Modelos Matemáticos de Optimización
|
|
- Luis Miguel Valdéz Maestre
- hace 7 años
- Vistas:
Transcripción
1 Modelos Matemáticos de Optimizació Begoña Vitoriao Villaueva Uiversidad Potificia Comillas
2 I. Ivestigació operativa y optimizació Historia: ANTES DE LA II GUERRA MUNDIAL Farkas, Mikowski,... (XIX); Markov (XIX), Erlag (20); Vo Neuma (30) DURANTE LA II GUERRA MUNDIAL 935 Radar, 937 Cooperació 938 Rowe: Operatioal Research: Bawdsey British Army Operatioal Group RAF,... DESPUES DE LA II GUERRA MUNDIAL Problemas Logísticos Sociedades: Orsa Datzig (Rad) Simple (947) Orsa, Tims (EEUU), España(962), a(962), Euro(975) (IFORS) Modelos Matemáticos de Optimizació -
3 I. Ivestigació operativa y optimizació Ivestigació Operativa: Es la aplicació, por grupos iterdiscipliarios, del método cietífico a los problemas compleos producidos e la direcció y gestió de grades sistemas de hombres, máquias,[...] La pricipal característica cosiste e costruir u modelo cietífico del sistema del cual se puede predecir y comparar los resultados de las diversas estrategias, decisioes,... El obetivo es ayudar a los resposables a determiar su política y actuacioes e forma cietífica. Tiee por obeto ayudar a decidir, mediate el método cietífico, el diseño que optimiza el fucioamieto de sistemas bao codicioes que suele implicar el uso de recursos escasos. Kaufma: So las matemáticas de la orgaizació Modelos Matemáticos de Optimizació - 2
4 I. Ivestigació operativa y optimizació Optimizació: Determiació de ua alterativa de decisió co la propiedad de ser meor que cualquier otra e algú setido a precisar Elemetos de u problema de optimizació: Fució obetivo: Medida cuatitativa del fucioamieto del sistema que se desea optimizar (maimizar o miimizar) Variables: Represeta las decisioes que se puede tomar para afectar el valor de la fució obetivo. Variables idepedietes Variables depedietes o de estado Restriccioes: Represeta el couto de relacioes (ecuacioes e iecuacioes) que las variables está obligadas a cumplir Resolver: Ecotrar valor de las variables que optimiza la fució obetivo y satisface todas las restriccioes. Modelos Matemáticos de Optimizació - 3
5 I. Ivestigació operativa y optimizació CLASIFICACIÓN N DE MÉTODOS M DE OPTIMIZACIÓN: a) Clásicos (programació matemática) tica) PROGRAMACIÓN LINEAL (LINEAR PROGRAMMING) LP T mic A = b 0, c, A, b m m PROGRAMACIÓN LINEAL ENTERA MIXTA (MIXED INTEGER PROGRAMMING) MIP T T mic+ dy A + By = b y, 0 l l Z, y, c, d A, B, b m ml m PROGRAMACIÓN NO LINEAL (NON LINEAR PROGRAMMING) NLP m i f ( ) PROGRAMACIÓN MULTIOBJETIVO (multiobective programmig) b) Metaheurísticos (aproimació) (geéticos, recocido simulado, búsqueda b heurística) g ( ) = 0 h ( ) 0 l u f : g, h : m mi( f ( ),..., f ( )) A = b 0 k, c, A, b i m m f (): Modelos Matemáticos de Optimizació - 4
6 II. Modelos de optimizació Modelo: Esquema teórico, geeralmete e forma matemática, de u sistema o de ua realidad complea (por eemplo, la evolució ecoómica de u país), que se elabora para facilitar su compresió y el estudio de su comportamieto.(diccioario de la legua española. Real Academia Española.) Represetació precisa de ua realidad Herramieta de ayuda a la toma de decisioes Puede ivolucrar equipo multidiscipliar Modelador: especifica y desarrolla el modelo Eperto: cooce el problema real Modelos Matemáticos de Optimizació - 5
7 II. Modelos de optimizació MODELADO : Ciecia Aálisis y detecció de relacioes etre datos Suposicioes y aproimacioes a los problemas Algoritmos específicos de solució Arte Visió o iterpretació de la realidad Estilo e modelo y documetació Elegacia y simplicidad e desarrollo Uso creativo de herramietas Modelos Matemáticos de Optimizació - 6
8 II. Modelos de optimizació ETAPAS EN EL DESARROLLO DE UN MODELO :. Idetificació del problema 2. Especificació matemática tica y formulació 3. Resolució 4. Verificació, validació y refiamieto 5. Iterpretació y aálisis de resultados 6. Uso etesivo Modelos Matemáticos de Optimizació - 7
9 II. Modelos de optimizació. IDENTIFICACIÓN DEL PROBLEMA Recolecció de iformació relevate Defiició del problema e térmios t vagos Iterpretació y traducció a térmios t precisos Datos so vitales, suele ser cuello de botella Etapa fudametal para que decisioes sea útiles Modelos Matemáticos de Optimizació - 8
10 II. Modelos de optimizació 2. ESPECIFICACIÓN N MATEMÁTICA TICA Y FORMULACIÓN Defiició de variables, ecuacioes, fució obetivo, parámetros Aálisis de tamaño y estructura del problema Idetificació de tipo de problema (LP, MIP, NLP,...) Éfasis e precisió y belleza e la formulació Tipos de problemas LP segú su tamaño Restriccioes Variables Caso eemplo Tamaño medio Gra tamaño Muy gra tamaño > > Modelos Matemáticos de Optimizació - 9
11 II. Modelos de optimizació 3. RESOLUCIÓN Algoritmo de obteció de solució óptima, satisfactoria,... Diferetes métodos m de solució Diferetes implatacioes del algoritmo elegido 4. VERIFICACIÓN, VALIDACIÓN N Y REFINAMIENTO Elimiació de errores e codificació Comprobació validez de simplificacioes adoptadas Comprobació de adaptació a la realidad Ampliació e el modelado por uevas ecesidades Modelos Matemáticos de Optimizació - 0
12 II. Modelos de optimizació 5. INTERPRETACIÓN N Y ANÁLISIS DE RESULTADOS Aálisis de sesibilidad e parámetros de etrada Robustez de la solució óptima Detecció de solucioes cuasióptimas atractivas 6. USO EXTENSIVO Etapa fudametal para el éito de u modelo Documetació clara, precisa y completa Maual especificació fucioal, matemática e iformática Formació de posibles usuarios Modelos Matemáticos de Optimizació -
13 III. Formulació de problemas de optimizació PROBLEMA DE TRANSPORTE Miimizar el coste total de trasporte de u producto desde uos orígees a uos destios, satisfaciedo la demada de cada destio si superar la oferta dispoible e cada orige. Se supoe todos los orígees coectados co todos los destios a b a b 2 i oferta e el orige, demada e el destio ci coste uitario de trasporte desde el orige i al destio Cómo satisfacer la demada si superar la oferta co míimo coste? a m m b a i b Modelos Matemáticos de Optimizació - 2
14 III. Formulació de problemas de optimizació PROBLEMA DE TRANSPORTE (Solució): i :catidad trasportada de orige i a destio mi i = m i= i m i= = i i,,m = b =,, i 0 i, i c i a i = Matriz TU (sol. lieal es etera): m m2 m m 2 Modelos Matemáticos de Optimizació - 3
15 III. Formulació de problemas de optimizació PROBLEMA DE TRANSBORDO: Llevar u producto desde orígees a destios co putos itermedios e ua red de N odos co míimo coste Cada odo i uidades ( b i = 0): i b i > 0 odo orige b odo destio i < 0 b odo trasbordo (i geera i cosume) i = 0 coste uitario de trasporte de odo i a odo c i Solució: b i : catidad a trasportar de odo i a odo i mi i i= = = b i =,, i i i = = i 0 i, Modelos Matemáticos de Optimizació - 4 c i i
16 III. Formulació de problemas de optimizació i PROBLEMA DE ASIGNACIÓN Asigar la realizació de N tareas a N persoas (máquias, etc.). c i coste de realizar la tarea i por la persoa Obetivo: Miimizar el coste total de realizar las tareas sueto a cada tarea debe ser hecha por ua sola persoa cada persoa debe realizar ua úica tarea. si se asiga la tarea i a la persoa = i, 0 e cualquier otro caso mi c i= = { 0, } Modelos Matemáticos de Optimizació - 5 i = i = i i = i =,, i = =,, i i
17 III. Formulació de problemas de optimizació PROBLEMA DE LA MOCHILA (KNAPSACK): Maimizar el valor total de la elecció de u couto de proyectos. Si sobrepasar el presupuesto dispoible b c v coste de cada proyecto valor de cada proyecto si se realiza el proyecto = 0 e cualquier otro caso ma = c = v { 0,} b Modelos Matemáticos de Optimizació - 6
18 III. Formulació de problemas de optimizació PROBLEMA DE RECUBRIMIENTO (set coverig): Eiste m características y combiacioes (subcoutos) de características. La elecció de ua combiació implica realizar todas sus características. Seleccioar combiacioes de modo que se cubra (posea) cada característica al meos ua vez co el míimo coste Datos: Matriz de perteecia: si caracteristica i icluida e combiacio ai = 0 si o esta icluida c coste de la combiació si se elige la combiació = 0 e cualquier otro caso mi = = a i=,, m i c { 0,} Modelos Matemáticos de Optimizació - 7
19 III. Formulació de problemas de optimizació Eemplo: Asigació de tripulacioes Ua compañía aérea asigar tripulacioes para cubrir sus vuelos 2 secuecias factibles de vuelos para ua tripulació Se permite más de ua tripulació e u vuelo, dode la/s tripulació/es etra viaa como pasaeros, (por coveio laboral la tripulació etra cobra como si estuviera trabaado) El coste de asigació de ua tripulació a cada secuecia de vuelos se da e la última fila e uidades apropiadas Obetivo: miimizar coste total de asigació para cubrir todos los vuelos Resolver el mismo problema si o se permite más de ua tripulació por vuelo Modelos Matemáticos de Optimizació - 8
20 III. Formulació de problemas de optimizació S ECUENCIAS FACTIBLES SF LA SF DENVER SF SEATTLE LA CHICAGO LA SF C HICAGO DENVER C HICAGO SEATTLE D ENVER SF D ENVER CHICAGO S EATTLE SF S EATTLE LA C OSTE Números: orde del vuelo e la secuecia Modelos Matemáticos de Optimizació - 9
21 III. Formulació de problemas de optimizació si se elige la secuecia = 0 e cualquier otro caso mi Solucioes optimas (coste 8): = = = resto = = = 5 2 resto 0 Si o se permite repetició las desigualdades tedría que ser igualdades Modelos Matemáticos de Optimizació - 20
22 III. Formulació de problemas de optimizació PROBLEMA DE EMPAQUETADO (set packig): m proyectos agrupados e lotes Elegir u lote implica realizar todos los proyectos icluidos e él c beeficio de elegir el lote Matriz de perteecia del proyecto i al lote si i perteece a a = i 0 si o perteece Maimizar el beeficio total de maera que cada proyecto o puede ser elegido más de ua vez si se elige el lote = 0 e otro caso ma = = a i=,, m i c { 0,} Modelos Matemáticos de Optimizació - 2
23 III. Formulació de problemas de optimizació PROBLEMA DE LA PARTICIÓN: Similar a los problemas ateriores ecepto e que eactamete ua característica (proyecto) del couto de combiacioes (lotes) que la cotiee debe ser elegida. mi o ma = { 0,} = a = i =,, m i c Modelos Matemáticos de Optimizació - 22
24 III. Formulació de problemas de optimizació PROBLEMA DEL VIAJANTE (TSP): Hacer u recorrido que pase por N ciudades si repetir igua y volviedo a la ciudad de partida de maera que la distacia (coste) total sea míima. Uo de los más importates e programació matemática Muchas formulacioes coocidas para él, ver Williams (999) c i i distacia (coste) etre ciudad i y ciudad Formulació (clásica): si se va de la ciudad i a la ciudad = i mi c 0 e otro caso i i i, U i i i i = = i i Card( U) U {,..., } 2 Card( U) 2 i { 0,} Modelos Matemáticos de Optimizació - 23
25 III. Formulació de problemas de optimizació ik Formulació 2: si se va de la ciudad i a la ciudad e el tramo k de recorrido = 0 e otro caso mi c ik k, ik, k, i ik ik,, ik ik ik i = i = = k =, k ik { 0,} ik i ik + Modelos Matemáticos de Optimizació - 24
26 III. Formulació de problemas de optimizació Eemplo: secueciació de trabaos e ua máquia Ua máquia y 5 trabaos que hay que realizar e ella. Tiempos eecució: TR TR2 TR3 TR4 TR Tiempos de auste (set-up) pasar de eecutar trabao i a trabao TR TR2 TR3 TR4 TR5 TR TR TR TR TR Platear el problema para determiar cuál es el meor tiempo posible para completar los 5 trabaos y cómo hacerlo. Es u ciclo de trabao cerrado, se repite y vuelve a comezar. Cómo se haría para u ciclo de trabao abierto? Modelos Matemáticos de Optimizació - 25
27 III. Formulació de problemas de optimizació PROBLEMA DE COSTE FIJO: Coste co u térmio fio si la variable toma u valor estrictamete positivo f f ( ) 0 = 0 = k c 0 + > k c Variable auiliar biaria: y > 0 = 0 = 0, y ( ) mi f ( ) = k y + c = = My Modelos Matemáticos de Optimizació - 26
28 III. Formulació de problemas de optimizació Eemplo: Asigació de grupos térmicos Grupos térmicos a acoplar e cada hora del día (semaa) tal que: Datos: Miimizar costes de geeració: costes combustible, arraque, parada Se sumiistre la demada e cada hora Se matega u cierto ivel de reserva rodate Se respete parámetros (míimos técicos, rampas subida y baada) Dh demada térmica e la hora h [MW] R ivel de reserva rodate co respecto a la demada [p.u.] a t térmio lieal coste combustible del grupo térmico t [ /MWh] b t térmio fio del coste de combustible del grupo térmico t [ /h] ca t coste de arraque del grupo térmico t [ ] cp coste de parada del grupo térmico t [ ] t P t potecia máima del grupo térmico t [MW] P t potecia míima del grupo térmico t [MW] rs t rampa de subida del grupo térmico t [MW/h] rb rampa de baada del grupo térmico t [MW/h] t Modelos Matemáticos de Optimizació - 27
29 III. Formulació de problemas de optimizació Variables P ht potecia producida por el grupo térmico t e la hora h [MW] A ht acoplamieto del grupo térmico t e la hora h [0,] AR arraque del grupo térmico t e la hora h [0,] ht PR parada del grupo térmico t e la hora h [0,] ht mi s.a. T P = D ht h h t= T ( PA P ) = RD t ht ht h h t= ht ht ht t H T ( a P + b A + ca AR + cp PR t ht t ht t ht t ht ) h= t= Satisfacer demada Nivel de reserva rodate PA P AP t ht, Míimos, máimos técicos de cada grupo A A = AR PR, ht h t ht ht ht h t t ht Acoplamietos, arraques y paradas P P rs ht, Rampa de subida P P rb h t ht t ht, Rampa de baada P 0 A, AR, PR { 0,} Carácter de variables ht ht ht ht Modelos Matemáticos de Optimizació - 28
30 III. Formulació de problemas de optimizació MODELADO DE RESTRICCIONES ESPECIALES: DISYUNCIÓN: de 2 restriccioes al meos ua debe darse.debe cumplirse ua, o ecesariamete las dos: f ( ) 0 ó g ( ) 0 Modelo lieal: obliga a g ( ) 0 y relaa la otra Variable biaria δ = 0 obliga a f ( ) 0 y relaa la otra Restriccioes: f ( ) Mδ δ { 0,} g ( ) M2( δ ) My 3 equivale o y { 0,} M2( y) IMPLICACIÓN: si se da ua codició obligatoriamete ha de darse la otra f ( ) > 0 g( ) 0 Equivale a disyució ( ( A B) ( oa o B) ): f ( ) 0 o g( ) 0 Modelos Matemáticos de Optimizació - 29
31 III. Formulació de problemas de optimizació MODELADO DE RESTRICCIONES ESPECIALES: CUMPLIR K DE N ECUACIONES: de N ecuacioes se ha de cumplir al meos K, siedo K<N. f (,, ) 0 M f(,, ) My N f (,, ) 0 2 M f 2 2(,, ) M2y2 yi = N k i= yi { 0,} f (,, ) 0 N M f ( N N,, ) MNyN SELECCIONAR ENTRE N VALORES: Ua ecuació co múltiples posibles cotas (RHS). d d f (,, ) = d 2 N f (,, ) = dy N i= N i i i= y = i y { 0,} i =,, N i Modelos Matemáticos de Optimizació - 30
32 III. Formulació de problemas de optimizació MODELADO DE RESTRICCIONES LÓGICAS: P Q No 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 (P o Q) o (P y Q) o P y o Q o P o o Q Modelos Matemáticos de Optimizació - 3
33 III. Formulació de problemas de optimizació MODELADO EN PROGRAMACIÓN NO LINEAL: Problemas de producció co elasticidad e los precios y/o costes Precios elásticos: catidad se puede veder relació iversa precio p() precio uitario de veta para poder veder uidades. Decreciete y o iferior al coste uitario de producció, c. (Típico, costate a tramos) Afecta a la fució obetivo. Marge de cotribució de la empresa: P () = (() p c ) Costes producció: decrecietes (curva de apredizae) o crecietes (tiempo etra). Afecta a f. obetivo y restriccioes (presupuesto) Problema de trasporte co descuetos por volume Descuetos por catidad: Fució coste uitaria escaloada, o creciete Coste de embarcar uidades: poligoal, cotiua, co pediete el m coste uitario e cada tramo. Agregar: f ( ) C ( ) = i= = i Modelos Matemáticos de Optimizació - 32 i
34 III. Formulació de problemas de optimizació MODELADO EN PROGRAMACIÓN NO LINEAL: Selecció de ua cartera de iversioes Redimieto esperado y riesgo asociado a la iversió. Accioes tipo : redimieto esperado b µ σ σ i p variaza del redimieto covariaza del redimieto de las tipo i y las precio uitario por acció Presupuesto dispoible X catidad de accioes de tipo a icluir e la cartera Plateamieto típico: ma fx ( ) = RX ( ) β VX ( ) = µ X β σ XX = 0, =,..., P B i i = i= = ( factor aversió al riesgo) Modelos Matemáticos de Optimizació - 33 β
35 IV. Codificació de problemas de optimizació LENGUAJES DE MODELADO Leguaes de programació de propósito geeral (C, FORTRAN, Visual Basic, C++) Leguaes o etoros de cálculo umérico o simbólico (hoas de cálculo, Matlab, Mathematica) Programas para problemas pequeños (QSB, ORSTAT, LPSolve,...) Leguaes algebraicos de modelado (GAMS, AMPL, XPRESS-MP, OPL, ECLIPSE, ILOG-Cocert) LENGUAJES ALGEBRAICOS DE MODELADO Leguaes de alto ivel diseñados para el desarrollo e implatació de modelos de optimizació de forma directa Modelos Matemáticos de Optimizació - 34
36 IV. Codificació de problemas de optimizació VENTAJAS LENGUAJES ALGEBRAICOS: Formulació compacta modelos grades y compleos Facilita desarrollo de prototipos Meora productividad de modeladores Estructura bueos hábitos de modelado Separa datos de estructura y de optimizadores Formulació idepediete del tamaño Modelo idepediete de optimizadores Facilita reformulació cotiua Documetació simultáea al modelo Permite implatació de algoritmos avazados Portabilidad etre plataformas y sistemas operativos Modelos Matemáticos de Optimizació - 35
37 IV. Codificació de problemas de optimizació DESVENTAJAS LENGUAJES ALGEBRAICOS: No so adecuados para usos esporádicos co problemas de pequeño tamaño No so adecuados para resolució directa problemas de tamaño gigatesco Puede ser meos eficiete e tiempo y memoria requeridos Modelos Matemáticos de Optimizació - 36
38 IV. Codificació de problemas de optimizació MODELADO EN GAMS Estructura geeral de u modelo de optimizació e GAMS Declaració de sets y parámetros Variables Ecuacioes Modelo Iclusió y maipulació de datos de etrada Acotació e iicializació de variables Resolució del problema Lectura y presetació de resultados TIEMPO DE EJECUCIÓN DE MODELOS EN GAMS tiempo de creació formulació del problema específico tiempo de iterfaz comuicació etre leguae GAMS y optimizador tiempo de optimizació resolució del problema por el optimizador Modelos Matemáticos de Optimizació - 37
39 IV. Codificació de problemas de optimizació EJEMPLO DE TRANSPORTE: Fábricas de evasado i. Mercados de cosumo. a i : capacidad máima de producció de caas e i. b : catidad de caas demadadas e mercado. c i : coste de trasporte de cada caa de plata i a mercado. Satisfacer la demada de cada mercado a míimo coste. Variables: i : catidad de caas eviadas de plata i a mercado Restriccioes: Límite de capacidad de producció de cada fábrica Satisfacció de la demada de cada mercado Fució obetivo: ci i i mi i Modelos Matemáticos de Optimizació - 38 i a i i i b i
Modelado en optimización
Modelado e optimizació José María Ferrer Caa Uiversidad Potificia Comillas Optimizació Ecotrar el valor que debe tomar las variables del problema para hacer óptima la fució obetivo, y de forma que se satisfaga
8. Modelos de transporte y análisis de redes
8. Modelos de trasporte y aálisis de redes Problema de trasporte Problema de asigació Aálisis de redes. Redes de actividades: método CPM Problemas de trasporte. Eiste m orígees que cotiee diversas catidades
Modelos de optimización y lenguajes algebraicos de modelado. Andrés Ramos
Modelos de optimización y lenguajes algebraicos de modelado Andrés Ramos Modelo Esquema teórico, generalmente en forma matemática, de un sistema o de una realidad compleja (por ejemplo, la evolución económica
Jueves, 25 de abril. Dificultades de los modelos PNL. Dónde está la solución óptima? Otro ejemplo: Óptima Local frente a Global
. Jueves, de abril Teoría sobre la programació o lieal Programació separable Dificultades de los modelos PNL PL: Etregas: material de clase PNL: Aálisis gráfico de la programació o lieal e dos dimesioes:
Modelado en optimización lineal entera mixta
Modelado en optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS
TRABAJO PRACTICO Nº 1
TRABAJO PRACTICO Nº 1 DEMANDA DE TRANSPORTE: ELASTICIDAD OFERTA DE TRANSPORTE: COSTOS AJUSTE DE FUNCIONES ANÁLISIS DE REGRESIÓN Objetivo: Aplicar a u caso práctico utilizado las herramietas básicas de
Unidad 1: Las Ecuaciones Diferenciales y Sus Soluciones
Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos
TEMA 10: La programación lineal como instrumento para la toma de decisiones de inversión
Itroducció a las Fiazas 3º Curso de Direcció y Admiistració de Empresas TEMA 0: La programació lieal como istrumeto para la toma de decisioes de iversió E la empresa existe ua serie de restriccioes (recursos,
Sobrantes de 2004 (Septiembre Modelo 3) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
OPCIÓN A EJERCICIO 1_A (3 putos) Ua pastelería elabora dos tipos de trufas, dulces y amargas Cada trufa dulce lleva 20 g de cacao, 20 g de ata y 30 g de azúcar y se vede a 1 euro la uidad Cada trufa amarga
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Universidad Nacional Autónoma de Honduras Facultad de Ciencias Económicas Guía de Ejercicios No. 2 DET 385, Métodos Cuantitativos III
: Derivadas de orde superior: Elaborada por: Wilfredo Saravia M Uiversidad Nacioal Autóoma de Hoduras Facultad de Ciecias Ecoómicas Guía de Ejercicios No DET 85, Métodos Cuatitativos III E los ejercicios
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte I CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA - Parte I CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 INVERSIÓN La iversió es u acto mediate el cual se produce el cambio de ua satisfacció imediata
Combinatoria. Tema Principios básicos de recuento
Tema 4 Combiatoria La combiatoria, el estudio de las posibles distribucioes de objetos, es ua parte importate de la matemática discreta, que ya era estudiada e el siglo XVII, época e la que se platearo
TEMA 6 SELECCIÓN DE INVERSIONES PRODUCTIVAS CON RIESGO (parte I)
TEMA 6 SELECCIÓN DE INVERSIONES PRODUCTIVAS CON RIESGO (parte I) Tema 6- Parte 1 1 EL MÉTODO de la TASA de DESCUENTO AJUSTADA al RIESGO : a = k + p E presecia de iflació a = k + p ( 1 + a ) = ( 1 + a )(
Slide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
CUADRATURA GAUSSIANA
CUADRATURA GAUSSIANA Este método de basa e muestrear el itegrado de la fució cuya itegral se desea ecotrar, a valores que represeta raíces de poliomios ortogoales Los más populares de éstos so los poliomios
Resumen que puede usarse en el examen
Resume que puede usarse e el exame ema. Optimizació Irrestrigida. Codicioes ecesarias y suficietes de optimalidad. Proposició (C. Necesarias) Sea x* u míimo local irrestrigido de f :!! y supogamos que
Guía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Introducción. Leonfiel aportó principalmente en relaciones interindustriales a través de su matriz de insumo-producto.
Itroducció La PL es ua clase de modelo de programació matemática destiada a la asigació eficiete de los recursos limitados e actividades coocidas, co el ojetivo de satisfacer las metas deseadas (como maximizar
Guía Semana 9 1. RESUMEN. Universidad de Chile. Ingeniería Matemática
1. RESUMEN Igeiería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo e Varias Variables 08-1 Igeiería Matemática Guía Semaa 9 Teorema de los multiplicadores de Lagrage
Métodos Numéricos para Sistemas de Ecuaciones No Lineales
Uiversidad de Chile Departameto de Igeiería Matemática Métodos Numéricos para Sistemas de Ecuacioes No Lieales MA-33A Gozalo Herádez Oliva GHO SENL - MA-33A 1 Sistemas de Ecuacioes No Lieales: SENL 1)
TEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
LOS NUMEROS REALES. Conjunto no vacío designado como R y denominado conjunto de los números reales. En
LOS NUMEROS REALES Cojuto o vacío desigado como R y deomiado cojuto de los úmeros reales. E él se defie ua relació de igualdad = y dos operacioes algebraicas + y. Relació de igualdad Defiició: R = (a,b)
4.- Aproximación Funcional e Interpolación
4- Aproximació Fucioal e Iterpolació 4 Itroducció Ua de las mayores vetajas de aproximar iformació discreta o fucioes complejas co fucioes aalíticas secillas, radica e su mayor facilidad de evaluació y
FUNCIONES. ( a) IGUALDAD DE FUNCIONES Sí y son dos funciones, diremos que las funciones f y
CALCULO P.C.I. PRIMER SEMESTRE 04 FUNCIONES Sí A y B so dos cojutos o vacío, ua fució de A e B asiga a cada elemeto a perteeciete al cojuto A u úico elemeto b de B que deomiamos image de a. Además diremos
TRABAJO PRÁCTICO N O 1. SÍNTESIS DE SEÑALES Y ANÁLISIS DE SISTEMAS
TRABAJO PRÁCTICO N O. SÍNTESIS DE SEÑALES Y ANÁLISIS DE SISTEMAS PARTE : SEÑALES Recomedacioes geerales: Utilice el comado stem para el graficado de las señales discretas. El uso de plot o se ajusta al
2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
OPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
UNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes
IES Fco Ayala de Granada Sobrantes de 2002 (Modelo 1) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 2002 (Modelo 1) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Ua fábrica de muebles dispoe de 600 kg de madera para fabricar librerías de 1 y de 3 estates.
Sistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas
Sistemas de Ecuacioes Lieales M. e I. Gerardo Avilés Rosas Octubre de 206 Tema 5 Sistemas de Ecuacioes Lieales Objetivo: El alumo formulará, como modelo matemático de problemas, sistemas de ecuacioes lieales
UNIDAD 2 Ecuaciones Diferenciales Lineales de Orden Superior
UNIDAD Ecuacioes Difereciales Lieales de Orde Superior. Defiició Ua ecuació diferecial lieal de orde tiee la forma: d y a a a a y= g d d d Si las fucioes a a so todas costates (o cero) etoces se dice que
IES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
INECUACIONES. Ejemplo: La desigualdad 2x+l>x+5, es una inecuación por que tiene una incógnita "x" que se verifica para valores mayores que 4.
INECUACIONES DEFINICIÓN: Ua iecuació es ua desigualdad e las que hay ua o más catidades descoocidas (icógita) y que sólo se verifica para determiados valores de la icógita o icógitas. Ejemplo: La desigualdad
LECTURA 3 GENERACIÓN DE SEÑALES
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA DEPARTAMENTO DE ELECTRÓNICA LECTURA 3 GENERACIÓN DE SEÑALES CURSO SIGLA LABORATORIO DE PROCESAMIENTO DIGITAL DE SEÑALES ELO 385 PROFESOR RODRIGO HUERTA CORTÉS AYUDANTE
- A h h+1 n-1 n
1º DMINISTRCIÓN Y FINNZS GESTIÓN FINNCIER. TEM 9 TEM Nº 9: SELECCIÓN DE INVERSIONES 1. DIMENSIÓN FINNCIER DE UN PROYECTO DE INVERSIÓN Desde el puto de vista fiaciero, es decir, moetario, cualquier proyecto
Capítulo 9. Método variacional
Capítulo 9 Método variacioal 9 Miimizació de la eergía 9 Familia de fucioes 9 Partícula ecerrada e ua dimesió etre [-aa] 9 Oscilador armóico e ua dimesió 93 Átomo de helio 93 Combiació lieal de fucioes
Técnicas para problemas de desigualdades
Técicas para problemas de desigualdades Notas extraídas del libro de Arthur Egel [] 5 de marzo de 00 Medias Comezamos co dos de las desigualdades más básicas pero al mismo tiempo más importates Sea x,
FUNCIONES DE VARIAS VARIABLES: DOMINIO, RANGO, CURVAS DE NIVEL 1 FUNCIONES DE VARIAS VARIABLES.
FUNCIONES DE VARIAS VARIABLES: DOMINIO, RANGO, CURVAS DE NIVEL FUNCIONES DE VARIAS VARIABLES. DEFINICIONES DE FUNCIONES EN VARIAS VARIABLES. Ua fució de variable es u cojuto de pares ordeados de la forma
) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
CAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.
5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto
MÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO : GESTIÓN DE CARTERAS SOLUCION DEL TEST DE EVALUACIÓN El siguiete euciado hace referecia a las seis cuestioes siguietes: Las retabilidades trimestrales del pasado año del activo ABC y de u ídice
INTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
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
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 6)
IES Fco Ayala de Graada Sobrates de 01 (Modelo 6 ) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 01 (MODELO 6) OPCIÓN A EJERCICIO 1_A Ua empresa vede tres artículos diferetes
GUIA DE ESTUDIO Nro 1
MATERIA: MATEMÁTICA I CURSO: I AÑO EJE ESTRUCTURAL I: CONCEPTOS FUNDAMENTALES DEL ALGEBRA GRUPOS CONCEPTUALES: - Epresioes algebraicas. Poliomios. - Ecuacioes. Iecuacioes. TEMARIO: GUIA DE ESTUDIO Nro
IES Fco Ayala de Granada Sobrantes de 2008 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna. Modelo nº 2 Sept. Sobrantes de Soluciones
IES Fco Ayala de Graada Sobrates de 008 (Modelo Septiembre) Germá-Jesús Rubio Lua Istruccioes: Modelo º Sept. Sobrates de 007-008 Solucioes Duració: 1 hora y 30 miutos. Elija ua de las dos opcioes propuestas
Práctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Sucesiones. f : {1,2,...,r} S. Por ejemplo, la sucesión finita, (de longitud 4) de números primos menores que 10: 2,3,5,7
Sucesioes. Defiició Sucesió Matemática Ua sucesió fiita (a k ) (de logitud r) co elemetos perteecietes a u cojuto S, se defie como ua fució y e este caso el elemeto a k correspode a f(k). f : {,,...,r}
Resumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
R. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Métodos de reducción de varianza
Métodos de reducció de variaza Clase ro 1 Curso 010 Métodos de reducció de variaza E la mayoría de las simulacioes, los experimetos tiee por obetivo obteer valores medios de los resultados que se muestrea
Modelos matemáticos de optimización
Modelos matemáticos de optimización Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Optimización
CS. de la COMPUTACION II 1 VERIFICACION DE PROGRAMAS
CS. de la COMPUTACION II 1 VERIFICACION DE PROGRAMAS Uo de los efoques para determiar si u programa es correcto es establecer ua actividad de testig. Esta cosiste e seleccioar u cojuto de datos de etrada
Modelado en optimización lineal entera mixta
Modelado en optimización lineal entera mita Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu CONTENIDO CLASIFICACIÓN DE PROBLEMAS ALGUNOS PROBLEMAS
TEMA 3 RECURRENCIA. FUNCIONES GENERATRICES
Gregorio Herádez Peñalver Departameto de Matemática Aplicada, Facultad de Iformática, UPM TEMA 3 RECURRENCIA. FUNCIONES GENERATRICES RELACIONES DE RECURRENCIA Ua relació de recurrecia para ua sucesió A=(a
Escena 5 Planificación contra stock
Método de Plaificació propuesto 67 Escea 5 Plaificació cotra stock Ua vez coocidos los protagoistas la escea busca ordear los pedidos de la forma más eficiete, respetado los requisitos del cliete. Es e
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
IES IGNACIO ALDECOA 1 AMPLIACIÓN DE MATEMÁTICAS 4º ESO CURSO 10/11
IES IGNACIO ALDECOA AMPLIACIÓN DE MATEMÁTICAS º ESO CURSO 0/ TEMA : SUCESIONES DE NÚMEROS REALES Se llama sucesió a u cojuto de úmeros dispuestos uo a cotiuació de otro. Podemos cosiderar ua sucesió como
Convolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
TEMA 2 CÁLCULO DIFERENCIAL DE DE UNA UNA VARIABLE
TEMA CÁLCULO DIFERENCIAL DE DE UNA UNA VARIABLE Derivada de ua ució e u puto Sea : D y u puto iterior de Se dice que es derivable e eiste lim Dicho límite recibe el ombre de derivada de e Notas ) Notaremos
Sistemas de colas: clase 1. Amedeo R. Odoni 10 de octubre de 2001
Sistemas de colas: clase Amedeo R. Odoi de octubre de 2 Temas de teoría de colas 9. Itroducció a las colas: ley de Little; M/M/. olas de acimieto y muerte de Markov. ola M/G/ y extesioes 2. olas de prioridad:
Raices de Polinomios. Jorge Eduardo Ortiz Triviño
Raices de Poliomios Jorge Eduardo Ortiz Triviño jeortizt@ual.edu.co http://www.docetes.ual.edu.co/jeortizt/ Defiició U poliomio de grado es ua epresió de la forma: Dode a 0 P() = a + a - - +... +a +
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-.000 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de
Sistema de ecuaciones lineales
Uiversidad de Atofagasta Fac. de Ciecias Básicas Depto. de Matemáticas A. Alarcó, L. Media, E. Rivero, R. Zuñiga Segudo Semestre 204 Sistema de ecuacioes lieales El sistema de ecuacioes lieales a, + a,2
Prueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)
Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA
Sesión 12. Aprendizaje neuronal
Iteligecia Artificial Sesió 2 Apredizaje euroal Ig. Sup. e Iformática, 4º Curso académico: 200/20 Profesores: Sascha Ossowski y Matteo Vasirai Apredizaje Resume: 3. Apredizaje automático 3. Itroducció
Calculamos los vértices del recinto resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 008 (Modelo 6) Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 008 (MODELO 6) OPIÓN A EJERIIO 1_A (3 putos) Ua empresa produce botellas de leche etera
- Fernando Sánchez - Departamento de Matemáticas - Universidad de Extremadura
- Ferado Sáchez - - 5 Números Cálculo I complejos 14 10 2015 E el cuerpo de los úmeros reales ecuacioes como x 2 + 1 = 0 o tiee solució: el poliomio x 2 + 1 o tiee raíces reales. Hace falta exteder el
SUCESIÓN. La colección de números que definen a una sucesión permite clasificar a éstas en:
UCEIÓN CPR. JORGE JUAN Xuvia-Naró Ua sucesió, (a ), de úmeros reales es ua fució que hace correspoder a cada úmero atural, excluido el cero, u úmero real, la cual viee defiida segú: f: N* R a a i a Número
De esta forma, el problema de encontrar la mejor recta se concentra en calcular los valores de la pendiente (m) y de la ordenada al origen (b)
MÉTODO DE MÍNIMOS CUADRADOS E muchos de los experimetos que se realiza e Física, se obtiee u cojuto de parejas de úmeros (abscisa, ordeada) por los cuales ecesitamos, para obteer u modelo matemático que
INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES ORDINARIAS
INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES ORDINARIAS Ua ecuació diferecial es ua ecuació que cotiee las derivadas de ua o más variables depedietes co respecto de ua ó mas variables idepedietes. Clasificació
Simulación de Sistemas Lineales Utilizando Labview
14 Simulació de Sistemas Lieales Utilizado Labview Bruo Vargas Tamai Facultad de Igeiería electróica Eléctrica, Uiversidad Nacioal Mayor de Sa Marcos, Lima, Perú RESUMEN: Mostramos la maera e que se puede
M arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para
GEOMETRÍA, TRIGONOMETRÍA Y SERIES Tema 4 Series uméricas M arcelo, de vez e vez, usa ua reata de 10 m de largo y cm de grueso para medir el cotoro de los terreos que fumiga. Para que la reata que usa o
En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Un numero en una sucesión: a n. Ejemplo: Qué termino de la sucesión. a n. Gráficamente:
CONCEPTOS PREVIOS: Es u cojuto de úmeros que obedece a ua ley de formació. E geeral es ua fució del tipo : f:n R + 4 0 Ejemplo : a 64 3... 3 SUCESION CRECIENTE: a ; a > a SUCESION DECRECIENTE: + ; a+ a
Curso: 3 E.M. ALGEBRA 8
Colegio SSCC Cocepció - Depto. de Matemáticas Uidad de Apredizaje: POLINOMIOS Capacidades/Destreza/Habilidad: Racioamieto Matemático/ Aplicació / Calcular, Resolver Valores/ Actitudes: Respeto, Solidaridad,
Walter Orlado Gozales Caicedo Secuecias Lógicas OBJETIVO: Lograr habilidad y destreza e el alumo practicado u razoamieto abstracto PROCEDIMIENTOS: INICIAL: Halla el valor del térmio que cotiúa e:,,,, 0,
Trabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Modelo de programación lineal Jueves, 18 de abril. Programas no lineales (PNL) Qué es una programación no lineal? Una programación no lineal
. Jueves, de abril Programació o lieal (PNL) Ejemplos de modelizació Coveidad Optimizació local vs. global Etregas: material de clase Modelo de programació lieal Ma c + c + + c sujeto a a + a +... +a b
1 EXPRESIONES ALGEBRAICAS
EXPRESIONES ALGEBRAICAS E el leguaje matemático, se deomia expresioes algebraicas a toda combiació de letras y/o úmeros viculados etre si por las operacioes de suma, resta, multiplicació y poteciació de
ECUACIONES DIFERENCIALES Problemas de Valor Frontera
DIVISIÓN DE CIENCIAS FÍSICAS Y MATEMÁTICAS DPTO. TERMODINÁMICA Y FENÓMENOS DE TRANSFERENCIA MÉTODOS APROXIMADOS EN ING. QUÍMICA TF-33 ECUACIONES DIFERENCIALES Problemas de Valor Frotera Esta guía fue elaborada
IES Fco Ayala de Granada Sobrantes de 2001 (Modelo 3) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 200 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( puto) U establecimieto poe a la veta tres tipos de camisas A, B y C. Se sabe que la razó etre los
TEMA-9- ANÁLISIS DE LA INFORMACIÓN CONTABLE.
Ecoomía de la Empresa TEMA-9- ANÁLISIS DE LA INFORMACIÓN CONTABLE. 1. LAS RELACIONES ENTRE EL ACTIVO, EL PATRIMONIO NETO Y EL PASIVO La iformació que la Cotabilidad proporcioa es la base para la toma de
1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
- Fernando Sánchez - Departamento de Matemáticas - Universidad de Extremadura. Cálculo I
- Ferado Sáchez - - Números Cálculo I complejos 09 0 07 E el cuerpo de los úmeros reales ecuacioes como x + = 0 o tiee solució: el poliomio x + o tiee raíces reales. Hace falta exteder el cocepto de úmero
METAHEURÍSTICAS
METAHEURÍSTICAS 2016-2017 Tema 1. Itroducció a las Metaheurísticas Tema 2. Modelos de Búsqueda: Etoros y Trayectorias vs Poblacioes Tema 3. Metaheurísticas Basadas e Poblacioes Tema 4: Algoritmos Meméticos
Álgebra I Práctica 3 - Números enteros (Parte 1)
FCEyN - UBA - 1er cuatrimestre 015 Divisibilidad y algoritmo de divisió Álgebra I Práctica 3 - Números eteros (Parte 1 1. Decidir cuáles de las siguietes afirmacioes so verdaderas a, b, c Z i a b c a c
PROCESAMIENTO DIGITAL DE SEÑALES
PROCESAMIENTO DIGITAL DE SEÑALES TEMA : FUNDAMENTOS DE SISTEMAS DE TIEMPO DISCRETO. Señales y Sistemas de Tiempo Discreto Se itroducirá coceptos de señales y sistemas de tiempo discreto. Para ello se detallará
LAS SUCESIONES Y SU TENDENCIA AL INFINITO
LAS SUCESIONES Y SU TENDENCIA AL INFINITO Sugerecias al Profesor: Resaltar que las sucesioes geométricas ifiitas so objetos matemáticos que permite modelar alguos procesos ifiitos, y que a la vez su costrucció
Tema 9 Teoría de la formación de carteras
Parte III Decisioes fiacieras y mercado de capitales Tema 9 Teoría de la formació de carteras 9.1 El problema de la selecció de carteras. 9. Redimieto y riesgo de ua cartera. 9.3 El modelo de la media-variaza.
2.- ESPACIOS VECTORIALES. MATRICES.
2.- ESPACIOS VECTORIALES. MATRICES. 2.1. -ESPACIOS VECTORIALES Sea u cojuto V, etre cuyos elemetos (a los que llamaremos vectores) hay defiidas dos operacioes: SUMA DE DOS ELEMENTOS DE V: Si u, v V, etoces
Universidad Nacional Autónoma de Honduras Facultad de Ciencias Económicas Guía de Ejercicios No. 2 DET 385, Métodos Cuantitativos III
.: Derivadas de orde superior: La seguda derivada: Uiversidad Nacioal Autóoma de Hoduras Facultad de Ciecias Ecoómicas Guía de Ejercicios No. DET 85, Métodos Cuatitativos III La derivada f '( ) es ua fució
Qué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Intervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Intervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Topografía 1. II semestre, José Francisco Valverde Calderón Sitio web:
II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E. 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