etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas
|
|
- Estefania Rivas Benítez
- hace 8 años
- Vistas:
Transcripción
1 etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas TÉCNICAS AVANZADAS DE PREDICCIÓN Y OPTIMIZACIÓN APLICADAS A SISTEMAS DE POTENCIA TESIS DOCTORAL por Alicia Troncoso Lora Memoria presentada para optar al grado de Doctora por la Universidad de Sevilla Directores: D. José Cristóbal Riquelme Santos D. José Luis Martínez Ramos Sevilla, Junio de 2005.
2
3 José Cristóbal Riquelme Santos, Profesor Titular de Universidad, adscrito al área de Lenguajes ysistemas Informáticos yjosé Luis Martínez Ramos, Profesor Titular de Universidad, adscrito al área de Ingeniería Eléctrica, CERTIFICAN QUE Alicia Troncoso Lora ha realizado bajo nuestra supervisión el trabajo de investigación titulado: Técnicas Avanzadas de Predicción y Optimización aplicadas a Sistemas de Potencia Una vez revisado, autorizan la presentación del mismo como Tesis Doctoral en la Universidad de Sevilla yestiman oportuna su presentación al tribunal que habrá de valorarlo. Fdo. José C. Riquelme Santos Profesor Titular de Universidad Área de Lenguajes ysistemas Informáticos Fdo. José Luis Martínez Ramos Profesor Titular de Universidad Área de Ingeniería Eléctrica Sevilla, Junio de 2005
4
5 etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas TÉCNICAS AVANZADAS DE PREDICCIÓN Y OPTIMIZACIÓN APLICADAS A SISTEMAS DE POTENCIA TESIS DOCTORAL Autora: Directores: Dña. Alicia Troncoso Lora D. José Cristóbal Riquelme Santos D. José Luis Martínez Ramos TRIBUNAL CALIFICADOR Presidente: Secretario: Vocales: D. José Miguel Toro Bonilla D. Rafael Morales Bueno D. Antonio Gómez Expósito Dña. María Amparo Vila Miranda D. Antonio Jesús Conejo Navarro Obtuvo la calificación de Sobresaliente Cum Laude por unanimidad Sevilla, 3 de Junio de 2005
6
7 Esta Tesis Doctoral ha obtenido el premio de investigación Fundación Sevillana de Electricidad para Licenciados, Ingenieros y Arquitectos de las Universidades de Andalucía. Programa conjunto que realiza la Consejería de Educación y Ciencia de la Junta de Andalucía y la Fundación Sevillana Endesa. Tesis Doctoral financiada por el Ministerio de Ciencia y Tecnología (PB ) y la Junta de Andalucía (ACC-1021-TIC-2002).
8
9 A mi futuro sobrino
10
11 El libro de la naturaleza está escrito en un lenguaje matemático. Galileo Galilei.
12
13 Agradecimientos Quisiera que las primeras líneas de esta tesis fueran el agradecimiento a todas las personas que me han ayudado a la realización de la misma. En primer lugar quiero agradecer la buena dirección realizada por D. José C. Riquelme Santos yd. José Luis Martínez Ramos. A Pepe le quiero reconocer que bajo su dirección no hayan faltado buenos consejos en todos los aspectos yun punto de vista práctico. La confianza que siempre ha depositado en mí desde un primer momento yla paciencia que en estos años me ha mostrado han sido ejemplares. A José Luis le agradezco todo lo que he aprendido de él, tanto a nivel técnico como personal. Su meticulosidad ysu claridad de ideas en la dirección de este trabajo de investigación siempre han sido de gran ayuda. A D. Antonio Gómez Expósito porque su admirable capacidad de trabajo ysu gusto por las cosas bien hechas es una fuente inagotable de estímulo para cualquier investigador que esté a su lado. También quisiera recordar a D. Carlos Izquierdo Mitchell por la paz que siempre transmitía en el día a día de un departamento. A D. Miguel Toro Bonilla por la constante innovación docente que transmite a todo el departamento de Lenguajes ysistemas Informáticos. A todos mis compañeros del Departamento de Ingeniería Eléctrica de la Universidad de Sevilla porque sin ese ambiente de trabajo en equipo yesa alegría que transmiten, hacer una tesis sería algo muydiferente a lo que ha sido. A Esther porque en estos años no ha sido sólo una compañera de trabajo; a José María mi mejor vecino por su ambición yvoluntad de trabajo; a Manuel Burgos por su incondicional apoyo desde un principio. En especial a Jesús no tengo palabras para agradecerle todo el tiempo que me ha dedicado desinteresadamente, tengo que destacar su brillantez como investigador ysu calidad humana puesto que siempre está luchando por lo que considera justo. A Remedios por el ahorro de trabajo que supone tener a la eficiencia personalizada como secretaria de un departamento. A mis compañeros del grupo de investigación por toda la ayuda desinteresada que me han ofrecido: a Jesús por su inagotable fuerza en todo lo que respecta a investigación; a Paco por las horas de tutoría que me ha regalado en mi primer año de docencia; a Raúl por facilitarme ayuda en muchos aspectos tanto técnicos como de organización; a Dani por su buen entendimiento en los grupos de práctica que hemos compartido; a Roberto porque siempre me ha animado; a Domingo e Isa por su constante interés. A mis compañeras ycompañeros del Departamento de Lenguajes ysistemas de la Universidad de Sevilla por su constante ánimo ysu predisposición siempre a ayudarme en todo lo que he necesitado. En especial a Rafa, Mayte,
14 Toñi yoctavio porque sin ellos la adaptación hubiera sido mucho más dura. A mi familia por creer en mí en todo momento de mi carrera profesional. Mi ilusión por la realización de esta tesis también ha sido su ilusión. A mis amigas yamigos por los buenos momentos que me han aportado, momentos necesarios para desconectar del trabajo que supone la realización de una tesis.
15 Índice general 1. Introducción Motivación de la Investigación Objetivos de la Tesis Principales Contribuciones Estructura de la Memoria Estado del Arte Minería de Datos Preprocesado de Series Temporales Métodos de Predicción Predicción basada en reglas Métodos Lineales Metodología de Box and Jenkins Modelos ARMA Modelos ARIMA Árboles de Regresión Métodos no Lineales Métodos Globales Redes Neuronales Artificiales Programación Genética Métodos Locales: Vecinos Técnicas de Optimización Programación Dinámica Programación Lineal Entera-Mixta: Ramificación ycota Relajación Lagrangiana Métodos de Punto Interior Algoritmos Genéticos i
16 Índice General I Predicción de Series Temporales Método basado en los Vecinos más Cercanos Representación de los Datos Método basado en los Vecinos más Cercanos La función distancia Número de Vecinos Acotación del Error Aplicación a los Precios de la Energía en el Mercado Eléctrico Precios. Optimización de Venta/Compra de Energía Descripción del problema Obtención del modelo Con predicción directa Con predicción iterada Predicción. Resultados Con predicción directa Con predicción iterada Análisis heurístico del error Comparación con Redes Neuronales Estructura de la red neuronal Resultados Conclusiones Aplicación a la Demanda de Energía Eléctrica Demanda. Programación Horaria de Centrales Descripción del problema Obtención del modelo Predicción. Resultados Estudio Cualitativo ycomparativo de la Demanda ylos Precios de la Energía en el Mercado Eléctrico Español Comparación con Árboles de Regresión: Algoritmo M Transformación de atributos no numéricos Valores perdidos Cortes Suavizado Poda Resultados Conclusiones ii
17 Índice General II Programación con Múltiples Mínimos Locales Programación no Lineal no Convexa Variables reales Formulación del problema Método propuesto Solución de los subproblemas Condiciones de optimalidad Dirección de búsqueda Actualización de variables Inicialización yreducción del parámetro barrera Test de convergencia Valor inicial yactualización de la cota de la función objetivo Un ejemplo de una variable Variables reales y enteras Formulación del problema Método propuesto Solución de los subproblemas continuos Solución de los subproblemas discretos Valores iniciales yactualización de las cotas de la función objetivo Un ejemplo de dos variables Aplicación: Programación Horaria de Centrales Formulación del problema Función objetivo Costes de producción Costes de arranque Costes de parada Restricciones Restricciones técnicas de las centrales térmicas Restricciones técnicas de las centrales hidráulicas Restricciones de demanda Restricciones de reserva rodante Solución mediante el método propuesto Subproblema continuo Subproblema discreto Resultados Comparación con algoritmos genéticos iii
18 Índice General 7.4. Conclusiones Conclusiones y Futuras Líneas de Investigación Predicción Optimización Futuras líneas de investigación Predicción Optimización A. Árboles de Regresión 187 A.1. Sin selección de atributos A.2. Con selección de atributos B. Datos 223 B.1. Caso test B.2. Caso realista C. Soluciones obtenidas 231 C.1. Caso test C.2. Caso realista D. Subproblemas 245 D.1. Subproblema continuo D.2. Subproblema discreto iv
19 Índice de figuras 2.1. Fase de Minería de Datos Representación de un individuo Algoritmo de Punto Interior Vecinos Falsos Vecinos falsos versus longitud de la ventana Aproximación local Media horaria de los precios Distribución de los precios Histograma de los precios del año 2000 y Precios de dos días de marzo Coeficiente de correlación Vecinos falsos Pseudocódigo del algoritmo FNN para la serie temporal Precios Número de vecinos cercanos falsos Pseudocódigo del algoritmo para obtener el número de vecinos Número óptimo de vecinos usando la distancia Euclídea Número óptimo de vecinos usando la distancia Manhattan Pseudocódigo del algoritmo FNN para la serie temporal Precios Número de vecinos cercanos falsos Pseudocódigo del algoritmo para obtener el número de vecinos Número óptimo de vecinos usando la distancia Euclídea Número óptimo de vecinos usando la distancia Manhattan Pseudocódigo del algoritmo para obtener predicciones Media horaria de la predicción usando la distancia Euclídea Media horaria de la predicción usando la distancia Manhattan Media diaria de la predicción usando la distancia Euclídea Media diaria de la predicción usando la distancia Manhattan Media diaria del error relativo usando la distancia Euclídea Media diaria del error relativo usando la distancia Manhattan.. 91 i
20 Índice de Figuras 4.24.Pseudocódigo del algoritmo para obtener predicciones Media horaria de la predicción usando la distancia Euclídea Media horaria de la predicción usando la distancia Manhattan Media diaria de la predicción usando la distancia Euclídea Media diaria de la predicción usando la distancia Manhattan Media diaria del error relativo usando la distancia Euclídea Media diaria del error relativo usando la distancia Manhattan Error medio de la predicción Error absoluto de la mejor y peor predicción Media horaria de la predicción de los precios para el mes de marzo Media horaria de la demanda Histograma de la demanda del año 2000 y Coeficiente de Correlación Número de vecinos cercanos falsos Número óptimo de vecinos usando la distancia Manhattan Número óptimo de vecinos usando la distancia Euclídea Media horaria de la predicción usando la distancia Euclídea Media horaria de la predicción usando la distancia Manhattan Media diaria de la predicción Media horaria del error absoluto Mejor predicción semanal Peor predicción semanal Mejor predicción diaria Peor predicción diaria Relaciones entre los precios de horas consecutivas Relaciones entre la demanda de horas consecutivas Relación entre los precios de la hora 7 y la hora Relación entre la demanda de la hora 7 y la hora Relación entre los precios de días consecutivos Relación entre la demanda de días consecutivos Relación entre los precios de la hora 1 en días consecutivos Relación entre la demanda de la hora 1 en días consecutivos Atractor de los precios Atractor de la demanda Múltiples mínimos de una función no convexa Superficie definida por una función no lineal no convexa Superficie definida por una función no lineal no convexa Sucesión de mínimos locales para el ejemplo mixto-entero ii
21 Índice de Figuras 7.1. Coste de producción Coste de arranque Curva de demanda de potencia a) Matriz de optimización, b) Elementos de llenado a) Matriz de optimización reordenada, b) Elementos de llenado a) Matriz de optimización, b) Elementos de llenado a) Matriz de optimización reordenada, b) Elementos de llenado Operador de cruce por filas Operador de cruce por columnas Evolución del mejor individuo para caso test Evolución del mejor individuo para caso realista Tiempo de ejecución según actividades A.1. Árbol de regresión con 151 reglas A.2. Modelos lineales en cada hoja del árbol de regresión formado por 151 reglas A.3. Árbol de regresión con 53 reglas A.4. Modelos lineales en cada hoja del árbol de regresión formado por 53 reglas iii
22
23 Índice de Tablas 2.1. Dimensión del problema Porcentaje de vecinos falsos según distancias Porcentaje de vecinos falsos según distancias Media y desviación estándar del conjunto test Errores según distancias Errores según distancias Influencia de la distancia en la optimización de los distintos tipos de errores Resumen de los errores de la predicción Errores obtenidos con ambos métodos Porcentaje de vecinos falsos según distancias Media y desviación estándar del conjunto test Errores diarios de la mejor yla peor predicción semanal Errores según distancias Exponentes de Lyapunov Transformación de atributos no numéricos en variables binarias Comparación de los errores de la predicción de la demanda usando ambos métodos Verificación de una restricción lógica Secuencia de mínimos locales Secuencia de mínimos locales Secuencia de mínimos locales Comparación de resultados para el caso test Comparación de resultados para el caso realista B.1. Características técnicas de las centrales térmicas del caso test B.2. Costes de las centrales térmicas del caso test B.3. Demanda para el caso test i
24 Índice de Tablas B.4. Características técnicas de las centrales térmicas del caso realista (Centrales 1 a 25) B.5. Características técnicas de las centrales térmicas del caso realista (Centrales 26 a 49) B.6. Costes de las centrales térmicas del caso realista (Centrales 1 a 25) B.7. Costes de las centrales térmicas del caso realista (Centrales 26 a 49) B.8. Demanda para el caso realista C.1. Matriz de acoplamiento de la mejor solución para el caso test por: a) el método propuesto, b) el Algoritmo Genético C.2. Potencias (MW) de la mejor solución para el caso test por: a) el método propuesto, b) el Algoritmo Genético C.3. Matriz de acoplamiento de la mejor solución para el caso realista por el método propuesto (Horas 1 a 18) C.4. Matriz de acoplamiento de la mejor solución para el caso realista por el método propuesto (Horas 19 a 24) C.5. Potencias (MW) de la mejor solución para el caso realista por el método propuesto (horas 1 a 8) C.6. Potencias (MW) de la mejor solución para el caso realista por el método propuesto (horas 9 a 16) C.7. Potencias (MW) de la mejor solución para el caso realista por el método propuesto (horas 17 a 24) C.8. Matriz de acoplamiento de la mejor solución para el caso realista por el Algoritmo Genético (Horas 1 a 18) C.9. Matriz de acoplamiento de la mejor solución para el caso realista por el Algoritmo Genético (Horas 19 a 24) C.10.Potencias (MW) de la mejor solución para el caso realista por el Algoritmo Genético (horas 1 a 8) C.11.Potencias (MW) de la mejor solución para el caso realista por el Algoritmo Genético (horas 9 a 16) C.12.Potencias (MW) de la mejor solución para el caso realista por el Algoritmo Genético (horas 17 a 24) ii
25 Resumen Esta tesis está enmarcada básicamente dentro de dos campos de investigación, la minería de datos yla optimización. Principalmente tiene un carácter aplicado, ya que se han investigado tanto técnicas de predicción como de optimización con el objetivo de ser aplicadas a problemas que aparecen en el campo de Ingeniería Eléctrica. No obstante, los algoritmos desarrollados se podrán aplicar a problemas similares en futuras líneas de investigación. Un primer objetivo de la tesis ha sido el análisis, desarrollo ymejora de técnicas que ayuden a descubrir las principales características de una serie temporal con el objetivo principal de predecir su comportamiento en un futuro cercano. La investigación ha estado centrada principalmente en series temporales financieras que se modelen a través de reglas de mercado, debido a la dificultad que tienen este tipo de series en lo que respecta a reconocimiento de patrones, clasificación ypredicción. Estas técnicas se han aplicado a la predicción de los precios de la energía eléctrica en el Mercado Eléctrico Español en el que, debido a su reciente liberalización son poco usuales en la literatura, siendo un campo de investigación actualmente en estudio. De igual forma, se han aplicado a la demanda de energía eléctrica ylos resultados obtenidos han sido comparados con los existentes de la aplicación de otras técnicas. Hoydía, los métodos más usados para la predicción de los precios yla demanda de la energía en el mercado eléctrico son, a grandes rasgos, los distintos tipos de Redes Neuronales Artificiales (RNA) ylos métodos estadísticos tradicionales, siendo en este contexto la primera vez que se aplica un clasificador basado en los vecinos más cercanos. El segundo objetivo es consecuencia directa del primero, puesto que el objeto último de realizar una predicción siempre es la planificación o explotación óptima de algún sistema teniendo en cuenta la predicción realizada anteriormente. Así, la segunda parte de la tesis se enmarca dentro del amplio campo de la optimización yconsiste en el desarrollo de un algoritmo de optimización que explote técnicas globales de búsqueda de mínimos, ya que actualmente en la literatura los algoritmos clásicos de optimización usan técnicas locales de búsqueda. En los últimos años, las técnicas de Punto Interior han sido usadas en un número amplio de problemas de optimización local de distintas áreas de conocimiento, debido a los buenos resultados obtenidos. Así se ha desarrollado una herramienta capaz de recorrer una trayectoria de mínimos locales cada vez mejores sin quedar atrapado en el primer mínimo que encuentre. La herramienta desarrollada tiene un bajo coste computacional ypresenta un tiempo de ejecución inferior a cualquier técnica computacional evolutiva, que son una de las únicas alternativas a este tipo de problemas. Esta nueva herramienta es totalmente novedosa ypara validarla se ha aplicado a un problema real de planificación denominado Programación Horaria de Centrales Térmicas (PHCT), que consiste en determinar el plan de acoplamiento yla generación de energía eléctrica de las centrales para satisfacer la demanda a coste mínimo. Para resolver este problema de planificación es necesario tener una predicción de la demanda (primera parte de la tesis).
26
27 Capítulo 1 Introducción La predicción de eventos futuros siempre ha fascinado al género humano yse puede decir que las técnicas de predicción existen desde que éste existe. Sin embargo, con el paso del tiempo estas técnicas se han ido sofisticando yse han aplicado en distintas áreas, con fines científicos yeconómicos, como en la predicción del tiempo, en la predicción del cambio entre monedas... Hoydía, se puede decir que estamos en la era de la tecnología yla información, ya que en la mayoría de las actividades se generan grandes bancos de datos que son almacenados en bases de datos. Gracias a la tecnología estos datos se pueden manejar yusar para sacar algún rendimiento de ellos, ya que debido al gran volumen de información es imposible de analizar e interpretar manualmente. Esto hace que desde finales de los años 90 los conceptos de Descubrimiento del Conocimiento en Bases de Datos (Knowledge Discovery in Databases, KDD) o Minería de Datos (Data Mining, MD) [32] hayan incrementado su importancia dando lugar a campos de investigación actualmente emergentes. La minería de datos es el proceso de inferir conocimiento, a priori desconocido, que sea útil ycomprensible, a partir de grandes cantidades de datos, con el objetivo de predecir de una manera automática tendencias y comportamientos ydescribir modelos que simulen el sistema. Anteriormente al desarrollo de la minería de datos, la predicción de la evolución en el tiempo de alguna variable, es decir la predicción de una serie temporal, se llevaba a cabo mediante la elaboración de modelos a través de métodos estadísticos, los cuales estiman los valores actuales de la variable en función de los valores de dicha variable en el pasado. Sin embargo, aunque la ventaja de estos métodos es su inherente simplicidad no muestran resultados satisfactorios cuando se trata de predecir series temporales del mundo real, puesto que las dependencias que existen entre las variables son no lineales. En las últimas décadas, el diseño de algoritmos de aprendizaje automático 3
28 Capítulo 1 Introducción (Machine Learning, ML) ha constituído una de las ramas de mayor interés para los investigadores de MD. De esta manera, se diseñan las RNA como método capaz de aprender las relaciones no lineales entre las variables de entrada (principalmente valores pasados de la serie yvalores de otras variables que influyen en la serie) y las variables de salida (valores futuros de la serie). Éstas han sido aplicadas a la predicción de series temporales dando lugar a resultados más eficientes que los métodos clásicos, sin embargo presentan una desventaja que es el tiempo de aprendizaje que requieren. En la primera parte de esta tesis se presenta una técnica, basada en la técnica de los vecinos más cercanos, para la predicción de series temporales, que presenta las ventajas de una red neuronal en lo que respecta al aprendizaje de las relaciones no lineales existentes entre las variables yque mejora el tiempo de aprendizaje puesto que éste es mínimo. Estas técnicas se han aplicado a la predicción de dos series temporales del mundo real: los precios de la energía en el nuevo mercado eléctrico yla demanda de energía eléctrica. El objetivo principal yúltimo de cualquier predicción de un evento futuro siempre es la optimización, puesto que la optimización es un proceso que se nutre de las predicciones realizadas para obtener algún beneficio, como por ejemplo reducir costes en el caso de los clientes de un servicio o incrementar beneficios en el caso de una empresa. De esta forma, el obtener una predicción simplemente proporciona ayuda para elaborar las estrategias necesarias y las decisiones adecuadas siempre con vistas a optimizar algún objetivo. En el caso de los precios de la energía en el mercado eléctrico, una vez obtenida la predicción, las compañías eléctricas deben determinar la programación de generación de energía horaria para maximizar el beneficio obtenido por la venta de energía. El problema de obtener la planificación óptima de la producción de energía para una compañía de generación se puede modelar como un problema de optimización que se detalla a continuación [21]. Función objetivo: La función objetivo viene dada por: donde: B T = 24 t=1 λ t P t C T (1.1) C T = C(P t ) U t + CA(S t ) Y t + CP Z t (1.2) B T es el beneficio total de la compañía de generación. λ t es la predicción del precio de la energía en el mercado en la hora t. 4
29 Introducción P t es la potencia media generada en la hora t. C T es el coste total formado por los costes de producción, C(P t ),los costes de arranque, CA(S t ), que dependen del número de horas que el generador lleve apagado, S t, ylos costes de parada, CP. U t es una variable binaria que es igual a 1 si el generador está funcionando en la hora t, yy t y Z t son variables binarias que son igual a 1 si el generador se enciende o se apaga al principio de la hora t, respectivamente. Restricciones: Las restricciones del problema de optimización son las siguientes: La limitación máxima ymínima de la generación: P m U t P t P M U t (1.3) donde P M y P m son las potencias máximas ymínimas del generador, respectivamente. Las rampas de subida ybajada: P t =mín {P M (U t Z t+1 )+SD Z t+1, P t 1 + RS U t 1 + SU Y t } (1.4) P t =máx {P m,p t 1 RB U t } (1.5) donde P t y P t son la potencia mínima ymáxima disponible generada en la hora t, RS y RB son las rampas máximas de subida ybajada, ysu y SD son las rampas máximas de arranque yparada, respectivamente. Tiempos mínimos de funcionamiento yparada: (X t UT) (U t 1 U t ) 0 (1.6) (X t + DT) (U t U t 1 ) 0 (1.7) donde X t es el número de horas que el generador ha estado encendido o apagado al final de la hora t y UT y DT son los tiempos mínimos de funcionamiento yparada del generador, respectivamente. 5
30 Capítulo 1 Introducción Restricciones lógicas: Y t Z t = U t U t 1 (1.8) Y t + Z t 1 (1.9) En un mercado liberalizado las herramientas de predicción son muyimportantes, ya que en base a una predicción de precios, las compañías de generación elaboran sus estrategias de ofertas para maximizar los beneficios obtenidos por la venta de energía en el mercado. En el caso de la demanda de energía eléctrica, una vez obtenida la predicción, las empresas eléctricas deben planificar la producción de energía de las centrales eléctricas de manera que se satisfaga la demanda predicha a coste mínimo. El problema de la programación horaria de centrales (PHC), descrito brevemente en la sección 2.4 yde una manera más detallada en el Capítulo 7, tiene por objeto determinar los arranques yparadas de las centrales térmicas yla programación conjunta de potencia generada por los grupos térmicos e hidráulicos durante un horizonte temporal de corto plazo, normalmente 24 horas, de manera que se satisfaga la demanda horaria, en base a una predicción, yse minimice el coste de explotación del sistema. Una gran variedad de problemas, que aparecen en campos como la Ingeniería o la Economía, basados en casos reales, se pueden modelar como un problema de optimización. Existen distintas clasificaciones de los problemas de optimización según el criterio que se elija. Los problemas de optimización se pueden clasificar dentro de dos grandes grupos: Programación Lineal yprogramación no Lineal, donde tanto la función objetivo como las ecuaciones que modelan las restricciones del problema son lineales o no lineales, respectivamente. A su vez dependiendo de si existen algunas variables enteras, estos dos grupos de subdividen en otros dos: Programación Lineal Entera Mixta y Programación no Lineal Entera Mixta. Atendiendo a la convexidad de la función objetivo ylas restricciones, también se pueden clasificar en Programación Convexa o Programación No Convexa. La principal característica de los problemas de optimización no lineales yno convexos, tanto continuos como discretos, es la presencia de múltiples mínimos locales. Hoydía, la mayoría de los algoritmos aplicados a este tipo de problemas obtienen un mínimo local pero no se puede asegurar que el mínimo local encontrado sea un mínimo global, por tanto el mínimo encontrado puede distar de la mejor solución del problema. La segunda parte de esta tesis, se centra en la resolución de problemas de optimización con múltiples mínimos locales ypresenta un algoritmo novedoso que resuelve de forma eficiente ysatisfactoria este tipo de problemas de una 6
Visión global del KDD
Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento
Más detallesLOGISTICA D E COMPRAS
LOGISTICA D E COMPRAS 1. - Concepto de compras OBTENER EL (LOS) PRODUCTO(S) O SERVICIO(S) DE LA CALIDAD ADECUADA, CON EL PRECIO JUSTO, EN EL TIEMPO INDICADO Y EN EL LUGAR PRECISO. Muchas empresas manejan
Más detallesCURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesDía 5-6-2012 17:00h Lugar: Obra Social Ibercaja, Sala De actos, Rambla Ferran 38, 3º, Lleida
Resumen de la conferencia Día 5-6-2012 17:00h Lugar: Obra Social Ibercaja, Sala De actos, Rambla Ferran 38, 3º, Lleida Ponente: Luis Muñiz Socio Director de Sisconges & Estrategia y experto en Sistemas
Más detallesINTRODUCCION. Consultora de Marketing y Comunicación Formación Información - Televisión legal. I ENCUESTA DE FORMACIÓN LAWYERPRESS - Pág.
INTRODUCCION Lawyerpress como medio de comunicación especializado en el área legal siempre ha estado muy interesado en reflejar la situación del sector legal español. Con este motivo y siguiendo nuestra
Más detallesIntroducción En los años 60 s y 70 s cuando se comenzaron a utilizar recursos de tecnología de información, no existía la computación personal, sino que en grandes centros de cómputo se realizaban todas
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesDirección de Planificación Universitaria Dirección de Planificación Universitaria 0819-07289 Panamá, Rep. de Panamá 0819-07289 Panamá, Rep.
Comparación de las tasas de aprobación, reprobación, abandono y costo estudiante de dos cohortes en carreras de Licenciatura en Ingeniería en la Universidad Tecnológica de Panamá Luzmelia Bernal Caballero
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesEntrevista a: ESTHER LIÑÁN. Coordinadora TIC del IES Griñón y Sección de Torrejón de la Calzada.
Entrevista a: ESTHER LIÑÁN. Coordinadora TIC del IES Griñón y Sección de Torrejón de la Calzada. P: Según he oído, el IES Griñón representa un buen ejemplo de uso e integración de TIC en la Educación.
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detallesCMMI (Capability Maturity Model Integrated)
CMMI (Capability Maturity Model Integrated) El SEI (software engineering institute) a mediados de los 80 desarrolló el CMM (modelo de madurez de la capacidad de software). CMMI: CMM integrado, una mezcla
Más detallesIAP 1005 - CONSIDERACIONES PARTICULARES SOBRE LA AUDITORÍA DE LAS EMPRESAS DE REDUCIDA DIMENSIÓN
IAP 1005 - CONSIDERACIONES PARTICULARES SOBRE LA AUDITORÍA DE LAS EMPRESAS DE REDUCIDA DIMENSIÓN Introducción 1. Las Normas Internacionales de Auditoría (NIA) se aplican a la auditoría de la información
Más detallesADAPTACIÓN AL EEES DE LAS ASIGNATURAS DEL ÁREA DE ESTADISTICA E INVESTIGACIÓN OPERATIVA EN LA TITULACIÓN DE INGENIERÍA DE TELECOMUNICACIÓN
MEMORIA DEL PROYECTO DE INNOVACIÓN EDUCATIVA ADAPTACIÓN AL EEES DE LAS ASIGNATURAS DEL ÁREA DE ESTADISTICA E INVESTIGACIÓN OPERATIVA EN LA TITULACIÓN DE INGENIERÍA DE TELECOMUNICACIÓN Participantes: Germán
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesCódigo del programa: PEMDE. Programa Experto en MANEJO DE DATOS CON EXCEL. Modalidad: Virtual. Descripción del programa
Código del programa: PEMDE Programa Experto en MANEJO DE DATOS CON EXCEL Modalidad: Virtual Descripción del programa 1 Presentación del programa Justificación Microsoft Excel es la herramienta de manejo
Más detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detallesTÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA
TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una
Más detallesProyecto Scratch: http://scratch.mit.edu/projects/38518614/
Proyecto Scratch: http://scratch.mit.edu/projects/38518614/ SISTEMAS DE NUMERACÍON Dos de los sistemas de numeración más utilizados son el sistema decimal, que se emplea en la vida cotidiana, y el sistema
Más detallesGestión de Riesgos en Proyectos
GRUPO VISIÓN PROSPECTIVA MÉXICO 2030 Gestión de Riesgos en Proyectos Mauricio Jessurun Solomou mjess@unisolmexico.com Luis Miguel Arroyo lmarroyoi@emsi.com.mx Julio, 2015 Gestión de Riesgos en Proyectos
Más detallesRESULTADOS CONSULTA CIUDADANA VIRTUAL. Consulta Laboral en Línea
RESULTADOS CONSULTA CIUDADANA VIRTUAL Consulta Laboral en Línea Septiembre, 2015 1 Agradecimientos Ponemos a disposición de ustedes los resultados de la Consulta Ciudadana Virtual, efectuada en julio de
Más detallesPlanificación de Sistemas de Información
Planificación de Sistemas de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS...1 ACTIVIDAD 1: INICIO DEL PLAN DE SISTEMAS DE INFORMACIÓN...4 Tarea 1.1: Análisis de la Necesidad del...4 Tarea 1.2: Identificación
Más detallesMarketing de Servicios
Marketing de Servicios Grado en Administración y Dirección de Empresas y Grado en Economía y Negocios Internacionales Universidad de Alcalá Curso Académico 2015/2016 Cuarto Curso Primer Cuatrimestre GUÍA
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesEl almacén de indicadores de proceso de negocio en ejecución
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez
Más detallesPlanificación de Sistemas de Información
Planificación de Sistemas de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ACTIVIDAD 1: INICIO DEL PLAN DE SISTEMAS DE INFORMACIÓN... 4 Tarea 1.1: Análisis de la Necesidad del... 4 Tarea 1.2: Identificación
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesLOS ESTUDIOS DE INGENIERÍA INDUSTRIAL EN EL NUEVO MARCO DEL ESPACIO EUROPEO DE EDUCACION SUPERIOR. GITI + MII = Ingeniero Industrial
LOS ESTUDIOS DE INGENIERÍA INDUSTRIAL EN EL NUEVO MARCO DEL ESPACIO EUROPEO DE EDUCACION SUPERIOR. GITI + MII = Ingeniero Industrial Introducción El nuevo marco de los estudios universitarios españoles,
Más detallesGuía EMPRESA INTELIGENTE 2.0 para la PYME
Guía EMPRESA INTELIGENTE 2.0 para la PYME Consejos para desarrollar la gestión del cambio, tomar decisiones de manera ágil y eficaz y planificar estrategias atendiendo a los procesos como célula básica
Más detallesLA LOGÍSTICA COMO FUENTE DE VENTAJAS COMPETITIVAS
LA LOGÍSTICA COMO FUENTE DE VENTAJAS COMPETITIVAS Los clientes compran un servicio basandose en el valor que reciben en comparacion con el coste en el que incurren. Por, lo tanto, el objetivo a largo plazo
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesCMM - Capability Maturity Model. Estructura de CMM... Componentes de CMM. Estructura de CMM
CMM - Capability Maturity Model Estructura de CMM... Es un marco que describe los elementos claves de un proceso de software efectivo. Describe un camino de mejora evolutivo desde un proceso ad hoc inmaduro
Más detallesDESCRIPCIÓN DEL PROCESO DE RIESGO OPERACIONAL
DESCRIPCIÓN DEL PROCESO DE RIESGO Julio 10, de 2012 INDICE Proceso Riesgo Operacional... 1 Objetivo General... 1 Objetivos Específicos... 1 I. Identificación del Riesgo.... 1 II. Medición y Mitigación
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesPrácticas ITIL para un mejor flujo de trabajo en el helpdesk
Prácticas ITIL para un mejor flujo de trabajo en el helpdesk Se diferencia tres partes de gestión para mejorar la resolución de las incidencias de soporte técnico según el marco ITIL: 1. Gestión de Incidencias
Más detallesPREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
Más detallesCapitulo 3. Primer Año de Operaciones
Capitulo 3 Primer Año de Operaciones Área de producción La empresa, como se había mencionado anteriormente, contaba hasta antes de asumir la administración de ella con cinco períodos de operación. La información
Más detallesLa Tecnología líder en Simulación
La Tecnología líder en Simulación El software de simulación Arena, es un "seguro de vida" para las empresa: le ayuda a predecir el impacto en las organizaciones de nuevas ideas, estrategias y políticas
Más detallesEREBA20/20. Modelo de estrategia a largo plazo para movilizar inversiones en la renovación del parque nacional de edificios residenciales en
EREBA20/20. Modelo de estrategia a largo plazo para movilizar inversiones en la renovación del parque nacional de edificios residenciales en Andalucía orientado al ahorro de un 20% de energía en el horizonte
Más detallesAprendizaje Automático y Data Mining. Bloque IV DATA MINING
Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones
Más detallesLos principales conceptos para mejorar la gestión de Marketing: preguntas clave
Los principales conceptos para mejorar la gestión de Marketing: preguntas clave Luis Muñiz Economista y Consultor en sistemas de información y estrategia Nos puede describir que es la gestión de Marketing
Más detallesforma de entrenar a la nuerona en su aprendizaje.
Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo
Más detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesCONCEPTOS DE LA FUERZA
CONCEPTOS DE LA FUERZA PAPEL DE LA FUERZA EN EL RENDIMIENTO DEPORTIVO La mejora de la fuerza es un factor importante en todas las actividades deportivas, y en algunos casos determinantes (en el arbitraje
Más detallesBOLETÍN OFICIAL DEL ESTADO
Núm. 42 Miércoles 18 de febrero de 2009 Sec. I. Pág. 17187 I. DISPOSICIONES GENERALES MINISTERIO DE CIENCIA E INNOVACIÓN 2740 Orden CIN/311/2009, de 9 de febrero, por la que se establecen los requisitos
Más detallesEscuela Politécnica Superior. El Riesgo. Capítulo 9. daniel.tapias@uam.es. Dr. Daniel Tapias Curso 2014 / 15 PROYECTOS
Escuela Politécnica Superior El Riesgo Capítulo 9 Dr. Daniel Tapias Curso 2014 / 15 daniel.tapias@uam.es PROYECTOS PROGRAMA DE LA ASIGNATURA Capítulo 1: Introducción. Capítulo 2: Qué es un proyecto? Capítulo
Más detallesGrado en Ingeniería Informática
Grado en Ingeniería Informática Competencias Generales y trasversales De acuerdo con la resolución del Consejo de Universidades de fecha 3 de marzo de 2009, para obtener este título de grado en ingeniería
Más detalles1.1 EL ESTUDIO TÉCNICO
1.1 EL ESTUDIO TÉCNICO 1.1.1 Definición Un estudio técnico permite proponer y analizar las diferentes opciones tecnológicas para producir los bienes o servicios que se requieren, lo que además admite verificar
Más detallesactivuspaper Text Mining and BI Abstract
Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura
Más detallesCLASIFICACIÓN NO SUPERVISADA
CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
Más detallesTIPO DE CAMBIO, TIPOS DE INTERES Y MOVIMIENTOS DE CAPITAL
TIPO DE CAMBIO, TIPOS DE INTERES Y MOVIMIENTOS DE CAPITAL En esta breve nota se intentan analizar las relaciones existentes en el sector español entre tipo de cambio, tasa de inflación y tipos de interés,
Más detallesPROYECTO AUD-GRA. REALIZACIÓN DE AUDITORíAS ENERGÉTICAS EN 84 MUNICIPIOS DE LA PROVINCIA DE GRANADA
PROYECTO AUD-GRA REALIZACIÓN DE AUDITORíAS ENERGÉTICAS EN 84 MUNICIPIOS DE LA PROVINCIA DE GRANADA Granada, Febrero de 2006 PROYECTO AUD-GRA PLAN DE ACTUACIÓN ENERGÉTICA MUNICIPAL Índice: 1 Introducción...
Más detallesFORMATIVO DE GRADO SUPERIOR DE DESARROLLO DE APLICACIONES WEB PROGRAMACIÓN DEL MÓDULO PROFESIONAL PROYECTO DE DESARROLLO DE APLICACIONES WEB
I.E.S. Aguadulce Aguadulce - Almería Departamento de Informática CICLO FORMATIVO DE GRADO SUPERIOR DE DESARROLLO DE APLICACIONES WEB PROGRAMACIÓN DEL MÓDULO PROFESIONAL PROYECTO DE DESARROLLO DE APLICACIONES
Más detallesMATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7
Página 1 de 7 1 CRITERIOS DE EVALUACIÓN 1.1 SECUENCIA POR CURSOS DE LOS CRITERIOS DE EVALUACION PRIMER CURSO 1. Utilizar números naturales y enteros y fracciones y decimales sencillos, sus operaciones
Más detallesUNIVERSIDAD MINUTO DE DIOS PROGRAMA CONTADURÍA PÚBLICA
UNIVERSIDAD MINUTO DE DIOS PROGRAMA CONTADURÍA PÚBLICA COSTOS II Guía No. 1.- Conceptos Básicos OBJETIVO 1. Asimilar conceptos fundamentales de costos I. CONCEPTOS BASICOS DE COSTOS 1. CONTABILIDAD DE
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesMétodos Heurísticos en Inteligencia Artificial
Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de
Más detallesPLAN DE MEJORAS. Herramienta de trabajo. Agencia Nacional de Evaluación de la Calidad y Acreditación
PLAN DE MEJORAS Herramienta de trabajo Agencia Nacional de Evaluación de la Calidad y Acreditación Índice 1 Introducción...3 2 Pasos a seguir para la elaboración del plan de mejoras...5 2.1 Identificar
Más detallesAdministración de proyectos. Organizar, planificar y programar los proyectos de software
Administración de proyectos Organizar, planificar y programar los proyectos de software Administración de proyectos Trata de las actividades que hay que realizar para asegurar que el software se entregará
Más detallesCONCEPTO DEL ÍNDICE ACCIONARIO
Qué es un índice accionario? CONCEPTO DEL ÍNDICE ACCIONARIO Un índice accionario es un instrumento estadístico empleado para estudiar la evolución de los precios de las acciones en un mercado de valores.
Más detallesCAPITULO I. Introducción. En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y
CAPITULO I Introducción 1.1 Introducción En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y redes computacionales. La tecnología ha ido evolucionando constantemente
Más detallesCAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo
CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesCómo vender tu producto o servicio
Cómo vender tu producto o servicio Índice 1. Qué se entiende por estrategia de ventas?... 3 2. Qué se entiende por argumentación de venta?... 3 3. Qué variables determinan el tamaño de la red comercial,
Más detalles1. CONTEXTO...3 2. INTRODUCCIÓN Y JUSTIFICACIÓN DE LA UNIDAD...3 3. IDEAS Y CONOCIMIENTOS PREVIOS DE LOS ESTUDIANTES...3 4. OBJETIVOS...
UNIDAD DIDÁCTICA SISTEMAS TELEMÁTICOS Y REDES LOCALES ALEJANDRO TORRES DOMÍNGUEZ PABLO FERNÁNDEZ FERREIRA ROBERTO OTERO ÁLVAREZ ÍNDICE 1. CONTEXTO...3 2. INTRODUCCIÓN Y JUSTIFICACIÓN DE LA UNIDAD...3 3.
Más detalles4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD
4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detalles3. GESTIÓN DE CONFIGURACIÓN DE SOFTWARE
3. GESTIÓN DE CONFIGURACIÓN DE SOFTWARE Software Configuration Management (SCM) es una disciplina de la Ingeniería de Software que se preocupa de [Ber92] [Ber84] [Bou98] [Mik97]: Identificar y documentar
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesMantenimiento de Sistemas de Información
de Sistemas de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ACTIVIDAD MSI 1: REGISTRO DE LA PETICIÓN...4 Tarea MSI 1.1: Registro de la Petición... 4 Tarea MSI 1.2: Asignación de la Petición... 5 ACTIVIDAD
Más detallesMERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
Más detallesINFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010
INFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010 UNIDAD FUNCIONAL DE TÉCNICOS DE LABORATORIOS DOCENTES UNIVERSIDAD PABLO DE OLAVIDE. SEVILLA Sevilla, Diciembre de 2010 1 1.
Más detallesBase de datos II Facultad de Ingeniería. Escuela de computación.
Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,
Más detallesCAPÍTULO 1 INTRODUCCIÓN
CAPÍTULO 1 INTRODUCCIÓN 1.0 INTRODUCCIÓN El desarrollo económico en la actualidad, ha propiciado una gran expansión de los mercados que comienzan a verse saturados de bienes, y el problema fundamental
Más detallesUnidad 1. Fundamentos en Gestión de Riesgos
1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.
Más detallesModelando la cadena de suministro como un problema de programación multinivel y su solución a través de la programación multiparamétrica
Modelando la cadena de suministro como un problema de programación multinivel y su solución a través de la programación multiparamétrica Introducción La importancia de la cadena de suministro Lo siento,
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesLas 10 preguntas más habituales sobre los Sistemas de Captación de Datos en planta
Las 10 preguntas más habituales sobre los Sistemas de Captación de Datos en planta 1. Que son los sistemas de captación de datos en planta? Los sistemas de captación de planta permiten simplificar y automatizar
Más detallesde la empresa Al finalizar la unidad, el alumno:
de la empresa Al finalizar la unidad, el alumno: Identificará el concepto de rentabilidad. Identificará cómo afecta a una empresa la rentabilidad. Evaluará la rentabilidad de una empresa, mediante la aplicación
Más detallesInteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:
Más detallesProyecto de administración de sistemas informáticos en red
Página 1 de 8 DEPARTAMENTO Informática y Comunicaciones CURSO 2012-2013 CICLO FORMATIVO Administración de Sistemas Informáticos en Red MÓDULO Proyecto de administración de sistemas informáticos en red
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesGESTION OPERATIVA. Niveles de gestión
GESTION OPERATIVA La gestión deja de ser una tarea aislada para constituirse en una herramienta que sirve para ejecutar las acciones necesarias que permitan ordenar, disponer y organizar los recursos de
Más detallesCriterio 2: Política y estrategia
Criterio 2: Política y estrategia Definición. Cómo implanta el servicio su misión, y visión mediante una estrategia claramente centrada en todos los grupos de interés y apoyada por políticas, planes, objetivos,
Más detallesCapítulo IV. Manejo de Problemas
Manejo de Problemas Manejo de problemas Tabla de contenido 1.- En qué consiste el manejo de problemas?...57 1.1.- Ventajas...58 1.2.- Barreras...59 2.- Actividades...59 2.1.- Control de problemas...60
Más detallesNIFBdM A-3 NECESIDADES DE LOS USUARIOS Y OBJETIVOS DE LOS ESTADOS FINANCIEROS
NIFBdM A-3 NECESIDADES DE LOS USUARIOS Y OBJETIVOS DE LOS ESTADOS FINANCIEROS OBJETIVO Identificar las necesidades de los usuarios y establecer, con base en las mismas, los objetivos de los estados financieros
Más detallesPlan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos
Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos Antecedentes y Fundamentación Un Sistema de Información es un conjunto de componentes que interactúan entre sí, orientado
Más detallesMetodología de caracterización de la capacidad de una red HSPA.
Metodología de caracterización de la capacidad de una red HSPA. Pág.1/5 Índice. 1. GENÉRICO.... 3 2. RED HSPA.... 3 3. METODOLOGÍA DE CARACTERIZACIÓN DE UNA RED HSPA.... 4 4. RESULTADOS DE LA CARACTERIZACIÓN
Más detallesTECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS
Administración Nacional de Universidad de la República Educación Pública Facultad de Ingenieria CF Res..0.07 Consejo Directivo Central Consejo Directivo Central Res..05.07 Res. 17.0.07 TECNÓLOGO EN INFORMÁTICA
Más detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más detallesINTRODUCCIÓN. El propósito de esta investigación es analizar la importancia que ha surgido en
INTRODUCCIÓN El propósito de esta investigación es analizar la importancia que ha surgido en los sistemas de costos ABC para las empresas de Servicios Mexicanas, ya que este sector forma una parte muy
Más detallesNIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING
ETAPA: FORMACIÓN PROFESIONAL DEPARTAMENTO DE COMERCIO NIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING MATERIA: POLITICAS DE MARKETING OBJETIVOS - Analizar los precios y costes de productos, relacionando
Más detallesAdministración del conocimiento y aprendizaje organizacional.
Capítulo 2 Administración del conocimiento y aprendizaje organizacional. 2.1 La Importancia Del Aprendizaje En Las Organizaciones El aprendizaje ha sido una de las grandes necesidades básicas del ser humano,
Más detallesMATERIA: Proyecto de Desarrollo de Aplicaciones Multiplataforma
DEPARTAMENTO: Informática MATERIA: Proyecto de Desarrollo de Aplicaciones Multiplataforma NIVEL: 2º Desarrollo de Aplicaciones Multiplataforma 1. Objetivos. Competencias Profesionales, Personales y Sociales
Más detallesEscuela de Organización Industrial
TRABAJO: MEJORA DE LA METODOLOGÍA DE IDENTIFICACIÓN Y PRIORIZACIÓN DE LOS TEMAS RELEVANTES DE RESPONSABILIDAD CORPORATIVA, A TRAVÉS DE LA INVOLUCRACIÓN CON LOS GRUPOS DE INTERÉS. PROMOTOR: VODAFONE ESPAÑA
Más detalles