0.7, 20% met kans 0.1 niets doen 20
21 Wasmachine fabrikant (2) 21 beslisboom beslissing realisatie; gevolg omgeving
22 22 Beslisbomen Vaak meerdere besluiten Aantal besluiten niet altijd vooraf bekend Structuur van beslisprobleem vaak gecompliceerd Beslisboom geeft structuur aan beslissingsprobleem Decompositie in meerdere deelproblemen Visualisatie van beslissingsprobleem
23 Achterwaarts Wasmachine fabrikant (3) f 2 minimale verwachte winstderving in situatie 2 f 1 minimale verwachte winstderving in situatie 1 23 Het is optimaal bod te accepteren, met verw. winstderving 60
24 24 Vandaag: Beleggen in opties Stochastisch dynamische programmering Dobbelspelletje Beslisbomen Samenvatting How to gamble if you must
25 Stochastische dynamische programmering Doelstelling maximaliseer de verwachte resultaten over de gehele planningshorizon : N max E r n (i n,d n ) Optimale waardefunctie n= 0 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) r n (i,d) + p n ( j i,d) f n +1 ( j) j S n+1 25 Beslisbomen: grafische voorstelling Extra voorbeelden W & dictaat OR II
26 Geluidbelasting Schiphol
27 27
28 28 Vandaag: Beleggen in opties Stochastisch dynamische programmering Dobbelspelletje Beslisbomen Samenvatting How to gamble if you must
29 29 How to gamble if you must U heeft 2 Euro en dringend behoefte uw kapitaal te vergroten tot 16 Euro U heeft de mogelijkheid deel te nemen aan een gokspel, met winstkans 40%, verlieskans 60% Inzet bij dit spel is ongelimiteerd, maar in hele Euro s Uitbetaling bij winst is twee maal uw inzet Bepaal een strategie om uw kans op bereiken doel te maximaliseren
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)
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 219
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 (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)
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)
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 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 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 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 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 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 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 informatieaandeelprijs op t = T 8.5 e 9 e 9.5 e 10 e 10.5 e 11 e 11.5 e
1 Technische Universiteit Delft Fac. Elektrotechniek, Wiskunde en Informatica Tussentoets Waarderen van Derivaten, Wi 3405TU Vrijdag november 01 9:00-11:00 ( uurs tentamen) 1. a. De koers van het aandeel
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 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 informatieTentamen Inleiding Kansrekening wi juni 2010, uur
Technische Universiteit Delft Mekelweg Faculteit Electrotechniek, Wiskunde en Informatica 8 CD Delft Tentamen Inleiding Kansrekening wi juni, 9.. uur Bij dit examen is het gebruik van een (evt. grafische
Nadere informatieTentamen Deterministische Modellen in de OR Dinsdag 17 augustus 2004, uur vakcode
Kenmerk: EWI04/T-DWMP//dh Tentamen Deterministische Modellen in de OR Dinsdag 7 augustus 004, 9.00.00 uur vakcode 58075 Opmerking vooraf: Geef bij elke opgave een volledige en duidelijke uitwerking inclusief
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 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 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 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 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 informatieOptimalisering WI 2608
Optimalisering WI 2608 Docent: Hans Melissen, EWI kamer 7.080 e-mail: j.b.m.melissen@ewi.tudelft.nl tel: 015-2782547 Studiemateriaal op : http://www.isa.ewi.tudelft.nl/~melissen (kijk bij onderwijs WI
Nadere informatieTentamen Inleiding Kansrekening 25 juni 2009, uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Tentamen Inleiding Kansrekening 25 juni 2009, 0.00 3.00 uur Docent: F. den Hollander Mathematisch Instituut 2333 CA Leiden Bij dit tentamen is het gebruik van een (grafische)
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 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 informatieHedging strategies. Opties ADVANCED. Een onderneming van de KBC-groep
Hedging strategies Opties p. 2 Index 1. Hedging met opties 3 2. Hedging met put opties 4 3. Hedgen met valutaopties 6 Drie valutaoptiecontracten 6 p. 3 Hedging met opties Hedging komt van het Engelse to
Nadere informatieOptimalisering WI 2608
Optimalisering WI 2608 Docent: Hans Melissen, EWI kamer 4.150 e-mail: j.b.m.melissen@tudelft.nl tel: 015-2782547 Het project is een verplicht onderdeel van het vak Het project start in week 5. Nadere informatie
Nadere informatieverkoopprijs (laagseizoen)(reisbureau) consument commissie (9% van de verkoopprijs) verkoopprijs (touroperator) reisbureau (commissie 9%)
opgave 1 consument verkoopprijs (laagseizoen)(reisbureau) commissie (9% van de verkoopprijs) 600 54 reisbureau (commissie 9%) verkoopprijs (touroperator) 546 marge (touroperator) touroperator kostprijs
Nadere informatieHedging strategies. Opties ADVANCED. Member of the KBC group
Hedging strategies Opties p. 2 Index 1. Hedging met opties 3 2. Hedging met put opties 4 3. Hedgen met valutaopties 6 Twee valutaoptiecontracten 6 p. 3 Hedging met opties Hedging komt van het Engelse to
Nadere informatieOVER OMZET, KOSTEN EN WINST
OVER OMZET, KOSTEN EN WINST De Totale Winst (TW) van bedrijven vindt men door van de Totale Opbrengsten (TO), de Totale Kosten (TK) af te halen. Daarvoor moeten we eerst naar de opbrengstenkant van het
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 informatieFiguur 1. Schematisch overzicht van de structuur van het twee-stadia recourse model.
Samenvatting In dit proefschrift worden planningsproblemen op het gebied van routering en roostering bestudeerd met behulp van wiskundige modellen en (numerieke) optimalisatie. Kenmerkend voor de bestudeerde
Nadere informatieClassificatie van Markovbeslissingsketens
Classificatie van Markovbeslissingsketens Complexiteit van het multichainclassificatieprobleem Wendy Ellens 21 augustus 2008 Bachelorscriptie, Mathematisch Instituut, Universiteit Leiden Begeleider: Prof.
Nadere informatieAdvanced Battery Tech Inc.
TIP 1: Advanced Battery Tech Inc. Beurs Land Ticker Symbol ISIN Code Sector Nasdaq Verenigde Staten ABAT US00752H1023 Industrial Electrical Equipment Advanced Batteries (ABAT) ontwikkelt, fabriceert en
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 informatieDurft u het risico aan?
Durft u het risico aan? Hoe het uitkeringspercentage van de vernieuwde Nederlandse Lotto te schatten? Ton Dieker en Henk Tijms De Lotto is in Nederland een grote speler op de kansspelmarkt. Met onderdelen
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 informatieStatistiek voor A.I. College 4. Donderdag 20 September 2012
Statistiek voor A.I. College 4 Donderdag 20 September 2012 1 / 30 2 Deductieve statistiek Kansrekening 2 / 30 Cycle 3 / 30 Context 4 / 30 2 Deductieve statistiek Vandaag: Eigenschappen kansen Oneindige
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 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 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 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 informatieMaandbeleggen. Ook met een klein bedrag. Geen aankoopkosten. Betere spreiding. Flexibel. Van punt tot punt sneller naar je doel
Maandbeleggen Van punt tot punt sneller naar je doel Ook met een klein bedrag Geen aankoopkosten Betere spreiding Flexibel Elke maand dichter bij je doel Je legt geld opzij voor later. Om een onvergetelijke
Nadere informatieRisico s binnen een project
Risico s binnen een project Alles loopt op wieltjes Je hebt de zaak vanuit alle hoeken onderzocht. Je hebt het al 1000x gedaan Alles is vanzelfsprekend Je weet perfect wat je aan het doen bent, je bent
Nadere informatieTiende college algoritmiek. 14 april Dynamisch Programmeren, Gretige Algoritmen, Kortste Pad met BFS
Algoritmiek 2016/Dynamisch Programmeren Tiende college algoritmiek 14 april 2016 Dynamisch Programmeren, Gretige Algoritmen, Kortste Pad met BFS 1 Algoritmiek 2016/Dynamisch Programmeren Houtzaagmolen
Nadere informatieStatistiek voor A.I. College 5. Dinsdag 25 September 2012
Statistiek voor A.I. College 5 Dinsdag 25 September 2012 1 / 34 2 Deductieve statistiek Kansrekening 2 / 34 Percentages 3 / 34 Vragen: blikkie Kinderen worden slanker als ze anderhalf jaar lang limonade
Nadere informatieSamenvatting (Summary in Dutch)
Het voornaamste doel van dit proefschrift is nieuwe methoden te ontwikkelen en te valideren om de effectiviteit van customization te kunnen bepalen en hoe dataverzameling kan worden verbeterd. Om deze
Nadere informatieVorig college. IN2505-II Berekenbaarheidstheorie. Turingmachines. Turingmachine en Taal. College 2
Vorig college College 2 Algoritmiekgroep Faculteit EWI TU Delft Welke problemen zijn (niet) algoritmisch oplosbaar? Wat is een probleem? Wat is een algoritme? 13 april 2009 1 2 Turingmachines Turingmachine
Nadere informatieHet oplossen van vergelijkingen Voor het benaderen van oplossingen van vergelijkingen van de vorm F(x)=0 bespreken we een aantal methoden:
Hoofdstuk 4 Programmeren met de GR Toevoegen: een inleiding op het programmeren met de GR Hoofdstuk 5 - Numerieke methoden Numerieke wiskunde is een deelgebied van de wiskunde waarin algoritmes voor problemen
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 informatieUitwerking Tentamen Inleiding Kansrekening 11 juni 2015, uur Docent: Prof. dr. F. den Hollander
Uitwerking Tentamen Inleiding Kansrekening juni 25,. 3. uur Docent: Prof. dr. F. den Hollander () [6] Zij F een gebeurtenissenruimte. Laat zien dat voor elke B F de verzameling G {A B : A F} opnieuw een
Nadere informatieWachtrijmodellen voor optimalisatie in het dagelijks leven
Wachtrijmodellen voor optimalisatie in het dagelijks leven Richard J. Boucherie Stochastische Operationele Research Abstract Wachten doen we allemaal: bij de kassa van de supermarkt, in het verkeer, maar
Nadere informatieBeleggingsprofiel. Assurantiekantoor Klaassen & Partners Postkantoorstraat 33 6551 BH Weurt
Beleggingsprofiel Assurantiekantoor Klaassen & Partners Postkantoorstraat 33 6551 BH Weurt Assurantiekantoor Klaassen & Partners Beleggingsprofiel Versie juni 2009 1 Klantgegevens Voorletter Naam Adres
Nadere informatieBusiness Plan Grensoverschrijdende Marketing. Marie-Janine Saris 24 april 2007
Business Plan Grensoverschrijdende Marketing Marie-Janine Saris 24 april 2007 Agenda Introductie Waarom een plan? Business Plan versus Marketing Plan Opbouw Business Plan Structuur van een Marketing Plan
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 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 informatieGreedy algoritmes. Algoritmiek
Greedy algoritmes Algoritmiek Algoritmische technieken Trucs, methoden, paradigma s voor het ontwerpen van algoritmen Dynamisch Programmeren Divide & Conquer Greedy 2 Greedy algoritme Bouwt de oplossing
Nadere informatieHertentamen Inleiding Kansrekening 5 juli 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Hertentamen Inleiding Kansrekening 5 juli 07, 4:00 7:00 Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan, wel het gebruik van rekenmachine. Er
Nadere informatieStatistiek voor A.I. College 6. Donderdag 27 September
Statistiek voor A.I. College 6 Donderdag 27 September 1 / 1 2 Deductieve statistiek Kansrekening 2 / 1 Vraag: Afghanistan In het leger wordt uit een groep van 6 vrouwelijke en 14 mannelijke soldaten een
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 2 Donderdag 15 September 1 / 42 1 Kansrekening Vandaag: Vragen Eigenschappen van kansen Oneindige discrete uitkomstenruimtes Continue uitkomstenruimtes Continue stochasten
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 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 informatieNegende college algoritmiek. 15 april Dynamisch Programmeren
Negende college algoritmiek 15 april 2016 Dynamisch Programmeren 1 algemeen Uit college 8: DP: - nuttig bij problemen met overlappende deelproblemen - druk een oplossing van het probleem uit in oplossingen
Nadere informatieExamen HAVO. wiskunde A. tijdvak 2 woensdag 23 juni 13.30-16.30 uur
Examen HAVO 2010 tijdvak 2 woensdag 23 juni 13.30-16.30 uur wiskunde A Dit examen bestaat uit 21 vragen. Voor dit examen zijn maximaal 83 punten te behalen. Voor elk vraagnummer staat hoeveel punten met
Nadere informatieSamenvatting. Beginselen van Productie. en Logistiek Management
Samenvatting Beginselen van Productie en Logistiek Management Pieter-Jan Smets 5 maart 2015 Inhoudsopgave I Voorraadbeheer 4 1 Inleiding 4 1.1 Globalisering........................................... 4
Nadere informatieHoofdstuk V. Spelen met kansen. Ben van der Genugten
Hoofdstuk V Spelen met kansen Ben van der Genugten 1. Inleiding Doel van dit hoofdstuk is te laten zien hoe kansrekening gebruikt kan worden bij het oplossen van intrigerende problemen bij enkele (over)bekende
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 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 informatieStrategie 2013. André Brouwers
André Brouwers Strategie 2013 André Brouwers Training en coaching Online abonnement VIP coaching Trading Week Strategie Weekend Disclaimer Disclaimer De disclaimer van onze website is van toepassing. Beleggen
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 3 Dinsdag 21 September 1 / 21 1 Kansrekening Indeling: Uniforme verdelingen Cumulatieve distributiefuncties 2 / 21 Vragen: lengte Een lineaal wordt op een willekeurig
Nadere informatieOpties. Brochure bestemd voor particuliere beleggers INTERMEDIATE. Een onderneming van de KBC-groep
Brochure bestemd voor particuliere beleggers Gepubliceerd door KBC Securities in samen werking met Euronext. p. 2 Index 1. Inleiding 3 2. Valutaopties 4 Drie valutaoptiecontracten 4 Waarom valutaopties
Nadere informatieCompex wiskunde A1-2 vwo 2004-I
KoersSprint In deze opgave gebruiken we enkele Excelbestanden. Het kan zijn dat de uitkomsten van de berekeningen in de bestanden iets verschillen van de exacte waarden door afrondingen. Verder kunnen
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 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 informatieExamen HAVO. wiskunde A. tijdvak 2 woensdag 20 juni 13.30-16.30 uur. Bij dit examen hoort een uitwerkbijlage.
Examen HAVO 01 tijdvak woensdag 0 juni 13.30-16.30 uur wiskunde A Bij dit examen hoort een uitwerkbijlage. Dit examen bestaat uit 1 vragen. Voor dit examen zijn maximaal 79 punten te behalen. Voor elk
Nadere informatieSamen uw risico profiel bepalen
Klant naam: Woonplaats:.. Samen uw risico profiel bepalen Deze vragenlijst is bestemd voor de belegger. Beleggen betekent investeren, tegen al dan niet onzekere rendementen en eventueel met een risico.
Nadere informatieHoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1
Hoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1 1 Onderwerpen van de lessenserie: De Normale Verdeling Nul- en Alternatieve-hypothese ( - en -fout) Steekproeven Statistisch toetsen Grafisch
Nadere informatieGezamenlijke kansverdeling van twee stochasten
Gezamenlijke kansverdeling van twee stochasten Voorbeeld: V = de windsnelheid H = hoogte van het waterniveau in een rivier/zee De combinatie (V, H) is van belang voor een overstroming en niet zozeer V
Nadere informatieVerwachtingswaarde, Variantie en Standaarddeviatie
Verwachtingswaarde, Variantie en Standaarddeviatie Wisnet-hbo Verwachtingswaarde update maart 200 De verwachtingswaarde van een kansvariabele is een soort gemiddelde waarde. Deze wordt aangeduid met E(k)
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Eindtentamen Kansrekening en Statistiek (WS), Tussentoets Kansrekening en Statistiek (WS), Vrijdag 8 april, om 9:-:. Dit is een tentamen
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord en Leonie Bosveld December 2, 2016 Simulatie Uitrekenen of simpelweg heel vaak uitproberen... Wissel je van garagebox? Simulatie: als benadering van niet of moeilijk
Nadere informatieBeslisbare talen (1) IN2505-II Berekenbaarheidstheorie. Beslisbare talen (2) Beslisbare talen (3) De talen: College 7
Beslisbare talen (1) College 7 Algoritmiekgroep Faculteit EWI TU Delft 10 mei 2009 De talen: A DFA = { M, w M is een DFA die w accepteert} A NFA = { M, w M is een NFA die w accepteert} E DFA = { M M is
Nadere informatieDoordacht beleggen begint bij Belfius Bank. Ontdek onze beleggingsaanpak
Doordacht beleggen begint bij Belfius Bank Ontdek onze beleggingsaanpak Onze beleggingsaanpak: op maat én persoonlijk Ontdek het verschil. Beleg bij Belfius Bank. Beleggen is complex. Er bestaan immers
Nadere informatiestart -> id (k (f c s) (g s c)) -> k (f c s) (g s c) -> f c s -> s c
Een Minimaal Formalisme om te Programmeren We hebben gezien dat Turing machines beschouwd kunnen worden als universele computers. D.w.z. dat iedere berekening met natuurlijke getallen die met een computer
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 informatieVan Stuiver tot Miljardair
Van Stuiver tot Miljardair Slim beleggen met een hefboom Rob Stuiver 29 september Programma Het ver-1000 voudigen van uw vermogen in 20 jaar Bouwen van de portefeuille Bouwstenen: Aandelen, Alternatives,
Nadere informatiewerkcollege 5 - P&D7: Population distributions - P&D8: Sampling variability and Sampling distributions
cursus 4 mei 2012 werkcollege 5 - P&D7: Population distributions - P&D8: Sampling variability and Sampling distributions Huiswerk P&D, opgaven Chapter 6: 9, 19, 25, 33 P&D, opgaven Appendix A: 1, 9 doen
Nadere informatieRadboud Universiteit Nijmegen Heyendaalse weg 135
Radboud Universiteit Nijmegen Heyendaalse weg 35 Faculteit FNWI 6525 AJ Nijmegen Examen NWI-NB00B Inleiding Kansrekening 2 juni 206 Schrijf boven elk vel je naam, studentnummer en studierichting (W, N
Nadere informatieProefles webklas Wiskunde. Universiteit van Amsterdam September 2002
Proefles webklas Wiskunde Universiteit van Amsterdam September 2002 1 Inleiding Deze proefles van de webklas Wiskunde behandelt hetzelfde onderwerp als de echte webklas, alleen in een veel eenvoudiger
Nadere informatieUIT doelstellingen en grafieken
Vraaglijn is prijs-afzetlijn. De vraaglijn die we kennen van de perfect werkende markt, zien we terug bij de niet perfecte marktvormen. Het drukt nu de betalingsbereidheid van de klant voor het specifieke
Nadere informatieEuronext.liffe. Inleiding Optiestrategieën
Euronext.liffe Inleiding Optiestrategieën Vooraf De inhoud van dit document is uitsluitend educatief van karakter. Voor advies dient u contact op te nemen met uw bank of broker. Het is verstandig alvorens
Nadere informatieSWOT-ANALYSE. SWOT en confrontatiematrix aangeboden door www.managementmodellensite.nl 1
SWOT-ANALYSE De SWOT-analyse is een breed toegepaste manier om kansen en bedreigingen voor en sterkten en zwakten van de organisatie in beeld te brengen. Vaak blijft het bij het benoemen van deze vier
Nadere informatieAnalytics rapport: AmbiSphere
www.vanhaelewyn.be/webdesign Industrieweg 3 marketing@vanhaelewyn.be B-3001 HAASRODE (op afspraak) +32 (0) 495 61 58 05 Analytics rapport: AmbiSphere 1 november 2008 30 november 2008 V = vaststelling V
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 informatieOefenopgaven Grondslagen van de Wiskunde A
Oefenopgaven Grondslagen van de Wiskunde A Jaap van Oosten 2007-2008 1 Kardinaliteiten Opgave 1.1. Bewijs, dat R N = R. Opgave 1.2. Laat Cont de verzameling continue functies R R zijn. a) Laat zien dat
Nadere informatie