6.2.- Funciones cóncavas y convexas

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "6.2.- Funciones cóncavas y convexas"

Transcripción

1 C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes. E geeral, se puede epresar u prolema de Programacó No Leal (PNL) de la maera sguete: ecotrar los valores de las varales (,,, ) que Ma (m) z= f(,,, ) st g (,,, ) (, =, ) g (,,, )(, =, ). (6.) g m (,,, )(, =, ) m 0, Ates de etrar de lleo e el tema, veamos ua sere de coceptos sore fucoes cócavas y coveas Fucoes cócavas y coveas Las fucoes cócavas y coveas represeta u papel fudametal e la Teoría de la Optmzacó ya que puede garatzaros la gloaldad de los óptmos locales. Por ello vamos a car este apartado troducedo el cocepto de fucó cócava y covea para luego más tarde troducr codcoes que os permta recoocer s ua fucó es cócava o covea depededo de sus propedades de dferecaldad. 69

2 70 Ivestgacó Operatva Defcó 6.. Dremos que ua fucó f() es estrctamete cócava e u cojuto S coveo s todo segmeto que ue dos putos de la gráfca esta estrctamete por deajo de la gráfca. Defcó 6.. Dremos que ua fucó es cócava (o estrcta) s o todas las cuerdas que ue putos de la gráfca e dcho tervalo queda estrctamete por deajo. Defcó 6.3. Sea f() ua fucó defda e u tervalo de R, dremos que dcha fucó es covea e el tervalo s todo segmeto que ue dos putos de la gráfca queda por ecma de la gráfca. S sempre queda estrctamete por ecma, decmos que la fucó es estrctamete covea. Defcó 6.4. Sea S u sucojuto coveo de R y sea f: S R. Dremos que f() es ua fucó covea e S s para cualquer par de putos, ys y para cualquer [0,] f[(-)+y] (-)f()+f(y) Defcó 6.5. f() es ua fucó estrctamete covea e S s para cualquer par de putos, ys y para cualquer [0,] f[(-)+y] < (-)f()+f(y) E la fgura sguete se represeta gráfcamete ua fucó covea: Defcó 6.6. f() es ua fucó cócava e S s para cualquer par de putos, ys y para cualquer [0,] f[(-)+y] (-)f()+f(y)

3 Programacó o Leal 7 Defcó 6.7. f() es ua fucó estrctamete cócava e S s para cualquer par de putos, ys y para cualquer [0,] f[(-)+y] > (-)f()+f(y) E la fgura sguete se represeta gráfcamete ua fucó cócava: Ejercco 6.. Demostrar por defcó que f()= es estrctamete covea e R. Para hacer esta demostracó, cosderemos dos putos cualesquera de R, por ejemplo,. Teemos que demostrar que f((- ) + ) (- )f( )+ f( ) y comparar co ((- ) + ) =(- ) + +(- ) (- ) + Osérvese que o es fácl demostrar la cocavdad o covedad de ua fucó por defcó. Por ello es ecesaro o coveete dspoer de uas codcoes ecesaras y sufcetes que os permta determar s ua fucó es cócava o covea estudado otros elemetos más operatvos. Propedad 6.. S f es cócava e S, etoces -f es covea e S y s f es covea e S, etoces -f es cócava e S.

4 7 Ivestgacó Operatva Propedad 6.. S f es estrctamete covea e S, etoces -f es estrctamete cócava e S y, s f es estrctamete cócava e S, etoces -f es estrctamete covea e S. Propedad 6.3. S f, =,..., so coveas e S, etoces co 0 es covea e S. Del msmo modo, s f, =,..., so cócavas e S, etoces co 0 es cócava e S. f Demostracó. Demostramos sólo la prmera: S f es covea e S para todo, etoces para cualquer par de putos, ys y para cualquer [0,] f [(-)+y] (-)f ()+f (y) Esto quere decr que para cualquer >0 etoces f [(-)+y] ((-)f ()+f (y)) f ( y esto últmo es certo s y sólo s f ( ( ) y ) (( ) f ( ) f ( y)) ( ) y ) ( ) f ( ) f ( y) co lo que queda demostrado que es covea. Propedad 6.4. El producto de fucoes cócavas (coveas) o ha de ser ecesaramete ua fucó cócava (covea). Teorema 6.. Sea S u sucojuto coveo de R, sea f:s R. Etoces: a) S f es covea e S para todo R, se verfca que el cojuto A ={S / f() } es u cojuto coveo. f

5 Programacó o Leal 73 ) S f es cócava e S para todo R se verfca que el cojuto B ={S / f() } es u cojuto coveo. Demostracó. a) Cosderemos u úmero real cualquera. Como f es covea e u cojuto S (coveo de R ), vamos a demostrar que el cojuto es coveo. Cosderemos dos putos cualesquera, y y sea u [0,] Como dchos putos so del cojuto, etoces verfca que f() f(y) pues, y Como además f es covea se verfca que f[(-)+y] (-)f()+f(y) (-) luego se cumple que [0, ] y, y f[(-)+y], por tato el cojuto es coveo. ) Se demuestra de forma aáloga. Propedad 6.5. Regó factle para u prolema de PNL es el cojuto de valores =(,,, ) que satsface las restrccoes de (6.). Propedad 6.6. Mámo local: sea S u cojuto coveo tal que, S, f( ) f( ) sería u mámo local. Propedad 6.7. Mímo local: sea S u cojuto coveo tal que, S, tal que f( ) f( ) sería u mímo local. Propedad 6.8. Sea el prolema Mamzacó de z e u prolema de programacó o leal (PNL). S para todo este tal que f( ) f(), sería la solucó óptma (cumpledo la Propedad 6.6). Propedad 6.9. Sea el prolema Mmzacó de z e u prolema de programacó o leal (PNL). S para todo este tal que f( ) f(), sería la solucó óptma (cumpledo la Propedad 6.7).

6 74 Ivestgacó Operatva Teorema 6.. Cosderemos u PNL de mamzacó. Supógase que la regó factle, S, para el PNL es u cojuto coveo. S f() es cócava sore S, etoces cualquer mámo local de PNL es ua solucó óptma para el prolema de PNL. Demostracó Supogamos que este que es mámo local y que o es solucó óptma, es decr, / f() > f ( ). Podemos formar comacó leal: f( + (- ) ) f( ) + (-) f() Como f() > f ( ), teemos f( + (- ) ) f() + (-) f() > f( ) + (-) f( )= f( ) Podemos tomar + (-) o puede ser u mámo local, e cotra de la hpótess cal. Luego, llegamos a ua cotradccó, por lo que el teorema es certo. Es decr, s es mámo local, etoces es ua solucó óptma para el PNL. Defcó 6.8. La matrz Hessaa asocada a ua fucó f()= (,,, ) es ua matrz cuadrada, H, tal que sus elemetos h j so de la forma: h j = z j Defcó 6.9. Deomamos Hessao al determate asocado a la matrz Hessaa. E, el hessao es H: H = z z z z Para u prolema de Mamzacó co dos varales, las codcoes que se ha de verfcar so: z z z = 0, < 0 = 0, H( ) > 0

7 Programacó o Leal 75 dode es el puto de estudo correspodete al mámo. Para u prolema de Mmzacó co dos varales, las codcoes que se ha de verfcar so: z z = 0, > 0 z z = 0, H( ) > 0 dode es el puto de estudo correspodete al mímo. Defcó 6.0. El meor prcpal de orde de ua matrz H es el determate de cualquer matrz que se otee al suprmr las - flas y las - columas correspodetes de la matrz. Defcó 6.. El meor prcpal domate de orde de ua matrz H es el determate de cualquer matrz que se otee al suprmr las - últmas flas y columas de la matrz. Teorema 6.3. Sea la fucó f() co dervadas parcales de segudo orde cotuas para cada puto de S (cojuto coveo de solucoes factles). Etoces f() es covea sore S s y sólo s, para cada S, todos los meores prcpales, H, so o egatvos. Teorema 6.4. Sea la fucó f() co dervadas parcales de segudo orde cotuas para cada puto S (cojuto coveo de solucoes factles). Etoces f() es cócava sore S s y sólo s, para cada S, los meores prcpales, H, o ulos tee el sgo que (-) Optmzacó s restrccoes e R Estudaremos cómo oteer ua solucó óptma (s este) o u etremo local para el sguete prolema de PNL: Ma (m) z = f(,,, ) st = (,,, ), R (6.)

8 76 Ivestgacó Operatva Supogamos que este las prmeras y las segudas dervadas parcales de f() y que so cotuas e todos los putos. Ua codcó ecesara para que u puto sea u etremo local para el PNL (6.) os la proporcoa el teorema sguete: Teorema 6.5. S =(,,..., ) es u etremo local para (6.), etoces f ( ) = 0,. f ( ) Defcó 6.. U puto que satsfaga = 0 es puto estacoaro de la fucó f(). Teorema 6.6. S H ( ) > 0, (=,,..., ), etoces u puto estacoaro será u mímo local para (6.). Teorema 6.7. S H ( )0 (=,,..., ) y tee el sgo que (-) k, etoces u puto estacoaro será u mamo local para (6.). Teorema 6.8. S H ( )0 (=,,..., ) y o se da guo de los casos aterores (teoremas 6.6 y 6.7), f() preseta u puto de fleó e ese puto. Ejercco 6.. Oteer el etremo de z = La codcó ecesara para que esta etremo es: z = - = 0, z = 3 - =0, z 3 z = 0, para =,, 3. = = 0 Resolvedo el sstema ateror, oteemos, para el etremo, el puto ojeto de estudo ( /, /3, 4/3 ) = 0 Codcó sufcete:

9 Programacó o Leal 77 H = z z z z z z z z z = Estudo de los meores prcpales: Orde : H = - < 0 sgo (-) Orde : H = 0 0 = 4> 0 sgo (-) Orde 3: H 33 = = -8+= -6 < 0 sgo (-) 3 Por tato, teemos el sgo de (-). Así pues, e el puto 0, teemos u posle mámo. Como el valor de los meores prcpales o depede del puto, e ese puto teemos u mámo Búsqueda de la seccó Áurea Cosderemos ua fucó f() para la cual la dervada de f(), f (), es dfícl de oteer o o este. El prolema de PNL a resolver es Ma z = f() st a (6.3)

10 78 Ivestgacó Operatva Defcó 6.3. Ua fucó f() es umodal e el tervalo [a,] s se verfca que este u puto, tal que f() es crecete e [a, ] y decrecete e [, ]. E la úsqueda de la Seccó Áurea, elegmos dos putos,,, de maera razoada, de forma que podamos estudar los sguetes casos: CASO : f( ) < f( ) CASO : f( ) = f( ) a a I = (, ] I = [ a, ) ó I =(, ] CASO 3: f( ) >f( ) a I = [ a, ) Seccó Áurea se deoma al coefcete r, el cual se determa de la sguete forma: ( logtud de todo el segmeto) = r ( logtud de la parte más l arg a del segmeto) r ( logtud de la parte más l arg a del segmeto) = r ( logtud de la parte más corta del segmeto) r = -r r +r-=0, r = 0,68

11 Programacó o Leal 79 E cada caso, podemos demostrar que la solucó óptma para (6.) estará e u sucojuto [a, ]. La úsqueda de la Seccó Áurea empeza co la evaluacó de f() e los putos y, dode =-r(-a) y =a+r(-a). r(-a) a r(-a) Defcoes 6.4. L k : logtud del tervalo de certdumre después de realzar k teracoes. I k : tervalo de certdumre después de realzar k teracoes. - = r(-a) = - r(-a) - a = r(-a) = a + r(-a) y queda perfectamete defdos. L = r(-a) CASO : f( ) < f( ) L = r(-a) I = (, ], - = r(-a), r = -r r(- ) 3 4 r(- ) 3 = - r(- ) = r r(-a) = - r (-a) 3 = - (-r) (-a)= 4 = + r(- ) = + r r(-a) = + r (-a) L = - 3 = r( ) = r (-a), I = ( 3, ] Sguedo el msmo proceso, llegamos a ua epresó geeral para la logtud del tervalo de certdumre después de realzadas k teracoes del algortmo:

12 80 Ivestgacó Operatva L k = r k (-a), r k = L k a Tomado logartmos k log r = log L k - log (-a) k = log L k log( a) log r Poedo la codcó de que la logtud de certdumre sea meor o gual que u valor prefjado,, teemos que el úmero de teracoes, k, vee dado por log log( a) L k k = log r El valor que tomamos para k es el etero más prómo por eceso, [k]+. CASO : f( ) f( ) L = r(-a) I = [a, ), -a= r(-a), r = -r r( - a) 3 4 a r( - a) 3 = - r( - a) = - r (-a) 4 = a + r ( -a) = a + r (-a) 4 = a + (-r)(-a) = a+-a-r(-a) = -r(-a) = = - r (-a) L = 4 - a= r( 3 - a) = r (-a) Sguedo el msmo proceso, llegamos a ua epresó geeral para la logtud del tervalo de certdumre después de realzadas k teracoes del algortmo:

13 Programacó o Leal 8 L k = r k (-a), r k = L k a log log( a) L k k = ; log r El valor que tomamos para k es el etero más prómo por eceso, [k]. CASO 3: f( ) < f( ) Caso 3.: f( 3 ) < f( 4 ) Caso 3.: f( 3 ) f( 4 ) Caso 3.: f( ) < f( ) L = r(-a); I = (, ] f( 3 ) < f( 4 ) r(- 3 ) r(- 3 ) L = r ( - ), L < L I = ( 3, ] 5 = - r (- 3 ) 6 = 3 + r (- 3 ) y así sucesvamete. Ejemplo: Ma z =f() st - Cuáto tee que valer k para que el error sea 0 3? k = log0 3 log = 5 79 k=6 log 0'68

14 8 Ivestgacó Operatva Método del gradete El método del gradete se aplcará para apromar u puto estacoaro de ua fucó cuado sea dfícl ecotrar ese puto estacoaro. E este apartado, se estudará cómo oteer ua solucó óptma (s este) para u prolema de PNL s restrccoes: Ma (m) z = f() st Defcó 6.5. El gradete es u vector cuyas compoetes so dervadas parcales de la fucó f() que queremos estudar. f ( ) f() = (, f ( ),, f ( ) ) f ( ) El vector ormalzado del gradete es: u = f ( ) El gradete os proporcoa la dreccó de mámo camo. 0 f ( ; f( ) < ) Los pasos a segur so: ) Fjamos u puto cal 0 y e la dreccó del gradete, os desplazamos hasta otro puto. ) Fjamos el grado de apromacó a la solucó a través de ( f( ) < ). ) S se cumple la codcó, se ecotrará cercao a u puto f ( ) estacoaro ( = 0 ). v) S o se cumple, uscaremos de forma teratva u puto j e el que se verfque f( j ) <. Ma z = f( 0 + t 0 f( 0 )) 0 f () : = 0 + t 0 f( 0 ) st t 0 0 Nos pregutamos es f( ) <? S lo es, hemos termado.

15 Programacó o Leal 83 E caso cotraro Ma z=f( + t f( )) f () : = + t f( ) st t 0 Es f( ) <? S lo es, hemos termado. E caso cotraro, segumos co el proceso hasta ecotrar u puto que lo verfque. El proceso ateror se repte hasta cumplr la codcó de parada,( f( ) < ). Ejercco 6.3. Utlzado el método del gradete aprome la solucó de Ma z = f (, ) = -( -) - ( -) st (, ) R Para resolverlo elegmos de forma artrara el puto 0 = (, ) y calculamos el gradete e ese puto f ( ) f() = (, f ( ) )= (-( -)-( -)) = 0 + t 0 f( 0 ) = (, )+ t 0 (0, )= (, + t 0 ) Ma z = f( 0 + t 0 f( 0 ))= Ma f(, + t 0 ) f(, + t 0 )= ( t 0 -) = f (t 0 ) Dervado e gualado a cero la dervada, f (t 0 )= 0, teemos f = 4( t 0 -)= 8 t 0-4 = 0, t 0 = / Desplazádoos e la dreccó del gradete haca el uevo puto,, teemos = 0 + t 0 f( 0 )= (, )+ ½ (0, )= (, ) Calculado f (, )= (0, 0), os dca que hemos falzado. Al ser f (, ) ua fucó cócava, hemos ecotrado la solucó óptma del prolema.

16 84 Ivestgacó Operatva Multplcadores de Lagrage Se puede utlzar los multplcadores de Lagrage para resolver prolemas de PNL e los cuales las restrccoes so de gualdad. Ma (m) z = f() = f(,,, ) s.t. g (,,, ) = g * = - g () = 0 g (,,, ) = g * = - g () = g m (,,, ) = m g m * = m - g m () = 0 (6.3) Para resolver el prolema ateror, asocamos a cada restrccó u multplcador (=,,..., m) y formamos la fucó lagragaa m L(, ) = f() + g *(, ) = f() + m [ - g ()] dode (=,,..., m) so costates (descoocdas) deomadas multplcadores de Lagrage. Buscaremos ua solucó de L(, ). Para ello, segú se ha vsto e el apartado 6., la codcó ecesara para que L(, ) tega u mámo o u mímo e el puto (, ) = =(,...,,,..., ) es,, m L = 0, (=,,, ) L = 0, (=,,, m) (6.4) Teorema 6.9. Supogamos que (6.3) es u prolema de mamzacó. S f() es ua fucó cócava y s cada g () es ua fucó leal, etoces cualquer puto (, ) que satsfaga (6.4) proporcoará ua solucó óptma =(,,, ) para el prolema (6.3). Teorema 6.0. Supogamos que (6.3) es u prolema de mmzacó. S f() es ua fucó covea y s cada g () es ua fucó leal, etoces cualquer puto (, ) que satsfaga (6.4) proporcoará ua solucó óptma =(,,, ) para el prolema (6.3).

17 Programacó o Leal 85 Ejercco 6.4. Comproar que el puto (4,-;4,8) es estacoaro para la fucó lagragaa asocada al prolema: Ma z = (-) +(y-) st -+y 0 +y Ejercco 6.5. Ua compañía plafca gastar euros e pulcdad. Cuesta euros u muto de pulcdad e la televsó y.000 euros u muto de pulcdad e la rado. S la empresa compra mutos de pulcdad e la televsó e y mutos de pulcdad e la rado, su greso, e mles de euros, está dado por f(,y)=- -y +y+8+3y. Platear y resolver el prolema de maera que la empresa mamce sus gresos. Solucó: La formulacó del prolema o leal queda de la forma: Ma z =- - y +y+8+3y st 3+y=0 Formamos la lagragaa L(, y, ) =- - y +y+8+3y+ (0-3-y) Operado teemos L L y = -4+y+8-3=0 y= = -y++3- =0 = y-3+ L =(0-3-y) = y = 0 Vamos a poer las epresoes de e y e fucó de. Susttuyedo e y = 4-8+3, teemos

18 86 Ivestgacó Operatva y =4(y-3+) y =0-7 y =0/7- Llevado este valor de y a = y-3+, teemos = y-3+= (0/7-)-3+=9/7- Susttuyedo los valores de e y e 3 + y = 0, teemos 3 + y = 0=3(9/7-)+0/7-=-4 =/4 Susttuyedo este valor de =/4 e las epresoes de e y, teemos y =0/7-=0/7-/4=73/8 = 9/7-/4=69/8 La matrz hessaa asocada co la fucó f(, y) = - - y +y+8+3y es 4 H(, y)= Los meores prcpales de prmer orde so egatvos y H =7 > 0, luego f(, y) es ua fucó cócava. La restrccó es leal, por el Teorema 6.9, coclumos que la solucó es óptma para el prolema o leal. Así, la empresa tedría que comprar 69/8 mutos de tempo de televsor y 73/8 mutos de tempo de rado Iterpretacó de los multplcadores de Lagrage Estamos teresados e estudar e qué medda varía el valor de la fucó ojetvo e cuado varamos el recurso. Teemos que e el puto (, ) =(,,...,,,,..., m ) el valor de la fucó ojetvo, z =f(), es óptmo. S tomamos dervadas parcales e ese puto respecto a los recursos, teemos:

19 Programacó o Leal 87 L(, ) = f() + m [ - g ()], f ( ) (=,,, m) lo que os dca que los multplcadores de Lagrage vee a represetar los precos margales (precos somra) ya mecoados al estudar la terpretacó ecoómca del DUAL. E el ejercco ateror =/4, el gasto de u catdad etra pequeña, (e mles de euros) aumetaría los gresos de la empresa e apromadamete Codcoes de Kuh -Tucker E esta seccó se estuda las codcoes ecesaras y sufcetes para que el puto =(,,..., ) sea ua solucó óptma para el PNL, co restrccoes de desgualdad. Las codcoes de Kuh-Tucker sólo so aplcales s las g () (=,,..., m) satsface certas codcoes de regulardad: ) Ser leales e depedetes o ) Restrccoes lealmete depedetes: cotuas y los gradetes e la solucó óptma forma u sstema de vectores lealmete depedetes. Para aplcar los resultados de este apartado, todas las restrccoes del PNL tee que ser del tpo. Estudaremos los dos casos sguetes: Caso : s restrccó de sgo Ma (m) z= f() s.t. g () g (). (6.5) g m () m El prolema ateror lo trasformamos e u prolema de multplcadores de Lagrage troducedo varales de holgura h : g () + h = g * =( - (g () + h )) = 0 g () + h = g * =( - (g () + h )) = 0

20 88 Ivestgacó Operatva g m () + h m = m g * m =( m - (g m () + h m )) = 0 Formamos la fucó lagragaa Y, operado, teemos m L(, h, ) = f() + [ - (g () + h )] L j L L h = 0 = f() - j m g ( ) = 0 = [ - (g () + h )] h = - g () = 0 = - h h = [ - g ()] j Las codcoes de Kuh-Tucker se estalece como m f ( ) j g ( ) j = 0 (j=,,..., ) [ - g ( )] = 0 (=,,..., m) 0 (=,,..., m) (6.6) Tomaremos e la epresó ateror el sgo: - para u prolema de mamzacó. + para u prolema de mmzacó. Teemos que teer presete que puede haer óptmos locales y gloales que o verfque las codcoes Kuh-Tucker. S u puto satsface las codcoes de K-T este puto es u óptmo local. S u puto es u óptmo local o tee por qué satsfacer las codcoes de K-T. Los teoremas sguetes os da las codcoes ecesaras y sufcetes (s satsface las codcoes de regulardad), para que u puto =(,,..., ) sea solucó de (6.5). Teorema 6.. Sea el prolema (6.5) de mamzar f(). S el puto =(,,..., ) es ua solucó óptma de (6.5), etoces tedrá que

21 Programacó o Leal 89 satsfacer las m restrccoes del prolema de PNL (6.5) y deerá estr multplcadores,,, m, que verfque las codcoes de Kuh-Tucker (6.6). Teorema 6.. Sea el prolema (6.5) de mmzar f(). S el puto =(,,..., ) es ua solucó óptma de (6.5), etoces tedrá que satsfacer las m restrccoes del prolema de PNL (6.5) y deerá estr multplcadores,,, m, que verfque las codcoes de Kuh-Tucker (6.6). Caso : co restrccó de sgo ( 0) Cuado se poe restrccoes de o egatvdad para las varales, las codcoes de Kuh-Tucker para el PNL (6.5) se estalece Ma (m) z= f() st. g () g (). (6.7) g m () m - 0 para (=,,...,) Operado de forma aáloga a como se hzo para el Caso, teedo e cueta que aquí teemos que troducr dos varales de holgura h, (=,,..., m) y t j (j=,,..., ) y dos multplcadores de Lagrage y j, escrremos la fucó lagragaa m L(, h, t,, ) = f() + [ - (g () + h )]+ j [ j - t j )] y oteemos las codcoes de Kuh-Tucker: j f ( ) j m g ( ) j j = 0 (j=,,..., ) [ - g ( )] = 0 (=,,..., m) f ( ) [ j m g ( ) ] j = 0 (j=,,..., ) j

22 90 Ivestgacó Operatva 0 (=,,..., m) j 0 (j=,,..., ) (6.8) Tomaremos e la epresó ateror el sgo: (-, +) para u prolema de mamzacó. (+, -) para u prolema de mmzacó. Como j 0, la prmera restrccó de (6.8) puede escrrse como f ( ) j m - g ( ) j 0 (j=,,..., ) (prolema de mamzacó) f ( ) j m + g ( ) j 0 (j=,,..., ) (prolema de mmzacó) Geeralzado los Teoremas 6. y 6., teemos: Teorema 6.3. Sea el prolema (6.7) de mamzar f(). S el puto =(,,..., ) es ua solucó óptma de (6.7), etoces tedrá que satsfacer las m restrccoes del prolema de PNL (6.7) y deerá estr multplcadores,,, m ;,,,, que verfque las codcoes de Kuh-Tucker (6.8). Teorema 6.4. Sea el prolema (6.7) de mmzar f(). S el puto =(,,..., ) es ua solucó óptma de (6.7), etoces tedrá que satsfacer las m restrccoes del prolema de PNL (6.7) y deerá estr multplcadores,,, m;,,, que verfque las codcoes de Kuh-Tucker (6.8). Podemos estalecer dos teoremas, correspodetes a los Teorema 6.3 y 6.4, que recoja las codcoes ecesaras y sufcetes para que =(,,..., ) sea ua solucó óptma de (6.5) o (6.7). Teorema 6.5. Sea el prolema (6.7) de mamzar f(). S f() es ua fucó cócava y las g () (=,,..., m) so fucoes coveas, etoces cualquer puto =(,,..., ) que satsfaga las codcoes de Kuh-Tucker (6.8) y las m restrccoes del prolema de PNL es ua solucó óptma de (6.7).

23 Programacó o Leal 9 Teorema 6.6. Sea el prolema (6.7) de mmzar f(). S f() es ua fucó covea y las g () (=,,..., m) so fucoes coveas, etoces cualquer puto =(,,..., ) que satsfaga las codcoes de Kuh-Tucker (6.8) y las m restrccoes del prolema de PNL es ua solucó óptma de (6.7). Para poder aplcar los resultados aterores es mportate que el prolema se platee e la forma que aparece descrta; de o ser así, los sgos de los multplcadores podría ser dferetes. ) Dee tamé verfcarse la hpótess de regulardad que olga a que los vectores gradetes de las restrccoes saturadas sea lealmete depedetes e el óptmo. De o ser así, el puto podría o verfcar el teorema correspodete, como ocurría e el caso de restrccoes de gualdad. ) Los multplcadores de Kuh-Tucker (, ) tamé se cooce como varales duales del prolema. ) Para prolemas de mamzacó (mmzacó) se tedría u resultado smlar, co la úca dfereca de que los multplcadores dee ser egatvos (camo de sgo). v) Estos teoremas srve para determar los posles óptmos de u prolema; para ello, haría que resolver u sstema de +m ecuacoes co +m cógtas. Ua vez resuelto este sstema haría que seleccoar aquellas solucoes que verfca las desgualdades. Por aalogía co los prolemas co restrccoes de gualdad, a estos putos se les llama putos estacoaros. A cotuacó, veremos u caso práctco de localzacó de posles óptmos medate las codcoes de Kuh-Tucker. Ejemplo 6.3. Ecotrar las posles solucoes del prolema M z = (-7) +(y-0) st y-8 0 (-0) +(y-0) Para resolver el prolema, comezamos por oservar que las restrccoes está dadas e la forma estádar. Segú las codcoes de Kuh-Tucker, todo mímo del prolema deería verfcar el sstema: (-7)+ *(-0)=0 (y-0)+ + *(y-0)=0

24 9 Ivestgacó Operatva (y-8)=0 [(-0) +(y-0) -36]=0 Las solucoes de este sstema so: y , ,3 -, ,3435 8,3-0,46967 S de esas solucoes seleccoamos las que correspode a putos factles y co multplcadores postvos (por tratarse de u prolema de mmzacó), se otee u úco caddato a mímo del prolema: =7, y=8, =4, =0. Co las codcoes estudadas hasta ahora, o se está e dsposcó de asegurar que dcho puto correspoda realmete a u mímo local del prolema. Se hace ecesaro, por tato, el estudo de codcoes sufcetes de optmaldad. La sguete seccó se dedca precsamete a eso. Codcoes sufcetes de optmaldad. Ua vez seleccoadas las posles solucoes de u prolema de optmzacó co restrccoes de desgualdad, dee estudarse codcoes sufcetes que permta decdr s realmete los putos localzados correspode a verdaderas solucoes. Teorema 6.7: S el prolema es coveo (restrccoes coveas), etoces las codcoes ecesaras de Kuh-Tucker so además sufcetes. El ejemplo ateror es u caso de prolema coveo, por lo tato se puede coclur que el puto estacoaro ecotrado es mímo y además gloal Programacó cuadrátca La programacó cuadrátca es u caso partcular de la programacó o leal e el que la fucó ojetvo es cuadrátca y las restrccoes so leales.

25 Programacó o Leal 93 Ma (m) z = C T X+X T D X st AX X0 La fucó X T D X defe ua forma cuadrátca dode D es smétrca. La matrz D, se defe: >0 defda postva (mímo) 0 semdefda postva (cuasmímo) <0 defda egatva (mámo) 0 semdefda egatva (cuasmámo) =0 defda (putos de fleó) Tedremos u mímo s los meores prcpales asocados co D so todos postvos y u mámo s los meores prcpales tee el sgo (-). Ejercco 6.6. Ua empresa puede vertr 000 mlloes de euros e tres títulos de olsa. Sea X la varale aleatora que correspode al terés aual por cada mlló de pesetas vertdo e el título -ésmo. Se cooce los valores sguetes: E(X)=0.4, E(X)=0., E(X3)=0.0; Var(X)=0., Var(X)=0.08, Var(X3)=0.8; Cov(X,X)=0.05, Cov(X,X3)=0.0, Cov(X,X3)=0.03. a) Formule u prolema de programacó cuadrátca que se pueda utlzar para ecotrar la cartera de varaza míma que alcace u terés aual esperado de por lo meos u 0%. ) Resuélvalo medate LINDO. Solucó: a) Defamos: j =úmero de mlloes de euros vertdos e el título j- ésmo. X X X E M Var X X X 3 =Mz M z= st = 000 0, =,, 3. E el programa LINDO se troduce de la forma sguete: M X+X+X3+L+L+L3 st 0.40X+0.0X+0.04X3-0.4L+L-L3=>0

26 94 Ivestgacó Operatva 0.0X+0.6X+0.06X3-0.L+L-L3=>0 0.04X+0.06X+0.36X3-0.0L+L-L3=>0-0.4X-0.X-0.0X3<=-00 X+X+X3<=000 -X-X-X3<=-000 END QCP 5 ) Salda: OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST X X X L L L ROW SLACK OR SURPLUS DUAL PRICES ) ) ) ) ) ) E la tala sguete se recoge las versoes: Título 3 Euros vertdos Programacó separale A los prolemas de programacó o leal se les deoma de programacó separale cuado las varales de decsó aparece e térmos separados tato e la fucó ojetvo como e las restrccoes. Ma (m) z = f j ( j ) = f ( ) + f ( ) + + f ( ) j st g j ( j ) (=,,..., m) j

27 Programacó o Leal 95 E la fgura sguete represetamos ua fucó y su apromacó e u tervalo de u puto j, a j r j a j r+ f( j) fˆ ( j) a j r j a j r+ dode fˆ ( j ) es la fucó leal que emplearemos para estmar f( j). E ese tervalo j, se puede epresar como ua comacó leal de los etremos, es decr, j = a j r + (- ) a j r+, f( j ) = f(a j r ) + (- ) f(a j r+) Vamos a cosderar que todas las varales tee el msmo recorrdo dvddo e k celdllas. a j ; a = a j a j a j k- a jk = k j = jr a jr ; jr = (j=,,..., ) r r ĝ j( j) = jr g j (a jr ) k Aplcado la fucó de estmacó a la fucó ojetvo y a las restrccoes, teemos fˆ ( j ) = jr f j (a jr ) j k r k r Para que la apromacó sea uea, deemos teer e cueta la suposcó de adyaceca, que dce que, a lo sumo, dos jr puede ser postvos. S para u j

28 96 Ivestgacó Operatva dado (j=,,..., ), dos jr so postvos, etoces tee que ser adyacetes. Es decr, deerá ser postvos jr- y jr+. Ahora ya podemos formular el prolema: Ma (m)z = fˆ j( j ) = jr f j (a j r ) j j st ĝ j ( j ) = jr g j (a j r ) j j k r k r k r jr = (j=,,..., ), jr 0 (j=,,..., ; r =,,..., k) Ejercco 6.7. Resuelva el prolema sguete: Ma z= s.t (=, ) Como ua de las restrccoes es o leal, so cuadrátca, o podemos aplcar Kuh-Tucker, por lo que recurrremos a la programacó separale. z = f j ( j ) = f ( ) + f ( ) + + f ( ) j j g j ( j ) g ( ) + g ( ) + + g ( ).. g m ( ) + g m ( ) + + g m ( ) m f ( ) = 30 - f ( ) = 35-3 g ( ) = g ( ) = g ( ) =

29 Programacó o Leal 97 g ( ) = a 0 0 a 0 0 a = a = 0; a = 5 ; a 3 = 0 ; a 4 = 5 ; a 5 = 0 = ; a = a = 0; a = 5 ; a 3 = 0 ; a 4 = 5 ; a 5 = 0 = ; Camamos las fucoes f y g j por sus estmacoes: fˆ ( ) = f (a ) + f (a ) f (a 5 ) fˆ ( ) = f (a ) + f (a ) f 5 (a 5 ) = a + a a 5 a, a a, a a 3, a 3 a 4, a 4 a 5, a f f g g g g Ma z ˆ = fˆ + fˆ = s.t = = jr 0 (j=, ; r =,, 3, 4, 5) Para oteer la solucó fal tedremos e cueta la codcó de adyaceca. Dcha solucó es: = =; =5, =5, z=00

30 98 Ivestgacó Operatva Programacó Estocástca La programacó aleatora o estocástca se preseta cuado alguo o todos los parámetros del prolema se puede descrr medate varales aleatoras. Nuestro ojetvo es epresar la aturaleza proalístca del prolema e térmos determístcos. Dado el prolema de programacó o leal e forma caóca Ma z = c st j a j j j 0 j =,,, supodremos que los coefcetes del prolema so varales aleatoras que sgue dstrucoes ormales. Los casos que se os puede presetar so: Caso : El coefcete de la fucó ojetvo es aleatoro. S el coefcete c es ua varale aleatora co valor esperado E[c ] y varaza Var (c ), etoces el prolema, e forma determístca, se estalece: Ma z = E[c ] st j a j j j 0 j =,,, Caso : Los a j sgue ua dstrucó ormal, a j N( E[a j ], Var (a j ) ). La covaraza de a j y a j vee dada por Cov (a j, a j ). Cosderemos que la -ésma restrccó se produce co ua proaldad míma de -.

31 Programacó o Leal 99 P ( a j j ) - j Tomemos h = j a j j, etoces la proaldad asocada a la -ésma restrccó la escrmos como P( h ) - - k - Tpfcado P( h ), teemos: h E[ h ] E[ h ] P Var( h ) Var( h ) - La varaza asocada a h es Var (h )=X T D X, y su desvacó típca T Var ( h ) = X D X sedo D la matrz de la -ésma covaraza. D = Var( a ) Cov( a, a ).. Cov( a, a ) Cov( a Var( a... Cov( a, a ), a ) ) Cov( a, a ) Cov( a, a ).. Var( a ) dode h E[ h ] N(0, ) Var( h )

32 00 Ivestgacó Operatva por tato, h E[ h ] Var( h ) = - El cuatl correspodete verfca E[ h ] k - Var( h ) Operado llegamos al resultado E[h ]+ k - Var h ) ( Susttuyedo e la epresó ateror h = a j j, teemos para la -ésma restrccó j j E[a j ] j + k - X T D X =,,,m S las v.a. a j so v. a.. (caso partcular del ateror), teemos Var( a D = 0 ) Var( a... ) Var( a ) Así, podemos escrr: j E[a j ] j + k - Var j ( a j ) j

33 Programacó o Leal 0 Caso 3: Los coefcetes de las restrccoes,, so v.a., es decr, N(E[ ], Var( )) Operado de forma smlar al Caso, fjamos la proaldad de que ocurra la -ésma restrccó P( a j j ) j P( a j j ) =- P( a j j ) j j Tpfcado la últma epresó y operado -P ) ( ] [ ) ( ] [ j j j Var E a Var E P ) ( ] [ ) ( ] [ j j j Var E a Var E - dode ) ( ] [ Var E N(0, ) por tato, ) ( ] [ j j j Var E a = - El cuatl correspodete verfca ) ( ] [ j j j Var E a k -

34 0 Ivestgacó Operatva por tato k - Var( ) aj j E[ ] j Operado llegamos al resultado para la -ésma restrccó j a j j E[ ]+ k - Var ( ) Caso 4: Los coefcetes a j y so v. a. j a j j, a j j - 0 j Como todas las a j y sgue dstrucoes ormales, es decr, a j N(E[a j ], Var(a j )), N(E[ ], Var( )) a j j - tamé sgue ua dstrucó ormal. Por tato, podemos hacer u estudo aálogo al Caso. Ejercco 6.7. Ua empresa mera dspoe de tres cateras, X, X y X 3, las catdades a eplotar sgue dstrucoes ormales: N(50m 3, =65m 6 ), N(00m 3, =500m 6 ) y N(00m 3, =65m 6 ), respectvamete. Por otra parte, el materal dee trasportarse a los lugares X 4, X 5, X 6, X 7 y X 8, e dode se requere respectvamete 00 m 3, 00 m 3, 50 m 3, 50 m 3 y 50 m 3. Dedo a las restrccoes e la flotlla de camoes, e el equpo de eplotacó de las cateras y e los camos de acceso, las capacdades de trasporte de cada ua de las cateras a los lugares de descarga resulta como se muestra e la sguete tala: Desto Orge X 4 X 5 X 6 X 7 X 8 X X X

35 Programacó o Leal 03 Tomar como dato, para las cateras, el cuatl correspodete a F ()= (=,, 3). Cómo se puede satsfacer las demadas al mámo? e qué destos o se satsface la demada al rtmo deseado y e qué catdades? Resolvedo el prolema medate LINDO, teemos ) Plateameto del prolema: Sea j (=,,..., 5) la catdad de producto que evaremos del orge al desto. Este ejercco correspode al Caso 3 de programacó estocástca a j j E[ ]+ k - Var ( ) Las catdades a eplotar so: = = 00, = = 300, 3 = = 50 Ma st <=60 <=40 3<=80 4<=80 5=0 6<=60 7<=60 8<=60 9<=80 0<=60 =0 <=40 3<=30 4<=70 5<= <= <= <=50 +6+>=00 +7+>= >= >= >=50

36 04 Ivestgacó Operatva ) Resolucó medate LINDO OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST X X X X X X X X X X X X X X X Resumedo los resultados e ua tala, teemos z=650 m 3 Desto Orge X 4 X 5 X 6 X 7 X 8 X X X Demadado Dado Demada o satsfecha El lugar X 7 o satsface sus ecesdades, ecesta 0 m 3 más y el X 8 tee u sorate de 0 m 3.

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno Fluo de Poteca DC co odelacó de Icertdumres Aplcado al Caso Chleo Resume Rodrgo Palma B. rodpalma@cec.uchle.cl Chrsta Jeldres H. celdres@cec.uchle.cl Area de Eergía Departameto de Igeería Eléctrca Uversdad

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

4. ESQUELETOS Y CAMINOS OPTIMALES...

4. ESQUELETOS Y CAMINOS OPTIMALES... . INTRODUCCION.... Qué es la Ivestgacó de Operacoes... 3. I.O como apoyo a la toma de decsoes... 5.3 Problemas tpo e Ivestgacó Operatva... 7. OPTIMIZACIÓN... 9. Itroduccó... 9. Covedad... 3.3 Optmos Locales

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas 5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

UNIVERSIDAD DE LOS ANDES T R U J I L L O - V E N E Z U E L A LABORATORIO DE FÍSICA I/11. PRÁCTICA No. 2 ANÁLISIS GRÁFICO.

UNIVERSIDAD DE LOS ANDES T R U J I L L O - V E N E Z U E L A LABORATORIO DE FÍSICA I/11. PRÁCTICA No. 2 ANÁLISIS GRÁFICO. Pága de 5 NÚCLEO UNIVERSITARIO RAFAEL RANGEL UNIVERSIDAD DE LOS ANDES T R U J I L L O - V E N E Z U E L A ÁREA DE FÍSICA LABORATORIO DE FÍSICA LABORATORIO DE FÍSICA I/ PRÁCTICA No ANÁLISIS GRÁFICO OBJETIVO

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

A2.1 SUMA PRESENTE A SUMA FUTURA

A2.1 SUMA PRESENTE A SUMA FUTURA A2. APÉNDICE MATEMÁTICAS FINANCIERAS E este apédce se preseta las fórmulas tradcoales para hallar las sumas equvaletes e el tempo y ua coleccó de fórmulas para equvaleca de tasas omales y efectvas. Para

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

Más detalles

A = 1. Demuestra que P (1) es cierta. 2. Demuestra que si P (h) es cierta, entonces P (h + 1) es cierta.

A = 1. Demuestra que P (1) es cierta. 2. Demuestra que si P (h) es cierta, entonces P (h + 1) es cierta. . POTENCIAS DE MATRICES CUADRADAS E este capítulo vamos a tratar de expoer distitas técicas para hallar las potecias aturales de matrices cuadradas. Esta cuestió es de gra importacia y tiee muchas aplicacioes

Más detalles

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª. 1. Sean a, b y n enteros positivos tales que a b y ab 1 n. Prueba que

SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª. 1. Sean a, b y n enteros positivos tales que a b y ab 1 n. Prueba que SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª Sea a, b y eteros positivos tales que a b y ab Prueba que a b 4 Idica justificadamete cuádo se alcaa la igualdad Supogamos que el resultado a demostrar fuera falso

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

TEMA 4: NÚMEROS COMPLEJOS

TEMA 4: NÚMEROS COMPLEJOS TEMA : COMPLEJOS 1 EN FOMA BINÓMICA 1.1 DEFINICIONES Sabemos que la resolucó de alguas ecuacoes de º grado coduce a ua raíz cuadrada de u º egatvo. Dcha raíz o tee setdo e el cojuto de los úmeros reales.

Más detalles

INTRODUCCION A LA GEOESTADISTICA

INTRODUCCION A LA GEOESTADISTICA INTRODUION A LA GEOESTADISTIA 7 3' W MAR ARIBE Boca de la Barra 3 larí 8 6 4 Grade R Sevlla 8 6 R Aracataca 45' N 4 R Fudaco Teoría y Aplcacó UNIVERSIDAD NAIONAL DE OLOMBIA Sede Bogotá Facultad de ecas

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1 TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN... 3. REPREENTATIVIDAD DE LA CURVA DE REGREIÓN... 3 3.. Poder explcatvo del modelo... 3 3.. Poder explcatvo frete a poder predctvo...

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004 Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes Ejerccos Resueltos de Estadístca: Tema : Descrpcoes uvarates . Los datos que se da a cotuacó correspode a los pesos e Kg. de ocheta persoas: (a) Obtégase ua dstrbucó de datos e tervalos de ampltud 5, sedo

Más detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*)

UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*) UNIVERSIDAD NACIONAL DE SALTA Facultad de Cecas Ecoómcas, Jurídcas y Socales Isttuto de Ivestgacoes Ecoómcas Reuó de Dscusó Nº 7 Fecha: /06/003 Hs.: 6 UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*) Eusebo Cleto

Más detalles

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras

Más detalles

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA . INTRODUCCIÓN 2. SITUACIÓN ACTUAL 2.. Telefoía fja 2.2. Telefoía móvl 3. OBJETO

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

MARTINGALAS Rosario Romera Febrero 2009

MARTINGALAS Rosario Romera Febrero 2009 1 MARTINGALAS Rosario Romera Febrero 2009 1. Nocioes básicas De ició: Sea (; F; P ) u espacio de probabilidad y T 6= ; y sea (F t ) t2t ua ltració e F. Ua familia fx t g t2t de v.a. reales de idas sobre

Más detalles