Formelsamling. SCM200 Lager- og produksjonsplanlegging, våren ) Strategisk 2) Taktisk 3) Operasjonelt
|
|
- Frida Sletten
- 5 år siden
- Visninger:
Transkript
1 Formelsamling SCM200 Lager- og produksjonsplanlegging, våren Fundamentale begreper Beslutningshierarkiet: 1) Strategisk 2) Taktisk 3) Operasjonelt Aggregering: Å aggregere betyr å slå sammen produkter til produktfamilier, kunder til kundegrupper, salgssteder til salgsområder etc. MPC-system: Et MPC-system er en konseptuell modell på hvordan et datasystem for lager -og produksjonsplanlegging kan være oppbygd. Kundeordrepunkt: Kundeordrepunktet er det punktet i en bedrifts verdikjede hvor etterspørselen går fra å være uavhengig til avhengig etterspørsel. 1) Make-To-Stock - kundeordrepunktet er ved ferdiglageret 2) Assembly-To-Order - kundeordrepunktet er ved havlfabrikatlageret 3) Make-To-Order - kundeordrepunktet er ved råvarene og komponentene 3) Engineer-To-Order - kundeordrepunktet er ved leverandørene og designerne 1
2 2 Prognostisering Generelt: T = antall observasjoner (1) S = antall perioder som skal prognostiseres (2) X t = observasjon i periode t, hvor t = 1, 2, 3,..., T (3) F t+s = prognose for periode s hvor s = 1, 2, 3,..., S (4) E t = X t F t, prognosefeil i periode t, hvor t = 1, 2, 3,..., T (5) Mønster: Etterspørsel Trend Sesong tid Syklisk Tilfeldig tid Figur 1: 4 typiske mønstre - isolert sett. Tilfeldig mønster: Underliggende modell Matematisk kan modellen for tilfeldig mønster uttrykkes ved: X t = C + ɛ(t) (6) hvor X t = etterspørsel i periode t (7) C = den faktiske (ukjente) konstante etterspørselen (8) ɛ(t) = støyen i periode t ( avvikene rundt den tenkte horisontale linjen C ) (9) 2
3 Prognoser for tilfeldig mønster ofte salgsdata {}}{ Dersom observasjonene X 1, X 2,..., X T følger et tilfeldig mønster, vil alle prognosene F t ha samme verdi F, dvs.: hvor F = F T +1 = F T +2 = = F T +S (10) F = prognosen for periodene T + 1, T + 2,..., T + S (11) dvs. prognoser til et tilfeldg mønster er konstant. Random Walk: ( RW ) Random Walk lar prognosen F være lik verdien på siste observasjon, dvs.: F = X T (12) Glidende gjennomsnitt med vindu n ( M A(n) ) Glidende gjennomsnitt med vinde n, er gjennomsnittet over de n siste observasjonene: F = 1 n n X T n+t (13) t=1 3
4 Vektet glidende gjennomsnitt med vindu n ( W MA(θ n, n) ) Vektet glidende gjennomsnitt med vindu n, er gjennomsnittet over de n siste observasjonene til X t, med vektene θ 1, θ 2,..., θ n (hvor θ n er vekten til siste observasjon): F = n θ t X T n+t (14) t=1 Summen av vektene må være lik 1. Eksponensiell glatting med glattingsparameter θ ( ES(θ), 0 θ 1 ) Feilkorrigerende versjon: Ny prognose F t+1 fås ved å justere ny observasjon X t med en andel θ av feilen E t gjort ved forrige prognose. F t+1 = X t θe t (15) Gjennomsnitt versjon: Ny prognose F t+1 fås ved å ta gjennomsnittet mellom ny observasjon X t og forrige prognose F t, hvor prognosen vektlegges ved θ og den nye observasjonen ved 1 θ. F t+1 = θf t + (1 θ)x t (16) 4
5 Måltall: Generelt: s : første periode vi har prognose for (17) N : antall observasjoner (18) E t = X t F t 1 : feil gjort i periode t (19) Mean Forecasting Error ( MF E - måler trend i observasjonene X t ) Gjennomsnittlig prognosefeil, M F E, er definert ved: MF E = 1 T s + 1 T E t (20) t=s Mean Absolute Error ( MAD - måler gjennomsnittlig absolutt avvik mellom F t og X t ) Gjennomsnittlig absolutt avvik, M AD, er definert ved: MAD = 1 T s + 1 T E t (21) t=s Mean Squared Error ( MSE - måler gjennomsnittlig kvadratisk avvik mellom F t og X t ) Gjennomsnittlig kvadratisk avvik, M F E, er definert ved: MSE = 1 T s + 1 T Et 2 (22) t=s 5
6 3 Fasilitetsdesign Modell: i 1... N, fasilitet nr i (23) j 1... M, region nr j (24) D j etterspørsel region j (25) I i investeringskostnad fasilitet nr i (26) C ij transportkostnad fra fasilitet i til region j (27) X ij antall transporterte enheter fra fasilitet i til region j (28) Y i bygge fasilitet i eller ikke (29) C = N I i Y i + i=1 N M C ij X ij, målfunksjon (30) i=1 j=1 D j = N X ij, etterspørsel oppfylt (31) i=1 hvis Y i = 0, så må X ij = 0 ingen fasilitet, ingen transport (32) 6
7 4 Aggregert produksjonsplanlegging Modell: t 1,..., T periode nr t (33) j 1,..., N, produkt nr j (34) D jt etterspørsel produkt j i periode t (35) I j0 startslager produkt nr j (36) I jt +1 sluttlager produkt nr j (37) R t kapasitetsskranke i periode t (38) Rt O tilgjengelig overtid i periode t (39) r j bearbeidingstid for produkt j (40) C j lagerkostnad for produkt j (41) C 0 overtidskostnad (42) X jt produsert kvantum av produkt j i periode t (43) I jt overlagret kvantum av produkt j i fra t til t + 1 (44) O t overtidsforbruk i periode t (45) C = N T C 0 O t, målfunksjon (46) j=1 t=1 C j I jt + t=1 N r j X jt R t, kapasitetsskranke i periode t (47) j=1 O t R O t, maksimalt overtidsforbruk i periode t (48) I jt 1 + X jt D jt = I jt, lagerbalansen for produkt j i periode t (49) 7
8 5 Master produksjonsplanlegging Masterplan ( Generelle størrelser ) En masterplan er en rullerende plan med en gitt horisont som består av følgende element (for hver periode): Prognose - de prognostiserte verdiene i løpet av horisonten Ordrer - bekreftede ordrer som skal leveres i løpet av horisonten Lager - planlagte lagernivåer i løpet av horisonten Ledig-til-reservasjon - reflekterer hvor mye vi har lovet bort fra en gitt bestilling/produksjon. Et styringstall som gir en rask måte å se om en ordre kan leveres eller ikke for en gitt periode. Master Produksjon Plan (MPP) - produksjons- eller innkjøpsplaner. Tallene viser når varene skal ankomme, ikke når de bestilles. Uke t init Prognose F t Ordrer D t Lagernivå I t Ledig-til-reservasjon R t MPS Tabell 1: Masterplan (MPS). Soner: Masterplanen deles gjerne inn i 3 soner: 1) Fryst sone - kun salg brukes for å beregne etterspørselen 2) Fleksibel sone - den største av prognose og salg brukes for å beregne etterspørselen 3) Fri sone - kun prognose brukes for å beregne etterspørselen 8
9 EOQ: ( Optimal bestillingsmengde under konstant etterspørsel ) D konstant etterspørselsrate - antall solgte enheter pr tidsenhet (50) S bestillingskostnad (51) i kapitalrente pr år (52) P innkjøpspris pr enhet (53) C H = ip M innkjøpspris pr enhet, M antall tidsenheter pr år (54) C = S D X + C X H 2 totale merkostnader pr tidsenhet (55) X = 2DS C H optimal ordrestørrelse (EOQ) (56) O = X D optimal omløpstid (57) D X optimalt antall bestillinger i løpet av en tidsenhet (58) Bestillingspunktmodellen: ( Lagernivået som trigger ny bestilling ) Servicegrad p: Servicegrad p betyr at sannsynligheten for å ikke gå tom på lager er 99% Bestillingspunkt og sikkerhetslager: R p = DL + SS bestillingspunkt som gir servicegrad p (59) SS p = σz p L sikkerhetslager som gir servicegrad p (60) Z p sikkerhetsfaktor som gir servicegrad p (61) σ standardavviket ved etterspørselen (62) L ledetid gitt i antall tidsenheter (63) 9
10 Wagner-Withins modell: ( Optimal bestillingsplan under varierende etterspørsel ) Når vi har varierende etterspørsel uten kapasitetsskranker t 1,..., T periode nr t (64) D t etterspørsel produkt j i periode t (65) I 0 startslager (66) I T +1 sluttlager (67) S bestillingskostnad/setupkostnad (68) H lagerkostnad pr enhet pr periode (69) (70) X t produsert kvantum i periode t (71) I t overlagret kvantum fra t til t + 1 (72) Y t bestilling eller ikke i periode t (73) (74) T C = HI t + SY t t=1 t=1 målfunksjon (75) (76) I t 1 + X t D t = I t lagerbalansen i periode t (77) (78) hvis Y t = 0, så må X t = 0 ingen bestilling, ikke noe levert (79) (80) Wagner-Withins algoritme: De fire observasjonene til Wagner-Wihtin: 1. ingen overlagring til en periode med bestilling. 2. dominante produksjonsplaner - det er optimalt å kun bestillie hele produksjonsbehov. 3. splitting i subproblemer - hvis det er optimalt at det er ingen overlagring fra en periode t, så kan vi splitte problemet i to intervaller, [1, t 1], og [t, T ], hvor T er fire i denne oppgaven. 4. horisontteoremet - dersom det for et gitt subproblem [1, ˆt] er optimalt at siste bestilling skjer i en tidligere periode ˆt < ˆt, så kan vi løse subproblemet [1, ˆt 1] for seg selv (dvs vi kan kutte disse periodene vekk ifra algoritmen, da vi har allerede regnet ut dette subproblemet i algoritmen). Hvis siste bestilling skjer i periode ˆt, dvs ˆt = ˆt, så er det optimalt å produsere i periopde ˆt. 10
11 Subproblem: ( Beregning av subproblemer i Wagner-Withins algoritme) Anta vi har løst problemet for subproblemet med 4 perioder og skal løse subproblem 5. Vi har da beregnet følgende: Subproblem 4: [ ] C4 = min C 1000, C x100, C xx10, C xxx1 (81) Vi kan da beregne subproblem 5, ved hjelp av subproblem 4: Subproblem 5: [ ] C5 = min C 10000, C x1000, C xx100, C xxxx1 (82) hvor C = C HD 5 (83) C x1000 = C x HD 5 (84) C xx100 = C xx10 + 2HD 5 (85) C xxx10 = C xxx1 + 1HD 5 (86) C xxxx1 = C4 + S (87) 11
12 6 MRP MRP-plan: ( Generelle størrelser ) I tabellen under har vi oppgitt en ferdig utregnet MRP-tabell for komponent Q fra eksempelet over. Tabellen representerer planen for de neste 10 ukene for komponent Q. Uke Init Bruttobehov D Qt Planlagt mottak M Qt Sikkerhetslager I Qt Lager I Qt Nettobehov X Qt Planlagt ordre X Qt LQ Tabell 2: MRP-tabell for en komponent Q i bomstrukturen. En MRP-tabell består av følgende felter (for hver periode): Bruttobehov - det totale behovet for komponenten (avhengig etterspørsel). Siden en bil har fire felger, kan vi anta at det er planlagt å produsere 25 biler i og 8. uke henholdsvis. Planlagt mottak - bekreftede ordrer som skal leveres i løpet av horisonten (samme som for masterplan) Sikkerhetslager - dersom komponenten opererer med sikkerhetslager, oppgis dette her. (NB: denne raden finnes ikke for reelle MRP-tabeller, men inkluderes her for læringens skyld). Lager - planlagte lagernivåer i løpet av horisonten. Lagerbalansen må være oppfylt. Nettobehov - det faktiske behovet for komponenten, etter at lager og eventuelle planlagte mottak har blitt lagt til. Planlagt ordre - produksjons -eller innkjøpsplaner. Tallene viser når varene må bestilles, dvs ledetiden for anskaffelsen av bestillingen er tatt med i betraktningen. Hvilken ordrestørrelse som benyttes antas gitt når vi beregner MRP-planene. Seriestørrelsene er dog en helt fundamental beslutning, og man kan benytte de samme metodene som for masterplanlegging (EOQ, Wagner-Whitin etc). 12
13 7 Operasjonell planlegging Sekvensiering: ( Rekkefølgen operasjonene i produksjonen skal gjennomføres ) Generelle begreper: Jobb - en faktisk komponent som skal bearbeides i produksjonen. En jobb har: Et visst antall delkomponenter (BOM) Et visst antall operasjoner som må gjennomføres, gjerne i en gitt rekkefølge Ofte en due-date - dvs. siste tidspunkt for ferdigstillelse. Operasjon - et enkeltsteg i en jobb, som gjerne er knyttet til en maskin og/eller operatør. En operasjon har: En bearbeidingstid (prosesseringstid) Et planlegt startstidspunkt (dato og klokkeslett) Et planlagt sluttpunkt (dato og klokkeslett) Ofte en due-date - dvs. siste tidspunkt for ferdigstillelse. Målfunksjoner: Makespan - tidspunkt for nå siste operasjon er ferdig - vektlegger kapasitetsutnyttelse. Gjennomsnittlig gjennomløpstid - hvor lenge hver jobb er under prosessering i gjennomsnitt - vektlegger kostnader. Antall forsinkede jobber - hvor mange jobber som er forsinket i forhold til due date Total forsinkelse - summen av all forsinkelse 13
14 Ganttdiagram: Et Ganttdiagram brukes for enkelt kunne se og beregne operasjonene for en gitt sekvensiering. Figur 2 viser Ganttdiagrammet for rekkefølgen av to jobber hvor jobb A prosesseres før jobb B: Operasjonstidene: Bearbeidingstider Serie A Serie B Maskin Maskin2 2 4 Tabell 3: Bearbeidingstider for jobb A og jobb B Sekvensieringsplanen jobb A før jobb B: Rekkefølge Jobb A - Jobb B Maskin 1 Maskin 2 Figur 2: Gantt-diagram. 14
Oppgavesett nr. 5. SCM200 Lager- og produksjonsplanlegging, våren Hovedlageret til Elkjøp leverer varer til alle Elkjøp-butikkene i Norge.
Innleveringsfrist: fredag 6. april kl. 14:00 Oppgavesett nr. 5 SCM200 Lager- og produksjonsplanlegging, våren 2018 Oppgave 1: ( masterplan og EOQ ) Hovedlageret til Elkjøp leverer varer til alle Elkjøp-butikkene
DetaljerLØSNING: Eksamen mai 2018
LØSNING: Eksamen mai 2018 SCM200 Lager -og Produksjonsstyring, vår 2018 Oppgave 1: ( prognostisering, 25 % ) a) Prognosen F 13 regnes ut ved den skrittvise formelen for eksponensiell glatting. Siden vi
DetaljerLøsning: Oppgavesett nr.2
Løsning: Oppgavesett nr.2 SCM200 Lager -og Produksjonsstyring, vår 2018 Oppgave 1: ( Random walk og glidende gjennomsnitt ) a) Plotter antall serviceordrer X t som funksjon av kvartal t: antall serviceordrer
DetaljerKompendium V SCM200 Lager- og produksjonsplanlegging. Del 2 av 2. Bård-Inge Pettersen og Per Kristian Rekdal
Kompendium V-2017 SCM200 Lager- og produksjonsplanlegging Del 2 av 2 Bård-Inge Pettersen og Per Kristian Rekdal 2 SCM200 Lager- og produkjsonsstyring Figur 1: SCM200 Lager og produksjonsstyring er helt
DetaljerSCM200. Lager- og produksjonsplanlegging. Eksamensoppgaver Bård-Inge Pettersen Per Kristian Rekdal
SCM200 Lager- og produksjonsplanlegging Eksamensoppgaver 2015-2017 Bård-Inge Pettersen Per Kristian Rekdal 2 Forord Eksamensoppgaver: Dette er en samling av eksamenssoppgaver i emnet SCM200 Lager- og produksjonsplanlegging
DetaljerSCM200. Lager- og produksjonsplanlegging. Samlig av løsningforslag til øvingsoppgaver Bård-Inge Pettersen og Per Kristian Rekdal
SCM200 Lager- og produksjonsplanlegging Samlig av løsningforslag til øvingsoppgaver 2017 Bård-Inge Pettersen og Per Kristian Rekdal 2 Forord Løsningsforslag: Dette er en samling av løsningsforslag i emnet
DetaljerSCM200. Lager- og produksjonsplanlegging. Samlig av løsningforslag til øvingsoppgaver Bård-Inge Pettersen
SCM200 Lager- og produksjonsplanlegging Samlig av løsningforslag til øvingsoppgaver 2018 Bård-Inge Pettersen 2 Forord Løsningsforslag: Dette er en samling av løsningsforslag i emnet SCM200 Lager- og produksjonsplanlegging
DetaljerSCM200. Lager- og produksjonsplanlegging. Samlig av øvingsoppgaver Bård-Inge Pettersen og Per Kristian Rekdal
SCM200 Lager- og produksjonsplanlegging Samlig av øvingsoppgaver 2017 Bård-Inge Pettersen og Per Kristian Rekdal 2 Forord Øvingsoppgaver: Dette er en samling av øvingsoppgaver i emnet SCM200 Lager- og
DetaljerPrognoser og lagerstyring
Handelshøyskolen BI Eirill Bø HØSTEN 2000 Behovsanalyser og planleggingsgrunnlag Prognoser Hensikten, tidshorisont Forberede dataene; sesongsvingninger, etterspørselstype Prognosemetoer; Bedømmings og
DetaljerPrognoser og lagerstyring. Behovsanalyser og planleggingsgrunnlag. Prognoser
Prognoser Prognoser og og lagerstyring lagerstyring REDUSERE LAGERINVESTERINGER REDUSERE LAGERINVESTERINGER Handelshøyskolen BI Eirill Bø HØSTEN 2000 Behovsanalyser og planleggingsgrunnlag Prognoser Hensikten,
DetaljerKompendium V SCM200 Lager- og produksjonsplanlegging. Del 1 av 2. Bård-Inge Pettersen og Per Kristian Rekdal
Kompendium V-2017 SCM200 Lager- og produksjonsplanlegging Del 1 av 2 Bård-Inge Pettersen og Per Kristian Rekdal 2 SCM200 Lager- og produkjsonsstyring Figur 1: SCM200 Lager og produksjonsstyring er helt
DetaljerSCM200. Lager- og produksjonsplanlegging. Samlig av øvingsoppgaver Bård-Inge Pettersen Per Kristian Rekdal
SCM200 Lager- og produksjonsplanlegging Samlig av øvingsoppgaver 2018 Bård-Inge Pettersen Per Kristian Rekdal 2 Forord Øvingsoppgaver: Dette er en samling av øvingsoppgaver i emnet SCM200 Lager- og produksjonsplanlegging
DetaljerSensurveiledning Lo300 Innføring i logistikk Høst 2004
Høgskolen i Molde Sensurveiledning Lo300 Innføring i logistikk Høst 2004 Dato: 17.12.2004 Tid: 09:00 13:00 Hjelpemidler: KT (kalk.med tomt minne) Veiledningen består av totalt 6 sider (4 sider løsningsforslag
DetaljerOperasjonsanalyse Økonomiutdanningen
Operasjonsanalyse Økonomiutdanningen Ordinær eksamen mai 2009 2. år Dato: 6. mai 2009 Tid: 4 timer Antall oppgavesider inklusive tittelside: 5 Antall oppgaver: 4 Tillatte hjelpemider: Alle NOPA06V Oppgave
DetaljerOppgavesett nr. 6. MAT110 Statistikk 1, 2018
Innleveringsfrist: mandag 9. april kl. 16:00 (versjon 01) Oppgavesett nr. 6 MAT110 Statistikk 1, 2018 Oppgave 1: ( Sport Management ) La oss igjen se nærmere på fotballaget Tufte IL fra øving 4. Vi definerer
DetaljerEksamen i. MAT100 Matematikk
Avdeling for logistikk Eksamen i MAT100 Matematikk Eksamensdag : Torsdag 21. desember 2017 Tid : 09:00 13:00 (4 timer) Faglærer/telefonnummer : Per Kristian Rekdal / 924 97 051 Hjelpemidler : KD + formelsamling
DetaljerECON240 VÅR / 2016 BOKMÅL
ECON240 VÅR / 2016 BOKMÅL UNIVERSITETET I BERGEN EKSAMEN UNDER SAMFUNNSVITENSKAPELIG GRAD [ DATO og KLOKKESLETT FOR EKSAMEN (START OG SLUTT) ] Tillatte hjelpemidler: Matematisk formelsamling av K. Sydsæter,
DetaljerSensor veiledning logistikk SFB vår 2019
Sensor veiledning logistikk SFB 11408 vår 2019 Alle skriftlige oppgaver er lagt opp slik at kandidatene skal kunne demonstrere «forståelse for». Oppgave 1 multiple choice automatisk score Oppgave 2 Etterspørsel
DetaljerKapittel 4b (8) Bjørnland, Persson & Virum
Kapittel 4b (8) Bjørnland, Persson & Virum Del B - Lagerstyring SCM200 Innføring i Supply Chain Management Jøran Gården Logistikkens 3 perspektiver Leverandør Oss selv Detaljist (kunde) (Slutt)kunde Konkurranse
DetaljerProduksjonsledelse Å utvikle og styre transformasjonsprosessen der innsatsmidler blir transformert (omdannet) til nye produkter eller nye tjenester.
Produksjonsledelse Å utvikle og styre transformasjonsprosessen der innsatsmidler blir transformert (omdannet) til nye produkter eller nye tjenester. Ressurser: Kapital, kompetanse, erfaring, teknologi,
DetaljerEKSAMEN. Informasjon om eksamen. Emnekode og -navn: SFB11408 Logistikk. Dato og varighet: 4. juni 2018, 3 timer. Hjelpemidler: Kalkulator
Informasjon om eksamen EKSAMEN Emnekode og -navn: SFB11408 Logistikk Dato og varighet: 4. juni 2018, 3 timer Hjelpemidler: Kalkulator Faglærer: Tor Tennvassås, mobil 917 52 463 Om eksamensoppgaven: Oppgavesettet
DetaljerRasmus Eksamen består av i alt 5 oppgaver. 3 måneders
Eksamen: SCM2000 Innføring i Supply Chain Management Dato: Tid: 14.05.08 09:00 13:00 HØGSKOLEN I MOLDE Ansvarlig faglærer: Rasmus Rasmussen Eksamen består av i alt 5 oppgaver. Disponer tiden godt. Lykke
DetaljerEvery product every fast, flexible flow
Every product every fast, flexible flow Håkon Fauske Smartlog 4.12.07 1 Agenda Lean og Flyt Hydro Automotive Structures Every product every Utfordringer Oppsummering 2 3 MURI MURA TAKT TIME NAGARA GEMBA
DetaljerSamarbeid I forsyningskjeden
Samarbeid I forsyningskjeden Muligheter med SAP SRM SBN Stavanger 2011 Per-Olav Eek Senior konsulent SAP Bakgrunn: IKT-/Logistikkdirektør i Brynild Gruppen 1997-2011 Hvordan er informasjonsflyten i dag
DetaljerElektronisk bestilling til nøye eller besvær? Erfaringer med elektronisk bestilling og faktura
Elektronisk bestilling til nøye eller besvær? Erfaringer med elektronisk bestilling og faktura Heidi C. Dreyer, SINTEF/NTNU SMARTLOG seminar 26.-27. mai 2004 1 Elektroniske bestillinger - B2B Undersøkelse
DetaljerSamarbeid I forsyningskjeden
Samarbeid I forsyningskjeden Muligheter med SAP SRM SBN Stavanger 2011 Per-Olav Eek Senior konsulent SAP Bakgrunn: IKT-/Logistikkdirektør i Brynild Gruppen 1997-2011 Hvordan er informasjonsflyten i dag
DetaljerEKSAMEN. Oppgavesettet består av 20 delspørsmål. Hvert delspørsmål teller likt
EKSAMEN Emnekode: SFB1110 Emne: Operasjonsanalyse Dato: 15.1.014 Eksamenstid: kl. 09.00 til kl. 1.00 Hjelpemidler: Render, Stair, Hanna: Quantitative Analysis for Management. Boken skal være uten notater
DetaljerDette er et tema som de aller fleste aktører er opptatt av, og det er et viktig element i både leverandør- og kunderelasjoner.
SERVICEGRAD STANDARD DEFINISJONER 1. Innledning og hensikt God servicegrad i hele verdikjeden er i dag en forutsetning for rasjonell og konkurransedyktig vareflyt, noe som i sin tur forutsetter at prestasjonene
DetaljerLØSNING: Eksamen 21. des. 2017
LØSNING: Eksamen 1. des. 017 MAT100 Matematikk a) Alle størrelsene H, D og S er positive. Dermed: i) Q øker HQ/ øker ii) Q øker DS/Q minker b) Perioden t 0 er definert ved nullpunktet: it 0 ) = 0 1) Siden
Detaljer(a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x].
FORMELSAMLING TIL STK2100 (Versjon Mai 2017) 1 Tapsfunksjoner (a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x]. (b)
DetaljerNy/utsatt hjemmeeksamen
Bokmål Ny/utsatt hjemmeeksamen Emnekode: ØKO212 (7,5 stp) Emnenavn: Driftsregnskap Dato: 12.06.15 Tid (fra-til): 09.00 15.00 Faglærer(e) : Astrid Svendgård Sensurfrist : 03.07.15 Antall sider (inkl. forside)
DetaljerTMA4240 Statistikk Høst 2018
TMA4240 Statistikk Høst 2018 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 5 Dette er andre av tre innleveringer i blokk 2. Denne øvingen skal oppsummere pensum
DetaljerÅ utvikle og styre transformasjonsprosessen der innsatsmidler blir transformert (omdannet) til nye produkter eller nye tjenester.
Produksjonsledelse Å utvikle og styre transformasjonsprosessen der innsatsmidler blir transformert (omdannet) til nye produkter eller nye tjenester. Ressurser: Kapital, kompetanse, erfaring, teknologi,
DetaljerKan M3 benyttes til operativ planlegging av produksjon. Oddvar Alstveit Kjell Nordtømme
Kan M3 benyttes til operativ planlegging av produksjon Oddvar Alstveit Kjell Nordtømme TINE Gruppa Heleide døtre Eiere = produsenter Deleide døtre Diplom-Is AS Fjordland AS OsteCompagniet AS Styre Internasjonale
DetaljerKapittel 6 - modell seleksjon og regularisering
Kapittel 6 - modell seleksjon og regularisering Geir Storvik 21. februar 2017 1/22 Lineær regresjon med mange forklaringsvariable Lineær modell: Y = β 0 + β 1 x 1 + + β p x p + ε Data: {(x 1, y 1 ),...,
DetaljerIntegrerte styringssystemer logistikk styring
Integrerte styringssystemer logistikk styring Foredraget vil belyse logistikkstyringen som en sentral del av bedriftens helhetlige styringssystem. Hvilke sentrale grunnparametere må settes for å drive
DetaljerEKSAMEN. Informasjon om eksamen. Oppgave 1: Etterspørsel 1. Emnekode og -navn: SFB11408 Logistikk
Informasjon om eksamen EKSAMEN Emnekode og -navn: SFB11408 Logistikk Dato og varighet: 24. mai 2018, fra kl 09.00 til kl 12.00, 3 timer Hjelpemidler: Kalkulator Faglærer: Tor Tennvassås, mobil 917 52 463
DetaljerEksamen i. MAT100 Matematikk
Avdeling for økonomi, informatikk og samfunnsfag Eksamen i MAT100 Matematikk Eksamensdag : Onsdag 18. desember 2013 Tid : 09:00 13:00 (4 timer) Faglærer/telefonnummer : Per Kristian Rekdal / 924 97 051
DetaljerMåling servicegrad. Områder som blir berørt og som omfattes av retningslinjer fra STAND er:
Måling servicegrad Måling servicegrad God servicegrad i hele verdikjeden er i dag en forutsetning for rasjonell og konkurransedyktig vareflyt, noe som i sin tur forutsetter at prestasjonene kan måles og
DetaljerKonvertering fra døgn- til timemiddelbaserte varslingsklasser for svevestøv i Bedre byluft Sam-Erik Walker
NILU: OR 60/2003 NILU: OR 60/2003 REFERANSE: O-2205 DATO: AUGUST 2003 ISBN: 82-425-1490-9 Konvertering fra døgn- til timemiddelbaserte varslingsklasser for svevestøv i Bedre byluft Sam-Erik Walker 1 Innhold
DetaljerLedelsesinformasjon og beslutningsprosesser i sanntid Hvordan benytte RFID teknologi i slik sammenheng?
Ledelsesinformasjon og beslutningsprosesser i sanntid Hvordan benytte RFID teknologi i slik sammenheng? inge.krogstad@nor.sas.com SAS Institute - ledende leverandør av Business Intelligence og forretningsanalyse
DetaljerLØSNING: Eksamen 18. des. 2013
LØSNING: Eksamen 8. des. 03 MAT00 Matematikk, høst 03 Oppgave : ( algebra / faktorisering / brøk ) a) Setter inn ligningene i generalbudsjettligningen: R = C +I +G+X () = C 0 +c(r T) + I + G + X 0 br ()
DetaljerEKSAMEN I EMNE TMA4265/SIF5072 STOKASTISKE PROSESSER Onsdag 10. august 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38 EKSAMEN I EMNE TMA4265/SIF5072 STOKASTISKE PROSESSER
DetaljerInternasjonal økonomi
Internasjonal økonomi ECON1410 Fernanda.w.eggen@gmail.com 24.01.2018 1 Oversikt Forrige uke lærte vi at komparative fortrinn kan brukes til å forklare handelsmønstre Et land har komparativt fortrinn i
DetaljerState of the art ERP. Odd Jøran Sagegg
State of the art Odd Jøran Sagegg Innledning Definisjon m.m. : Enterprise Resource Planning APICS: A method for the effective planning and control of all resources needed to take, make, ship, and account
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
Detaljer202 Bekrefte ordre. Ved mottak av ordre skal leverandøren sjekke at ordren oppfyller bilaterale avtaler spesifisert i EDI utvekslingsavtale.
202 Bekrefte ordre Bekrefte ordre Behandle ordre og sende ordrebekreftelse Ved mottak av ordre skal leverandøren sjekke at ordren oppfyller bilaterale avtaler spesifisert i EDI utvekslingsavtale. Sjekk
DetaljerOppgave 1. X 1 B(n 1, p 1 ) X 2. Vi er interessert i forskjellen i andeler p 1 p 2, som vi estimerer med. p 1 p 2 = X 1. n 1 n 2.
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 17 november 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk Tapir
DetaljerKF VL LVGJ Arbeidskapital Arbeidskapital 2008 = Arbeidskapital 2009 =
Publiseringsoppgave: 1) Budsjetter resultat og kontantstrøm for årene 2009 til 2013. Arbeidskapitalen løses opp i 2014. Beregn nåverdien. Bruk et avkastningskrav på 12% etter skatt. Salg 20 773,46 5,5327
DetaljerEKSAMENSOPPGAVER STAT100 Vår 2011
EKSAMENSOPPGAVER STAT100 Vår 2011 Løsningsforslag Oppgave 1 (Med referanse til Tabell 1) a) De 3 fiskene på 2 år hadde lengder på henholdsvis 48, 46 og 35 cm. Finn de manglende tallene i Tabell 1. Test
DetaljerEKSAMEN I ST2101 STOKASTISK MODELLERING OG SIMULERING Onsdag 1. juni 2005 Tid: 09:00 14:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38 EKSAMEN I ST2101 STOKASTISK MODELLERING OG SIMULERING
DetaljerEKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK. Torsdag 2. desember 2010 Tid: kl
Side 1 av 5 NTNU Institutt for industriell økonomi og teknologiledelse Faggruppe for bedriftsøkonomi og optimering Faglig kontakt under eksamen: Navn: Bjørn Nygreen Tlf.: 958 55 997 / (93607) EKSAMEN I
DetaljerEKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 Bokmål Faglig kontakt under eksamen: Bo Lindqvist, tlf. 97589418 EKSAMEN ST00 STATISTIKK FOR SAMFUNNSVITERE Torsdag
DetaljerSupply chain management
Supply chain management Trender, utvikling, muligheter og de store utfordringene Utvikling av logistikkbegrepet Innkjøp Prognoser Netto behovsberegning Produksjonsplanlegging Varer i arbeid Kvalitetsledelse
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 8 (s. 1) Oppgaver fra boka:
MOT30 Statistiske metoder, høsten 2006 Løsninger til regneøving nr. 8 (s. ) Oppgaver fra boka: Oppgave.5 (.3:5) ) Først om tolking av datautskriften. Sammendrag gir følgende informasjon: Multippel R =R,
DetaljerLogistikk for økt effektivitet i fiskeprosessering
Logistikk for økt effektivitet i fiskeprosessering Anita Romsdal, forsker NTNU Kabelvåg, 17. april 2015 QualiFish Day, LofotFishing Kunnskap for en bedre verden Verdikjeden for mat = Logistikkens Formel
DetaljerKalkulasjon ITD20106: Statestikk og Økonomi
Kalkulasjon ITD20106: Statestikk og Økonomi 1 Formålet med produktkalkyler: prissetting produktvalg budsjettgrunnlag investeringsanalyser varelegervurdering. 2 Kalkyler i handelsbedrifter Eneste direkte
DetaljerUtfordringer gjennom varekjeden bås til bord. Logistikkdagene i Østfold
Utfordringer gjennom varekjeden bås til bord Logistikkdagene i Østfold Innhold 1. Norturas verdikjede og rammebetingelser 2. Hvordan jobber vi med logistikk og varestrømsstyring i Nortura 3. Utfordringer
DetaljerEksamensoppgave i TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4245 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland Tlf: 48 22 18 96 Eksamensdato:??. august 2014 Eksamenstid (fra til): 09:00 13:00 Hjelpemiddelkode/Tillatte
DetaljerEksamen i MAT102 våren 2017, løsningsforslag
Eksamen i MAT102 våren 2017, løsningsforslag Oppgave 1 (vekt 16 %) a) Løs ligningen og sett prøve på svaret: 2xx 10 + 2 = 3 2xx 10 + 2 = 3 2xx 10 = 3 2 2xx 10 = 1 2xx = 1 10 xx = 10 2 = 5 Prøve: V.s.:
DetaljerMARITECH TRADING TILLEGGSMODULER. The Innovator in Seafood Software
MARITECH TILLEGGSMODULER The Innovator in Seafood Software TILLEGGSMODULER MARITECH Maritech Trading har etablert seg som det ledende forretningssystem for håndtering og omsetning av fisk og fiskeprodukter.
DetaljerKapittel 5 Lønnsomhetsanalyse
Løsningsforslag oppgaver side 125 131 Dersom ikke annet er oppgitt, er prisene i oppgavene uten merverdiavgift. Løsningsforslag oppgave 5.14 a) Papas T Papas O Papas K Papas G Direkte materialer kr 5,00
DetaljerEksamen REA3028 Matematikk S2. Nynorsk/Bokmål
Eksamen 6.05.010 REA308 Matematikk S Nynorsk/Bokmål Bokmål Eksamensinformasjon Eksamenstid: Hjelpemidler på del 1: Hjelpemidler på del : Vedlegg: Framgangsmåte: Veiledning om vurderingen: 5 timer: Del
DetaljerObligatorisk innleveringsoppgave SFB10613 Budsjettering og driftsregnskap Våren 2017
Obligatorisk innleveringsoppgave SFB10613 Budsjettering og driftsregnskap Våren 2017 1. innlevering: Frist for innlevering er 31.03.17 klokken 14.00 INSTRUKSER FOR INNLEVERING Du skal kun levere elektronisk
DetaljerSeksjon 1.3 Tetthetskurver og normalfordelingen
Seksjon 1.3 Tetthetskurver og normalfordelingen Har sett på ulike metoder for å plotte eller oppsummere data Vil nå starte på hvordan beskrive data ved modeller Hovedmetode er tetthetskurver Tetthetskurver
DetaljerEKSAMEN I FAG TMA4275 LEVETIDSANALYSE
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist 975 89 418 EKSAMEN I FAG TMA4275 LEVETIDSANALYSE Fredag 26. mai 2006
DetaljerIntegrerte verdikjeder i praksis; Hvordan bli raskere, slankere og mer presis? Heidi Dreyer, NTNU
Integrerte verdikjeder i praksis; Hvordan bli raskere, slankere og mer presis? Heidi Dreyer, NTNU RELEX Inspiration day Oslo, 22. oktober 2015 Integrerte verdikjeder 2 Trender; Sign O The Times 3 Produkt
DetaljerRammeavtale om kjøp av Arkitekt- og rådgivende ingeniørtjenester. Oppdragsbeskrivelse Minikonkurranse
Rammeavtale om kjøp av Arkitekt- og rådgivende ingeniørtjenester Oppdragsbeskrivelse Minikonkurranse Sak 201x/ - Kunde: Xx : xxx xxx Stilling: xxx xxx Leverandør: Xx : xxx xxx Stilling:
DetaljerOppgave N(0, 1) under H 0. S t n 3
MOT310 Statistiske metoder 1, høsten 2011 Løsninger til regneøving nr 9 (s 1) Oppgave 1 Modell: Y i β 0 + β 1 x i + β 2 x 2 i + ε i der ε 1,, ε n uif N(0, σ 2 ) e) Y Xβ + ε der Y Y 1 Y n, X 1 x 1 x 2 1
DetaljerUtkast Rammeavtale for kjøp av fisk og fiskeprodukter.
Utkast Rammeavtale for kjøp av fisk og fiskeprodukter. er inngått mellom: (heretter kalt Leverandøren) og INNOVASJON NORGE (heretter kalt Kunden) Sted og dato: Innovasjon Norge (Leverandørens navn) Innovasjon
DetaljerEKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE STATISTISKE METODER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 8 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 EKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE
DetaljerKompleksitetsanalyse Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder
Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder Innhold 1 1 1.1 Hva er en algoritme?............................... 1 1.2
DetaljerL12-Dataanalyse. Introduksjon. Nelson Aalen plott. Page 76 of Introduksjon til dataanalyse. Levetider og sensurerte tider
Page 76 of 80 L12-Dataanalyse Introduksjon Introduksjon til dataanalyse Presentasjonen her fokuserer på dataanalyseteknikker med formål å estimere parametere (MTTF,, osv) i modeller vi benytter for vedlikeholdsoptimering
DetaljerVedlegg 6. Anskaffelse IINR 1019 FERSKT KJØTT OG KJØTTPRODUKTER. SLA (Service Level Agreement) til. Side 1 av 5
til Anskaffelse IINR 1019 FERSKT KJØTT OG KJØTTPRODUKTER SLA (Service Level Agreement) Side 1 av 5 Innholdsfortegnelse 1 LEVERANDØROPPLYSNINGER... 3 2 BESTILLING... 3 2.1 ORDREBEKREFTELSE... 3 3 LEVERING...
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
DetaljerEKSAMEN. Emne: Statistikk og økonomi Eksamenstid: kl til kl (4 timer)
EKSAMEN Emnekode: ITD20106 Dato: 4. mai 2015 Hjelpemidler: Emne: Statistikk og økonomi Eksamenstid: kl. 09.00 til kl. 13.00 (4 timer) Faglærer: Alle skriftlige hjelpemidler og kalkulator Hans Kristian
DetaljerEksamen i. MAT110 Statistikk 1
Avdeling for logistikk Eksamen i MAT110 Statistikk 1 Eksamensdag : Tirsdag 22. mai 2018 Tid : 09:00 13:00 (4 timer) Faglærer/telefonnummer : Molde + Kristiansund: Per Kristian Rekdal / 924 97 051 Hjelpemidler
DetaljerVi tar ansvar for sjøvegen
Leiepriser Leiepriser for oljevernmateriell Thomas Henriksen, Rådgiver Vettre, 29/10-1515 thomas.henriksen@kystverket.no Agenda Historisk Dagens løsning Utleiepriser EMSA- formel Oppgaver Rammeavtale på
DetaljerOPPGAVESETT 20. b) Drøft hvilke fallgruver en prosjektleder som Anders Hove bør forsøke å unngå og som kan gjøre jobben som prosjektleder vanskelig.
OPPGAVESETT 20 OPPGAVE 1 Case: DEX AS DEX AS er en voksende bedrift som produserer og leverer tekniske produkter og trafikkløsninger til industri og samferdselssektoren. Virksomheten er basert på å levere
DetaljerTMA4265 Stokastiske prosesser
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Bokmål Faglig kontakt under eksamen: Øyvind Bakke Telefon: 73 59 81 26, 990 41 673 TMA4265 Stokastiske prosesser
DetaljerLøsningsforslag til obligatorisk oppgave i ECON 2130
Andreas Mhre April 15 Løsningsforslag til obligatorisk oppgave i ECON 13 Oppgave 1: E(XY) = E(X(Z X)) Setter inn Y = Z - X E(XY) = E(XZ X ) E(XY) = E(XZ) E(X ) E(XY) = - E(X ) X og Z er uavhengige, så
DetaljerBekrefte ordre. Områder som blir berørt og som omfattes av retningslinjer fra STAND er:
Bekrefte ordre Bekrefte ordre Denne delprosessen består av følgende aktiviteter: Behandle ordre og sende ordrebekreftelse Motta og behandle ordrebekreftelse Områder som blir berørt og som omfattes av retningslinjer
DetaljerEKSAMEN I EMNE SIF5072 STOKASTISKE PROSESSER Lørdag 16. august 2003 Tid: 09:00 14:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38/73 94 27 25 EKSAMEN I EMNE SIF5072 STOKASTISKE PROSESSER
DetaljerINEC1800 ØKONOMI, FINANS OG REGNSKAP EINAR BELSOM
INEC1800 ØKONOMI, FINANS OG REGNSKAP EINAR BELSOM HØST 2017 FORELESNINGSNOTAT 2 Tilbud og likevekt* Hovedvekten i dette notatet er på tilbud og markedslikevekt. Tilbudskurven gir en sammenheng mellom prisen
DetaljerBig data innsikt for å sikre fremtidens kundeservice og kundeserviceinnsikt
Big data innsikt for å sikre fremtidens kundeservice og kundeserviceinnsikt Hvordan bruke data fra interaksjon med kundene for å få større kundeinnsikt og grunnlag for å forbedre tjenester og produkter?
Detaljer600 x 2. d) Dersom dekningsbidraget reduseres til 20 kr per enhet for produkt 2, blir målfunksjonen: Da er optimal løsning gitt ved hjørnepunkt 2:
LØSNINGER Kapittel. a) Målfunksjon og restriksjoner: Maksimer Z = x + 6x Restriksjoner: Maskin A x + x Maskin B x + x x, x Mulighetsområdet beskrives av kapasitetslinjene i figuren (hjørnepunktene ---5).
DetaljerLøsningsforslag. n X. n X 1 i=1 (X i X) 2 og SY 2 = 1 ny S 2 X + S2 Y
Statistiske metoder 1 høsten 004. Løsningsforslag Oppgave 1: a) Begge normalplottene gir punkter som ligger omtrent på ei rett linje så antagelsen om normalfordeling ser ut til å holde. Konfidensintervall
DetaljerPRINSIPPER FOR MASSEPRODUSERT SKREDDERSØM
CUSTOM R FOTO: RØROS METALL PRINSIPPER FOR MASSEPRODUSERT SKREDDERSØM FOTO: FORM TIL FJELLS FOTO: FORM TIL FJELLS / TOM GUSTAVSEN «Masseprodusert skreddersøm er en prosess hvor bedrifter anvender teknologi
DetaljerEffektivt produksjonsplanlegging gir mer lønnsom drift
Effektivt produksjonsplanlegging gir mer lønnsom drift Skreddersydd it-verktøy for produksjonsbedrifter Med bransjeløsningen Pilaro ProPlanner kan du automatisere rutinepregede, manuelle prosesser og redusere
Detaljer1. Introduksjon. 2. Generelle funksjoner
Norsk Lastbærer Pool (NLP) sine kunder bruker NLPs kundeweb, www.nlpool.no, for registrering av både palleforflytninger og kundeforhold. Denne brukerveiledningen hjelper deg med å komme i gang med å bruke
DetaljerLØSNINGSFORSLAG ) = Dvs
LØSNINGSFORSLAG 12 OPPGAVE 1 D j er differansen mellom måling j med metode A og metode B. D j N(µ D, 0.1 2 ). H 0 : µ D = 0 mot alternativet H 1 : µ D > 0. Vi forkaster om ˆµ D > k Under H 0 er ˆµ D =
DetaljerRapport RTV. Innhold. Versjon 1.0 Copyright Aditro Side 1 av 13
Innhold Rapport RTV... 2 RTV fraværsrapport... 2 Styreinformasjon... 3 Tekstkoder... 3 Dictionary - oppslag... 5 Organisasjon... 5 Krav og nøkkelbegreper... 6 Regler for reduksjon av dagsverk... 6 Definisjon
DetaljerEksamensoppgave i ST1201/ST6201 Statistiske metoder
Institutt for matematiske fag Eksamensoppgave i ST1201/ST6201 Statistiske metoder Faglig kontakt under eksamen: Tlf: Eksamensdato: august 2015 Eksamenstid (fra til): Hjelpemiddelkode/Tillatte hjelpemidler:
DetaljerLean Manufacturing & ERP
Lean Manufacturing & ERP Odd Jøran Sagegg Dr.ing. Fagansvarlig logistikk WM-data AS odsae@wmdata.no WM-data Ett av Nordens ledende IT bedrifter. 10 000 MSEK i omsetning og ca. 9 000 ansatte Norge 300 anstatte
DetaljerEffektive lanseringer Implementeringsprosess for lanseringer i norsk dagligvare
STAND011 Versjon: 0.87 Utarbeidet: desember 2012 Sist revidert: 1 Innledning Effektive lanseringer Implementeringsprosess for lanseringer i norsk dagligvare Stand011 beskriver omforente aktiviteter, prosesser
DetaljerLO118D Forelesning 2 (DM)
LO118D Forelesning 2 (DM) Kjøretidsanalyse, matematisk induksjon, rekursjon 22.08.2007 1 Kjøretidsanalyse 2 Matematisk induksjon 3 Rekursjon Kjøretidsanalyse Eksempel Finne antall kombinasjoner med minst
DetaljerBrukere og fullmakter
Versjon: 3.8.3 Brukere og fullmakter B02) Definere og vedlikeholde fullmakter og brukere 17.10.06 Innhold Utfylling av Excel ark for brukere og fullmakter Formål: Innsendelse av Excel ark Dokumentasjon
DetaljerBRUKERVEILEDNING ELEKTRONISK FAKTURABEHANDLING/FAKTURAFLYT I VISMA ENTERPRISE
BRUKERVEILEDNING ELEKTRONISK FAKTURABEHANDLING/FAKTURAFLYT I VISMA ENTERPRISE Versjon 1.1 Side 1 av 11 Beskrivelse: Fagområde: Periodisk/Løpende: Formål: Elektronisk fakturabehandling/fakturaflyt i Visma
DetaljerLogistikk og ledelse av forsyningskjeder
Logistikk og ledelse av forsyningskjeder Kapittel 4 (8) Del A - Prognoser SCM200 Innføring i Supply Chain Management Jøran Gården Logistikkens 3 perspektiver Leverandør Oss selv Detaljist (kunde) (Slutt)kunde
DetaljerEmnenavn: Faglærer: Ivar Bredesen. Kontroller at oppgaven er komplett før du begynner å besvare spørsmålene.
Høgskolen i østfold EKSAMEN Emnekode: SFB11102 Dato: Emnenavn: Operasjonsanalyse Eksamenstid: 12. desember 2016 09:00-13:00 Hjelpemidler: Lærebok og godkjent kalkulator Faglærer: Ivar Bredesen Om eksamensoppgaven
Detaljer