Sistemas de ayuda a la decisión Tema 4. Modelos Gráficos Tablas y Árboles de Decisión y Diagramas de Influencia
|
|
- Inmaculada Iglesias Valverde
- hace 7 años
- Vistas:
Transcripción
1 Tema 4. Modelos Gráficos Tablas y Árboles de Decisión y Diagramas de Influencia Indice 1) Tablas de decisión: definición y construcción. 2) Tablas de decisión: evaluación y análisis. 3) Árboles de decisión: definición y construcción. 4) Árboles de decisión: evaluación y análisis. 5) Diagramas de influencia: definición y construcción. 6) Diagramas de Influencia: evaluación y análisis 7) Software.
2 Modelos Gráficos. An introduction to graphical models Kevin P. Murphy, 10 May 2001 Expert Systems and Probabilistic Network Models E. Castillo, J.M. Gutiérrez, and A.S. Hadi Springer-Verlag, 1997 Pattern Recognition and Machine Learning Christopher M. Bishop Copyright c , 8 Graphical Models Probabilistic Graphical Models Principles and Techniques Daphne Koller and Nir Friedman The MIT Press, 2010 Cambridge, Massachusetts London, England Bayesian Networks and Decision Graphs Finn V. Jensen and Thomas D. Nielsen Published by Springer Verlag 2007
3 Modelos Gráficos. Tablas de Decisión La forma más elemental de representación Ilustra de forma sencilla los conceptos básicos Orígenes en el trabajo de von Neumann y Morgenstern (1944) sobre juegos en forma normal Elementos : decisión + estado consecuencia a + θ c(a, θ) C
4 Modelos Gráficos. Tablas de Decisión Caso discreto (A y Θ discretos): Asignar creencias: Asignar preferencias: Calcular la utilidad esperada de cada alternativa a i La decisión de máxima utilidad esperada a, se propone como alternativa óptima
5 Modelos Gráficos. Tablas de Decisión Caso continuo (A y Θ continuos): Análogo, proponiéndose: utilidad esperada a tal que alternativa óptima Típicamente un problema de programación no lineal Ejemplo: desarrollo de software
6 Modelos Gráficos. Árboles de Decisión
7 Modelos Gráficos. Árboles de Decisión Tablas muy limitadas en la práctica: sólo 1 momento de elección Típicamente, problemas reales son dinámicos, con decisiones encadenadas y alternancia de la ocurrencia de distintos fenómenos aleatorios Orígenes en Raiffa y Schlaifer (1961), a partir de von Neumann y Morgenstern (1944) sobre juegos en forma extensiva Elementos :
8 Modelos Gráficos. Árboles de Decisión Esqueleto (estructura): de izquierda a derecha (transcurrir del tiempo), desde la raíz hasta nodos terminales Info cualitativa Relaciones entre los elementos y los juicios del decisor a través de probabilidades y utilidades Info cuantitativa Probabilidades condicionadas a que sucesos a su izquierda ya han ocurrido y decisiones previas se han tomado
9 Modelos Gráficos. Árboles de Decisión Árbol: conjunto de estrategias o políticas que indican planes de acción sobre qué elección se hará en cada punto de decisión que puede alcanzarse con tal plan Evaluar un árbol para identificar una estrategia óptima Método regresivo de la programación dinámica (principio de optimalidad, Bellman y Dreyfus 62): sup. hemos tomado ciertas decisiones y la naturaleza ha adoptado ciertos estados, habremos llegado a un nodo que podrá ser: terminal y le asignaremos la utilidad de la consecuencia; de azar la EU máxima, a partir de ese nodo; de decisión la EU de la decisión de máxima utilidad esperada, a partir de ese nodo Análisis del problema en forma extensiva
10 Modelos Gráficos. Árboles de Decisión Formalización: b i ramas, cada una j de un nodo i tiene un nodo sucesor n ij, probabilidad p ij (s i ), donde s i son los valores de todas las variables de los nodos predecesores de i Mejor valor asociado a cada nodo i dependerá de si: si t i = terminal si t i = decisión si t i = azar donde (s i, i j) indica que ha ocurrido s i y se transita del nodo i al j. Si i es el nodo raíz, entonces s i =
11 Modelos Gráficos. Árboles de Decisión Ejemplo: Helicóptero Ejemplo 5.2, página 180 Fundamentos de los sistemas de ayuda a la decisión, Sixto Rios et al. RAMA, 2001
12 Modelos Gráficos. Árboles de Decisión Estados de maniobrabilidad: P(e 1 ) = 0.3, P(e 2 ) = 0.4 Piloto puede cometer errores y la prueba es sólo simulada: P(ra e 1 ) = 0.9, P(ra e 2 ) = 0.65, P(ra e 3 ) = 0.15 Ejemplo: Helicóptero necesitamos P(E R) y P(R), mediante T ma. de Bayes: Coste de la prueba=600 euros
13 Modelos Gráficos. Árboles de Decisión Ejemplo: Helicóptero
14 Modelos Gráficos. Árboles de Decisión Incertidumbre asociada con la estrategia óptima o con otra de interés Ejemplo: Helicóptero Toma los valores 0, 0.25, 0.43 y 0.85 con Ps (= ), 0.425, (= ) y (= ), respect.
15 Modelos Gráficos. Árboles de Decisión Herramientas matemáticamente equivalentes Tabla Árbol Árbol Tabla: hay que enumerar las posibles estrategias y calcular la distribución conjunta (preproceso con cálculos no locales) Ejemplo helicóptero : Probabilidades: P(R,E) = P(R E)P(E) = P(E R)P(R) Estrategias: A 1 = hacer la prueba; A 2 = no hacerla Si se hace: a1(ra) = c ; a1(rn) = c a2(ra) = c ; a2(rn) = c a3(ra) = c ; a3(rn) = c a4(ra) = c ; a4(rn) = c
16 Modelos Gráficos. Árboles de Decisión Ejemplo: Helicóptero Análisis del problema en forma normal Contiene las EU de todas las estrategias, no sólo de la óptima Árbol: Tabla:
17 Modelos Gráficos. Árboles de Decisión Expresivos, intuitivos: caminos completos No separa la información cualitativa y cuantitativa Crecimiento exponencial requisitos computacionales también (el algoritmo enumera al atravesar todos los caminos) Árboles esquemáticos (generalización)
18 Modelos Gráficos. Árboles de Decisión Simétrico: todos escenarios con mismas variables y en la misma Secuencia Helicóptero: 2 asimetrías: resultados de la prueba sólo si se realiza ésta; estado del helicóptero sólo se revelará si se compra Puede tratar problemas asimétricos Menor carga computacional y fácil interpretacion
19 Modelos Gráficos. Árboles de Decisión Representación deficiente de relaciones probabilísticas (ad hoc) Preproceso de probabilidades para la representación (el problema de los 2 árboles) Cálculos con la distribución conjunta
20 Modelos Gráficos. Árboles de Decisión Coalescencia (replicación de subárboles) se detecta ad hoc Restricciones información explícitas, pero requiere orden total (no siempre especificado)
21 Modelos Gráficos. Árboles de Decisión Coalescencia depende de cómo se complete el orden
22 Modelos Gráficos. Árboles de Decisión Puede tratar utilidad separable, con cálculos locales Ejemplo: Helicóptero
23 Modelos Gráficos. Diagramas de influencia
24 Modelos Gráficos. Diagramas de influencia Concebidos inicialmente como método de representación más compacta [Miller et al. (1976), Howard y Matheson (1983, reeditado en 2005)] En 80: algoritmos de evaluación de DI funcionando sobre el propio diagrama [Olmsted (1983), Shachter (1986)] Elementos : DI es un grafo dirigido G = (N,A) Arcos condicionales: dependencias probabilisticas y funcionales, Arcos informativos: precedencia temporal, informacion disponible por etapas
25 Modelos Gráficos. Diagramas de influencia Con sólo nodos de azar: Subyacente distribución conjunta de todas las v.a. arcos representan un orden de asignación de las Probabilidades Condicionadas (pueden invertirse) a) Independencia total b) Independencia parcial c) Dependencia completa d) Independencia condicional (de A y C, dado B) Ciclos no permitidos
26 Modelos Gráficos. Diagramas de influencia Con todo tipo de nodos: En d), el decisor está mejor informado que en c) en el momento de la decisión EU a la del caso c) En e), la v.a. no tiene efecto sobre v puede considerarse irrelevante respecto a la decisión Ciclos decisión/decisión o decisión/azar tampoco permitidos No pueden invertirse arcos desde/hacia decisiones
27 Modelos Gráficos. Diagramas de influencia Uso de : DI orientado: con un nodo de valor DI regular: 1. es acíclico 2. el nodo de valor (si existe) no tiene sucesores 3. un camino dirigido que contiene todos los nodos de decisión Propiedad 3 equivale a requerir un orden total de las decisiones requiere la memorización del DI: Si D1 precede a D2 en un DI regular, {D1} I(D1) I(D2)
28 Modelos Gráficos. Diagramas de influencia En cada nodo i del DI, un conjunto Ω i, una variable X i, y una aplicación i de azar: X i es v.a. con espacio muestral Ω i ; se define π i (x i x C(i) ) = P(X i = x i X C(i) = x C(i) ) (CPT) i de valor: U : Ω C(i) i (utilidad; luego EU) i de decisión: Xi es la decisión y Ω i es el conjunto de alternativas. su aplicación asociada: d i : Ω I(i) Ω i (las alternativas óptimas, dado el estado de información del decisor en el momento de tomar la decisión) será salida del algoritmo Las aplicaciones π i y U son entrada del algoritmo de evaluación y luego se irán redefiniendo al avanzar éste Luego, DI es DAG G = (N,A) y también esta info cuantitativa
29 Modelos Gráficos. Diagramas de influencia Ejemplo: Helicóptero
30 Modelos Gráficos. Diagramas de influencia Evaluación mediante el algoritmo de inversión de arcos Esencialmente misma idea que en árboles, pero se aprovecha la estructura gráfica para obtener ventajas computacionales Transformaciones: gráficas y numéricas El algoritmo combina ideas de programación dinámica y fórmula de Bayes Eliminación de sumideros: Se puede borrar un nodo sumidero de un DI orientado y regular [Independientemente de su valor, ningún otro nodo se ve afectado]
31 Modelos Gráficos. Diagramas de influencia Eliminación de nodo de azar : Si X C(v) y es su único sucesor en un DI regular y orientado, puede eliminarse por esperanza condicionada, heredando v los predecesores de X
32 Modelos Gráficos. Diagramas de influencia Eliminación de nodo de decisión: Si en un DI regular y orientado no hay sumideros, D C(v) tal que C(v)\{D} I(D), puede eliminarse maximizando la utilidad esperada (condicionada), registrándose la mejor decisión. v no hereda los predecesores de D, pudiendo aparecer nuevos sumideros
33 Modelos Gráficos. Diagramas de influencia Inversión de arcos entre nodos de azar: Dado el arco (X, Y ), si otro camino dirigido entre X e Y en un DI regular, puede sustituirse por el arco (Y,X) mediante la aplicación del T ma. Bayes, con herencia mutua de predecesores
34 Modelos Gráficos. Diagramas de influencia Combinamos las transformaciones [Olmsted (1983), Shachter (1986)] Existencia de nodo de azar eliminable: Si no hay sumideros y se han añadido los arcos de memoria, y si v tiene predecesores pero no puede eliminarse ningún nodo de decisión existe un nodo de azar C(v) pero no es predecesor informativo de ningún nodo de decisión, y puede eliminarse, tal vez tras inversión de arcos Eliminará todos los nodos hasta que sólo permanezca el de valor En ese momento se tendrán las decisiones óptimas (en cada nodo de decisión) y la máxima utilidad esperada (en v)
35 Modelos Gráficos. Diagramas de influencia 1. Verificar que el DI es regular, orientado, y añadir arcos de memoria 2. Eliminar sumideros 3. Mientras C(v), Si i C C(v): S(i) = {v}, eliminar nodo de azar i si no, si i D C(v): C(v)\{i} I(i), eliminar nodo de decisión i eliminar sumideros creados si no, encontrar i C C(v): D S(i) = mientras C S(i) encontrar j C S(i): otro camino de i a j invertir (i, j) eliminar nodo de azar i
36 Modelos Gráficos. Diagramas de influencia Ejemplo: Helicóptero Invertir (E,R):
37 Modelos Gráficos. Diagramas de influencia Ejemplo: Helicóptero Eliminar E:
38 Modelos Gráficos. Diagramas de influencia Ejemplo: Helicóptero Eliminar C,R, P:
39 Modelos Gráficos. Diagramas de influencia Evaluación mediante el algoritmo de eliminación de variables 2 conjuntos de potenciales: P (probabilidades) y U (utilidades) P X = {p P X dom(p)}, U X = {u U X dom(u)} 1. Escoger un orden de eliminación de variables, respetando el orden dado entre las decisiones 2. Eliminar X: a) X de azar: b) X de decisión: 3. Modificar los conjuntos de potenciales:
40 Modelos Gráficos. Diagramas de influencia Compacidad: cada variable añadida al problema expande su tamaño linealmente Algoritmo de reducción de nodos más que de enumeración de los caminos posibles Separa la información cualitativa y cuantitativa Representación eficiente de relaciones probabilísticas: Relaciones probabilísticas explícitas Representación directa de probabilidades (no hay problema de los 2 árboles) Sólo probabilidades condicionadas (sí en modelos causales); si no, preproceso
41 Modelos Gráficos. Diagramas de influencia Computación local y aprovechamiento de la independencia condicional (i.c.): Todas las transformaciones se basan en la i.c., explícita en el diagrama (base de la coalescencia) cálculos, tiempo de ejecución y requisitos de memoria Computación local para calcular las condicionadas deseadas en la evaluación (T ma. Bayes usando sólo variables necesarias) Orden parcial de restricciones info: representado directamente en los arcos informativos (árboles requerían orden completo) Dependencia del orden de eliminación de nodos: influye en esfuerzo computacional ) heurísticas para encontrar buenas secuencias: Kong, genético nuestro...
42 Modelos Gráficos. Diagramas de influencia Dificultad para modelizar asimetrías Simetrizar: aumento del tamaño del problema (con estados artificiales), menos intuitivos y más carga computacional Helicóptero: añadir arco (P,R), añadir r para R, utilidades iguales cuando el estado es c: U(hacer, c, e i ) = 0.25 y U(no hacer, c, e i ) = 0.26, i Otros modelos: DI asimétricos [Smith, Holtzman y Matheson 93]; d. decisión secuenciales [Covaliu y Oliver 95]; unconstrained DI [Jensen y Vomlelová 02]... Utilidad separable: DI varios nodos de valor [Tatman y Shachter 90] Variables continuas: DI gaussianos [Shachter y Kenley 89], simulación [Bielza, Müller y Ríos Insua 99]..., discretización,...
43 Modelos Gráficos. Diagramas de influencia Diagramas de Influencia versus Árboles de Decisión DIAGRAMAS ÁRBOLES 1. palabra clave independencia escenario condicional 2. compacidad sí no (explosión combinatoria) 3. represent. probabilidades directa con preproceso (condicionadas) (problema dos árboles) 4. relaciones probabilísticas explícitas no (se detectan ad hoc) 5. modelización no sí de asimetrías 6. algoritmo reducción nodos enumeración caminos 7. computación local sí no para condicionadas 8. I.C. sí no
44 Modelos de Problemas de Decisión Sixto Ríos, 1995, Alianza Universidad, AU822 A: Fenómeno o sistema real MODELIZACIÓN C: Modelo empiríco D: Conceptualización Nueva modelización NO K: Validación SI L: Descripción, Predicción Exploración, Decisión, I: Relaciones empíricas H: Desconceptualización e interpretación E: Modelo matemático G: Relaciones matemáticas F: Proceso lógico-deductivo
Investigación Operativa
Investigación Operativa Unidad: Teoría de decisiones y modelos de programación lineal Docente: Johnny. Pacheco Contreras Unidad Teoría de decisiones y modelos de programación lineal. Logro Al finalizar
Más detallesSistemas de ayuda a la decisión Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico
Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico Indice 1) Motivavión, Identificación y Estructuración del problema 2) Análisis Paramétrico: Medidas basadas en distancias de umbral
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA
ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesCURSO: TOMA DE DECISIONES BAJO RIESGO
MANAGEMENT CONSULTORES CURSO: TOMA DE DECISIONES BAJO RIESGO Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: mgm_consultas@mgmconsultores.com.ar
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesde Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
Más detallesSISTEMAS DE APOYO A LA TOMA DE DECISIONES : DSS y EIS
IIC3712 GESTIÓN de las TEC. de INFORMACIÓN SISTEMAS DE APOYO A LA TOMA DE DECISIONES : DSS y EIS Ignacio Casas R. Escuela de Ingeniería Pontificia Universidad Católica de Chile Mayo, 2002 Qué es la Toma
Más detallesPROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesÁrboles. Un grafo no dirigido es un árbol si y sólo si existe una ruta unica simple entre cualquiera dos de sus vértices.
ÁRBOLES Árboles Un grafo conectado que no contiene circuitos simples. Utilizados desde 1857, por el matemático Ingles Arthur Cayley para contar ciertos tipos de componentes químicos. Un árbol es un grafo
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesTeoría de probabilidades
Modelos Probabilistas Teoría de probabilidades Teoría de probabilidades Definiremos como probabilidad a priori (P(a)) asociada a una proposición como el grado de creencia en ella a falta de otra información
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesTeoría de la Decisión: Decisión con incertidumbre y riesgo. Begoña Vitoriano Villanueva
Teoría de la Decisión: Decisión con incertidumbre y riesgo Begoña Vitoriano Villanueva Teoría de la decisión: Introducción Decisión: elegir lo mejor entre lo posible Definir lo mejor y lo posible Lo mejor:
Más detallesTema 2 Juegos: marco teórico general
Tema 2 Juegos: marco teórico general Microeconomía Avanzada II Iñigo Iturbe-Ormaeche U. de Alicante 2008-09 4. Estrategias mixtas 1. Introducción y ejemplos 2. Forma extensiva 3. Forma estratégica El dilema
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesUNLPam - Fac. Cs. Econ. y Jur.
Bibliografía Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración. Grupo Editorial Iberoamérica. Eppen, Gould, Schmidt, Moore, Weatherford; Investigación de Operaciones
Más detallesValor esperado: ejemplo
Simulación de Negocios Internacionales Teoría de la Decisión Valor esperado: ejemplo. International Negotiation CARLOS MARIO CALDERÓN OSSA INGENIERO DE SISTEMAS. ESPECIALISTA EN MERCADEO ESPECIALISTA GERENCIA
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesAño Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS
Año Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS Investigación de operaciones I UNIDAD Unidad I: Programación lineal Conjuntos convexos, propiedades. Solución gráfica del problema bidimensional
Más detallesTEMA 5: INTERPOLACION NUMERICA
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 5: INTERPOLACION NUMERICA 1 EL PROBLEMA GENERAL DE INTER- POLACION En ocasiones se plantea el problema de que se conoce una tabla de valores de una
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesFlujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
Más detallesModelos de Inventarios
Modelos de Inventarios 1. Qué significa PERT? Program Evaluation Review Technique Técnica de Revisión de Evaluación de Programa 2. Qué significa las siglas C.E.P Cantidad Económica de Pedidos 3. Para qué
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesIntroducción. 1. Algebra de sucesos. PROBABILIDAD Tema 2.1: Fundamentos de Probabilidad Primeras deniciones. M. Iniesta Universidad de Murcia
PROBABILIDAD Tema 2.1: Fundamentos de Probabilidad Introducción Jacob Berooulli (1654-1705), Abraham de Moivre (1667-1754), el reverendo Thomas Bayes (1702-1761) y Joseph Lagrange (1736-1813) desarrollaron
Más detallesCRITERIOS DE EVALUACIÓN ESTÁNDARES DE APRENDIZAJE EVALUABLES
Matemáticas hasta 6º de Primaria CONTENIDOS Bloque 5. Estadística y probabilidad CRITERIOS DE EVALUACIÓN ESTÁNDARES DE APRENDIZAJE EVALUABLES Gráficos y parámetros estadísticos. Recogida y clasificación
Más detallesT7. PROGRAMACIÓN LINEAL
T7. PROGRAMACIÓN LINEAL MATEMÁTICAS PARA 4º ESO MATH GRADE 10 (=1º BACHILLERATO EN ATLANTIC CANADA) CURRÍCULUM MATEMÁTICAS NOVA SCOTIA ATLANTIC CANADA TRADUCCIÓN: MAURICIO CONTRERAS PROGRAMACIÓN LINEAL
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 2 Probabilidad condicional e independencia Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Distinguir los eventos condicionales de los eventos independientes.
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
Más detallesUNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: OPTIMIZACIÓN 1 SEMESTRE: VII 2 CODIGO: 602704 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE AROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1) 10 INTENSIDAD
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesTema I. Introducción. Ciro el Grande ( A.C.)
1.1. La ciencia de la estadística:. El origen de la estadística:. Ciencia descriptiva. Evaluación de juegos de azar Ciro el Grande (560-530 A.C.) Si tengo 1 As y 2 reyes, que descarte es mas conveniente
Más detallesRedes Semánticas. IIMAS Inteligencia Artificial. Alumno: Vicente Iván Sánchez Carmona Profesora: Dr. Ana Lilia Laureano
Redes Semánticas IIMAS Inteligencia Artificial Alumno: Vicente Iván Sánchez Carmona Profesora: Dr. Ana Lilia Laureano Representación del conocimento El problema de cómo almacenar el conocimiento a ser
Más detallesCONTENIDO PROGRAMÁTICO
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2015/09/30 Revisión No. 2 AC-GA-F-8 Página 1 de 5 ESTADÍSTICA II CÓDIGO 160012 PROGRAMA ECONOMÍA ÁREA DE FORMACIÓN CIENCIAS BÁSICAS SEMESTRE TERCERO PRERREQUISITOS
Más detallesUNIDAD 7: SISTEMAS DE ECUACIONES. CONTENIDOS
UNIDAD 7: SISTEMAS DE ECUACIONES. * Ecuaciones lineales con dos incógnitas. * Sistemas de 2 ecuaciones con 2 incógnitas. Resolución gráfica y analítica. * Sistemas equivalentes. * Tipos de sistemas de
Más detallesTeoría de Juegos Modelos Extensivos. Agosto 2016
Teoría de Juegos Modelos Extensivos Agosto 2016 Índice 2. Modelos Extensivos 2.1. Elementos que considera el modelo: alternancia, azar e información 2.2. Definición de juego extensivo 2.3. Definición de
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesProgramación Lineal. Modelo de Redes. Alcance de las aplicaciones. Curso: Investigación de Operaciones Ing. Javier Villatoro
Programación Lineal Modelo de Redes Alcance de las aplicaciones Curso: Investigación de Operaciones Ing. Javier Villatoro ALCANCE DE LAS APLICACONES DE REDES ALCANCE DE LAS APLICACIONES Muchas situaciones
Más detallesConceptos básicos de procesos ambientales y químicos
Conceptos básicos de procesos ambientales y químicos Apellidos, nombre Departamento Centro Torregrosa López, Juan Ignacio (jitorreg@iqn.upv.es) Ingeniería Química y Nuclear Universitat Politècnica de València
Más detallesALGORITMO MINIMAX. o Nodo: Representa una situación del juego. o Sucesores de un nodo: Situaciones del juego a las que se
ALGORITMO MINIMAX Algoritmo de decisión para minimizar la pérdida máxima aplicada en juegos de adversarios Información completa (cada jugador conoce el estado del otro) Elección del mejor movimiento para
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAE13001731 HORAS TEORÍA : 3 SEMESTRE : QUINTO HORAS PRÁCTICA : 1 REQUISITOS
Más detallesPROGRAMA DE LA MATERIA: Investigación Operativa Módulos semanales 3 Días de dictado: L M M J V S 3
1 Técnico Superior en Análisis de Sistemas Plan 2003 Res: 6175/03 PROGRAMA DE LA MATERIA: Investigación Operativa 11318 Area: SISTEMAS Equipo Docente Silvio Hugo Solari Módulos semanales 3 Días de dictado:
Más detallesTEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS
HOJA INFORMATIVA A.5.2.33 TEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS Publicado en el B.O.E. de 21 de Septiembre de 1.993 MARZO 1998 MATEMÁTICAS 1. Números naturales. Sistemas de numeración.
Más detallesLa teoría de coalescencia
La teoría de coalescencia Proceso estocástico Es un linaje de alelos proyectado hacia el pasado (su ancestro común mas reciente) Aproximación básica usando el modelo de Wright-Fisher Modelo probabilístico
Más detalles11.4 REALIZAR EL ANÁLISIS CUANTITATIVO DE RIESGOS
11.4 REALIZAR EL ANÁLISIS CUANTITATIVO DE RIESGOS Dante Guerrero-Chanduví Piura, 2015 FACULTAD DE INGENIERÍA Área departamental de Ingeniería Industrial y de Sistemas 11.4 REALIZAR EL ANÁLISIS CUANTITATIVO
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA I. DATOS GENERALES Unidad Académica: Departamento de Suelos Programa Educativo: Ingeniería en Recursos Naturales Renovables Nivel educativo: Licenciatura Eje curricular: Ingeniería
Más detallesNOMBRE DEL CURSO: Excel 2010 Intermedio
NOMBRE DEL CURSO: Excel 2010 Intermedio DURACION: 15 Horas MODALIDAD: Presencial TITULACION: Al finalizar el curso el alumno recibirá un Diploma o Certificado de Aprovechamiento. AREA FORMATIVA: Informática
Más detallesAlgoritmos. Diagramas de Flujo. Informática IV. L. S. C. Heriberto Sánchez Costeira
Informática IV Algoritmos Diagramas de Flujo L. S. C. Heriberto Sánchez Costeira Algoritmos 1 Definición Es una serie finita de pasos o instrucciones que deben seguirse para resolver un problema. Es un
Más detallesMatemáticas II, 2º Bachillerato CT. LOMCE. MATEMÁTICAS II, 2º Bachillerato Científico-Técnico. 1. Procesos, métodos y actitudes
MATEMÁTICAS II, 2º Bachillerato Científico-Técnico 1. Procesos, métodos y actitudes Analizar y comprender el enunciado a resolver o demostrar (datos, relaciones entre los datos, condiciones, hipótesis,
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesLas Matemáticas en el Bachillerato
Las Matemáticas en el Bachillerato 1. Horas lectivas de Matemáticas 2. Contenidos según el DOGV 3. Algunas matizaciones sobre los contenidos 4. Algunos problemas que afectan al aprendizaje 5. Posibles
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA PARA CIENCIAS ECONÓMICO ADMINISTRATIVAS FECHA DE ELABORACIÓN: ENERO
Más detallesESTADISTICA DESCRIPTIVA Y PROBABILIDAD
ESTADISTICA DESCRIPTIVA Y PROBABILIDAD CODIGO 213543 (COMPUTACION) 223543 (SISTEMAS) 253443 (CONTADURIA) 263443( ADMINISTRACION) 273443 (GRH) HORAS TEORICAS HORAS PRACTICAS UNIDADES CREDITO SEMESTRE PRE
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesBúsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución.
BÚSQUEDA HEURÍSTICA estudio de los métodos y reglas del descubrimiento y la invención. Búsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución. Situaciones
Más detallesAgradecimientos. Nota de los autores. 1 Problemas, algoritmos y programas 1
Prologo Agradecimientos Nota de los autores Índice general I III V VII 1 Problemas, algoritmos y programas 1 1.1 Programas y la actividad de la programación.................... 4 1.2 Lenguajes y modelos
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesTitulación(es) Titulación Centro Curso Periodo Grado de Economía FACULTAT D'ECONOMIA 4 Primer cuatrimestre
FICHA IDENTIFICATIVA Datos de la Asignatura Código 36136 Nombre Matemáticas para los Modelos Dinámicos Ciclo Grado Créditos ECTS 6.0 Curso académico 2015-2016 Titulación(es) Titulación Centro Curso Periodo
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detalles(d) Puede haber estrategias que funcionan mejor que Minimax si el contrincante es
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesNOMBRE DE LA ASIGNATURA: MÉTODOS CUANTITATIVOS PARA ADMINISTRACIÓN. ESCUELA: DEPARTAMENTO: ADMINISTRACIÓN
CODIGO: 092-4883 HORAS SEMANALES 4 HORAS TEORICAS: 2 UNIVERSIDAD DE ORIENTE COMISIÓN CENTRAL DE CURRÍCULA PROGRAMA DE ASIGNATURA NOMBRE DE LA ASIGNATURA: MÉTODOS CUANTITATIVOS PARA ADMINISTRACIÓN. ESCUELA:
Más detalles4º E.S.O. Matemáticas A
4º E.S.O. Matemáticas A Objetivos 1. Incorporar, al lenguaje y formas habituales de argumentación, las distintas formas de expresión matemática (numérica, algebraica, de funciones, geométrica...), con
Más detalles6. Diagramas de flujo.
Ingeniería de Control I Tema 6 Diagramas de flujo 1 6. Diagramas de flujo. Representación en DF Simplificaciones Fórmula de Mason Formas de Kalman Sistemas MIMO Diagramas de Flujo 2 1 Bibliografía Señales
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesAnálisis de. Análisis de. Decisiones:
Análisis de : Tablas de Pagos y Árboles de Decisión Fragoso Iñiguez I Marisol Salazar Rosales Leandro Julián Noviembre, 06 Tablas de Pagos Una situación de decisión en condiciones de incertidumbre puede
Más detallesCENTRO UNIVERSITARIO UTEG DIRECCIÓN ACADÉMICA
Objetivo general de la materia/asignatura El alumno se familiarizará con: a) La simbología, b) Los conceptos, c) y el lenguaje utilizado en la estadística, apreciará la importancia que tiene la probabilidad
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesInteligencia Artificial
Inteligencia Artificial Tema 2 Búsquedas Ivan Olmos Pineda Contenido Estructura General de un PSA Formulación de un PSA Algoritmos de Búsqueda de Soluciones Aplicaciones BUAP Inteligencia Artificial 2
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesProbabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro
Probabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro La probabilidad nos proporciona un modelo teórico para la generación de los datos experimentales Medidas de la Posibilidad
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesEste documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción.
DIAGRAMA MATRICIAL 1.- INTRODUCCIÓN Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. Muestra su potencial, como herramienta indispensable para la planificación
Más detalles