MODELOS DE SECUENCIACIÓN EN MÁQUINAS 1

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

Download "MODELOS DE SECUENCIACIÓN EN MÁQUINAS 1"

Transcripción

1 odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas ODELOS DE SECUENCIACIÓN EN ÁQUINAS

2 odelos de secuencacón de tareas en máqunas. Introduccón. Datos, hpótess, meddas, crteros.. Secuencacón en una máquna. Secuencacón en varas máqunas ODELOS DE SECUENCIACIÓN EN ÁQUINAS

3 Objetvo Encontrar secuenca en la que los trabajos pasan por las máqunas, tal que a) bajo certas hpótess, sea una planfcacón compatble con restrccones tecnológcas, es decr, sea factble b) óptma respecto a algún crtero ODELOS DE SECUENCIACIÓN EN ÁQUINAS

4 Datos ob-shop: n trabajos o tareas {,..., n} han ser procesados por m máqunas o procesadores {,..., m}. Cada trabajo ha de pasar por cada máquna una y sólo una vez. Operacón o j : operacón de procesar el trabajo en la máquna j. Restrccones tecnológcas: condcones de orden en las operacones de un trabajo. Caso general: cada trabajo tene su propo orden sn relacón con el orden de otros. Flow-shop: el orden es el msmo para todos los trabajos. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

5 Tempo de proceso de o j : hasta la máquna). ás datos p j (ncluye tempo de ajuste de máquna o de transporte Release date o ready tme: r nstante en que el trabajo está lsto para ser procesado o llega el peddo. Due date: d fecha de entrega de a ampltud del perodo planfcacón trabajo o plazo de entrega: a = d r ODELOS DE SECUENCIACIÓN EN ÁQUINAS 5

6 Ejemplo Se desean fabrcar tres pezas de madera: una escultura, un candelabro y una copa. Los recursos que se utlzan son: banco de trabajo, torno y sala de barnzado. Los datos de que se dspone son los sguentes: Tempo en mnutos necesaro para realzar cada operacón Fecha de entrega tambén en mnutos Orden en que se deben realzar las operacones para cada peza. Banco Torno Sala barnzado Fecha entrega Orden Escultura B-S Candelabro T-S Copa T-B-S ODELOS DE SECUENCIACIÓN EN ÁQUINAS 6

7 Hpótess del job-shop (). Cada trabajo es una entdad: no se pueden realzar dos operacones de un msmo trabajo a la vez.. Cada trabajo ncluye una y sólo una operacón en cada máquna (en total m operacones).. No preempton (no se permte nterrupcón de operacones).. No cancelacón (no se permte cancelacón una vez ncada). 5. Tempos de proceso ndependentes de la secuenca seguda. 6. Se permte nventaro ntraproceso (las operacones pueden esperar hasta que se acabe otra operacón en la sguente máquna). ODELOS DE SECUENCIACIÓN EN ÁQUINAS 7

8 7. Sólo hay una máquna de cada tpo. 8. Las máqunas pueden estar nactvas. Hpótess del job-shop () 9. Las máqunas no pueden procesar más de una operacón a la vez. 0. Las máqunas están dsponbles todo el perodo de planfcacón.. Las restrccones tecnológcas son conocdas e nmutables.. No exste aleatoredad: conocdos y fjos todos los datos (número de trabajos, número de máqunas, tempos de proceso). ODELOS DE SECUENCIACIÓN EN ÁQUINAS 8

9 W k tempo de espera del trabajo necesaramente en máquna k ) eddas de desarrollo W tempo total de espera del trabajo : antes de realzarse su k -ésma operacón (no W m = k= C nstante de cumplmentacón o sumnstro de : C = r + ( Wk + pj ( k )). p j( k ) es tempo de proceso de k -ésma operacón del trabajo que se realza en máquna j F tempo de proceso o de cumplmentacón (flow tme) de : F = C r L desvacón de respecto a su due date: L = C d. Puede ser + o T demora en la entrega del trabajo : T = { L,0} E adelanto en la entrega del trabajo : E = { L,0} I j tempo nactvo (dle) de la máquna j: W k I C p j =. n = j m k= ODELOS DE SECUENCIACIÓN EN ÁQUINAS 9

10 Notacón: X n X n = = meda, X { X X } =,..., n máxmo. ODELOS DE SECUENCIACIÓN EN ÁQUINAS 0

11 Ejemplo o j ( m ) o j ( m ) W m p j ( m ) j o j ( ) W p j ( ) o m j ( ) m W p j ( ) o j ( ) r a L = T d C F ODELOS DE SECUENCIACIÓN EN ÁQUINAS

12 Crteros () Crteros basados en los nstantes de fnalzacón F : tempo máxmo de proceso F : tempo medo de proceso C : (make-span) tempo máxmo de cumplmentacón o tempo total de produccón C : tempo medo de cumplmentacón (mnmzar F equvalente a mnmzar C ) Pueden ponderarse estas meddas en funcón de mportanca de artículos. Crteros basados en los plazos de entrega (due dates) L: meda de desvacones (postvas y negatvas) L : máxma desvacón T : meda de retrasos T : máxmo retraso nmzar número de trabajos fuera de plazo (aterrzaje de avones) ODELOS DE SECUENCIACIÓN EN ÁQUINAS

13 Crteros () Crteros basados en el nvel de nventaro y el coste de utlzacón C NW ( t ) número de trabajos en espera en nstante t, W = W C 0 C NU ( t ) número de trabajos en curso en nstante t, NU ( t) = NU ( t) dt C 0 N ( t) N ( t) dt nmzar número medo trabajos acabados (reduce coste nventaro productos acabados) axmzar número medo de trabajos que realmente están sendo procesados (uso de las máqunas) nmzar la meda o el máxmo tempo nactvo de las máqunas ODELOS DE SECUENCIACIÓN EN ÁQUINAS

14 Relacones entre las meddas de desarrollo () a) Equvalentes (dan la msma solucón) C, F, W y L b) No equvalentes las meddas análogas a las anterores pero para su valor máxmo, excepto: b.) b.) S release dates=0 para todos los trabajos, equvalentes C y F. S due dates msmas para todos los trabajos, equvalentes C y L. c) S óptma para L entonces tambén para T, al revés no sempre. d) Equvalentes C, N p (número medo de trabajos sendo realmente procesados) e I m m n (desocupacón meda de las máqunas I = I j = ( C pj )). m m j= j= = ODELOS DE SECUENCIACIÓN EN ÁQUINAS

15 e) Equvalentes N U y f) Equvalentes N W y Relacones entre las meddas de desarrollo () C / C. W / C. g) En una sola máquna equvalentes C, F, W, L, N U y N W. ODELOS DE SECUENCIACIÓN EN ÁQUINAS 5

16 Hpótess: Instantes de comenzo r = 0 y m =. Resultados: Secuencacón en una máquna () Para todo objetvo regular (no decrecente con los nstantes de cumplmentacón), exste una planfcacón óptma en la que la máquna no está nactva Permtr la nterrupcón no puede mejorar nnguna planfcacón. La solucón es una programacón permutacón. ( C = F son los msmos) ODELOS DE SECUENCIACIÓN EN ÁQUINAS 6

17 Secuencacón en una máquna () Posbles permutacones que optmzan algún crtero a) nmzacón del tempo medo de proceso, F ( C, W, L, N U, N W ) Programacón según tempo de proceso crecente b) nmzacón de máxma desvacón respecto a fechas de entrega, L ( T ) Programacón de fecha de entrega crecente c) nmzacón de número de trabajos demorados: algortmo de oore y Hodgson. Obtener programacón de fecha de entrega crecente. Encontrar prmer trabajo demorado en secuenca actual ( l ). S no, r a.. Encontrar trabajo mayor tempo proceso delante de ( l ), ncludo ( l ), y rechazarlo. Ir a.. Secuenca óptma: actual y añadr al fnal trabajos rechazados sn orden. Esos trabajos rechazados serán los úncos demorados. ODELOS DE SECUENCIACIÓN EN ÁQUINAS 7

18 Secuencacón en una máquna () Condcones precedenca entre trabajos: Evtar reformulando fechas entrega. S no es posble: utlzar algortmos específcos. Problema de cadenas productos: K cadenas de n,..., n K trabajos: con orden y proceso segudo Cómo secuencar las cadenas? p j : tempo j -ésmo trabajo de la cadena -ésma n p = p tempo cadena. Secuenca óptma para mnmzar el tempo medo de proceso: p () p () p ( K ) Ordenar por tempo medo de proceso crecente:. n n n j= j () () ( K ) ODELOS DE SECUENCIACIÓN EN ÁQUINAS 8

19 Secuencacón en una máquna. Programacón dnámca () Otros métodos: programacón entera, dnámca, etc. Ejemplo: programar trabajos para mnmzar retraso medo { C d,0} resuelto por programacón dnámca Trabajos Tempos proceso Fecha entrega Etapas: orden secuenca. Decsones: qué trabajo programar. Estados: trabajos ya programados. Objetvo: { C d,0} = = ODELOS DE SECUENCIACIÓN EN ÁQUINAS 9

20 Etapa Secuencacón en una máquna. Programacón dnámca () Decsones Óptmo Objetvo Estados,, 6 5,, 6 5,, 9,, 7 Etapa Decsones Óptmo Objetvo Estados, , , , ODELOS DE SECUENCIACIÓN EN ÁQUINAS 0

21 , , ODELOS DE SECUENCIACIÓN EN ÁQUINAS

22 Secuencacón en una máquna. Programacón dnámca () Etapa Etapa Decsones Óptmo Objetvo Estados Decsones Óptmo Objetvo 0 La secuenca óptma es (,,, ), con un retraso medo de 0/=5 undades de tempo. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

23 Hpótess: Secuencacón en varas máqunas () Instantes de comenzo r = 0, =,..., n. Flow-shop máqunas y mnmzar máxmo tempo de cumplmentacón C : n trabajos, máqunas, todos por máquna y luego por la en el msmo orden. Óptmo: buscar entre programacones permutacón. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

24 Secuencacón en varas máqunas. Algortmo de ohnson () a = p : tempo proceso en máquna. b = p : tempo proceso en máquna. k = y l = n.. Lsta actual trabajos no programados = {,,..., n}. Encontrar mínmo de los a y b de trabajos no programados.. S mínmo es un a :.. Programar en k -ésma poscón, borrar lsta trabajos no programados.. k k +. Ir a 6 5. S mínmo es un b : 5.. Programar en l -ésma poscón, borrar lsta trabajos no programados 5.. l l. Ir a 6 6. S hay trabajos sn programar r a. En otro caso, parar. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

25 Secuencacón en varas máqunas. Algortmo de ohnson () Extensón: mnmzar tempo máxmo cumplmentacón con tpos de trabajos tpo A: sólo por la máquna tpo B: sólo por la máquna tpo C: prmero máquna y luego tpo D: prmero máquna y luego. Secuencar tpo A cualquer orden S A. Secuencar tpo B cualquer orden S B. Secuencar tpo C algortmo de ohnson S C. Secuencar tpo D algortmo de ohnson (cambar máqunas) S D Programacón óptma: áquna Orden ( SC, SA, S D ) ( S, S, S ) D B C ODELOS DE SECUENCIACIÓN EN ÁQUINAS 5

26 Secuencacón en varas máqunas. Optmzacón lneal entera () trabajos, máqunas. Objetvo: mnmzar máxma demora. Due dates Orden Varables decsón: T j nstante ncar operacón trabajo en máquna Restrccones tecnológcas: S va a antes en máquna j que en j, j j j j T + p T : T T + 0 T T + 5 T + 5 T T + T ODELOS DE SECUENCIACIÓN EN ÁQUINAS 6

27 Secuencacón en varas máqunas. Optmzacón lneal entera () - No smultanedad en una máquna:, k y Tkj + pkj Tj ( δkj ) Equvale, T + p T δ δ kj j j kj kj j, s se procesa después de k en la máquna j = : 0 en caso contraro T + p T o T + p T. j j kj kj kj j T + 0 T ( δ ) T + 0 T δ T + 5 T ( δ ) T + T δ T + 8 T ( δ ) T + 5 T δ ODELOS DE SECUENCIACIÓN EN ÁQUINAS 7

28 Secuencacón en varas máqunas. Optmzacón lneal entera () - Objetvo: mnmzar la máxma demora. Varables demora trabajo T, m( ) últma operacón trabajo, T + p T d y T T : m( ) m( ) entonces mnt T T T T T T + 8 T T 55 T 0, T 0, δ 0,, T 0 - Carácter de las varables: { } j kj ODELOS DE SECUENCIACIÓN EN ÁQUINAS 8

Balance de Líneas de Producción

Balance de Líneas de Producción Balance de Líneas de Produccón PS 4161 Gestón de la Produccón I 1 Contendo Equlbrado de la línea de produccón Línea de fabrcacón Línea de ensamblaje 2 Objetvos de aprendzaje Cuando haya completado este

Más detalles

315 M de R Versión 1 Segunda Parcial 1/8 Lapso 2008/2

315 M de R Versión 1 Segunda Parcial 1/8 Lapso 2008/2 5 M de R Versón Segunda Parcal /8 Lapso 8/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 5 MOMENTO: Segunda Parcal

Más detalles

a) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900?

a) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900? EJERCICIO 1. A contnuacón tene dos dstrbucones por sexo y salaro declarado en el prmer empleo tras obtener la lcencatura de un grupo de ttulados por la UNED. Salaro en Hombres en % Mujeres en % < de 600

Más detalles

Tema 21: Distribución muestral de un estadístico

Tema 21: Distribución muestral de un estadístico Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15

Más detalles

En este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de

En este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO

Más detalles

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,

Más detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

Bloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos

Bloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o

4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o 4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS

Más detalles

315 M/R Versión 1 Segunda Parcial 1/7 Lapso 2009/2

315 M/R Versión 1 Segunda Parcial 1/7 Lapso 2009/2 35 M/R Versón Segunda Parcal /7 UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Segunda Parcal VERSIÓN:

Más detalles

Regresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy

Regresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema

Más detalles

-.GEOMETRÍA.- a) 37 cm y 45 cm. b) 16 cm y 30 cm. En estos dos, se dan la hipotenusa y un cateto, y se pide el otro cateto:

-.GEOMETRÍA.- a) 37 cm y 45 cm. b) 16 cm y 30 cm. En estos dos, se dan la hipotenusa y un cateto, y se pide el otro cateto: -.GEOMETRÍA.- Ejercco nº 1.- Calcula el lado que falta en este trángulo rectángulo: Ejercco nº 2.- En los sguentes rectángulos, se dan dos catetos y se pde la hpotenusa (s su medda no es exacta, con una

Más detalles

Pregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?

Pregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana? Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,

Más detalles

Problemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel

Problemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al

Más detalles

Mosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]

Mosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%] PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en

Más detalles

Facultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística

Facultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar

Más detalles

PREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES )

PREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES ) TUTORÍA DE ITRODUCCIÓ A LA ESTADÍSTICA. (º A.D.E.) e-mal: mozas@el.uned.es PREGUTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS E EXÁMEES DE LOS CAPÍTULOS, Y 4 (DISTRIBUCIOES DE FRECUECIAS UIDIMESIOALES

Más detalles

3 - VARIABLES ALEATORIAS

3 - VARIABLES ALEATORIAS arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA

315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA 35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE

Más detalles

Apellidos y nombre: i. El valor anual de la amortización de la construcción es fijo y vale A. 2. Cada punto de venta tiene una demanda anual dem

Apellidos y nombre: i. El valor anual de la amortización de la construcción es fijo y vale A. 2. Cada punto de venta tiene una demanda anual dem 4º IIND Métodos Matemátcos 5 de septembre de 00 Apelldos y nombre: PROBLEMA (4 puntos) Una empresa tene puntos de venta stuados sobre una ruta que, a efectos de planfcacón, puede ser consderada como una

Más detalles

Análisis de Varianza no paramétricos

Análisis de Varianza no paramétricos Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:

Más detalles

Análisis estadístico de incertidumbres aleatorias

Análisis estadístico de incertidumbres aleatorias Análss estadístco de ncertdumbres aleatoras Errores aleatoros y sstemátcos La meda y la desvacón estándar La desvacón estándar como error de una sola medda La desvacón estándar de la meda úmero de meddas

Más detalles

Dirección de Operaciones. Programación de operaciones: secuenciación y temporización

Dirección de Operaciones. Programación de operaciones: secuenciación y temporización Dreccón de Operacones. Programacón de operacones: secuencacón y temporzacón Joaquín Bautsta Valhondo, Rocío Alfaro Pozo y Alberto Cano Pérez D-12/2013 Departamento de Organzacón de Empresas Unversdad Poltécnca

Más detalles

CESMA BUSINESS SCHOOL

CESMA BUSINESS SCHOOL CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta

Más detalles

APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO.

APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO. APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO. Dado un numero n de puntos del plano ( a, b ) es posble encontrar una funcón polnómca

Más detalles

8 MECANICA Y FLUIDOS: Calorimetría

8 MECANICA Y FLUIDOS: Calorimetría 8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS

Más detalles

Enlaces de las Series de Salarios. Metodología

Enlaces de las Series de Salarios. Metodología Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,

Más detalles

Agrupamiento de puntos de venta en una red de distribución

Agrupamiento de puntos de venta en una red de distribución Agrupamento de puntos de venta en una red de dstrbucón Utlzando el Método de grafos y la Generacón de cortes para su solucón a través del lenguaje de modelacón AMPL. 26/Ago./04 Presenta: Aracel Ramírez

Más detalles

Variables Aleatorias

Variables Aleatorias Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.

Más detalles

Algunas aplicaciones del test del signo

Algunas aplicaciones del test del signo 43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.

Más detalles

Modelos lineales Regresión simple y múl3ple

Modelos lineales Regresión simple y múl3ple Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una

Más detalles

Un estimado de intervalo o intervalo de confianza ( IC

Un estimado de intervalo o intervalo de confianza ( IC Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá

Más detalles

Variables Aleatorias

Variables Aleatorias Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS

3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 28 3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 3.1 INTRODUCCIÓN En numerosos trabajos de planfcacón y programacón de tareas, éstas poseen restrccones de tempo motvadas

Más detalles

Tema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas

Tema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el

Más detalles

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1). TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen

Más detalles

OPTIMIZACIÓN CON RESTRICCIONES DE IGUALDAD

OPTIMIZACIÓN CON RESTRICCIONES DE IGUALDAD OPIMIZACIÓN CON RESRICCIONES DE IGUALDAD Localzacón de óptos de funcones sujetas a restrccones en fora de gualdad écnca de los ultplcadores de Lagrange Forulacón estándar del problea f =,,..., Se consderarán

Más detalles

2.5 Especialidades en la facturación eléctrica

2.5 Especialidades en la facturación eléctrica 2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros

Más detalles

Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.

Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas. MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas

Más detalles

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del

Más detalles

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de: Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

MICROECONOMIA Y REGIMEN DE LA COMPETENCIA EN LA UE COLUSION EN OLIGOPOLIOS

MICROECONOMIA Y REGIMEN DE LA COMPETENCIA EN LA UE COLUSION EN OLIGOPOLIOS MICROECONOMIA Y REGIMEN DE LA COMPETENCIA EN LA UE PARTE COLUSION EN OLIGOPOLIOS TEMA 8: JUEGOS REPETIDOS: TEOREMAS Y PARADOJAS 1. Juegos repetdos: Conceptos báscos y ejemplos. 2. Paradojas en los juegos

Más detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

T. 5 Estadísticos de forma de la distribución

T. 5 Estadísticos de forma de la distribución T. 5 Estadístcos de forma de la dstrbucón 1 1. Asmetría 2. Apuntamento o curtoss Ya ha sdo abordado en temas precedentes el análss de la forma de la dstrbucón de frecuencas desde una aproxmacón gráfca.

Más detalles

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.

Más detalles

TEMA 4. TEORÍA DE LA DUALIDAD.

TEMA 4. TEORÍA DE LA DUALIDAD. Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL

Más detalles

TEMA 3. VARIABLE ALEATORIA

TEMA 3. VARIABLE ALEATORIA TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad

Más detalles

Adquisición y Tratamiento de Datos (Febrero 2005). 1ª parte: Cuestiones.

Adquisición y Tratamiento de Datos (Febrero 2005). 1ª parte: Cuestiones. Adquscón y Tratamento de Datos (Febrero 2005). Las cuestones: 1ª parte: Cuestones. Se deben responder en la hoja adjunta. Debe marcarse una únca respuesta. Por favor, leer los enuncados y las solucones

Más detalles

EL PROBLEMA DE SCHEDULING

EL PROBLEMA DE SCHEDULING Secuencacón. Unversdad de Ovedo. Adenso Díaz EL PROBLEMA DE SCHEDULING http://drv.ms/oygg6 B. Adenso Díaz Unversdad de Ovedo Secuencacón. Unversdad de Ovedo. Adenso Díaz Presentacón. Introduccón: tpos

Más detalles

Aplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa

Aplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

3. VARIABLES ALEATORIAS.

3. VARIABLES ALEATORIAS. 3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)

Más detalles

GUIA DE ALCANCE FINANCIERO CAE OPERACIONES DE CRÉDITO HIPOTECARIO

GUIA DE ALCANCE FINANCIERO CAE OPERACIONES DE CRÉDITO HIPOTECARIO INTRODUCCIÓN La ley 2.555 publcada el día 5 de dcembre de 211 y que entró en vgenca el día 4 de marzo de 212, que modca la ley 19.496 Sobre Proteccón de los Derechos de los Consumdores (LPC, regula desde

Más detalles

Introducción a la Optimización Multiobjetivo

Introducción a la Optimización Multiobjetivo Introduccón a la Optmzacón Multobjetvo Optmzacón Multobjetvo (MOP) Práctcamente en cualquer área y en una varedad de contetos se presentan problemas con múltples objetvos que se contraponen entre sí A

Más detalles

http://www.rubenprofe.com.ar biofisica@rubenprofe.com.ar RESISTENCIAS EN PARALELO

http://www.rubenprofe.com.ar biofisica@rubenprofe.com.ar RESISTENCIAS EN PARALELO bofsca@rubenprofe.com.ar El crcuto funcona así: ESISTENCIS EN PLELO.- Las cargas salen del extremo postvo de la fuente y recorren el conductor (línea negra) hasta llegar al punto, allí las cargas se dvden

Más detalles

DISTRIBUCION DE RENDIMIENTOS: APLICACIONES

DISTRIBUCION DE RENDIMIENTOS: APLICACIONES DISTRIBUCION DE RENDIMIENTOS: APLICACIONES Puntos a desarrollar Como es el modelo de dstrbucon normal de los rendmentos Como se puede utlzar para hacer predccones futuras sobre precos de actvos Como se

Más detalles

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que

Más detalles

Optimización no lineal

Optimización no lineal Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de

Más detalles

Sistemas cíclicos. Juan Antonio de la Puente DIT/UPM. Objetivos

Sistemas cíclicos. Juan Antonio de la Puente DIT/UPM. Objetivos dt UPM stemas cíclcos Juan Antono de la Puente DIT/UPM Objetvos Repasar algunos problemas concretos relaconados con la realzacón de sstemas de tempo real Introducr un método de dseño de sstemas basado

Más detalles

62 EJERCICIOS de NÚMEROS COMPLEJOS

62 EJERCICIOS de NÚMEROS COMPLEJOS 6 EJERCICIOS de NÚMEROS COMPLEJOS. Resolver las sguentes ecuacones en el campo de los números complejos: a x -x+=0 (Soluc: ± b x +=0 (Soluc: ± c x -x+=0 (Soluc: ± d x -x+=0 (Soluc: ± e x -6x +x-6=0 (Soluc:,

Más detalles

PRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA)

PRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA) SECREARÍA ENERAL ÉCNICA MINISERIO DE ARICULURA, ALIMENACIÓN Y MEDIO AMBIENE SUBDIRECCIÓN ENERAL DE ESADÍSICA PRECIOS MEDIOS ANUALES DE LAS IERRAS DE USO ARARIO (MEODOLOÍA) OBJEIVO: Desde 1983 el Mnstero

Más detalles

Aspectos fundamentales en el análisis de asociación

Aspectos fundamentales en el análisis de asociación Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene

Más detalles

Estimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores

Estimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca

Más detalles

DESARROLLO DE APLICACIONES DOCENTES MEDIANTE POWERWORLD

DESARROLLO DE APLICACIONES DOCENTES MEDIANTE POWERWORLD DESARROLLO DE APLICACIONES DOCENTES MEDIANTE POWERWORLD Elvra Fernández, Esther Torres, Igor Albzu, Sergo Mguélez Departamento de Ingenería Eléctrca, Unversdad del País Vasco epfehee@b.ehu.es RESUMEN Uno

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

Solución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal

Solución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B

Más detalles

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando

Más detalles

Teléfonos Avaya T3 para conexión a Integral 5 Configurar y utilizar la sala de conferencias Apéndice del Manual del usuario

Teléfonos Avaya T3 para conexión a Integral 5 Configurar y utilizar la sala de conferencias Apéndice del Manual del usuario Teléfonos Avaya T3 para conexón a Integral 5 Confgurar y utlzar la sala de conferencas Apéndce del Manual del usuaro Issue 1 Integral 5 Software Release 2.6 Septembre 2009 Utlzar la sala de conferencas

Más detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 4 MARCO TEÓRICO CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES

III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES TUTORIAL: ANÁLISIS MULTIOBJETIVO CONSIDERANDO INCERTIDUMBRE E IMPRECISIÓN Patrca Jaramllo A. y Rcardo A. Smth

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

1. Lección 7 - Rentas - Valoración (Continuación) Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento

Más detalles

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

Introducción a la Física. Medidas y Errores

Introducción a la Física. Medidas y Errores Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren

Más detalles

A B C D Margen Básico Transmisor Wifi Número de empleados

A B C D Margen Básico Transmisor Wifi Número de empleados PROBLEMA: TELEVISIÓN DIGITAL Una empresa de fabrcacón de aparatos electróncos está vendo la posbldad de lanzar al mercado decodfcacodres que permtan a los televsores analógcos vsualzar la señal de la televsón

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

Relaciones entre las tablas

Relaciones entre las tablas Relacones entre las tablas Relacones entre las tablas Access 2013 Establecer una relacón entre dos tablas Los dstntos tpos de relacones entre tablas Establecer una relacón entre las tablas de la base de

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

Matemáticas A 4º E.S.O. pág. 1

Matemáticas A 4º E.S.O. pág. 1 Matemátcas A º E.S.O. pág. HOJA : ESTADÍSTICA º.- Agrupa en ntervalos y construye una tabla de frecuencas (con la marca de clase ncluda) y la frecuenca absoluta de las sguentes alturas, meddas en centímetros,

Más detalles

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco

Más detalles

1.- Una empresa se plantea una inversión cuyas características financieras son:

1.- Una empresa se plantea una inversión cuyas características financieras son: ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas

Más detalles

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con

Más detalles

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5 OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base

Más detalles

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos

Más detalles