Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETE93MM05
Tantárgy azonosító adatok
1. A tárgy címe Sztochasztikus programozás
2. A tárgy angol címe Stochastic Programming
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 3 + 1 + 0 v Kredit 5
4. Ajánlott/kötelező előtanulmányi rend
vagy Tantárgy kód 1 Rövid cím 1 Tantárgy kód 2 Rövid cím 2 Tantárgy kód 3 Rövid cím 3
4.1
4.2
4.3
5. Kizáró tantárgyak
6. A tantárgy felelős tanszéke Differenciálegyenletek Tanszék
7. A tantárgy felelős oktatója Dr. Szántai Tamás beosztása egyetemi tanár
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2008.12.01. Akkreditációs bizottság döntési időpontja 2009.03.30.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
valószínűségszámítás, matematikai statisztika, operációkutatás alapjai
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
TTK Mat. MSc képzés köt. vál. differenciált szakmai tárgya és az Alk.mat. MSc képzés Op.kut. szaki rány kötelező tárgya
11. A tárgy részletes tematikája
Statisztikai döntési elvek. Pétervári probléma, Bernoulli-elv és az újságárus probléma, holland gátmagasítási probléma, ‘safety first’ elv, Marschak döntési elv, a Bayes-i döntési elv, Markowitz elv, játékelmélet, Neumann János tétele. Konvexitási tételek. A logkonkáv mértékek elmélete.Általános konvexitási tételek. Valószínűségi eloszlásfüggvények konkávitás i és kvázi- konkávitási tételei. Statikus sztochasztikus programozási modellek. Valószínűség maximalizálás. Egyedi, illetve együttes valószínűségi korlátokat tartalmazó sztochasztikus programozási feladatok elmélete és megoldási módszerei. Feltételes várható értéket tartalmazó modellek. Véletl en célfüggvényes modellek. Büntetéses sztochasztikus programozás elmélete és speciális esetekre vonatkozó megoldási módszerei: diszkrét eloszlás, egyenletes eloszlás esete. Dinamikus sztochasztikus programozási modellek. Kétlépcsős sztochasztikus programozási feladat és matematikai tulajdonsága i. Diszkrét valószínűségi vektorváltozóra vonatkozó kétlépcsős sztochasztikus programozási feladat megoldása bázis dekompozíciós módszerr el. A Wets- féle , ‘L-shaped’ megoldási módszer. A sztochasztikus dekompozíció és a feltételes sztochasztikus dekompozíció módszere. Sztochasztikus kvázi- gradiens módszerek. Többlépcsős sztochasztikus programozási feladatok. Bázis dekompozíció és ‘L-shaped’ megoldó módszer a többlépcsős sztochasztikus programozási feladatok esetében. A sztochasztikus programozás néhány alkalmazása. Elektromos energia véletlen hatások melletti termelése és kapacitás bővítése. Erőművi megbízhatósági elemzések. Tó vízkészlet szabályozása. Tározók optimális irányítása. A PERT probléma. Pénzügyi modellek.
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 vizsga-
időszakban		 szóbeli vizsga
13. Pótlási lehetőségek
elégtelen vizsga a vizsgaidőszak meghirdetett vizsga alkalmain kétszer ismételhető
14. Konzultációs lehetőségek
a tárgy oktatójának heti rendszerességgel meghirdetett fogadóóráján
15. Jegyzet, tankönyv, felhasználható irodalom
A. Prékopa, Stochasztic Programming, Kluwer Academic Publishers, Budapest, 1995.
16. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
16.1 Kontakt óra
56
16.2 Félévközi felkészülés órákra
46
16.3 Felkészülés zárthelyire
0
16.4 Zárthelyik megírása
0
16.5 Házi feladat elkészítése
0
16.6 Kijelölt írásos tananyag elsajátítása (beszámoló)
0
16.7 Egyéb elfoglaltság
0
16.8 Vizsgafelkészülés
48
16.9 Összesen
150
17. Ellenőrző adat Kredit * 30
150
A tárgy tematikáját kidolgozta
18. Név beosztás Munkahely (tanszék, kutatóintézet, stb.)
Dr. Szántai Tamás
egyetemi tanár
Differenciálegyenletek Tanszék
A tanszékvezető
19. Neve aláírása
Dr. Szántai Tamás