Dirección de Operaciones. Programación de operaciones: secuenciación y temporización
|
|
- Juan José Rojas Miguélez
- hace 6 años
- Vistas:
Transcripción
1 Dreccón de Operacones. Programacón de operacones: secuencacón y temporzacón Joaquín Bautsta Valhondo, Rocío Alfaro Pozo y Alberto Cano Pérez D-12/2013 Departamento de Organzacón de Empresas Unversdad Poltécnca de Cataluña Publca: Unverstat Poltècnca de Catalunya Edta: Cátedra Organzacón Industral drector@prothus.com
2 Programacón de operacones: Secuencacón y Temporzacón UPC Unverstat Poltècnca de Catalunya IO-T-10
3 Contendo Decsones en los sstemas productvos. El problema del Taller Mecánco. Clasfcacón. Nomenclatura. Meddas de efcenca. Ejemplo de aplcacón. Secuencas una máquna. Secuencas varas máqunas. Algortmo de Johnson. Algortmo de Johnson generalzado. Cotas para el problema. Heurístcas para el Flow Shop. IO-T-20
4 Decsones en los sstemas productvos Decsones de dseño del sstema productvo 1. Prevsón y planfcacón a largo plazo. 2. Dseño productvo de los elementos fabrcados. 3. Dstrbucón en planta. 4. Seleccón de equpos y procesos. 5. Localzacón del sstema productvo. 6. Dseño de tareas y medda del trabajo. Decsones de dreccón de operacones 1. Prevsón de la demanda. 2. Planfcacón de operacones. 3. Cálculo de necesdades y gestón de materales. 4. Programacón y control de operacones. 5. Fabldad y entretenmento del sstema productvo. 6. Gestón de la caldad. 7. Control de costes y de la mano de obra. IO-T-30
5 Los 3 Nveles de Decsón en Dreccón de Operacones Corto plazo Medo plazo Largo plazo Polítca de dre ccón Cclos smplfcados Informacón comercal PLANIFICACIÓN DE OPERACIONES Aprovsonamentos crítcos PLAN MAESTRO Lsta de materales Obra en curso CÁLCULO DE NECESIDADES Stuacón stocks PLANIF. APROVISION. PREPROGRA- MACIÓN ÓRDENES APROV./COMPRA ÓRDENES FABRICACIÓ N Me dos Cclos PROGRAMACIÓN DETALLADA Dsponbldad LANZAMIENTO SISTEMA PRODUCTIVO SEGUIMIENTO IO-T-40
6
7 El problema del Taller mecánco (Job Shop Problem) n, pezas o trabajos. m, etapas, máqunas o estacones de trabajo. Una operacón asgnada a cada máquna. Orden establecdo de proceso en las máqunas. p,k, tempos de proceso para cada trabajo. Máqunas y pezas dsponbles en el nstante 0. Objetvo: determnar una secuenca para las pezas, la msma en cada máquna, que optmce un índce de efcenca (por ejemplo makespan o C max ) n m IO-T-60
8 El problema del Taller mecánco: Clasfcacón (I) Problema estátco Las pezas en número fnto y determnado deben realzarse en un taller con un número fnto de máqunas. En el nstante de realzar la programacón se conoce la ruta de cada peza, las operacones que la componen, en que máquna debe realzarse cada operacón y su duracón correspondente. Todas las pezas y máqunas están dsponbles en el msmo nstante que habtualmente se adoptará como ncal o nstante 0 en tempo relatvo. Fnaldad del problema: buscar un programa que optmce un índce de efcenca establecdo, por ejemplo la ocupacón total del taller. IO-T-70
9 El problema del Taller mecánco: Clasfcacón (II) Problema semdnámco Las pezas en número fnto y determnado deben realzarse en un taller con un número fnto de máqunas. En el nstante de realzar la programacón es conocda la ruta de cada peza, las operacones que la componen, en que máquna debe realzarse cada operacón y la duracón correspondente. Los nstantes de dsponbldad de las pezas y/o máqunas pueden no ser déntcos, pero sí conocdos, en el nstante de realzar la programacón. Fnaldad del problema: buscar un programa que optmce un índce de efcenca adecuado. IO-T-80
10 El problema del Taller mecánco: Clasfcacón (III) Problema dnámco Horzonte de funconamento del taller: lmtado haca el futuro. El número de pezas, no el de máqunas, es tambén lmtado. El conocmento concreto en un nstante determnado se lmta a la stuacón actual y a una cartera fnta de pezas a realzar. Progresvamente algunas pezas termnan su elaboracón en el taller y lo abandonan, mentras que otras nuevas llegan a él para ser tratadas. No podemos pretender hallar aquí un programa únco. Fnaldad en este caso: establecer un procedmento de programacón, y juzgar la caldad de un procedmento; los índces de efcenca se asocan a las característcas medas de los programas a lo largo de un ntervalo temporal sufcente. IO-T-90
11 El problema del Taller mecánco: Hpótess de Conway, Maxwell y Mller (1967) 1. Cada máquna está contnuamente dsponble desde 0 hasta T, con T arbtraramente grande. 2. No hay montajes (convergencas) n partcones en lotes (dvergencas). Para cada operacón exste una sola precedente nmedata h (se exceptúa la prmera operacón de cada peza, que no tene precedente); y una sola sguente nmedata j (se exceptúa la últma operacón de cada peza que no tene sguente). 3. Cada operacón puede hacerse en un solo tpo de máquna del taller. 4. Sólo hay una máquna de cada tpo en el taller. 5. Cuando una operacón ha comenzado debe termnarse antes de empezar otra en la msma máquna; no se admten nterrupcones. 6. No pueden solaparse dos operacones de la msma peza (en la msma máquna o en máqunas dstntas). 7. Cada máquna puede tratar una sola operacón a la vez. 8. La únca restrccón actva en el taller es la relatva a las máqunas; no hay restrccones de dsponbldad de mano de obra, materales, etc. Nótese que las hpótess descrtas úncamente descrben problemas estátcos. IO-T-100
12 Ejemplo 6 pezas (n=6). 3 máqunas (m=3). Flujo regular. Exsten buffers de almacenamento. Medda de efcenca C max Nomenclatura: Fm prmu C max Los tempos de proceso (p,k ) son los sguentes: A B C D E F m m m IO-T-110
13 Fm prmu C max C max =37 IO-T-120
14 Fm block C max Flujo regular. No exsten buffers de almacenamento. Medda de efcenca C max Nomenclatura: Fm block C max C max =39 IO-T-130
15 El problema del Taller mecánco: Clasfcacón del flujo de pezas en el taller Algunos de los problemas comunes: Flujo regular (Flow Shop): Todas las pezas tenen la msma ruta. Las m máqunas se pueden numerar 1,2,...,m de tal forma que una peza cualquera será procesada por todas las máqunas en orden crecente. Nnguna peza sufre más de una operacón en cada máquna. Flujo permutaconal (Permutaton Flow Shop): Es un caso partcular del flujo regular en el cual la secuenca de pezas es la msma en todas las máqunas. Por lo tanto el programa queda defndo tan solo por una permutacón de las pezas, de aquí el nombre. Flujo aleatoro (Randomly Routed Job Shop): Indca el caso en que la ruta de las pezas es casual, es decr, no responde a un esquema defndo. Flujo general (Job Shop): Exsten pezas en las que dos operacones sucesvas se ejecutan la prmera en la máquna j y la segunda en la máquna j y otras pezas en que dos operacones se ejecutan la prmera en j y la segunda en j. Además una peza puede sufrr varas operacones en la msma máquna. IO-T-140
16 El problema del Taller mecánco: Nomenclatura r : nstante de entrada de la peza en el taller. d : fecha de vencmento de la peza. g : número de operacones de la peza. m,k : máquna para la operacón k de la peza. p,k : duracón de la operacón k de la peza. a : tempo conceddo para la realzacón de la peza. w,k : tempo de espera de la operacón k de la peza. c : nstante de fnalzacón de la peza en el taller. F : tempo de permanenca de la peza en el taller. T : retraso de la peza en el taller. Algunas equvalencas: p c = g p g, k k= 1 k= 1 = r + w + p w F = w = c, k r = w + p IO-T-150
17 El problema del Taller mecánco: Meddas de Efcenca Permten clasfcar los programas en clases ordenadas. Una medda de efcenca es regular s no dsmnuye (no mejora) cuando alguno o todos los valores c aumentan. Algunas meddas de efcenca: C max : nstante de fnalzacón de la últma peza del taller. C = max{ c } F max : tempo de permanenca en el taller de la peza que permanece más tempo, es equvalente a la anteror s todos los retrasos son guales a 0. F = max{ F } F med : tempo medo de permanenca de las pezas en el taller. 1 n Fmed = F n = 1 T max : retraso de la peza que se retrasa más T = max{ T } T med : retraso medo de las pezas. T max max max 1 n = n = 1 med T IO-T-160
18 El problema del Taller mecánco: Nomenclatura de Conway, Maxwell y Mller A / B / C / D A corresponde a la llegada de las pezas. En los problemas dnámcos puede ndcar una ley de probabldad; en los estátcos será el número de pezas (se usa el símbolo n para ndcar un número de pezas arbtraro) B descrbe el número de máqunas en el taller (se usa el símbolo m para ndcar un número arbtraro) C se refere al tpo de flujo de las pezas por el taller, y generalmente toma uno de los valores F, P, R o G: F ndca flujo regular. P ndca flujo permutaconal. R ndca flujo aleatoro. G ndca flujo general. D se refere al índce de efcenca elegdo para evaluar los programas (F max, C max, F med, T max, ) IO-T-170
19 El problema del Taller mecánco: Nomenclatura de Lawler (I) α: Se dvde en dos partes, α 1 y α 2. α 1 puede ser: : una únca máquna. P: máqunas déntcas en paralelo. Q: máqunas en paralelo unformes, con un factor de velocdad q para cada máquna. R: máqunas en paralelo ndependentes unas de otras. O: ndca que se trata de un problema Open Shop. J: ndca que se trata de un problema Job Shop (flujo general). α β γ F: ndca que se trata de un problema Flow Shop (flujo regular), con máqunas en sere. HF: Flow Shop híbrdo, generalzacón del caso anteror, en el cual exsten una sere de etapas, cada una formada por unas máqunas en paralelo. FF: Flow Shop flexble, representa un flow shop en que no todas las pezas tenen que ser procesadas en todas las etapas. α 2 presenta el número de máqunas. Puede ser un entero postvo (1 sólo en el caso que α 1 sea ) o ben m (ndcar un número arbtraro). IO-T-180
20 El problema del Taller mecánco: Nomenclatura de Lawler (I) β: ndca característcas de las pezas. pmtn: una peza se puede nterrumpr y contnuar su ejecucón en un momento posteror. res: ndca la presenca de recursos lmtados. prmu: ndca que se trata de un problema con flujo permutaconal (Permutaton Flow Shop). block: en este tpo de problemas no exsten espacos de almacenamento entre máqunas, con lo cual se ha de esperar a que la máquna sguente este lbre antes de entregarle una peza. Es un caso partcular del problema Permutaton Flow Shop. α β γ prec: exsten relacones de precedenca entre las pezas. tree: gual que la anteror, pero el grafo asocado a las precedencas entre pezas corresponde a un árbol. r j : fechas de dsponbldad de las pezas dferente de 0. m j : exste una cota superor constante para cada máquna (sólo s α 1 =J) p,j : denota cotas (superor e nferor) sobre los tempos de proceso de las pezas en las máqunas. s h, : tempos de preparacón dependentes de la secuenca. bkdw: ndsponbldad de máqunas. γ: ndca la medda de efcenca escogda. IO-T-190
21 Secuencas fntas para una máquna (I) Datos: m =1 ; g = 1 ; p = p,1 ; w = w,1 Hay n! solucones posbles (potencalmente) S además r = 0 a = d ; c = F = w + p ; n p = 1 Llamaremos [k]: la peza que ocupa la k-ésma poscón en la permutacón: c < c <... < [ 1] [ 2] [ ] 1. Secuenca conforme a la duracón o SPT (Shortest Processng Tme): p < p <... < Corresponde a la regla heurístca: ejecutar prmero la operacón más corta. El programa asocado a esta secuenca mnmza F med, y tambén mnmza el stock medo. c n p n [ 1] [ 2] [ ] F max = IO-T-200
22 Secuencas fntas para una máquna (II) 2. Secuenca conforme a la fecha de vencmento o EDD (Earlest Due Date): d < d <... < [ 1] [ 2] [ ] Corresponde a la regla heurístca: ejecutar prmero lo más urgente. El programa asocado a esta secuenca mnmza T max y L max (Jackson, 1955). 3. Secuenca conforme al margen o SFT (Shortest Float Tme): d Corresponde a la regla heurístca: ejecutar prmero lo que tene menos margen. Puede demostrarse que el programa asocado a esta secuenca maxmza T mn (y L mn o holgura (negatva: adelanto, postva: retraso)). d n p < d p <... < d n p n [ 1] [ 1] [ 2] [ 2] [ ] [ ] IO-T-210
23 Secuencas fntas para una máquna (III) Secuencas SPT, EDD y SFT en un ejemplar con 8 pezas, 1 máquna p d d -p Secuenca SPT k [k] c[k] d[k] L[k] Secuenca EDD k [k] c[k] d[k] L[k] IO-T-220
24 Secuencas fntas para una máquna (IV) Secuenca SFT k [k] c[k] d[k] L[k] Secuenca cualquera k [k] c[k] d[k] L[k] Parámetros característcos F med T max T med L mn L med Σ L SPT 19,5 20 3, , EDD 24, ,5-9 -3, SFT 26,75 8 1, ,5 32 X 25, ,5-7 -2, IO-T-230
25 Flow-shop: Problema Fm prmu F max S todas las pezas y máqunas dsponbles en el nstante 0. Lemas de Johnson (1954): Lema 1: En un problema Fm prmu con todas las pezas y máqunas dsponbles smultáneamente y una medda de efcenca regular, sempre exste un programa óptmo en el que las pezas tenen la msma secuenca en las dos prmeras máqunas, por tanto los programas consderados en la búsqueda de un programa óptmo pueden lmtarse a los de este tpo. Lema 2: En un problema Fm prmu F max con todas las pezas y máqunas dsponbles smultáneamente, sempre exste un programa óptmo en el que las pezas tenen la msma secuenca en las dos últmas máqunas, por tanto los programas consderados en la búsqueda de un programa óptmo pueden lmtarse a los de este tpo. S m = 2 o m = 3, la medda de efcenca es F max (regular), con las pezas y máqunas dsponbles en el nstante 0: exste un programa óptmo con la secuenca de pezas mantenda en todas las máqunas. Determnacón de un programa óptmo: búsqueda de una permutacón de las n pezas (no descarta programas óptmos de otro tpo, secuencas no déntcas en todas las máqunas). IO-T-240
26 Flow-shop: Problema F2 prmu F max Johnson enuncó la sguente condcón, sufcente para que una permutacón sea óptma: Para todo par de pezas, h e, tal que mn { p h,1, p,2 } < mn { p h,2, p,1 } h ocupa una poscón anteror a la de en la permutacón. Algortmo de Johnson: Paso 1: Se busca la menor de las duracones de las pezas no ordenadas todavía, p,j ; en caso de empate, se elge cualquera de ellas. Paso 2: S j =1 la peza se coloca delante de todas las no ordenadas; s j =2 se coloca detrás de las msmas. Paso 3: Se marca la peza como ordenada; s quedan pezas por ordenar, se vuelve al paso 1, y en caso contraro, FIN (permutacón obtenda). IO-T-250
27 Flow-shop: Problema F2 prmu F max 5 pezas, 2 máqunas. Se dspone de los sguentes tempos de proceso: j\ Orden de Johnson: Cálculo de F max. Sea [k] la peza stuada en la poscón k de la permutacón y f j (k) el nstante en que termna la k-ésma operacón en la máquna j: f j ( k) = max{ f j-1 ( k), f j ( k 1)} + p[ k ],j j = 1, 2,..,m; k = 1, 2,...,n f0 ( k) = 0; k y f j (0) = 0; j Fmax = fm( n) k [k] f 1 (k) f 2 (k) IO-T-260
28 Flow-shop: Algortmo de Johnson generalzado (I) Condcón de Johnson generalzada, una secuenca la cumple s: Para todo par de pezas, h e, tal que mn { p h,1, p,2 } < mn { p h,2, p,1 } o ben mn { p h,1, p,2 } = mn { p h,2, p,1 } y p h,1 p h,2 < p,1 p,2 h ocupa una poscón anteror a la de en la permutacón. Algortmo de doble ordenacón: Paso 1: Construr una secuenca cualquera de las n pezas. Paso 2: Mentras se produzcan cambos de orden: 2.1: poner a cero el contador de cambos de orden 2.2: recorrer la secuenca hacendo k = 1, 2,..., n-1 2.3: hacer h = [k], = [k+1] 2.4: s mn {p h,1, p,2 } > mn {p h,2, p,1 } o mn {p h,1, p,2 } = mn {p h,2, p,1 } y p h,1 p h,2 > p,1 p,2 hacer [k] =, [k+1] = h; anotar un cambo de orden 2.5: pasar al sguente valor de k Fn mentras IO-T-270
29 Flow-shop: Algortmo de Johnson generalzado (II) Johnson extendó su algortmo a problemas F3 prmu F max cuando la segunda máquna es poco mportante: S mn { p,1 } max { p,2 } o ben max { p,2 } mn { p,3 } Una permutacón óptma puede encontrarse aplcando el algortmo de Johnson a un problema con 2 máqunas fctcas cuyos tempos de proceso sean (p,1 + p,2 ; p,2 + p,3 ). El msmo esquema es váldo con 2 máqunas y un tempo de latenca q ntermedo, la permutacón óptma se obtene aplcando el algortmo de Johnson a: (p,1 + q ; p,2 + q ). Ecuacones recurrentes: 1 k) = f1( k-1) + p[ ],1; f2( k) = max { f1( k) + q[ k ], f2( k-1)} ( k p[ k ],2 f + IO-T-280
30 Flow-shop: Algortmo de Johnson generalzado (III) S k > j + 1 el subproblema, aunque de menor dmensón que el orgnal, tene una complejdad comparable, sn embargo relajando la condcón de que las operacones en las máqunas comprenddas entre la j+1 y k-1, ambas nclusve, no deben solaparse podemos obtener la solucón óptma (mantenemos la condcón de que la secuenca en las máqunas j y k sean déntcas). Naturalmente el valor de la solucón óptma del problema relajado será una cota nferor del valor de la solucón óptma del problema sn relajar. Defnamos el tempo de latenca, q para la peza como: q = p, = j+ 1 l k S ordenamos las pezas utlzando el algortmo de Johnson para dos máqunas fctcas, asocando unas duracones fctcas p,j + q para la prmera máquna y p,k + q para la segunda, la permutacón obtenda será óptma para el problema relajado. 1 l IO-T-290
31 Flow-shop: Algortmo de Johnson generalzado (IV) Ejemplo: A B C D E F m m m A B C D E F q Nuevo problema: A B C D E F m m Orden de Johnson: A-F-E-B-C-D. orden A F E B C D p, p, q f 1 (k) f1( k) = f1( k-1) + p[ k ],1 f 2 (k) f2( k) = max { f1( k) + q[ k ], f2( k-1)} + p[ k ], 2 IO-T-300
32 Flow-shop: Fm prmu F max Heurístcas de Palmer y Gupta (I) Srve para resolver el caso Fm prmu F max Se calculan unos índces (estátcos) asocados a las pezas: Palmer (1965) propone ordenar las pezas en orden crecente de S,3. Índce para cada peza: Gupta (1971) propone ordenar las pezas en orden crecente de S,4. IO-T-310,2,1,3 1,,2 1,,1 1) ( ) ( m j j m j j S S S p j S p j m S = = = = = 1 ) ( sno ; s 1 ) ( } { mn ) ( 1 1,, 1 1,4 = - x p p = x p p x S,m, j j m j + = +
33 Flow-shop: Fm prmu F max Heurístcas de Palmer y Gupta (II) Ejemplo: A B C D E F m m m S S Índces: A,1 A,2 = (3 1)1 + (3 2)3 + (3 3)10 = 5 = (1 1)1 + (2 1)3 + (3 1)10 = 23 A B C D E F S, S, S, Orden de Palmer: A-B-E-F-C-D. orden A B E F C D p, p, p, f 1 (k) f 2 (k) f 3 (k) IO-T-320
34 Flow-shop: Fm prmu F max Heurístcas de Palmer y Gupta (III) Ejemplo: A B C D E F m m m mn Índce: x( ) { p } = mn{1 + 3,3 1 j m 1, j + p, j } A B C D E F x() den S, Orden de Gupta: A-E-B-C-D-F. orden A E B C D F p, p, p, f 1 (k) f 2 (k) f 3 (k) IO-T-330
35 Flow-shop: Fm prmu C max Cotas globales para el problema Problema Fm prmu C max con todas las pezas y máqunas dsponbles en el nstante ncal. Cota nferor de C max para la máquna k: LB1( k) = p + n k 1 m, k mn p, k ' + = 1 (, h) = 1,..., n: h k ' = 1 k ' = k+ 1 Cota nferor de C max de para todas las máqunas: LB1 = { LB1( k) } Cota nferor de C max para la peza : LB Cota nferor de C max consderando todas las pezas: max k K p h, k ' { p }, 1 n m 2 ( ) =, h, k = k= 1 h= 1,..., n: h k K p k + mn,..., LB2 = max = 1,..., n { LB2( ) }, k K IO-T-340
36 Flow-shop: Fm prmu C max Cotas para un segmento dado (I) Sea e k,t el nstante en que la máquna k fnalza la operacón en la peza que ocupa la poscón t de la secuenca, y dada una subsecuenca parcal, π, podemos adaptar la cota LB1: m LB1( t) = max ek, t + p, k + mn p k K = 1,..., n π = 1,..., n π k' = k+ 1, k' π = { A} p,1 = 1,..., n π = m mn 1,..., n π k ' = 1+ 1 p, k ' e 3 = 14,1 LB1( t) = max e k K m, t + p, k + mn p, k ' = 37 = 1,..., n = 1,..., n k ' = k+ 1 k π π IO-T-350
37 Flow-shop: Fm prmu C max Cotas para un segmento dado (II) Ejemplo: π = { A} A B C D E F e k,t p, k π m m m Sumatoro para el resto de máqunas de las pezas no secuencadas: B C D E F m m Cota LB1(1): m e p, k k,t π m mn p, = 1,..., n π k ' = k+ 1 Valor para k m m m k ' IO-T-360
38 Flow-shop: Fm prmu C max Cotas para un segmento dado (III) Tambén es posble adaptar LB2, dada una subsecuenca parcal π : LB2( t) = e + 1, t max p, k + mn = 1,..., n π k= 1 h= 1,..., n, h π k K m { p } h, k π = { A} m p k= 1, k, π e 1 = 1,1 mn h= 1,..., n, h π k K { } p h, k m LB2( t) = e1, t + max p, k + mn{ ph, k } = 35 = 1,..., n π k= 1 h= 1,..., n, h π k K IO-T-370
39 Flow-shop: Fm prmu C max Cotas para un segmento dado (IV) Ejemplo: π = { A} A B C D E F e k,t m m m Sumatoro para el resto de pezas no secuencadas: π p, mn{ } k h= 1,..., n, h π k K p h, k p, k + mn p k= 1 h= 1,..., n, h π k K B =12 30 C =10 34 D =14 29 E =13 25 F =15 21 m { } h, k Cota m { p } = LB2(1) = e1, t + max, mn, = 1,..., p k + h k = n π k= 1 h= 1,..., n, h π k K IO-T-380
40 Procedmento BDP (Bounded Dynamc Programmng) (I) BDP: Programacón dnámca acotada. Combna característcas de la programacón dnámca con característcas de brach-and-bound. Genera una parte del grafo desde el nvel 0 hasta T. Los vértces generados pueden formar parte potencalmente de un camno óptmo. Basado en: Construccón segmento óptmo de t etapas. Evaluacón cota para C max para alcanzar la etapa T (LB(t)). Descarte de solucones menos prometedoras (upperbound o Z 0 ). Mantene en cada etapa un máxmo de H solucones (ancho de ventana) En este caso, veremos un ejemplo para la varante Fm block C max Igualmente, la cota anteror es válda para esta varante (usaremos LB1). IO-T-390
41 Procedmento BDP (Bounded Dynamc Programmng) (III) Esquema procedmento: Entradas: Z 0 y H. 1 etapa:=0; 2 mentras (etapa<t) hacer 3 etapa:=etapa+1; 4 mentras (queden solucones en la etapa anteror) hacer 5 Escoger(); 6 Desarrollar(); 7 Fltrar (H, Z 0 ); 8 fn mentras 9 Fnalzar_etapa(); 10 fn mentras 11 Mejor solucón:= mejor solucón obtenda en la últma etapa (T) IO-T-400
42 Procedmento BDP (Bounded Dynamc Programmng) (IV) Grafo resultante sobre el ejemplo, H=6, Z 0 =40 Secuenca BDP: A-B-C-D-E-F. C max =39 IO-T-410
MODELOS 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 detallesUn algoritmo exacto para la secuenciación de piezas en una máquina con tiempos de preparación dependientes de la secuencia
X Congreso de Ingenería de Organzacón Valenca, 7 y 8 de septembre de 2006 Un algortmo exacto para la secuencacón de pezas en una máquna con tempos de preparacón dependentes de la secuenca Imma Rbas Vla
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 detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
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 detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detallesSISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.
Objetvos y orentacones metodológcas SISTEMA DIÉDRICO I Interseccón de planos y de recta con plano TEMA 8 Como prmer problema del espaco que presenta la geometría descrptva, el alumno obtendrá la nterseccón
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 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 detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
Más 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 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 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 detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
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 detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
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 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 detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesTallerine: Energías Renovables. Fundamento teórico
Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................
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 detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
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 detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
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 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 detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
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 detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesTEMA 4. TRABAJO Y ENERGIA.
TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero
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 detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
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 detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
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 detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
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 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 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 detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
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 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 detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
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 detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesUnidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI
Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesInteracción entre Procesos en Sistemas de Tiempo Real
Interaccón entre tareas 1 Lus Eduardo Leyva del Foyo Interaccón entre Procesos en Sstemas de Tempo Real Introduccón. El fenómeno de la Inversón de Prordad Seccones Crítcas no Expropables Protocolo de Herenca
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 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 detalles7º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA 7º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA México D.F., 12 al 14 de Octubre de 2005
7º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA 7º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Méxco D.F., 1 al 14 de Octubre de 005 ANÁLISIS DINÁMICO DE UN EQUIPO DE ENSAYO DE AMORTIGUADORES Zabalza
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesUNIDAD 1: Tablas de frecuencias
UIDAD : Tablas de recuencas Cuando sobre una poblacón hemos realzado una encuesta o cualquer regstro para conocer los valores que toman las varables, nos encontramos ante una gran cantdad de datos que
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
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 detallesEstadistica No Parametrica
Estadstca No Parametrca CLASE 3 Pruebas Basadas en la Dstrbucon Bnomal JAIME MOSQUERA RESTREPO Bnomal Test La prueba bnomal es quzás la prueba mas antgua encontrada en al lteratura. Se encuentra asocada
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
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 detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesB1. Metas de gestión para el caso de Proyectos financiados con recursos no reembolsables
ANEXO N 1 1. METAS DE GESTION A. METAS DE GESTIÓN DE LA TARIFA BASICA Corresponde a las metas de gestón de los proyectos ejecutados y fnancados con recursos nternamente generados por la Empresa, comprenddos
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 detallesBalance de Líneas de Producción
Balance de Líneas de Produccón PS 4161 Gestón de la Produccón I 1 Contendo Equlbrado de la línea de produccón Línea de fabrcacón Línea de ensamblaje 2 Objetvos de aprendzaje Cuando haya completado este
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Prof. Anhoa Herrarte Sánchez Curso 2007-08 Bblografía para preparar este tema Apuntes de clase Capítulo 3, Macroeconomía, O. Blanchard Prof. Anhoa
Más detallesIngeniería Económica y Análisis Financiero Finanzas y Negocios Internacionales Parcial 3 Diciembre 10 de Nombre Código.
Ingenería Económca y Análss Fnancero Fnanzas y Negocos Internaconales Parcal 3 Dcembre 0 de 20 Nombre Códgo Profesor: Escrba el nombre de sus compañeros Al frente Izquerda Atrás Derecha Se puede consultar
Más detallesDeterminación de las vacaciones y de la jornada laboral en un centro de servicios con trabajadores polivalentes y jornada anualizada *.
ƒ Índce Determnacón de las vacacones y de la jornada laboral en un centro de servcos con trabajadores polvalentes y jornada anualzada *. A. Coromnas, A. Lusa 2, R. Pastor 3 Dr. Ing. Industral, IOC-DOE-ESEIB,
Más detallesGuía para la autoevaluación del del capítulo 6
Capítulo 6: EL BANCO CENTRAL Y LA POLÍTICA MONETARIA Guía para la autoevaluacón del del capítulo 6 1) Ante una recuperacón económca, cuál es el cambo que se produce en los valores de equlbro del mercado
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detallesCOLECCIÓN DE PROBLEMAS SOBRE BUSES
ESCOLA POLITÈCNICA SUPERIOR UNIVERSITAT DE LES ILLES BALEARS Engnyera Tècnca Industral (esp. Electrònca Industral) B.O.E. 6-Març-200 Asgnatura: Impartcón: Curso: Profesor: 4683-Informátca Industral (9
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesANEXO 24 JUSTIFICACIÓN ECONÓMICA
ANEXO 24 JUSTIFICACIÓN ECONÓMICA 1 JUSTIFICACION ECONOMICA 1.0 MARCO DE REFERENCIA El plan de Expansón de del Sstema de Transmsón (PEST), tene el objetvo de planfcar la expansón y reposcón del sstema de
Más detallesESTÁTICA DEL SÓLIDO RÍGIDO
DSR-1 ESTÁTICA DEL SÓLIDO RÍGIDO DSR-2 ESTÁTICA DEL SÓLIDO RÍGIDO La estátca estuda las condcones bajo las cuales los sstemas mecáncos están en equlbro. Nos referremos úncamente a equlbro de tpo mecánco,
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 detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Sánchez Curso 2008-09 Bblografía para preparar este tema Apuntes de clase Capítulo 5, Macroeconomía, O. Blanchard, pp. 81-100 Objetvo del tema
Más detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
Más detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesEl Modelo IS-LM. El modelo IS-LM
El Modelo IS-LM El modelo IS-LM 4. Introduccón 4.2 La demanda agregada: La funcón de nversón 4.3 Equlbro del mercado de benes: La curva IS 4.4 Equlbro del mercado de dnero: La curva LM 4.5 Equlbro de la
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detalles