Tema 2: Modelos lineales de optimización con variables enteras.

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

Download "Tema 2: Modelos lineales de optimización con variables enteras."

Transcripción

1 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. Modelar relacoes lógcas etre restrccoes co varables baras Epresar u problema etero geeral como u problema baro Modelar matemátcamete y resolver e OPL varos problemas típcos de programacó leal etera Epresar alguos comportametos o leales como problemas eteros

2 Itroduccó E muchos problemas de programacó leal sólo tee setdo aquellas solucoes de la regó factble e las que todas o alguas de las varables de decsó toma valores eteros. Este tpo de problema se deoma e geeral de programacó leal etera. S todas las varables del problema debe ser eteras se habla de programacó etera pura, pero s sólo alguas debe ser eteras y las restates cotuas se habla de programacó leal etera mta. Cuado las varables eteras estárestrgdas a losdos valores 0, se deoma varables baras, y el problema correspodete problema baro. Comoveremoseeltema6delaasgatura,laresolucódelosproblemas eteros resulta más compleja que los cotuos. E este caso la solucó óptma o ecesaramete tee que cocdr co u vértce de la regó factble del problema cotuo, so que puede estar e el teror o e las arstas de dcha regó, pero sempre e putos co valor etero de sus coordeadas. Por ejemplo, el sguete modelo leal etero puro tee la solucó óptma e el puto (3, 2), bastate alejado del puto etremo dode tee su valor óptmo el problema cotuo. 2 Mmzar -6 5 subject to , 0, teger Solucó óptma del problema cotuo Solucó óptma del problema etero 3 2 La utlzacó de varables eteras e geeral y baras e partcular amplía otablemete las posbldades de modelado de la programacó leal, hacedo posble la dsyucó de restrccoes, la mplcacó lógca etre restrccoes y e geeral la corporacó al modelo de certos comportametos o leales de la realdad. E este tema eploraremos alguas de las uevas posbldades que troduce las varables eteras desde el puto de vsta del modelado de problemas. També veremos su epresó e el leguaje OPL. E el tema 6 estudaremos los métodos algorítmcos que se utlza para resolverlos. 2

3 Domos de aplcacó de la Programacó Etera La programacó etera resulta de terés e el modelado de los sguetes domos de aplcacó: Aplcacoes co etrada y salda de datos dscretos Se trata de las aplcacoes e las que la programacó etera se hace más evdete. Surge cuado se quere modelar platas que fabrca productos co valor añaddo muy alto y e u úmero de udades etero y relatvamete pequeño, por ejemplo, vehículos de trasporte, equpos electrócos de alta tecología, etc. Por el cotraro, s los valores eteros que se maeja e estos problemas so elevados, podría resolverse como s fuese de programacó leal cotua y posterormete redodear la solucó. Aplcacoes co relacoes lógcas etre varables o restrccoes Ocurre e bastates ocasoes reales que es ecesaro establecer relacoes lógcas etre las restrccoes que se debe mpoer. Por ejemplo,. s se abre ua fábrca e Zaragoza, se puede abrr també u almacé. Este tpo de relacoes lógcas se puede modelar troducedo uevas varables baras. Aplcacoes de optmzacó combatora Muchos problemas práctcos de optmzacó tee como característca básca la esteca de u úmero etremadamete grade de solucoes factbles. Dchas solucoes aparece como cosecueca de dferetes métodos de ordear actvdades y asgar recursos. Este tpo de problemas se deoma combatoros. Lealzacó de problemas No leales Como veremos e el tema 9 muchos problemas o leales se puede apromar utlzado modelos de programacó etera bara. 3

4 Problema Se está cosderado cuatro posbles versoes. La prmera de ellas se prevé que proporcoe uos beefcos etos de euros, la seguda, euros, la tercera euros, y la cuarta euros. Cada ua de las versoes requere ua catdad de dero e efectvo: 5.000, 7.000, y euros, respectvamete. S solo se dspoe de euros para vertr. Qué modelo de programacó leal etera permte obteer la combacó de versoes que prevea los mámos beefcos? Solucó Varables de decsó NUEVO La declaracó de varables eteras e OPL se realza co la palabra clave t seguda del ombre de la varable y de la defcó del rago de varacó. El rago es oblgatoro y se compoe de la palabra clave seguda del tervalo de varacó: etremo feror..etremo superor Modelo OPL s se elge la versó =,2,3,4 0 s o se elje Restrccoes ,,, 2,3, 4 Fucó objetvo Mamzar z La suma de los costes de las versoes o debe rebasar la catdad total dspoble. Hay que mamzar el beefco total de todas las versoes dvar t 0..; dvar t 2 0..; dvar t 3 0..; dvar t 4 0..; mamze 6*+22*2+2*3+8*4; subject to { 5*+7*2+4*3+3*4 <= 4; } // soluto (optmal) wth objectve 42 = 0; 2 = ; Luego las versoes seguda, tercera 3 = ; y cuarta produce el mámo beefco de euros 4 = ; 4

5 Problema 2 Se desea amplar ua compañía co la stalacó de ua ueva factoría e Zaragoza o Sevlla o e ambas cudades. També se pesa costrur a lo sumo u almacé e ua cudad dode se stale algua factoría. E la sguete tabla aparece los beefcos estmados de stalar ua factoría y costrur ualmacé e Zaragoza y Sevlla, y el captal requerdo para ello. Se dspoe de u captal total para la versó de 39 M euros. El objetvo es tomar las decsoes que optmce el beefco de la versó. Decsoes Beefco estmado Captal requerdo Istalar ua factoría e Zaragoza 9 M euros 6 M euros Istalar ua factoría e Sevlla 5 M euros 3 M euros Costrur u almacé e Zaragoza 6 M euros 5 M euros Costrur u almacé e Sevlla 4 M euros 2 M euros Solucó Varables de decsó = Istalar ua factoría e Zaragoza 2 = Istalar ua factoría e Sevlla 3 = Costrur u almacé e Zaragoza = Costrur u almacé e Sevlla 4 Restrccoes Fucó objetvo Mamzar Z s la decsó ó es sí = 0 s la decsó es o El cojuto de decsoes que seadopte o debe rebasar el presupuesto de versó dspoble Se debe costrur a lo sumo u almacé El almacé e Zaragoza sólo se puede costrur s se stala ua factoría e Zaragoza El almacé e Sevlla sólo se puede costrur s se stala ua factoría e Sevlla Hay que mamzar el beefco total de todas las decsoes de versó dvar t 0..; dvar t 2 0..; dvar t 3 0..; dvar t 4 0..; Modelo OPL mamze 9*+5*2+6*3+4*4; subject to { 6*+3*2+5*3+2*4 <= 29; 3+4 <= ; 3 <= ; 4 <= 2; } // soluto (optmal) wth objectve 35 = ; 2 = 0; 3 = ; 4 = 0; Solucó optma: costrur ua factoría e Zaragoza y el almacé també e Zaragoza, co u beefco estmado de 35 M euros. 5

6 Varables dcadoras: cotrol del valor de ua varable cotua Es posble establecer relacoes lógcas etre restrccoes leales usado varables eteras baras y mateedo la lealdad. E este apartado vamos a utlzar estas varables como dcadoras de que se cumple ua codcó e ua varable cotua. Por ejemplo, la varable bara d podemos utlzarla para dcar co valor que la varable cotua es mayor que cero, es decr: 0d Esta mplcacó lógca la podemos modelar co la sguete restrccó: M d 0 Sedo M ua cota superor del valor de. E efecto, cuado es mayor que 0 ecesaramete d tedrá que valer para que el lado zquerdo de la restrccó sea efectvamete meor o gual que 0. La restrccó ateror os asegura que d tomará el valor sempre que >0, pero o el setdo opuesto de esta mplcacó, es decr, que sempre que d=se cumpla que >0.Para modelar e la práctca el setdo opuesto de esta mplcacó será ecesaro la defcó de u certo umbral m para a partr del cual se cosdere que deja de ser cero y toma u valor postvo, es decr: d m Esta mplcacó lógca la podemos modelar co la sguete restrccó: md 0 E alguas ocasoes o es ecesaro mpoer eplíctamete esta seguda restrccó porque la codcó de óptmo la mpoe mplíctamete, como ocurre e el modelado de ua fucó objetvo de coste fjo que aalzamos a cotuacó. 6

7 Costes fjos Las varables dcadoras se puede utlzar para modelar fucoes de coste e las que aparece ua compoete de coste fjo. Se trata de casos e los que el coste total de ua actvdad es la suma de u coste varable, cas sempre proporcoal al vel de la actvdad, y u coste fjo ecesaro para carla (set-up). S C es el coste por udad de producto y C 2 el coste de calzacó, el coste total vedrá dado por: Coste total S 0 coste total 0 S 0 coste total C C 2 C La gráfca de la derecha recoge el comportameto de estas fucoes de coste. C El modelo utlzará ua varable dcadora d y lasrestrccoes que asegura lasdoscodcoesaterores sobre el valor de : Mmzar z C C2 sujeto a : M d 0 md 0 E este caso podemos elmar la seguda restrccó ya que al tratarse de u problema de mmzacó, queda asegura por la codcó ó de óptmo: Mmzar z C C2 suejeto a : M d 0 7

8 Problema 3: coste fjo Tres compañías de teléfoos ofrece su servco de larga dstaca co Estados Udos e las sguetes codcoes: La compañía C cobra ua tarfa fja de 6 euros al mes, más 0,25 cétmos por muto. La compañía C2 cobra 25 euros al mes de tarfa fja, pero reduce el coste por muto a 0,2 cétmos. La compañía C3 ofrece ua tarfa fja mesual de 8 euros y u coste por muto de 0,22 cétmos. Las compañías sólo cobra la tarfa fja s se realza algua llamada a través de su operador. Teedo e cueta que u usuaro cosume u promedo mesual de 200 mutos e llamadas a Estados Udos, y que puede repartr dchas llamadas etre las tres compañías, qué servcos debe utlzar para que la factura mesual de teléfoo sea lo más ecoómcaposble? Solucó dvar float+ ; Modelo OPL dvar float+ 2; Varables de decsó dvar float+ 3; dvar t y 0..; = mutos mesuales cosumdos co C dvar t y2 0..; s 0 dvar t y3 0..; y 0 caso cotraro mmze 0.25*+0.2*2+0.22*3+ 0 2* *, 2, 3 6*y+25*y2+8*y3; Restrccoes 200y y y3 0, 2, 3 0 y, y, y 0, 2 3 Fucó objetvo 200 es ua cota superor de las tres varables de decsó cotuas Hay que mmzar el coste total de la factura Mmzar z 025 0, 02 0, 022 0, 6 y 25 y 8 y subject to { +2+3==200; -200*y <= 0; 2-200*y2 <= 0; 3-200*y3 <= 0; } // soluto (optmal) wth objectve 62 = 0; 2 = 0; Solucó optma: cotratar co la 3 = 200; compañía C3, resultado ua y = 0; factura mesual de 62 euros. y2 = 0; y3 = ; 8

9 Problema 4: recubrmeto Se desea costrur el meor úmero de estacoes de bomberos que cubra u terrtoro de 6 cudades C, C2, C3, C4, C5, y C6. Las estacoes se podría costrur e cualquera de las cudades pero garatzado sempre que todas las cudades dspoga al meos de ua estacó a ua de dstaca máma de 5 mutos. E la sguete tabla se da los tempos e mutos para r de ua cudad a otra: C C2 C3 C4 C5 C6 C C C C C C Se debe averguar el úmero de estacoes de bomberos a costrur y la cudad dode debe costrurse. Solucó dvar t 0..; dvar t 2 0..; Varables de decsó dvar t 3 0..; dvar t 4 0..; s se elge la cudad dvar t 5 0..; =,2,3,4,5,6 0 s o se elje dvar t 6 0..; Restrccoes Fucó de coste C C2 C3 C4 C5 C6 C C C C C C Para cada cudad hay que mpoer el recubrmeto co el resto de cudades que se ecuetra a 5 o meos mutos de ella (coloreadas y e la msma fla de la tabla) El úmero de estacoes de bomberos debe ser mímo Mmzarz Modelo OPL mmze ; subject to { +2 >=; +2+6 >=; 3+4 >=; >=; >=; >=; } // soluto (optmal) wth objectve 2 = 0; 2 = ; 3 = 0; Solucó optma: costrur 4 = ; dos estacoes de bomberos 5 = 0; e las cudades C2 y C4 6 = 0; 9

10 Modelado de la dsyucó etre dos restrccoes leales utlzado varables baras Se trata de mpoer el cumplmeto de ua restrccóetreetre dos restrccoes, es decr, que se cumpla: ó,, Para ello teemos e cueta lo sguete: S M es ua cota superor de etoces M se cumple,, E realdad la restrccó ateror o mpoe gú valor a sus varables fuera de su rago de varacó, es decr, al sumarle la cota M al lado derecho aulamos la restrccó. Por tato troducedo ua varable bara y, el sguete programa hace que sólo se mpoga ua de las restrccoes: My ' M ( y), 2, 3 0 y 0, S y = se aula esta restrccó, s y = 0 se mpoe S y = se mpoe esta restrccó, s y = 0 se aula Como y debe tomar uo de los valores 0 o, se mpoe ecesaramete uade las dos restrccoes El msmo comportameto se cosgue troducedo dos varables baras e mpoedo que su suma valga : My ' M y 2 y y2, 2, 3 0 y, y 0, 2 0

11 Los casos aterores modela la dsyucó eclusva de la dos restrccoes, porque forzosamete se mpoe ua y sólo ua de las dos. E cambo, s mpoemos que la suma de las dos varables baras pueda ser meor que, es decr 0, admtmos la posbldad de que o se mpoga gua de las dos, es decr, que como mámo se cumple ua de ellas: My My y y 2,, y, y 0, El caso ateror podemos geeralzarlo al caso de N restrccoes leales de las cuales se mpoe K < N: f (,,..., ) b 2 f (,,..., ) b f (,,..., ) b N 2 N Para ello troducmos N varables baras y egmos que su suma sea gual a N K: f (,,..., ) b M y 2 f (,,..., ) b M y f (,,..., ) b M y N 2 N N N N y N - K y 0, ;,... N M cota superor de f (,,...,, ) b 2

12 Problema 5 Ua compañía está cosderado la fabrcacó de tres tpos uevos de vehículos: T, T2, y T3. Los recursos ecesaros para su fabrcacó, los recursos dspobles, y los beefcos esperados, para cada tpo de vehículo, se da e la sguete tabla: Tpos T T2 T3 Dspobldad Materal 500 klos 3000 klos 5000 klos klos Trabajo 30 horas 25 horas 40 horas horas Beefcos 2000 euros 3000 euros 4000 euros La empresa quere coocer qué tpo de vehículos debe fabrcar y cuátos para mamzar los beefcos, teedo e cueta que u uevo modelo solo resulta ecoómcamete vable s se fabrca al meos 000 udades. Solucó es ua cota del úmero de vehículos que se puede costrur mpuesta por las horas dspobles: /25 = Varables de decsó Los klos dspobles mpoe ua cota meos restrctva, úmero de vehículos a costrur del tpo T,,2,3 y varable bara aular para epresar la dsyucó Restrccoes S y = 0 etoces = 0, luego o se fabrca vehículos del tpo T 2400y. Igual ocurre para =2 y ( y) S y = etoces >= 000, luego se y2 fabrca vehículos del tpo T ( y2) Igual ocurre para =2 y y ( y3) Los klos de materal cosumdo o debe sobrepasar los klos dspobles, Las horas de trabajo cosumdas o debe sobrepasar los horas dspobles Fucó de coste Mamzar z Hay que mamzar el beefco total dvar float+ ; dvar float+ 2; dvar float+ 3; dvar t y 0..; dvar t y2 0..; dvar t y3 0..; Modelo OPL Se podía haber usado varables t mamze 2*+3*2+4*3; subject to { <= 2400 * y; <= 2400 * ( - y); 2 <= 2400 * y2; <= 2400 * ( - y2); 3 <= 2400 * y3; <= 2400 * ( - y3);.5*+3*2+5*3 <= 6000; 30*+25*2+40*3 <= 60000; } // soluto (optmal) wth objectve 6000 = 0; 2 = 2000; 3 = 0; Solucó optma: costrur 2000 y = 0; y2 = ; y3 = 0; vehículos de tpo T2 co u beefco de

13 Problema de la mochla El problema de la mochla es u problema clásco que puede formularse sólo co varables baras 0. Toma su ombre de la versó que platea la decsó que debe tomar u ecursosta para preparar su mochla troducedo ua sere de objetos de utldad, pero teedo e cueta que e la msma sólo cabe u úmero lmtado de ellos. Debe elegr u subcojuto de los objetos que mamce la utldadtotalque obtee, pero srebasarlacapacdadde lamochla. S es el úmero de objetos posbles, v el volume que ocupa el objeto, u el valor de utldad que el ecursosta da al objeto, y b el volume de la mochla, el problema se platea de la sguete forma: Varablesdedecsó : =,2,..., s se elge el objeto para troducr e la mochla 0 caso cotrao Mamzar z u Semamza la utldad total de los objetostroducdos e la mochla, que es la suma de las utldades de cada objeto sujeto a : v 0, b Los objetos troducdos o debe sobrepasar el volume de la mochla Podría estr más dmesoes que lmte los objetos que se puede troducr ela mochla, por ejemplo, el peso. S p es el peso dl del objeto, yp el peso total que puede soportar la mochla, habría que añadr e este caso la sguete restrccó; p p 3

14 Problema 6: mochla Se debe realzar u evío de 7 objetos dsttos. El valor, peso y volume aparece e la sguete tabla: Objeto Valor (euros) Peso (klos) Volume (cm 3 ) Determar el evío de valor mámo que o eceda el peso total de 4 klos el volume de 00 cm Solucó Varables de decsó dvar t 0..; dvar t 2 0..; dvar t 3 0..; dvar t 4 0..; s se cluye el objeto e el evío dvar t 5 0..; 0 caso cotrao dvar t 6 0..; =,2, 3, 4,5,6,7 dvar t 7 0..; Restrccoes Los objetos troducdos o debe sobrepasar el peso de la mochla Fucó de coste Los objetos troducdos o debe sobrepasar el volume de la mochla Mamzar z Modelo OPL mamze 56*+7*2+69*3+9*4+70*5+85*6+65*7; subject to { 7*+*2+4*3+4*4+9*5+2*6+2*7 <=4; 2*+6*2+7*3+28*4+2*5+3*6+9*7 <=00; } // soluto (optmal) wth objectve 360 = 0; Se mamza el valor total de los 2 = ; objetos troducdos e la mochla. 3 = ; 4 = 0; 5 = ; = ; 7 = ; Solucó optma: el evío estará costtudo porlosobjetos2,3,5,6y7;couvalorde 360 euros 4

15 Problema 7: asgacó de tareas a máquas Ua fábrca realza 3 tareas dferetes asocadas a la elaboracó de otros tatos productos. La fábrca dspoe de 4 máquas que so utlzadas para la realzacó de las tareas. E la sguete tabla aparece la secueca de máquas que utlza cada tarea y el tempo e mutos que la tarea ocupa e la correspodete máqua. També aparece e la últma columa el tempo mámo que puede durar ua tarea, desde que empeza hasta que terma. Cada máqua sólo puede realzar ua tarea smultáeamete. Tarea Sucesó de máquas (tempo de ocupacó de la máqua) Tempo mámo por tarea T M(4)M3(3)M4(5) 6 T2 M(2)M2(6)M3() 4 T3 M2(7)M4(4) 4 Se trata de dseñar u modelo leal de programacó de las 3 tareas sobre las 4 máquas para que se realce e el meor tempo posble. Solucó Varables de decsó state de co de la tarea T e la máqua M ; =,2, 3; j,2,3,4 j j El co de la tarea T e la máqua M 3 tee que comezar cuado haya falzado e la máqua M,es decr, a partr de 4 mutos después del co e M. Aálogamete para las demás tareas. Restrccoes de secuecacó de cada tarea e las máquas T T2 T3 M 4 M M 2 M2 7 M M M4 5 M La tarea T o debe durar más de 6 mutos, es decr, el co e la últma máqua (M 4 ) más la duracó e esta máqua (5) debe ser <= que 6. Aálogamete para las demás tareas. 5

16 Solucó (cotuacó) Restrccoes de ordeacó de las tareas e las msmas máquas 2 Md 2 4 M( d ) 2 Las tareas T yt 2 utlza la máqua M, por tato hay que mpoer la dsyucó eclusva del co de ambas tareas e esta máqua. Para ello utlzamos la varable bara d. Md M( d ) Las tareas T yt 2 utlza la máqua M 3, por tato hay que mpoer la dsyucó eclusva del co de ambas tareas e esta máqua. Para ello utlzamos la varable bara d 2. 4 Md M( d ) Md M( d ) Las tareas T y T 3 utlza la máqua M 4, por tato hay que mpoer la dsyucó eclusva del co de ambas tareas e esta máqua. Para ello utlzamos la varable bara d 3. Las tareas T 3 yt 2 utlza la máqua M 2, por tato hay que mpoer la dsyucó eclusva del co de ambas tareas e esta máqua. Para ello utlzamos la varable bara d 4. Fucó objetvo Mmzar t t 4 t 34 4 t Para epresar la fucó de coste que mmza el tempo de falzacó de todas las tareas troducmos ua ueva varable t y le mpoemos que sea mayor que el tempo de falzacó de las tres tareas (tempo de co e la últma máqua utlzada + duracó e esa máqua). Después mmzamos t. 6

17 Problema 7: modelo OPL y resultados dvar t 0..00; dvar t ; dvar t ; dvar t ; dvar t ; dvar t ; dvar t ; dvar t ; dvar t d 0..; dvar t d2 0..; dvar t d3 0..; dvar t d4 0..; dvar t t 0..00; Modelo OPL mmze t; subject to { 3 >= + 4; 4 >= 3 + 3; 22 >= 2 + 2; 23 >= ; 34 >= ; <= 6; <= 4; <= 4; <= 00*d; <= 00*(-d); <= 00*d2; <= 00*(-d2); <= 00*d3; <= 00*(-d3); <= 00*d4; <= 00*(-d4); <= t; 23 + <= t; <= t; } T T2 T3 // soluto (optmal) wth objectve 6 t = 6; 3 = 8; = 2; 4 = ; 22 = 7; 2 = 0; 23 = 3; 34 = 7; 32 = 0; d = 0; d2 = ; d3 = 0; d4 = 0; M M3 M4 M M2 M3 M2 M

18 Problema del vajate Sobre ua red de carreteras que coecta cudades C,,C,,C hay que determar el teraro de míma dstaca que partedo de ua cudad pasa ua sola vez por todas y cada ua de las cudades volvedo a la cudad cal. C C Varables de decsó : s e el teraro está el arco C C j j =,..., ; j,..., ; j 0 caso cotraro u varables aulares para evtar sub teraros; 2,3,..., C sujeto a : = =,...; j j j = j=,...; j j u u ;, j 2,3,..., ; j j j De ua cudad se parte ua sola vez A ua cudad se llega ua sola vez Evta sub teraros descoectados S u u u u u u 0 j j j j j Mmza la dstaca de a ruta Mmzar L d ; j j j j 8

19 Problema 8: recorrdo del vajate Sobre ua redde carreteras que coecta varas cudades hay que determar el teraro de míma dstaca que partedo de ua cudad pasa ua sola vez por todas y cada ua de cudades volvedo a la cudad cal. Las dstacas etre cudades so las sguetes: C C4 C2 C3 d d23 4 d d d d d d d d d d Solucó Varables de decsó s e el teraro está el arco C C j j =,2, 3,4; j,2,3,4; j 0 caso cotraro Restrccoes De ua cudad se parte ua sola vez A ua cudad se llega ua sola vez Evta sub teraros descoectados Fucó objetvo u2 u u3 u u u 4 3 u u u u u u Mmzar z Mmza la dstaca de a ruta 9

20 Problema 8: modelo OPL dvar t 2 0..; dvar t 3 0..; dvar t 4 0..; dvar t 2 0..; dvar t 3 0..; dvar t 4 0..; dvar t ; dvar t ; dvar t ; dvar t ; dvar t ; dvar t ; dvar t u ; dvar t u ; dvar t u ; Modelo OPL // soluto (optmal) wth objectve 2 = ; 2 = 0; 3 = 0; 3 = ; 4 = 0; 4 = 0; 23 = 0; 32 = 0; 24 = ; 42 = 0; 34 = 0; 43 = ; u2 = 0; u3 = 2; u4 = ; mmze 2*2+3*2+6*3+4*3+4*4+2*4+4*23+ 5*32+2*24+3*42+5*34+3*43; subject to { == ; == ; == ; == ; == ; == ; == ; == ; u2 <= u3-4*23+3; u3 <= u4-4*34+3; u2 <= u4-4*24+3; u4 <= u2-4*42+3; u3 <= u2-4*32+3; u4 <= u3-4*43+3; } C C4 C2 C3 20

21 Fucoes co N valores posbles Ua fucó que deba tomar u valor v etre N valores posbles se puede modelar co la ayuda de N varables baras y. E efecto, s la fucó es: f (,,..., ) v v... v 2 2 N Se modela co el sguete cojuto de restrccoes: f (, 2,..., ) v y N N y 0, ;,... N y 2

22 Coversó de varables eteras e baras Como tedremos ocasó de estudar e el tema 6 los algortmos que resuelve problemas eteros baros puros so más efcetes que los que volucra varables eteras e geeral. Por ello resulta teresate covertr varables eteras acotadas e varables baras. S 0 u; co, u Z N N podemos poer 2 u 2 ; co N Z y la represetacó bara de será: 2 y; co y varables baras N 0 Ejemplo Mamzar z= 2 sujeto a co, Z 2 5 cota superor de N 2 y 2y 4y cota superor de N 3 y 2y 4y 8y Mamzar z= y 2y 4y y 4y 8y 6y sujeto a co y y 2y 4y y 4y 8y 3y 6y 2y 24y 30 0,

23 Problema: dvar t y0 0..; dvar t 0..00; dvar t y 0..; dvar t ; dvar t y2 0..; Modelo OPL mamze +2*2; Modelo OPL dvar t y3 0..; (varables baras) subject to (varables eteras) dvar t y4 0..; { dvar t y5 0..; dvar t y6 0..; mamze y0+2*y+4*y2+y3+4*y4+8*y5+6*y6; <= 5; 2*+3*2<=30; }; subject to { y0+2*y+4*y2<=5; 2*y0+4*y+8*y2+3*y3+6*y4+2*y5+24*y6<=30; }; // soluto (optmal) wth objectve 20 = 0; 2 = 0; // soluto (optmal) wth objectve 20 y0 = 0; y = 0; y2 = 0; y3 = 0; y4 = ; y5 = 0; y6 = ; y0 2y4y y 2y 4y 8y Para determar los valores eteros de las varables de decsó orgales teemos que utlzar sus epresoes e térmos de las varables baras: y0 2y4y2 y 2y 4y 8y

24 Epresó del producto de dos varables baras El producto de dos varables baras b b2 es u térmo o leal y por tato o se puede utlzar drectamete e el modelado de u problema de programacó leal. S embargo podemos epresar ese producto e térmos de restrccoes leales, susttuyedo el producto por la varable bara y juto al sguete cojuto de restrccoes leales: y b bb2 y b2 y b b2 b, b, y 0, 2 E efecto, la varable troducda debe cumplr la sguete tabla e fucó de las varables orgales: b b 2 y Tabla cuyo cumplmeto vee asegurado por las restrccoes troducdas: y b S b 0 y 0 yb S b 0 y y b b S b b y y 2 2 Asegura el cumplmeto de las etradas ª y 2ª de la tabla Asegura el cumplmeto de las etradas ª y 3ª de la tabla Asegura el cumplmeto de las etradas 4ª de la tabla 24

25 Epresó del producto de ua varable bara por otra cotua o egatva S ua de las varables del producto es cotua, també podemos epresarlo e térmos de restrccoes leales co varables baras: b varable bara varable cotua co 0 u cota superor de Podemos susttur el producto por la varable y juto al sguete cojuto de restrccoes: y ub y b y u ( b ) y 0 co y varable cotua E efecto, la varable troducda debe cumplr la sguete tabla e fucó de las varables orgales: b 0 y 0 Tabla cuyo cumplmeto vee asegurado por las restrccoes troducdas: yub S b0 y 0 y 0; y u( b) y u y 0 y u( b) S b y y ; y ub y u y Asegura el cumplmeto de la etrada ª de la tabla b = 0 aula esta restrccó porque -u es sempre 0 o egatvo Asegura el cumplmeto de la etrada 2ª de la tabla b = aula esta restrccó porque y es meor que la cota de 25

26 Problema: barcos a doble puerto Dos factorías de gas F y F2 so sumstradas desde gasoductos y barcos. Para u mes determado este tres barcos alteratvos para sumstrar gas co capacdades B, B 2, B 3 y costes respectvos del gas y trasporte C, C 2, C 3. Los barcos puede descargar a doble puerto, es decr, dejar parte de la carga e el Puerto y el resto e el Puerto2. Las factorías sumstra gas a cco putos co demadas D,D 2,D 3,D 4,D 5 respectvamete, sedo C j elcostedesumstrardesdelafactoría la demada j. El coste utaro del gas procedete de gasoductos es G y G 2 respectvamete. Se trata de determar la catdad de gas sumstrada por gasoducto y barco a las factorías así como las catdades trasportadas desde las factorías a los putos de demada de maera que el coste total de sumstro sea mímo. E la sguete fgura aparece los valores de las demadas, coste de trasporte utaro de factorías a putos de demada, el coste utaro del gas procedete de gasoductos, y el coste de los barcos y sus capacdades. E el caso de sumstro co barco a doble puerto habrá que determar també la catdad que descarga e cada puerto. barcos B 3 B B2 4 B 5 B 2 3 C C C C C D D D D D , 5 Gasoducto Puerto Puerto2 Gasoducto2 B 3 C C 2 C g p p2 g G 00 2 G 00 F dd2d3d4d5 d2d22d23d24d25 D D 2 D 3 D 4 D 5 F2 3 C C C C C

27 Modelo leal Varables de decsó : g catdad de gas sumstrado por el gasoducto ; =,2 p catdad de gas sumstrado por el puerto ; =,2 dj gas sumstrado por la factoría al puto de demada j; =,2; j =,2,3,4,5 b varables baras que determa co valor la seleccó del barco B ; =,2, 3 d varables cotuas0,que fja porcetajes de descarga del barco B ; =,2, 3 y varables cotuas para formular el producto b d ; =,2, Mmzar z C d b C G g j j k k l l j k l Se mmza la suma de todos los costes sujeto a : p bbd b2b2d2 b3b3d3 p2 bb ( d) b2b2( d2) b3b3( d3) g p d d 2 d 3 d 4 d 5 g2 p2 d2 d22 d23 d24 d25 d d2 D Los productos b d se lealzará troducedo y d2 d22 D2 d3 d23 D3 y b d4 d 24 D 4 y d d5 d25 D5 bd y d ( b) y Mmzar z C d b C G g sujeto a : p B y B y B y j j k k l l j k l p B ( b y ) B ( b y ) B ( b y ) g p d d d d d g p d d d d d d d D 2 d d D d d D d d D d y y d 25 D 5 y d ( b) b d y 0 y y y d ( b ) y y y b d 0 b 3 3 d 3 3 y d ( b ) y 27

28 Modelo OPL //Varables de decsó dvar t b 0..; dvar t b2 0..; dvar t b3 0..; dvar float+ d 0..; dvar float+ d2 0..; dvar float+ d3 0..; dvar float+ y; dvar float+ y2; dvar float+ y3; dvar float+ d; dvar float+ d2; dvar float+ d3; dvar float+ d4; dvar float+ d5; dvar float+ d2; dvar float+ d22; dvar float+ d23; dvar float+ d24; dvar float+ d25; dvar float+ g 0..; dvar float+ g2 0..; dvar float+ p; dvar float+ p2; //Fucó objetvo mmze *d + *d2 +00*d3 +00*d4 +00*d5 + 00*d2 + 00*d22 +*d23 +*d24 +*d25 + *b + *b2 +*b3 +00*g +00*g2; //Restrccoes subject to { p==3*y+4*y2+5*y3; y2+5 y3; p2==3*(b-y)+4*(b2-y2)+5*(b3-y3); g+p==d+d2+d3+d4+d5; g2+p2==d2+d22+d23+d24+d25; d+d2==; d2+d22==.5; d3+d23==; d4+d24==; d5+d25==; y<=b; y<=d; y>=d-(-b); y2<=b2; y2<=d2; y2>=d2-(-b2); y3<=b3; y3<=d3; y3>=d3-(-b3); // soluto (optmal) wth objectve 56.5 d = ; La Factoría d2 =.5; sumstra a las d3 = 0; demadas y 2 d4 = 0; d5 = 0; d2 = 0; d22 = 0; d23 = ; d24 = ; d25 = ; b = 0; b2 = 0; b3 = ; g = 0.5; g2 = 0; p = 2; y = 0; y2 = 0; y3 = 0.4; p2 = 3; d = 0; d2 = 0; } d3 = 0.4; 04; La Factoría2 sumstra a las demadas 3, 4 y 5 Seleccoa barco B 3 40% de B 3 descarga e Puerto, el 60% e Puerto2 28

29 Varables dcadoras: cotrol de la mposcó de ua restrccó leal De la msma maera que hemos utlzado varables baras dcadoras del valor de ua varable cotua, podemos utlzarlas como dcadoras del cumplmeto de ua restrccó leal. E efecto, veamos las 4 alteratvas que se preseta segú el setdo de la mplcacó y del operador relacoal de la restrccó: d a b a Md Mb sedo M a b S d=os queda S d=0os queda es ua cota superor de a b a M b a b que o restrge ada porque M a bd a ( m e) d b e; sedo m a b e = umbral a partr del cual cosderamos a b = d a b a mdmb sedo m a b S d=os queda a b S d = 0 os queda a m b que o restrge t ada porque m es ua cota feror de a b a ( M e ) d b e ; sedo M a b a bd e = umbral a partr del cual cosderamos a b 29

30 Represetacó de operadores lógcos S la restrccó R se cumple s y solo s, es decr R, etoces podemos escrbr las sguetes equvalecas etre las relacoes lógcas etre restrccoes y las operacoes algebracas etre las varables dcadoras: RR2 2. Utlzado las relacoes de la lógca proposcoal podemos obteer la epresó algebraca de las R R2 y 2 varables dcadoras correspodete a cualquer epresó lógca etre restrccoes. R 0 R R Se supoe que las varables dcadoras ya ha sdo troducdas co las restrccoes aalzadas e el puto ateror. X X Ejemplo : coversó de ua relacó lógca e restrccó Supoga que se quere garatzar que s b y y etoces y z. Sedo, y, z varables eteras, es decr: ( b) ( ) ( y z) ( b) ( ) ( ) ( y z) ( b) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( y z ) ( ) ( y z) M b M y z m m y zm M dode : m y z ; M y z Ejemplo E u caso de programacó de produccó, s cualquera de los productos A o B se fb fabrca, etoces hay que fb fabrcar C, D, E. ( ) ( ) A B C D E Sea se fabrca el producto Itroducmos tal que :, que se puede modelar como : 2 0 A B A B Además :, que se puede modelar como : 0 C D E C D E 30

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

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

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

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

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

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

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

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

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

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

(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

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

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

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

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

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

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

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

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

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

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

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

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004 Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos

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

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

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

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

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

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

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

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

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

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

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

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

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 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

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

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

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

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

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

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

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

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

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

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

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

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

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

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

A2.1 SUMA PRESENTE A SUMA FUTURA

A2.1 SUMA PRESENTE A SUMA FUTURA A2. APÉNDICE MATEMÁTICAS FINANCIERAS E este apédce se preseta las fórmulas tradcoales para hallar las sumas equvaletes e el tempo y ua coleccó de fórmulas para equvaleca de tasas omales y efectvas. Para

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

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

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

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

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

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

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

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

Ejercicios de programación. cos A=

Ejercicios de programación. cos A= Ejerccos de programacó Para cada ejercco se pde: - escrbr el algortmo e pseudocódgo - escrbr el programa correspodete e leguaje C - adjutar el resultado obtedo de la ejecucó del programa, co datos propuestos

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

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

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

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

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

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

Evolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información?

Evolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información? APELLIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdere u vel de cofaza del 95% (z=).. U empresaro quere estmar el cosumo mesual de electrcdad e ua comudad de 000

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

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

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

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

Colegio Sagrada Familia Matemáticas 4º ESO

Colegio Sagrada Familia Matemáticas 4º ESO Colego Sagrada Famla Matemátcas 4º ESO 00-0 ESTADÍSTICA DESCRIPTIVA.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

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

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

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

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

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

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

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

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

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

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 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

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

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

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

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

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

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

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

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

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles