3.- Programación por metas.
|
|
- Victoria Gil Cordero
- hace 7 años
- Vistas:
Transcripción
1 Programacón Matemátca para Economstas Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del decsor o centro decsor, emtendo deseos al analsta y éste, en base a estos deseos va a actuar. De esta manera, renuncamos a la optmzacón pero obtenemos una solucón que satsface los deseos manfestados. La técnca que se emplea al ncorporar nformacón a pror en el proceso se denomna, Goal Programmng, o Programacón por Metas. Veamos en qué consste. Dado un problema general de programacón multobjetvo: Opt ( f ( x), f ( x), L, f ( x)) sa. 1 2 x X donde algunos de los objetvos serán de máxmo y otros de mínmo, el decsor actúa de la sguente forma: Prmero asgnará a cada uno de los objetvos un valor u que va a representar su nvel de aspracón, es decr, lo que desea alcanzar como mínmo o ben no desea superar, e ncluso, en algunos casos, desea alcanzar exactamente la gualdad, para el correspondente objetvo. Después, al conjugar el objetvo y el nvel de aspracón se obtene lo que denomnamos meta, que expresamos de la sguente forma: S estamos maxmzando f (x) al mponer un nvel u, se deseará que: f (x) u. S mnmzamos, se deseará que f (x) u. El caso de gualdad, f (x) = u, se puede contemplar tanto s maxmzamos como s mnmzamos. Posterormente al establecmento de las metas, se asgnan nveles de prordad entre los objetvos, es decr, se les ordena atendendo a las prordades que manfeste el decsor. Esta asgnacón puede ser uno a uno, es decr, en cada nvel un solo objetvo, o pueden aparecer varos compartendo un msmo nvel; este caso mplca una ponderacón entre los objetvos que comparten el nvel. El número de nveles de prordades será por tanto, s p. Así pues, la resolucón se llevará a cabo atendendo a las metas mpuestas y a los nveles de prordad establecdos, de forma que se preferrá una solucón que mejore al prmero, una vez conseguda, se pasa al segundo y así sucesvamente. En este sentdo, la ordenacón que se utlza, bajo el enfoque de programacón por metas, es la lexcográfca p
2 Programacón Matemátca para Economstas 2 llevándose a cabo una resolucón por nveles. Esto nos conduce a defnr un nuevo orden denomnado lexcográfco, el cual pasamos a defnr. Orden Lexcográfco: Dremos que un punto x es preferdo a x s se verfca que: f (x) = f (x ) = 1,..., j - 1 y f j (x) > f j (x ). El orden lexcográfco es un orden total y es el usado en la ordenacón del dcconaro. Con él se establece que para mejorar una combnacón basta con r mejorando sucesvamente las coordenadas sn tener en cuenta lo que ocurra con las restantes. A las solucones obtendas por la técnca de programacón por metas se las denomna satsfactoras, en el sentdo de que verfcan evdentemente las restrccones orgnales del problema y las metas mpuestas por el centro decsor. Así pues tenemos. Defncón 4. Un punto x es una solucón satsfactora s es admsble, y verfca las p-metas mpuestas, es decr: x X max f ( x ) u mn f ( x ) u max mn f ( x ) = u En estas condcones, es decr, una vez que el decsor ha manfestado sus nveles de aspracón, construdas las metas y prorzados los objetvos, para la resolucón y aplcacón de la técnca de programacón por metas se ntroducen en las metas del problema unas varables (postvas) denomnadas de desvacón, y denotadas por n, y p. Dchas varables nos van a representar las dferencas que exsten entre los nveles de aspracón mpuestos por el decsor y el resultado que se alcanza en cada objetvo. La ntroduccón se realza de la sguente forma: S estamos maxmzando f (x) al construr las metas tenemos: f (x) u entonces f (x) + n - p = u y Mn n. Por qué? Porque, s n = 0 entonces f (x) - p = u y se verfca la meta f (x) u. S estamos mnmzamos f (x) al construr la meta tenemos: f (x) u entonces f (x) + n - p = u y Mn p
3 Programacón Matemátca para Economstas 3 razonando de gual forma, s p = 0 entonces f (x) + n = u y por tanto se cumple la meta f (x) u. En el caso de gualdad, f (x) = u, se toma f (x) + n - p = u y se calcula Mn n + p, para que se mantenga la meta se tendrá que verfcar que n = p = 0. A la funcón que recoge la mnmzacón de la varable no deseada, en el sentdo de que queremos que sea nula, se le denomna funcón de realzacón o funcón logro, y las denotaremos por h (n, p). Así pues, dadas las metas, los nveles de prordad y determnadas las funcones de realzacón, se procede a calcular: lexmn ( h1 ( np, ), L, hs ( np, )) f( x) + n p = u = 1,..., p n, p 0 En general, al prmer conjunto de restrccones, que son las orgnales del problema se les denomna restrccones duras o técncas, debdo a que serán restrccones que se tenen que verfcar necesaramente. Al segundo conjunto de restrccones, que son las que se generan de la construccón de las metas, se les denomna restrccones blandas, debdo a que no son de oblgado cumplmento. En cualquer problema, una vez planteado, y antes de proceder a la resolucón lexcográfca, se lleva a cabo la comprobacón, de la exstenca de puntos factbles, es decr, que nuestro conjunto de restrccones duras no es vacío, dado que s lo fuera el problema no tendría nngún sentdo. Esta comprobacón se realza en el que denomnaremos Nvel 0, en el cual mnmzamos cualquer funcón constante sujeta a las restrccones duras del problema. Nvel 0: M n h ( x) = cte Una vez comprobado que exsten solucones factbles, se pasa a la resolucón del problema. Para mostrar todo lo comentado vamos a desarrollar un ejemplo teórco. Supongamos que nuestro problema esta defndo de la sguente forma: ( Max f 1, Mn f 2, Max f 3, Mn f 4 )
4 Programacón Matemátca para Economstas 4 por tanto, tenemos un problema de cuatro objetvos, donde dos de ellos corresponden a máxmos y dos a mínmos. El sguente paso es dar los nveles de aspracón, construr las metas y determnar la varable no deseada, para la determnacón de la correspondente funcón de realzacón o logro. Sea pues: f 1 (x) u 1 entonces f 1 (x) + n 1 - p 1 = u 1 y Mn n 1 f 2 (x) u 2 entonces f 2 (x) + n 2 - p 2 = u 2 y Mn p 2 f 3 (x) u 3 entonces f 3 (x) + n 3 - p 3 = u 3 y Mn n 3 f 4 (x) = u 4 entonces f 4 (x) + n 4 - p 4 = u 4 y Mn n 4 + p 4. Vamos a consderar que los nveles de aspracón se establecen como: Nvel 1: Objetvo 1, entonces la funcón de realzacón es: h(n 1, p 1 ) = n 1 Nvel 2: Objetvo 2, entonces la funcón de realzacón es: h(n 2, p 2 ) = p 2 Nvel 3: Objetvos 3 y 4, entonces la funcón de realzacón es, en general de la forma: h(n 3, n 4, p 3, p 4 ) = αn 3 + β(n 4 + p 4 ) donde los parámetros α y β ponderarían a las correspondentes metas. El problema sería: lexmn ( n1, p2, αn3 + β ( n4 + p4)) f( x) + n p = u = 1, L, p n, p 0 = 1, L, p Tras realzar el nvel cero, como hemos mpuesto tres nveles de prordad tendremos que resolver a lo sumo tres problemas, correspondentes a: Nvel 1: Mn n1 f ( x) + n p = u n, p
5 Programacón Matemátca para Economstas 5 Denomnamos ( x 1, n1, p1) a la solucón, s n 1 = 0 sgnfca que hemos logrado verfcar la meta prmera y pasamos al segundo nvel. Nvel 2: Mn p2 f1( x) + n1 p1 = u1 n1 = 0 f2( x) + n2 p2 = u2 n, p, n, p La dea es, que se mantenga la meta anteror y se verfque la del nvel correspondente, así, s volvemos a denomnar ( x, n, p ) a la solucón, s p = 0 sgnfca que hemos logrado verfcar la meta prmera y la segunda y pasamos al tercer nvel. Nvel 3: Mn α n3 + β ( n4 + p4) f1( x) + n1 p1 = u1 n1 = 0 f2( x) + n2 p2 = u2 p2 = 0 f3( x) + n3 p3 = u3 f4( x) + n4 p4 = u4 n, p 0 = 1, L, 4 En este nvel como tenemos dos funcones hemos consderado como funcón de realzacón la suma ponderada de las dos y hemos mpuesto que se mantengan las dos anterores y las dos correspondentes al nvel, de forma que, s la solucón obtenda, ( x 3, n3, p3, n4, p 4 ), verfca que n3 = p3 = n4 = p4 = 0, x 3 será una solucón satsfactora, puesto que verfca las restrccones duras del problema, y las metas correspondentes. Con este ejemplo teórco se ha pretenddo lustrar cómo aplcar la técnca de programacón por metas, no obstante, quedarían algunas consderacones, por ejemplo, cómo actuamos s en alguno de los nveles la varable no deseada no es cero?, s esto ocurre la solucón correspondente no es satsfactora, puesto que s la varable de desvacón no deseada toma un valor nos ndca el ncumplmento de la correspondente meta. En en estos casos no contnuamos con el problema sno que la solucón sería la que nos dera con el valor correspondente de n o p, y la solucón aún no sendo satsfactora
6 Programacón Matemátca para Economstas 6 sería la más adecuada al cumplmento de nuestra meta, dado que mnmzamos las desvacones. A partr del ncumplmento de una meta, es decr, la no verfcacón del nvel, se puede actuar de varas formas. Una de ellas sería el redefnr la meta correspondente y otra el ntentar hacer una nueva dstrbucón de funcones y nveles. De hecho, el problema no queda cerrado, sno que sería el decsor, a la vsta de los resultados, el encargado de decdr qué hacer con el problema. Volvendo a nuestro ejemplo: Supongamos que la empresa establece que prmero quere maxmzar los benefcos, de forma que estos alcancen un nvel de al menos 10 undades, y que posterormente, la contamnacón se fja en un máxmo de 6 undades. Con esta nformacón se nos genera un problema de programacón por metas, en el cual los nveles corresponden a: Nvel 1: Los benefcos tenen que alcanzar un nvel de al menos 10 undades, luego la meta es: 4x + 3y 10. Al ncorporar las varables de desvacón tenemos: 4x + 3y +n 1 - p 1 = 10. La varable no deseada es n 1 y la funcón de realzacón del prmer nvel es: h 1 (n 1, p 1 ) = n 1. Nvel 2: El nvel de contamnacón es como máxmo de 6 undades, luego la meta es: se ncorporan las varables de desvacón y: 3x + 2y 6. 3x + 2y +n 2 - p 2 = 6. La varable no deseada en este nvel es p 2 y la funcón de realzacón del segundo nvel corresponde a: h 2 (n 2, p 2 ) = p 2. Con esta nformacón, el problema de programacón por metas a resolver es:
7 Programacón Matemátca para Economstas 7 lexmn ( n1, p2) sa. x+ y 5 2x+ y 8 x 1 4x+ 3y+ n1 p1 = 10 3x+ 2y+ n2 p2 = 6 xyn,,, p 0 = 1, 2. Como tenemos asegurada la exstenca de solucones factbles, pasamos a la resolucón por nveles. Nvel 1: Mn n 1 s.a x + y 5 2x + y 8 x 1 4x + 3y + n 1 - p 1 = 10 x, y, n 1, p 1 0 Aplcando el programa LINDO para programacón lneal obtenemos: LP OPTIMUM FOUND AT STEP 1 OBJECTIVE FUNCTION VALUE 1) VARIABLE VALUE REDUCED COST N X Y P NO. ITERATIONS= 1 Como el valor de n 1 = 0 obtenemos que se ha verfcado la prmera de las metas y pasamos al nvel 2.
8 Programacón Matemátca para Economstas 8 Nvel 2: LP OPTIMUM FOUND AT STEP 3 OBJECTIVE FUNCTION VALUE 1) Mn p 2 s.t x + y 5 2x + y 8 x 1 4x + 3y + n 1 - p 1 = 10 n 1 = 0 3x + 2y + n 2 - p 2 = 6 x, y, n 1, p 1, n 2, p 2 0 VARIABLE VALUE REDUCED COST P X Y P N NO. ITERATIONS= 3 La solucón obtenda es (1, 2) pero p 2 = 1, lo cual nos ndca que no se verfca la segunda meta, en concreto, según el resultado, el nvel se contamnacón se superaría en una undad (p 2 = 1). En esta prmera gráfca vamos a ver el efecto de la ncorporacón de la prmera meta, y en la segunda gráfca, tras ntroducr la segunda meta observamos cómo el conjunto de solucones satsfactoras es vacío, por tanto nuestro problema no tendría solucón satsfactora, sn embargo, la solucón obtenenda, aún no sendo satsfactora verfca la prmera meta y es la más cercana al cumplmento de la segunda, puesto que estamos mnmzando la varable no deseada.
9 Programacón Matemátca para Economstas 9 Gráfca nvel 1:
10 Programacón Matemátca para Economstas 10 Gráfca nvel 2: A la vsta del resultado ahora podría actuar de nuevo el decsor, puesto que él ya conoce que la mposcón de 6 undades para la contamnacón no es factble. De esta forma, s mantene la prmera meta con 10 undades y relaja la contamnacón a 8, el segundo nvel se modfca y obtenemos: Nvel 2: Reformado Mn p 2 s.a x + y 5 2x + y 8 x 1 4x + 3y + n 1 - p 1 = 10 n 1 = 0 3x + 2y + n 2 - p 2 = 8 x, y, n 1, p 1, n 2, p 2 0
11 Programacón Matemátca para Economstas 11 LP OPTIMUM FOUND AT STEP 1 OBJECTIVE FUNCTION VALUE 1) VARIABLE VALUE REDUCED COST P X Y P N NO. ITERATIONS= 1 Al relajar la meta sí obtenemos una solucón satsfactora (2.5, 0), en la cual los benefcos son exactamente 10 undades y la contamnacón de 7.5 dado que n 2 = 0.5. El conjunto de solucones satsfactoras asocadas al cumplmento de las dos metas nos lo muestra la gráfca sguente:
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesIntroducción a la Optimización Multiobjetivo
Introduccón a la Optmzacón Multobjetvo Optmzacón Multobjetvo (MOP) Práctcamente en cualquer área y en una varedad de contetos se presentan problemas con múltples objetvos que se contraponen entre sí A
Más detallesBloque 2 Análisis de circuitos alimentados en corriente continua. Teoría de Circuitos
Bloque Análss de crcutos almentados en corrente contnua Teoría de Crcutos . Métodos sstemátcos de resolucón de crcutos : Método de mallas Métodos sstemátcos de resolucón de crcutos Permten resolver los
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesMODELO DE ASIGNACIÓN DE RECURSOS FINANCIEROS ENTRE UNIDADES DOCENTES E INVESTIGADORAS UNIVERSITARIAS
VI Jornadas ASEPUMA. Santago de Compostela, 998. MODELO DE ASIGNACIÓN DE RECURSOS FINANCIEROS ENTRE UNIDADES DOCENTES E INVESTIGADORAS UNIVERSITARIAS Caballero, R.; Galache, T.; Gómez, T.; Molna, J. y
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesNúmeros Complejos II. Ecuaciones
Complejos 1º Bachllerato Departamento de Matemátcas http://selectvdad.ntergranada.com Raúl González Medna Ecuacones 1. Resolver las sguentes ecuacones y determnar en qué campo numérco tenen solucón: a)
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesB1. Metas de gestión para el caso de Proyectos financiados con recursos no reembolsables
ANEXO N 1 1. METAS DE GESTION A. METAS DE GESTIÓN DE LA TARIFA BASICA Corresponde a las metas de gestón de los proyectos ejecutados y fnancados con recursos nternamente generados por la Empresa, comprenddos
Más detallesEjercicios Resueltos de Vectores
Departamento de Matemátca y C C Coordnacón: Calculo II para Ingenería Semestre Eerccos Resueltos de Vectores Sean los vectores en IR : v,,, u,, 4, a,, y b,, 4 : a) Determne los vectores: UV y AB UV AB
Más detallesEjercicios Resueltos de NÚMEROS COMPLEJOS
Ejerccos Resueltos de NÚMEROS COMPLEJOS Ejerccos Resueltos de NÚMEROS COMPLEJOS Números Complejos. Formas de epresarlos.- Halla las raíces de los sguentes números: 00 Solucón: ± 00 00 ± 0 ± ±.- Representa
Más detallesTEMA 1: PROBABILIDAD
robabldad TEM : ROBBILIDD Índce del tema Índce del tema.. Introduccón 2.2. Defncón de probabldad 3.2.. ropedades nmedatas 3 Ejemplo 7 Ejemplo 2 8 Ejemplo 3 9.3. robabldad condconada 0.3.. Introduccón 0.3.2.
Más detallesAnálisis Matemático en la Economía: Optimización y Programación. Augusto Rufasto
Análss Matemátco en la Economía: Optmzacón y Programacón arufast@yahoo.com-rufasto@lycos.com www.geoctes.com/arufast-http://rufasto.trpod.com La optmzacón y la programacón están en el corazón del problema
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
Más detallesFUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesANALISIS DEL BIENESTAR DE UN CONSUMIDOR
ANALISIS DEL BIENESTAR DE UN CONSUMIDOR EJEMPLOS, APLICACIONES Y NUMEROS INDICES Contacto: Mª Covadonga De la Iglesa Vllasol Departamento de Fundamentos del Análss Económco I Unversdad Complutense de Madrd
Más detallesINGENIERÍA ENERGÉTICA
INGENIERÍA ENERGÉTICA PROGRAMACIÓN DE LA GENERACIÓN DE ENERGÍA ELÉCTRICA Programacón de la generacón MERCADO DIARIO Es el mercado en el que tenen lugar las transaccones de compra y venta de energía para
Más detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesSISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.
Objetvos y orentacones metodológcas SISTEMA DIÉDRICO I Interseccón de planos y de recta con plano TEMA 8 Como prmer problema del espaco que presenta la geometría descrptva, el alumno obtendrá la nterseccón
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detalles60 EJERCICIOS de NÚMEROS COMPLEJOS
60 EJERCICIOS de NÚMEROS COMPLEJOS. Resolver las sguentes ecuacones en el campo de los números complejos a) x -x+=0 (Soluc ) b) x +=0 (Soluc ) c) x -x+=0 (Soluc ) d) x +x+=0 (Soluc ) e) x -6x +x-6=0 (Soluc,
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesResuelve. Unidad 6. Números complejos. BACHILLERATO Matemáticas I. [x ( )][x (2 3 1)] = Cómo operar con 1? Página 147
Undad. Números complejos Matemátcas I Resuelve Págna 7 Cómo operar con? Vamos a proceder como los antguos algebrstas: cuando nos encontremos con seguremos adelante operando con ella con naturaldad y tenendo
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesLECTURA 03: DISTRIBUCIONES DE FRECUENCIAS (PARTE II)
LECTURA 03 DISTRIBUCIONES DE FRECUENCIAS (PARTE II) DISTRIBUCIONES DE FRECUENCIAS EN INTERVALOS DE CLASE Y DISTRIBUCIONES DE FRECUENCIAS POR ATRIBUTOS O CATEGORÍAS TEMA 6 DISTRIBUCIÓN DE FRECUENCIAS EN
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesTema 3. Teoremas de la Teoría de Circuitos
Tema 3. Teoremas de la Teoría de Crcutos 3.1 Introduccón 3. Superposcón 3.3 Transformacón de fuentes 3.4 Teorema de Theenn 3.5 Teorema de Norton 3.6 Máxma transferenca de potenca Th Th L nálss de Crcutos
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesTEMA 4. TEORÍA DE LA DUALIDAD.
Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL
Más detallesUNIDAD 1: Tablas de frecuencias
UIDAD : Tablas de recuencas Cuando sobre una poblacón hemos realzado una encuesta o cualquer regstro para conocer los valores que toman las varables, nos encontramos ante una gran cantdad de datos que
Más detallesLa Derivada de un Número No es 0
Memoras II Encuentro Internaconal De Meta-Matemátcas: La Dervada de un Número No es 0 Geraldne Marcela Infante Jorge Danel Muñoz Alex Eduardo Poveda Gruo YAGLOM Escuela de Matemátcas Unversdad Sergo Arboleda
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesRentas o Anualidades
Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesTallerine: Energías Renovables. Fundamento teórico
Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesCaptura de objetos móviles sobre una recta *
Morfsmos, Vol. 18, No. 1, 2014, pp. 45 55 Captura de objetos móvles sobre una recta * Lus E. Urbán Rvero Rafael López Bracho Francsco J. Zaragoza Martínez Resumen En el problema del agente vajero eucldano
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesDiferencias Finitas. 4.1 Introducción. 4.2 Método de las Diferencias Finitas. 4. Diferencias Finitas
. Dferencas Fntas Dferencas Fntas. Introduccón La técnca de las dferencas fntas fue la prmera técnca ue surgó para resolver problemas práctcos en ngenería. Ho en día ésta técnca a está obsoleta con lo
Más detallesLiquidación Anticipada de swaps de Tasa de Interés. diciembre 2009
Lqudacón Antcpada de swaps de Tasa de Interés dcembre 2009 Objetvos I. Permtr la lqudacón antcpada de contratos conservando el perfl de resgo de los portafolos (tolerancas). II. III. IV. Mnmzar la exposcón
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detallesEjercicios y problemas (páginas 131/133)
7 Calcula el opuesto y el conjugado de los sguentes números complejos, expresándolos en forma polar: a) z b) z (cos 00 sen 00 ) c) z Expresamos en prmer lugar los números complejos en forma Calcula las
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesTema 2 : DEFORMACIONES
Tema : eformacones Tema : EFRMACINES F F 3 F / u u u 3 3 3 / 3 / F n Prof.: Jame Santo omngo Santllana E.P.S.-Zamora (U.SAL.) - 008 Tema : eformacones..- INTRUCCIÓN Los cuerpos se deforman debdo a la accón
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detallesConvertidores Digital-Analógico y Analógico-Digital
Convertdores Dgtal-Analógco y Analógco-Dgtal Conversón Dgtal-Analógca y Analógca-Dgtal Con estos crcutos se trata de consegur una relacón bunívoca entre una señal analógca y una dgtal o vceversa. Las magntudes
Más detalles