Un algoritmo exacto para la secuenciación de piezas en una máquina con tiempos de preparación dependientes de la secuencia
|
|
- María Dolores Arroyo Fidalgo
- hace 6 años
- Vistas:
Transcripción
1 X Congreso de Ingenería de Organzacón Valenca, 7 y 8 de septembre de 2006 Un algortmo exacto para la secuencacón de pezas en una máquna con tempos de preparacón dependentes de la secuenca Imma Rbas Vla 1, Ramon Companys Pascual 1, Manel Mateo Doll 1 1 Dpto. de Organzacón de Empresas. Unversdad Poltécnca de Cataluña. Avda. Dagonal, 647, Barcelona. Imma.rbas@upc.edu, ramon.companys@upc.edu, manel.mateo@upc.edu Resumen Se consdera el problema de secuencar trabajos en una únca máquna con tempos de preparacón dependentes de la secuenca. Las pezas se agrupan en famlas y los tempos de preparacón están asocados a las famlas. El objetvo es mnmzar el retraso total. Se propone un algortmo exacto del tpo Bounded Dynamc Programmng (BDP) para su resolucón que, en general, requere la exploracón de un número menor de vértces que un procedmento del tpo branch and bound (o de programacón dnámca no acotada). Se defne un procedmento de acotacón análogo al utlzado para el problema equvalente sn tempos de preparacón. El procedmento mplementado se ha probado sobre un conjunto de ejemplares con dferente número de trabajos y famlas. Los resultados obtendos muestran que el algortmo es muy compettvo. Palabras clave: Secuencacón, Retraso total, Bounded Dynamc Programmng. 1. Introduccón Se propone un algortmo exacto del tpo Bounded Dynamc Programmng (BDP) para el problema de programacón de la produccón en un entorno productvo con una únca máquna y tempos de preparacón que dependen del tpo de trabajo (o famla), tanto de la que se desea fabrcar como la de la anteror. El objetvo buscado es la mnmzacón del retraso medo, o, en forma equvalente, la mnmzacón de la suma de los retrasos de las pezas. Este problema se conoce en la lteratura, sguendo la nomenclatura propuesta por Lawler et al (1993) como 1, T. S se adopta la clasfcacón propuesta por Allahverd et al (1999) para los s j k problemas con tempos de preparacón, esta comuncacón consdera el problema de secuencacón en una máquna con sequence-dependent batch setup tmes. 2. Defncón e hpótess del problema tratado En el nstante ncal, la únca máquna así como los n trabajos que deben ser procesados están dsponbles. Los trabajos o pezas pueden clasfcarse en q tpos o famlas dferentes, sendo q n. Cada trabajo debe recbr una operacón sn nterrupcón y la máquna sólo puede procesar un trabajo a la vez. Cada trabajo (=1,..,n) requere de un tempo de proceso p, tene una fecha de vencmento g ( ) 1,2,..., q. Denomnamos φ a la famla del últmo trabajo procesado por la máquna antes del nstante ncal (ncalmente la máquna está preparada para la famla φ). d, y pertenece a una famla g(), tal que { }
2 Sea sh, g ( ) el tempo de preparacón necesaro cuando se debe procesar en la máquna un trabajo de la famla g() después de uno de la famla h. La consderacón de tempos de preparacón por famlas no mplca una pérdda de generaldad ya que s fuera necesaro cada trabajo podría defnr su propa famla. Dada una secuenca de trabajos, para un trabajo se puede calcular el nstante en que termna su proceso c y su retraso T = max { 0, c d }. El objetvo es encontrar una secuenca que mnmce el retraso total (1). n T = 1 [ MIN ] Z = (1) 3. Acotacón Se ha desarrollado un procedmento de acotacón, dervado del procedmento utlzado en el problema 1 ΣT. La cota resulta de la relajacón de algunas de las condcones que se dan en la realdad, en partcular de los valores concretos, p, d y g(), de una peza. El cálculo de la cota desagrega la asocacón real y consdera unas pezas fctcas, globalmente con los msmos valores de p, d y g() pero asocados en ellas de la forma más favorable para evtar retrasos. En una prmera cota la agregacón fctca es totalmente lbre, y conduce a suponer que se realzan prmero pezas de una famla, lo que no exge tempo de preparacón y que, adconalmente, es la que contene más pezas. Se supone, además, que las pezas tenen los valores de p y d stuados en orden crecente. Los tempos de preparacón se tenen en cuenta en la forma tambén más favorable, sn consderar los necesaramente nulos. A esta cota se la llamará Cota Genérca b (1). Una cota más ajustada puede obtenerse, en general, analzando para cada famla la cota consderando que a dcha famla pertenece la prmera peza realzada, y adoptando como cota global la menor. Se calcula la cota para cada una de las q famlas. Para cada cota se consdera que se empeza programando un número de pezas fctcas gual al de la famla, preceddo del tempo de preparacón correspondente s la famla es dstnta del estado ncal de la máquna. Para el resto de pezas se sgue el msmo procedmento que en la Cota Genérca. Se obtene así q valores, b h, y se elegrá la menor entre ellas. b (2) = mn { b } h= 1,..., q Retenendo como cota defntva (3) h (2) b = max{b (1),b (2) } (3) 4. Grafo asocado al problema s ΣΤ 1, j La decsón de secuencar pezas en la máquna se puede representar medante un grafo G multcapa. Un vértce, v, en el grafo G queda defndo por la pareja (J, h), donde J es un subconjunto de n trabajos y h es la famla del últmo trabajo en J. Los vértces representan
3 todas las posbles combnacones (secuencas) que se pueden construr con los trabajos en J de forma que el últmo trabajo de la secuenca pertenezca a la famla h. Un arco desde el vértce u = (I, b) al vértce v = (J, h) exste s J = I {} con N I, sendo h la famla del trabajo, tal y como se muestra en la Fgura 1. Layer Λ Layer 2 Layer 1 (I, a), h=g( ) (J, h) (I, b), h=g() j, k=g(j) (J U{j}, k) Fgura 1. Detalle del grafo mult-capa G asocado al problema. Los vértces en el grafo se pueden organzar en n+1 nveles. Un vértce v = (J, h) pertenece al nvel J que corresponde con el número de elementos en J. En el nvel 0, hay un únco vértce α={, ϕ}; en el nvel n, hay, potencalmente, q vértces ω 1,, ω h,, ω q, donde ω h = (N, h). Un arco va desde un vértce del nvel j a un vértce del nvel j+1. Un camno desde α a ω h equvale a una secuenca de n trabajos, donde el últmo trabajo de la secuenca pertenece a la famla h. El objetvo es encontrar un camno desde α al vértce ω h en el nvel n, tal que el retraso total de la secuenca asocada sea mínmo. Asocado a cada vértce v, hay una o más de una evaluacón bdmensonal EV [ v] = { f ( v), τ ( v) }, sendo f(v) el retraso total de la secuenca de trabajos y τ(v) el nstante de fnalzacón del últmo trabajo de la secuenca. Cada camno desde α a v puede llevar a evaluacones dferentes EV[v]. Llamaremos capa a cada una de las evaluacones retendas en un vértce y Λ al número de capas de un vértce. Por lo tanto, las capas de un vértce v son v (1), v (2),, v (Λ). Sea v = (J, h) el vértce sguente nmedato del vértce u = (I, k). Las evaluacones de las capas en u son u (λ) = {f (λ) (u), τ (λ) (u)} para λ = 1, 2,, Λ, y cada capa λ del vértce u genera una capa en el vértce v (Fgura 1): τ (µ) (v) = τ (λ) (u) + s k,h + p con g()=h (4) f (µ) (v) = f (λ) (u) + max{τ (µ) (v) d, 0} (5) Algunas capas del vértce v pueden ser domnadas y, en consecuenca, elmnadas. Dadas dos capas dferentes de v, por ejemplo {f(v), τ(v)} y {f (v), τ (v)}, que se corresponden con dos camnos dferentes, la prmera domna a la segunda s f(v) f (v) y τ(v) τ (v). Las capas domnadas no se consderan y úncamente las capas Pareto-efcentes permanecen en el vértce (Fgura 2).
4 f x x x Evaluacón nefcente x Evaluacón efcente (Capa) τ Fgura 2. Evaluacón bdmensonal del vértce v Cada capa v (λ) tene, además de los dos térmnos utlzados en la evaluacón, los sguentes atrbutos: la cota del retraso de la prolongacón b(v (λ) ); la capa P(v (λ) ), desde la que es generada (padre); y la cota del retraso total del camno completo que va desde α hasta dcha capa f(v (λ) ) + b(v (λ) ). En este caso, la determnacón del camno mínmo se puede calcular a través de un algortmo smlar al de Held and Karp (1962) para el caso en que no hay tempos de preparacón. Puede consderarse que este algortmo utlza la ecuacón recurrente prototpo de la programacón dnámca (6): donde τ(v) = J f(j) = mn { max{τ(v) d, 0} + f(j {}) J} (6) p (ya que a v y J están unívocamente asocados). Las dferencas prncpales respecto a la stuacón afrontada por Held and Karp (1962) son dos: 1. Un vértce queda defndo por la pareja (J, h) y no úncamente por J. 2. La evaluacón no es undmensonal, f ( v) = f ( J), sno bdmensonal { f ( u), τ ( u) }, ya que τ queda defndo de forma ambgua dado J, y es necesaro evaluar los vértces sguentes nmedatos. Para el objetvo tendo en cuenta, nteresa el vértce que tenga la mejor evaluacón EV(v), por ejemplo el que tenga el mínmo retraso generado por los trabajos programados f(v) y el nstante de dsponbldad menor para ncar el resto de trabajos τ(v). Desafortunadamente, es posble que un vértce con el mínmo valor de f(v) no concda con el mínmo valor de τ(v), y, en consecuenca, se deben consderar el conjunto de evaluacones Pareto-efcentes denomnadas capa (Fgura 2). Los algortmos para encontrar el camno óptmo no requeren la construccón del grafo completo. Los vértces y sus capas asocadas se construyen nvel a nvel. Las domnancas se pueden aplcar en dos sentdos: para reducr el número de capas de un vértce o para reducr el
5 número de capas entre dferentes vértces. Para este últmo caso se puede tener en cuenta el Teorema 1. Teorema 1: Una capa v (λ) = {f (λ) (v), τ (λ) (v)} asocada a un vértce v = (J, h) domna una capa w (µ) = {f (µ) (w), τ (µ) (w)} asocada a un vértce w = (J, k) con h k s f (λ) (v) f (µ) (w) y τ (λ) (v) + s h,k τ (µ) (w). Una capa domnada, según este teorema, se puede elmnar. La demostracón es obva y smlar a la de Emmons (1969). No se puede alcanzar una solucón mejor que la obtenda desde v (λ) desde una capa domnada w (µ). Corolaro: Un vértce con todas las capas elmnadas se puede elmnar. S un vértce es elmnado no se consdera para extender camnos en el grafo G. Desafortunadamente, el número de vértces y capas actvas puede ser demasado grande para construr efcentemente el camno óptmo. Se puede formular un concepto más fuerte de domnancas utlzando las cotas, que es en lo que se basa el procedmento de la BDP. 5. Algortmo BDP progresvo Incalmente se fjan las tres característcas que requere el algortmo BDP: Solucón Incal, Cota Inferor y Ancho de Ventana. Las dos prmeras característcas pueden evtar la nspeccón de un número consderable de vértces que no llevan a buenas solucones. En cambo el Ancho de Ventana lmta el número de capas actvas a explorar. S se consderan todas las capas actvas a lo largo de la exploracón, un algortmo BDP lleva a la solucón óptma, pero un algortmo de este tpo tene una complejdad exponencal. Dado que el número de capas de un nvel puede ser mpractcable para el procedmento general de la BDP el algortmo mplementado permte explorar un número máxmo de capas por nvel. A esta lmtacón se la llama Ancho de ventana. S este tamaño de ventana no permte explorar todas las capas actvas, el procedmento actúa de forma heurístca. El procedmento de acotacón explcado en el apartado 4 permte construr una cota nferor b(v (λ) ) del retraso de las prolongacones desde la capa v (λ). Una prolongacón es la subsecuenca de los n J trabajos del subconjunto N J tomando τ (λ) (v) como nstante ncal. Prevamente se puede establecer que s z 0 es el retraso total de la solucón obtenda medante una heurístca, una capa tal que f (λ) (v) + b(v (λ) ) z 0 puede se elmnada Solucón ncal para la BDP Dado que la efcenca del algortmo está estrechamente relaconada con el número de vértces, una buena solucón ncal puede evtar nspecconar un número consderable de vértces. Un procedmento heurístco bueno y rápdo puede construr un camno desde α hasta ω, sendo z 0 su retraso. El procedmento heurístco utlzado en nuestra aplcacón ha sdo del tpo GRASP Cota nferor de una capa
6 Para calcular la cota nferor de una capa se calculan las cotas por famla consderando úncamente el conjunto de trabajos no programados J = N J y G el subgrafo de G cuyos vértces corresponden a las famlas de los trabajos en J. La famla del últmo trabajo en la secuenca de trabajos de la capa v (λ) del vértce v = (J,h) es h. Los valores P t y P' t se calculan cogendo τ (λ) (v) como nstante ncal Tamaño de ventana por nvel Sea W el tamaño de ventana. S el número de capas excede el valor W, sólo se guardan los mejores W canddatos. Este procedmento es usado de forma dnámca. Exste una lsta con W poscones que guardan las capas actvas. Una capa canddata úncamente entrará en la lsta, s ésta está llena, s puede susttur a la mejor capa guardada; peor y mejor se refere, normalmente, a la cota nferor global de la capa, pero esto no es oblgatoro. Guardar la mejor cota nferor global de las capas descartadas permte conocer la optmaldad de la solucón, a pesar de la smplfcacón. En caso contraro, permte conocer una cota nferor de la solucón óptma Estructura General de la BDP A contnuacón se descrbe el procedmento de la BDP progresva para el problema en estudo. Algortmo BDP Paso 0. Generar relacón de precedencas entre trabajos sguendo las reglas de domnanca. Calcular una solucón heurístca z 0 y calcular la cota b. nvel=0 Crea un vértce aberto α={, ϕ} Create una capa α (1) = { f = 0, τ = 0, b, P = _}. Contador_capas=1 Paso 1. Coger un vértce aberto. S no hay nnguno r al Paso 9. Paso 2. Coger un capa nexplorada. S no hay nnguna, r al Paso 8. Paso 3. Mentras J N, generar un nuevo canddato (a vértce y/o a capa) añadendo J N al subconjunto de trabajos J basándose en las reglas de domnanca. S no es posble, r al Paso 7. Paso 4. S no exste un vértce v con ( { }, g( ) ) J +, crear el vértce aberto v. Paso 5. Crear un canddato a capa (µ ) (µ ) v y calcular τ, (µ ) ( ) f, b µ ( v). s (λ ) v tal que f ( v) f ( v) ( ) = y τ λ > τ, o f ( v) > f ( v),
7 o Contador _ capas > W v nvel entonces µ replaza λ. max{ f ( v) } f ( v) >, S todas las capas de un vértce han sdo elmnadas, cerrar el vértce; Sno crear la capa Ir al Paso 3. ( ) ( ) Paso 6. S f µ ( v) + b µ z, o 0 (µ ) v ; Contador_capas= Contador_capas+1 (λ ) v tal que f ( v) f ( v) < y τ ( v) < τ ( v), o Contador _ capas > W v nvel max{ f ( v) } < f ( v), o (µ ) v es domnada por entonces descartar (ρ ) w según el Teorema 1, (µ ) v e r al Paso 3. Paso 7. S exste otra capa nexplorada, r al Paso 2. Paso 8. S exste otro vértce aberto, r al Paso 1. Paso 9. nvel=nvel +1. Contador_capas=0 Paso 10. S nvel < n, r al Paso 1. Paso 11. S nvel = n y no hay nngún vértce aberto, Solucon = z 0; ( ) sno Solucon = mn{ f λ ( v) } λ, v nvel. 6. Experenca Computaconal Se ha construdo una coleccón de ejemplares dvdda en 9 grupos de 20 ejemplares cada uno. Cada grupo es una combnacón de 15, 20 y 25 trabajos que pertenecen a 4, 5 y 6 famlas dferentes. El generador de ejemplares se basa en tres parámetros λ1, λ2, λ3 usados para calcular S max, d max y d mn, respectvamente. El tempo de proceso de los trabajos sgue una dstrbucón unforme entre [1,P max ], con P max =25; el tempo de preparacón está unformemente dstrbudo entre [1,S max ], donde S = λ P ; las fechas de vencmento sguen una max 1 dstrbucón unforme entre [d mn, d max ], con = λ fv, = λ fv y n n n = 1 j= 1 s j max d max 2 d mn 3 fv = p + para cada ejemplar. Una vez fjados n y q, se elge al azar, entre 1 y q, = 1 q la famla para la que está preparada la máquna y lo msmo se hace para fjar la famla de las dferentes trabajos. En este conjunto de ejemplares se han fjado los sguentes valores: λ 1 = 0,5, λ 2 = 1 y λ = 0, Una vez creado un ejemplar se aplca una heurístca senclla que permta descartarlo s su retraso es cero. Todos los test realzados se han hecho en un Pentum IV con 512 MB RAM y un procesador de 2.8 GHz. Las Tablas 1, 2 y 3 comparan, sobre un conjunto de ejemplares formados por 15, 20 y 25 trabajos respectvamente, la mejora conseguda por el algortmo BDP con una ventana de 100 capas () y con una ventana de 50 capas () por nvel. Las columnas
8 de estas tablas ndcan: en la columna No se encuentra el número de ejemplar; Mn ndca el retraso mínmo encontrado ndcando con un * que la solucón es óptma; GRASP, y, ndcan el porcentaje de desvacón respecto a la mejor solucón obtenda, calculada Alg Mn como x = * 100, donde Alg es la solucón conseguda por los algortmos y Mn es Mn el mínmo retraso obtendo. Los resultados ndcan que la BDP con obtene, en general, mejores resultados, pero cabe remarcar que en algunos ejemplares el mejor valor es obtendo por. Esto se puede deber a que al lmtar el número de capas por nvel se puede descartar camnos que llevan a buenas solucones. Tabla 1. Resultados para los ejemplares con n=15. Famlas=4 Famlas=5 Famlas=6 No Mn GRASP Mn GRASP Mn GRASP ,0 0,0 0,0 46 8,7 0,0 0, ,3 0,0 0, ,0 0,0 0,0 60 6,7 0,0 6,7 90 0,00 0,0 0, ,0 0,0 0, ,8 0,0 5, ,0 0,0 125, ,0 0,0 0, ,4 0,0 0, ,50 0,0 1, ,0 0,0 0, ,0 0,0 0,0 77 0,00 0,0 0, ,0 0,0 0,0 55 0,0 0,0 0, ,4 0,0 15, ,1 0,0 0, ,3 0,0 27, ,0 0,0 0, ,0 0,0 0,0 28 0,0 0,0 0,0 64 0,0 0,0 0, ,1 0,0 0, ,3 0,0 27, ,1 0,0 10, ,1 0,0 0, ,0 0,0 0,0 83 0,0 0,0 0, ,0 0,0 0,0 32 0,0 0,0 0,0 51 3,9 3,9 0, ,0 0,0 0,0 29 0,0 0,0 0,0 58 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,6 0,0 0, ,0 0,0 0,0 64 0,0 0,0 0,0 61 0,0 0,0 0, ,0 0,0 0,0 12 0,0 0,0 0,0 28 0,0 0,0 0, ,1 0,0 0,0 9 0,0 0,0 0,0 19 0,0 0,0 0, ,0 0,0 0,0 *12 0,0 0,0 0,0 20 0,0 0,0 0, ,0 0,0 0,0 35 2,9 0,0 2,9 53 0,0 0,0 0, ,0 0,0 0, ,4 0,0 1,5 36 0,0 0,0 0, ,0 0,0 0,0 45 0,0 0,0 0,0 5 20,0 0,0 0,0 Tabla 2. Resultados para los ejemplares con n=20. Famlas=4 Famlas=5 Famlas=6 No Mn GRASP Mn GRASP Mn GRASP ,1 0,0 8, ,4 0,0 29, ,9 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0,0 26 0,0 0,0 0, ,0 0,0 300, ,0 0,0 0,0 89 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 50, ,0 0,0 0,0 26 0,0 0,0 0,0 77 0,0 0,0 0, ,0 0,0 0, ,9 0,0 0, ,1 0,0 1, ,0 0,0 0, ,8 0,0 1,1 21 0,0 0,0 0, ,0 0,0 0,0 82 0,0 0,0 0,0 75 1,3 1,3 0, ,0 0,0 0,0 50 0,0 0,0 0,0 76 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,7 0,0 4, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,1 0,0 19, ,6 1,1 0,0 24 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,2 0,0 22, ,9 0,0 38,9 80 0,0 0,0 0, ,0 0,0 4, ,0 0,0 0, ,0 0,0 0, ,2 0,0 4,7
9 ,0 0,0 0,0 77 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,4 0,0 7, ,0 0,0 100, ,0 0,0 0, ,0 0,0 0,0 55 0,0 0,0 0, ,0 0,0 0,0 42 2,9 0,0 0, ,0 0,0 0,0 Tabla 3. Resultados para los ejemplares con n=25. Famlas=4 Famlas=5 Famlas=6 No Mn GRASP Mn GRASP Mn GRASP ,0 0,0 0,0 61 0,0 0,0 0,0 62 8,1 0,0 0, ,0 0,0 0, ,0 0,0 0, ,7 0,0 0, ,0 0,0 0, ,0 0,5 0, ,0 0,0 0, ,3 0,0 26,3 18 0,0 0,0 0,0 85 0,0 0,0 0, ,0 0,0 0, ,1 0,0 4, ,0 0,0 0, ,0 0,0 0,0 40 0,0 0,0 0, ,7 0,0 0, ,3 0,0 3,8 40 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,5 0,0 7,6 73 0,0 0,0 0, ,0 0,0 0, ,5 7,8 0, ,0 0,0 0, ,0 0,0 0, ,5 0,0 6, ,9 0,0 0, ,8 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,3 0,0 30,3 72 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,2 0,0 79, ,0 0,0 0, ,0 0,0 0, ,0 0,0 0,0 21 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0, ,0 0,0 25, ,0 0,0 0,0 81 0,0 0,0 0,0 81 0,0 0,0 0, ,0 0,0 0, ,0 0,0 0,0 82 0,0 0,0 0,0 Analzando separadamente los resultados para cada conjunto de ejemplares, se puede aprecar que la mejora que se consgue con crece a medda que crece el número de famlas. La Tabla 4 muestra el porcentaje medo de desvacón relatva para cada grupo de ejemplares. Cabe señalar que en el grupo con 25 trabajos, los ejemplares con 6 famlas rompen la tendenca, probablemente debdo al azar. Tabla 4. Porcentaje de Mejora meda respecto al retraso mínmo. Famlas =4 Famlas =5 Famlas =6 Trabajos GRASP GRASP GRASP Referencas Allahverd, A.; Gupta, J.N.D.; Aldowasan, T. (1999).A revew of schedulng research nvolvng setup consderatons. Omega, Internatonal Journal of Management Scence, Vol. 27, pp Bautsta, J.; Companys, R.; Coromnas, A. (1996). Heurstc and exact algorthms for solvng the Monden problem. European Journal of Operatonal Research. Vol. 88, pp Emmons H. (1969). One-machne sequencng to mnmze certan functons of job tardness. Operatons Research. Vol. 17, pp Held M., Karp RM. (1962). A dynamc programmng approach to sequencng problems. Journal of the Socety for Industral and Appled Mathematcs, Vol. 10, pp
10 Lawler, E. L., Lenstra, J. K., Rnnooy Kan, A. H. G., Shmoys, D. B. (1993). Sequencng and schedulng: algorthms and complexty, n Graves, C. G., Rnnooy Kan, A. H. G., Zpkn, P. (eds) Handbooks n Operatons Research and Management Scence, 4: Logstcs of Producton and Inventory, North-Holland, Amsterdam, pp
Dirección de Operaciones. Programación de operaciones: secuenciación y temporización
Dreccón de Operacones. Programacón de operacones: secuencacón y temporzacón Joaquín Bautsta Valhondo, Rocío Alfaro Pozo y Alberto Cano Pérez D-12/2013 Departamento de Organzacón de Empresas Unversdad Poltécnca
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
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 detallesResolución del PRODUCT RATE VARIATION PROBLEM (PRVP) de grandes dimensiones como un problema de afectación
Resolucón del PRODUCT RATE VARIATION PROBLEM (PRVP) de grandes dmensones como un problema de afectacón Natala Moreno Pall, Albert Coromnas Subas IOC / DOE / ETSEIB,UPC; Av.Dagonal 647, 88 Barcelona, moreno@oc.upc.es
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
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 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 detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesCAPÍTULO III ACCIONES. Artículo 9º Clasificación de las acciones. Artículo 10º Valores característicos de las acciones. 10.
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural serán las establecdas por la reglamentacón específca vgente o
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
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 detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más 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 detallesInteracción entre Procesos en Sistemas de Tiempo Real
Interaccón entre tareas 1 Lus Eduardo Leyva del Foyo Interaccón entre Procesos en Sstemas de Tempo Real Introduccón. El fenómeno de la Inversón de Prordad Seccones Crítcas no Expropables Protocolo de Herenca
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detallesOrganización Industrial. Introducción a OI
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN Organzacón Industral. Introduccón a OI ORGANIZACIÓN
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesAnálisis de ruido en detectores ópticos.
Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
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 detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesLotes óptimos de producción mediante algoritmos genéticos
IX Congreso de Ingenería de Organzacón Gjón, 8 y 9 de septembre de 2005 Lotes óptmos de produccón medante algortmos genétcos Manuel Rojas Guerrero 1, Ángel Antono Saraba Vejo 2 1 Escuela Técnca Superor
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 detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesAplicación de curvas residuo y de permeato a sistemas batch y en continuo
Aplcacón de curvas resduo de permeato a sstemas batch en contnuo Alan Dder érez Ávla En el presente trabajo se presentara de manera breve como obtener las ecuacones que generan las curvas de resduo, de
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 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 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 detallesMosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]
PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más detallesGrafos. Conceptos básicos
Grafos Se presenta en este módulo, como lectura complementara a los capítulos de Grafos del texto de clase: una lsta de conceptos que deben ser defndos con precsón por los alumnos, los elementos necesaros
Más detallesRelaciones entre las tablas
Relacones entre las tablas Relacones entre las tablas Access 2013 Establecer una relacón entre dos tablas Los dstntos tpos de relacones entre tablas Establecer una relacón entre las tablas de la base de
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 detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesCAPÍTULO IV. IV.1 Correlación de los resultados experimentales
CAPÍTULO IV IV. Correlacón de los resultados expermentales La aplcacón de modelos de solucón para correlaconar los resultados que se obtenen en los expermentos, resulta de gran mportanca para amplar la
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más 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 3. Teoremas de la Teoría de Circuitos
Tema 3. Teoremas de la Teoría de Crcutos 3.1 Introduccón 3. Superposcón 3.3 Transformacón de fuentes 3.4 Teorema de Theenn 3.5 Teorema de Norton 3.6 Máxma transferenca de potenca Th Th L nálss de Crcutos
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesDESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO
Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesA B C D Margen Básico Transmisor Wifi Número de empleados
PROBLEMA: TELEVISIÓN DIGITAL Una empresa de fabrcacón de aparatos electróncos está vendo la posbldad de lanzar al mercado decodfcacodres que permtan a los televsores analógcos vsualzar la señal de la televsón
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 CENTRO UNIVERSITARIO DE VILLA NUEVA CURSO MATEMATICA FINANCIERA Lc. Manuel de
Más detalles3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS
3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 28 3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 3.1 INTRODUCCIÓN En numerosos trabajos de planfcacón y programacón de tareas, éstas poseen restrccones de tempo motvadas
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 detallesUnidad 2 Representación Algebráica
Undad Representacón lgebráca Gráfcas no drgdas Matrz de Incdenca La matrz de ncdenca de una gráfca G se denota como (G) y se defne como: a, S el vértce v ncde en la línea e n cada columna hay exactamente
Más detallesPrincipio del palomar
Prncpo del palomar Juana Contreras S. Claudo del Pno O. Insttuto de Matemátca y Físca Unversdad de Talca Introduccón Cuando se reúnen 367 personas, es seguro que debe haber al menos dos personas que cumplen
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo 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 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 detallesAnexo Nº 1 A. METAS DE GESTIÓN PARA EPSSMU S.R.L. CORRESPONDIENTES AL SIGUIENTE QUINQUENIO
Anexo Nº 1 1. METAS DE GESTIÓN A. METAS DE GESTIÓN PARA EPSSMU S.R.L. CORRESPONDIENTES AL SIGUIENTE QUINQUENIO Metas de Gestón Incremento anual del número de conexones domclaras de agua potable (1) Incremento
Más detallesUNIVERSIDAD SIMON BOLIVAR Departamento de Conversión y Transporte de Energía Sección de Máquinas Eléctricas Prof. E. Daron B. REGIMEN DESBALANCEADO DE
UVESDAD SMO BOLVA Seón de Máqunas Eléctrcas Prof. E. Daron B. EGME DESBALACEADO DE Hoja º 77 TASFOMADOES TFASCOS 4.6 Transformadores trfáscos con cargas desbalanceadas: 4.6 Conexón Estrella-Estrella sn
Más detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
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 detallesALGORITMO SATSA DE DOS PASOS PARA JSSP.
ALGORITMO SATSA DE DOS PASOS PARA JSSP. AUTORES Marco Antono Cruz Chávez 00334858@academ01.mor.tesm.mx Arnulfo Martínez Perete 00371320@academ01.mor.tesm.mx Novembre del 2000 MATERIA ANÁLISIS DE ALGORITMOS
Más detallesCapítulo Estimación del modelo de Nelson y Siegel Introducción Estimación del modelo de Nelson y Siegel
Capítulo 4... 91 Estmacón del modelo de Nelson y Segel... 91 4.1. Introduccón... 91 4.2. Estmacón del modelo de Nelson y Segel... 92 4.2.1. Tratamento prevo a la estmacón... 92 4.2.2. Defncón del crtero
Más detallesCAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.
CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),
Más detalles+ y 1 ; U 2 (x 2,y 2 ) = ax 2 (x 2) 2 2
13. Consdere un mercado en el que hay dos consumdores con las sguentes funcones de utldad: U 1 (x 1,y 1 = 4x 1 (x 1 + y 1 ; U (x,y = ax (x + y con 4 > a >0 donde x, =1,, es la cantdad del ben x consumda
Más detallesINGENIERÍA ENZIMÁTICA
Dvsón de Cencas Bológcas y de la Salud Ingenería Boquímca Industral INGENIERÍA ENZIÁTICA PROBLEARIO Dr. Sergo Huerta Ochoa NOTA: Los ejerccos presentados en este problemaro, son una recoplacón de problemas:
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
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 detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 013-014 Iñak Agurre Jaromr Kovark Javer Arn Peo Zuazo Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema 3. Monopolo 1. Los costes 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 detallesASGA: ALGORITMO GENÉTICO PARA LA SECUENCIACIÓN DE MONTAJE
III Jornadas de Ingenería de Organzacón Barcelona, 16-17 de septembre de 1999 ASGA: ALGORITMO GEÉTICO PARA LA SECUECIACIÓ DE MOTAJE Rodríguez A. 1, Poler R. 1, García J.P. 1, Laro F.C. 1 1 Grupo G.I.P
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 detallesGeneración de e Modelos 3D a Partir de e Datos de e Rango de e Vistas Parciales.
Generacón de e Modelos 3D a Partr de e Datos de e Rango de e Vstas Parcales. Santago Salamanca Mño Escuela de Ingenerías Industrales Unversdad de Extremadura (UNED, UCLM, UEX) Introduccón (I) Qué es un
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
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 detallesTipos de amplificadores según su ganancia
Tpos de amplfcadores según su gananca Electrónca nalógca: ealmentacón Todo amplfcador que posea unas resstencas de entrada () y de salda (o) dstntas de cero y dstntas de nfnto se puede representar de cuatro
Más detallesSISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.
Objetvos y orentacones metodológcas SISTEMA DIÉDRICO I Interseccón de planos y de recta con plano TEMA 8 Como prmer problema del espaco que presenta la geometría descrptva, el alumno obtendrá la nterseccón
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
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 detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
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 detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
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 detalles