Optimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
|
|
- Luis Miguel Miguélez Salinas
- hace 7 años
- Vistas:
Transcripción
1 Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas
2 Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca Superor de Ingenería ICAI 2
3 Conceptos báscos Métodos contnuos Métodos dscretos 1 Conceptos báscos
4 Teoría de la decsón Decsón: elegr el mejor posble defnr qué sgnfca mejor y qué sgnfca posble Solucones posbles o factbles: Conjunto fnto: las alternatvas se pueden enumerar Conjunto nfnto: las alternatvas se defnen medante restrccones Mejor: Un únco crtero (Optmzacón clásca o Teoría de la Decsón clásca) Múltples crteros (Decsón Multcrtero) o múltples decsores (Teoría de Juegos) Escuela Técnca Superor de Ingenería ICAI 4
5 Decsón Multcrtero Conceptos báscos Métodos multcrtero: lo posble: contnuo Optmzacón multobjetvo Programacón compromso Métodos satsfacentes (metas) lo posble: dscreto Procesos Analítcos Jerarquzados (AHP) Formulacón general: Métodos de sobreclasfcacón (Electre, Promethee,...) opt z = ( z ( x),..., z ( x)) x F n F: espaco de decsones o solucones(contnuo: regón factble, F R ) p z( F) : espaco de objetvos o resultados(crteros numércos: z( F) R ) 1 p Escuela Técnca Superor de Ingenería ICAI 5
6 Cuál es el anmal más rápdo correndo, volando y nadando smultáneamente? El más veloz en terra? El guepardo es el anmal terrestre más rápdo El que mejor vuela? El halcón peregrno es el pájaro más veloz El mejor nadador? Pez espada es el pez más rápdo del mundo Escuela Técnca Superor de Ingenería ICAI 6
7 Y el ganador es el PATO Es capaz de correr aunque menos que un guepardo Es capaz de volar aunque menos que un halcón peregrno Es capaz de nadar aunque menos que un pez espada Escuela Técnca Superor de Ingenería ICAI 7
8 Decsón Multcrtero Conceptos báscos Defncones báscas: Atrbuto: "valor" observado (meddo) de una decsón ndependentemente del decsor Objetvo: dreccón mejora de un atrbuto (max. o mn. s es numérco; s no preferencas) Nvel de aspracón: nvel aceptable de logro de un atrbuto Meta: Combnacón de un atrbuto y su nvel de aspracón Crtero: atrbutos, objetvos o metas relevantes en un problema de decsón Escuela Técnca Superor de Ingenería ICAI 8
9 Decsón Multcrtero Conceptos báscos Concepto de solucón: crtero de optmaldad paretana Una alternatva es efcente o paretoóptmas toda alternatva que proporcone una mejora en un atrbuto produce un empeoramento en al menos otro de los atrbutos Alternatva domnada o no efcente: hay otra con todos los atrbutos mejores max ( z, z ) Espaco de objetvos Conjunto efcente o de Pareto Alternatvas domnadas 1 2 z 2 Atrbutos numércos, objetvos de maxmzacón Conjunto efcente: { x F : / x' F tal que zk ( x ) zk ( x) k y zt ( x ) zt ( x) para al menos un t { 1,..., p} } ε = > Solucón mejor compromso: solucón efcente selecconada por decsor z 1 Escuela Técnca Superor de Ingenería ICAI 9
10 Conceptos báscos Métodos contnuos Métodos dscretos 2 Métodos contnuos
11 Decsón Multcrtero Optmzacón multobjetvo max z = ( z ( x),..., z ( x)) 1 p z ( x): funcón matemátca del atrbuto -ésmo x F x : vector de varables de decsón F : conjunto de restrccones que defnen las solucones posbles Matrz de pagos(pay-off matrx): valor óptmo un objetvo sn consderar otros, y valores del resto objetvos en esa solucón. Grado conflcto Tasas de ntercambo(trade-offso costes de oportundad): lo que se está dspuesto a empeorar un objetvo por mejorar en una undad otro objetvo (pendentes del conjunto efcente) Coste 3500 C D 2000 E B 1000 A T A ' B ' Caldad Escuela Técnca Superor de Ingenería ICAI Matrz de pagos: Coste Caldad Coste Caldad Tasas de ntercambo: = = T B ' C ' = =
12 Decsón Multcrtero Optmzacón multobjetvo Método de las ponderacones(weghted-sum Method)(Zadeh, 1963) Multplcar cada objetvo por pesoo factor no negatvo y agregaren una únca funcón Programacón paramétrca(varando pesos se obtene todo el conjunto efcente) λ > 0 p max λ z ( x) = 1 P( λ) x F λ 0 Teorema: S, entonces cualquer solucón óptma de P(λ) es efcente. El recíproco es certo bajo certas condcones (p.ej. lnealdad) Normalzar los crteros (undades) Escuela Técnca Superor de Ingenería ICAI 12
13 Decsón Multcrtero Optmzacón multobjetvo Método de las ε-restrccones (Epslon-Constrant Method) Optmzar unode los objetvos e ncorporar el resto como restrccones paramétrcas Programacón paramétrca (varando térmnos de la dcha. se obtene conjunto efcente) Escuela Técnca Superor de Ingenería ICAI max zl ( x) x F Pl ( ε) zk ( x) εk k = 1,..., l 1, l + 1,..., p Teorema: S la solucón es únca, entonces es efcente. Teorema: S x * es efcente, l ε tal que x * k es sol. óptma de Pl ( ε) Método smplex multobjetvo (Zeleny, 1974) Sólo para objetvos y restrccones lneales Evalúa cada teracón efcenca de las solucones (ptos. extremos) Obtene todos los puntos extremos efcentes Conjunto efcente: combnacones lneales de puntos extremos adyacentes 13
14 2. Decsón Multcrtero Programacón compromso Punto o alternatva deal: valores óptmos de objetvos ndvdualmente tratados z = ( z,..., z,..., z ) * * * * 1 p z * = max z ( x) x F * z : punto ancla Solucón óptma o mejor solucón compromso: solucón efcente más próxma al punto deal (axoma de Zeleny, 1973) * z z ( x) Grado de proxmdad al objetvo -ésmo normalzado: z * d ( x) = z z ant-deal o peor valor posble del objetvo en el conjunto efcente * * mn L x F π p * π z z ( x) = w * = 1 z z * π 1/ π z 2 Ponderacón preferencal de los crteros (subjetva) π= Tchebychev o mnmzar máxma dstanca (lneal) π=1 agregacón lneal de dstancas ponderadas (lneal) Conjunto compromso: varar π (usualmente se da ) Escuela Técnca Superor de Ingenería ICAI [ ] L L 1, z 1 14
15 Decsón Multcrtero Programacón por metas Lógca satsfacente(smon, 1955): en los contextos actuales de decsón (nformacón ncompleta, recursos lmtados, conflctos de ntereses,...) el decsor más que optmzar unas funcones objetvo ntenta que una sere de metas se aproxmen lo más posble a unos nveles de aspracón prefjados. Programacón por metas (GoalAttanmentMethod)(Charnesy Cooper(61), Lee (72) e Ignzo(76)) Atrbuto expresón matemátca: z ( x) Nvel de aspracón: nvel aceptable de logro para un atrbuto Restrccón Meta: z ( x) zˆ z ( x) + n p = zˆ Con varables de desvacón: Varables de desvacón no deseadas: s meta es "al menos" un valor, ; s es "a lo sumo", Modelo (maxmzar): n p mn n x F restrccones meta = 1 p zˆ Escuela Técnca Superor de Ingenería ICAI 15
16 Decsón Multcrtero Programacón por metas: varantes Programacón p por metas ponderadas: mn ( α n + β p ) = 1 Escuela Técnca Superor de Ingenería ICAI x F n 0, p 0 = 1,..., p z ( x) + n p = zˆ = 1,..., p í (dvdr por nvel aspracón: %) Programacón por metas MINIMAX o Tchebychev:(sol. equlbrada) mn D α n + β p D = 1,..., p z ( x) + n p = zˆ = 1,..., p x F í n 0, p 0 = 1,..., p Programacón por metas lexcográfcas: Nveles de prordad en metas. Resolver secuencalmente para cada nvel, mantenendo los valores prevamente obtendos de varables no deseadas para metas con mayor nvel de prordad. Lex mn a= [ g ( n, p) + g ( n, p), g ( n, p), g ( n, p) + g ( n, p) + g ( n, p) ]
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 detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesProblemas 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 detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detalles315 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 detallesSimulación 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 detallesEl ACB es una herramienta fundamental en el campo de la política ambiental
Introduccón al análss coste-benefco. El ACB es una herramenta fundamental en el campo de la polítca ambental 1. El ACB: rentabldad fnancera-económca y socal. 2. El Análss Coste Efcenca 3. Técncas de Decsón
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesMETODOLOGÍA PARA LA OPTIMIZACIÓN DE MÚLTIPLES OBJETIVOS BASADA EN AG Y USO DE PREFERENCIAS BIBIANA ANDREA CUARTAS TORRES
METODOLOGÍA PARA LA OPTIMIZACIÓN DE MÚLTIPLES OBJETIVOS BASADA EN AG Y USO DE PREFERENCIAS BIBIANA ANDREA CUARTAS TORRES UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE MINAS ESCUELA DE SISTEMAS MEDELLÍN
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesPROBLEMAS DE RUTAS EN CAMINOS FORESTALES CONSIDERANDO MÚLTIPLES CRITERIOS
PROBLEMAS DE RUTAS EN CAMINOS FORESTALES CONSIDERANDO MÚLTIPLES CRITERIOS Rafael Caballero Fernández Marano Luque Gallego Julán Molna Luque Departamento de Economía Aplcada Matemátcas Unversdad de Málaga
Más detalles4º IEM Gestión de operaciones 25/06/2013 GESTIÓN DE PRODUCTOS FINANCIEROS (3.5 PUNTOS)
4º IEM Gestón de operacones GESTIÓN DE PRODUCTOS FINANCIEROS (3.5 PUNTOS) El gestor de una empresa dspone de un mllón de euros para nvertr durante un año. Analzado el mercado de productos fnanceros consdera
Más detallesUNIVERSIDAD 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 detallesEquilibrio en satisfacción laboral entre mujeres y hombres: una aproximación mediante programación multiobjetivo
Equlbro en satsfaccón laboral entre mujeres y hombres: una aproxmacón medante programacón multobjetvo Equlbro en satsfaccón laboral entre mujeres y hombres: una aproxmacón medante programacón multobjetvo
Más detallesRobótica Tema 4. Modelo Cinemático Directo
UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de
Más detallesINSTITUTO POLITECNICO NACIONAL SECRETARIA ACADEMICA DIRECCION DE ESTUDIOS PROFESIONALES EN INGENIERIA Y CIENCIAS FISICO MATEMATICAS
ESCUELA: CARRERA: ESPECALDAD: COORDNACON: DEPARTAMENTO: UPCSA NGENERA EN TRANSPORTE ACADEMAS DE MATEMATCAS CENCAS BASCAS ASGNATURA: MATEMATCAS APLCADAS : TMMA SEMESTRE: 4 CREDTOS: 8 VGENTE: ENERO 2000
Más detallesTema 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 detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesPRACTICA 4. Asignatura: Economía y Medio Ambiente Titulación: Grado en ciencias ambientales Curso: 2º Semestre: 1º Curso
PRACTICA 4 Asgnatura: Economía y Medo Ambente Ttulacón: Grado en cencas ambentales Curso: º Semestre: 1º Curso 010-011 Profesora: Inmaculada C. Álvarez Ayuso Inmaculada.alvarez@uam.es PREGUNTAS TIPO TEST
Más detallesIntroducción a la Química Computacional. Reservados todos los derechos de reproducción. Luis A. Montero Cabrera, Universidad de La Habana, Cuba, 2006.
TEORÍA SIMPLE DE ORBITALES MOLECULARES DE ÜCKEL (MO) En 93 Erck ückel planteó que la combnacón lneal de orbtales atómcos (LCAO) tomados como funcones hdrogenodes del tpo p z permte calcular los estados
Más detallesINTRODUCCIÓN. 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 detallesmn = cx sa Ax» b x Desde que, adconalmente, b La nclusón de las varables de olgura (para transformar las desgualdades en gualdades) sumnstran una base
CAPITULO DETERMINACION DE UNA SOLUCION BASICA FACTIBLE INICIAL Y ANALISIS DE CONVERGENCIA DEL METODO SIMPLEX Dscusón sobre una Base Factble Incal Motvacón El método smplex necesta de una SBF ncal para
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesUN MODELO DE PROGRAMACIÓN DE METAS PARA LA PLANIFICACIÓN OPERATIVA DE UN ASERRADERO DE MADERA.
Un Modelo de Programacón por Metas para la Planfcacón operatva... UN MODELO DE PROGRAMACIÓN DE METAS PARA LA PLANIFICACIÓN OPERATIVA DE UN ASERRADERO DE MADERA. Caballero Fernández, Rafael (rafael.caballero@uma.es),
Más detallesJUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL.
U N I V E R S I D A D D E L N O R T E JUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL. Lala Cure Vellojín Drector:
Más detallesEJEMPLO DE APLICACIÓN
Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesControl Predictivo basado en Modelos (MPC)
Control Predctvo basado en Modelos (MPC) Prof. Cesar de Prada Dto. Ingenera de Sstemas Automátca Unversdad de Valladold, Esaña e-mal: rada@autom.uva.es web:htt//www.sa.ce.uva.es Tendencas en la ndustra
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesTEMA 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 detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesVariables 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 detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesSELECCIÓN DE PORTAFOLIOS DE ACCIONES A PARTIR DE LA LINEA DE MERCADO DE CAPITALES CON ACTIVOS FINANCIEROS DE COLOMBIA
Scenta et echnca Año XIII, o 35, Agosto de 2007. Unversdad ecnológca de erera. ISS 022-70 299 SELECCIÓ DE ORAFOLIOS DE ACCIOES A ARIR DE LA LIEA DE MERCADO DE CAIALES CO ACIVOS FIACIEROS DE COLOMBIA Selecton
Más detalles4.4. La ciudad circular El Modelo de Salop
Matlde Machado para bajar las transparencas: http://www.eco.uc3m.es/~mmachado/ Economía Industral - Matlde Machado La Cudad Crcular El modelo de Salop 1 En el modelo de Hotellng habíamos supuesto que solo
Más detallesModelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF
Modelos dnámcos de formacón de precos y colusón Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Enfoques empleados en el análss de la nteraccón repetda entre empresas: Juegos repetdos.
Más detallesNUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS
NUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS M. Socorro Garca-Cascales 1, M. Teresa Lamata 2 1 Dpto de Electrónca, Tecnología de Computadoras y Proyectos. Unversdad de Poltécnca
Más detallesFUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades
Más detallesMétodos Matemá5cos en la Ingeniería Tema 1. Ecuaciones no lineales
Métodos Matemá5cos en la Ingenería Tema. Ecuacones no lneales Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA
Más detallesOptimización no lineal
Optmzacón no lneal Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu CONENIDO PROBLEMAS DE PROGRAMACIÓN NO LINEAL IPOS DE PROBLEMAS NLP CLASIFICACIÓN DE MÉODOS
Más detalles2.Estado del arte 2. ESTADO DEL ARTE
2.Estado del arte 2. ESTADO DEL ARTE En este capítulo se desarrollarán las contrbucones más destacables relaconadas con la localzacón de termnales de consoldacón de carga o hubs y las metodologías exstentes
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesLiquidación Anticipada de swaps de Tasa de Interés. diciembre 2009
Lqudacón Antcpada de swaps de Tasa de Interés dcembre 2009 Objetvos I. Permtr la lqudacón antcpada de contratos conservando el perfl de resgo de los portafolos (tolerancas). II. III. IV. Mnmzar la exposcón
Más detallesRelaciones 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 detallesMODELO DE ASIGNACIÓN DE RECURSOS FINANCIEROS ENTRE UNIDADES DOCENTES E INVESTIGADORAS UNIVERSITARIAS
VI Jornadas ASEPUMA. Santago de Compostela, 998. MODELO DE ASIGNACIÓN DE RECURSOS FINANCIEROS ENTRE UNIDADES DOCENTES E INVESTIGADORAS UNIVERSITARIAS Caballero, R.; Galache, T.; Gómez, T.; Molna, J. y
Más detallesRecibido el 31 de enero de Aceptado el 8 de mayo de Nº de clasificación JEL: C61
Un modelo de programacón por metas para la elaboracón del contrato-programa de un hosptal públco A goal programmng model to support the case-mx plannng n state hosptals MARIANO JIMÉNEZ LÓPEZ JUAN ANTONIO
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesCálculo de horarios en empresas de transporte público basados en la carga de pasajeros
VIII Congreso de Ingenería de Organzacón Leganés, 9 y 10 de septembre de 2004 Cálculo de horaros en empresas de transporte públco basados en la carga de pasaeros Jesús Racero Moreno, Marcos Calle Suárez,
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detallesProgramación mixta-entera
Programacón mxta-entera Prof. Cesar de Prada ISA UVA prada@autom.uva.es Indce Problemas híbrdos Tpos de problemas mxto-enteros Algortmo Branch and Bound Ejemplos Software Problemas híbrdos Muchos problemas
Más detalles4. La Factorización No Negativa de Matrices
4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón
Más detallesVisión moderna del modelo de transporte clásico
Vsón moderna del modelo de transporte clásco Zonfcacón y Red Estratégca Datos del Año Base Datos de Planfcacón Para el Año de Dseño Base de Datos año base futuro Generacón de Vajes Demanda Dstrbucón y
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesJuegos estáticos con información completa
Teoría de las decsones y de los juegos. Tema : Juegos estátcos con nformacón completa Juego en forma normal g = ( N={,,,n},(S,,S n ), (u,,u n ) ) N conjunto de jugadores, œ N (fnto) S, conjunto de estrategas
Más detallesEL MODELO DE CARTERA DE PROYECTOS
EL ODELO DE CATEA DE POYECTOS. Decsones fnanceras y mercado de captales: la síntess neoclásca 2. La utldad del modelo de arkowtz en la valoracón de proyectos de nversónó 3. Determnacón de equvalentes de
Más detallesID:1627 APLICACIÓN DE LOS MULTIPLICADORES DE LAGRANGE EN LA SOLUCIÓN DE LA CORRELACIÓN CANÓNICA APLICADO A COSTOS DE CALIDAD EN SALUD
ID:67 APLICACIÓN DE LO MULTIPLICADORE DE LAGRANGE EN LA OLUCIÓN DE LA CORRELACIÓN CANÓNICA APLICADO A COTO DE CALIDAD EN ALUD Peguero Pérez, Rolando; Del Río Caballero, German; Leyva Peguero, Ylesy. Cuba
Más detallesTÉCNICAS DE SELECCIÓN DE PERSONAL BASADAS EN MODELOS DE EFICIENCIA
Técncas de seleccón de personal basadas en modelos de efcenca. TÉCNICAS DE SEECCIÓN DE PESONA BASADAS EN MODEOS DE EFICIENCIA Canós Darós,. y ern Carrón, V. 2 Unversdad Poltécnca de Valenca 2 Unversdad
Más detallesApuntes sobre el Diseño del Impuesto a la Renta de Personas Naturales
Apuntes sobre el Dseño del Impuesto a la Renta de Personas Naturales Fernando Vásquez S. Encuentro de Economstas del BCRP Contendo 1. Elementos de Teoría Económca 2. Tendencas Internaconales 3. Evolucón
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesNuevos Algoritmos en el Problema de Transporte. UPV. Correo-e: RESUMEN
V Congreso de Ingenería de Organzacón Valladold-Burgos, 4-5 Septembre 003 ƒ Índce Nuevos Algortmos en el Problema de Transporte Francsco López Ruz 1, Germán Arana Landín 1 Doctor Ingenero Industral, Departamento
Más detallesTema 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 detallesTEMA 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 detalles1).- Para > 0, B= {x R L : p. x I} = {x R L
Pontfca Unversdad Católca del Perú Programa de Maestría en Economía Curso: Mcroeconomía Intermeda Profesores: Clauda Barrga & José Gallardo Asstente: César Gl Malca Propedades de las funcones de demanda
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesAnálisis Matemático en la Economía: Optimización y Programación. Augusto Rufasto
Análss Matemátco en la Economía: Optmzacón y Programacón arufast@yahoo.com-rufasto@lycos.com www.geoctes.com/arufast-http://rufasto.trpod.com La optmzacón y la programacón están en el corazón del problema
Más detallesMÉTODOS MATEMÁTICOS PARA LA ECONOMÍA CON EXCEL
MÉTODOS MATEMÁTICOS PARA LA ECONOMÍA CON EXCEL LÓPEZ ARES, SUSANA (slopez@econo.unov.es SÁNCHEZ ALVAREZ, ISIDRO (sanchez@econo.unov.es Departamento de Economía Cuanttatva - Unversdad de Ovedo Dentro de
Más detallesKey words: Industrial Electric Nets Operation, Multiple Criteria Decision Making, Discrete Optimization, Heuristics.
Operacón bajo crteros múltples de redes de sumnstro eléctrco ndustrales. AUTORES: MsC Ilana González Palau Dr C. José Arzola Ruz Dr C. Secundno Marrero Ramírez Dr C. Arístdes Legrá Lobana RESUMEN En el
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detalles3. 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 detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesPor: Ing César Chilet León
Por: Ing César Chlet eón 1 El flujo de potenca tambén es conocdo tambén como flujo de carga. El flujo de potenca es una herramenta para el análss de redes. En tareas de planfcacón de redes Determnacón
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesDESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO
Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesUniversidad 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 detallesVariables aleatorias discretas
UNIDAD 5 Varables aleatoras dscretas Objetvos Al fnalzar la undad, el alumno: utlzará el método de puntos muestrales asocado a varables aleatoras dstngurá una varable aleatora dscreta de una varable aleatora
Más detallesSOBRE CIERTAS REDES DE UNIDADES DINÁMICAS ACOPLADAS POR IMPULSOS
SOBRE CIERTAS REDES DE UNIDADES DINÁMICAS ACOPLADAS POR IMPULSOS ELEONORA CATSIGERAS Presentacón en IV Coloquo de Matemátca, del 18 al 20 de dcembre, 2013 Se presentará un modelo matemátco abstracto de
Más detallesTEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO
Págna de 4 TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO INTRODUCCIÓN... 2 2 CLASIFICACIÓN DE LAS ACTIVIDADES PRODUCTIVAS... 4 3 FUNCIÓN DE PRODUCCIÓN... 3 4 CLASIFICACIÓN DE LOS PROCESOS
Más detallesUNIVERSIDAD NACIONAL DE INGENIERÍA
UNIVERSIDAD NACIONAL DE INGENIERÍA FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA UN MODELO DE EXPANSIÓN ÓPTIMA DE LA RED DE 500 KV DEL SISTEMA ELÉCTRICO PERUANO TESIS PARA OPTAR EL TÍTULO PROFESIONAL
Más detallesVariables 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 detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles