Programación mixta-entera
|
|
- Alba Marina Navarrete Vera
- hace 7 años
- Vistas:
Transcripción
1 Programacón mxta-entera Prof. Cesar de Prada ISA UVA
2 Indce Problemas híbrdos Tpos de problemas mxto-enteros Algortmo Branch and Bound Ejemplos Software
3 Problemas híbrdos Muchos problemas de decsón nvolucran no solo varables que pueden representarse por valores reales, sno decsones de tpo dscreto que están representadas de forma natural por varables enteras o bnaras. Otras veces, el planteamento del problema nvolucra, junto a los modelos cuanttatvos, reglas o condcones lógcas adconales Estos problemas de optmzacón híbrdos con varables reales enteras se denomnan de programacón mxta entera S las decsones son solo de tpo entero el problema se denomna de programacón entera
4 Ejemplo: Banda de ladrones Una banda de ladrones asalta un almacén donde ha N objetos dstntos. Cada objeto j tene un peso p j un valor v j. Dsponen de una camoneta que puede transportar como máxmo un peso P. Qué objetos deben selecconar los ladrones para obtener el máxmo benefco de su accón? Defnendo una varable bnara j para ndcar s un objeto ha sdo o no selecconado: max j N 0 j j v j sujeto a j P el objeto j no ha sdo selecconado el objeto js ha sdo selecconado N j p j Problema ILP nteger lnear programmng 4
5 Ejemplo: El problema del vajante Un vajante debe partr de su cudad recorrer N cudades volvendo a la cudad de orgen sn repetr nnguna. La dstanca entre la cudad la j es c j. Cual es la ruta que debe segur para recorrer una dstanca mínma?. 5 Podemos asocar una varable bnara j a cada par de cudades, j mn N N j j j N j N c j j j j,..., N,..., N c j j 0 el vajante no va de la cudad a la j el vajante va de la cudad a la j debe llegar una vez solo una de la cudad debe partr una vez solo una de la cudad j j 0
6 Tpos de problemas mxto enteros 6 mn c' A b Z mn J ( x,) x, h(x,) 0 g(x,) 0 n x R, Z ILP Integer Lnear Programmng MINLP Mx-Integer Non-Lnear Programmng mn c'x d' x, Ax b E e 0 x R n, Z MILP Mx-Integer Lnear Programmng Pueden re-convertrse gualdades desgualdades usando varables de holgura, al gual que problemas mn en max
7 Métodos de solucón 7 La aproxmacón de tratar las varables enteras como reales luego aproxmarlas al entero mas próxmo suele dar resultados erróneos, excepto quzás cuando el número de valores posbles de una varable entera es alto. Rara vez con varables bnaras Pueden enumerarse todas las combnacones de varables enteras posbles resolver para cada una el problema, posblemente NLP, de varables reales asocado, escogendo luego el de mejor J, a que son un número fnto. Pero el número de combnacones crece exponencalmente con el número de varables enteras. Examen ntelgente de alternatvas enteras: Branch and Bound (B&B) Ajuste de cotas nferor superor: Outer Approxmaton (OA), Generalsed Benders decomposton (GBD)
8 Branch and Bound (B&B) El método proporcona una búsqueda ntelgente del óptmo combnando la comparacón de dstntas alternatvas funcón de las varables enteras, con un procedmento para elmnar combnacones que no pueden conducr al óptmo para determnar las condcones de óptmo basándose en cotas del msmo. Está basado en tres deas prncpales: 8 Relajacón, que proporcona cotas del problema Ramfcacón, que examna las dstntas alternatvas de varables enteras en un punto dado del árbol de decsón. Poda, que permte elmnar determnados grupos de combnacones de varables enteras smplfcando la búsqueda
9 Relajacón Una relajacón de un problema MILP o MINLP consste en suponer que las varables bnaras j pueden tomar valores reales en el ntervalo 0 j. (De forma smlar se trata el caso de varables enteras) Por tanto en el problema relajado todas las varables, x e, son reales resulta un problema de tpo LP o NLP. Domno del problema orgnal Domno del problema relajado 9 Lógcamente, al amplar el espaco de búsqueda, la solucón del problema relajado es una cota nferor (o superor en el caso de maxmzacón) al problema orgnal MILP o MINLP. El cálculo de esta cota es el objetvo que se busca al resolver el problema relajado.
10 Algortmo Branch and Bound (B&B) 0 Ejemplo ILP (Hmmelblau) Max J = Sujeto a ,, 0, El problema relajado es LP su resolucón proporcona una cota superor Jr* de J*: J* 9. Relajacón *=(, 0.776, ) J r *=9. LP = 0 = Ramfcacón A contnuacón se examnan las dos alternatvas posbles para, únca varable real de la solucón relajada
11 Algortmo Branch and Bound (B&B) Max J = Sujeto a ,, 0, Relajacón Nodo nº LP *=(, 0.776, ) J r *=9. = 0 Ramfcacón = Relajacón LP Mejor solucón factble hasta el momento (ncumbente): Cota nferor de J* 0 = 0 0 *=(, 0, ) J r *=6.0 4 Poda No se puede segur ramfcando en el nodo. El BB termna s la dferenca de cotas superor e nferor es menor que una toleranca Cota sup cota cota nf nf tol
12 B&B 9. J* 6.0 Canddato No ha mas ramfcacón en este nodo El valor del canddato es una cota nferor para todo el problema Relajacón LP *=(, 0.776, ) J r *=9. 9. J* - = 0 Ramfcacón = 0 0 = 0 Relajacones = 0 0 *=(, 0, ) *=(0.978,, ) J r *=6.0 J r *=8. = 0 Poda Ramfcacón = S el hueco, o dferenca de cotas superor e nferor, en el nodo es superor a la toleranca, debe segurse ramfcando. En caso contraro el BB termna el canddato actual es el óptmo. Cota superor en esta rama: 8. J* 6.0
13 B&B 9. J* 6.0 Canddato No ha mas ramfcacón en este nodo Relajacón LP *=(, 0.776, ) J r *=9. = 0 Ramfcacón = 0 0 = 0 Relajacones = 0 0 *=(, 0, ) *=(0.978,, ) J r *=6.0 J r *=8. = 0 Poda Ramfcacón = Cada solucón factble proporcona una cota nferor para cualquer rama Pueden usarse los valores de las cotas para podar ramas sn calcular sus valores 9. J* - Cota superor en esta rama: 8. J* 6.0 Cada ramfcacón proporcona cotas superores menores en esa rama
14 B&B Relajacón LP *=(, 0.776, ) J r *=9. 9. J* J* 6.0 Canddato Nueva solucón factble, pero nferor a la del canddato actual por lo que este no camba = 0 Ramfcacón = 0 0 = 0 Relajacones = 0 0 *=(, 0, ) *=(0.978,, ) J r *=6.0 J r *=8. = 0 4 =0 = 0 *=(0,, ) J r *=44.0 Poda Ramfcacón Relajacón = No se puede segur ramfcando este nodo 8. J* 6.0
15 B&B Relajacón LP *=(, 0.776, ) J r *=9. 9. J* J* 6.0 Canddato = 0 Ramfcacón = 0 0 = 0 Relajacones = 0 0 *=(, 0, ) *=(0.978,, ) J r *=6.0 J r *=8. = 0 Ramfcacón = 4 =0 = 0 *=(0,, ) J r *= Poda El valor de J* r es nferor a la cota nferor del canddato, cualquer ramfcacón daría un valor menor, puede podarse el nodo = = 0 *=(,, 0.595) J r *=.8 8. J* 6.0 Relajacón Poda
16 B&B Relajacón LP *=(, 0.776, ) J r *=9. 9. J* J* 6.0 Canddato = 0 Ramfcacón = 0 0 = 0 = 0 0 *=(, 0, ) *=(0.978,, ) J r *=6.0 J r *=8. = 0 Ramfcacón = 4 =0 = 0 *=(0,, ) J r *= Poda El canddato actual, nodo, es el óptmo al haberse podado a todas las ramas = = 0 *=(,, 0.595) J r *=.8 8. J* 6.0 Poda
17 Ejemplo: Fábrca de pnturas Una fábrca de pnturas tene tres undades de produccón de un certo tpo de pntura con capacdades que se ndcan en la tabla adjunta. Igualmente se muestran en la msma los costos de puesta en marcha de cada undad los costes por Kg de pntura producdo. S una undad se pone en funconamento, debe producr en un perodo toda su capacdad 7 Undad Costes de puesta en marcha Costes por Kg de pntura producda Capacdad, Kg
18 Fábrcas de pnturas Las undades pueden ponerse en marcha al prncpo de la mañana o al prncpo de la tarde. Lógcamente, s una undad se puso en marcha por la mañana sgue operando por la tarde solo genera costos de puesta en marcha por la mañana. Todas las undades se apagan por la noche las decsones de puesta en marcha para el día se toman por la mañana cada día de acuerdo a los peddos exstentes. S un determnado día deben servrse 500 kg de pntura por la mañana 500 kg por la tarde, Qué undades deben ponerse en funconamento cuando para ncurrr en los menores costos posbles? 8 Cómo vara la solucón s la demanda de la tarde se ncrementa en 00 Kg?
19 Fábrca de pnturas Varables: 9 número del proceso (,, ) j número del perodo de trabajo: mañana tarde j varable bnara: vale s el proceso funcona en el perodo j c costes de puesta en marcha de la undad p costes de produccón de un Kg en el proceso w capacdad de produccón de la undad por perodo D j demanda de pntura en el perodo j z varable bnara auxlar, vale s o es
20 Fábrca de pnturas mn, z z j w j j c z D j p w ( ) j,,, j, Excel La varable z vale s se ha arrancado la undad por la mañana o por la tarde 0 S por la mañana no puede haber mas de una undad funconando smultáneamente:
21 Formulacón en GAMS sets undades / u, u, u / j perodos / m, t / parameters costea() coste de arrancar una undad / u=800, u=000, u=900 / costekg() coste por kg por perodo / u=5, u=, u=8 / capacdad() capacdad /u=900, u=700, u=900/ demanda(j) demanda por perodo / m= 500, t = 500/; varables (,j) funcona o no la undad I en el perodo j z() arranca la undad ese da coste coste total de la produccon del da bnar varables, z;
22 Formulacón en GAMS equatons produccon(j) produccon en cada perodo restrccon(,j) lmtes en z costetotal calculo del coste; produccon(j).. sum(, (,j)*capacdad()) =g= demanda(j); restrccon(,j).. z() =g= (,j); costetotal.. coste =e= sum(, costea()*z()+costekg()*capacdad()*sum(j,(,j))); model pnturas planfcacon de la produccon / all /; solve pnturas mnmzng coste usng mp; dspla coste.l
23 Mezcla con lotes dscretos Undad 8000 Capacdad kg/da 0000 Cada undad trabaja con lotes de 000Kg Kg de materas prmas necesaras A B C Benefco / Kg Para hacer p Para hacer p Dsponbldad 6000 A B C p p Qué cantdad de p p deben producrse para maxmzar el benefco?
24 Mezcla con lotes dscretos Varables: x cantdad producda por día de p x cantdad producda por día de p max 0.6x 0.6x 0.x x entera 0.x 6000, 0 5 A B C p p x tene que tomar valores múltplos de 000 Kg, el tamaño del lote 4
25 Algortmo Branch and Bound (B&B) max 0.6x x 0 0.6x 0.x entera 0.x 6000, 5 Relajacón *=(.5, 5) J r *=800 LP 5 El problema relajado es LP su resolucón proporcona una cota superor Jr* de J*: J* 800 Ramfcacón A contnuacón se examnan las dos alternatvas posbles para, únca varable real de la solucón relajada
26 Algortmo Branch and Bound (B&B) max 0.6x x 0 0.6x 0.x x 6000, entera Relajacón Nodo nº LP *=(.5, 5) J r *=800 Ramfcacón Relajacón 6 LP Mejor solucón factble hasta el momento (ncumbente): Cota nferor de J* *=(,5) J r *=640 4 Poda No se puede segur ramfcando en el nodo. El BB termnaría s la dferenca de cotas superor e nferor fuera menor que la toleranca
27 B&B Relajacón LP *=(.5, 5) J r *= J* J* 640 Canddato No ha mas ramfcacón en este nodo al dar una solucón entera Ramfcacón *=(, 5) J r *=640 Relajacones Poda Poda *=(,4) J r *=560 Por tanto la solucón es: *=(, 5), x*=(4000, 0000) Y el benefco óptmo 640 Tamben da solucón entera, pero es nferor al nodo 7
28 Varables enteras bnaras Ha formas sencllas de hacer que una varable z tome valores enteros entre 0 n, usando solo varables bnaras, esto es, varables que solo toman valores 0, z = n n n = {0, } 8
29 Modelado con varables bnaras 9 Selecconar una alternatva solo una N Selecconar no mas de una alternatva N Selecconar al menos una alternatva N Selecconar la alternatva j solo s se ha selecconado la j 0
30 Actvacón de varables contnuas Para elmnar ó actvar la varable contnua x usando la varable bnara q varable contnua, p.e. flujo L lmte nferor U lmte superor L s s q 0 L U 0 q q 0 U q 0 0
31 Modelado con varables contnuas 0- Actvacón desactvacón de restrccones asocadas a una corrente o undad restrccones h( x) 0 g( x) 0 var ables de ho lg ura s, v hx ( ) sv 0 s v U ( ) U, lmte amplo gx ( ) U ( ) 0 s 0, v 0 s 0 h( x) g( x) no estan lmtadas s s 0, v 0, h( x) 0, g( x) 0
32 Modelado con varables contnuas 0- m correntes drgdas al msmo nodo m q j U j q 0 j,,..., m j 0 s 0, q 0 j qj U límte superor al flujo total
33 Modelado de expresones lógcas PP P P P P, P P o 0 P s solo s P uno entre P, P, P P P P 0 0 Usando estas equvalencas, puede convertrse cualquer expresón lógca a expresones en, s la expresón lógca se escrbe en su forma conjuntva normal
34 Forma normal conjuntva Q Q Q n Donde las Q son expresones de P escrtas como dsuncones Procedmento de obtencón: Reemplazar la mplcacón por su expresón equvalente P P P P Aplcar las lees de Morgan para desplazar dentro las negacones 4 ( P P ) P P ( P P ) P P Utlzar la propedad dstrbutva para dar la forma normal ( P P ) P ( P P ) ( P P )
35 Ejemplo () Paso ( P P ) P ( P P ) 4 5 ( P P ) P ( P P ) Paso ( P ) P P ( P4 P5) Paso ( P P) ( P4 P5) P ( P4 P5) P P P P P P P
36 Ejemplo () P P P P P P P Q Q Q P P P P Q P P P luego Q Q resulta ser ( P P ) P ( P P )
37 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) Se necesta producr acetona. La matera prma dsponble es el alcohol etílco (CH CH OH) el metano (CH 4 ). A contnuacón se muestran las posbles reaccones. Suponemos que el catalzador que se requere para todas las reaccones los compuestos norgáncos están dsponbles excepto para CrO O. Determnar la factbldad para la produccón de acetona a partr de estos productos. S es factble, especfcar un camno de reaccón. CH CH CH CO C COCH H CN CH NaOCH 5 / CH 5OH 5 CO C MgI H 5 H O EtO CH CH CH C COCH COCH CO C C H 5 H H O / HCl NMgI CH CH COCH 5 OH CO 7
38 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) 8 CH CH CH CH CH COH CH CCH CH CH CH CH CH CH 4 4 CHO CH CHOHCH C Mg / ErO I CH I Cl CH Cl CH CH OH O COOH C CHO O CH EtO / H O MgI CH CrO / H SO4 CH O / H O / H O CH I HI H Cl HCl CrO / Cu CH 5 OH CH MgI CH COOH CHO CO C COCH CHOHCH COCH CH COCH H O NaCN NaCl CH CN H CH 5 HCO COH H
39 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) Formulacón De todas las reaccones químcas posbles, se tene que verfcar dónde se puede sntetzar la acetona a partr de la matera prma catalzadores dados. Para llegar a la conclusón fnal utlzando programacón matemátca, lo prmero que debemos hacer es expresar todas las reaccones en la forma de lógca proposconal, utlzando los prncpales operadores: (OR), (and), (mplcacón), (negacón) I. A B C A M B D se puede expresar como A B C D A M B 9
40 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) II. Expresar estas proposcones lógcas en su forma conjuntva normal, utlzando los pasos sgtes:. Elmnar la mplcacón A B esto es equvalente A. Mover la negacón al nteror A B A B A B A B B A B C D Ejemplo A B C D A B C D A B C A B D. Dstrbur el OR sobre el AND de forma recursva A B C A C B C ( ) cláusula 40
41 4 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) III. Convertr cada cláusula por separado en desgualdades lneales. Para ello, se asgna a cada varable una varable entera (bnara). Cada negacón se susttue por -, donde es la varable correspondente. D B A C B A D B A C B A D B A C B A
42 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) CH CHO O CH COOH CH CH ( CH ( CH CHO O CHO O CHO O CHO CH CH CH ) CH COOH COOH COOH COOH ) ( O CH COOH ) CH O CH CHO COOH 0 0 4
43 Ejemplo de la produccón de acetona (Raman Grossmann, CACHE) mn s. a. A r u a n 0,, r,..., R u : varables bnaras asgnadas a los productos que se desean obtener Y r : varables bnaras asgnadas a la matera prma los catalzadores dsponbles 4 S u =, sgnfca que el producto se puede sntetzar que se dspone de matera prma
44 Ejemplo : Planteamento (Grossmann) Representacón de alternatvas para producr producto C a partr de los productos A B, a través de los Procesos I, II, III. El producto C puede ser producdo sólo a través del proceso I; los procesos I III, los procesos I II. Los procesos II III no pueden realzarse smultáneamente. B c A Proceso II B A Proceso I C B 44 A Proceso III B
45 Ejemplo : Datos Conversones: Proceso I: C = 0.9B Proceso II: B = ln( + A) Proceso III: B =.ln( + A) Capacdad máxma Proceso I: ton/h de C Proceso II: 5 ton/h de B Proceso III: 4 ton/h de B Precos A:.800 $/ton B: $/ton C:.000 $/ton Coste de Inversón Fjo (0 $/h) Varable (0 $/ton) Proceso I:.5 Proceso II: Proceso III: Demanda de C: ton/h máxmo
46 Ejemplo : Formulacón B A A Proceso II B B Proceso I C A Proceso III B Balances 46 max PR = C-.8A -.8A -7B -.5 -C B B s.a. PI: C-0.9(B +B +B ) = 0 PII: B -ln(+a ) = 0 PIII: B -.ln(+a ) = 0 B = B + B +B c B 5 B 4 c Límtes C, A, A, B, B, B >= 0,, = 0, +
47 GAMS Postve Varables a matera prma para el proceso a matera prma para el proceso b produccon de producto B en el proceso b produccon de producto B en el proceso bc cantdad de producto B que se puede adqurr en el mercado b cantdad de producto B que se consume en el proceso c capacdad de produccon del producto c en el proceso ; Bnar Varables exstenca del proceso exstenca del proceso exstenca del proceso ; Varable pr benefco total en mllones de $ por ano ; 47
48 GAMS las restrccones nout e nout se han convexfcado nout.. c =e= 0.9*b ; nout.. exp(b) - =e= a ; nout.. exp(b/.) - =e= a ; mbalb.. b =e= b + b + bp ; log.. c =l= * ; log.. b =l= 4* ; log.. b =l= 5* ; 48
49 GAMS 49.L =.000 exstenca del proceso.l = exstenca del proceso.l =.000 exstenca del proceso c.l =.000 capacdad de produccon del producto c en el proceso b.l =. cantdad de producto B que se consume en el proceso b.l = produccon de producto B en el proceso b.l =. produccon de producto B en el proceso bc.l = cantdad de producto B que se puede adqurr en el mercado a.l = matera prma para el proceso a.l =.54 matera prma para el proceso C Proceso I A Proceso III B
50 Representacón de Alternatvas: Superestructuras, Floudas 995 En una superestructura, se engloban todas las posbles estructuras alternatvas, que además, son canddatas a la solucón factble u óptma del proceso Undad Salda Entrada Undad Undad Salda 50
51 Ejemplo de produccón de amoníaco, Begler et all, 997. Recuperacón de Hdrógeno Purga N Compresor Reactor Separacón NH H 5
52 Ejemplo de produccón de amoníaco (árbol de alternatvas) reactor tubular condensacón por flash separacón por membrana no se recupera H destlacón absorcón separacón por membrana 5 reactor multlecho condensacón por flash destlacón absorcón no se recupera H no se recupera H separacón por membrana no se recupera H separacón por membrana
53 Ejemplo de produccón de amoníaco (superestructura) purga agua absorbedor reactor tubular NH agua N H flash 5 reactor multlecho condensacón por flash NH
54 Alternatva del reactor multlecho Alternatva : reactor multlecho / condensacón por flash / separacón por membrana purga N flash H 54 reactor multlecho condensacón por flash NH
55 Alternatva para el reactor tubular purga agua absorbedor NH N flash agua H reactor tubular condensacón por flash Alternatva : reactor tubular / condensacón por flash destlacón por absorcón / separacón por membrana 55 NH
56 Superestructuras L5 L9 B (98% C) L A (C, C, C) L L L6 U- L0 Representacón de todas las alternatvas posbles. Cuál es la mejor? C (97% C) U- L4 L7 L8 U- L D Varables 0- ndcan s una corrente o una undad exsten o no (99% C) 56
57 Asgnacón de tareas En un taller trabajan n personas capaces de realzar dversas tareas. Debdo a sus dferentes habldades experenca cada una tarda un tempo dferente en hacer cada una de las tareas, el cual es conocdo. Se deben realzar n de esas tareas para completar un determnado trabajo. Cómo debe asgnarse el personal para realzar el tempo total empleado? Varables personas j tareas t j tempo que la persona tarda en hacer la tarea j 57 j varable bnara, vale s a la persona se le asgna la tarea j
58 Asgnacón de tareas mn sujeto a n n x j j j n n j t j j j,..., n,...,n Tempo total empleado Cada persona tene que tener asgnada una tarea una sola Cada tarea debe haber sdo asgnada a una persona a una sola j bnara 58
59 Oleoducto P P P P P P P Centro C Centro C En que orden debo envar los productos para mnmzar costos, satsfacer restrccones (dos tpos determnados de productos no deben r juntos) satsfacer las demandas en tempo? 59
60 Reactor batch B A C Un reactor opera en forma batch en perodos de trabajo de una hora. Se almenta de un producto A que da lugar a dos reaccones paralelas A B A C pero solo el producto B tene valor comercal. Las velocdades de reaccón son: 6 k 0 exp(0000 / RT ) k B C 5*0 exp(0000 / RT ) 60 Encontrar el perfl de temperatura que maxmza la produccón fnal de B, sabendo que esta debe ser nferor en todo momento a 9 ºC
61 Optmzacón dnámca A x B B C tempo T 6 max T ( t ) x B () dxa ( k dt dxb k B x dt T ( t) 9 B A k C ) x x B A x A (0) 0 (0) A 0 k k B C 0 6 5*0 tempo h exp(0000 / RT ) exp(0000 / RT )
62 Parametrzacón de las varables de decsón A x B B C tempo T 6 max dxa ( k dt dxb k B x dt T 9 T x B () B A k C ) x x B A x A (0) 0 (0) A 0 k k B C 0 T, T, T,.T N 6 5*0 exp(0000 / RT ) exp(0000 / RT ) tempo h
63 Resolucón con smulacón max dxa ( k dt dxb k B x dt T 9 T x B () B A k ) x (0) 0 Optmzador C x B A x A (0) A 0 u(t) Proceso (t) T x B (), T -9 Smulacón desde 0 a para calcular J(u,x(t)) 6
64 Optmzacón dnámca secuencal mnj( x, u) u x ( t) f ( x( t), u( t)) (t) g(x(t),u(t) ( t) u u( t) u u(t) Optmzador Proceso (t) u J 64 w Smulacón desde 0 a para calcular J(u,x(t))
Problemas 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 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 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 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 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 detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
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 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 detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- 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
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 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 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 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 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 detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesPROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO
PROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO Concepto de equlbro físco Sstema Fase Componente Solubldad Transferenca Equlbro Composcón 2 Varables de mportanca en el equlbro de fases:
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 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 detalles4.4. La ciudad circular El Modelo de Salop
Matlde Machado para bajar las transparencas: http://www.eco.uc3m.es/~mmachado/ Economía Industral - Matlde Machado La Cudad Crcular El modelo de Salop 1 En el modelo de Hotellng habíamos supuesto que solo
Más detallesMODELOS OPERATIVOS DE GESTIÓN
Equaton Secton (Next) MODELOS OPERATIVOS DE GESTIÓN Begoña Vtorano Septembre 2009 ÍNDICE MODELOS DE PROGRAMACIÓN MATEMÁTICA PARA GESTIÓN.... Modelos característcos de programacón matemátca para gestón.....
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 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 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 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 detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA. Ingeniería Química
UIVERSIDAD ACIOAL EXPERIMETAL POLITECICA ATOIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMETO DE IGEIERÍA QUÍMICA Ingenería Químca Undad II. Balance de matera con reaccón químca Clase º6 Autor:
Más detallesFormulación y Evaluación de Proyectos
Formulacón y Evaluacón de Proyectos Académco Ttular Ingenero vl Industral Dplomado en Elaboracón y Evaluacón de Proyectos Pontfca Unversdad atólca de hle Académco Suplente Ingenero vl Industral Experto
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
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 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 detalles4º IEM Gestión de operaciones 25/06/2013 GESTIÓN DE PRODUCTOS FINANCIEROS (3.5 PUNTOS)
4º IEM Gestón de operacones GESTIÓN DE PRODUCTOS FINANCIEROS (3.5 PUNTOS) El gestor de una empresa dspone de un mllón de euros para nvertr durante un año. Analzado el mercado de productos fnanceros consdera
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 detallesCálculo de horarios en empresas de transporte público basados en la carga de pasajeros
VIII Congreso de Ingenería de Organzacón Leganés, 9 y 10 de septembre de 2004 Cálculo de horaros en empresas de transporte públco basados en la carga de pasaeros Jesús Racero Moreno, Marcos Calle Suárez,
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 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 detallesEl planteamiento de los problemas económicos financieros se desarrollan con base en los conceptos de capitalizaciones y actualizaciones.
UNIVERSIDAD MARIANO GALVEZ DE GUATEMALA FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN DIRECCIÓN GENERAL DE CENTRO UNIVERSITARIOS CAMPUS VILLA NUEVA CURSO MATEMATICA FINANCIERA Lc. Manuel de Jesús Campos Boc
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 detallesLABORATORIO DE PROCESOS Y DISEÑO I DOUGLAS CAPITULO 7 SISTEMAS DE SEPARACION
LABORATORIO DE PROCESOS Y DISEÑO I DOUGLAS CAPITULO 7 SISTEMAS DE SEPARACION 7. SISTEMAS DE SEPARACION.. Síntess de un sstema de separacón: Estructura general. Recuperacón de vapores. Separacón de líqudos.
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 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 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 detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesEquilibrio fásico. (b) El sistema heterogéneo se considera aislado.
Termodnámca del equlbro Equlbro fásco Profesor: lí Lara En el área de Ingenería Químca exsten muchos procesos ndustrales en los cuales está nvolucrado el equlbro entre fases. Una de estas operacones es
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 detallesModelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF
Modelos dnámcos de formacón de precos y colusón Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Enfoques empleados en el análss de la nteraccón repetda entre empresas: Juegos repetdos.
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 detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
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 detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesEl Modelo IS-LM. El modelo IS-LM
El Modelo IS-LM El modelo IS-LM 4. Introduccón 4.2 La demanda agregada: La funcón de nversón 4.3 Equlbro del mercado de benes: La curva IS 4.4 Equlbro del mercado de dnero: La curva LM 4.5 Equlbro de la
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 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 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 detallesUNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA. Ingeniería Química
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA Ingenería Químca Undad I. Balance de matera sn reaccón químca Clase Nº3
Más detallesOPTIMIZACIÓN. María Jesús de la Fuente Aparicio Alberto Herrreros López
OPTIMIZACIÓN María Jesús de la Fente Aparco Alberto Herrreros Lópe Optmacón Problemas de optmacón: Como tomar la mejor opcón entre aras posbles Problemas de natralea m dersa Dseño (p.e. dmensonamento de
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
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 detallesPlaneamiento de sistemas de distribución de energía eléctrica usando Branch and Bound
Planeamento de sstemas de dstrbucón de energía eléctrca usando Branch and Bound Maurco Granada Echeverr 1 Ramón Alfonso Gallego Rendón 2 Rcardo Alberto Hncapé Isaza 3 RESUMEN Este trabajo presenta un algortmo
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 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 detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Números Índices
Estadístca Descrptva y Analss de Datos con la Hoja de Cálculo Excel úmeros Índces úmeros Índces El número índce es un recurso estadístco para medr dferencas entre grupos de datos. Un número índce se puede
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 detalles3 LEYES DE DESPLAZAMIENTO
eyes de desplazamento EYES DE DESPAZAMIENTO En el capítulo dos se expone el método de obtencón de las leyes de desplazamento dseñadas por curvas de Bézer para mecansmos leva palpador según el planteamento
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesProposiciones. Proposiciones. Bloques de proposiciones. Proposición if. Verdadero o Falso. Diagrama de flujo if-else
Proposcones Proposcones Maro Medna C. maromedna@udec.cl Expresones Artmétcas (b + c) De control (f ) De asgnacón (X = Y) Llamadas a funcones (prntf( )) Termnadas por un punto y coma (;) Bloques de proposcones
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
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 detallesDESARROLLO DE MODELO DE COORDINACIÓN HIDROTÉRMICA EN EL CORTO PLAZO UTILIZANDO TÉCNICAS DE OPTIMIZACIÓN FACULTAD DE INGENIERÍA Y ARQUITECTURA
UNIVERSIDAD CENTROAMERICANA "JOSÉ SIMEÓN CAÑAS" DESARROLLO DE MODELO DE COORDINACIÓN HIDROTÉRMICA EN EL CORTO LAZO UTILIZANDO TÉCNICAS DE OTIMIZACIÓN TRABAJO DE GRADUACIÓN REARADO ARA LA FACULTAD DE INGENIERÍA
Más detallesModelo fuzzy de programación lineal entera-mixta para el cálculo de stocks objetivos
5 th nternatonal Conference on ndustral Engneerng and ndustral Management XV Congreso de ngenería de Organzacón Cartagena, 7 a 9 de Septembre de 2011 Modelo fuzzy de programacón lneal entera-mxta para
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesSe entiende por renta el cobro o el pago periódico motivado por el uso de un capital
Rentas Se entende por renta el cobro o el pago peródco motvado por el uso de un captal Desde el punto de vsta de las matemátcas fnanceras, se entende por renta una sucesón de captales dsponbles, respectvamente
Más detallesMaterial realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera
Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca
Más detalles5 Centrales Hidráulicas
Curso SmSEE IIE 2012 Cap. 5 pág 1/6 5 Centrales Hdráulcas 5.1 Centrales Hdráulcas con Embalse En el caso de centrales con embalses, tendremos que agregar restrccones adconales para mponer los límtes de
Más detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
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 detallesTEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO
Págna de 4 TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO INTRODUCCIÓN... 2 2 CLASIFICACIÓN DE LAS ACTIVIDADES PRODUCTIVAS... 4 3 FUNCIÓN DE PRODUCCIÓN... 3 4 CLASIFICACIÓN DE LOS PROCESOS
Más detallesSISTEMAS COMBINACIONALES
Tema 2 SISTEMAS COMBINACIONALES En este tema se estudarán algunas de las funcones combnaconales más utlzadas, las cuales se mplementan en chps comercales Como estas funcones son relatvamente complejas,
Más detallesINGENIERÍA DE TELECOMUNICACIÓN BLOQUE 1
INGENIERÍA DE TELECOMUNICACIÓN BLOQUE En el Aula Vrtual se encuentra dsponble: Materal nteractvo con teoría y ejerccos resueltos. Para acceder a ello deberá pulsar sobre los sguentes enlaces una vez dentro
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 detallesc = costo unitario de transportar entre el origen i a un destino j x = Cantidad transportada desde el origen i al destino j UNIDAD VI
UNIDAD VI VI. ESTRUCTURA Y SOLUCIÓN DE UN MODELO PARA EL SISTEMA DE TRANSPORTE, ASIGNACIÓN Y TRANSBORDO.. Estructura Del modelo de transporte En esta oportundad analzaremos la estructura de tres tpos de
Más detallesUNIVERSIDAD TECNOLOGICA NACIONAL - FACULTAD REGIONAL ROSARIO Departamento de Ingeniería Química. Cátedra: Integración IV
UNIVERSIDAD TECNOOGICA NACIONA - ACUTAD REGIONA ROSARIO Departamento de Ingenería Químca Cátedra: Integracón IV Tema: Smulacón de Evaporadores lash Alumnos: Damán Match, Marcos Boss y Juan M. Pgnan Profesores:
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesAnálisis de Sistemas Multiniveles de Inventario con demanda determinística
7 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 00 Análss de Sstemas Multnveles de Inventaro con demanda determnístca B. Abdul-Jalbar, J. Gutérrez, J. Scla Departamento de
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 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 detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detallesmn = cx sa Ax» b x Desde que, adconalmente, b La nclusón de las varables de olgura (para transformar las desgualdades en gualdades) sumnstran una base
CAPITULO DETERMINACION DE UNA SOLUCION BASICA FACTIBLE INICIAL Y ANALISIS DE CONVERGENCIA DEL METODO SIMPLEX Dscusón sobre una Base Factble Incal Motvacón El método smplex necesta de una SBF ncal para
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 detalles