Optimización Robusta de Planes de Extracción Minera
|
|
- Andrea Olivera Miguélez
- hace 6 años
- Vistas:
Transcripción
1 Optimización Robusta de Planes de Extracción Minera Juan Pablo Vielma University of Pittsburgh Trabajo conjunto con Daniel Espinoza, Guido Lagos y Eduardo Moreno Universidad de Antofagasta, 2011 Antofagasta, Chile
2 Introducción Modelo Programación Entera Estocástica Medidas de Riesgo Experimentos Computacionales Conclusiones 2/27
3 Introducción Modelo de Bloque Mina de Rajo Abierto 3/27
4 Introducción Paso 1: Que bloques extraer? 4/27
5 Introducción Paso 2: Cuales Bloques Proceso? 5/27
6 Introducción Programa entero: extraer y Procesar x i = 1 si el bloque i es extraido 0 si no p i x i i p i = 1 si el bloque i es procesado 0 si no 6/27
7 Introducción Extraer = Reglas de Precedencia x i x j j P i 7/27
8 Introducción Formulación 0-1 λ i Ley del bloque max (A i λ i B i )p i +E i x i p i x i i {1,...,n} n n x i x j D i x i D 0 F i p i F 0 i P j Capacidad de Extracción Capacidad de Procesamiento x i,p i {0,1} i {1,...,n} 8/27
9 Programación Entera Estocástica Que pasa con ley incierta? cástica ción finta uniforme: k escenarios das con simulación condicional 9/27
10 Programación Entera Estocástica Simulacion Condicional v/s Kriging Kriging Simulación Condicional 10/27
11 Programación Entera Estocástica Kriging = Tomar el Promedio Múltiples Modelos Modelo Promedio Optimización Plan de Extracción 11/27
12 Programación Entera Estocástica Podemos Evaluar Escenarios Múltiples Modelos Optimización Múltiples Planes Mejor Plan 12/27
13 Programación Entera Estocástica Programación Estocástica Múltiples Modelos Optimización Plan de Extracción 13/27
14 Programación Entera Estocástica Ley es un vector aleatorio Ley Estocástica Distribución finta uniforme: k escenarios Obtenidas con simulación condicional λ U λ j } k j=1 P( λ = λ j )= 1 k j {1,...,k} P λ1 = λ j 1... λ = λ j = 1 k j {1,...,k} 14/27
15 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p i p P {0,1} p i x i i {1,...,n} 15/27
16 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p i p P {0,1} p i x i i {1,...,n} Etapa 2 15/27
17 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p i p P {0,1} p i x i i {1,...,n} Etapa 1 Etapa 2 15/27
18 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p i p P {0,1} p i x i i {1,...,n} Etapa 1 Etapa 2 p 15/27
19 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p i p P {0,1} p i x i i {1,...,n} p p λ Etapa 1 Etapa 2 15/27
20 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p i p P {0,1} p i x i i {1,...,n} p p λ Etapa 1 Etapa 2 p j j {1,...,k} 15/27
21 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p j i p j P {0,1} p j i x i i {1,...,n} p p λ Etapa 1 Etapa 2 p j j {1,...,k} j {1,...,k} 15/27
22 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p j i p j P {0,1} p j i x i i {1,...,n} j {1,...,k} Etapa 1 Etapa 2 15/27
23 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p j i p j P {0,1} p j i x i i {1,...,n} j {1,...,k} Etapa 1 Etapa 2 λ i p j i 15/27
24 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p j i p j P {0,1} p j i x i i {1,...,n} j {1,...,k} Etapa 1 Etapa 2 λ i p j i E λ i p j i 15/27
25 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + x X {0,1} λ i p j i p j P {0,1} p j i x i i {1,...,n} j {1,...,k} Etapa 1 Etapa 2 λ i p j i E λ i p j i 1 k k j=1 λ j i pj i 15/27
26 Programación Entera Estocástica Programa estocástico de 2 etapas max z(x,p):= E i x i + 1 k k j=1 λ j i pj i x X {0,1} p j P {0,1} p j i x i i {1,...,n} j {1,...,k} Etapa 1 Etapa 2 λ i p j i E λ i p j i 1 k k j=1 λ j i pj i 15/27
27 Medidas de Riesgo Esperanza sin control de riesgo? z(x,p) U {z j (x,p)} k j=1 16/27
28 Medidas de Riesgo Esperanza sin control de riesgo? z(x,p) U {z j (x,p)} k j=1 z(x A,p A ) z(x B,p B ) 50% 33% 17% % 16/27
29 Medidas de Riesgo Medidas de Riesgo 1 z U {z j } k j=1 k E( z)= 1 k j=1 z j k min z j = z (1) z (2)... z (k) = max k j=1 j=1 z j VaR j k( z)= z (j) j CVaR j k(z)= 1 j z (i) 17/27
30 Medidas de Riesgo VaR ε ( z)=sup{t : P( z t) 1 ε} 18/27
31 Medidas de Riesgo CVaR ε (z)=e z z VaR (z) 19/27
32 Medidas de Riesgo Medidas de Riesgo 2 E( z)= 1 k k j=1 z j, k min z j = z (1) z (2)... z (k) = max k j=1 j=1 z j VaR j k( z)= z (j) CVaR j k(z)= 1 j j z (i) MCH (z)=(1 )E( z)+ k min j=1 z j (1 )CVaR 1 ( z)+cvar 1 ( z) k 20/27
33 Medidas de Riesgo CVaR y MCH: Optimización Robusta 21/27
34 Experimentos Computacionales Experimentos Computacionales Minas de y bloques 50, 100 y 1,000 escenarios Experimento 1: Una etapa Efecto de diferentes medidas de riesgo Efecto de uso restringido de escenarios Experimento 2: Efecto de usar dos etapas Problemas Resueltos con CPLEX 12 22/27
35 Experimentos Computacionales bloques y 100 escenarios Profits histogram using in sample ore grades Histogram (probability) Max E profit VaR ε = 10% CVaR ε = 10% MCH ε = 10% Max worst profit Profit 23/27
36 Experimentos Computacionales Si evaluamos con 1000 escenarios? Profits histogram using full sample ore grades Histogram (probability) Max E profit VaR ε = 10% CVaR ε = 10% MCH ε = 10% Max worst profit Profit 24/27
37 Experimentos Computacionales CVaR: 2728 bloques y 50 escenarios 25/27
38 Experimentos Computacionales CVaR: 2728 bloques y 50 escenarios 1 etapa 2 etapas 70.00% 52.50% 35.00% 17.50% [-500,100] [100,780] [780,2000] [2000,4000] 0% 25/27
39 Conclusiones Conclusiones Medidas de Riesgo: Diferentes comportamientos Sensible al uso restringido de escenarios Ley de corte variable ayuda. Problemas reales: no basta CPLEX: Chicoisne, Espinoza, Goycoolea, Moreno y Rubio (2010),Bienstock y Zuckerberg (2011) 26/27
Modelos, Simulación, y Optimización
Modelos, Simulación, y Optimización Aplicaciones en la industria, logística, y operaciones de negocios. Como ahorrar costos, reducir riesgos y obtener el máximo retorno de las inversiones Agenda Que es
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA MATEMÁTICA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA MATEMÁTICA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL ESTUDIO DE MÉTODOS DE OPTIMIZACIÓN ROBUSTA PARA EL PROBLEMA DE
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA MATEMÁTICA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA MATEMÁTICA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL ESTUDIO DE MÉTODOS DE OPTIMIZACIÓN ROBUSTA PARA EL PROBLEMA DE
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 detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesIntroducción al @RISK 5.7
Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»
Más detallesDesarrollos recientes en el campo de la estimacion de recursos mineros
Desarrollos recientes en el campo de la estimacion de recursos mineros Sociedad Geologica del Peru 10 Febrero 2015, Lima Ing. Daniel Guibal, FAusIMM (CP) Corporate Consultant SRK Consulting Daniel Guibal
Más detallesPolinomios y Estadística
Funciones polinomiales Universidad de Concepción, Chile Departamento de Geofísica Programación Científica con Software libre Primavera, 2011 Universidad de Concepción Contenidos Funciones polinomiales
Más detallesIntroducción. Alfonso Cubillos. Programa de Ing. Mecánica Universidad de Ibagué. Aplicaciones computacionales de la Mecánica de Materiales
Programa de Ing. Mecánica Universidad de Ibagué Aplicaciones computacionales de la Mecánica de Materiales Agosto 2007 Cuál es la definición de Mecánica? Cuál es la definición de Mecánica? La mecánica es
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detalles2. Programación Dinámica Estocástica con Histograma.
SimSEE Operación óptima de sistemas dinámicos con Aversión al Riesgo. Primer versión: Ruben Chaer. Montevideo Julio 2012. IIE-FING-UDELAR. Proyecto ANII- FSE-18-2009. Revisión y mejoras: Pablo Soubes:
Más detallesCONTENIDOS MÍNIMOS BLOQUE III: ÁLGEBRA
CONTENIDOS MÍNIMOS BLOQUE III: ÁLGEBRA Interpolación de términos en una sucesión. Cálculo del término general de sucesiones muy sencillas. Distinción entre progresiones aritméticas y geométricas. Interpolación
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 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 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 detallesInventarios.
Inventarios http://humberto-r-alvarez-a.webs.com Inventarios Los inventarios tienen una gran importancia siempre y cuando estos añadan valor a los procesos. La existencia de los inventarios añade valor
Más detallesDeterminación de recursos humanos necesarios para la mantención de equipos mineros
2 Determinación de recursos humanos necesarios para la mantención de equipos mineros Mina Rajo Andina 244 Presentación de Resultados Finales Primer desayuno de clientes DICTUC 12 de julio de 2013 3 SIMULA
Más detallesDIPLOMADO. Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N.
DIPLOMADO Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N. Trabajo Final Propuesta Metodológica del área de Ciencias
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesSimulación como Herramienta de análisis en Planificación Estratégica.
Simulación como Herramienta de análisis en Planificación Estratégica. Plan Simulación Que sabemos de simular Que variables simular Planificación Determinación de metas y objetivos de largo plazo Cursos
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
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 detallesANÁLISIS BAJO INCERTIDUMBRE DE LA ESTABILIDAD DE LA DEUDA PÚBLICA EN GUATEMALA
ANÁLISIS BAJO INCERTIDUMBRE DE LA ESTABILIDAD DE LA DEUDA PÚBLICA EN GUATEMALA MAYO DE 2014 Contenido Hechos estilizados Modelo Mendoza-Oviedo Modelo García-Rigobon Conclusiones PRODUCTO INTERNO BRUTO
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesJesús Getán y Eva Boj. Marzo de 2014
Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj 1 / 18 Jesús Getán y Eva Boj 2 / 18 Un Programa lineal consta de: Función objetivo. Modeliza
Más detallesANALISIS DE FRECUENCIA
ANALISIS DE FRECUENCIA HIDROLOGÍA Determinística: enfoque en el cual los parámetros se calculan en base a relaciones físicas para procesos dinámicos del ciclo hidrológico. Estocástico: Enfoque en el cual
Más detallesDesafíos en el uso de agua LANZAMIENT para la minería de mediana y O SEMINARIO pequeña escala ÁREA COMERCIAL
Desafíos en el uso de agua LANZAMIENT para la minería de mediana y O SEMINARIO pequeña escala ÁREA COMERCIAL Ma MAYO Cristina 2016 Betancour Gerente de Desarrollo - SONAMI Seminario IFT - Energy, Atacama
Más detallesSIMULACION ESTOCASTICA CONDICIONAL COMO HERRAMIENTA DE GESTION EN HIDROINFORMATICA. García, O. J., Obregón, N., Fragala, F. y Pacheco, J.A.
SIMULACION ESTOCASTICA CONDICIONAL COMO HERRAMIENTA DE GESTION EN HIDROINFORMATICA García, O. J., Obregón, N., Fragala, F. y Pacheco, J.A. Pontificia Universidad Javeriana. Bogotá, Colombia. Correo electrónico:
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesPRINCIPIOS DEL MODELAJE DE SISTEMAS
16 de Enero de 2012 PRINCIPIOS DEL MODELAJE DE SISTEMAS (Parte 2) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Análisis y Diseño de Sistemas José Luis
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesUniversidad de Costa Rica
Página 1 de 7 Enfasis 0 Bloque Común(no hay énfasis) Nivel 1 CI1010 INTRODUCCIÓN A COMPUTACIÓN E INFORMÁTICA 0 0 0 1 EF- ACTIVIDAD DEPORTIVA 0 0 2 0 0 1 EG-I CURSO INTEGRADO DE HUMANIDADES I 8 0 0 0 6
Más detallesSílabo del curso Investigación Operativa II
Sílabo del curso Investigación Operativa II Marzo julio 2013 VI Ciclo Profesor Luis Miguel Sierra 1 I. Datos generales del curso Asignatura : Investigación Operativa II Código : 03145 Requisito : Investigación
Más detallesProgramación lineal. Estimar M. Ejemplos.
Departamento de Matemáticas. ITAM. 2010. Los problemas P y P minimizar x c T x sujeta a Ax = b, x 0, b 0 minimizar c T x + M(y 1 + y 2 + + y m ) x sujeta a Ax + y = b, x 0, y 0. Cómo estimar M? Resultado
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detallesAlgoritmo para resolver exactamente sistemas de ecuaciones lineales con coeficientes enteros
Miscelánea Matemática 43 (2006) 7 132 SMM Algoritmo para resolver exactamente sistemas de ecuaciones lineales con coeficientes enteros Daniel Gómez-García Facultad de Ingeniería Universidad Autónoma de
Más detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
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 detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
Más detalles1.1. Instructivo Applet en Geogebra lanzamiento de una moneda n veces
1.1. Instructivo Applet en Geogebra lanzamiento de una moneda n veces Por: Jesús Evenson Pérez Arenas Indicador: Introducir el concepto de probabilidad haciendo una cantidad de lanzamientos de una moneda,
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesDESARROLLO DEL MONITOREO Y EVALUACIÓN SECTORIAL: Elementos y Consideraciones. Oficina de Monitoreo y Evaluación de Políticas - MIMP
DESARROLLO DEL MONITOREO Y EVALUACIÓN SECTORIAL: Elementos y Consideraciones Oficina de Monitoreo y Evaluación de Políticas - MIMP Julio 2012 ENFOQUE CONCEPTUAL Ciclo de Desarrollo de las Políticas Públicas
Más detalles2) Funciones de distribución de probabilidad. Histogramas. Función de distribución de probabilidad (o función de densidad de probabilidad):
Función de distribución de probabilidad (o función de densidad de probabilidad): Es una función matemá0ca de una o varias variables que describe la probabilidad de obtener un conjunto específico de valores
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesEsterilización 1 4. Envase 3 2
9.- Una empresa de productos lácteos fabrica dos tipos de leche: entera y desnatada. El proceso de fabricación se lleva a cabo mediante una máquina de esterilización y otra de envase, donde el tiempo (expresado
Más detallesPROPAGACIÓN DE INCERTIDUMBRE EN El CÁLCULO DE ARMÓNICOS
1/5 Title PROPAGACIÓN DE INCERTIDUMBRE EN El CÁLCULO DE ARMÓNICOS Registration Nº: (Abstract) 850 Empresa o entidad CORPOELEC Región Capital (Venezuela) 1 y UCV, Facultada de Ingeniería Autors of te paper
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesInstructivo Applet en Geogebra gráfico de frecuencia Relativa Lanzamiento de un dado n veces
Instructivo Applet en Geogebra gráfico de frecuencia Relativa Lanzamiento de un dado n veces Por: Jesús Evenson Pérez Arenas Indicador: Introducir el concepto de probabilidad haciendo una cantidad de lanzamientos
Más detallesPlanificación Minera a Cielo Abierto
Planificación Minera a Cielo Abierto Conceptos Básicos Excavación superficial, cuyo objetivo es la extracción de mineral. Consideraciones: Modelo de Bloques a utilizar (calidad de los recursos minerales).
Más detallesTrabajo Práctico n 2. Robotización de un Puente Grúa. Presentación. Restricciones. Curso 2011
Trabajo Práctico n 2 Robotización de un Puente Grúa Presentación Este problema consiste en desarrollar un sistema de control automático que permita robotizar la operación de un puente grúa para la carga
Más detallesLa planificación minera en el negocio minero de la Mediana Minería MEDMIN 2012. Enrique Rubio, Ph. D.
La planificación minera en el negocio minero de la Mediana Minería MEDMIN 2012 Enrique Rubio, Ph. D. Contenidos Definición de REDCO El rol de la Planificación Minera en el Negocio: Pequeña y Mediana Minería
Más detallesIntroducción a la Administración de Riesgo en Proyectos Gustavo Vinueza Director Soluciones Personalizadas
Introducción a la Administración de Riesgo en Proyectos con @RISK Gustavo Vinueza Director Soluciones Personalizadas gvinueza@palisade.com Agenda» Riesgo en Cronogramas Tradicional vs Estocástico Registro
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 detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesUna breve introducción a Excel c
Una breve introducción a Excel c Martes 22 de febrero de 2005 Curso de Formación continua en Matemáticas UAM Curso 2004/2005 1. Introducción Excel c es una aplicación de hojas de cálculo electrónicas:
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesESTRUCTURA DE LINEAS DE ESPERA
ESTRUCTURA DE LINEAS DE ESPERA La teoría de las colas es el estudio de líneas de espera. Cuatro características de un sistema de la formación de colas o líneas de espera son: la manera en que los clientes
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 detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesPROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX
Prof.: MSc. Julio Rito Vargas Avilés Planteamiento del problema: PROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX Una compañía de manufactura se dedica a la fabricación de tres productos: A,
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detalles5. TEOREMA FUNDAMENTAL: Formulación y Demostración. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Formulación y Demostración Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ 1 CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesFUNDAMENTOS DE GEOESTADÍSTICA PARA LA ESTIMACIÓN DE RECURSOS MINEROS
CURSO INTERNACIONAL FUNDAMENTOS DE GEOESTADÍSTICA PARA LA ESTIMACIÓN DE RECURSOS MINEROS Dictado por el Dr. José Saavedra-Rosas Lima, 05, 06 y 07 de Octubre de 2015 PONENTE Dr. José Saavedra-Rosas Ingeniero
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesModelos de Programación Matemática
Modelos de Programación Matemática Las proposiciones matemáticas, en cuanto tienen que ver con la realidad, no son ciertas; y en cuanto que son ciertas, no tienen nada que ver con la realidad A. Einstein
Más detallesConfección del fixture de la Liga Argentina de voleibol por medio de programación lineal entera
Confección del fixture de la Liga Argentina de voleibol por medio de programación lineal entera Javier Marenco Departamento de Computación, FCEyN, Universidad de Buenos Aires, Argentina Instituto de Ciencias,
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesIntroducción a Programación Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 18 Programación Lineal ICS 1102 Optimización Profesor : Claudio Seebach 4 de octubre de 2005
Más detallesSimulación de Series Temporales: Una Aplicación al Precio del Petróleo
1 Simulación de Series Temporales: Una Aplicación al Precio del Petróleo Dr. Ricardo A. Queralt (CUNEF) Lorena Zaragozá (CEPSA) 2 INDICE 1 Introducción 2 Modelos de Series Temporales y @Risk 3 Precios
Más detallesÍNDICE DE CONTENIDOS. Capítulo 1 Presentación
ÍNDICE DE CONTENIDOS Capítulo 1 Presentación Capítulo 2 Introducción al proceso de decisión bajo riesgo e incertidumbre 2.1. Resumen del capítulo 2.2. Introducción 2.3. El concepto de riesgo e incertidumbre
Más detallesA robust identification approach to gait recognition
A robust identification approach to gait recognition Autor: Tao Ding Presentación: Carlos García Argos The Pennsylvania State University Presentación para la asignatura Reconocimiento Biométrico en EPS-UAM
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grupo Lunes jueves 1PM22 11:00-12:00 11:00-13:00 Prof. Miguel Hesiquio Garduño. Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com 1 de Agosto de 2011 OBJETIVO
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N Profesor: Hugo S. Salinas. Segundo Semestre 200. Unos transductores
Más detallesSistema de medición fasorial para el desarrollo de redes inteligentes
Sistema de medición fasorial para el desarrollo de redes inteligentes Disertante: Lucas Di Lillo Avalan el Proyecto: Objetivo Desarrollar un sistema de Medición Fasorial de aplicación directa en el Sistema
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesSe asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación.
EJEMPLO 1 Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. DIETA1 DIETA2 DIETA3 DIETA4 62 63 68 56 60 67 66 62 63 71 71
Más detallesMaestría en Ingeniería Énfasis en Sistemas y Computación
Maestría en Ingeniería Énfasis en Sistemas y Computación Facultad de Ingeniería Pontificia Universidad Javeriana Cali Abril de 2008 Contenido 1 Objetivos 2 3 4 Objetivos (1) Formar investigadores con habilidades
Más detallesAplicaciones con. Eduardo Herrera Lana
Aplicaciones con Eduardo Herrera Lana Todos los derechos reservados. Prohibida su reproducción total o parcial por cualquier medio, electrónico o mecánico, para cualquier propósito, sin autorización escrita
Más detallesz(x) = x 1. Solucion optima. x 2
CAPÍTULO FORMULACIÓN DE PROBLEMAS LINEALES Programación Lineal (PL) es un modelo de optimización de un problema de la vida real, en el cual una función objetivo es optimizada sujeta a un conjunto de restricciones.
Más detallesGráficos Estadísticos
Gráficos Estadísticos Una vez realizada la recolección de datos, principalmente cuando superan un número de 20 observaciones, es recomendable examinarlos en forma resumida mediante tablas y gráficas adecuadas.
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesEL MODELO OPERACIONAL INTEGRADO, COLABORATIVO Y EN TIEMPO REAL DE LA DIVISIÓN ANDINA DE CODELCO, A DOS AÑOS DE SU PUESTA EN MARCHA
EL MODELO OPERACIONAL INTEGRADO, COLABORATIVO Y EN TIEMPO REAL DE LA DIVISIÓN ANDINA DE CODELCO, A DOS AÑOS DE SU PUESTA EN MARCHA Héctor Cerda Ortiz, Jefe Departamento Nuevas Tecnologías TICA, GTICA,
Más detalles(INVESTIGACIÓN OPERATIVA)
(INVESTIGACIÓN OPERATIVA) Guía de Aprendizaje Información al estudiante. Datos Descriptivos Asignatura Materia Departamento responsable Investigación Operativa Estadística Departamento de Inteligencia
Más detallesAumento de Productividad de los Activos Procesos de Extracción y Transporte Mina Esmeralda - División El Teniente
Aumento de Productividad de los Activos s de Extracción y Transporte Mina Esmeralda - División El Teniente Gerencia de Minas - División El Teniente Gerencia Corporativa TICA Expositores: Mauricio Barraza
Más detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
Más detallesMETODOLOGIA PARA LA CONSTRUCCION Y APLICACION DE MODELOS DE SIMULACION DINAMICA A PROCESOS DE IMPORTANCIA AGRÍCOLA
METODOLOGIA PARA LA CONSTRUCCION Y APLICACION DE MODELOS DE SIMULACION DINAMICA A PROCESOS DE IMPORTANCIA AGRÍCOLA Resumen ejecutivo La construcción de modelos de simulación dinámica es la herramienta
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detalles(INVESTIGACIÓN OPERATIVA)
(INVESTIGACIÓN OPERATIVA) Guía de Aprendizaje Información al estudiante. Datos Descriptivos Asignatura Materia Departamento responsable Investigación Operativa Estadística Departamento de Inteligencia
Más detallesInforme de Molienda de Trigo
Informe de Región del Biobío Edición nº 4 / 4 de Septiembre de 215. regional experimentó variación negativa de 25,3% en doce meses. La producción de harina y de subproductos de molienda de trigo presentaron
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grupo Jueves Viernes 13:00-15:00 14:00-15:00 Prof. Miguel Hesiquio Garduño. Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com mhesiquiog@ipn.mx http://hesiquiogm.wordpress.com
Más detallesLaboratorio N 8, Extremos condicionados, Multiplicadores de Lagrange.
Universidad Diego Portales Facultad de Ingeniería. Instituto de Ciencias Básicas Asignatura: Cálculo III Laboratorio N 8, Extremos condicionados, Multiplicadores de Lagrange. Introducción. En este laboratorio
Más detalles(2.a) INTRODUCCIÓN A LA FORMULACIÓN DE MODELOS LINEALES
(2.a) INTRODUCCIÓN A LA FORMULACIÓN DE MODELOS LINEALES PROBLEMAS DE PROGRAMACIÓN LINEAL. Función objetivo y restricciones. HIPÓTESIS DE MODELIZACIÓN. Ejemplos: problema de producción, problema de dietas.
Más detalles