Modelado y Optimización de Proyectos

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

Download "Modelado y Optimización de Proyectos"

Transcripción

1 1. Red de actividades Modelado y Optimización de Proyectos 2. Camino crítico (CPM Critical Path Method) 3. CPM con costes 4. Probabilidad de acabar un proyecto a tiempo (PERT Program Evaluation and Review Technique) 5. Nivelación de recursos 6. Asignación de recursos TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

2 Red de actividades de un proyecto Un proyecto se representa mediante una red que visualiza gráficamente las relaciones de precedencia en la realización de las actividades. Típicamente se considera: Actividad (tarea) Arco Duración de la actividad Valoración del arco Evento (fin de las tareas que llegan al nodo) Nodo Relaciones de precedencia Sentido del arco Comienzo y fin de las actividades Nodo inicial y final TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 2

3 Propiedades de la red de un proyecto: 1. Cada actividad se representa por un solo arco 2. Dos nodos no pueden estar conectados directamente por más de un arco (grafo simple) Actividad ficticia: Se utiliza para establecer relación de precedencia No tiene duración Se utiliza para evitar violar las propiedades anteriores A C A B B INCORRECTO 2 C 3 4 CORRECTO TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 3

4 Ejemplo red de actividades: Actividad Descripción Predecesores Duración A Capacitar trabajadores -- 6 B Comprar materia prima producto C Comprar materia prima producto D Fabricar producto 1 A, B 8 E Fabricar producto 2 A, C 7 F Probar producto 2 E 10 G Ensamblar productos 1 y 2 D, F 12 B 9 2 D 8 1 A 6 3 F 10 6 G 12 7 C 5 4 E 7 5 TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 4

5 Determinación del camino crítico CPM Procedimiento de determinación del camino crítico: se hace en dos pasadas. PASADA HACIA DELANTE: Cálculo de los instantes más tempranos t i para la ejecución de las actividades 1. Etiquetar el comienzo del proyecto con tiempo t 1 =0 2. Instante más temprano de cada nodo es el tiempo más temprano del nodo inmediatamente anterior (si sólo tiene uno) y la duración de la actividad (arco) que los une 3. Si existe más de una actividad que llega a un nodo, el tiempo t j de dicho nodo es el máximo para cada actividad de la suma del tiempo t i del antecesor más la duración de la actividad tj = max { tp+ dp j, tq+ dqj,..., tv + dvj} (el antecesor debe estar etiquetado) 4. Realizar los pasos 2 y 3 hasta etiquetar nodo final n (t n duración mínima del proyecto) TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 5

6 PASADA HACIA ATRÁS: Cálculo de los instantes más tardíos T i para la ejecución de las actividades 1. El instante más tardío del final del proyecto = instante más temprano del final del proyecto (T n =t n ) 2. Instante más tardío T J de cada nodo es el tiempo T i del nodo inmediatamente posterior (si sólo tiene uno) menos la duración de la actividad (arco) que los une 3. Si existe más de un nodo posterior se toma el mínimo de las diferencias previas Tj = min { Tp dj p, Tq djq,..., Tv djv} (el sucesor debe estar etiquetado) 4. Realizar los pasos 2 y 3 hasta etiquetar nodo inicial (T 1 debe ser 0, sino error) TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 6

7 Definiciones Holgura de un evento (nodo) j Diferencia entre su instante más tardío T j y su instante más temprano t j (siempre 0) Holgura total de una actividad (arco) de i a j TFij = T j ti dij Diferencia entre su instante más tardío de j y la suma de su instante más temprano de i y la duración de la actividad i a j. Se puede interpretar como máximo retraso en su punto de comienzo o máximo incremento en su duración, sin retrasar el proyecto (aunque sí puede afectar al inicio de actividades sucesoras). Holgura libre de una actividad (arco) de i a j FFij = tj ti dij Diferencia entre su instante más temprano de j y la suma de su instante más temprano de i y la duración de la actividad i a j. Se puede interpretar como máximo retraso en su punto de comienzo o máximo incremento en su duración, sin retrasar el inicio de una actividad posterior. TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 7

8 La holgura libre es siempre menor que la holgura total FFij TFij. Actividad crítica Actividad que no tiene ningún tipo de holgura, es decir, (i,j) crítica si se cumple Tj = tj, Ti = t i, Tj Ti = tj ti = di j. No es suficiente para que una actividad sea crítica que sus nodos inicial y final no tengan holguras, además no debe tenerla la actividad (holguras libre y total deben ser cero). Camino crítico Camino a través de la red donde todas las actividades son críticas (tienen holgura 0). Una red de un proyecto siempre tiene al menos un camino crítico. TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 8

9 t 1 T 1 = 0B 6 = A 5 t T A 5 2 B 6 2 = 5 = t T C C 3 = 8 = 1 1 E 2 E 2 t T D 8 D 8 F 11 F 11 = 13 0 = G 12 6 H G 12 Fase hacia delante: 1. t 1 = 0 2. t2 = t1+ d12 = = 5 2. t 3 = max { t1+ d13, t2 + d23} = max{ 0 + 6, 5+ 3} = 8 2. t t2 d24 2. t5 = max { t3+ d35, t4 + d45} = max{ 8 + 2,13+ 0} = t 6 = max { t3+ d36, t4 + d46, t5 + d56} = max { ,13 + 1, } = 25 4 = + = 5 + = 1 Fase hacia atrás: 1. T 2. 6 = 25 T5 = T6 d56 = 25 12= T4 = min { T6 d46, T5 d45} = min{ 25 1,13 0} = T 3 = min { T6 d36, T5 d35} = min{ 25 11,13 2} = T2 = min { T3 d23, T4 d2 4} = min{ 11 3,13 8} = 5 2. T 1 = min { T3 d13, T2 d12} = min{ 11 6, 5 5} = 0 Críticas: A, D y G. (Ojo H) 5 5 t T 4 4 = 13 = 1 3 H 1 t T 6 6 = 25 = TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 9

10 Diagrama de Gantt A 5 B 6 D 8 C 3 E 2 F 11 H 1 G Duración Holgura libre Holgura total Obsérvese que no se representan las actividades ficticias, y que las actividades críticas se muestran en la parte superior. Además, si las holguras libre y total coinciden, la holgura se comporta como la holgura libre. TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 10

11 CPM con costes Objetivo: Determinar el coste mínimo para finalizar un proyecto en una fecha prefijada Coste de una actividad ( i, j) A en la red de actividades: Recta con valores factibles entre los límites máximo y mínimo de duración de la actividad. B ij +A ij d ij (A ij 0) coste D ij Dij Duración actividad TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 11

12 CPM con costes resuelto con optimización lineal Coste del proyecto ( Aij xij + Bij ) Duración de cada actividad ij (, ) i ij j D x D i j A ij Instante de inicio actividades en evento j y (, ) j y + x y i j A i ij j Condiciones iniciales y 1 = 0 comienzo del proyecto y T final del proyecto de duración T prefijada Sensibilidad a la variación del coste por variación de T: programación lineal paramétrica. n TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 12

13 Probabilidad de acabar un proyecto a tiempo (PERT) Objetivo: Estimar la probabilidad de terminar el proyecto en una fecha programada suponiendo que las duraciones de las actividades son parámetros aleatorios. Procedimiento: Modelado de la duración aleatoria de una actividad según una distribución beta: o Más probable (realista) m: moda de la distribución o Optimista (todo funciona bien) a: cota inferior de la distribución o Pesimista (todo funciona mal) b: cota superior de la distribución prob a m b duración TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 13

14 Cálculo de la esperanza y varianza de las duraciones D ij de las actividades. 2 2 bij aij Varianza σ ij = 6 1 a Tiempo medio 2 ij + bij µ ij = mij Cálculo del camino crítico con duraciones esperadas. Determinación de la distribución normal de la duración del proyecto. o Tiempo medio del proyecto µ: Suma de tiempos medios de actividades del camino crítico o Varianza tiempo del proyecto σ 2 : Suma de varianzas de tiempos de actividades del camino crítico d 2 2 CP N µ = µ ij, σ = σij (, ij) c.crítico (, ij) c.crítico Cálculo de la probabilidad de terminar en una fecha programada o de la fecha con una probabilidad alta de no sufrir demoras: estandarización de la distribución de la duración del proyecto TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 14

15 Ejemplo: C. crítico: medias 9, 0, 7, 10, 12, varianzas 1.78, 0, 4, 0.44, 1. Proyecto N(38,7.22) Prob. acabar antes de 35: CP PCP ( 35) = P( ) = PZ ( 1.12) = Duración para probabilidad 97.5% acabar a tiempo: PCP ( x) = CP 38 x 38 x 38 P( ) = P( Z ) = x = 1.96 x = TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 15

16 Hipótesis que han sido requeridas (criticables): Las actividades son parámetros aleatorios independientes Esta suposición no siempre es razonable (por ejemplo, una demora en una actividad podría provocar que las siguientes se hiciesen con mayor velocidad) Para cualquier escenario de la incertidumbre el camino crítico, obtenido con los tiempos medios es siempre el mismo. Esta hipótesis es cierta para los tiempos medios, no tiene por qué serlo cuando se consideran tiempos optimistas o pesimistas Tiempo del proyecto se distribuye según una normal, basándose en el teorema central del límite: tiene que haber suficiente número de actividades en el camino crítico Tiempo de las duraciones de las actividades es una beta, cuando podrían no serlo. Nos podrían proporcionar directamente la media y varianza de las duraciones. Nota examen: no se requerirán tablas de la normal estándar: Para el caso de determinar probabilidades, se piden las expresiones en función de probabilidades a la izquierda. Un ejercicio interesante sería encontrar las expresiones para las probabilidades P(X a), P(X b), P(X -a), P(X -b), P(a X b), P(-a X b), TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 16

17 P(a X -b) ó P(-a X -b), siendo a y b números positivos, y X cualquier distribución normal. Para el caso de determinar duraciones, se pedirá la duración en función de valores z de la normal estándar que dejen a la izquierda una determinada probabilidad. Así, en el anterior ejemplo podría haberse terminado expresando x como 38+z , siendo z el valor de Z que deja a su izquierda una probabilidad de TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 17

18 Nivelación de recursos Objetivo Nivelar o repartir el uso de recursos en el tiempo de la forma más equilibrada posible sin superar la duración del proyecto (la del camino crítico) Minimizar la cuasivarianza (varianza muestral) S 2 = ( Y ) 2 p Y / n 1 siendo Y i los recursos utilizados en el instante (día) p, e Y el número medio de recursos utilizados a lo largo del horizonte, que es constante al no variar la duración del proyecto (n). Equivale a minimizar Minimizar desviaciones n p= 1 n 2 Yp. Optimización cuadrática. p= 1 n p diarias al ideal Y. Optimización lineal. p= 1 D= Y Y Algoritmos heurísticos (no asegurado el óptimo): Burgess-Killebrew. Consiste en evaluar la nivelación retrasando actividades no críticas dentro de las holguras. TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 18

19 A 5 B 6 C 3 D 8 E 2 Tareas Mano de obra/dia A 5 G 12 B 5 C 5 D 5 E 10 F 11 F 10 H 1 G H TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 19

20 Datos j : actividades del proyecto Nivelación mediante optimización cuadrática (i) k : recursos a nivelar (la programación matemática es más flexible) p : periodos de tiempo (de 1 a la duración del proyecto) d j : duración de la actividad j car jk : carga del recurso k que utiliza la actividad j para cada unidad de tiempo G = ( V, A) : grafo de precedencias, de modo que los nodos son las actividades y los arcos las relaciones de precedencia directas, es decir, existe un arco en Q si el nodo inicial corresponde a una actividad que ha de acabar antes que la correspondiente al nodo final (distinto al grafo de la red de actividades. Variables (MIP) X jp 1 si la actividad j se está realizando en el periodo = 0 en otro caso p TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 20

21 Nivelación mediante optimización cuadrática (ii) Restricciones a) Todas las actividades han de hacerse dentro del tiempo permitido n. X = d j V p= 1,.., n jp b) Respetar las relaciones de precedencia del grafo G 1, (, ) p = 1,.., p 1 j X d X p= d + 1,.., n, ( j, j) A jp j jp ' j Xjp = Xj p = dj p> dj j j A p < p c) Las actividades se han de hacer sin interrupción ( Xjp= 1 Xjp + d X 0 ; j jn= j Vp n dj ) X + X 1 j V, p= 1,.., n d, k = d,.., n jp j p+ k j j Función objetivo: Minimizar la suma de los cuadrados de las cargas (nivelación independiente por recurso) min carjk X jp p= 1,.., n k j V 2 TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 21

22 Nivelación mediante optimización lineal (iii) Datos Y k carga media del recurso k en el horizonte de longitud n Y k = carjk d j / n j V Variables N pk, S pk : desviación inferior (por debajo) o superior (por encima) durante el periodo p al valor medio de la carga del recurso k Restricciones adicionales a las anteriores j V car X + N S = Y k p = 1,.., n, k jk jp pk pk Función objetivo: Minimizar desviaciones min ( N + S ) p= 1,.., n k pk pk TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 22

23 Asignación de recursos limitados Hipótesis Los recursos son limitados en cantidad, restringen la solución. Objetivo Minimizar el tiempo total de realización del proyecto con los recursos disponibles. En este caso el tiempo del proyecto es el objetivo por lo que se va a considerar N su cota superior; sin un análisis previo puede ser la suma de todas las duraciones, pero es mejor un pequeño análisis para reducir este índice dado que influye significativamente en el número de variables del problema como modelo de optimización lineal. Algoritmos heurísticos (no asegurado el óptimo): Wiest y Levi. Consiste en satisfacer las limitaciones retrasando actividades, primero empezando por las no críticas dentro de lo que permitan las holguras, y luego por las críticas. TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 23

24 Asignación mediante optimización lineal (i) Restricciones adicionales j V car X disp p = 1,.., N, k jk jp k Función objetivo: Penalizar la realización de la tarea en periodos lejanos min α ( X ) p p= 1,.., N j V si p > p entonces α p > α p para penalizar más la programación de una tarea en periodos altos. Sin embargo, se puede incurrir en un error, dado que se puede penalizar más un periodo pequeño con muchas tareas asignadas, que un periodo alto con una única tarea. jp TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 24

25 Asignación mediante optimización lineal (ii) Variables R p 1 si se programa alguna actividad durante el periodo = 0 en otro caso p Restricción adicional: lógica Y p y X jp (si X jp =1 para algún j R p =1) j V X M R p= 1,.., N jp p Función objetivo: Penalizar la realización de la tarea en periodos lejanos min α p Rp p= 1,.., N TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 25

Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas

Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

Planificación y control de proyectos

Planificación y control de proyectos Planificación y control de proyectos José María Ferrer Caja Universidad Pontificia Comillas Introducción Un proyecto es un conjunto de actividades o tareas interrelacionadas Se conocen con antelación las

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

Michel Guerra UPC-EUETIB

Michel Guerra UPC-EUETIB Planificar y programar el mantenimiento preventivo mediante técnicas: PERT. CPM. Programación lineal. Nivelación de Project. Cuantificar: Duración de actividades e intervención. Recursos necesarios y su

Más detalles

Teoría de la decisión Estadística

Teoría de la decisión Estadística Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y

Más detalles

Logística y Operaciones Administración de Proyectos Introducción Pág. 1 Ing. Tasca, Mara G.

Logística y Operaciones Administración de Proyectos Introducción Pág. 1 Ing. Tasca, Mara G. ADMINISTRACION DE PROYECTOS CPM Y PERT: Introducción: Por lo general los proyectos consisten en un cierto número de tareas interrelacionadas, que pueden o no efectuarse en forma simultánea. Es importante

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8) PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua

Más detalles

Tema 5: Principales Distribuciones de Probabilidad

Tema 5: Principales Distribuciones de Probabilidad Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad

Más detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos

Más detalles

Introducción. Königsberg, s.xviii A

Introducción. Königsberg, s.xviii A Teoría de Grafos Introducción Königsberg, s.xviii A B C D Euler resuelve este problema mediante la teoría de grafos: sólo puede haber un ciclo euleriano cuando todos los nodos tienen un número par de aristas

Más detalles

LA GERENCIA DE PROYECTOS

LA GERENCIA DE PROYECTOS LA GERENCIA DE PROYECTOS Definición de Proyecto Un proyecto es una serie de actividades ordenadas encaminadas a lograr un objetivo con ciertas especificaciones, en un tiempo dado y con unos recursos determinados.

Más detalles

3. VARIABLES ALEATORIAS

3. VARIABLES ALEATORIAS . VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad

Más detalles

Estadística Avanzada y Análisis de Datos

Estadística Avanzada y Análisis de Datos 1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son

Más detalles

METODOLOGÍAS DE PLANIFICACIÓN DE PROYECTOS (ALGUNAS.)

METODOLOGÍAS DE PLANIFICACIÓN DE PROYECTOS (ALGUNAS.) METODOLOGÍAS DE PLANIFICACIÓN DE PROYECTOS (ALGUNAS.) MÉTODO PERT El método PERT (Project Evaluation and Review Techniques) es un algoritmo basado en la teoría de redes diseñado para facilitar la planificación

Más detalles

UNIDAD 4 CONTROL DE PROYECTOS

UNIDAD 4 CONTROL DE PROYECTOS UNIDAD 4 CONTROL DE PROYECTOS TÉCNICAS DE PROGRAMACIÓN Las técnicas de planificación se ocupan de estructurar las tareas a realizar dentro del proyecto, definiendo la duración y el orden de ejecución de

Más detalles

Propuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1

Propuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1 Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se

Más detalles

3. Métodos clásicos de optimización lineal

3. Métodos clásicos de optimización lineal 3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema

Más detalles

UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3

UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3 UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3 Matriz unitaria "I" de base con variables artificiales. Cuando el problema de programación lineal se expresa en la forma canónica de maximizar, las variables de holgura

Más detalles

Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual

Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual 7. Programación lineal y SIMPLEX Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual Programación Lineal

Más detalles

Diagrama. a de Gantt. Gladys Gbegnedji Castaño Project Manager

Diagrama. a de Gantt. Gladys Gbegnedji Castaño Project Manager INTRODUC CCIÓN A LA PLANIFI CACIÓN Diagrama a de Gantt Diagramas de Red DEFINICIONES I TAREAS: Actividades necesarias para realizar el trabajo HITOS: Puntos de verif ficación del Proyecto PRELACIONES:

Más detalles

EJERCICIOS RESUELTOS TEMA 7

EJERCICIOS RESUELTOS TEMA 7 EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de

Más detalles

Modelo Académico de Calidad para la Competitividad AIND-01 92/98

Modelo Académico de Calidad para la Competitividad AIND-01 92/98 9. Matriz de Valoración ó Rúbrica MATRIZ DE VALORACIÓN O RÚBRICA Siglema: AIND-01 Nombre del Módulo: Nombre del Alumno: PSP evaluador: Grupo: Fecha: Resultado de Aprendizaje: 1.1 Determina la gráfica,

Más detalles

Investigación Operativa I

Investigación Operativa I Investigación Operativa I Camino Crítico www.exa.unicen.edu.ar/catedras/inv_op/ Camino Crítico Manual básico de métodos de camino crítico. Marín Palma Proyecto Redes Camino crítico Diagrama Calendario

Más detalles

Investigación Operativa I

Investigación Operativa I Investigación Operativa I Camino Crítico www.exa.unicen.edu.ar/catedras/inv_op/ Camino Crítico Manual básico de métodos de camino crítico. Marín Palma Proyecto Redes Camino crítico Diagrama Calendario

Más detalles

Tema 11: Intervalos de confianza.

Tema 11: Intervalos de confianza. Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por

Más detalles

INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016

INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN

Más detalles

Propuesta A. =, despeja y calcula la matriz X. (0.75 ptos)

Propuesta A. =, despeja y calcula la matriz X. (0.75 ptos) Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se

Más detalles

Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León

Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICAAS A LAS CIENCIAS SOCIALES EJERCICIO Nº Páginas 2 OPTATIVIA: EL ALUMNO EBERÁ ESCOGER UNA E LAS OS OPCIONES

Más detalles

Selectividad Junio 2007 JUNIO 2007

Selectividad Junio 2007 JUNIO 2007 Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de

Más detalles

7. Distribución normal

7. Distribución normal 7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o

Más detalles

PROGRAMACION ENTERA. M. en C. Héctor Martínez Rubin Celis 1

PROGRAMACION ENTERA. M. en C. Héctor Martínez Rubin Celis 1 M. en C. Héctor Martínez Rubin Celis PROGRAMACION ENTERA En muchos problemas prácticos, las variables de decisión son realistas únicamente si estas son enteras. Hombres, máquinas y vehículos deben ser

Más detalles

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN)

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores

Más detalles

Polinomios. 1.- Funciones cuadráticas

Polinomios. 1.- Funciones cuadráticas Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial

Más detalles

Tema 3. 3. Correlación. Correlación. Introducción

Tema 3. 3. Correlación. Correlación. Introducción 3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test

Más detalles

UNIVERSIDAD DE MANAGUA Al más alto nivel

UNIVERSIDAD DE MANAGUA Al más alto nivel UNIVERSIDAD DE MANAGUA Al más alto nivel Programación Lineal Encuentro #11 Tema: PLANIFICACIÓN DE PROYECTOS Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos: Conocer con propiedad

Más detalles

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos

Más detalles

CPM Y PERT ANTECEDENTES

CPM Y PERT ANTECEDENTES La ejecución de un proyecto o elaboración se puede subdividir en planear, programar y controlar, y hablando de manera clásica, podemos considerar las técnicas PERT (Program Evaluation aand review Technique)

Más detalles

Planeación de Proyectos PERT - CPM

Planeación de Proyectos PERT - CPM Planeación de Proyectos PERT - CPM Planeación de Proyectos Los proyectos modernos abarcan desde la construcción de un centro comercial hasta poner un hombre en la luna; son impresionantemente grandes,

Más detalles

EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION. M. En C. Eduardo Bustos Farías

EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION. M. En C. Eduardo Bustos Farías EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION M. En C. Eduardo Bustos Farías 1 Minimización El método simplex puede aplicarse a un problema de minimización si se modifican los pasos del algoritmo: 1. Se cambia

Más detalles

Pasos en el Método Simplex

Pasos en el Método Simplex Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 20 El Método Simplex ICS 1102 Optimización Profesor : Claudio Seebach 16 de octubre de 2006

Más detalles

Modelo EOQ con Demanda Incierta. Teoría de Inventarios Modelo Probabilísticos. Demanda durante el Lead Time 18/04/2009

Modelo EOQ con Demanda Incierta. Teoría de Inventarios Modelo Probabilísticos. Demanda durante el Lead Time 18/04/2009 Universidad Técnica Federico Santa María Teoría de Inventarios Modelo Probabilísticos Daniel Basterrica Modelo EOQ con Demanda Incierta Lead Time no nulo Demanda aleatoria durante

Más detalles

Variable Aleatoria. Relación de problemas 6

Variable Aleatoria. Relación de problemas 6 Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es

Más detalles

Unidad 3 BALANCEO DE LÍNEA DE ENSAMBLE. Administración de Operaciones III

Unidad 3 BALANCEO DE LÍNEA DE ENSAMBLE. Administración de Operaciones III Unidad 3 BALANCEO DE LÍNEA DE ENSAMBLE Administración de Operaciones III CONTENIDO 1. Distribución por productos 2. Líneas de ensamble 3. Balanceo de la línea de ensamble 4. División de las tareas 5. Balanceo

Más detalles

TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS

TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores

Más detalles

Economía de la Empresa I

Economía de la Empresa I Economía de la Empresa I AÑO: 2006-2009 TEMA: 9 PLANIFICACIÓN Y PROGRAMACIÓN DE LA PRODUCCIÓN Profesor Vanesa F. Guzmán Parra Economía de la Empresa I 1 Tabla de contenido Introducción... 2 1. Aspectos

Más detalles

CONCEPTOS FUNDAMENTALES

CONCEPTOS FUNDAMENTALES TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo

Más detalles

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los

Más detalles

Test de Kolmogorov-Smirnov

Test de Kolmogorov-Smirnov Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar

Más detalles

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág.

ÍNDICE CAPITULO UNO CAPITULO DOS. Pág. ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística

Más detalles

Econometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana

Econometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas Cuantitativas para el Management y los Negocios I Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:

Más detalles

Universidad Nacional de Santiago del Estero. Facultad de Ciencias Exactas y Tecnologías.

Universidad Nacional de Santiago del Estero. Facultad de Ciencias Exactas y Tecnologías. Universidad Nacional de Santiago del Estero. Facultad de Ciencias Exactas y Tecnologías. Planificación correspondiente al Ciclo Académico 2011 Asignatura : Modelos Matemáticos I Responsable de Cátedra:

Más detalles

Contenido. Gestión de Proyectos. GANTT - PERT CPM, y otros. Introducción. Gantt Project. Conceptos Básicos. El Tiempo. El Costo. Comparando Proyectos

Contenido. Gestión de Proyectos. GANTT - PERT CPM, y otros. Introducción. Gantt Project. Conceptos Básicos. El Tiempo. El Costo. Comparando Proyectos Gestión de Proyectos GANTT - PERT CPM, y otros 1 Contenido Introducción Gantt Project Conceptos Básicos El Tiempo El Costo Comparando Proyectos 2 1 Contenido Introducción Gantt Project Conceptos Básicos

Más detalles

CAPITULO V CONCLUSIONES Y RECOMENDACIONES

CAPITULO V CONCLUSIONES Y RECOMENDACIONES CAPITULO V CONCLUSIONES Y RECOMENDACIONES 5.1 Conclusiones Todo proyecto es un esfuerzo único para lograr un objetivo específico mediante una serie especial de actividades interrelacionadas y la utilización

Más detalles

La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba

La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba Simulación Simulación La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba Los modelos matemáticos se construyen y utilizan para comprobar los resultados

Más detalles

C. Distribución Binomial

C. Distribución Binomial Objetivos de aprendizaje 1. Definir los resultados binomiales 2. Calcular la probabilidad de obtener X éxitos en N pruebas 3. Calcular probabilidades binomiales acumulativas 4. Encontrar la media y la

Más detalles

Estadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad.

Estadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad. Estadística II Examen Final - Enero 2012 Responda a los siguientes ejercicios en los cuadernillos de la Universidad. No olvide poner su nombre y el número del grupo de clase en cada hoja. Indique claramente

Más detalles

Aplicaciones de la programación

Aplicaciones de la programación Tema 3 Aplicaciones de la programación dinámica 3.1. Problemas de Inventario Ejemplo 3.1. Supóngase que una empresa sabe que la demanda de un determinado producto durante cada uno de los próximos cuatro

Más detalles

ADMINISTRACIÓN DE OPERACIONES I CAPITULO III

ADMINISTRACIÓN DE OPERACIONES I CAPITULO III 1. Importancia de la AO: ADMINISTRACIÓN DE OPERACIONES I CAPITULO III Para el administrador de operaciones, la programación de un proyecto implica un reto difícil. Los riesgos de la Administración de Proyectos

Más detalles

Módulo Programación lineal. 3 Medio Diferenciado

Módulo Programación lineal. 3 Medio Diferenciado Módulo Programación lineal 3 Medio Diferenciado Profesor: Galo Páez Nombre: Curso :. Sabemos que una ecuación lineal de dos variables tiene la forma con ó y representa siempre una recta en el plano. Ahora

Más detalles

UNIDAD TRES TEORIA DE REDES

UNIDAD TRES TEORIA DE REDES UNIDAD TRES TEORIA DE REDES Contenido Definiciones de proyectos probabilísticos y Determinísticos. Diagrama de Flechas (red) CPM PERT Cálculo de Ruta Crítica CPM- costo, aceleración (intensificación) Chapter

Más detalles

PROBLEMA DEL TRANSPORTE VRP (VEHICLE ROUTING PROBLEM)

PROBLEMA DEL TRANSPORTE VRP (VEHICLE ROUTING PROBLEM) PROBLEMA DEL TRANSPORTE VRP (VEHICLE ROUTING PROBLEM) Contenido Entorno. Definición VRP. Instancia de VRP. Formulación con PLE (modelo). Ejemplo instancia VRP con PLE. Variantes del problema de VRP. Técnicas

Más detalles

REDES DE TIEMPO TPI D TPT

REDES DE TIEMPO TPI D TPT REDES DE TIEMPO Esta técnica, que también es conocida como PERT CPM (por las siglas en ingles de Técnica de Evaluación y Revisión de Programas y Método del Camino Critico respectivamente), consiste en

Más detalles

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10 Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza

Más detalles

Sumario 1. Frecuencia una señal periódica

Sumario 1. Frecuencia una señal periódica LOGO REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA ANTONIO JOSÉ DE SUCRE VICE-RECTORADO PUERTO ORDAZ Departamento de Ingeniería Electrónica Tema 3 Técnicas de Modulación

Más detalles

La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados.

La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados. Programación lineal La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados. El nombre de programación no se refiere a la

Más detalles

optimización: programación lineal y entera

optimización: programación lineal y entera UNIVERSIDAD PERUANA LOS ANDES Facultad de Ciencias i Administrativas i ti y Contables METODOS CUANTITATIVOS DE NEGOCIOS capítulo 2. modelos de optimización: programación lineal y entera Objetivos de Aprendizaje:

Más detalles

Funciones. Resumen del contenido

Funciones. Resumen del contenido C APÍTULO 7 Funciones Resumen del contenido En el Capítulo 7, los estudiantes aumentan su entendimiento del crecimiento lineal y de las ecuaciones observando en detalle una clase especial de relación llamada

Más detalles

OPCIÓN A. x y 2 0 X = 1 4. x 3 1 x 2. f (x) =

OPCIÓN A. x y 2 0 X = 1 4. x 3 1 x 2. f (x) = UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2015-2016 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II Modelo INSTRUCCIONES

Más detalles

Capítulo 3 Método Gráfico

Capítulo 3 Método Gráfico Capítulo 3 Método Gráfico Introducción En el presente capítulo se muestra la solución a varios tipos de problemas de programación lineal que solamente tienen en su formulación dos variables empleando el

Más detalles

Formulación de un Modelo de Programación Lineal

Formulación de un Modelo de Programación Lineal Formulación de un Modelo de Programación Lineal Para facilitar el planteamiento del modelo matemático general de la PL considere el siguiente problema: La planta HBB fabrica 4 productos que requieren para

Más detalles

4. Métodos de Solución PPL : Solución Algebraica: METODO SIMPLEX Primera Parte

4. Métodos de Solución PPL : Solución Algebraica: METODO SIMPLEX Primera Parte 4. Métodos de Solución PPL : Solución Algebraica: METODO SIMPLEX Primera Parte Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co En PL un sistema de producción se representa

Más detalles

8.2.5. Intervalos para la diferencia de medias de dos poblaciones

8.2.5. Intervalos para la diferencia de medias de dos poblaciones 8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:

Más detalles

PROGRAMACIÓN LINEAL ENTERA

PROGRAMACIÓN LINEAL ENTERA PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,

Más detalles

El problema inverso: Técnicas de identificación de parámetros.

El problema inverso: Técnicas de identificación de parámetros. Capítulo 4 El problema inverso: Técnicas de identificación. 4.1 Introducción En el primer capitulo de esta tesina se ha dado alguna noción acerca de la teoría de inversión, pero conviene remarcar algunos

Más detalles

Tabla de Derivadas. Función Derivada Función Derivada. f (x) n+1. f (x) y = f (x) y = ln x. y = cotg f (x) y = ( 1 cotg 2 f (x)) f (x) = f (x)

Tabla de Derivadas. Función Derivada Función Derivada. f (x) n+1. f (x) y = f (x) y = ln x. y = cotg f (x) y = ( 1 cotg 2 f (x)) f (x) = f (x) Matemáticas aplicadas a las CCSS - Derivadas Tabla de Derivadas Función Derivada Función Derivada y k y 0 y y y y y f ) y f ) f ) y n y n n y f ) n y n f ) n f ) y y n y y f ) y n n+ y f ) n y f ) f )

Más detalles

Unidad III Variables Aleatorias Unidimensionales

Unidad III Variables Aleatorias Unidimensionales Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos

Más detalles

Grado en Química Bloque 1 Funciones de una variable

Grado en Química Bloque 1 Funciones de una variable Grado en Química Bloque Funciones de una variable Sección.5: Aplicaciones de la derivada. Máximos y mínimos (absolutos) de una función. Sea f una función definida en un conjunto I que contiene un punto

Más detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar

Más detalles

Tema 1. Modelo de diseño de experimentos (un factor)

Tema 1. Modelo de diseño de experimentos (un factor) Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1 Introducción El objetivo del Análisis de la Varianza

Más detalles

TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES 1

TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES 1 Optimización en redes. Fluos en redes (Network Flows NF) Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES

Más detalles

PROBLEMAS de Programación Lineal : Resolución Gráfica

PROBLEMAS de Programación Lineal : Resolución Gráfica PROBLEMAS de Programación Lineal : Resolución Gráfica Ej. (1.1) Mostrar gráficamente porque los 2 PL siguientes no tienen una Solución Optima y explicar la diferencia entre los dos. (C) (A) Max z = 2x

Más detalles

TEMA 6 LA EMPRESA: PRODUCCIÓN, COSTES Y BENEFICIOS

TEMA 6 LA EMPRESA: PRODUCCIÓN, COSTES Y BENEFICIOS TEMA 6 LA EMPRESA: PRODUCCIÓN, COSTES Y BENEFICIOS 1 Contenido 1. Introducción 2. Conceptos básicos 3. La función de producción y la productividad 3.1. Concepto de función de producción 3.2. Productividad

Más detalles

Luego, en el punto crítico

Luego, en el punto crítico Matemáticas Grado en Química Ejercicios propuestos Tema 5 Problema 1. Obtenga y clasique los puntos críticos de las siguientes funciones: a fx, y = x +y, b fx, y = x y, c fx, y = x 3 + y. Solución del

Más detalles

METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD

METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes

Más detalles

Problemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.

Problemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme. Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces

Más detalles

El Método Simplex. H. R. Alvarez A., Ph. D. 1

El Método Simplex. H. R. Alvarez A., Ph. D. 1 El Método Simplex H. R. Alvarez A., Ph. D. 1 El Método Simplex Desarrollado en 1947 por George Dantzig como parte de un proyecto para el Departamento de Defensa Se basa en la propiedad de la solución esquina

Más detalles

Facultad de Ingeniería MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES

Facultad de Ingeniería MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES Facultad de Ingeniería Escuela de Ingeniería Industrial Curso: Sistemas de almacenamiento e Inventarios MANEJO DE INVENTARIOS DE ÍTEMS INDIVIDUALES Profesor: Julio César Londoño O Sistemas con Demanda

Más detalles

MÉTODOS CUANTITATIVOS PARA LA GERENCIA DE PROYECTO

MÉTODOS CUANTITATIVOS PARA LA GERENCIA DE PROYECTO MÉTODOS CUANTITATIVOS PARA LA GERENCIA DE PROYECTO Teléfonos: 0212-3720675 Celular: 0416-719-8930 INTRODUCCIÓN. La complejidad del diseño, dirección y control de los recursos de un proyecto, obliga contar

Más detalles

Algoritmos. Diseño de algoritmos por inducción. Alberto Valderruten. alberto.valderruten@udc.es. Dept. de Computación, Universidade da Coruña

Algoritmos. Diseño de algoritmos por inducción. Alberto Valderruten. alberto.valderruten@udc.es. Dept. de Computación, Universidade da Coruña Divide y Vencerás Diseño de algoritmos por inducción Dept. de Computación, Universidade da Coruña alberto.valderruten@udc.es Contenido Divide y Vencerás 1 Divide y Vencerás 2 Índice Divide y Vencerás 1

Más detalles

Y = ßo + ß1X + ε. La función de regresión lineal simple es expresado como:

Y = ßo + ß1X + ε. La función de regresión lineal simple es expresado como: 1 Regresión Lineal Simple Cuando la relación funcional entre las variables dependiente (Y) e independiente (X) es una línea recta, se tiene una regresión lineal simple, dada por la ecuación donde: Y =

Más detalles

Variables aleatorias: problemas resueltos

Variables aleatorias: problemas resueltos Variables aleatorias: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimenez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es

Más detalles

Análisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA

Análisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA 1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema

Más detalles

Organización y Planificación de Proyectos

Organización y Planificación de Proyectos Organización y Planificación de Proyectos Angel Pérez Manso Mikel Garmendia Mujika Xabier Garikano Osinaga Dpto. Expresión Gráfica y Proyectos de Ingeniería Escuela Universitaria Politécnica de Donostia

Más detalles

Cómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas

Cómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas Cómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas Sesión de Residentes 13 de febrero, 2012 ÍNDICE Diferencia entre población y muestra. Diferencia

Más detalles

Es evidente la continuidad en En el punto, se tiene:

Es evidente la continuidad en En el punto, se tiene: Tema 3 Continuidad Ejercicios Resueltos Ejercicio 1 Estudia la continuidad de la función La función puede expresarse como Para representarla basta considerar dos arcos de parábola: Es evidente la continuidad

Más detalles

Fundamentos de Investigación de Operaciones. S2/2004 PERT Y CPM.

Fundamentos de Investigación de Operaciones. S2/2004 PERT Y CPM. Fundamentos de Investigación de Operaciones. S/00 PERT Y CPM.. Antes de poder introducir un nuevo producto al mercado se deben realizar todas las actividades que se muestran en la tabla (todos los tiempos

Más detalles

Programación Matemática. Profesor: Juan Pérez Retamales

Programación Matemática. Profesor: Juan Pérez Retamales Programación Matemática Profesor: Juan Pérez Retamales Capítulo 2: Optimización Lineal en la Práctica Programación Matemática Procesos de Toma de Decisiones Marco de Trabajo: Decisiones Estratégicas Decisiones

Más detalles