TEMA 5. Planificación estática de tareas. Planificación de tareas. El problema de la concurrencia

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

Download "TEMA 5. Planificación estática de tareas. Planificación de tareas. El problema de la concurrencia"

Transcripción

1 TEMA Plafcacó estátca de tareas Plafcacó de tareas El problema de la cocurreca El problema de la plafcacó Plafcacó de tareas Modelo básco Plafcacó rate mootoc Teorema de Lu y Laylad Aálss del tempo de respuesta Plafcacó deadle mootoc Recursos compartdos Hereca de prordad Techo de prordad y techo de prordad medato Modelo de tareas geeralzado Plafcacó cooperatva Actvacó rregular (tter) Plazos arbtraros Extesó del modelo ambo de cotexto ambo de modo Plafcacó de tareas Tareas aperódcas Servdor e backgroud Reserva de acho de bada Extraccó de holgura Tareas co restrccoes de precedeca El problema de la cocurreca El mudo real es cocurrete: ocurreca smultáea de evetos. Elemetos Procesadores. Recursos y Tareas Plafcador y Gestor de Recursos (Sstema Operatvo) Problema Qué tarea eecutar, y cuádo? ómo se asga el acceso a los recursos compartdos? Problemas de cocurreca e e e e Fallo t t+ t+ t+ t+ t+ OK t t+ t+ t+ t+ t+ 6

2 El problema de la plafcacó U método de plafcacó tee dos aspectos: La plafcacó (schedulg) cosste e gestoar el uso de los recursos del sstema co el f de garatzar los requstos temporales de las tareas. ada tarea es plafcada por u algortmo de plafcacó, y los dsttos recursos so asgados medate u protocolo de acceso a los recursos. U algortmo de plafcacó que determa el orde de acceso de la tareas a los recursos del sstema ( e partcular al procesador ) U método de aálss que permte calcular el comportameto temporal del sstema. Así se puede comprobar s los requstos temporales está garatzados e todos los casos posbles. E geeral se estuda el peor comportameto posble. 7 8 Plafcacó vs. Plafcabldad Proceso de plafcacó Plafcacó = efoque para prorzar ua tarea sobre otra. Plafcabldad = aálss formal que permte garatzar que u couto de tareas puede (o o) acceder a u recurso compartdo (p.e. el procesador) de tal forma que cada ua de ellas cumpla co su plazo de respuesta. Plafcabldad = otrol de admsó Aplcacó Aplcacó Tempo Tempo Real Real arga de Trabao de Tempo Real Tarea Aálss de Plafcabldad Plafcador EJEUIÓN T No No es es plafcable plafcable 9 Fuera de líea (off-le) E líea (o-le) Plafcacó de tareas Proceso de plafcacó U método de plafcacó puede ser: despachar estátco: el aálss puede realzarse ates de la eecucó. actvacó test de aceptacó SI LISTA expulsó EJEUION dámco: se utlza decsoes tomadas durate la eecucó. Método de plafcacó NO recurso lberado LOQUEO espera e recurso ocupado Eecutvo cíclco asado e prordades Estados y decsoes de plafcacó Fas ámcas

3 Plafcacó co prordades fas Las tareas se eecuta como procesos cocurretes. Ua tarea puede estar e varos estados Las tareas eecutables se despacha para su eecucó e orde de prordad. El despacho puede hacerse s desaloo co desaloo E adelate vamos a cosderar plafcacó co prordades fas y desaloo (preemptve prorty based schemes): a cada proceso se le asga ua prordad y e cada state se eecuta el proceso co mayor prordad Necestamos u algortmo de asgacó de prordades y ua Plafcacó co prordades fas: Modelo básco prueba de plafcabldad. Modelo de tareas El couto de tareas es estátco. Todas las tareas so peródcas. Las tareas so depedetes etre sí (a o ser que se dga lo cotraro). Las operacoes del úcleo del sstema so statáeas (por eemplo los cambos de cotexto, terrupcoes, etc..). El tempo de cómputo máxmo de cada tarea es coocdo. Los plazos de respuesta de todas las tareas so guales a los perodos respectvos. Notacó N Número de tareas. Tempo de eecucó (peor caso) de la tarea. T Período de la tarea. Plazo de falzacó ( deadle ) de la tarea. P Prordad de la tarea. R Tempo de respuesta (máxmo) de la tarea. El obetvo fal cosste e asegurar que, para todas las tareas, se cumple: R = T 6 Factor de utlzacó Plafcacó basada e prordades Es ua medda de la carga del procesador. El factor de utlzacó de ua tarea T es: U = T El factor de utlzacó total del sstema es U = = U Se trata de ecotrar métodos que proporcoe plafcacoes admsbles co factores de utlzacó lo más altos posble. o u procesador: U E geeral para M procesadores: U M = = T 7 osderaremos prordades estátcas y plafcacó expulsva. Frecuetemete se asga prordades a las tareas segú su "mportaca". T U T.. T Fallo

4 Prordades moótoas e frecueca (rate mootoc) odcó de garatía de plazos basada e la utlzacó (Lu y Laylad) La asgacó de mayor prordad a las tareas de meor período (rate mootoc schedulg) es óptma para el modelo de tareas smple (tareas peródcas, depedetes, co plazos guales a los períodos) Para el modelo smple, co asgacó de prordades moótoas e frecueca, los plazos está garatzados s: ( / U = ) = U( ) T = U () es la utlzacó míma garatzada para tareas S se puede garatzar los plazos de u sstema de tareas co otra asgacó de prordades, se puede garatzar co la asgacó moótoma e frecueca 9 U ()=. U ()=.88 U ()=.779 lm U ( ) = l.69 U ()=.77 U ()=.7... Istate crítco Plafcacó basada e prordades moótoas e frecueca (rate mootoc) T T U T.. Para el modelo básco de tareas, la asgacó de prordades rate mootoc es óptma (Lu & Laylad, 97) El croograma se puede utlzar para comprobar s se cumple los plazos Hay que trazar el croograma durate u hperperíodo completo E caso más desfavorable, H = O( N N ) El tempo de respuesta es máxmo cuado todas las tareas se actva a la vez Se deoma state crítco S el state cal es crítco basta comprobar la prmera staca de cada tarea. No es ecesaro aalzar todo el hperperodo (Lu Lu & Laylad 97) Eemplo T= U P T. Alta Eemplo T= U P T 6. Alta. Meda. Meda. aa 8. aa U =.8 >.779 = U U =.77 <.779 = U T T Fallo

5 Aálss del tempo de respuesta T Eemplo T= U P T. Alta. Meda 8. aa U =. >.779 = U La prueba del factor de utlzacó o es exacta. o se puede geeralzar a modelos de tareas más compleos. La costruccó de u croograma es complea, cluso cosderado que el state cal es crítco. Veremos ua prueba basada e el cálculo del tempo de respuesta de cada tarea Ecuacó del tempo de respuesta álculo de la terfereca máxma T T T T R R = + I os compoetes: : Tempo de eecucó, e el peor caso, de la tarea. I : Iterfereca que puede sufrr la tarea por tareas de prordad superor. 7 Para ua tarea de prordad superor a Para todas las tareas de prordad superor a I I R = T R = hp ( ) T 8 álculo del tempo de respuesta álculo del tempo de respuesta Ecuacó del tempo de respuesta: Resolucó medate la relacó de recurreca: R R = + hp( ) R T es la solucó míma de la ecuacó: Valor cal: w + = + hp( ) w = w T w = + hp( ) w T No es cotua leal. No se puede resolver aalítcamete. 9 w = w = + hp( ) Se terma cuado: w+ = w, (se cumple el plazo), o be w+ > T (o se cumple el plazo).

6 T= P T aa Meda Alta R w = = w = + = + = w = + = + = T w = + + = + + = w = + + = + + = T T w = + + = + + = T T w = + + = + + = T T Aálss del tempo de respuesta a ua codcó sufcete y ecesara: S u couto de tareas pasa el test de plafcabldad, se cumplrá sus plazos. E caso cotraro, algua de ellas (las de meor prordad) perderá su plazo. Tareas aperódcas y esporádcas Respode a evetos asícroos croos. Estrctas (hard) o esporádcas frecuecas de actvacó máxmas. No estrctas (soft) frecuecas de actvacó medas. Aalzar la plafcabldad co tempos e el peor caso podría llevar a utlzacoes muy baas del procesador. Garatzar requstos mímos: Todas las tareas debe ser plafcables usado tempos de eecucó y frecuecas de llegada medos puede perderse alguos plazos. Todas las tareas hard debe ser plafcables usado tempos de eecucó y frecuecas de llegada e el peor caso asegurar los plazos de estas tareas. Tareas esporádcas Para clur tareas esporádcas hay que modfcar el modelo básco de tareas: T : separacó míma etre evetos de actvacó cosecutvos. T asgacó de prordades: moótoa e plazos (eadle mootoc) Prordades moótoas e plazos (deadle mootoc) óptma. aálss del tempo de respuesta: gual que e la asgacó moótoa e frecueca se terma cuado: w+ = w, (se cumple el plazo), o w+ > (o se cumple el plazo). 6 6

7 Eemplo T P R T T 7 6 Moótoa e plazos deadle mootoc Recursos compartdos T P R T 7 7 Moótoa e frecueca rate mootoc T 8 Iteraccó etre tareas y bloqueos Eemplo E la mayoría de los sstemas de terés práctco las tareas teraccoa medate datos comues (protegdos) ctas o mesaes E todos estos casos puede ocurrr que ua tarea tega que esperar u suceso de otra meos prortara T Esta stuacó se deoma bloqueo, y puede producr ua versó de prordad deseable t t+ t+ t+ t+ La versó de prordad cosste e que ua tarea co ua prordad termeda puede colarse a ua tarea más prortara que está bloqueada a la espera de u recurso que tee ocupado otra tarea de baa prordad Iversó de prordad 9 Eemplo P ta Accoes T T T NNN NN NN T NN LOQUEO T T Iteraccó etre tareas y bloqueos OJO: el bloqueo de ua tarea más prortara por parte de otra meos prortara porque ésta tee u recurso, o es el problema de versó de prordad, so el retardo ducdo por tareas de prordad termeda Los métodos propuestos para solucoar este problema se puede clasfcar e tres grades grupos: EVITAR: Ordear la eecucó de todas las tareas (off-le) co el f de evtar que se produzca estas stuacoes (plafcacó cíclca) IGNORAR: Tratamos a todas las seccoes crítcas como bloques terrumpbles; y hacemos que todas las seccoes crítcas sea lo más breves posble. MINIMIZAR: Modfcar (temporalmete) la prordad de las tareas que etre e ua seccó crítca para que falce lo ates posble. Prorty Ihertace Protocol (PIP) (hereca de prordades) Prorty elg Protocol (PP) (techo de prordades) Imedate Prorty elg Protocol (IPP) 7

8 Eemplo Hereca de prordad El retraso que sufre ua tarea por versó de prordad puede o estar acotado, lo que compromete la plafcabldad del sstema. Es ecesaro acotar y medr los bloqueos. T Ua forma de reducr la duracó de los bloqueos es varar dámcamete la prordad de las tareas: uado ua tarea está bloqueado a otra más prortara, hereda la prordad de ésta. La prordad dámca de ua tarea es el máxmo etre: su prordad básca las prordades de todas las tareas a las que bloquea. La hereca de prordad es trastva. t t+ t+ t+ t+6 Hereca de prordad Eemplo P ta Accoes T T T T T T NNN NN NN NN LOQUEOS Hereca de prordad Propedades: Ua tarea puede bloquearse por recursos a los que o accede (T). Ua tarea puede sufrr bloqueo auque o acceda a recursos compartdos (T). La tarea de meor prordad o sufre bloqueo (T). ua tarea se puede bloquear como máxmo: ua vez por cada recurso ua vez por cada tarea de prordad feror Puede haber terbloqueos o acotados etre tareas Hereca de prordad S o hay terbloqueos, la duracó total máxmam de los bloqueos que sufre ua tarea es: dode K = u( k, ) ( k) k = K es el úmero de seccoes crítcas u(k,) = s el recurso k es usado por al meos ua tarea co prordad meor que P, y por al meos ua tarea co prordad mayor o gual que P e caso cotraro k es el tempo de eecucó (WET) de la seccó crítca k Hereca de prordad S hay tareas de prordad feror que puede bloquear a la tarea T, etoces ésta se puede bloquear como mucho la duracó de seccoes crítcas (ua por cada ua de las tareas de prordad feror), depedetemete del úmero de recursos a los que acceda T. S hay m recursos dferetes que puede bloquear a la tarea T, etoces ésta se puede bloquear como mucho la duracó de m seccoes crítcas, ua por cada uo de los recursos. ao el protocolo de hereca de prordad, ua tarea T puede ser bloqueada como mucho la duracó de m(, m) seccoes crítcas, dode es el úmero de tareas de prordad feror que podría bloquear a la tarea T, y m es el úmero de recursos dferetes que puede ser usados para bloquear T 7 8 8

9 T T Eemplo álculo del bloqueo Eemplo T - = - = - = - T = T + T T Z T T T T álculo del bloqueo Z álculo del bloqueo Z T =9 =9 Z Z =7 Z =8 Z =8 =7 T Z = Z =6 = = =8 =8 =7 =7 Z Z T = Z= Z =6 Z= Z =6 = La tarea de baa prordad o accede al recurso No hay bloqueo drecto drecto por acceso al recurso La tarea de baa prordad o accede al recurso T T Hereca de prordad álculo del bloqueo T =6 6 = Z Z= 6 Z Ecuacó del tempo de respuesta: R = + + I = + + hp() R T La solucó se obtee medate la relacó de recurreca: T w + = + + I = + + hp( ) w T 9

10 Techo de prordad Es u protocolo de hereca de prordades co las sguetes reglas adcoales: El techo de prordad de u recurso es gual a la prordad de la tarea más prortara que haga uso de él. La prordad dámca de ua tarea es el máxmo etre su prordad básca, y las prordades de las tareas a las que bloquea. Ua tarea sólo puede acceder a u recurso s su prordad dámca es mayor que el techo de todos los recursos actualmete e uso por otras tareas. Las seccoes crítcas debe tratarse de forma pramdal. Techo de prordad Propedades: Protocolo lbre de terbloqueos. loqueo úco: ua tarea es retardada como mucho ua vez por ua tarea de prordad feror. El retardo es fucó del tempo de eecucó de ua seccó crítca. 6 T P Eemplo T Alta s s Techo de prordad La duracó total máxmam de los bloqueos que sufre ua tarea es: Meda aa s s s s s s s s = max sck, s { k, s k lp( ) s sem( k ) cel( s) pr( )} Techo de prordad La mayor seccó crítca e que reteemos a los recursos correspode a la duracó máxma del bloqueo. T s s + Recursos (techo de prordad) s s s s Tareas (prordad) s s s s t t t t t t t 6 t 7 t T P Eemplo T Alta s s Techo de prordad medato Meda aa s s s s s s s s Ua tarea que accede a u recurso hereda medatamete el techo de prordad del recurso. Las propedades so las msmas que las del protocolo del techo de prordad loqueo úco al actvarse ua tarea. Es más fácl de mplemetar que el protocolo básco Es más efcete (meos cambos de cotexto) Se produce más bloqueos que e el caso del protocolo de techo de prordad omportameto détco de peor caso Peor comportameto medo Techo de prordad medato T t s s s s s s s s s s t t t t t t 6 t 7 t 8 9

11 Modelo de tareas geeralzado Modelo de tareas geeralzado El modelo de tareas básco que hemos vsto cluye : tareas peródcas y esporádcas plazos meores o guales que los períodos teraccó medate seccoes crítcas El aálss del tempo de respuesta se puede exteder co plafcacó cooperatva varacó (tter) e el esquema de actvacó plazos arbtraros (també mayores que los períodos) 6 6 Plafcacó cooperatva La plafcacó por desaloo (preemptve) o sempre es aceptable e sstemas crítcos Las tareas se puede bloquear por el sstema de eecucó o por el úcleo del sstema operatvo (e. cambos de cotexto) o el protocolo del techo de prordad medato lo bloqueos o se acumula (o puede ser bloqueado a la vez por u proceso de aplcacó y por ua ruta del úcleo) La plafcacó cooperatva o dferda dvde las tareas e bloques o desaloables S MA es el bloqueo máxmo por recursos, se dvde el códgo de las tareas e bloques o desaloables de duracó MA Al fal de cada bloque se ofrece u cambo de cotexto (s hay algua tarea más prortara) Las seccoes crítcas se mete detro de u solo bloque Plafcacó cooperatva Vetaas Icremeta la plafcabldad del sstema y se puede reducr los tempos de cómputo, pues o se produce terferecas durate la eecucó del últmo bloque. Los tempos de cómputo de los bloqueos so más fácles de calcular y co mayor precsó pues los procesadores moderos tee cachés, ppele, etc., que reduce sgfcatvamete los tempos de eecucó del códgo leal, cuyas estmacoes smples del peor caso del tempo de eecucó da uos resultados muy pesmstas. La exclusó mutua se cosgue s desaloo 6 6 Plafcacó cooperatva Sea F uado w w vee dado por: el tempo de cómputo del últmo bloque w + w = + F + MA hp( ) T = + R = w + F el tempo de respuesta Actvacó rregular (tter) E el modelo smple se supoe que todos los procesos so peródcos y va a ser actvados co ua perodcdad perfecta. Los esporádcos se corpora al modelo supoedo u tervalo mímo, S, etre llegadas. S embargo, esto o es realsta, sobre todo e sstemas dstrbudos. Jtter (fluctuacó): valor máxmo de la varacó e la actvacó de u proceso. 6 66

12 Actvacó rregular (tter) Actvacó rregular (tter) T P T P P P P P R P T P - R P S T S S P : Tarea peródca eecutada e u procesador A S : Tarea esporádca eecutada e u procesador remoto y actvada por u eveto geerado por P. 67 aso deal : T S = T P Ahora las dos actvacoes del proceso esporádco o está separadas por T P so por T P -R P La tarea esporádca S sufre ua varacó e su actvacó. El valor 68 máxmo de la fluctuacó se deoma tter. Actvacó rregular (tter) Actvacó rregular (tter) t t+ t t+ P P S t+ t+ S t+ t+ T P =, R P =, P(mímo) = Separacó teórca etre actvacoes de S : T S = T P = Separacó míma etre actvacoes de S : T S = 6 T-J T-J 6 6 Fluctuacó máxma (tter) : J S = - 6 = 69 Ua tarea de prordad feror a S tedrá,,, terferecas de S depededo de su tempo de respuesta, R 7 Actvacó rregular (tter) Actvacó rregular (tter) S t+ t+ T-J T-J 6 6 S tter R (, T S ] (T S, T S ] (T S, T S ] R o tter R (, T S -J S ] (T S -J S, T S -J S ] (T S -J S, T S -J S ] T-J 6 R + J La tarea esporádca S es actvada e los states, 6, 6, 6, etc., T-J, T-J, T-J,... El exame de la ecuacó de plafcabldad mplca que el proceso de meor prordad que S sufrrá: ua terfereca del proceso S s : [, T J ) dos terferecas s : tres terferecas s : Esto puede represetarse e las ecuacoes de tempo de respuesta como: R = + + R + J S TS T hp( ) S T Número de actvacoes de S = º de terferecas de S sobre 7 7 R R R [ T J, T J ) [ T J, T J )

13 Actvacó rregular (tter) Plazos arbtraros Tareas peródcas co tter: Las tareas peródcas o suele teer tter. Puede haberlo s la plafcacó se hace co ua graulardad aprecable. El tempo de respuesta se calcula como: R + J R = + + hp( ) T R = R + J perodca S el plazo es mayor que el período, puede haber varas actvacoes pedetes e u cclo: ( y potecalmete R) > T Para aalzar esta stuacó costrumos ua sucesó de vetaas W (q), dode q + es el úmero de actvacoes de τ. Para cada vetaa se obtee u R co w w + ( ) ( q ) = + ( q + ) + hp ( ) T R ( q) = w ( q) qt q 7 7 Plazos arbtraros Plazos arbtraros El úmero de actvacoes está lmtado por el meor valor de q para el que la sguete expresó es certa: R ( q) T El tempo de respuesta de peor caso es el valor máxmo que se obtee para cada q: T Eemplo T T 6 6 P Alta Meda aa R 9 6 R = max q=,,,... R ( q) w () 7 w () w () 76 aso geeral uado se tee plazos arbtraros combados co el efecto de tter de actvacó debe realzarse dos alteracoes e el aálss ateror: Prmero, el factor de terfereca debe ser cremetado s exste procesos de prordad superor que sufre tter de actvacó: + J + w ( q) ( q) = + ( q + ) + hp( ) T w El otro cambo volucra al proceso e sí msmo. Puede sufrr tter de actvacó cuado dos vetaas cosecutvas puede solaparse s el tempo de respuesta más el tter es mayor que el perodo: Extesó del modelo R ( q) = w ( q) qt + J 77 78

14 Extesó del modelo Extesó del modelo Para que este algortmo de plafcacó sea útl ecestamos calcular co precsó la utlzacó o el tempo de respuesta de las tareas. El modelo de tareas smple cosderaba: outo de tareas estátco. Todas las tareas so peródcas. Las tareas so depedetes uas de otras. Los plazos de respuesta de las tareas so guales a sus perodos. El tempo de eecucó máxmo de cada tarea es coocdo. Las operacoes del úcleo (plafcador, despachador) so statáeas. Este esquema se ha amplado, cosderado: Recursos compartdos, comucacó y scrozacó etre tareas. Varacó e el esquema de actvacó de las tareas (tter) Se puede meorar el aálss s al modelo de tareas se le cluye: Sobrecargas del plafcador (cambos de cotexto) ambos de prordades durate la eecucó (cambos de modo) Otras lmtacoes del etoro de eecucó (procesos o totalmete terrumpbles). Tareas aperódcas. Servdores de tareas aperódcas Tareas co restrccoes de precedeca 79 8 ambo de cotexto ambo de cotexto Hasta ahora habíamos supuesto que los cambos de cotexto o cosume tempo. Pero la realdad es muy dstta. E los actuales procesadores RIS, que cueta co u gra úmero de regstros, el tempo de salvar todos estos regstros e memora prcpal y recargar los regstros de otra tarea para cotuar co su eecucó o es desprecable. T +pro S estudamos e detalle cómo se produce los cambos de cotexto veremos que podremos acotar el tempo que cualquer tarea perde e estos meesteres. T -pro sw + sw sw 8 8 ambo de cotexto ambo de cotexto ada vez que ua tarea de más prordad se actva (supoemos que e esos mometos está e eecucó otra de meor prordad) ha de expulsar a la meos prortara (lo que mplca suspeder la meos prortara y actvar la ueva tarea); y al falzar la eecucó hay que repoer la eecucó de la tarea terrumpda (elmado la más prortara y repoedo la tarea ateror). Es mportate otar que o se produce más cambos de cotexto (s supoemos que o hay más actvacoes). Los dos cambos de cotexto ha sdo forzados por la tarea más prortara, por lo que podemos cosderar este tempo como tempo de cómputo de ésta. Así, la tarea meos prortara puede o teer e cueta los tempos de cambo de cotexto producdos por tareas más prortaras. El test de plafcabldad o se ve alterado por los cambos de cotexto s modfcamos los tempos de cómputo de todas las tareas co dos veces el tempo de cambo de cotexto. A la tarea meos prortara s be o puede provocar expulsoes a otras tareas, també hay que añadrle los tempos de cambo de cotexto pues e realdad sí que expulsa a otra tarea: la tarea dle. Ésta es ua tarea comodí utlzada e cas todas las mplemetacoes de sstemas operatvos para smplfcar el códgo del plafcador. R = + sw + + hp( ) R + J T ( + ) sw 8 8

15 ambo de modo E muchas aplcacoes el couto de tareas y sus característcas o so fas. Las codcoes del etoro exteror provoca cambos e la fucoaldad requerda. Modo de eecucó : outo de tareas co perfles de eecucó determados. τ Petcó de cambo de modo Modo A T= U A =.96 Modo T= τ, 7 6 τ 9 9 U =.98 U cambo de modo mplca: Parar y/o arracar alguas tareas. Modfcar los parámetros de alguas tareas τ τ dle Petcó de cambo de modo: t = 8 86 ambo de modo τ τ τ dle Petcó de cambo de modo Modo A T= U A = Petcó de cambo de modo: t = Modo T= τ, 7 6 τ 9 9 U =.98 Perde el deadle 87 Los requstos del protocolo de cambo de modo so: No terfereca co la plafcabldad de las tareas e eecucó. otudad e la eecucó de las tareas que o camba. ebe permtr añadr uevas tareas s afectar a las ya exstetes. Las tareas debe cumplr sus límtes ates, durate y después del protocolo. Termacó cotrolada de las tareas. No abortarlas. Acotacó del tempo de cambo de modo. Prestacoes: el protocolo debe ser ta efcete como los protocolos de cambo de modo para los eecutvos cíclcos. 88 ambo de modo ambo de modo Exste u: Ates: urate: espués: modo atguo, co u modelo de tareas y recursos. protocolo de cambo de modo uevo modo, co u modelo dferete de tareas y recursos. Período ocoso: Itervalo de tempo e el que o hay gua tarea de tempo real lsta para eecutar. Este tervalo cumple las sguetes propedades: Las tareas que eecuta ates del período ocoso o afecta a las que eecuta después. El sstema puede cambar de modo e u período ocoso. 89 La corporacó o elmacó de tareas puede cambar los techos de prordad de los recursos, por lo que: S es ecesaro aumetar el techo de u recurso o bloqueado, se modfca drectamete. S el recurso está bloqueado hay que esperar a que sea desbloqueado S es ecesaro baar el techo de u recurso, hay que esperar a que todas las tareas que lo comparte y tega prordades mayores sea elmadas. S la prordad de ua tarea es mayor que los techos de los recursos bloqueados que ella també puede bloquear, los techos debe ser elevados ates de añadr la ueva tarea Ua tarea puede ser elmada e u hperperodo s aú o ha empezado su eecucó. E caso cotraro hay que esperar al sguete. El tempo de procesador lbre puede ser utlzado por otras tareas medatamete e el msmo hperperodo. Ua tarea puede ser añadda sólo s queda capacdad de proceso dspoble e el hperperodo. 9

16 ambo de modo ambo de modo Modo Modo Tarea T P R T P R τ 8 8 τ τ τ Petcó de cambo de modo Propedades del protocolo de cambo de modo: El retardo máxmo e cambar de modo cocde co el tempo de respuesta de la tarea meos prortara. τ τ τ τ M ambo de modo Perodo ocoso Procesos o totalmete terrumpbles Ua suposcó que se ha hecho y que e ocasoes o se cumple totalmete es la de que los procesos puede ser terrumpdos (desaloados) e cualquer state. Normalmete, cluso e los etoros de eecucó defdos como totalmete terrumpbles (preemptve), exste bloques que o puede ser terrumpdos (por eemplo u cambo de cotexto). Tareas aperódcas Esto puede ser solvetado cluyedo e el factor de bloqueo los bloques o terrumpbles. 9 9 Tareas aperódcas Tareas aperódcas Requstos de la mayoría de las aplcacoes de tempo real: tareas peródcas y aperódcas geeralmete las tareas peródcas so drgdas por tempo, y so de tempo real estrcto (hard real-tme) geeralmete las tareas aperódcas so drgdas por evetos, y puede ser de tempo real estrcto (hard real-tme) y o estrcto (soft real-tme) Obetvo prcpal de los úcleos de tempo real: garatzar las tareas de tempo real estrcto. proporcoar u bue tempo de respuesta medo para tareas de tempo real o estrcto. Las tareas aperódcas que se caracterza por u tervalo mímo etre evetos se deoma tareas esporádcas. Las tareas aperódcas que requere ua garatía o-le e cada 9 staca dvdual se deoma frmes. ado u couto de tareas peródcas, ómo debe plafcarse las tareas aperódcas? Obetvos: todas las tareas peródcas cumple sus plazos se tee el tempo de respuesta más corto posble para las tareas aperódcas todas las tareas esporádcas aceptadas cumple sus plazos rechazo tareas esporádcas tareas peródcas tareas aperódcas test de aceptacó PU 96 6

17 Tareas aperódcas Plafcacó e backgroud Gestó de tareas peródcas y aperódcas: Servdores de tareas aperódcas: Servdor e segudo plao (backgroud schedulg) Servdor co reserva de acho de bada (badwdth preservg) Servdor por cosulta (pollg server) Servdor dferdo (deferrable server) Servdor co tercambo de prordad (prorty exchage) Servdor esporádco (sporadc server). Servdor co extraccó de holgura (slack stealg server) Es el método más smple: El servdor eecuta tareas aperódcas sólo cuado o hay tareas peródcas lstas para eecucó, es decr, e el tempo de procesador que queda dspoble después de plafcar todas las tareas peródcas. Las tareas aperódcas tee asgada ua prordad feror a las tareas peródcas. τ Tareas co restrccoes de precedeca τ Petcoes aperódcas Plafcacó e backgroud Servdor co reserva de acho de bada Se reserva u tempo de cómputo () para tratar evetos aperódcos. Tareas peródcas ola de alta prordad RM PU Métodos: Servdor por cosulta (pollg server). Servdor dferdo (deferrable server). Servdor co tercambo de prordad (prorty exchage). Servdor esporádco (sporadc server). Tareas aperódcas ola de baa prordad FFS 99 Se dfereca e: ómo se restaura el tempo de cómputo. Qué se hace s o se usa el tempo asgado. So predecbles. La asgacó de tempo de computo es estátca. S se sgue producedo evetos aperódcos después del hueco reservado al servdor, éste segurá atededo los evetos, pero a ua prordad más baa que la de todas las tareas peródcas (servdor e backgroud) Servdor por cosulta (pollg server) Servdor por cosulta (pollg server) Pollg server se plafca como ua tarea peródca: (T, ) T: perodo : capacdad de eecucó la capacdad se rellea al prcpo de cada perodo (state de relleo) Se puede utlzar tato co RM como co M. No es ua cuestó trval elegr el tempo de cómputo y el perodo para el servdor. cola de tareas aperódcas s o está vacía, el servdor eecuta la tarea stuada al co de la cola hasta que se cosume la capacdad ó se vacía la cola. S está vacía, el servdor se suspede medatamete hasta el sguete perodo. Alta τ aa τ Petcoes aperódcas Meda s T= τ τ 6 Servdor s = Ts =

18 Servdor dferdo (deferrable server) Servdor dferdo (deferrable server) eferrable server se plafca como ua tarea peródca: (T, ) T: perodo : capacdad de eecucó la capacdad se rellea al prcpo de cada perodo (state de relleo) cola de tareas aperódcas metras le quede tempo de cómputo dspoble, el servdor atederá las petcoes aperódcas medatamete (s tee la máxma prordad etre las tareas actvas). uado cosuma su capacdad, se suspede hasta el sguete perodo. El servdor matee su prordad durate todo el período τ τ Petcoes aperódcas T= τ τ 6 Servdor s = Ts = s Itercambo de prordad (prorty exchage) Itercambo de prordad (prorty exchage) Prorty exchage server se plafca como ua tarea peródca: (T, ) T: perodo : capacdad de eecucó la capacdad se rellea al prcpo de cada perodo (state de relleo) Prorty exchage server cola de tareas aperódcas al gual que el servdor dferdo, se emplea u servdor peródco (geeralmete de alta prordad) para servr petcoes aperódcas. dfere e la forma e que se coserva la capacdad. A dfereca del servdor dferdo, el servdor por tercambo de prordad matee su capacdad de alta prordad tercambádola por tempo de eecucó de ua tarea peródca de meor prordad. Al prcpo de cada perodo del servdor, se rellea la capacdad a su valor máxmo. S hay petcoes aperódcas pedetes y el servdor es la tarea actva más prortara, se srve las petcoes aperódcas usado la capacdad dspoble; e caso cotraro, la capacdad se tercamba por tempo de eecucó de la tarea peródca actva de máxma 6 prordad. Itercambo de prordad (prorty exchage) Itercambo de prordad (prorty exchage) Prorty exchage server uado se produce u tercambo de prordad etre ua tarea peródca y el servdor, la tarea peródca se eecuta al vel de prordad del servdor metras que el servdor acumula ua capacdad al vel de prordad de la tarea peródca. e esta forma, la tarea peródca avaza su eecucó, y la capacdad del servdor o se perde, so que se matee a u vel de prordad feror. S o llega gua petcó aperódca para usar esa capacdad, el tercambo de prordad cotúa co otra tarea de prordad feror hasta que la capacdad se emplee para servco aperódco ó sea degradada hasta el vel de prordad de procesameto e backgroud. Petcoes aperódcas s τ s τ Servdor s = Ts = T= τ τ 8 s

19 Servdor esporádco (sporadc server) Sporadc server se plafca como ua tarea peródca: (T, ) T: perodo : capacdad de eecucó El algortmo servdor esporádco (SS) dfere del servdor dferdo e ua pequeña dea, pero teórcamete mportate : la capacdad de eecucó o se rellea peródcamete. E vez de eso, la capacdad se rellea sólo s se cosume. El servdor esporádco matee su tempo de eecucó y vel de prordad hasta que se produzca ua petcó aperódca. El algortmo rellea la capacdad de eecucó del servdor después de que parte o todo el tempo de eecucó asgado sea cosumdo por la atecó a tareas aperódcas. El método de relleo de la capacdad del servdor es lo que lo dfereca de otros métodos. 9 Servdor esporádco (sporadc server) térmos ecesaros para explcar el método de relleo del tempo de eecucó del servdor esporádco: P s : Nvel de prordad de la tarea actualmete e eecucó. P : Nvel de prordad. {,,...} sedo P > P > P... Actvo: Estado que descrbe u vel de prordad P. cuado la prordad de la tarea actualmete e eecucó (P s ) es mayor o gual que P. Ps P Ocoso: Referdo a u vel de prordad P. cuado la prordad de la tarea actualmete e eecucó (P s ) es meor que P. Ps < P RT : Istate de relleo del vel de prordad. Istate e el que se restaura la capacdad del servdor esporádco del vel P. uado se actva el state de relleo, este es gual al state actual (t) más el perodo del servdor : RT = t + T Servdor esporádco (sporadc server) La plafcacó del relleo del servdor esporádco de vel cosste e determar: el state de relleo, RT la catdad de relleo. Ambos depede de: la capacdad dspoble por el servdor esporádco el estado (Actvo/Ocoso) del vel de prordad al que perteece el servdor. Servdor esporádco (sporadc server) Las reglas para la plafcacó del relleo de u servdor que se eecuta e el vel de prordad P so: S el servdor tee capacdad dspoble, RT se calza cuado P pase de Ocoso a Actvo. S se ha cosumdo la capacdad del servdor, RT o puede calzarse hasta que la capacdad del servdor sea mayor que cero y P esté actvo. La catdad de relleo se determa: cuado P pase a Ocoso, o be cuado la capacdad dspoble se haya cosumdo Su valor es gual al tempo de eecucó cosumdo desde la últma vez que el estado de P pasó de Ocoso a Actvo. Servdor esporádco (sporadc server) Servdor esporádco (sporadc server) Eemplo T= Eemplo T= SS τ τ 6 SS τ τ 6 P SS SS + + P P τ τ P τ P τ ss + + ss RT = + T = 6 RT = 8 + T = RT = + T = RT = 8 + T = 8 RT = + T = 9

20 Servdor esporádco (sporadc server) Servdor esporádco (sporadc server) Eemplo T= Eemplo T= τ SS. τ 6 τ SS τ τ P P τ P SS P SS P τ P τ ss + + ss RT =. + T =. RT = 8 + T = 8 RT = + T = RT = + T = 6 Servdor esporádco (sporadc server) Servdor co extraccó de holgura Eemplo P P P τ SS τ ss + T= τ SS τ RT = t + T Holgura : tempo de cómputo dspoble e eecucó. Las tareas o usa sempre todo el tempo de computo asgado y la utlzacó del procesador o suele ser el %. Hay varos algortmos para detectar la holgura exstete. La holgura calculada se usa para tratar los evetos aperódcos. So algortmos costosos y o garatza la exsteca de holgura dspoble. Para cada vel de prordad se calcula la máxma catdad de procesameto aperódco que puede realzarse durate u tervalo de tempo [t, t ] asegurado los plazos de respuesta de todas las tareas peródcas. Es ecesaro emplear u algortmo o-le por lo que el calculo será computacoalmete tesvo. 8 Servdor co extraccó de holgura Servdor co extraccó de holgura Slack stealg A dfereca de otros algortmos, éste o crea u servdor peródco para dar servco a tareas aperódcas Se crea ua tarea pasva, deomada extractor de holgura (Slack Stealer), que teta obteer tempo para dar servco a tareas aperódcas (mmzado su tempo de respuesta) robado todo el tempo de procesameto posble a las tareas peródcas s causar la pérdda de sus plazos. Esto es equvalete a extraer holgura de las tareas peródcas. S c (t) es el tempo de computacó restate e el state t, la holgura de la tarea es: 9 slack (t) = d -t-c (t) τ τ Petcoes aperódcas τ τ

21 Tareas co restrccoes de precedeca E certas aplcacoes, las tareas o puede eecutarse e u orde arbtraro so que debe respetar alguas relacoes de precedeca defdas e la etapa de dseño. Estas restrccoes especfca u orde de eecucó de tareas y se descrbe medate u grafo drgdo acíclco, G, dode las tareas se represeta como odos y las relacoes de precedeca medate arcos. E. Sstema de segumeto de avoes por radar: T : tarea de procesameto de señal : tarea de cálculo de trayectora T k precede a k para k =,... T E. Sstema de vsó artfcal para el recoocmeto de obetos sobre ua cta trasportadora medate dos cámaras. Se cosdera las sguetes tareas: Para cada cámara: adquscó de mage: acq y acq procesameto de mage de bao vel: edge y edge Tarea shape para extraer característcas bdmesoales a partr de los cotoros del obeto Tarea dsp para computar las dspardades de pxel a partr de las dos mágees Tarea H que calcula la altura del obeto a partr de los resultados de dsp Tarea rec que que realza el recoocmeto fal basado e H y shape acq edge dsp H rec acq edge shape La otacó T a < T b especfca que la tarea T a es u predecesor de la tarea T b, lo que sgfca que G cotee u camo desde el odo T a al odo T b e. T <, T < T La otacó T a T b especfca que la tarea T a es u predecesor medato de la tarea T b, lo que sgfca que G cotee u arco drgdo desde el odo T a al odo T b e. T, T Las tareas s odos predecesores se deoma tareas o odos cales. e. T Las tareas s odos sucesores se deoma tareas o odos termales. e. T, T T T T El problema de ecotrar ua plafcacó óptma para u couto de tareas co relacoes de precedeca es, e geeral, NP-hard. S embargo, bao certas suposcoes sobre las tareas es posble ecotrar algortmos óptmos que resuelva el problema e tempo polomal co el obetvo de mmzar el retraso máxmo. LF co restrccoes de precedeca y actvacó smultáea El problema de plafcar u couto de tareas co restrccoes de precedeca y actvacó smultáea puede resolverse e tempo polomal y de forma óptma segú u algortmo LF (latest deadle frst) (últmo plazo prmero). os algortmos mmza el retraso máxmo (lateess) (L = R - ), supoedo: actvacoes sícroas (smultáeas): Latest eadle Frst (LF ) actvacoes arbtraras co desaloo: Earlest eadle Frst (EF) 6

22 Eemplo LF LF co restrccoes de precedeca y actvacó smultáea Se costruye ua pla de plafcacó recorredo el grafo de precedeca desde las hoas (odos termales) a la raíz (odo cal): Etre las tareas s sucesores, o cuyos sucesores ya ha sdo seleccoados, LF seleccoa la tarea co el plazo (deadle) más leao para sertarla e la pla. Este procedmeto se repte hasta que se haya seleccoado todas las tareas. E tempo de eecucó, las tareas se extrae de la pla, de tal maera que la prmera tarea que se sertó e la pla será la últma que se eecute, metras que la últma sertada será la prmera e T T T T 6 eecutarse (LIFO) d T T T T 6 6 Especfcacoes LF{(T)} = LF{(T)} = LF{(T)} = (T) (T) (T) LF{(T), (T)} = LF{(T), (T), (T)} = LF{(T), (T), (T6)} = (T) (T) (T6) T T d d d d = d d 6 T T 6 L max = EF co restrccoes de precedeca y actvacó smultáea Eemplo EF T Se costruye ua cola de plafcacó recorredo el grafo de precedeca desde la raíz (odo cal) a las hoas (odos termales): Etre las tareas s predecesores, o cuyos predecesores ya ha sdo seleccoados, EF seleccoa la tarea co el plazo (deadle) más cercao para sertarla e la cola. Este procedmeto se repte hasta que se haya seleccoado todas las tareas. d T T T T 6 6 T T T 6 E tempo de eecucó, las tareas se extrae de la cola e orde FIFO. EF o es óptma co restrccoes de precedeca y d d d d = d d 6 T T T T 6 L max = L = actvacó smultáea. EF co restrccoes de precedeca y actvacoes dámcas El problema de plafcar u couto de tareas co restrccoes de precedeca, actvacoes dámcas y desaloo puede resolverse e tempo polomal, mmzado el retraso (lateess) (L = R-) máxmo fue resuelto por hetto, Slly y ouchetouf (99). La dea básca cosste e trasformar el sstema orgal de tareas depedetes e otro couto s relacoes de precedeca y co atrbutos temporales modfcados. áscamete, se modfca todos los states de actvacó y los plazos límte de tal forma que cada tarea o empece EF co restrccoes de precedeca y actvacoes dámcas La trasformacó del sstema orgal de tareas depedetes e otro couto de tareas depedetes s relacoes de precedeca se realza e los sguetes pasos:.- se costruye u grafo drgdo (G) represetado las relacoes de precedeca.- se trasforma los states de actvacó.- se trasforma los states límte.- E tempo de eecucó, las tareas se eecuta segú el algortmo de plafcacó EF (meor plazo límte prmero) ates de sus predecesores y o desaloe a sus sucesores.

23 .- ostruccó de u grafo drgdo (G) represetado las relacoes de precedeca: Nodos N(G) : tareas Arcos drgdos E(G) : relacoes de precedeca T a < T b : T a es u predecesor de T b exste u camo de T a a T b e G.- Trasformacó de los states de actvacó: Para los odos cales, a * = a Sea τ tal que su tempo de actvacó o se ha modfcado, pero sí el de todos sus predecesores medatos. Se modfca a así: * a = max a, max τ τ k * ( a + ) k k T a T b : T a es u predecesor drecto de T b exste u arco drgdo de T a a T b e G.- Trasformacó de los tempos límte (deadle) Eemplo Para los odos termales, d * = d Sea τ tal que su tempo límte o se ha modfcado, pero sí el de todos sus sucesores medatos. Se modfca d así: * d = m d, m τ τ k * ( d ) k k A E F G Tarea A E F G a a * d d * 8 OJO: Σ = la últma tarea e eecutarse perderá los plazos, pero el algortmo mmza el retraso máxmo. 6 A E F Eemplo A E F Tarea A E F a 7 9 d 8 6 G Perde el deadle L max = L G = 7 8

24 A A E F..- agrama de plafcacó co polítca EF, gorado todas las restrccoes de precedeca..- agrama de plafcacó co polítca EF que actve ua tarea úcamete después de que su predecesor haya falzado su eecucó. A A E F E F E F Perde el deadle L max = L max = L =..- Polítca EF co modfcacó de los states de actvacó y plazos límte. Tarea a a * d A A E 8 6 E 7 7 F F 9 9 d * 8 6 A E F A E F * a = max a, max τ k τ * d = m d, m τ τ k * ( ak + k ) * ( dk k ) Modfcacó de los states de actvacó y plazos límte. A E A F E F agrama de plafcacó co polítca EF, cosderado las restrccoes de precedeca, y modfcado los states de actvacó y plazos límte. L max =

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

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

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

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

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

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

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

(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

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

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

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

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

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

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

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

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

-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

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

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

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

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

CURSO REDES ELECTRICAS II 1 CAPITULO 4

CURSO REDES ELECTRICAS II 1 CAPITULO 4 CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto

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

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO)

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) I. Descrpcó del cálculo de los dcadores IFO CIFO La flota e operacó se medrá a través de los mecasmos IFO y CIFO, de acuerdo a lo establecdo

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

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

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

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

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

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

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

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

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

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

11. TRANSFORMADOR IDEAL

11. TRANSFORMADOR IDEAL . TAFOMADO DEA.. TODUCCÓ Cuado el flujo magético producido por ua bobia alcaza ua seguda bobia se dice que existe etre las dos bobias u acople magético, ya que el campo magético variable que llega a la

Más detalles

Análisis de datos en los estudios epidemiológicos II

Análisis de datos en los estudios epidemiológicos II Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices

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

INFERENCIA ESTADÍSTICA. CONTRASTE DE HIPÓTESIS

INFERENCIA ESTADÍSTICA. CONTRASTE DE HIPÓTESIS INFERENCIA ESTADÍSTICA. CONTRASTE DE HIPÓTESIS 1. El peso medio de ua muestra aleatoria de 100 arajas de ua determiada variedad es de 272 g. Se sabe que la desviació típica poblacioal es de 20 g. A u ivel

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

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

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

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

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas 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.

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

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

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

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

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 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

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

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

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.)

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.) ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS OOS. (Resolució por JMEB.) 1. Defiició. El problema cosiste e calcular la catidad de cocos que había iicialmete e u motó que... ierto día se reuiero moos para recoger

Más detalles

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

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

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

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

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

MATEMÁTICAS 1214, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES. 1. Para cada sucesión infinita abajo, determine si converge o no a un valor finito.

MATEMÁTICAS 1214, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES. 1. Para cada sucesión infinita abajo, determine si converge o no a un valor finito. MATEMÁTICAS 24, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES JOHN GOODRICK. Para cada sucesió ifiita abajo, determie si coverge o o a u valor fiito. (a) {! } e = (a): No coverge. El úmero e está etre

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

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

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

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

Más detalles

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

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

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

4. ALGORITMO DE RESOLUCIÓN.

4. ALGORITMO DE RESOLUCIÓN. 4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe

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

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

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

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

ASIGNATURA: MATEMATICAS FINANCIERAS

ASIGNATURA: MATEMATICAS FINANCIERAS PUNTES DOCENTES SIGNTUR: MTEMTICS FINNCIERS PROFESORES: MRIN JIMES CRLOS JVIER SRMIENTO LUIS JIME DEPRTMENTO DE CIENCIS BÁSICS VERSION: 2-20 QUÉ ES MTEMÁTICS FINNCIERS? Hace alguos años éste era u tema

Más detalles

BINOMIO DE NEWTON página 171 BINOMIO DE NEWTON

BINOMIO DE NEWTON página 171 BINOMIO DE NEWTON págia 171 Los productos otables tiee la fialidad de obteer el resultado de ciertas multiplicacioes si hacer dichas multiplicacioes. Por ejemplo, cuado se desea multiplicar los biomios cojugados siguietes:

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

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007 OMNTARIOS Y ANÁLISIS DL FATOR D PRODUTIVIDAD PROPUSTO POR OSIPTL PARA L PLAN D RGULAIÓN POR PRIOS TOP 2004 2007 APLIAIÓN D LA VARIABL M por Davd. M. Sappgto RSUMN JUTIVO ste forme preseta ua evaluacó de

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

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

Progresiones. Objetivos. Antes de empezar. 1.Sucesiones.. pág. 74 Definición. Regla de formación Término general

Progresiones. Objetivos. Antes de empezar. 1.Sucesiones.. pág. 74 Definición. Regla de formación Término general 5 Progresioes Objetivos E esta quicea aprederás a: Recoocer ua sucesió de úmeros. Recoocer y distiguir las progresioes aritméticas y geométricas. Calcular él térmio geeral de ua progresió aritmética y

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

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

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

2.4 Pruebas estadísticas para los números pseudoaleatorios

2.4 Pruebas estadísticas para los números pseudoaleatorios Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto

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

Transparencias de clase

Transparencias de clase Trasparecas de clase Dada ua tabla de datos se ha de ecotrar ua ucó que tome los valores requerdos e los putos dados; e el caso que os ocupa la ucó buscada será de carácter polómco Teorema: El polomo de

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

( ) ( ) ( )( ) ( )( ) ( )

( ) ( ) ( )( ) ( )( ) ( ) Oetvos El alumo coocerá aplcará y comparará alguos métodos de terpolacó umérca de ucoes. Al al de esta práctca el alumo podrá:. Oteer ua ucó que cotega u couto dado de putos e u plao utlzado los métodos

Más detalles