Gestión de operaciones

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

Download "Gestión de operaciones"

Transcripción

1 Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es

2 Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos de programacó NO leal Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 2

3 Modelado de restrccoes especales () Dsyucoes e mplcacoes Ua parea de restrccoes dode ua se debe satsfacer, metras que la otra o es ecesaro que se cumpla ó f () x gx () es equvalete e a: f() x > g() x Eemplo: 3x + 2x - 8 ó x+ 4x x + 2 x2-8 My ìï se relaa la ecuacó y = ï í x + 4x - 6 M( -y) ïïî se relaa la ecuacó 2 2 Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI M : u valor sufcetemete elevado Modelado de restrccoes co varables baras 3

4 Modelado de restrccoes especales () Cumplr k de N ecuacoes Se tee u couto de N ecuacoes de las cuales se ha de satsfacer al meos k de ellas f ( x,, x ) f ( x,, x ) 2 f ( x,, x ) N f( x,, x ) My f ( x,, x ) My 2 f ( x,, x ) My N 2 N N y = N -k = y Î {,} =,, N Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 4

5 Modelado de restrccoes especales () Seleccoar etre N valores Sea ua ecuacó co múltples l cotas Se ha de cumplr al meos ua de ellas ìï d d2 fx (,, x) = ï í ïï ïd ïî N Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI N fx (,, x ) dy = N = y y = = Î {, } =,, N Modelado de restrccoes co varables baras 5

6 Modelado de restrccoes lógcas () Tabla de equvalecas lógcas P Q o P o Q P (Q y R) (P Q) y (P R) P (Q o R) (P Q) o (P R) (P y Q) R (P R) o (Q R) (P o Q) R (P R) y (Q R) o (PoQ) o P y o Q o (P y Q) o P o o Q Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI P Q R? Modelado de restrccoes co varables baras 6

7 Modelado de restrccoes lógcas () X Se deoma al cumplmeto de la restrccó Se deoma a la varable bara asocada al cumplmeto Trasformacó de proposcoes lógcas e restrccoes XoX d+ d2³ 2 XyX 2 d =, d = 2 o X d = X X 2 X d- d2 «X d- d2 = 2 Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 7

8 Modelado de restrccoes lógcas () Eemplo: S se fabrca el producto A o B (o ambos), etoces debe fabrcarse al meos uo de los productos C, D o E ( X o X ) ( X o X o X ) A B C D E d + d ³ d + d + d ³ A B C D E Para modelar estas mplcacoes lógcas se separa e dos bloques medate ua varable bara auxlar d + d ³ d = A B d = d + d + d ³ C D E Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 8

9 Modelado de restrccoes lógcas (v) Tabla de equvaleca e restrccoes leales d = ax - b ax b+ M( d) ax b d = ax ³ b+ e+ ( m-e) d d = ³ b ax ax b d ³ = ax b- e+ ( M+ e ) d d = = b ax ax ³ b+ m( -d) ax b+ M( -d) ax ³ b+ m( -d) ax = b d = ax ³ b+ e+ ( m-e) d ax b- e+ ( M+ e) d M costate superor de la restrccó que cumple para cualquer x ax - b M m costate feror de la restrccó que cumple para cualquer x ax - b ³ m costate devalor muy pequeño (co varables baras o eteras vale ) d + d - d ) Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 9

10 Modelado de restrccoes lógcas (v) Eemplo (Cot.): d + d ³ d = d = d + d + d ³ C D E A B C D E da + db 2d dc + dd + de ³ d Eemplo (Otra formulacó): ( X o X ) ( X o X o X ) A B C D E [ XA ( XC o XD o XE) ] y [ X ( X o X o X )] B C D E ìï d A - d í ï db - d ï dc + dd + de ³ d ïî Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras

11 Modelado de restrccoes lógcas (v) Otro eemplo : U etreador de balocesto tee 9 ugadores clasfcados etre y 3 de acuerdo a su vel lde maeo de pelota, tro, rebote y defesa df Jugador Poscoes Maeo de pelota Tro Rebote Defesa Pvot Base Pvot, Alero Alero, Base Pvot, Alero Alero, Base Pvot, Alero Pvot Alero Se debe cosegur u equpo de 5 ugadores co máxma capacdad defesva Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras

12 x Modelado de restrccoes lógcas (v) Otro eemplo (Cot.) : Codcoates Dos ugadores debe poder actuar de pvot, dos de alero y uo de base Su vel medo e maeo de pelota, tro y rebote debe ser o feror a 2 S el ugador 3 uega, el ugador 6 o uega S el ugador uega, el 4 ó 5 uega pero o los dos. S o, o hay codcó El ugador 8 o el 9 debe ugar pero o los dos a la vez VARIABLES ìï s se cluye el ugador e el equpo ìï ï s se cluye el ugador e poscó = í ïïî x = ï í e otro caso ïïî e otro caso =,, 9 =,,9 k = p, a, b k k Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 2

13 Modelado de restrccoes lógcas (v) Fucó obetvo: max 3x+ 2x2 + 2x3 + x4 + 2x5 + 3x6 + x7 + 2x8 + 3x9 Seleccó de 5 ugadores: x+ x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 = 5 Número mímo de ugadores e puestos: Nveles medos mímos: x x x x x + 3p + 5p + 7p + 8 ³ 2 x + x + x + x + x + x ³ 2 3a 4a 5a 6a 7a 9 x + x + x ³ 2 4b 6b base 2x + 3x + 2x + x + x + 3x + 3x + 2x + 3x ³ x + 3x + 3x + 3x + 3x + x + 2x + x + 3x ³ x + x + 2x + 3x + x + 2x + 2x + 3x + x ³ pvot alero maeo tro rebote Icompatbldad etre los ugadores 3 y 6: x3 + x6 Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 3

14 Modelado de restrccoes lógcas (v) Afdad etre ugador : y ugadores 4 y 5 x ³ x + x = 4 5 x + x 2-x ìï í x 4 + x5 ³ x ïî 4 5 U ugador etre 8 y 9: x8 + x9 = Rl Relacoes de cohereca baras: x + x - x = 3p 3a 3 x + x - x = 4a 4 b 4 x + x - x = 5p 5a 5 x + x - x = 6a 6b 6 x + x - x = 7p 7a 7 Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 4

15 Modelado de productos Las varables baras se puede utlzar para elmar productos de varables que haría el problema o leal dd 2= d = o d 2 = + d2 d Î {, } d Î {, } d dd Reemplazar dd 2 2por d - d 3 + d3 d Î {,} d3 = d = y d2 = - d2 + d3 d + d - d xd x ³ d Î {,} xd Reemplazar por d = y = y 2 3 d Î {, } y ³ y Md d d = y = x - x + y x- y + Md M x M Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 5

16 Modelos de programacó o leal () E alguos campos el modelado o leal o se puede aproxmar por el leal PRODUCCIÓN CON ELASTICIDAD EN PRECIOS/COSTES p x preco catdad x P ( x ) = xp( x )-cx Marge de cotrbucó: ( Maxmzacó ó dl del marge total: t f () x = P () x = éx p ( x )-cx ù ë û = = Aálogamete podría suceder co ua fucó de costes o leal c x Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 6

17 Modelos de programacó o leal () TRANSPORTE CON DESCUENTOS POR VOLUMEN Se modela dl los descuetos por catdad ddpara volúmees grades La fucó de coste es ua fucó e dete de serra para cada tramo C x x x x 2 3 x4 Catdad trasportadax Mmzacó de costes: m fx () C( x) = = = Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 7

18 Modelos de programacó o leal () SELECCIÓN DE UNA CARTERA DE INVERSIONES Se tee e cueta tpos de accoes para formar ua cartera PARÁMETROS: VARIABLES: x : meda del redmeto de las accoes : varaza del redmeto de las accoes : Número de accoes que se cluye e la cartera Rx : Redmeto esperado Rx () = mx = V x : Varaza del redmeto total de la cartera Vx () = = = s xx Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 8

19 Modelos de programacó o leal (v) SELECCIÓN DE UNA CARTERA DE INVERSIONES (cot.) FUNCIÓN OBJETIVO: Maxmzar f() x = R() x -bv() x : factor de aversó al resgo RESTRICCIONES: = Px B x ³ =,..., P : coste de cada accó de tpo B : presupuesto Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 9

20 Eemplos de modelados () CONSTRUCCIÓN DE ALMACENES Ua compañía plaea costrur varos almacees Surtrá a dos cletes Se puede costrur hasta tres almacees Los costes estmados de costruccó so 8, 2 y 7 Los costes de trasporte, capacdad y demada so: Clete Clete 2 Capacdad Almacé Almacé Almacé Demada 3 5 Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 2

21 Eemplos de modelados () CONSTRUCCIÓN DE ALMACENES (Cot.) Solucó: m x, y x, vx + fy x cy " x ³ d " ³, y Î {, } Costrur almacees y 3 y servr del al clete, 3 udades y al clete 2, udades y del almacé 3 al clete 2, 4 udades Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 2

22 PRODUCCIÓN E INVENTARIO Eemplos de modelados () OBJETIVO: Plafcacó dela polítca deproduccó/vetaro de agosto, septembre, octubre y ovembre a coste mímo Demada estmada e esos meses: 5, 6, 8 y udades Capacdad de produccó mesual es 6 udades a 25 euros/udad El vetaro cal es 25 udades La capacdad máxma del vetaro es 4udades El coste mesual de almaceameto por udad es de 3 euros Se requere u vetaro al fal de ovembre de udades Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 22

23 Eemplos de modelados (v) PRODUCCIÓN E INVENTARIO (Cot.) ( c + c p ) m + p - d = + p p 5 = 25, =, p ³ Departameto de Orgazacó Idustral Escuela Técca Superor de Igeería ICAI Modelado de restrccoes co varables baras 23

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

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 en Ciencias de la Vida

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

Más detalles

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

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

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

(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

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

1.1 INTRODUCCION & NOTACION

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

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

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

Más detalles

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

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

Programación Entera (PE)

Programación Entera (PE) Programació Etera (PE) E geeral, so problemas de programació lieal (PPL), e dode sus variables de decisió debe tomar valores eteros. Tipos de PE Cuado se requiere que todas las variables de decisió tome

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

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MATEMÁTIAS FINANIERAS Secció: 1 Profesores: ristiá Bargsted Adrés Kettlu oteido Matemáticas Fiacieras: Iterés Simple vs Iterés ompuesto Valor Presete y Valor Futuro Plaificació estratégica Matemáticas

Más detalles

Soluciones Hoja de Ejercicios 2. Econometría I

Soluciones Hoja de Ejercicios 2. Econometría I Ecoometría I. Solucioes Hoja 2 Carlos Velasco. MEI UC3M. 2007/08 Solucioes Hoja de Ejercicios 2 Ecoometría I 1. Al pregutar el saldo Z (e miles de euros) de su cueta de ahorro cojuta a u matrimoio madrileño

Más detalles

Nombre DNI Junio, 2000

Nombre DNI Junio, 2000 Apelldos FI Exame ADO Nombre DNI Juo, 2000 Ua empresa preseta a su baco ua letra para su descueto por u mporte de 2.900 euros, co vecmeto a los 26 días. El baco cobra uos tereses para este tpo de operacoes

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

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

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

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

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

REGRESIÓN LINEAL SIMPLE

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

Más detalles

www.aulamatematica.com

www.aulamatematica.com www.aulamatematica.com APLIICACIIÓN DE DERIIVADAS:: PROBLEMAS DE OPTIIMIIZACIIÓN CON 1 VARIIABLE.. 004 Los costes de fabricación C(x) en euros de cierta variedad de galletas dependen de la cantidad elaborada

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

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

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

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

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

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

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

Más detalles

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

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

1. Lección 11 - Operaciones Financieras a largo plazo - Préstamos (Continuación)

1. Lección 11 - Operaciones Financieras a largo plazo - Préstamos (Continuación) Aputes: Matemáticas Fiacieras 1. Lecció 11 - Operacioes Fiacieras a largo plazo - Préstamos (Cotiuació) 1.1. Préstamo: Método de cuotas de amortizació costates E este caso se verifica A 1 = A 2 = = A =

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

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS Curso Preparació y Evaluació Social de Proyectos Sistema Nacioal de Iversioes Divisió de Evaluació Social de Iversioes MINISTERIO DE DESARROLLO SOCIAL

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

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

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

Más detalles

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

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES

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

Más detalles

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

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

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

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de 2011

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de 2011 Posble solucó del exame de Ivestgacó Oeratva de Sstemas de setembre de 2 Problema : ( utos Dos bolas blacas está colocadas e ua mesa al lado de ua bolsa que cotee ua bola blaca y dos egras. Reteradamete

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

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

Más detalles

Ejercicio 1. Sea el recinto limitado por las siguientes inecuaciones: y + 2x 2; 2y 3x 3; 3y x 6.

Ejercicio 1. Sea el recinto limitado por las siguientes inecuaciones: y + 2x 2; 2y 3x 3; 3y x 6. Materiales producidos e el curso: Curso realizado e colaboració etre la Editorial Bruño y el IUCE de la UAM de Madrid del 1 de marzo al 30 de abril de 013 Título: Curso Moodle para matemáticas de la ESO

Más detalles

Figura 9.1: Respuesta típica al escalón unitario de un sistema de control. Análisis de Sistemas Lineales 95 Ing. Eduardo Interiano

Figura 9.1: Respuesta típica al escalón unitario de un sistema de control. Análisis de Sistemas Lineales 95 Ing. Eduardo Interiano (VSHFLILFDFLRQHVHQHOGRPLQLRGHOWLHPSR E capítulos ateriores se ha estudiado la respuesta de estado estable de los sistemas lieales ( cuado tæ ), estudiaremos ahora la respuesta trasitoria. La respuesta

Más detalles

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS HERRAIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS Dr. J. Iñak De La Peña Curso de Postgrado Especalsta e Cotabldad y aplcacó de las Normas Iteracoales de Cotabldad Facera Departameto de Ecoomía Facera

Más detalles

MATEMÁTICAS 1214, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES. 1. Para cada sucesión infinita abajo, determine si converge o no a un valor finito.

MATEMÁTICAS 1214, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES. 1. Para cada sucesión infinita abajo, determine si converge o no a un valor finito. MATEMÁTICAS 24, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES JOHN GOODRICK. Para cada sucesió ifiita abajo, determie si coverge o o a u valor fiito. (a) {! } e = (a): No coverge. El úmero e está etre

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

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

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

Más detalles

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

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

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

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

Medidas de Tendencia Central

Medidas de Tendencia Central EYP14 Estadística para Costrucció Civil 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los

Más detalles

1. Propiedades molares y propiedades molares parciales

1. Propiedades molares y propiedades molares parciales erodáca. ea 9 Ssteas abertos y ssteas cerrados de coposcó varable. ropedades olares y propedades olares parcales Ua agtud olar se dee coo: Sepre está asocada a u sstea terodáco de u úco copoete (sstea

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

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

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

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

Más detalles

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n) 1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :

Más detalles

Propuesta A. { (x + 1) 4. Se considera la función f(x) =

Propuesta A. { (x + 1) 4. Se considera la función f(x) = Pruebas de Acceso a Eseñazas Uiversitarias Oficiales de Grado (0) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumo deberá cotestar a ua de las dos opcioes propuestas A o B. Se podrá utilizar

Más detalles

Análisis de Regresión y Correlación Lineal

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

Más detalles

Vectores aleatorios. Estadística I curso 2008 2009

Vectores aleatorios. Estadística I curso 2008 2009 Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a

Más detalles

Imposiciones y Sistemas de Amortización

Imposiciones y Sistemas de Amortización Imposicioes y Sistemas de Amortizació La Imposició u caso particular de reta e el cual cada térmio devega iterés (simple o compuesto) desde la fecha de su aboo hasta la fecha fial. Imposicioes Vecidas

Más detalles

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras

Más detalles

Comparar las siguientes ecuaciones, y hallar sus soluciones:

Comparar las siguientes ecuaciones, y hallar sus soluciones: TEMA. Iteraciones. % Hemos aprendido que para resolver una ecuación en x, se despeja la x y se evalúa la expresión que resulta. El siguiente ejemplo nos hará revisar ese esquema. Ejemplo. Comparar las

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

4. ESQUELETOS Y CAMINOS OPTIMALES...

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

Más detalles

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.)

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.) ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS OOS. (Resolució por JMEB.) 1. Defiició. El problema cosiste e calcular la catidad de cocos que había iicialmete e u motó que... ierto día se reuiero moos para recoger

Más detalles

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

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

Más detalles

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

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

PRUEBA A ( ) ( ) p z p z 0.4988 1 0.4988 0.4988 1 0.4988 0.4988 1.96,0.4988 + 1.96 = 0.4521, 0.5455 441 441

PRUEBA A ( ) ( ) p z p z 0.4988 1 0.4988 0.4988 1 0.4988 0.4988 1.96,0.4988 + 1.96 = 0.4521, 0.5455 441 441 PRUEBAS DE ACCESO A LA UNIVERSIDAD LOGSE CURSO 007-008 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC SS - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe respoder

Más detalles

5. [2012] [EXT-A] Se estima que el beneficio anual B(t), en %, que produce cierta inversión viene determinado por el tiempo t en

5. [2012] [EXT-A] Se estima que el beneficio anual B(t), en %, que produce cierta inversión viene determinado por el tiempo t en . [204] [ET-A] Dada la función f(x) = x2-8x+6 x 2-8x+5 a) Su dominio y puntos de corte con los ejes. -x+5, 0 x 2. [204] [JUN-A] En una sesión, el valor de cierta acción, en euros, vino dado por la función:

Más detalles

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.

Más detalles

Familiarizarse con las propiedades y las principales técnicas de integración.

Familiarizarse con las propiedades y las principales técnicas de integración. Capítulo 7 Integración Objetivos Familiarizarse con las propiedades y las principales técnicas de integración. 7.1. Definición y propiedades Sea f(x) una función real. Una primitiva o integral indefinida

Más detalles

La suma se realiza miembro a miembro. La suma de polinomios goza de las mismas propiedades que la suma de números. Ejemplo:

La suma se realiza miembro a miembro. La suma de polinomios goza de las mismas propiedades que la suma de números. Ejemplo: Tema 4. Polinomios 1. Definición Un polinomio es una expresión hecha con constantes, variables y exponentes, que están combinados. Los exponentes sólo pueden ser 0, 1, 2, 3,... etc. No puede tener un número

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

Los Histogramas. Histograma simple

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

Más detalles

1. Introducción 1.1. Análisis de la Relación

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

Más detalles

DEPARTAMENTO DE MATEMÁTICAS Mate1203 Cálculo Diferencial Parcial 3 (27/10/2010)

DEPARTAMENTO DE MATEMÁTICAS Mate1203 Cálculo Diferencial Parcial 3 (27/10/2010) UNIVERSIDAD DE LOS ANDES DEPARTAMENTO DE MATEMÁTICAS Mate1203 Cálculo Diferecial Parcial 3 (27/10/2010) 1. Cosidere la fució f (x) = 3(x 1) 2/3 (x 1) 2 a) Halle el domiio b) Ecuetre los putos críticos,

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

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

Programación lineal. Observación: La mayoría de estos problemas se han propuesto en exámenes de selectividad

Programación lineal. Observación: La mayoría de estos problemas se han propuesto en exámenes de selectividad 1 Observación: La mayoría de estos problemas se han propuesto en exámenes de selectividad 1. Dibuja la región del plano definida por las siguientes inecuaciones: x 0, 0 y 2, y + 2x 4 Representando las

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

ESTADÍSTICA. Al preguntar a 20 individuos por el número de personas que viven en su casa, hemos obtenido las siguientes respuestas:

ESTADÍSTICA. Al preguntar a 20 individuos por el número de personas que viven en su casa, hemos obtenido las siguientes respuestas: ESTADÍSTICA Ejercicio º.- Al pregutar a 0 idividuos por el úmero de persoas que vive e su casa, hemos obteido las siguietes respuestas: Elabora ua tabla de frecuecias. Ejercicio º.- E ua empresa de telefoía

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

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates 014 (Modelo ) Solucioes Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 014 MODELO OPIÓN A EJERIIO 1 (A) (1 75 putos) Represete gráficamete la regió

Más detalles

Probabilidad y estadística

Probabilidad y estadística Probabldad y estadístca Grupo Lues Jueves PM4 :00-:00 :00-3:00 Trabajado gráfcas,meddas de tedeca cetral, meddas de dspersó e terpretado resultados. Depto. De Igeería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.m

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

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos

Más detalles

ES OBLIGATORIA LA RESOLUCIÓN COMPLETA DE CADA EJERCICIO (PLANTEAMIENTO, DESARROLLO Y SOLUCIÓN) DE FORMA CLARA Y CONCISA.

ES OBLIGATORIA LA RESOLUCIÓN COMPLETA DE CADA EJERCICIO (PLANTEAMIENTO, DESARROLLO Y SOLUCIÓN) DE FORMA CLARA Y CONCISA. EJERCICIOS DE REPASO MATEMÁTICAS.- º ESO ES OBLIGATORIA LA RESOLUCIÓN COMPLETA DE CADA EJERCICIO (PLANTEAMIENTO DESARROLLO Y SOLUCIÓN) DE FORMA CLARA Y CONCISA.. Sergio trabaja horas todas las semanas

Más detalles

= Adj(A ) = 0 1-2/8 3/8 0 1-2/8 3/8 1-2/8 3/8 8-2 3

= Adj(A ) = 0 1-2/8 3/8 0 1-2/8 3/8 1-2/8 3/8 8-2 3 IES Fco Ayala de Graada Sobrates de 007 (Modelo 5) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( puto) U taller de carpitería ha vedido 5 muebles, etre sillas, silloes y butacas, por u total de

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

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.

Más detalles

La derivada. 5.2 La derivada de una función

La derivada. 5.2 La derivada de una función Capítulo 5 La derivada 5. La derivada de una función A continuación trataremos uno de los conceptos fundamentales del Cálculo, que es el de la derivada. Este concepto es un ite que está estrecamente ligado

Más detalles

CONCEPTOS BÁSICOS DE PRESTAMOS.

CONCEPTOS BÁSICOS DE PRESTAMOS. GESTIÓN FINANCIERA. TEMA 8º. PRESTAMOS. 1.- Coceptos básicos de préstamos. CONCEPTOS BÁSICOS DE PRESTAMOS. Coceptos básicos de prestamos. Préstamo. U préstamo es la operació fiaciera que cosiste e la etrega,

Más detalles

14 Expresiones algebraicas. Polinomios

14 Expresiones algebraicas. Polinomios PARADA TeÓRICA 14 Expresiones algebraicas. Polinomios Una expresión algebraica es una combinación cualquiera y finita de números, de letras, o de números, letras, ligados entre sí con la adición, sustracción,

Más detalles

MICROECONOMÍA Grado en ADE Universitat de València Prof. Carlos Peraita 1 TEMA 4. La fijación de precios con poder de mercado

MICROECONOMÍA Grado en ADE Universitat de València Prof. Carlos Peraita 1 TEMA 4. La fijación de precios con poder de mercado MICROECONOMÍA Grado en ADE Universitat de València Prof. Carlos Peraita TEMA 4 La fijación de precios con poder de mercado MICROECONOMÍA Grado en ADE Universitat de València Prof. Carlos Peraita TEMA 4

Más detalles

Districte Universitari de Catalunya

Districte Universitari de Catalunya Proves dʼaccés a la Universitat. Curs 2009-2010 Matemáticas Serie 1 Responda a CINCO de las siguientes seis cuestiones. En las respuestas, explique siempre qué es lo que quiere hacer y por qué. Cada cuestión

Más detalles