Estimación de la(s) LGD de una cartera de préstamos hipotecarios.
|
|
- Catalina Contreras Ríos
- hace 8 años
- Vistas:
Transcripción
1 Seminario Instituto MEFF-UAM de Matemática Financiera Torre Picasso planta 35 (Madrid) 27 de febrero2002 Estimación de la(s) LGD de una cartera de préstamos hipotecarios. Gregorio Moral Raúl García Banco de España (D.G. de Supervisión ) El contenido de esta presentación y los comentarios efectuados durante la misma son responsabilidad única de sus autores, sin que necesariamente reflejen criterios del Banco de España, ni de la D.G. de Supervisión.
2 Pérdida media en un horizonte Modelo sencillo de cálculo de las pérdidas medias de las operaciones en un horizonte temporal dado (un año): PD=probabilidad de incumplimiento en algún t * LGD independiente de t * dentro del horizonte. Condicionado a incumplimiento, t * ~ U(0,1). E it ( L) = PD * E( LGD)* E ( e * Exp( t) ) r i e 1 PD * E( LGD) * Exp(0) * r i 27 de febrero 2002 Gregorio Moral, Raúl García 2 t =
3 Definición de incumplimiento (I) Incumplimiento (default) no es lo mismo que mora contable. Definiciones de incumplimiento (I,N), I importe mínimo impagado, N número de días. Se propone N=90 como referencia estándar, I depende del producto. Facilita: la comparación entre carteras, entre diferentes momentos del tiempo, con datos contables, compatibilidad con la definición BIS II. 27 de febrero 2002 Gregorio Moral, Raúl García 3
4 Definición de incumplimiento (II) Otras definiciones basadas en: paso a judicial, paso a categoría interna de la entidad, reinstrumentación o impago de operaciones del titular, declaración de quiebra La definición más natural de incumplimiento depende del producto. Se tiende a utilizar definiciones que eliminen los casos en los que finalmente no hay pérdidas. 27 de febrero 2002 Gregorio Moral, Raúl García 4
5 Pérdida asociada a una operación (I) No se utiliza una definición contable. Se considera el efecto financiero y los costes directamente imputables a las operaciones que incumplen. En tanto por uno: k L k k Ri Pj = Max 1 k, 0 D Con esta definición L>=0, nótese que a efectos de gestión puede interesar quitar esa restricción. 27 de febrero 2002 Gregorio Moral, Raúl García 5
6 Pérdida asociada a una operación (II) Tipo de actualización. Gastos reales: gastos judiciales y de adjudicación. Imputación de gastos (g 1,g 2 ). Modelos de imputación de gastos: Incorporar gastos cuando no se conocen. Homogeneizar la información sobre gastos. Modificar los datos históricos de gastos para incorporar la información actual sobre la estructura de costes (internos y/o externos). 27 de febrero 2002 Gregorio Moral, Raúl García 6
7 Pérdida asociada a una operación (III) Tratamiento de las adjudicaciones de bienes: Cuándo termina el proceso de recuperación? Políticas de adjudicaciones y su evolución. Ejemplo: a t *Min(Valor tasación, Deuda reclamada). Experiencia previa con las operaciones ya realizadas frente a terceros. Coeficiente reductor d, por adjudicación. R k i = d A k i (1 + r) k ( Fa Fd 365 k ) 27 de febrero 2002 Gregorio Moral, Raúl García 7
8 Pérdida asociada a una operación (IV) En función de los parámetros, la pérdida asociada a la operación k: k k k L 1 2 = k D R ( ) i P j d, g, g, r = Max 1, 0 Max[ p k d, g 1, g ), 0] ( 2 La pérdida, fijado r, es localmente lineal en los parámetros, excepto en los puntos del hiperplano H k. H k p k ( 2 d, g1, g ) = 0 27 de febrero 2002 Gregorio Moral, Raúl García 8
9 Definición de LGD LGD=Pérdida porcentual asociada a una operación normal (ex-ante) supuesto su incumplimiento. Es una variable aleatoria. Se pueden obtener observaciones a partir de operaciones que han incumplido y de las que ya conocemos su pérdida. Las distribuciones empíricas no son ni unimodales ni simétricas. 27 de febrero 2002 Gregorio Moral, Raúl García 9
10 LGD y definición de incumplimiento (I) Consideremos dos definiciones de incumplimiento DF 1 y DF 2, y supongamos que la primera es mas amplia que la segunda. Por ejemplo: DF 1 =(I,N=90 días), DF 2 =(DF 1 que no se hayan regularizado con pago en efectivo), DF 2`=(operaciones que han dado lugar a un procedimiento judicial), DF 2``(I,N=180 días). Suponemos además, que sólo hay pérdidas vía DF de febrero 2002 Gregorio Moral, Raúl García 10
11 LGD y definición de incumplimiento (II) Para cualquier operación k ya terminada en el instante t, clasificada inicialmente como (DF 1,t 1 )y finalmente (DF 2,t 2 ),? k=t 2 -t 1 : L ( k, t1) = LGD1( k)* Exp( k, t1) En t 2: L( k, t 2 ) = LGD LGD 2 2 ( k)* Exp( k, t ( k)* Exp( k, t )* e 1 2 ) = r ( k )* k Utilizando que L(k,t 1 ) debe ser igual a L(k,t 2 ) descontada al instante t 1 : ( r ( k ) i )* k LGD1( k) = LGD2( k)* e = LGD2( k)* f ( k) 27 de febrero 2002 Gregorio Moral, Raúl García 11
12 LGD y definición de incumplimiento (III) Para cualquier operación ya terminada en el instante t, clasificada inicialmente como (DF 1,t 1 ) y nunca como DF 2, sabemos que LGD 1 (k)=0 y no hay observación LGD 2 (k). Tenemos una muestra de n+m observaciones de LGD 1 y n de LGD 2. Si estimamos las E(LGD 1 ) y E(LGD 2 *f) mediante las medias simples muestrales y suponemos que E(LGD 2 *f) = E(LGD 2 )*E(f): n E( LGD1 ) E( LGD2 * f )* E( LGD2)* P( DF2 )* E( f ) DF1 n + m 27 de febrero 2002 Gregorio Moral, Raúl García 12
13 Población ejemplo Préstamos hipotecarios a personas físicas con antigüedad máxima de 5 años. Heterogeneidad de garantías. Codificación de garantías que no permite segmentar directamente por tipos (primera vivienda, segunda residencia, local comercial,...). El 60% de las operaciones se concedieron con importe entre 5 y 15 millones de pesetas. La mayor parte con LTV inferior al 80%. 27 de febrero 2002 Gregorio Moral, Raúl García 13
14 Obtención de la muestra base(i) Relación entre la población y la muestra: Operaciones canceladas 18.18% Expedientes con 90 días de impago >I ODF 1 (t) Expedientes no regularizados ODF 2 Expedientes regularizados ONDF 2 Muestra <10% de ODF 2 Operaciones en proceso judicial 81.82% Falta informacion 9.09% Operaciones adjudicadas a terceros 5.45% Operaciones adjudicadas a la entidad 49.09% Operaciones que no ha terminado el proceso 18.18% Tiempo medio de los que se calculó la pérdida 1,6 años. 27 de febrero 2002 Gregorio Moral, Raúl García 14
15 Obtención de la muestra base(ii) Se parte de que las operaciones NDF 2 no tienen pérdida. Se ha extraído una muestra aleatoria de 55 operaciones marcadas como DF 2 : En 5 casos falta información. En 10 casos no había concluido el proceso de recuperación. En 30 casos la recuperación había terminado con la adjudicación del bien hipotecado (27 por el propio grupo). 27 de febrero 2002 Gregorio Moral, Raúl García 15
16 Cálculo de la LGD muestral(i) Las LGD observadas se calculan en el momento de incumplimiento DF 1 con la deuda en dicho momento (t 1 =t 2 y D 1 =D 2 ). Hay que decidir el tratamiento de los elementos con información incompleta: Ignorarlos. Tratarlos como una función del resto de valores. Tratarlos como una variable aleatoria. 27 de febrero 2002 Gregorio Moral, Raúl García 16
17 Cálculo de la LGD muestral(ii) En general, no es conveniente prescindir de los elementos con información incompleta. Analizando la información disponible se puede asignar como LGD una variable aleatoria a cada elemento sin información completa: I. General: Obtenida del resto de elementos. I. Específica: a partir del análisis del expediente. 27 de febrero 2002 Gregorio Moral, Raúl García 17
18 Cálculo de la LGD muestral(iii) Sin analizar la parte específica se puede asignar a cada uno de los elementos una función del resto de valores: Media muestral=m. Media ponderada muestral=mp. Mediana muestral=med. Analizando el expediente se puede incorporar un sesgo e incertidumbre (varianza), LGD N(β*m, v 2 ). 27 de febrero 2002 Gregorio Moral, Raúl García 18
19 Estimación de la LGD poblacional.(i) Se utiliza LGD m E(LGD 2 ) y se estima la E(LGD 1 ) mediante: E( LGD ) E( LGD )* P( DF DF Como estimador de la probabilidad condicionada se utiliza: 1 ) P( DF 2 DF 1 nd ) nd 2 1 (0, t) (0, t) = P * ( t) nd 1 (0,t)=nº de op.df 1 hasta t, nd 2 (0,t)=nº de op.df 2 hasta t, en nuestro caso P * (t)=0, de febrero 2002 Gregorio Moral, Raúl García 19
20 Estimación de la LGD poblacional.(ii) Evolución de P * (t) 0.5 t 2 t 1.5 t 1 t P HtL % 0.44 P HtL 0.42 P HtL 0.95 t 2 t 1.5 t 0.5 t instante en el que se hizo la estimación del factor de conversión. 27 de febrero 2002 Gregorio Moral, Raúl García 20 t 1 t
21 Estimación puntual de la E(LGD 1 ). (I) Gastos judiciales= (g 1 =10%)*D 1. Estimado a partir del detalle de gastos disponibles. Gastos de adjudicación= (g 2 =8%)*D 1. Básicamente ITP. Coeficiente reductor por adjudicaciones propias, d=90%. Tratamiento de los sin información con (β=1)*(m(x), mp(x), med(x)) 27 de febrero 2002 Gregorio Moral, Raúl García 21
22 Función de distribución empírica Utilizando las 40 observaciones con información completa y para valores de g 1 =10%, g 2 =8% y d=90%, se obtiene G * (x base, L): G HLL L=Pérdida LGD m =28,20% ; LGD mp =32,21% ; LGD med =25,75% ; S=26,12% 27 de febrero 2002 Gregorio Moral, Raúl García 22
23 Sensibilidad frente a (g1, g2, d) En la región situada en el cubo unidad por debajo de las caras sombreadas: g d V i g LGD m = 69.31% g g d LGD p m = 31.08% g g d 27 de febrero 2002 Gregorio Moral, Raúl García 23
24 Estabilidad del estimador (I) Percentiles al eliminar 1, 2, 3, 4, 5 elementos de la muestra ( Jacknife ): Md % C 5,95 % =13.51 C 3,95 % =13.31 C 2,95 % =13.18 C 1,95 % =12.97 Media =12.65 C 2,1 α C 5,1 α C 1,1 α C 1,α C 1,5 % =12.13 C 2,5 % =12.00 C 3,5 % =11.79 C 5,5 % =11.58 C 2,α C 5,α α=5% α % 27 de febrero 2002 Gregorio Moral, Raúl García 24
25 Estabilidad del estimador (II) Percentiles al añadir 1, 2, 3 elementos de la muestra: Md % C +3,95 % =13.41 C +2,95 % =13.23 C +1,95 % =13.14 C +2,1 α C +3,1 α Media =12.65 C +1,5 % =12.34 C +2,5 % =12.16 C +3,5 % =12.04 C +2,α C +3,α C +1,1 α C +1,α α=5% α % 27 de febrero 2002 Gregorio Moral, Raúl García 25
26 Intervalos de confianza para E(LGD 1 ) Generación de muestras de tamaño 55 a partir de la muestra original, (40,15). La diferencia con el Bootstrap estándar es el tratamiento de los elementos con información incompleta. En cada simulación a estos elementos se les asocia: C1:Una función (media, media ponderada, mediana,...) del resto elementos en la muestra. C2:Una v.a. con parámetros función del resto de la muestra (N(m(x), σ 2 )). 27 de febrero 2002 Gregorio Moral, Raúl García 26
27 Distribución del estimador Media, C1 C5%=9.7% Media =12.65% C95%=15.7% C95 C5%=6.03% Md 27 de febrero 2002 Gregorio Moral, Raúl García 27
28 27 de febrero 2002 Gregorio Moral, Raúl García 28 Distribución del estimador Media, C1 (II) La función de densidad es: Con momentos, para n*p grande : En este caso el resultado es casi idéntico a ignorar los elementos sin información. = = * * 1 ) (1 ), ( ) ( S L x r S r p p r n p n k x h r n r n r φ [ ] [ ] np S r p p r n p n k S B V L B E r n r n r * 1 ) (1 ), ( ; = = =
29 Distribución del estimador MediaP, C1 C5%=11.7% Media =15.23 % C95%=18.5% C95 C5%=6.74% MdP 27 de febrero 2002 Gregorio Moral, Raúl García 29
30 Distribución del estimador Mediana, C1 175 Mediana =11.55% 150 C5%=7.95% C95%=13.31% C95 C5%=5.36% Mdn 27 de febrero 2002 Gregorio Moral, Raúl García 30
31 Distribución del estimador MedianaG1, C1 Mediana =11.14% 100 C5%=7.4% C95%=13.9% C95 C5%=6.47% MdnG1 27 de febrero 2002 Gregorio Moral, Raúl García 31
32 Distribución del estimador MedianaG2, C1 25 Mediana =10.95% 20 C5%=7.2% C95%=14.2% 15 C95 C5%=7.05% MdnG2 27 de febrero 2002 Gregorio Moral, Raúl García 32
33 Comparación entre estimadores, C1 18 Mdn Md MdG1 MdP MdnG % % 11.55% 15.7 % 12.65% 13.9% 15.23% 14.2% 11.7 % 11.14% 10.95% % % 7.4% 7.2 % Mdn Md MdG1 MdP MdnG2 27 de febrero 2002 Gregorio Moral, Raúl García 33
34 Comparación entre casos, C1 y C mhxl mhx base L β= NHmHxL,σ=.20 L de febrero 2002 Gregorio Moral, Raúl García 34
35 Comparación con LGD Benchmarks. En España las entidades, en general, no tienen estimaciones de LGD basadas análisis detallado de su experiencia histórica, (está cambiando). Se utilizan benchmarks proporcionados por consultores y/o estimaciones de expertos. Cifras frecuentemente utilizadas para operaciones hipotecarias con particulares se encuentran en [20%, 40%] que supuesto basadas en DF 2 transformadas a DF 1 caen en [9%, 18%]. 27 de febrero 2002 Gregorio Moral, Raúl García 35
36 Conclusiones (I) Comparaciones homogéneas entre LGD: (definiciones de incumplimiento y de pérdida). Pérdida económica basada en la experiencia previa y la información actual. Imputación de gastos y tratamiento de las adjudicaciones (sensibilidad). Tratamiento de los elementos sin información completa: (ignorarlos, función, v.a.). Estimación mediante procedimientos Bootstrap. 27 de febrero 2002 Gregorio Moral, Raúl García 36
37 Conclusiones (II) Para la cartera analizada, DF 1 =(I, 90): LGD media 12.65%. estable, eliminando el 10% de la muestra combinatoriamente [11.6%, 13.5%] 90%. intervalo de confianza para la LGD media al 90% [9.7%, 15.7%]. Es fundamental segmentar adecuadamente la cartera para obtener estimaciones estables de LGD en el tiempo. Las cifras anteriores no deben ser tomadas como representativas de las carteras hipotecarias de operaciones con particulares en España. 27 de febrero 2002 Gregorio Moral, Raúl García 37
38 Bibliografía Basel Committee on Banking Supervision (2001), The New Basel Capital Accord. Consultative Document. Carty, L.V., Lieberman, D. (1996). Defaulted Bank Loans Recoveries. Moody s Investors Service. November Circulares Banco de España 4/91, 9/99 y 4/00. Efron, B., Tibshirani, R.J. (1993). An introduction to the bootstrap. New York: Chapman & Hall. Gupton, G.M., Gates, D., Carty, L.V. (2000). Bank-Loan Loss Given Default. Moody s Inverstors Service. November Hurt, L., Felsovalyi, A. (1998). Measuring Loss on Latin American Defaulted Bank Loans: A 27-year study of 27 countries. Citibank, New York. August Moral, G., García, R.(2002). Estimación de la LGD de una cartera de préstamos hipotecarios. Estabilidad Financiera Número 2. Banco de España (próxima publicación). 27 de febrero 2002 Gregorio Moral, Raúl García 38
INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES PENALIZADAS
Cristina Cuesta Gonzalo Marí Nicolás Zino Instituto de Investigaciones Teóricas y Aplicadas en Estadística (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES
Más detallesAspectos prácticos de validación Cartera Hipotecaria. Cartera minorista.
Aspectos prácticos de validación Cartera Hipotecaria. Cartera minorista. Grupo de Tesorería y Modelos de Gestión de Riesgos Gregorio Moral Turiel Seminario sobre validación de modelos avanzados de riesgo
Más detallesRemuestreo importancia y aplicaciones
Remuestreo importancia y aplicaciones Al usar índices de biodiversidad no es razonable suponer una distribución muestral conocida del estimador (índice de Shannon u otro) y por eso se recomienda utilizar
Más detallesREVISIÓN DE CARTERAS HIPOTECARIAS Aspectos prácticos y problemática específica de los parámetros de riesgo
REVISIÓN DE CARTERAS HIPOTECARIAS Aspectos prácticos y problemática específica de los parámetros de riesgo Dirección General de Supervisión Grupo de Tesorería y Modelos de Gestión de Riesgos Gregorio Moral
Más detallesCAPITULO VII Muestreo Aleatorio Simple
CAPITULO VII Muestreo Aleatorio Simple UNIDAD 7 MUESTREO ALEATORIO SIMPLE Una vez diseñado el trabajo de investigación, el paso siguiente es escoger la metodología para la recolección de la información.
Más detallesCAPITULO XII Muestreo Aleatorio Simple
CAPITULO XII Muestreo Aleatorio Simple UNIDAD 12 MUESTREO ALEATORIO SIMPLE Una vez diseñado el trabajo de investigación, el paso siguiente es escoger la metodología para la recolección de la información.
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesINTERVALOS BOOTSTRAP PARA REGRESIONES SPLINE PENALIZA- DAS BAJO EL ENFOQUE DE MODELOS MIXTOS
Marí, Gonzalo Cuesta, Cristina Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística INTERVALOS BOOTSTRAP PARA REGRESIONES SPLINE PENALIZA- DAS BAJO EL ENFOQUE DE MODELOS MIXTOS
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesSECRETARIA DE HACIENDA Y CREDITO PUBLICO
4 (Primera Sección) DIARIO OFICIAL Miércoles 16 de diciembre de 2015 SECRETARIA DE HACIENDA Y CREDITO PUBLICO RESOLUCIÓN que modifica las disposiciones de carácter general aplicables a las instituciones
Más detallesCapital regulatorio y capital económico: el efecto de la calidad crediticia y del ajuste por vencimiento
Capital regulatorio y capital económico: el efecto de la calidad crediticia y del ajuste por vencimiento Gregorio Moral, Carlos Corcóstegui y Raúl García 1. INTRODUCCIÓN Uno de los principales objetivos
Más detallesDirección General de Supervisión
Dirección General de Supervisión DOSIER PARA EL SEGUIMIENTO Y DOCUMENTACIÓN DE MÉTODOS BASADOS EN CALIFICACIONES INTERNAS (IRB) PARA EL CÁLCULO DE LOS REQUERIMIENTOS MÍNIMOS DE CAPITAL POR RIESGO DE CRÉDITO
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesFolleto de Estadísticas. Teoría del 1er Parcial
Folleto de Estadísticas Teoría del 1er Parcial 2012 Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún tipo de investigación o medida. Unidades de investigación:
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesNombre de la asignatura : Estadística Aplicada. Carrera : Ingeniería en Sistemas Computacionales. Clave de la asignatura : SCB-9308
. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura : Estadística Aplicada Carrera : Ingeniería en Sistemas Computacionales Clave de la asignatura : SCB-908 Horas teoría-horas práctica-créditos
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesEstadística Demográfica. Grado en Relaciones Laborales y Recursos Humanos. Parte VI Tabla de mortalidad poblacional de momento: esperanza de vida
Parte VI Tabla de mortalidad poblacional de momento: esperanza de vida 1 Vamos a suponer que el comportamiento poblacional en lo que se refiere al fenómeno mortalidad en la generación de t (análisis longitudinal),
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesIntervalos de confianza para los coeficientes de una regresión lineal.
Intervalos de confianza para los coeficientes de una regresión lineal. Asumiendo que los errores del modelo de regresión lineal se distribuye en forma normal con media cero y varianza constante σ 2 y que
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesPREGUNTAS TIPO EXAMEN. 1. Cuál de las siguientes medidas es una medida de Centralización?
PREGUNTAS TIPO EXAMEN 1. Cuál de las siguientes medidas es una medida de Centralización? a) La desviación típica d) Ninguna respuesta es correcta 2. Disponemos de una variable aleatoria que recoge el peso
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesTESIS DE MAESTRIA EN ESTADISTICA APLICADA
TESIS DE MAESTRIA EN ESTADISTICA APLICADA INDICADORES MULTIDIMENSIONALES DE CAPACIDAD DE PROCESOS REGIONES DE CONFIANZA MEDIANTE BOOTSTRAP 1 Noemí María Ferreri Facultad de Ciencias Exactas, Ingeniería
Más detallesUn repaso de la estadística para uso de la herramienta
Un repaso de la estadística para uso de la herramienta Marisa Caipo, PhD Unidad de Inocuidad de los Alimentos y Codex Organización de las Naciones Unidas para la Alimentación y la Agricultura Taller para
Más detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesPrograma. Asignatura: Estadística Aplicada. año de la Carrera de Contador Público
Sede y localidad Carrera Sede Atlántica, Viedma Contador Publico Programa Asignatura: Estadística Aplicada Año calendario: 2012 Carga horaria semanal: 6 (seis) hs. Cuatrimestre: Primer Cuatrimestre. Segundo
Más detallesdonde ε es la variable aleatoria de media 0 y f(x) es una relación que tiene la siguiente expresión:
INTRODUCCIÓN Los modelos de regresión B-Splines son de tipo semiparamétrico y presentan un excelente ajuste en variables climatológicas, como se muestra en el desarrollo de este trabajo que está dividido
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detallesMadrid-25-Enero Jaime Vázquez Castro Área de Intervención General del BBVA
Madrid-25-Enero-2007 Jaime Vázquez Castro Área de Intervención General del BBVA NIC s vs BIS II Deterioro de créditos Jaime Vázquez Castro Director de Políticas contables y de Recursos Propios - Grupo
Más detallesCAPITULO VIII Muestreo Estratificado
CAPITULO VIII Muestreo Estratificado UNIDAD 8 MUESTREO ESTRATIFICADO Es n método que permite una solución más eficiente que el obtenido mediante el Muestreo Aleatorio Simple, específicamente cuando la
Más detallesEstadística. Grado en Relaciones Laborales y Recursos Humanos. Tema 6 Estadística poblacional.
Estadística. Grado en Relaciones Laborales y Recursos Humanos Tema 6 Estadística poblacional. Fenómenos demográficos 1 Variable estadística edad a la que ocurre un suceso Los fenómenos demográficos que
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesEstimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesPrimeras Jornadas sobre GESTIÓN DE RIESGOS en ENTIDADES FINANCIERAS
Primeras Jornadas sobre GESTIÓN DE RIESGOS en ENTIDADES FINANCIERAS 13 y 14 de octubre 2016 Taller 2: Determinación de Previsiones Estadísticas o Dinámicas - Aplicación de NIIF 9 - Taller 2: PREVISIONES
Más detallesMétodos de Remuestreo Tema 2. Distribución Empírica
Métodos de Remuestreo Tema 2. Distribución Empírica basado en B. Efron, R. Tibshirani (1993). An Introduction to the bootstrap. O. Kirchkamp (2014). Resampling methods. Curso 2014/15 Parámetros, distribuciones
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesInforme de endeudamiento de los clientes bancarios
Informe de endeudamiento de los clientes bancarios Diciembre 2014 Informe de endeudamiento de los clientes bancarios Superintendencia de Bancos e Instituciones Financieras (SBIF) - Chile Informe de endeudamiento
Más detallesEstadística Descriptiva 2da parte
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Descriptiva 2da parte 2 Cuatrimestre 2018 COMISIÓN :1. Prof. Dr. Juan Ignacio Pastore. Qué es la estadística? El contenido de la
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesVariables aleatorias
Ejemplo: Suponga que un restaurant ofrecerá una comida gratis al primer cliente que llegue que cumpla años ese día. Cuánto tiene que esperar el restaurant para que la primera persona cumpliendo años aparezca?
Más detallesSe redujo la Desnutrición en los municipios priorizados del Plan Hambre Cero?
Se redujo la Desnutrición en los municipios priorizados del Plan Hambre Cero? Luis F. Hernández (PhD en Economía, Essex UK) Investigador Senior y Director Ejecutivo Asociación Grupo de Análisis Estratégico
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 INFERENCIA
Más detallesUTILIZACIÓN DE LA CAPACIDAD INSTALADA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE
Montevideo, 28 de octubre de 2009. UTILIZACIÓN DE LA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE 2009 - ANÁLISIS DE LOS PRINCIPALES INDICADORES El grado de utilización de la Capacidad Instalada
Más detallesPERU: ESTIMACIONES Y PROYECCIONES DE POBLACIÓN TOTAL, URBANA Y RURAL POR AÑOS CALENDARIO Y EDADES SIMPLES, 1970-2025
PERU: ESTIMACIONES Y PROYECCIONES DE POBLACIÓN TOTAL, URBANA Y RURAL POR AÑOS CALENDARIO Y EDADES SIMPLES, 1970-2025 Boletín Especial Nº 15 Dirección Técnica de Demografía Lima, Julio del 2002 CREDITOS
Más detallesMÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD 1 Parte I: Diseño de experimentos Parte II: Control estadístico de procesos Parte III: Control de productos terminados Diseño Producción Producto final
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2008 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 008 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesEstadística I para futuros ingenieros Unidad 4. Segunda parte
Estadística I para futuros ingenieros Unidad 4 Segunda parte ITSS L.A. Jorge VC 2 Estimación: puntual y por intervalos A partir de los estadísticos que hemos obtenido en la/s muestra/s queremos obtener
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesDepartamento Administrativo Nacional de Estadística Dirección de Metodología y Producción Estadística-DIMPE
Departamento Administrativo Nacional de Estadística Dirección de Metodología y Producción Estadística-DIMPE Metodología de Imputación de Novedades en Estado de Deuda Encuesta Anual Manufacturera -EAM Julio
Más detallesDISEÑO EXPERIMENTAL Biología, 2º Ciclo Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO
DISEÑO EXPERIMENTAL Biología, 2º Ciclo 2005-2006 Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO Tema 1 Introducción Diseño experimental e inferencia estadística: las dos caras de una misma
Más detallesESTADÍSTICA DESCRIPTIVA TEMA 2: MEDIDAS NUMÉRICAS
UNIDAD 2 ESTADÍSTICA DESCRIPTIVA TEMA 2: MEDIDAS NUMÉRICAS Medidas numéricas de posición, dispersión, forma y asociación 1 Medidas numéricas de posición, dispersión, forma y asociación Si se calculan para
Más detallesEstadística Descriptiva en R: Parámetros y estadísticos. José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016)
Estadística Descriptiva en R: Parámetros y estadísticos José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016) Parámetros y Estadísticos Parámetro: Es una cantidad numérica calculada
Más detallesCarteras minoristas. árbol de decisión. Ejemplo: Construcción de un scoring de concesión basado en un DIRECCIÓN GENERAL DE SUPERVISIÓN
Carteras minoristas Ejemplo: Construcción de un scoring de concesión basado en un árbol de decisión Grupo de Tesorería y Modelos de Gestión de Riesgos Sergio Gavilá II Seminario sobre Basilea II Validación
Más detallesTema 4: INFERENCIA ESTADÍSTICA - I
Tema 4: INFERENCIA ESTADÍSTICA - I Intervalos de confianza para la media, muesras grandes, varianza conocida Biología sanitaria 2017/18. Universidad de Alcalá M. Marvá. Actualizado: 2018-03-20 Biología
Más detallesINFORMACIÓN CUANTITATIVA Y CUALITATIVA SOBRE EL MERCADO HIPOTECARIO Y TRANSPARENCIA INFORMATIVA -JUNIO 2018-
INFORMACIÓN CUANTITATIVA Y CUALITATIVA SOBRE EL MERCADO HIPOTECARIO Y TRANSPARENCIA INFORMATIVA -JUNIO 2018- FECHA: 30/06/2018 Información sobre el mercado hipotecario De acuerdo con lo establecido por
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesCarta de Probabilidad de Weibull
Carta de Probabilidad de Weibull Israel Jair Pérez Pérez* Israel González Barrera*, José Antonio Ruiz Ayerdi*, Christian Bonilla Monzón*, Antonio Romero Hernández*, Juan José Hurtado Moreno** *alumnos
Más detallesINFORMACIÓN CUANTITATIVA Y CUALITATIVA SOBRE EL MERCADO HIPOTECARIO Y TRANSPARENCIA INFORMATIVA -JUNIO 2018-
INFORMACIÓN CUANTITATIVA Y CUALITATIVA SOBRE EL MERCADO HIPOTECARIO Y TRANSPARENCIA INFORMATIVA -JUNIO 2018- FECHA: 30/06/2018 Información sobre el mercado hipotecario De acuerdo con lo establecido por
Más detallesINGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98
INGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98 TEORÍA (1.5 puntos) Cuestión 1. Sean A y B dos sucesos tales que P (A) = 1/3, P (B) = 1/5 y P (A B) + P (B A) = 2/3. Calcular P (A B). Cuestión
Más detalles(artículos 17.1 y 17.2 de la LOEPSF)
Anexo metodológico de los informes sobre líneas fundamentales de los presupuestos y presupuestos iniciales de las Administraciones Públicas 2017: Comunidades Autónomas (artículos 17.1 y 17.2 de la LOEPSF)
Más detallesComité Técnico Asesor para el Conteo Rápido
Expresiones matemáticas para la estimación de la conformación de la Cámara de Diputados Estimación de la conformación de la Cámara de Diputados En los trabajos de determinación de tamaño de muestra, en
Más detallesºBONDAD DE LOS ESTIMADORES JACKNIFE PARA DISTINTOS TIPOS DE POBLACIÓN
ºBONDAD DE LOS ESTIMADORES JACKNIFE PARA DISTINTOS TIPOS DE POBLACIÓN Raquel Plúa Morán 1, Gaudencio Zurita 2 1 Ingeniera en Estadística Informática 2003 2 Director de Tesis, Master en Ciencias Matemáticas,
Más detallesMEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL
1) ASIMETRÍA MEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL Es una medida de forma de una distribución que permite identificar y describir la manera como los datos tiende a reunirse de acuerdo con la
Más detallesConocer los principales métodos de la estadística inferencial e identificar sus aplicaciones a diversas áreas del conocimiento y de la cotidianidad.
NOMBRE DEL CURSO: ESTADÍSTICA INFERENCIAL CÓDIGO: CRÉDITOS 5 PRE-REQUISITO: POST-REQUISITO: JORNADA: PRESENTACIÓN: Se estudian los métodos más importantes de la estadística inferencial, enfocándose principalmente
Más detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
Más detalles