Programación lineal flexible con restricciones difusas

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Programación lineal flexible con restricciones difusas"

Transcripción

1 REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68) Programacó leal flexble co restrccoes dfusas Flexble lear programmg wth fuzzy costrats Héctor Adrés López Ospa y Maurco Restrepo López 2 RESUMEN El presete trabao tee como obetvo presetar los coceptos báscos de la programacó leal flexble o progremacó leal co restrccoes dfusas. Dado que la lteratura preseta dcha metodología para restrccoes de desgualdad, se formula ua metodología para restrccoes de gualdad y de caa. Se muestra cómo u problema de este tpo equvale a uo de optmzacó paramétrca. Falmete, se preseta dos eemplos lustratvos e los cuales se muestra la vetaa de la metodología al meorar la solucó óptma y, por otro lado, la obtecó de ua regó factble e problemas co espaco de solucoes vacío. Palabras clave: coutos dfusos, programacó leal, optmzacó paramétrca. ABSTRACT The preset wor shows the basc cocepts uderlyg flexble lear programmg or lear programmg wth fuzzy costras. The lterature ofte presets ths methodology related to equalty costrats. Ths wors deals wth a methodology for box ad equalty costras; t shows how ths type of problem s smlar to parametrc optmsato. Two examples are gve to show the advatage of usg ths methodology. Keywords: fuzzy set, lear programmg, parametrc optmsato. Recbdo: septembre 2 de 27 Aceptado: febrero 29 de 28 Itroduccó E muchos modelos de optmzacó, la solucó obteda puede o ser satsfactora para que toma decsoes, y por eso se hace ecesaro geerar uevos modelos, co el obetvo de alcazar las dversas metas trazadas. Esto se puede lograr aumetado la capacdad de produccó o vetaro de algú artículo o producto, cremetado o dsmuyedo la demada, elevado la capacdad de carga o trasporte, etre otros. Por otro lado, cuado se realza la modelacó matemátca e el sector dustral por medo de optmzacó, debdo a la catdad de parámetros y restrccoes, e muchos casos o es posble ecotrar ua solucó factble. Por lo expuesto aterormete, se preseta ua metodología de optmzacó flexble u optmzacó co restrccoes dfusas que permte dar solucó a dchos problemas a través de la flexblzacó de las restrccoes. Para tal efecto, se hace la descrpcó de u método usual de optmzacó dfusa que coverte el problema orgal e u modelo de optmzacó paramétrca. E la mayoría de la lteratura se descrbe dcha técca para restrccoes de desgualdad (Cárdeas y Verdegay, 999; Jaroslav, 2). El presete documeto també propoe ua formulacó para restrccoes de gualdad y restrccoes de caa para las varables de decsó. Las restrccoes de gualdad so muy mportates e modelos de programacó leal como trasporte y plaeacó de la produccó, dode se debe cumplr co ua demada determada (Taha, 24), problemas de versó y mezcla de productos (Wsto, 25), dstrbucó de bees, fluo máxmo, problema del agete vaero, etre otros, dode es ecesaro modelar ecuacoes de balace (Taha, 24; Wsto, 25). Las restrccoes de caa so muy comues e todos los modelos reales de optmzacó. Por eemplo, capacdad máxma y míma de vetaro, produccó y trasporte. E problemas de versoes es atural teer ua restrccó de catdad míma y máxma de versó e cada u- a de las opcoes. E los modelos de fluo máxmo sempre se debe supoer que etre los arcos exste ua capacdad máxma y míma de fluo, etre otros (Wsto, 25). Icalmete se preseta alguos prelmares. Luego se descrbe la metodología para ecotrar la solucó de problemas de optmzacó leal flexble, y falmete, la se preseta alguos eemplos lustratvos de la teoría desarrollada. Prelmares Represetacó de u problema de optmzacó Todo modelo de optmzacó leal se puede escrbr de la forma: Matemátco, Uversdad Nacoal de Colomba. M.Sc., e Matemátca Aplcada, Uversdad Nacoal de Colomba. Matemátco-Uversdad Nacoal de Colomba. Profesor, Facultad de Igeería, Uversdad de la Sabaa, Colomba. hector.lopez@usabaa.edu.co 2 Magíster, e Matemátcas, Uversdad Nacoal de Colomba. Profesor, Facultad de geería, Uversdad de La Sabaa, Colomba. maurco. restrepo@usabaa.edu.co 62

2 LÓPEZ, RESTREPO sueto a max z x = = = cx = a x b, =, K, m, d x = e, =, K, l, r x w, =, K,. dode,, x = x K x R defe las varables de decsó. E este problema se tee m restrccoes de desgualdad y l restrccoes de gualdad. Además, r y w so restrccoes de caa para cada ua de las varables. Por otacó se drá que la regó factble es () Defcó 3 (Bucley y Esfadar, 22) Iterseccó etre coutos dfusos: Dados μ, =, K, coutos dfusos de Y, se defe la terseccó como { μ, μ, μ } = = m 2 K μ, Defcó 4 (Bucley y Esfadar, 22) Uó etre coutos dfusos: Dados μ, =, K, coutos dfusos de Y, se defe la uó como { μ, μ μ } = = max 2, K μ, Los coutos dfusos permte modelar la flexbldad de las restrccoes. X {( x, K, x ): a x b,,, m; d x e,,, l; r x w,,,.}. = K = = K = K = = = El problema () se escrbe e forma matrcal como: max c T sueto a Ax b Dx = e x r x w, m l m l dode: A R, D R, c R, b R, e R, y rw, R. Además, la regó factble se escrbe: { :,, } X = x R Ax b Dx = e r x w. La dea fudametal es flexblzar las restrccoes e este tpo de problemas medate coutos dfusos. Coutos dfusos y λ cortes Defcó (Bucley y Esfadar, 22) Sea Y R u couto o vacío. U subcouto dfuso de Y es ua μ : Y,. fucó [ ] El valor de y e la fucó, μ expresa ua medda o grado μ etoces y Y. Por μ se puede afrmar que y Y. E el caso, dcho valor proporcoa el grado o por- μ recbe el ombre de fucó de perteeca. para el cual y está e Y. S ( y) = otro lado, s ( y) = que < μ ( y) < cetae de perteeca de y e Y. ( x) Defcó 2 (Bucley y Esfadar, 22) Sea μ u subcouto dfuso de Y y < λ, se defe u λ corte como: [ ] = { y Y : ( y) } μ λ μ λ E el caso que λ =, se tee que μ[ λ ] = Y. Programacó leal flexble U problema de programacó leal flexble o co restrccoes dfusas se escrbe de la forma: max z x = sueto a : f = f = f cx = a x b, =, K, m, d x = e, =, K, l, r x w, =, K,. f f La otacó = f y f dca que exste certo grado de flexbldad e las restrccoes. Es decr, se permte alguas volacoes o cumplmeto sobre las msmas. Ua de las maeras de resolver y atacar este tpo de problemas es por medo de coutos dfusos (Cárdeas y Verdegay, 999; Jaroslav, 2). Para realzar u aálss del modelo (2) se estuda cada tpo de restrccó flexble de forma separada. Fucó obetvo flexble Esta seccó está basada e lo expresado por Jaroslav (2). Cuado la fucó obetvo es flexble o dfusa, se supoe que exste u valor de aspracó para la fucó obetvo. Dcho valor se otará d R. Es decr, se espera ecotrar u x X tal que ( z x ) d. E muchos casos o es posble ecotrar u puto factble que satsfaga esta codcó, por lo cual se permte que la fucó obetvo pueda alcazar valores meores a d. Para esto, se fa u valor p que defe el grado mímo de cumplmeto o perteeca al vel de aspracó. De esta forma, s zx d p, se dce que (2) REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68) 63

3 PROGRAMACIÓN LINEAL FLEXIBLE CON RESTRICCIONES DIFUSAS d z x p tee u grado de cumplmeto de. S zx d, el grado de cumplmeto o vel de perteeca es. Además, s d p z( x) d etoces el grado o porcetae de cumplmeto está dado por. Lo descrto aterormete se puede expresar por medo de la sguete fucó de perteeca trapezodal para la fucó obetvo z :, s t b t b μ () t =, sb t b + t t st> b + t Gráfcamete, la fucó de perteeca μ () t es: 6), s t d d t μz () t =, s d p t d p s t p Gráfcamete, μ ~ ( t) se descrbe de la sguete maera: z Fgura. Fucó de perteeca para la fucó obetvo flexble. Jaroslav, 2. Luego, el problema () co fucó obetvo flexble es equvalete a sueto a : (4) μz% cx λ = x X, λ, [ ] Como puede verse e Jaroslav (2), el problema (4) es e- quvalete al sguete problema de optmzacó paramétrca sueto a : (5) cx d p λ = [ ] x X, λ, cuya solucó óptma ( λ, x ) se cosdera la solucó del problema () co fucó obetvo flexble. Restrccoes de desgualdad flexbles Esta parte está basada e Cárdeas y Verdegay (999) y Jaroslav (2). Para cada ua de las restrccoes de desgualdad se defe las sguetes fucoes de perteeca: Fgura 2: Fucó de perteeca para restrccoes de desgualdad. Jaroslav, 2. x = x x K x R y E este caso, dado u (,,, ) h ( x) = a x, =, K, m, etoces = 2 -S ( x) b o perteeca e la - ésma restrccó de, ( h ( x) ) h se dce que x tee u grado de cumplmeto μ =. tee u grado de cumplmeto o perte- S h ( x) b + t, x eca e la -ésma restrccó de, ( ( x) ) -S b h ( x) b + t μ =. etoces x satsface h ( x) b μ ( h ( x) ) =. Dcho valor defe el grado o t porcetae de perteeca. Restrccoes de gualdad y de caa El aporte fudametal de este trabao está cetrado e la clusó de ua metodología dfusa que volucra restrccoes de gualdad y de caa. Para cada ua de las restrccoes de gualdad se defe las sguetes fucoes de perteeca tragular, que permte u porcetae de cumplmeto tato por défct o por exceso: e t, s e g t < e g t e μ () t =, s e t e + f f, st> e + f, ó, t< e g La represetacó gráfca de μ () se muestra e la Fgura 3. (7) t 64 REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68)

4 LÓPEZ, RESTREPO -S w x w + v etoces se tee u grado de perteeca de x w. v -S r u x < r r x etoces μ ( x ) =. u Fgura 3. Fucó de perteeca para restrccoes de gualdad x = x x K x R y E este caso, dado u (,,, ) m ( x) d x, =, K, l, = = etoces -S m ( x) e + f o m ( x) e g 2 se dce que x tee u grado de cumplmeto o perteeca a la -ésma μ x =. restrccó de gualdad de, ( ( ) ) -S e m ( x) e + f x, tee u grado de cumplmeto o perteeca a la -ésma restrccó de m e. f De forma aáloga se hace el aálss s e g t < e. Por otro lado, cada restrccó de caa r x w se puede defr de forma flexble por medo de la fucó de perteeca trapezodal: μ () t m r t, s r u t < r u t w =, s w t w + v (8) v, st> w + v, ó, t< r u, s r t w La represetacó gráfca de μ () t se muestra e la Fgura 4. Fgura 4. Fucó de perteeca para restrccoes de caa Es decr, s -S t = x etoces: x satsface las restrccoes grado de perteeca es, ( = ) -S x + μ. x > w v o x r u r x w etoces su < etoces su grado de cumplmeto de la -ésma restrccó es, ( = ) x μ. Problema de optmzacó paramétrca equvalete Por medo de la terseccó de las fucoes de perteeca (3), (6), (7) y (8), aplcadas a cada tpo de restrccó, la solucó del problema de optmzacó leal (2) es: x R { % ( ) = = ( ) m l max μz z x μ h x μ m x ( x ) } = μ 9 Por la defcó de, (9) es equvalete al sguete problema maxm: { ( ) ( ) max m μ z x, μ h x, μ m x, μ x, z x R } =, K, m, =, K, l, =, K, Hacedo { ( ) λ = m μz z x, μ h x, { z, m, l,} ( m ( x) ) ( x )} μ, μ. () se puede escrbr como u problema de programacó leal, μ z cx = = = λ μ a x λ, =, K, m, μ a x λ, =, K, l, μ ( x) λ, =, K,, λ [,] () dode μ ~ λ, μ ( ) λ, μ ( ) λ, μ ( ) λ, so z λ cortes de cada ua de las fucoes de perteeca. Dcho problema quere alcazar el vel más alto de cumplmeto o perteeca a cada ua de las restrccoes. El modelo ateror es equvalete al sguete problema de optmzacó paramétrca: REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68) 65

5 PROGRAMACIÓN LINEAL FLEXIBLE CON RESTRICCIONES DIFUSAS = = ( λ ) cx d p ( λ ) a x b + t, =, K, m, ( λ) ( λ) e g d x e + f, =, K, l, = ( λ) ( λ) [, ] r u x w + v, =, K,, λ (2) Matrcalmete, (2) se expresa de la sguete maera: T c x d p Ax b t e g Dx e+ f, r u x w+ v λ ( λ ) + ( λ ) ( λ) ( λ) ( λ) ( λ) [, ] Exste métodos umércos propos de optmzacó paramétrca que puede ser aplcados para ecotrar la solucó de (2), y además es posble utlzar téccas propas de optmzacó leal relaado el espaco factble. Eemplos Eemplo Produccó para utldad máxma: U fabrcate de uguetes prepara u programa de produccó para dos tpos de uguetes, muñecas y soldados, co base e la formacó cocerete a sus tempos de produccó dados e la sguete tabla: Máqua A Máqua B Máqua C Muñecas Soldados 2 horas hora hora hora hora 3 horas Para la operacó de la máqua A se dspoe de 7 horas; para la máqua B 4 horas; para la máqua C 9 horas. Las utldades e cada muñeca y cada soldado so $4 y $6, respectvamete. El modelo matemátco de optmzacó que represeta dcha stuacó es: max z = 4x+ 6y 2x+ y 7 x+ y 4 x+ 3y 9 x, y, (3) Fgura 5. Regó factble para problema (3) Supogamos que el fabrcate desea obteer utldades de $3 o como mímo $26. Para esto es posble amplar el úmero de horas para cada ua de las máquas de la sguete forma: Máqua A, hasta 8 horas (es decr, horas extras); máqua B, hasta 7 horas (3 horas extras). Máqua C, hasta 2 horas (3 horas extras). De esta forma, el modelo de programacó flexble se escrbe: 4x+ 6y 3 + ( λ ) 4 2x+ y 7+ ( λ ) x+ y 4 + ( λ ) 3 x+ 3y 9+ ( λ ) 3 x, y, λ. (4) Se trata de ecotrar el meor λ que satsfaga la utldad deseada co los mímos recursos e horas adcoales. Ua aproxmacó gráfca de (4) es la que se preseta e la fgura 6. dode x es el úmero de muñecas a fabrcar y y el úmero de soldados. Por medo del paquete de optmzacó LINDO se obtee la sguete solucó óptma: z = 2, x = 5, y = 25. Gráfcamete, (3) se expresa como se muestra e la Fgura 5. Fgura 6. Regó factble problema (3) co restrccoes flexbles 66 REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68)

6 LÓPEZ, RESTREPO 3 Además, co la relaacó del espaco factble a R se obtee la solucó λ =, 25, x = 24, y = 29. El factor de cumplmeto o satsfaccó para cada restrccó es: Porcetae Restrccó Valor obtedo de cumplmeto fucó obetvo Máqua A Máqua B Máqua C 25% 3% 56,7% 3% $ horas 53 horas horas E todos los casos, es ecesaro utlzar horas extras. Auque el úmero de horas extras de la máqua A: 7 horas (7% de las horas adcoales) es meor que el úmero de horas para la máqua B: 3 horas (43,3% de las horas adcoales), el porcetae o vel de cumplmeto de la restrccó de dcha máqua es mayor puesto que utlzó u meor porcetae del recurso adcoal. E la fucó obetvo se logra u porcetae de cumplmeto del 25% sobre la meta de $3 tomado u valor de $27, pero se cremetó e u total de $6, sobre la solucó orgal. Eemplo 2 Regó factble vacía: Ua compañía de ecuestas telefócas ha sdo cotratada para llevar a cabo ua ecuesta sobre hábtos televsvos etre las famlas de las zoas rurales y urbaas de ua cudad determada. El clete ha determado que se debe etrevstar 5 famlas, etre ellas mímo 3 debe ser de zoas rurales y máxmo 6. De las famlas de la zoa urbaa se debe etrevstar como mímo 4 y máxmo. Por este servco, la empresa recbe $6. por cada etrevsta a famlas de la zoa rural y $5. por cada etrevsta a las famlas de zoa urbaa. Por la expereca obteda aterormete, se determa que la compañía realzará u gasto de $2.5 por cada llamada a las zoas rurales y $2. a zoas urbaas y sólo se dspoe de $32. para realzar dchas llamadas. E este problema el obetvo es maxmzar las gaacas. Las varables de decsó so: - x : úmero de llamadas a famlas de zoas rurales - y : úmero de llamadas a famlas de zoas urbaas El modelo matemátco que represeta dcha stuacó es max z = 35x+ 3y x+ y = 5 3 x 6 4 y 25x+ 2y 32 Este problema o tee solucó factble, por lo cual se hace ecesaro que alguas restrccoes tega algú vel de flexbldad (restrccoes dfusas). Para esto el clete permte que el úmero de etrevstados pueda estar etre 4 y 55. Además, que el máxmo úmero de famlas a etrevstar de la zoa rural sea 65. No se hace modfcacoes e el resto de las restrccoes. Es mportate otar que e este caso, la fucó obetvo o se coverte e flexble. Por lo cual el problema co restrccoes dfusas se puede ver como u problema de optmzacó co dos obetvos: = ( + λ ) ( λ ) x y ( λ ) 3 x 6 + ( λ ) 5 max z 35x 3 y, y 25x+ 2y 32 (5) La regó factble para el problema (5) se puede descrbr gráfcamete como se muestra e la Fgura 7. Fgura 7. Aproxmacó gráfca de la regó factble del problema (5) Utlzado el método de la ε - restrccoes de programacó multobetvo descrto e Smth et al. (2), (5) se puede escrbr como: max z = 35x+ 3y ( λ ) x y ( λ ) 3 x 6 + ( λ ) 5 4 y 25x+ 2y 32 λ ε (6) dode la varacó paramétrca de ε geera la frotera de Pareto. E la sguete tabla se descrbe las solucoes obtédas λ z x y Llamadas totales, , , , ,7 X X X X A partr de λ =, 7 o se obtee putos factbles. Es decr, el máxmo valor de perteeca obtedo e la terseccó de todas las restrccoes es,6. REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68) 67

7 PROGRAMACIÓN LINEAL FLEXIBLE CON RESTRICCIONES DIFUSAS Coclusoes La programacó leal flexble es ua herrameta de programacó dfusa que srve para resolver problemas de optmzacó, dode la solucó óptma o es satsfactora para el tomador de decsoes o la gra catdad de restrccoes y lmtacoes o geera putos factbles. La metodología que cluye las restrccoes de gualdad y de caa dfusas permtó meorar solucoes óptmas y ecotrar solucoes factbles e problemas co espaco factble vacío. Además, este desarrollo permte abarcar problemas más geerales de programacó leal. Sería teresate aplcar esta técca e modelos dode el valor de los parámetros correspodetes al lado derecho de cada ua de las restrccoes sea certo o dfuso. Por otro lado, depededo de la aplcacó se puede explorar la utlzacó de fucoes de perteeca de tpo o leal como lo desarrollado e Taha (24). Además, es posble comparar los resultados obtedos por medo de progremacó leal flexble co modelos de programacó por metas Smth et al. (2). Auque el desarrollo matemátco es dstto, se puede otar que la flosofía es muy parecda. Bblografía Bucley, J., Esfadar E. A troducto to fuzzy logc ad fuzzy sets., Hedelberg: Physca-Verlag, 22. Cárdeas, J., Verdegay, J., Modelos de optmzacó co datos mprecsos Servco de Publcacoes., Uversdad de Murca, 999. Jaroslav, R., Soft Computg: Overvew ad Recet Developmets Fuzzy Optmzato., Ostravsá uverzta. Lstopad, 2. Smth, R., Jaramllo, P., Poveda, G., Mesa, O., Dyer, I., Valeca, D., Decsoes co múltples obetvos e certdumbre., Facultad de Mas Uversdad Nacoal de Colomba, Sede Medellí, 2 Edcó, 2. Taha, H., Ivestgacó de Operacoes., Séptma edcó, Edtoral Pearso, 24. Vasat, P., Optmzato product mx problem usg fuzzy lear programmg., Departmet of Mathematcs, Amerca degree Program, Nla Iteratoal College. Malasa, 24. Wsto, W., Ivestgacó de Operacoes: Aplcacoes y algortmos., Séptma edcó, Edtoral Thomso, REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68)

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

2.5. Área de una superficie.

2.5. Área de una superficie. .5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes

Más detalles

Este documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a  El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! INTRODINTRODUCCIÓN D etro del estudo de muchos feómeos de

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

11. Optimización no lineal con restricciones

11. Optimización no lineal con restricciones . Optzacó o leal co restrccoes. Optzacó o leal co restrccoes Prcpos y teoreas para la búsqueda de óptos lobales Modelos co restrccoes de ualdad Codcoes de uh-tucker Alortos uércos báscos Prcpos y teoreas

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

EXISTENCIA DE UNA FUNCIÓN NO LINEAL, CONTINUA Y BIYECTIVA EN l CON INVERSA DISCONTINUA EN TODO PUNTO

EXISTENCIA DE UNA FUNCIÓN NO LINEAL, CONTINUA Y BIYECTIVA EN l CON INVERSA DISCONTINUA EN TODO PUNTO EXISTECIA DE UA FUCIÓ O LIEAL, COTIUA Y BIYECTIVA E l CO IVERSA DISCOTIUA E TODO PUTO Jorge E Herádez U, Temístocles Zeballos M Uversdad de Paamá, Cetro Regoal Uverstaro de Veraguas, Departameto de Matemátca

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

Dyna ISSN: 0012-7353 dyna@unalmed.edu.co Universidad Nacional de Colombia Colombia

Dyna ISSN: 0012-7353 dyna@unalmed.edu.co Universidad Nacional de Colombia Colombia Dya ISSN: 00-7353 dya@ualmed.edu.co Uversdad Nacoal de Colomba Colomba ARANGO SERNA, MARTÍN DARIO; VERGARA RODRÍGUEZ, CESAR; GAVIRIA MONTOYA, HORACIO MODELIZACIÓN DIFUSA PARA LA PLANIFICACIÓN AGREGADA

Más detalles

Segmentación de objetos en movimiento utilizando GPCA, técnicas algebraicas y flujo óptico para aplicaciones en espacios inteligentes

Segmentación de objetos en movimiento utilizando GPCA, técnicas algebraicas y flujo óptico para aplicaciones en espacios inteligentes Segmetacó de obetos e movmeto utlzado GPCA, téccas algebracas y fluo óptco para aplcacoes e espacos telgetes Crsta Losada, auel azo, Sra Palazuelos Departameto de Electróca. Uversdad de Alcalá Alcalá de

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

4. ESQUELETOS Y CAMINOS OPTIMALES...

4. ESQUELETOS Y CAMINOS OPTIMALES... . INTRODUCCION.... Qué es la Ivestgacó de Operacoes... 3. I.O como apoyo a la toma de decsoes... 5.3 Problemas tpo e Ivestgacó Operatva... 7. OPTIMIZACIÓN... 9. Itroduccó... 9. Covedad... 3.3 Optmos Locales

Más detalles

. Usaremos una vía algebraica y una geométrica que nos

. Usaremos una vía algebraica y una geométrica que nos Título: La desgualdad etre la meda artmétca y geométrca e problemas de olmpadas. Resume: E el presete artículo se pretede mostrar la utldad de ua desgualdad ta elemetal como la relacó etre las medas artmétca

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

1 ESTADÍSTICA DESCRIPTIVA

1 ESTADÍSTICA DESCRIPTIVA 1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e

Más detalles

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno Fluo de Poteca DC co odelacó de Icertdumres Aplcado al Caso Chleo Resume Rodrgo Palma B. rodpalma@cec.uchle.cl Chrsta Jeldres H. celdres@cec.uchle.cl Area de Eergía Departameto de Igeería Eléctrca Uversdad

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL. Supertedeca de Admstradoras de Fodos de Pesoes CIRCULAR Nº 736 VISTOS: Las facultades que cofere la ley a esta Supertedeca, se mparte las sguetes struccoes de cumplmeto oblgatoro para todas las Admstradoras

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por: Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE

Más detalles

R-C CARGA Y DESCARGA DE UN CONDENSADOR

R-C CARGA Y DESCARGA DE UN CONDENSADOR RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

Más detalles

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3 Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

Más detalles

LAS MATEMÁTICAS DE LOS SISTEMAS ELECTORALES

LAS MATEMÁTICAS DE LOS SISTEMAS ELECTORALES Rev.R.Acad.Cec.Exact.Fís.Nat. (Esp) Vol. 101, Nº. 1, pp 21-33, 2007 VII Programa de Promocó de la Cultura Cetífca y Tecológca LAS MATEMÁTICAS DE LOS SISTEMAS ELECTORALES FCO. JAVIER GIRÓN GONZÁLEZ-TORRE

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

1. Introducción 1.1. Análisis de la Relación

1. Introducción 1.1. Análisis de la Relación . Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

MODELO DE GESTION PARA EL PROCESO DE PRODUCCIÓN DE PRODUCTOS FUNDIDOS EN HIERRO NODULAR PARA LA EMPRESA METACOL S.A.

MODELO DE GESTION PARA EL PROCESO DE PRODUCCIÓN DE PRODUCTOS FUNDIDOS EN HIERRO NODULAR PARA LA EMPRESA METACOL S.A. MODELO DE GESION PARA EL PROCESO DE PRODUCCIÓN DE PRODUCOS FUNDIDOS EN HIERRO NODULAR PARA LA EMPRESA MEACOL S.A. MODEL OF MANAGEMEN OF HE PRODUCION PROCESS OF PRODUCS FUSED IN IRON NODULAR FOR COMPANY

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA

DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE - INTRODUCCION Es tecó aalzar e este trabajo las coocdas relacoes costo-volume-utldad para el caso e que sus compoetes sea: w : costo varable utaro

Más detalles

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines Resume Predccó del Cumplmeto de Pago de u Crédto para Mcroempresaros Agrícolas Utlzado Pealzed Support Vector Maches El Isttuto de Desarrollo Agropecuaro (INDAP) es el prcpal orgasmo del Estado de Chle

Más detalles

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de

Más detalles

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33 SIMULACION TECNICA PARA IMITAR EN UN COMPUTADOR LAS OPERACIONES DE LOS SISTEMAS DEL MUNDO REAL A MEDIDA QUE EVOLUCIONAN EN EL TIEMPO, MEDIANTE MODELOS QUE LOS REPRESENTAN DE FORMA REALISTA Deartamet d'eio

Más detalles

PROGRAMACIÓN MATEMÁTICA: MODELOS DE OPTIMIZACIÓN

PROGRAMACIÓN MATEMÁTICA: MODELOS DE OPTIMIZACIÓN PROGRAMACIÓN MATEMÁTICA: MODELOS DE OPTIMIZACIÓN Begoña Vtorao bvtorao@mat.ucm.es www.mat.ucm.es/~bvtora Facultad CC. Matemátcas, Uversdad Complutese, Pza. Cecas 3, 28040 Madrd http://www.mat.ucm.es ÍNDICE

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles