Pronóstico de demanda por medio de redes neuronales artificiales

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

Download "Pronóstico de demanda por medio de redes neuronales artificiales"

Transcripción

1 Pronóstco de demanda por medo de redes neuronales artfcales María Angélca Salazar Agular, Maurco Cabrera Ríos Dvsón de Posgrado en Ingenería de Sstemas, FIME-UANL RESUMEN En este trabajo se descrbe la utlzacón de Redes Neuronales Artf cales (RNAs) para pronóstco de demanda. Se propone además un método para defnr los parámetros de las RNAs de una manera ntegrada y repetble y se prueba con una aplcacón real. PALABRAS CLAVE Pronóstco de demanda, Redes Neuronales Artfcales, RNAs, optmzacón. ABSTRACT The use of Artf cal Neural Networks (ANNs) for demand forecastng s descrbed n ths work. A novel method to def ne the ANNs parameters n an ntegrated and repeatable fashon s proposed and demonstrated through a case study n a local company. KEYWORDS Demand forecastng, Artfcal Neural Networks, ANNs, optmzaton. INTRODUCCIÓN En toda ndustra, la planeacón es una necesdad. Un objetvo mportante de la planeacón es tratar de prever lo que puede suceder en el futuro. En este trabajo, se colaboró con una empresa de telecomuncacones con necesdad de planear a nvel operaconal, estratégco y táctco para mantenerse compettva ante las fluctuacones de mercado y cursos de accón de sus competdores. Esta empresa, como la gran mayoría, tene como objetvo prncpal generar utldades y brndar un alto nvel de servco a sus clentes. El prncpal recurso de la empresa es una red de transmsón con capacdad fnta. Los clentes demandan la utlzacón de esta red en forma estocástca. Para cumplr con el alto nvel de servco y maxmzar las utldades, la red de transmsón debe tener capacdad sufcente para satsfacer la demanda de los clentes. Por ello, le corresponde al tomador de decsones determnar la capacdad de la red. A partr de un pronóstco, el tomador de decsones puede determnar la capacdad que se requere en la red de transmsón para satsfacer la demanda, así como determnar con antcpacón s es necesara una expansón de capacdad. Un buen trabajo de pronóstco deberá resultar en una mejor planeacón del presupuesto anual, así como un mejor aprovechamento de los recursos económcos de la empresa. Artículo basado en la tess Pronóstco de demanda por medo de redes neuronales artfcales (RNAs) en la ndustra de telecomuncacones galardonada con el Premo a Mejor Tess de Maestría UANL 2006 en la categoría de Ingenería y Tecnología. 6 Ingenerías, Abrl-Juno 2007, Vol. X, No. 35

2 Pronóstco de demanda por medo de redes neuronales artfcales / María Angélca Salazar Agular, et al. Para hacer un pronóstco es común requerr nformacón cuanttatva del comportamento de la demanda a través del tempo, es decr, una sere de tempo, sendo el Análss de Seres de Tempo la técnca estadístca más utlzada para estmar su comportamento. Por muchos años, este tpo de análss ha estado domnado por la utlzacón de métodos estadístcos lneales que se pueden mplementar de manera convenente, sn embargo, la exstenca de relacones no lneales entre los datos pueden lmtar la aplcacón de estos modelos. 1 En la práctca es muy posble encontrar relacones no lneales en los datos, tal como sucede en este caso de estudo. Por ello es necesara la utlzacón de técncas capaces de reflejar dcho comportamento. La utlzacón de Redes Neuronales Artfcales (RNAs) para pronóstcos de seres de tempo es relatvamente nueva en la lteratura, sn embargo, lo postvo de los resultados en las aplcacones práctcas la converten en una área prometedora. Para este trabajo, la empresa brndó nformacón hstórca de regstros mensuales acerca de la utlzacón de la red de transmsón de los últmos 6 años. Con esta nformacón, se realzó el pronóstco de la demanda para períodos posterores medante el uso de RNAs. Al ntentar desarrollar el modelo de RNAs para esta aplcacón de pronóstco de seres de tempo, se expermentó y se dentfcó en la lteratura que la exacttud del pronóstco de la RNA depende de varas decsones crítcas en cuanto a la defncón de los parámetros que ntervenen en el modelo así como de la arqutectura de RNA que se esté utlzando. 2 Algunas de estas decsones pueden ser tomadas en el proceso de construccón del modelo, mentras que otras requeren ser especfcadas antes de que comence la modelacón. Sn embargo, no exste una regla establecda que permta tomar varas de estas decsones de manera adecuada. Por esta razón, en este trabajo se propone y se comprueba medante el caso práctco una metodología para la seleccón adecuada de los parámetros de un modelo de RNAs. Los resultados obtendos fueron comparados con los que se obtuveron al analzar las msmas seres de tempo a través de métodos lneales tradconales, tales como promedos móvles y regresón lneal, entre otros. En los casos analzados el modelo de RNAs construdo con la metodología propuesta resultó con mejores resultados, quedando así como una opcón vable para la aplcacón en la compañía. ANTECEDENTES La dea de utlzar RNAs en pronóstco de seres de tempo fue aplcada por prmera vez en 1964 cuando Hu utlzó una RNA lneal adaptable de Wdrow para el pronóstco del clma. 3 Debdo a la ausenca de un algortmo de entrenamento para RNA multcapa en el tempo, la nvestgacón quedó lmtada. En 1974 Werbos formuló prmero la retropropagacón pero no fue conocdo por los nvestgadores en RNAs. A partr de 1986 cuando el algortmo de retropropagacón (del nglés backpropagaton) fue ntroducdo por Rumelhart et al., 4 el desarrollo de RNAs para pronóstco de seres de tempo ha do en ncremento. 3 Werbos 5 reportó que la RNA entrenada por retropropagacón superó el desempeño de los métodos estadístcos tradconales tales como los procedmentos de regresón y Box- Jenkns en varos casos. En años recentes, las RNAs han llegado a ser muy populares en el pronóstco de seres de tempo en un gran número de áreas ncluyendo fnanzas, generacón de energía, medcna, recursos del agua y cencas ambentales, entre otras. 6 Estudos recentes acerca de la aplcacón de RNAs en problemas de nvestgacón de operacones y negocos se pueden encontrar en Zhang 2 y Smth et al. 7 En la mayoría de las aplcacones realzadas, los autores utlzan RNAs multcapa entrenadas por retropropagacón del error para pronóstcos a corto plazo y se lmtan a utlzar RNAs con una sola neurona en la capa de salda. Sn embargo, en aplcacones práctcas es común que se desee estmar más de un perodo futuro. Cuando se desea pronostcar múltples perodos, muchos nvestgadores, 3,8-10 han utlzado como recurso un modelo de RNA con una neurona en la capa de salda. Este tpo de RNA se ha utlzado como base para generar pronóstcos de múltples perodos de la sguente manera: una vez que se tene el pronóstco para el prmer perodo, se tera el modelo Ingenerías, Abrl-Juno 2007, Vol. X, No. 35 7

3 Pronóstco de demanda por medo de redes neuronales artfcales / María Angélca Salazar Agular, et al. consderando a éste como dato real para calcular el pronóstco del segundo perodo, y así sucesvamente hasta alcanzar el horzonte de planeacón deseado. Esta técnca obvamente trae consgo la desventaja de propagar el error de cada uno de los pronóstcos a lo largo de todos los perodos que le sguen. Esto es, un mal pronóstco generado en los prmeros perodos podría afectar de manera adversa los pronóstcos de los últmos perodos. Una técnca más de RNAs para el pronóstco de múltples perodos es crear un sólo modelo que smultáneamente genere los pronóstcos de múltples perodos, es decr, una RNA con múltples saldas (fgura 1). Aunque se espera que conduzca a mejores resultados que las técncas descrtas anterormente, 2 esto aún no ha sdo completamente abordado en la lteratura. Hay, de hecho, pocas referencas de trabajos desarrollados con la aplcacón de esta técnca. La capacdad de aproxmacón unversal de las RNAs para funcones contnuas que tenen prmera y segunda dervada en todo su domno ha sdo demostrada matemátcamente. Adconalmente, varos estudos demuestran que las RNAs pueden aproxmar con exacttud dversos tpos de relacones funconales complejas Esta últma característca es muy mportante para la aplcacón que aquí se descrbe, pues de cualquer modelo de predccón se espera que detecte con exacttud la relacón funconal entre la varable a predecr y otros factores o varables relevantes. La combnacón de modelacón no lneal y aprendzaje a partr de los datos hace que las RNAs Fg. 1. Red Neuronal Multcapa con múltples saldas entrenada por retropropagacón del error. sean herramentas flexbles de modelacón general atractvas para su aplcacón en la realzacón de pronóstcos. A pesar de que son numerosas las aplcacones desarrolladas medante RNAs para pronóstco de seres de tempo y que los resultados han sdo satsfactoros, no ha sdo posble estandarzar una metodología que garantce la construccón de modelos de RNAs con buen desempeño, entendendo desempeño como la exacttud del pronóstco. Por esta razón, proponemos una metodología con bases de estadístca y optmzacón matemátca que permte selecconar de manera adecuada los parámetros del modelo. Esta metodología se descrbe a contnuacón. METODOLOGÍA PROPUESTA La fgura 2 representa esquemátcamente la metodología que se propone para selecconar los parámetros del modelo de RNAs para pronóstco de seres de tempo. La descrpcón de la metodología es la sguente: 1) Descrpcón de la RNA como sstema. Determnar el tpo de RNA que se utlzará para el análss. Identfcar los parámetros controlables. Defnr las respuestas de nterés (meddas de desempeño del modelo de RNAs). 2) Análss y dseño de expermentos. Planear, ejecutar e nterpretar un dseño estadístco de expermentos. 3) Metamodelacón. Descrbr la superfce de cada respuesta medante un modelo de regresón apropado. 4) Problema de optmzacón. Consderar los metamodelos como funcones objetvo de un problema de optmzacón. 5) Solucón. Resolver los problemas de optmzacón defndos en el paso anteror. Utlzar múltples comenzos para escapar de optmaldad local. Para defnr la metodología propuesta, se tomó como base la defncón general de expermento, que es una prueba planeada donde se ntroducen cambos controlados en un proceso o un sstema con el objetvo de analzar la varacón nducda por 8 Ingenerías, Abrl-Juno 2007, Vol. X, No. 35

4 Pronóstco de demanda por medo de redes neuronales artfcales / María Angélca Salazar Agular, et al. Realzado el expermento se lleva a cabo su análss con el objetvo de caracterzar la varacón producda por los parámetros en las meddas de desempeño del modelo de RNAs. Para ello, requermos hacer un análss de varanza basado en un modelo de regresón lneal múltple de segundo orden con nteraccones, smlar al de la ecuacón (1), bajo el supuesto de que los resduos, ε, son ndependentes e déntcos y normalmente dstrbudos con una varanza desconocda pero constante. k k k 1 k 2 0 j j (1) = 1 = 1 = 1 j= + 1 y = β + βx + β x + β xx + ε Fg. 2. Metodología para la seleccón parámetros de un modelo de RNAs. estos cambos en una medda de desempeño. De esta manera, los factores controlables que ntervenen en el expermento corresponden a los parámetros del modelo de RNAs que se desean determnar. Como ejemplos se pueden ctar: cantdad de datos de entrada o datos hstórcos en el caso de seres de tempo; cantdad de neuronas en la capa oculta; algortmo de entrenamento; y para el manejo de datos: transformacón utlzada y escala de los datos. Así cada corrda expermental ndca los valores asgnados a los parámetros para construr la RNA correspondente y bajo los cuales se llevará a cabo el entrenamento de la msma, y una vez realzado, su valdacón, para posterormente cuantfcar la caldad de predccón de la RNA a través de las meddas de desempeño selecconadas para el estudo y su regstro como parte del expermento. Generalmente cuando se habla de pronóstco, las meddas de desempeño son meddas de error del pronóstco, por ejemplo el error cuadrado medo o MSE y el error absoluto promedo o MAE. En los parámetros donde sea posble consderar tres o más valores dferentes, es recomendable utlzar al menos tres de esos valores, con el fn de brndarle curvatura al modelo. La varable dependente y representa el valor de la medda de desempeño de la RNA, x corresponde al valor que toma el parámetro en cada combnacón del expermento, β representa la ordenada al orgen 0 del plano de regresón, β corresponde al coefcente de regresón de x, β es el coefcente de regresón 2 de x y β es el coefcente de regresón de la j nteraccón de entre x y x ; k es el número de j parámetros controlables. Los coefcentes de regresón típcamente se calculan medante un procedmento de reduccón de errores cuadrados, dsponble en la mayoría de paquetes computaconales comercales de estadístca. Una vez calculados los coefcentes de regresón, se realza un análss de resduos para verfcar los supuestos sobre ε así como la adecuacón del modelo (1) para representar la medda de desempeño. Fnalmente, se consdera el modelo de regresón resultante para cada medda de desempeño como funcón objetvo de un problema de optmzacón en el cual se busca encontrar los valores de los parámetros que mnmzan el valor de la funcón objetvo. La formulacón P1 muestra la estructura general del problema de optmzacón. Encontrar x I para Mnmzar Sujeto a l u k k k 1 k 2 0 j j = 1 = 1 = 1 j= + 1 z = β + βx + β x + β xx x x x I + x Z I I = {1, 2,..., k} (P1) En P1, se busca el valor para el -ésmo parámetro representado por x smultáneamente con los valores Ingenerías, Abrl-Juno 2007, Vol. X, No. 35 9

5 Pronóstco de demanda por medo de redes neuronales artfcales / María Angélca Salazar Agular, et al. de todos los parámetros defndos en el problema para mnmzar la funcón objetvo z, que representa una medda de desempeño. El problema de optmzacón resultante es no lneal, la gran mayoría de las veces, y las varables de optmzacón son enteras, lo cual hace que tal problema sea dfícl de resolver. La no convexdad de este problema provoca, además, dfcultades para garantzar que la solucón encontrada sea una solucón óptma global. Por últmo en la metodología, para encontrar la solucón se resuelven los problemas de optmzacón de manera ndependente con algún optmzador dsponble. S la solucón fnal es la msma para todos los problemas, sgnfca que las meddas de desempeño están correlaconadas pues lo que optmza a una tambén optmza a las otras. En caso que las solucones fnales encontradas para cada uno de los problemas de optmzacón sean dferentes, se deberá utlzar una técnca de optmzacón multcrtero para ofrecer un abanco de solucones que representen los mejores compromsos entre las meddas de desempeño de la RNA. A estas solucones se les llama efcentes. De este conjunto de solucones, el tomador de decsones elge una que convenga a sus ntereses. La solucón a la que se llega a través de esta metodología establece los parámetros del modelo de RNAs que habrán de utlzarse para el pronóstco, de tal manera que el desempeño de predccón sea compettvo. Para probar la metodología propuesta se realzó el estudo de un caso práctco en una compañía local, el cual se presenta a contnuacón. cantdad de neuronas y en la capa oculta. Entonces, para efectos de la metodología, x 1 representa al parámetro lags y x 2 corresponde al parámetro neuronas. Para crear los conjuntos de entrenamento y valdacón se utlzó una dstrbucón unforme que ayudó a selecconar aproxmadamente el 70% de los patrones dsponbles para el entrenamento y el resto para la valdacón. El desempeño de la RNA fue cuantfcado medante el Error Cuadrado Medo o MSE, consderando a éste tanto para la fase de entrenamento (MSE_T) como para la fase de valdacón (MSE_V) del modelo. Para el entrenamento del modelo de RNAs consderamos múltples ncos ya que al hacer la actualzacón de pesos medante la retropropagacón del error realmente se está mnmzando una funcón de error, que es no lneal y no convexa. Por esta razón, el punto de nco de la optmzacón es determnante para los pesos fnales que adqueren las conexones de la RNA una vez que el entrenamento termna. Fg. 3. Comportamento de la demanda, Sere 1. CASO DE ESTUDIO Y RESULTADOS Se analzaron dos seres de tempo, representadas en las fguras 3 y 4, con un horzonte de planeacón de doce meses y utlzando un modelo de RNA como el de la fgura 1. Se preprocesó la nformacón transformando los datos en la escala de [-1, 1]. El algortmo de entrenamento utlzado para la RNA fue el de Levenberg-Marquart con múltples comenzos. En este caso se consderaron como parámetros controlables la cantdad de datos hstórcos que se utlzarían para generar el pronóstco (lags) y la Fg. 4. Comportamento de la demanda, Sere Ingenerías, Abrl-Juno 2007, Vol. X, No. 35

6 Pronóstco de demanda por medo de redes neuronales artfcales / María Angélca Salazar Agular, et al. Los pesos se fjaron ncalmente todos en -1, -0.5, 0, 0.5 y 1, así como una vez más de manera aleatora. Por tanto, para cada corrda expermental se crearon ses RNAs dferentes. De éstas se selecconó el modelo con menor error de valdacón, para su regstro en la tabla expermental. En la expermentacón con la Sere 1 se varó lags en el rango [3, 15] y neuronas en el rango [2, 10]. Los valores específcos que se consderaron para cada factor en su nvel correspondente fueron: lags = {3, 6, 9, 12, 15} y neuronas = {2, 4, 6, 8, 10}. En el expermento se utlzó un dseño factoral que resultó en un total de 25 combnacones para correr el modelo de RNAs. Cuando se obtuveron los metamodelos se observó que el porcentaje de varacón explcado por los metamodelos era muy bajo, lo que sgnfca que no eran buenas aproxmacones. Con esta nformacón, se decdó enfocar (reducr) el área expermental con el fn de encontrar metamodelos confables. Gracas a un análss gráfco se determnó que se podían consderar potencalmente compettvos los modelos de RNAs con los parámetros lags y neuronas dentro de sus tres prmeros nveles. Se tomaron entonces las corrdas expermentales resultantes de la combnacón de lags = {3, 6, 9} y neuronas = {2, 4, 6}. Se realzó nuevamente el análss de varanza y en esta ocasón los metamodelos resultaron apropados así que se pasó a la optmzacón. Al resolver los problemas resultantes y utlzando múltples solucones ncales, ambos metamodelos llevaron a solucones óptmas que gráfcamente se puderon corroborar como globales respectvamente. Sn embargo, la solucón óptma para el MSE_T fue dstnta a la que se obtuvo al mnmzar el MSE_V. Para el prmero, la optmzacón llevó a un modelo de RNA con 7 datos hstórcos (lags) y 5 neuronas en la capa oculta; para el segundo, el modelo de RNA con mejor desempeño fue aquél en el que se consderaban 5 datos hstórcos y 5 neuronas en la capa oculta. Estos resultados ndcaron que los objetvos estaban en conflcto. Dada la mportanca de obtener modelos de RNA con buena caldad de aproxmacón y generalzacón, se decdó darle mayor mportanca al MSE_V. Así que la solucón fnal fue (5,5), es decr, 5 datos hstórcos y 5 neuronas ocultas. Ya que se tuvo la solucón fnal, es decr, los valores a los cuales debían ser ajustados los parámetros, se construyó el modelo de RNA correspondente para la realzacón del pronóstco. Se consderaron nuevamente las ses dferentes ncalzacones de pesos en las conexones y se selecconó la RNA con menor valor de MSE_V. En la fgura 5 se muestra el pronóstco que se obtuvo con este modelo de RNA, así como los datos reales y el pronóstco obtendo por el método de regresón lneal. Se presenta aquí este últmo método por reportar el mejor desempeño de pronóstco basado en MSE con esta sere de entre ocho técncas tradconales: promedo móvl para n=5, 8 y 10, Arma(0,1,1), suavzado exponencal smple, regresón lneal, Arma(0,2,2) y suavzado exponencal doble. Un proceso smlar se realzó en el análss de la Sere 2, el modelo de RNA con mejor desempeño fue aquél con 5 datos hstórcos y 3 neuronas en la Fg. 5. Demanda real, pronóstcos por RNA y por el método de regresón para la sere 1. Fg. 6. Demanda real, pronóstcos por RNA y por el método de suavzado exponencal doble para la sere 2. Ingenerías, Abrl-Juno 2007, Vol. X, No

7 Pronóstco de demanda por medo de redes neuronales artfcales / María Angélca Salazar Agular, et al. capa oculta. La fgura 6 muestra gráfcamente la comparacón entre los datos reales, el pronóstco obtendo por suavzado exponencal doble, así como por el modelo de RNAs. El suavzado exponencal doble fue el más compettvo de la lsta de técncas tradconales detallada anterormente. Como se puede aprecar en ambos casos, las RNAs construdas con el método propuesto reportaron mejor desempeño de pronóstco. CONCLUSIONES En este trabajo se propuso una metodología de seleccón de parámetros de un modelo de RNAs que utlza técncas establecdas y confables y hace entendble la nterrelacón entre los varos parámetros de la RNA. Se demostró el funconamento de la metodología a través de un caso práctco, en el que se utlzaron modelos de RNA con múltples saldas. Los resultados de este trabajo apoyan la utlzacón de las RNAs como técncas confables de pronóstco y apuntan a la factbldad de su nstauracón en la ndustra. Como extensones de este trabajo se plantea comparar el método propuesto con más técncas tradconales de pronóstco, así como otros métodos de construccón de RNAs. AGRADECIMIENTOS Los autores agradecen al CONACYT, la FIME y la UANL por las becas recbdas para los estudantes nvolucrados en este trabajo. Agradecen tambén las aportacones de Ma. Guadalupe Vllarreal Marroquín, apoyada por el proyecto UANL-PAICYT CA REFERENCIAS 1. Makrdaks S., Anderson A., Carbone R., Fldes R., Hbbon M., Lewandowsk R., Newton J., Parsen E., and Wnkley R., The accuracy of extrapolaton (tme seres) methods: Results of a forecastng competton, Journal of Forecastng, 1982,Vol. 1, pag Zhang G. P., Neural Networks n Busness Forecastng, Idea Group Publshng, Georga State Unversty, EUA, Zhang G., Patuwo E., and Hu Y. M., Forecastng wth artfcal neural networks the state of the art, Internatonal Journal of Forecastng, 1998, Vol.14, No. 1, pag Rumelhart D-E., Hnton G. E., and Wllans R. J., Learnng representartons by backpropagatng errors, Nature, 1986, 323 (6188), pag Werbos P. J., Generalzaton of backpropagaton wth applcatons to a recurrent gas market model, Neural Networks, 1988, Vol. 1, pag Maer H. R., and Dandy G. C., Neural networks for the predcton and forecastng of water resources varables: a revew of modellng ssues and applcatons, Envronment Modellng & Software, 2000, Vol. 15, pag Smth K. A. and Gupta JND, Neural networks n busness: technques and applcatons for the operatons researcher, Computers and Operatons Research, 2000, Vol. 27, Num , pag Hwarng H. B., Insghts nto neural-network forecastng of tme seres correspondng to ARMA (p,q) structures, Omega: The Internatonal Journal of Management Scence, 2001, Vol. 29, No. 3, pag Hll, T., W. Remus, and M. OπConnor, Neural Network Models for Tme Seres Forecasts, Management Scence, 1996, Vol. 42, Num. 7, pag Nelson, M., T. Hll, W. Remus and M. O Connor, Tme Seres Forecastng Usng Neural Networks: Should the Data Be Deseasonalzed Frst?, Journal of Forecastng, 1999, Vol.18, Num.5, pag Ire B., and Myake S., Capabltes of threelayered perceptrons, Proccedngs of the IEEE Internatonal Conference on Neural Networks I, 1988, pp Hornk K., Stnchcombe M., and Whte H., Multlayer feedforward networks are unversal approxmators, Neural Networks, 1989, Vol. 2, No. 5, pag Cybenko G., Approxmaton by superpostons of sgmodal functon, Mathematcal Control Sgnals Systems, 1989, Num. 2, pag Ingenerías, Abrl-Juno 2007, Vol. X, No. 35

Caracterización Estadística y Optimización de Redes Neuronales Artificiales para Pronóstico de Series de Tiempo

Caracterización Estadística y Optimización de Redes Neuronales Artificiales para Pronóstico de Series de Tiempo Caracterzacón Estadístca y Optmzacón de Redes Neuronales Artfcales para Pronóstco de Seres de Tempo María Angélca Salazar Agular, Maurco Cabrera-Ríos * Dvsón de Posgrado en Ingenería de Sstemas, Facultad

Más detalles

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

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

Más detalles

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED

EXPERIMENTOS 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 detalles

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

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

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 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 detalles

Problemas donde intervienen dos o más variables numéricas

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

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS 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 detalles

Un enfoque de inventarios para planear capacidad en redes de telecomunicaciones

Un enfoque de inventarios para planear capacidad en redes de telecomunicaciones Un enfoque de nventaros para planear capacdad en redes de telecomuncacones arlos Alberto Álvarez Herrera, Maurco abrera Ríos Dvsón de Posgrado en Ingenería de Sstemas, FIME-UANL carlos@yalma.fme.uanl.mx,

Más detalles

Capitalización y descuento simple

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

Más detalles

Reconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1

Reconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1 Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.

Más detalles

DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO

DESEMPEÑO 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 detalles

Regresión y Correlación Métodos numéricos

Regresión y Correlación Métodos numéricos Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El

Más detalles

JUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL.

JUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL. U N I V E R S I D A D D E L N O R T E JUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL. Lala Cure Vellojín Drector:

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Control de Inventarios y su Aplicación en una Compañía de Telecomunicaciones

Control de Inventarios y su Aplicación en una Compañía de Telecomunicaciones Control de Inventaros y su Aplcacón en una Compañía de Telecomuncacones Carlos Alberto Álvarez Herrera, Maurco Cabrera-Ríos * Dvsón de Posgrado en Ingenería de Sstemas, FIME-UANL {carlos@yalma.fme.uanl.mx,

Más detalles

Relaciones entre variables

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

Más detalles

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona

Más detalles

3 LEYES DE DESPLAZAMIENTO

3 LEYES DE DESPLAZAMIENTO eyes de desplazamento EYES DE DESPAZAMIENTO En el capítulo dos se expone el método de obtencón de las leyes de desplazamento dseñadas por curvas de Bézer para mecansmos leva palpador según el planteamento

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 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 detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Universidad Diego Portales Facultad de Economía y Empresa

Universidad 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 detalles

5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.

5. 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 detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

FE 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 (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 detalles

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES

APLICACIÓN 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 detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: son datos de corte transversal correspondientes a 120 familias españolas. Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta

Más detalles

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

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

Más detalles

Regresión Lineal Simple y Correlación

Regresión Lineal Simple y Correlación 4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse

Más detalles

Métodos cuantitativos de análisis gráfico

Métodos cuantitativos de análisis gráfico Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos

Más detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: 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 detalles

Modelos triangular y parabólico

Modelos 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 detalles

T. 9 El modelo de regresión lineal

T. 9 El modelo de regresión lineal 1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón

Más detalles

Modelos de participación de mercado

Modelos de participación de mercado Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL 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 detalles

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

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

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla. EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente

Más detalles

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo

Más detalles

Mª Dolores del Campo Maldonado. Tel: :

Mª Dolores del Campo Maldonado. Tel: : Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n

Más detalles

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3

TÍTULO 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 detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Análisis cuantitativo aplicado al Comercio Internacional y el Transporte

Análisis cuantitativo aplicado al Comercio Internacional y el Transporte Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón

Más detalles

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad

Vida 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 detalles

FUNDAMENTOS QUIMICOS DE LA INGENIERIA

FUNDAMENTOS QUIMICOS DE LA INGENIERIA FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE

Más detalles

Gráficos de flujo de señal

Gráficos 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 detalles

ESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL

ESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas

Más detalles

Análisis Matemático en la Economía: Optimización y Programación. Augusto Rufasto

Análisis Matemático en la Economía: Optimización y Programación. Augusto Rufasto Análss Matemátco en la Economía: Optmzacón y Programacón arufast@yahoo.com-rufasto@lycos.com www.geoctes.com/arufast-http://rufasto.trpod.com La optmzacón y la programacón están en el corazón del problema

Más detalles

UNIDAD 4. PRESUPUESTO DE VENTAS.

UNIDAD 4. PRESUPUESTO DE VENTAS. UNIDAD 4. PRESUPUESTO DE VENTAS. OBJETIVOS. 1. Dar a entender al estudante la mportanca prmordal del presupuesto de ngresos dentro de una empresa u organzacón. 2. Enseñar lo que realmente comprende un

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

6 Impacto en el bienestar de los beneficiarios del PAAM

6 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 detalles

1º. a) Deducir la expresión de la fórmula de derivación numérica de tipo x,x,x,x,.

1º. a) Deducir la expresión de la fórmula de derivación numérica de tipo x,x,x,x,. º. a Deducr la expresón de la fórmula de dervacón numérca de tpo x,x,x,x,. nterpolatoro que permte aproxmar f (x* con el soporte { } 3 x 4 b Demostrar que en el caso de que el soporte sea de la forma:

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

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

Más detalles

UNIVERSIDAD DEL NORTE DIVISIÓN DE POSTGRADOS E INVESTIGACIONES EN INGENIERIADIVISION DE INGENIERÍAS MAESTRIA EN INGENIERÍA INDUSTRIAL JUNIO DE 2006

UNIVERSIDAD DEL NORTE DIVISIÓN DE POSTGRADOS E INVESTIGACIONES EN INGENIERIADIVISION DE INGENIERÍAS MAESTRIA EN INGENIERÍA INDUSTRIAL JUNIO DE 2006 JUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL. LAILA NADIME CURE VELLOJÍN UNIVERSIDAD DEL NORTE DIVISIÓN DE POSTGRADOS

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,

1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo, Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos

Más detalles

Teoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios

Teoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.

Más detalles

Visión moderna del modelo de transporte clásico

Visión moderna del modelo de transporte clásico Vsón moderna del modelo de transporte clásco Zonfcacón y Red Estratégca Datos del Año Base Datos de Planfcacón Para el Año de Dseño Base de Datos año base futuro Generacón de Vajes Demanda Dstrbucón y

Más detalles

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

ESTADÍSTICA. Definiciones

ESTADÍSTICA. 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 detalles

5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.

5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. 5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar

Más detalles

3.- Programación por metas.

3.- 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 detalles

Aplicación de un Modelo para la Predicción de Pérdidas de Trayectoria en un Sistema de Comunicaciones Inalámbricas en Pisos de Edificios

Aplicación de un Modelo para la Predicción de Pérdidas de Trayectoria en un Sistema de Comunicaciones Inalámbricas en Pisos de Edificios ENGI Revsta Electrónca De La Facultad De Ingenería Vol. No. Dcembre Año ISSN 56-561 Aplcacón de un Modelo para la Predccón de Pérddas de Trayectora en un Sstema de Comuncacones Inalámbrcas en Psos de Edfcos

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA

TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla

Más detalles

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

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

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

Capitalización y descuento simple

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

Más detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología

Más detalles

Clase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.

Clase 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 detalles

TRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.

TRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica. TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo

Más detalles

TEMA 3. VARIABLE ALEATORIA

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

Más detalles

FACULTAD DE INGENIERÍA ELÉCTRICA

FACULTAD DE INGENIERÍA ELÉCTRICA ESCUELA POLTÉCNCA NACONAL FACULTAD DE NGENERÍA ELÉCTRCA PRONOSTCO HORARO DE LA DEMANDA EN BARRAS DE SUBTRANSMSON DEL SSTEMA QUTO POR TESS PREVA A LA OBTENCÓN DEL TTULO DE NGENERO ELÉCTRCO QUTO AGOSTO DE

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales

16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales 16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo

Más detalles

Estadísticos muéstrales

Estadísticos 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 detalles

PROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO

PROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO PROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO Concepto de equlbro físco Sstema Fase Componente Solubldad Transferenca Equlbro Composcón 2 Varables de mportanca en el equlbro de fases:

Más detalles

Optimización no lineal

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

Más detalles

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales: EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n

Más detalles

INGENIERÍA ENZIMÁTICA

INGENIERÍA ENZIMÁTICA Dvsón de Cencas Bológcas y de la Salud Ingenería Boquímca Industral INGENIERÍA ENZIÁTICA PROBLEARIO Dr. Sergo Huerta Ochoa NOTA: Los ejerccos presentados en este problemaro, son una recoplacón de problemas:

Más detalles

MÉTODOS MATEMÁTICOS PARA LA ECONOMÍA CON EXCEL

MÉTODOS MATEMÁTICOS PARA LA ECONOMÍA CON EXCEL MÉTODOS MATEMÁTICOS PARA LA ECONOMÍA CON EXCEL LÓPEZ ARES, SUSANA (slopez@econo.unov.es SÁNCHEZ ALVAREZ, ISIDRO (sanchez@econo.unov.es Departamento de Economía Cuanttatva - Unversdad de Ovedo Dentro de

Más detalles

ECUACIONES DIFERENCIALES Problemas de Valor Inicial

ECUACIONES DIFERENCIALES Problemas de Valor Inicial DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.

Más detalles

1.Variables ficticias en el modelo de regresión: ejemplos.

1.Variables ficticias en el modelo de regresión: ejemplos. J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

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

Más detalles

Cada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.

Cada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma. Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

4. La Factorización No Negativa de Matrices

4. La Factorización No Negativa de Matrices 4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón

Más detalles

La elasticidad como una aplicación de análisis de oferta y demanda

La elasticidad como una aplicación de análisis de oferta y demanda La elastcdad como una aplcacón de análss de oerta y demanda por Aracel Ramírez Zamora La elastcdad mde la sensbldad de una varable a otra, nos ndca la varacón porcentual que expermentará la cantdad demandada

Más detalles

OPTIMIZACIÓN DE UNA SUPERFICIE DE RESPUESTA UTILIZANDO JMP IN. Gudelia Figueroa Preciado Departamento de Matemáticas Universidad de Sonora.

OPTIMIZACIÓN DE UNA SUPERFICIE DE RESPUESTA UTILIZANDO JMP IN. Gudelia Figueroa Preciado Departamento de Matemáticas Universidad de Sonora. Mosacos Matemátcos No Dcembre, 3 Nvel Superor OPTIMIZACIÓN DE UNA SUPERFICIE DE RESPUESTA UTILIZANDO JMP IN Gudela Fgueroa Precado Departamento de Matemátcas Unversdad de Sonora Resumen La metodología

Más detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente

Más detalles

Modelos unifactoriales de efectos aleatorizados

Modelos unifactoriales de efectos aleatorizados Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de

Más detalles

10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD

10. 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 detalles