Dyna ISSN: Universidad Nacional de Colombia Colombia

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

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

Transcripción

1 Dya ISSN: Uversdad Nacoal de Colomba Colomba ARANGO SERNA, MARTÍN DARIO; VERGARA RODRÍGUEZ, CESAR; GAVIRIA MONTOYA, HORACIO MODELIZACIÓN DIFUSA PARA LA PLANIFICACIÓN AGREGADA DE LA PRODUCCIÓN EN AMBIENTES DE INCERTIDUMBRE Dya, vol. 77, úm. 162, uo, 2010, pp Uversdad Nacoal de Colomba Medellí, Colomba Dspoble e: Cómo ctar el artículo Número completo Más formacó del artículo Pága de la revsta e redalyc.org Sstema de Iformacó Cetífca Red de Revstas Cetífcas de Amérca Lata, el Carbe, España y Portugal Proyecto académco s fes de lucro, desarrollado bao la catva de acceso aberto

2 MODELIZACIÓN DIFUSA PARA LA PLANIFICACIÓN AGREGADA DE LA PRODUCCIÓN EN AMBIENTES DE INCERTIDUMBRE FUZZY MODELIZATION FOR AGGREGATED PRODUCTION PLANNING UNDER UNCERTAINTY ENVIRONMENTS MARTÍN DARIO ARANGO SERNA II. Doctor Igeero Idustral Escuela de Igeería de la Orgazacó. Facultad de Mas. Uversdad Nacoal, CESAR VERGARA RODRÍGUEZ II, Uversdad Nacoal de Colomba, HORACIO GAVIRIA MONTOYA Estudate de geería dustral, Uversdad Nacoal de Colomba, Recbdo para revsar Julo 5 de 2009, aceptado Octubre 7 de 2009, versó fal Octubre 26 de 2009 RESUMEN: El presete artículo preseta ua herrameta de apoyo a los procesos de toma de decsó e la plafcacó de la produccó a medao plazo cuado la demada es u parámetro co certdumbre, desarrollada al teror del Grupo de Logístca Idustral Orgazacoal GICO. El desarrollo de u pla de produccó lleva cosgo la determacó de parámetros que muchas veces posee certo grado de vaguedad, esto colleva a que el persoal a cargo de tomar dedcoes asuma el maeo de esta certdumbre. La lógca dfusa aparece como ua herrameta alteratva a la estocástca o tradcoal para asstr procesos de toma de decsoes e ambetes dfusos. Este artículo calmete realza ua breve troduccó acerca de la plafcacó de la produccó y de la lógca dfusa. Segudamete se dseña u modelo de programacó leal dfusa como herrameta de apoyo para la toma de decsó e la plaeacó agregada de la produccó cuado esta sgue ua estratega de alcace de la demada prevsta, asumedo a la demada como u parámetro dfuso. Para la costruccó de este modelo fue precso platear prevamete u modelo de programacó leal que marcara los límtes del modelo dfuso. Falmete e este artículo se solucoa u problema de plaeacó agregada dode la demada posee certdumbre, utlzado el modelo dfuso propuesto. PALABRAS CLAVE: Lógca dfusa, plafcacó de la produccó, decsoes e ambetes dfusos, modelo de programacó leal dfusa, plaeacó agregada, modelo de programacó leal ABSTRACT: Ths artcle shows a tool to support decso makg producto plag for the medum term f demad s a ucerta parameter, developed to the Idustral Orgazatoal Logstc Research Group GICO. The developmet of a producto pla volves the determato of parameters that ofte have some degree of vagueess, t s cocluded that the persoel charge of takg dedcato assume the maagemet of ths ucertaty. Fuzzy logc appears as a alteratve to tradtoal or stochastc processes to assst decso makg fuzzy evromets. Ths artcle begs wth a bref troducto of the producto plag ad fuzzy logc. I the secod part t desgs a fuzzy lear programmg model as a tool to support decso makg the aggregate producto plag whe t follows a strategy of forecast demad, assumg the clam as a fuzzy parameter. For the costructo of ths model prevously was to rase a lear programmg model to mark the boudares of the fuzzy model. Fally ths paper solves a aggregate plag problem where demad s ucerta, usg the proposed fuzzy model. KEYWORDS: Fuzzy logc, producto plag decsos fuzzy evromets, fuzzy lear programmg model, aggregate plag, lear programmg model. Dya, Año 77, Nro. 162, pp Medellí, Juo de ISSN

3 398 Arago et al 1. INTRODUCCIÓN E este artculo se desarrolla el cocepto de lógca Dfusa, troducdo e 1965 por Lotf Asker Zadeh [8]. La lógca dfusa es u leguae que permte modelar setecas del leguae atural del ser humao como u formulsmo matemátco. Este modelameto se realza a través de ua fucó de membresía o perteeca cotua e el tervalo [0,1] que calfca el vel de perteeca de cada elemeto de u couto [3], [9]. E u proceso de plafcacó de la produccó se determa paralelamete los veles de produccó, vetaro y capacdad de ua orgazacó para u horzote de plafcacó coocdo co el f de mmzar los costos totales geerados por el pla de produccó [4]. E u problema de plafcacó de la produccó dode la certdumbre de los parámetros uega u papel mportate, la herrameta de apoyo para la toma de decsoes debe seleccoarse de maera que le faclte al usuaro tomar la decsó adecuada y respoder a los posbles mprevstos que sura [1]. El obetvo de este artículo es presetar ua herrameta de apoyo para la toma de decsoes e la plafcacó de la produccó, más cocretamete e la plaeacó agregada. Este artculo se emarca detro del proyecto de Ivestgacó facado por el DIME 2008 ttulado Modelzacó matemátca fuzzy para la plafcacó de la produccó e cotextos de certdumbre Se da u breve marco referecal asocado a la plafcacó de la produccó y a la lógca dfusa co el obetvo de famlarzar al lector co estas temátcas. Para la costruccó del modelo fuzzy se hzo ecesaro la delmtacó de los parámetros dfusos presetes e el msmo, esto se logra evaluado el modelo determsta equvalete e los límtes que preseta los parámetros dfusos. Falmete, se lustra el uso del modelo de programacó leal dfusa propuesto e este artículo e el campo de la plafcacó de la produccó, específcamete brdado solucó a u problema de plaeacó agregada, teedo e cueta a la demada como u parámetro dfuso y las coclusoes más relevate sobre el problema modelzado. 2. PLANIFICACIÓN DE LA PRODUCCIÓN. Ua orgazacó debe plaear la produccó ates de poder llevarla a acabo. S la plafcacó de la produccó es probable que ua empresa o pueda producr lo sufcete para lograr u cremeto e la demada futura. Quzás la capacdad o este dspoble e ese mometo y se perda las vetas [6]. 2.1 La Jerarquía De Los Plaes De Produccó La erarquía de plaes de la fucó productva está compuesta por tres veles [4]: Plafcacó estratégca o a largo plazo La determacó de la capacdad productva es ua decsó que lleva asocada ua mportate versó de captal y va a determar e gra medda las posbldades de éxto de la orgazacó. Por ello, es ua decsó que debe aalzarse de forma deteda, tratado de optmzar la utlzacó de los recursos faceros. Se puede defr la capacdad como la máxma catdad de bees o servcos que puede obteerse e ua udad productva e codcoes ormales de fucoameto e u perodo de tempo determado [4] Plaeacó agregada La faldad prcpal de la plafcacó agregada es determar la combacó de rtmos de produccó, mao de obra y veles de exsteca, que mmza costos y logra satsfacer la demada prevsta. Para ello se debe cosegur los sguetes obetvos:

4 Dya 162, Mmzar el coste y maxmzar los beefcos. Maxmzar el servco al clete. Mmzar la versó e vetaro. Mmzar los cambos e el rtmo de produccó. Mmzar las varacoes e la platlla. Maxmzar la utlzacó de la capacdad stalada. U pla agregado be elaborado debe lograr adaptar la produccó a las osclacoes de la demada o tratar de reducr la tesdad de dchas osclacoes, a la vez que cosegur ua efcete utlzacó de la capacdad productva de la empresa (mao de obra, maquara, etc.). Alguas meddas para modfcar la oferta so las cotratacoes y despdos de empleados, utlzacó de horas extraordaras, cotratacó de empleados temporales o a tempo parcal, acumulacó de vetaro e temporada de poca demada y la subcotratacó de la produccó. Esta últma mplca ua sere de coveetes etre los que podemos señalar la perdda de cotrol sobre el tempo de etrega y la caldad del producto [4]. Otra alteratva es mateer el rtmo de produccó y tratar de modfcar la demada para amortguar sus osclacoes. Evdetemete esta opcó o cueta co tatas posbldades de éxto, dado que e la demada fluye muchos factores que se ecuetra fuera de cotrol de la orgazacó. Au así la empresa puede tratar de modfcar la demada medate: la modfcacó de preco o de la polítca de comucacó, la retecó de peddos, la creacó de ueva demada y la complemetacó de la gamma de productos empresarales co otros que tega ua estacoaldad versa [4]. Etre las estrategas alteratvas que el drector de operacoes debe elegr a la hora de cofeccoar el pla agregado de produccó se puede señalar las tres sguetes [4]: Estratega de produccó costate: E esta opcó el rtmo de produccó se cosdera fo e el tempo, co lo cual se cosgue reducr los costos de cotratacó y despdo, se smplfca el proceso de plaeacó de recursos, se cremeta la caldad del producto, se smplfca el cumplmeto del croograma de produccó y se reduce el coste de mao de obra y materales al evtar las paradas e el proceso productvo [4]. Estratega de segumeto de la demada: E este caso, el rtmo de produccó se adapta e cada perodo a la demada exstete, por lo que el vel de vetaro es práctcamete exstete. Para lograrlo es ecesaro cotar co ua eorme flexbldad que os permta varar el úmero de trabaadores, capacdad stalada y materales de forma rápda y ecoómca [4]. Estrategas mxtas: Se trata de ua mezcla de las opcoes aterores, e la cual la empresa establece u vel base de produccó costate que adapta a la demada empleado horas extras, trabaadores temporales, subcotratacó, acumulacó de peddos, etc. [4] Programa maestro de produccó (MPS) U programa maestro de produccó (MPS) represeta u pla para la fabrcacó. Este pla proporcoa los requermetos de sumos del vel superor y desarrolla las catdades y fechas que se debe explotar a f de geerar los requermetos por perodo para compoetes, pezas y materas prmas. El MPS o es ua proyeccó de vetas, so u pla de fabrcacó factble. U MPS detallado determa la ecoomía de la produccó medate el agrupameto de dversas demadas y la elaboracó de tamaños de lotes. De esta maera, el MPS coserva la tegrdad de las acumulacoes del sstema total, las acumulacoes atcpadas y los requermetos de compoetes de vel feror [4] Plafcacó de la produccó a muy corto plazo El pla de produccó a corto plazo tee u horzote de plaeacó feror a tres meses. A esta plafcacó a corto plazo se la cooce e las empresas dustrales como

5 400 Arago et al gestó de talleres y se ecarga de programar, cotrolar y evaluar las operacoes de produccó a muy corto plazo, para lograr el cumplmeto del pla maestro co la capacdad dspoble y co la mayor efceca posble. Etre las prcpales fucoes que realza e dcha gestó de talleres cabe señalar las sguetes [4]: Evaluar y cotrolar los peddos a fabrcar. Establecer las prordades etre los peddos o trabaos a realzar, ordeádolos por cetro de trabao y asgádoselos a cada uo de ellos. Rastrear la evolucó de los peddos e curso. Cotrolar el desarrollo de las operacoes. Cotrolar la capacdad de cada cetro de trabao. Proporcoar realmetacó al sstema de plafcacó y cotrol de capacdad. 3. LÓGICA DIFUSA La mprecsó e la formacó tee que ver co el etoro humao, esta puede ser del tpo estadístco o o estadístco. Precsamete es a este últmo tpo de certdumbre es a la que se hace refereca como dfusa. Por eemplo, s se defe el couto de obetos que está cercaos a 7, etoces o será posble defr dcho couto empleado valores covecoales, co obetos que satsfaga propedades precsas para el grado de perteeca. Zadeh (1965) propuso la represetacó de dcho elemeto medate fucoes de perteeca, que mapea los úmeros e el tervalo utaro [0, 1], los cuales cotee u grado de perteeca. Usado esta represetacó, se puede defr u couto de úmeros que sea cercaos a 7. E dcho caso, s el grado de perteeca es 0.98, etoces se puede ferr que se trata de u elemeto co u valor cas gual a 7 [1], [2]. La fucó característca de u couto clásco asga u valor de 1 ó 0 a cada dvduo e el couto uversal; 1 a los que so membros de la relacó y 0 a los que o. Esta fucó puede ser geeralzada de tal maera que los valores asgados a los elemetos del couto uversal esté detro de u rago, especfcado co este el grado de adhesó de estos elemetos e el couto e cuestó. Los valores más altos dca u mayor grado de aflacó. Esa fucó se llama ua fucó de perteeca, y el couto defdo por u couto dfuso [3]. Zmmerma (1996), defe formalmete los coutos dfuso como: A = { x, µ A ( x )}, x X dode µ A ( x ) se deoma la fucó de perteeca (o grado de perteeca) de x e A, y µ A : X M es ua fucó de X e u espaco M deomado espaco de perteeca. Cuado el espaco de perteecía sólo cotee los dos putos 0 y 1, A o es dfusa y µ A ( x ) es détca a la fucó característca de u couto o dfuso. µ A ( x ) Es ua fucó cuyo rago es u subcouto de los úmeros reales o egatvos y que tee la propedad de que el supremo de este couto es fto. Así, la presucó básca es que u couto dfuso A, a pesar de la mprecsó de sus límtes, se puede represetar co precsó asocádole a cada puto x u úmero etre dos límtes feror y superor, por eemplo 0 y 1, que represeta su grado de perteeca e A [5]. Para el meor etedmeto de los coutos dfusos segudamete se presetara varos eemplos. Eemplo 1. Se desea descrbr el couto de la gete ove. B = { Couto de gete ove } B = 0, 20 [ ] El límte feror puede ser 0, pero el límte superor es más dfícl de defr. Cómo se defe el límte superor e 20, para ua persoa ove? Ua persoa de 21 años o etre 20 y 21, ya o es ove? La Fgura 1 muestra ua forma de defr el couto de persoas óvees, asgádole ua fucó de perteeca etre 0 y 1.

6 Dya 162, Fgura 1. Eemplo de couto dfuso. Fgure 1. Example of dffuse set. Se defe el úmero dfuso A, como el couto cuya fucó de perteeca, µ A toma el valor de 1, e el puto x = A. U úmero dfuso correspode a u subcouto ormal y covexo de u uverso de dscurso X. Normalmete x R y µ A ( x )) = 1. Dcha covexdad x X x X, α 0, 1. mplca: [ ] 1, 2 S A es u úmero dfuso, etoces se cosdera que es tragular s su covexdad es leal a tramos. Co la faldad de smplfcar las operacoes co los úmeros dfusos, geeralmete se smplfca su otacó, de maera leal. Desde este puto de vsta, u úmero dfuso tragular asmétrco se deota como sgue: a = ( m α, m, m β ) [2] (Fgura 2). A Fgura 3. Número tragular dfuso asmétrco 6 = (4.5, 6, 7.3). Fgure 3. Asymmetrcal tragular fuzzy umber 6 = (4.5, 6, 7.3). Ua extesó de la represetacó de los úmeros dfusos, puede realzarse tomado fucoes de perteeca trapezodales. Se obtee así u úmero dfuso trapezodal, como se deota a cotuacó: b = ( m,, α, β ). La represetacó gráfca del úmero expresado e la ecuacó ateror se observa e la Fgura 4. Auque este tpo de úmeros puede abarcar ua gra compoete de certdumbre, requere tratametos matemátcos de orde más compleo que el de los úmeros tragulares [2]. Fgura 2. Número tragular dfuso asmétrco: a = ( m α, m, m β ). Fgure 2. Asymmetrc dffuse tragular umber: a = m α, m, m β ( ) Nótese que correspode a ua otacó smple, como ua represetacó de 3 úmeros cocretos, dode el úmero del cetro represeta el puto dode µ = 1. A Eemplo 2. U úmero cercao a 6, (Represetado e la Fgura 3), puede deotarse como 6 = (4.5, 6, 7.3) Fgura 4. Cocepto de úmero trapezodal dfuso asmétrco b = ( m,, α, β ). Fgure 4. Trapezodal fuzzy umber cocept of b = m,, α, β asymmetrc ( ) 4. MODELO DE PROGRAMACIÓN LINEAL PARA LA PLANEACIÓN AGREGADA DE PRODUCCIÓN. Ua de las tareas e que los admstradores de produccó ha vertdo más tempo y recurso es e la plaeacó agregada. A lo largo del tempo se ha desarrollado muchos modelos utlzado programacó leal y estos ha tratado de alcazar los prcpales obetvos que busca ua plaeacó agregada [6],[8]. Ua de las vetaas que ofrece la programacó leal es que todas las

7 402 Arago et al varables y sus coste se puede expresar de maera explcta [6]. El modelo de programacó leal que se propoe e este artículo, busca mmzar los costos asocados a la plaeacó agregada de produccó. La otacó que se defrá de aquí e adelate es la que se utlzara a lo largo de este artículo. 4.1 Defcó De Varables De Decsó A cotuacó se defrá las varables de decsó del modelo de programacó leal para la plaeacó agregada de produccó: CE = Catdad de empleados e el perodo. CHE = Catdad Pr oducda e Horas Extras e el Perodo. CUS = Catdad de Pr oducco Subcotrat ada e el Perodo. CEC = Catdad de Empleados Cotratado s e el Perodo. CED = Catdad de Empleados Despeddos e el Perodo. PJR = Pr oducco Jorada Re gular e el Perodo. NUI = Numero de Udades e Ivetaro e el Perodo. 4.2 Defcó De Parámetros Costates Del Modelo. Los parámetros a cotuacó se cosdera costates detro del modelo: D = Demada Pr evsta e el Perodo. CDL = Catdad de das Laborables e el Perodo. CMB = Capacda Maxma e la bo deg a CHTEU = Catdad Horas de trabao Es ta dar por udad de la famla. ( Pr oducto Ter m ado ) CHEED = Catdad de horas Es ta dar por empleado da. CME = Capacdad max ma de Empleados PHE = Poltca Lmte Horas Extras. PCE = Poltca Lmte de Cotratac oes por Perodo. PDE = Poltca Lmte de Despdos por Perodo. PUS = Poltca Lmte Udades Subcotrat adaspor perodo. D = Demada Pr evsta e el Perodo. CostHR = Coste de hora Re gular. CostHE = Coste de Hora Extra. CostUS = Coste por Udad Subcotrat ada. CostC = Coste de Cotratar u Empleado. CostD = Coste de Despdo de u Empleado. CostUI = Costo de Udad e Ivetaro. A cotuacó, se preseta la fucó obetvo y las restrccoes del modelo de programacó leal. 4.3 Fucó Obetvo Auque exste dversas metas que alcazar a la hora de crear u pla agregado, para el modelo de programacó leal propuesto solo os cetramos e u obetvo, mmzar los costos asocados al pla agregado de produccó. E este setdo, para mmzar estos costos plateamos ua fucó obetvo que esta coformada por uos costos de mao de obra y otros de maeo de vetaro e el horzote de plaeacó coocdo. A cotuacó se defe e que cosste cada uo de estos costos: Costos mao de obra. Este tpo de costos hace refereca a los ocasoados por el cremeto de la produccó, o so costos fos, es decr, so costos asocados a la maufactura de productos e horas regulares, extraordaras y costos de udades subcotratadas. També tee e cueta los costos de cotratacó y despdo de persoal co el f de alcazar la demada prevsta [1]. El modelo de estos costos es el sguete: CMO = ( CDL CE CHEED CostHR ) ( CHE CHTEU CostHE ) ( CUS CostUS ) = 1 = 1 ( CEC CostC ) ( CED CostD ) = 1 = 1 = 1 Dode: CMO = Costo mao de Obra Costos asocados a maeo de vetaro Cuado se produce u desceso de la demada puede mateerse el rtmo de produccó establecdo acumulado e exceso de produccó e uestros almacees. Dcha catdad de artículos almaceados os permtrá satsfacer u exceso de demada que pueda producrse e u futuro s ecesdad de modfcar uestro rtmo de produccó. Evdetemete la acumulacó de vetaros tee u coste mportate, por lo que o se puede abusar de esta opcó [4].

8 Dya 162, El coste que se tedrá e cueta para el maeo de vetaro es el producdo al almacear u producto por perodo; el coste de ruptura de stock o se tedrá e cueta dvdo a la estratega de alcace de la demada que empleamos e el modelo o hay udades faltates. El modelo de estos costos es el sguete: Dode: CMI = = 1 ( NUI CostUI ) 1 CMI = Costo Maeo de Ivetaro. Después de defr los costos de mao de obra y maeo de vetaro os dspoemos a platear uestra fucó obetvo como sgue: Dode: M CAPA = CMO CMI CAPA = Costo de Aplcaco del Pla Agregado Para luego llegar a ua versó s cotraccó de la fucó obetvo: M CAPA = = 1 = 1 = 1 = 1 ( CDL CE CHEED CostHR ) ( CHE CHTEU CostHE ) ( CUS CostUS ) ( CEC CostC ) = 1 ( CED CostD ) ( NUI CostUI ) = Plateameto De Restrccoes Excte dversas categorías de restrccoes e la dustra maufacturera, como so: de mercado, de materales e vetaro, de capacdad, logístca, admstratvas y coductuales. Los requstos y ecesdades de mercado defe los límtes de redmeto específco de la empresa. Los problemas de materales, vetaro y capacdad le salta a la vsta al admstrador de la produccó, por lo tato, es posble que estas recba gra atecó. E las dustras maufactureras també hay restrccoes logístcas, admstratvas y coductuales [7]. El modelo de programacó leal que propoemos para ua plaeacó agregada tee e cueta lmtacoes de capacdad, mercado, materales e vetaro, admstratvas y de o egatvdad Restrccoes de capacdad Las horas regulares dspobles, está suetas a la catdad de empleados por perodo y dcha produccó por período esta sueta a la catdad de horas regulares útles. 1 CDL CE CHEED = PJR CHTEU Reemplazado parámetros costates y udades de las varables de decsó teemos: CDL [ da ] CE [ empleado ] 1 = PJR hora udad [ udad ] [ hora ] [ empleado da ] Otro tpo de restrccó de capacdad tee que ver co el límte de empleados que la empresa puede albergar. CE 1 CE = CE CEC CED CME 1 CEC CED Restrccoes de mercado Esta restrccoes exste dvdo a la estratega de alcace de la demada prevsta que se utlza para la plaeacó agregada, la cual adapta el rtmo de la produccó e cada perodo a la demada exstete. A Cotuacó se muestra el modelo de la restrccó de mercado que se utlzara. PJR CHE CUS NUI 1 D Reemplazado parámetros costates y udades de las varables de decsó teemos:

9 404 Arago et al CDL CHE [ da ] CE [ empleado ] [ hora ] [ empleado da ] 1 hora 2 udad [ udad ] CUS [ udad ] NUI [ udad ] D [ udad ] Restrccoes de materales e vetaro El modelo o tee cosderacoes lmtacoes acerca del maeo de materas prmas. Para modelar las restrccoes de vetaro, se tee que el vetaro al fal de u período debe ser gual al vetaro del período ateror sumada la produccó del período meos la demada del este perodo. NUI = NUI 1 PJR CHE CUS D Reemplazado parámetros costates y udades de las varables de decsó teemos: NUI CHE [ udad ] = NUI 1 [ udad ] PJR [ udad ] [ udad ] CUS [ udad ] D [ udad ] Los veles máxmos y mímos de vetaro está codcoados a la capacdad que se tee e la bodega para almacear producto termado. NUI CMB Este tpo de restrccoes costa de ua estructura muy smple, por lo cual o ecesta la descrpcó de las udades de los parámetros que la coforma Restrccoes admstratvas Estas restrccoes tee que ver co las dferetes polítcas que la gereca ha mpuesto e la empresa. Segudamete se expodrá y detallara estas polítcas y las restrccoes que estas colleva. Polítca de horas extras E la mayoría de los casos cuado se tee polítcas de horas extras, estas se calcula como u porcetae de la produccó e tempo regular. Para Colomba, por ley, se tee estpulado u máxmo de produccó e horas extras equvalete a u 10% de la produccó e orada regular [1]. CHE PHE PJR Polítcas de cotratacoes y despdos Esta polítca empresaral trata de o cotratar o despedr más de u úmero de empleados e u solo período. CEC PCE CED PDE Polítcas de máxma subcotratacó Esta restrccó lmta el úmero de udades de produccó que es coveete delegar a otra empresa. CUS PUS Restrccoes De No Negatvdad Esta restrccó mplca que gua de las varables de decsó e el modelo deber ser egatva. 5. MODELO DE PLANEACIÓN AGREGADA DE PRODUCCIÓN CON LÓGICA DIFUSA E esta parte del artículo se platea u modelo de programacó leal dfusa para la plaeacó agregada de produccó, este modelo es ua amplacó del modelo leal plateado e la seccó cuatro, co la dfereca que la demada esta dada de forma mprecsa o vaga. U caso partcular de la programacó leal dfusa es cuado los coefcetes del lado derecho de las restrccoes b so catdades co certo grado de certdumbre [3]. Para el dseño de este modelo se asume que los valores de la demada está defdos e D, D p para cada perodo, el tervalo [ ] dode D es la demada proostcada para el perodo y p es el compoete dfuso; p se puede defr por métodos cualtatvos para proóstcos de demada para cada perodo; estos métodos se basa e percepcoes y ucos de valor que se costruye a partr del etoro, de factores que determa la demada y e la preseca futura de estos [4].

10 Dya 162, Después de los aterores supuestos se procede a platear el modelo de dfuso para la plaeacó agregada el cual busca maxmzar la satsfaccó del decsor ( λ ) mmzado a su vez los costos de mplemetacó de u pla agregado bao ua estratega de alcace de demada prevsta, cuado esta posee certdumbre. El prmer supuesto que realzamos para uestro modelo es que D es u úmero dfuso. Para ua meor lustracó, D es u úmero dfuso de la forma: 1 ax D D ( x ) = p 0 s s ax D p D < ax < D p ax D Cuya represetacó se muestra e la fgura 5. Luego el couto dfuso de valores óptmos (U), el cual es u subcouto dfuso de R, esta defdo por [3]: 1 s x CAPA CAPA x U ( x ) = s CAPA < x < CAPA CAPA CAPA 0 x CAPA E este caso el grado de satsfaccó del decsor ( λ ) aumeta e la medda que la respuesta obteda se acerca a CAPA como lo muestra la fgura 6. Fgura 6. Número dfuso CAPA. Fgure 6. Fuzzy umbers CAPA. Fgura 5. Número dfuso Fgure 5. Fuzzy umbers D. D Ahora, para determar el couto dfuso de valores óptmos, prmero se calcula los límtes feror y superor de estos. Para hallar estos límtes, se solucoa los problemas de programacó leal estádar equvaletes: M S. a = 1 x 0 S. a CAPA a M CAPA = 1 x 0 = = 1 c x b p ( N ) a = = 1 x x b ( N ) c x. ( N ( N ) Para este f utlzamos el modelo de programacó leal que se propuso e el umeral cuatro. m m ) Luego la solucó más efcete se ecuetra resolvedo el sguete modelo de programacó leal [7]: Max λ S.A. Restrccoes De Capacdad: 1 CDL CE CHEED = PJR CHTEU CE 1 CEC CED CME Restrccoes De La Fucó Obetvo (Dfusa): λ ( CAPA = 1 ) ( CDL CE CHEED CostHR ) ( CHE CHTEU CostHE ) ( CUS CostUS ) ( CEC CostC ) ( CED CostD ) ( NUI CostUI ) CAPA CAPA 1 Restrccó De Mercado (Dfusa)

11 406 Arago et al = 1 PJR CHE CUS NUI 1 λ p D Restrccoes De Materales e Ivetaro (Dfusa): ( NUI 1 PJR CHE CUS ) P = D NUI λ NUI CMB Restrccoes Admstratvas: Polítca De Horas Extras: CHE PHE PJR Polítca De Cotratacoes Y Despdos: CEC PCE CED PDE Polítcas De Máxma Subcotratacó: CUS PUS Y Restrccoes De No Negatvdad Dode λ es el vel que como mímo tee que alcazar todas las fucoes de perteeca. Lo ateror se terpretará como el vel de aspracó o de satsfaccó de u decsor [2]. 6. APLICACIÓN DEL MODELO DIFUSO A UN PROBLEMA DE PLANEACIÓN AGREGADA E el sguete problema se lustra la vetaa de cosderar certdumbre e la formulacó de modelos para la plafcacó de la produccó. Se preseta a cotuacó la solucó de u problema de programacó leal dfusa para la plaeacó agregada de produccó cuado la demada es u parámetro dfuso. 6.1 Eucado Del Problema Ua empresa que se dedca a la fabrcacó y veta de electrodoméstcos, que vede co marca blaca e ua mportate cadea comercal, las prevsoes de demada para el próxmo año aparece refleadas e la tabla 1. Tabla 1. Demada prevsta Table 1. Expected demad Demada Prevsta Eero 2500 Febrero 3200 Marzo 3800 Abrl 2300 Mayo 1800 Juo 2500 Julo 4000 Agosto 3200 Septembre 3800 Octubre 2600 Novembre 2100 Dcembre 1800 El gerete de esta empresa ha comprobado (expereca) que la demada alcaza aproxmadamete 200 productos mas que las predccoes que se realza e la empresa, el explca que esto se debe a que las predccoes que se realza so muy coservadoras. El comportameto de la demada dfusa se descrbe e la fgura 8. Teedo e cueta la formacó ateror y los datos operatvos de la empresa (Tabla 2) se busca maxmzar la satsfaccó del decsor al mplemetar ua plaeacó agregada de produccó. Esta satsfaccó se logra mmzado los costos de la plaeacó agregada alcazado la demada e cada perodo. Fgura 7. Demada dfusa Fgure 7.Fuzzy demad E la tablas 2 muestra otra sere de datos operatvos de la empresa.

12 Dya 162, Tabla 2. Datos operacoales Table 2. Operatoal data Ivetaro fal 500 Producco mesde dcembre del presete año 2000 Coste utaro de almaceameto mesual $ Coste de cotrataco por empleado $ Coste despdo por trabador $ Coste de ua hora de mao de obra regular $ Coste de ua hora de mao de obra extra $ Coste de subcotrataco por udad $ Lmte de horas extrasmesuales Datos Operacoales 5% de la producco e orada regular. Horas de trabo mesual Aálss Y Solucó Del Problema Dfuso De Plaeacó Agregada Para propóstos de lustracó, caremos el aálss del problema co ua lsta de suposcoes usuales, para después, presetar la solucó ecotrada. Supuestos 1. Se supoe que los costos que se maeara, se comportara de maera costate a lo largo del horzote de plaeacó. 2. La plata de empleados es de 25 al co del horzote de plafcacó. 3. La empresa trabaa 5 días a la semaa, u turo al día, comezado labores a las 8 A.M. y termádolas a las 5 P.M. Co ua hora de almuerzo a las M. 4. Se supoe que la catdad de días laborables durate el horzote de plaeacó so los sguetes (Tabla 3): Tabla 3. Días laborados. Table 3. Labor days. Días Labor ados Eero 20 Febrero 20 Marzo 21 Abrl 20 Mayo 19 Juo 19 Julo 21 Agosto 19 Septembre 22 Octubre 21 Novembre 19 Dcembre Se supoe que la capacdad de produccó e horas regulares, extras se matee costate a lo largo del horzote de plaeacó. 6. Para determar la catdad de horas estádar por día por trabaador, se toma la suposcó que es la msma catdad de horas laborables por día. 7. Se supoe que la catdad de horas estádar por udad de la famla es gual las horas de trabao por udad ( 2 h / Udad ). 8. Se supoe que el espaco destado para almaceae de producto termado e la bodega de la empresa es para máxmo 500 udades. 9. Se supoe que la empresa tee ua polítca de produccó e horas extras de o superar 10% del total de produccó e orada regular. 10.Se supoe que la empresa tee ua polítca de o superar la cotratacó o despdo de mas de 10 empleados por perodo. 11.Se supoe que la empresa utlza ua polítca la cual tee como lmte máxmo de udades subcotratadas por perodo de 500 udades..se supoe que la empresa puede teer ua catdad de empleados máxma de 50. Para resolver este problema se utlza los modelos leal y dfuso plateados e este

13 408 Arago et al artículo los cuales fuero solucoados utlzado el software GAMS. Prmero se ecotraro los límtes superor e feror del modelo dfuso. Los valores de CAPA y CAPA so $ y $ respectvamete. E la tabla 4 se ecuetra el maeo de empleados ecotrado co el modelo, co el f de mmzar costos y alcazar la demada e cada perodo del horzote de plafcacó. Perodo Tabla 4. Maeo de empleados. Table 4. Maagemet employees Catda de empleados Numero de empleados cotratados Numero de empleados despeddos El volume de produccó resultate para el horzote de plafcacó se ecuetra dscrmado e la tabla 5. Perodo Tabla 5. Produccó Table 5. Producto Producco e Producco e orada regular orada extraordara Catdades subcotratadas Producco total Co estos resultados se alcazo u vel de satsfaccó del decsor de λ= %. E la fgura 8 podemos aprecar la produccó resultate de los modelo dfusos, determstas y la demada predcha. Udades Co m par co d e Mo d e lo s Pr o p u es to s vs. De m a da Pr e d cha Pe r o d os Demada Prevsta Modelo Determstco Modelo Dfuso Fgura 8. Comparacó de Modelos. Fgure 8. Comparso of Models 7. CONCLUSIONES Alguo de los beefcos que ofrece la lógca dfusa a los procesos de toma de decsoes e la plafcacó de la produccó es el maeo de la certdumbre. Esta característca le permte a la persoa o equpo que toma las decsoes, modelar co mayor exacttud el comportameto de u parámetro dfuso. aplcacó co lógca dfusa propuesta e este artículo para la toma de decsoes e la plafcacó de la produccó a medao plazo es u modelo de programacó leal dfusa que tee por obetvo maxmzar la satsfaccó del decsor. Esta aplcacó es útl cuado la demada es u parámetro co certo grado de certdumbre y la empresa sgue ua estratega de alcace de la demada. Esta aplcacó ofrece ua solucó a las prcpales varables de decsó e la plaeacó agregada de produccó como lo so: la produccó a realzarse e orada regular y extra, la produccó que será subcotratada y el úmero de cotratacoes y despdos por perodo e u horzote de plafcacó coocdo. El modelo de programacó leal dfuso propuesto se utlza e este artculo para solucoar u problema de plaeacó agregada dode la demada posee certdumbre. solucó que etrega el modelo para este problema alcaza u vel de satsfaccó e el decsor de 72% aproxmadamete, este resultado es aceptable detro del couto de modelos dseñados para la plaeacó de la produccó e dode los meores alcaza u vel de satsfaccó del 78%. Los modelos que se propoe e este trabao so sólo u eemplo de las dferetes

14 Dya 162, aplcacoes que puede teer la lógca dfusa para facltar la toma de decsoes a la hora de plafcar la produccó. REFERENCIAS [1] ARANGO S., MARTIN D.; URAN S., AUGUSTO; PEREZ O., GIOVANNI. (2008). Aplcacoes de lógca dfusa a las cadeas de sumstro. Avace e Sstemas e Iformátca, Vol. 5, Nº 3. [2] CORREA, JORGE. Aproxmacoes Metodológcas Para la Toma de Decsoes, Apoyadas e Modelos Dfusos. (2004). tess presetada a la Uversdad Nacoal de Colomba para optar al grado de Magíster e Igeería de Sstemas. Medellí. [3] KLIR, GEORGE. Fuzzy Sets ed Fuzzy Logc, Theory ad Applcatos. (1995). Vol. 1, New Jersey: Pretce Hall PTR [5] MULA, JOSEFA, Aplcacoes de la Teoría de los Coutos Dfusos e la Plafcacó de la Produccó: U Estudo de la Lteratura. (2004). Memoras VIII Cogreso de Igeería de Orgazacó. Legaés. [6] NARASIMHAN, S. Plaeacó de la produccó y cotrol de vetaros. 2 ed. Méxco: Pretce Hall. [1996]. [7] UMBLE, MICHAEL. Maufactura Scróca. (1995). Vol. 1, Méxco. [8] ZADEH. From crcut theory to systems theory. (1965). IRE Proc [9] ZIMMERMANN. Fuzzy Set Theory ad ts Applcato. (1996). thrd ed., Kluwer Academc Publshers. [4] MIRANDA, FRANCISCO. Maual de dreccó de operacoes. (2005). Vol. 2, Madrd.

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

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

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

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

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

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

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

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

(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

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

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

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

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

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

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

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

-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

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

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

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

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

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

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

ANEXO A: CUADRO DE MANDO DE LOS INDICADORES

ANEXO A: CUADRO DE MANDO DE LOS INDICADORES ANEXO A: CUADRO DE MANDO DE LOS INDICADORES Implatacó de u Cuadro de Mado Itegral e ua empresa de Artes Gráfcas e Terrassa ÍNDICE ÍNDICE A.- INDICADORES DE LA PERSPECTIVA FINANCIERA 3 A2.- INDICADORES

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

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

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

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

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras 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

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

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

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

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

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

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

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

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: 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

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

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

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES Uversdad de Los Ades Facultad de Cecas Ecoómcas y Socales Escuela de Admstracó y Cotaduría Públca Departameto de Cecas Admstratvas Cátedra de Produccó y Aálss de la Iversó Asgatura: Matemátca Facera APLICACIONES

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

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

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO)

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) I. Descrpcó del cálculo de los dcadores IFO CIFO La flota e operacó se medrá a través de los mecasmos IFO y CIFO, de acuerdo a lo establecdo

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

Programación lineal flexible con restricciones difusas

Programación lineal flexible con restricciones difusas 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

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

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

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

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

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA) Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y

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

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

Elaborado por: Ing. Rubén Toyama U. 1

Elaborado por: Ing. Rubén Toyama U. 1 CONTENIDO IDENTIFICACIÓN... 2 PLANIFICACIÓN DE LOS ENCUENTROS... 2 PROGRAMA ANALITICO... 3 ORIENTACIONES METODOLÓGICAS... 8. - Itroduccó.... 8..- Objetvos Geerales.... 9 2.- Desarrollo... 9 Prmer ecuetro...

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

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

4. ALGORITMO DE RESOLUCIÓN.

4. ALGORITMO DE RESOLUCIÓN. 4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

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

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

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

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

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

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa

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

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

GUíAS DE TRABAJOS PRÁCTICOS N 2 y N 3 (2do Cuatrimestre 2018) GRÁFICOS DE CONTROL

GUíAS DE TRABAJOS PRÁCTICOS N 2 y N 3 (2do Cuatrimestre 2018) GRÁFICOS DE CONTROL GUíAS DE TRABAJOS PRÁCTICOS 2 y (2do Cuatrmestre 208) GRÁFICOS DE COTROL ) Guía o 2: El admstrador de servcos de ua ageca grade de automóvles desea estudar la catdad de tempo requerdo para efectuar u tpo

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

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

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

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

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

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

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

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

ASIGNATURA: MATEMATICAS FINANCIERAS

ASIGNATURA: MATEMATICAS FINANCIERAS PUNTES DOCENTES SIGNTUR: MTEMTICS FINNCIERS PROFESORES: MRIN JIMES CRLOS JVIER SRMIENTO LUIS JIME DEPRTMENTO DE CIENCIS BÁSICS VERSION: 2-20 QUÉ ES MTEMÁTICS FINNCIERS? Hace alguos años éste era u tema

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

CURSO REDES ELECTRICAS II 1 CAPITULO 4

CURSO REDES ELECTRICAS II 1 CAPITULO 4 CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles