REVISTA INVESTIGACIÓN OPERACIONAL Vol., 29, No. 3, , 2008

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

Download "REVISTA INVESTIGACIÓN OPERACIONAL Vol., 29, No. 3, 188-200, 2008"

Transcripción

1 REVISTA INVESTIGACIÓN OPERACIONAL Vol., 9, No. 3, 88-00, 008 AJUSTE DEL ESTIMADOR DE TABLA DE VIDA PARA ENFRENTAR SITUACIONES DE RIESGOS COMPETITIVOS DEPENDIENTES Mayel Mrabal Sosa*, Armao Seuc Jo** y Rolao Uraga Pña*** *Isttuto Flay. Ivestgacó y Prouccó e Vacuas **Isttuto Nacoal e Agología y Crugía Vascular ***Cetro Nacoal Cooraor e Esayos Clícos RESUMEN Los esarrollos e el marco e u problema clásco e resgos compettvos e su mayoría ha cossto e, a partr el supuesto e epeeca etre las causas compettvas, hacer estmacoes e versas tasas. E este artículo se propoe austes e los estmaores tpos Tabla e Va (Clásco y Tasa Neta e ua stuacó e resgos compettvos para cuao o se cumple el supuesto e epeeca. Se emuestra que el estmaor propuesto es pseuo-máxmo verosíml. Se compara, meate smulacó, los estmaores propuestos e el trabao y los estmaores exstetes lo que corrobora el hecho e que el estmaor austao bra estmacoes más cercaas a la tasa real que las obteas al usar los estmaores cláscos. ABSTRACT The maorty of the evelopmets a classc problem of competg rsks have cosste, base o the assumpto of epeece betee all evet types, make estmatos to several rates. I ths paper, e propose a auste Lfe-Table estmator the cotext of o-epeet competg rsks. We proof that the propose estmator s maxmum pseuolkelhoo. We compare the auste a classc estmators by smulato stuy. It cofrme that e auste estmator proves closer estmatos to the real rate tha the classc estmator. KEY WORDS: Lfe Table, Iepeece, Net Rate, Lkelhoo. MSC 6P0 INTRODUCCIÓN Las stuacoes e resgos compettvos costtuye u problema estaístco y práctco e especal mportaca porque el cambo (aumeto o smucó e la tasa e ocurreca el eveto por ua e las causas puee flur e símles maeras e el comportameto e las tasas e ocurreca por otras causas. Por eemplo, el cremeto observao e los últmos 0 años e las tasas e mortala por cácer e alguos países europeos puee eberse a que las tasas e mortala por efermeaes el corazó ha smuo e el msmo peroo, lo que posblta que los sobrevvetes e estas últmas tega ahora la posbla - y e hecho lo haga - e morr por cácer. Ver Llorca-Delgao [004]. Al parecer fue Chag [96], que prmero tetó estructurar la stuacó e resgos compettvos meate la efcó e tres tasas e terés feretes: a Tasa Global e ocurreca el eveto, efa como la probabla global e ocurreca el eveto por cualquera e las causas. b Tasa Crua e ocurreca el eveto por ua etermaa causa, efa como la probabla e ocurreca el eveto por cha causa e preseca e toas las causas restates. c Tasa Neta e ocurreca el eveto por ua etermaa causa, efa como la probabla e ocurreca el eveto por cha causa e ua poblacó hpotétca e la cual sólo estuvera actva esa causa. 88

2 Gra parte e los esarrollos estaístcos alreeor e este tema ha cossto e, a partr e certos supuestos, obteer estmacoes e las sttas tasas efas prevamete. Por eemplo, ha so esarrollaas sttas varates e los métoos e Kapla-Meer y e Tabla e Va las que ha estao basaas fuametalmete e los supuestos e epeeca e las cesuras o e las causas compettvas. Ver Focco-Putter [005], Zeg [004], Satagopa-Be Porat [004]. El uso apropao e estos esarrollos e el marco e los estuos e resgo compettvo, ha trouco certo grao e cofusó e el tema. Las razoes prcpales e esta cofusó so:. La seleccó aecuaa el estmaor, pues se ha usao scrmaamete s coserar las crcustacas bao las que caa cual es más apropao.. La utlzacó e los estmaores e la Tasa Neta aú cuao so volaos los supuestos e epeeca que los susteta. E este trabao se propoe austes e los estmaores tpos Tabla e Va (Clásco y Tasa Neta e ua stuacó e resgos compettvos para cuao o se cumple el supuesto e epeeca etre los tempos e ocurreca e las cesuras y los evetos. Se preseta aemás ua fucó e pseuoverosmltu y se esboza la emostracó e que el estmaor austao es el estmaor máxmo pseuoverosíml. So presetaos los resultaos obteos e smulacoes que permte lustrar el proceso e estmacó.. AJUSTE PARA LOS ESTIMADORES TIPO TABLA DE VIDA E lo que sgue se propoe u auste e los estmaores tpos Tabla e Va, basao e formacó a pror acerca e la terrelacó etre las causas compettvas... El Estmaor Tabla e Va Clásco Austao E el marco e u estuo e supervveca clásco y cuao se asume que los tempos e ocurreca el eveto o so coocos exactamete, so que se halla etro e certo tervalo, se efe el estmaor e Tabla e Va Clásco o estmaor actuaral. Ver e Farley [986]: ˆ ( tk Sˆ( tk k ( F oe: : úmero e evetos urate el tervalo t, t [ : úmero e cesuras urate el tervalo t, t [ : úmero e suetos e resgo al co el tervalo t, t Sea ( J σ,,..., [ ua muestra epeete e atos e supervveca cesuraos por la erecha, oe J es u caor el tervalo ( J s al vuo le ocurró u eveto o ua cesura e [ t, t y σ es u caor e cesura ( σ s el vuo es cesurao y σ 0 e otro caso. Sea ε I ( J. Hagamos σ ( σ,..., σ, ε ( ε,..., ε. t, t Es vála etoces la sguete expresó para el úmero e cesuras urate el tervalo [ usaa e la fórmula (: σ ε. 89

3 Defamos: σ ε ( r r r Itrouzcamos u uevo vector (,...,, cuyas compoetes ca ua pealzacó mpuesta a caa vuo por el hecho e ser ua cesura potecal. Poría pesarse e la sguete geeralzacó seclla e (: σ ε r (3 Tras esta ea subyace la cocó r ya que el eomaor e ( o ebe ser feror al umeraor. S los r so terpretaos como probablaes esta restrccó o represeta tal fculta. S embargo, como veremos, los r puee ser terpretaos como resgos relatvos y amte, por tato, valores postvos arbtraros. La expresó (3 puee ser correga el sguete moo: r σ ε (4 r Puee coserarse expresoes e Sea G R 3 R más geerales. :, etoces ( se geeralza tomao G( σ, ε, r. Es ecesaro mpoer a la fucó G la restrccó G( x, y, z x, oe x eota la suma e las compoetes el vector x y x, y, z represeta tres vectores e R. S se elge, por eemplo, G ( x, y, z g( xy, yz (xy proucto escalar e x, y, se obtee g(, R, oe, como es usual, es el úmero e cesuras e el tervalo y R es la pealzacó correspoete al tervalo. La fucó g ebe satsfacer g( u, v u. El estmaor e Tabla e Va Clásco Austao lo efmos como: F ˆ ( tk Sˆ( tk (5 k oe puee estar ao por algua e las expresoes escrtas... El estmaor tabla e va austao para la tasa eta E ua stuacó e resgos compettvos, el estmaor tpo Tabla e Va para la Tasa Neta se efe e Farley [986] como: 90

4 Fˆ oe: ( t k Ŝ ( t k k ( (6 : úmero e evetos por cualquer causa ocurros e el tervalo t, t [ : úmero e evetos por la causa e terés e el tervalo t, t : úmero e cesuras e el tervalo t, t [ [ : úmero e suetos e resgo al eveto, por la causa e terés, al co el tervalo t, t [ E ua stuacó e resgos compettvos epeetes, poemos austar el estmaor ateror e la sguete forma: l ˆ ( tk F Sˆ l ( t k k l l (7 σ σ σ, σ 0 s al vuo le co l G( σ l, ε, rl, l ( l,..., l r l ( r l,..., r l, l ocurró el eveto l, uo e otro caso. Las compoetes e r l ca ua pealzacó mpuesta a caa vuo por el hecho e ser ua cesura potecal co respecto a la causa l. Casos partculares:. Tomao l σ lε, se obtee el estmaor Tabla e Va para la Tasa Neta efa e (6.. Puee efrse l σ lε rl ; e este caso ebe cumplrse r l. rl 3. El caso puee corregrse s se efe l σ lε, co r l R rl 3. PROPIEDAD DE MÁXIMA VEROSIMILITUD DE LOS ESTIMADORES Fˆ Y Fˆ E Xe-Lu [000] y Ibrahm [005], se emuestra que el estmaor clásco tpo Tabla e Va, Fˆ efo e (, maxmza la sguete fucó e pseuoverosmltu: Doe, L S ( t.f ( t S ( t 9

5 S ( t P(T > t : t extremo zquero el tervalo -ésmo t : u mometo e tempo cualquera a la erecha e t : u mometo e tempo a la erecha e t y etro el tervalo [ t, t t y etro el tervalo [ t, t Por pseuoverosmltu se etee que es la fucó e verosmltu bao certos supuestos: la mta e las cesuras ocurre ates e toas las muertes y la otra mta espués e toas las muertes. El estmaor Fˆ posee ua propea smlar lo cual se euce el hecho e que tee ua estructura étca a la e Fˆ. Proposcó: El estmaor Fˆ efo e (5 maxmza la sguete fucó e pseuoverosmltu. L S( t Demostracó:. f ( t f ( τ (8 0 t t t. Sea y el úmero e evetos que ocurre etro e caa tervalo; y el úmero e vuos que se cesura e caa tervalo. Sea S ( t P(T > t. Supogamos, para smplfcar, se tee tervalos e tempo [ t, y [, La fucó e pseuoverosmlu puee ser escrta como: L A S ( t0. f ( t0. S ( t0. S ( t. f ( t. S ( t. B. C. D. E. F S(t B A E C D F t 0 t 0 t 0 t t t t Dagrama. Cofguracó Optma Doe, 9

6 93 : t extremo zquero el tervalo -ésmo oe ocurre la mta e las cesuras. : t u mometo e tempo cualquera a la erecha e t y etro el tervalo [ t t, e el que ocurre toas los evetos que correspoe a ese tervalo. : t u mometo e tempo a la erecha e t y etro el tervalo [ t t, oe ocurre la segua mta e las cesuras. El agrama represeta la cofguracó óptma que ebe poseer S para maxmzar L. De oe se obtee que: F E D C C B A Aemás se verfca las sguetes gualaes: ( Sea:.D f F e.d E Etoces, f e C B f e C B L Hemos utlzao os veces la sguete propea: N M, s N M Aemás, el máxmo e la expresó N M se alcaza para M y N Obteemos:,,, f e C B

7 Por tato Ŝ ( t Ŝ ( t C F fd fc Por últmo el estmaor Fˆ maxmza ua fucó e pseuoverosmltus smlar a (8, ebo a que tee la msma estructura e Fˆ. 4. EJEMPLO Supogamos que exste ua covarable cotómca Zcuya asocacó co ( Z tee a tomar el valor 0 ( cuao σ tee a tomar el valor 0 (. σ es altamete postva Defamos P( E / Z r P( E / Z 0 Z y e la probabla e que ocurra el eveto e terés ao que Z 0, es ecr, r es el cocete e la probabla e que ocurra el eveto e terés ao que. El parámetro r se puee terpretar como el resgo relatvo e ocurreca el eveto etre los vuos que se cesura y los que o se cesura. Defamos aemás, R ( σ Z ε / ( σ ( Z ε / Z ε ( Z ε (9 r R, tal que ε Asgemos al vuo la pealzacó. Es ecr, a los vuos que se cesura e u msmo tervalo les correspoe el msmo valor e r. Susttuyeo e la fórmula (4 se obtee ua expresó reuca para esta e la sguete forma: R R Al susttur lo ateror e (5, se obtee el estmaor tpo Tabla e Va Clásco Austao. 4.. Smulacó Usao las faclaes e programacó que bra el leguae S, mplemetacó R, versó.4., R Developmet Core Team [004], se geeró ua muestra e tamaño 000 como sgue: Se geeraro 000 observacoes proceetes e la strbucó expoecal co parámetro, que correspoe co los tempos latetes e ocurreca el eveto e terés. Las covarables Z para t caa vuo fuero geeraas a partr e ua strbucó Beroull como: ~ ( Z B t. Las varables caoras e ocurreca el eveto se geeraro e os formas feretes. 94

8 0.75 s Z P( σ / Z (0 0.5 s Z s Z P( σ / Z ( 0.5 s Z 0 El tempo cesurao e ocurreca el eveto se efó como: X t t s σ 0 s σ Se vó el ee real postvo e 5 tervalos: [ 0,, [,, [,3, [3,4, [4,5 Caa observacó se clasfcó e acuero al tervalo a que perteecía, para obteer los caores Los cógos escrtos e R que permtero esta smulacó puee cosultarse e el Apéce. 4.. Resultaos y scusó ε. Coserao la varable e cesura efa como e (0, es ecr s asocamos la covarable co la ocurreca e la cesura, se obtee los resultaos que se muestra e la Fgura No.. E esta prmera sala la covarable está altamete correlacoaa co la cesura e maera postva, por ello, los estmaores e los resgos relatvos so e geeral meores que uo, por lo que las probablaes e supervveca austaas resulta mayores que las cláscas. Note que co el auste propuesto se obtee estmacoes e la veraera supervveca más precsas que las obteas usao el métoo clásco. Lo ateror eveca que es posble usar formacó a pror para explcar la terepeeca etre las causas compettvas S por el cotraro geeramos las varables caoras e la cesura como (, o sea, la covarable se cosera epeete e la ocurreca el eveto, etoces los estmaores cláscos y austaos coce y subestma levemete la veraera probabla. Ver Fgura No.. E este eemplo se ha utlzao ua covarable como susttuta e la cesura (formacó acoal requera para realzar el auste. E lugar e esto puee ofrecerse como formacó acoal rectamete los valores e los resgos relatvos observaos e caa vuo ( R y susttur la expresó correspoete e los. Otro efoque poría ser estmar los resgos relatvos e vez e ofrecer rectamete sus valores umércos, a partr e algua efcó para ellos e térmos e las probablaes e cesura y supervveca. Por eemplo, puee efrse los δ -resgos relatvos como el cocete e las probablaes: P( E / C P( u < T < u δ / u < U < T P( E / NC P( u < T < u δ / T < U El problema se traslaa etoces a estmar chas probablaes a partr e los atos; estos o puee cosstr e los tempos cesuraos solamete. El estuo e qué tpo e atos bastaría para estmar satsfactoramete chas probablaes es u problema compleo. 95

9 Supervveca Clásco Aust. Real [0, [, [,3 [3,4 [4, Itervalo Fgura. Comparacó e las estmacoes e la supervveca usao el estmaor clásco y el austao co respecto a la supervveca real, para atos smulaos co cesuras efas e (0. Supervveca Clásco Aust. Real [0, [, [,3 [3,4 [4,5 Itervalo Fgura. Comparacó e las estmacoes e la supervveca usao el estmaor clásco y el austao co respecto a la supervveca real para atos smulaos co cesuras epeetes efas e (. 96

10 Es mportate estacar que se ecesta e u estrecho vículo etre los vestgaores bomécos y los especalstas e estaístca co el f e etermar pealzacoes aecuaas para caa vuo, las que será usaas para austar el estmaor clásco e tabla e va. Receve October 007 Revse Aprl 008 REFERENCIAS [] LLORCA J, DELGADO RM. (004: Aálss e supervveca e preseca e resgos compettvos. Gac. Sat. 8, [] CHIANG CL. (96: A stochastc stuy of the lfe table a ts applcatos: III. The follo-up stuy th the coserato of competg rsks. Bometrcs 7, [3] FIOCCO M, PUTTER H. a VAN HOUWELINGEN J.C. (005: Reuce rak proportoal hazars moel for competg rsk. Bostatstcs 6, [4] ZENG D. (004: Estmatg margal survval fucto by austg for epeet cesorg usg may covarates. The Aals of Statstcs 3, [5] SATAGOPAN J M, BEN-PORAT L, BERWICK M, ROBSON M, KUTLER D a AUERBACh A D. (004: A ote o competg rsks survval ata aalyss. Brtsh Joural of Cacer 9, [6] FARLEY T. M. M. (986: Lfe-table methos for cotraceptve research. Stat Me 5, [7] XIE J. a LIU C. (000: Auste Kapla-Meer estmator a log-rak test th verse probablty of treatmet eghtg for survval ata. Statst. Me 00, -6. [8] IBRAHIM JG. (005: Apple Survval Aalyss. Presetato the st Aual Summer Workshop of the Amerca Statstcal Assocato. [9] R DEVELOPMENT CORE TEAM. (004: R. A laguage a evromet for statstcal computg. R Fouato for Statstcal Computg, Vea, Austra. ISBN , Dspoble e: URL: 97

11 APÉNDICE. Cógos geeraos e R:Cógos usaos para geerar los atos bao el supuesto e epeeca # geerao el tempo latete e ocurreca el eveto e terés t<-rexp(000,0.5 # geerao la covarable z<-rep(0,000 for ( :000 z[]<-rbom(,, -t[]/(0t[] # geerao la varable caora e eveto a partr e la covarable elta<-rep(0,000 for ( :000{ f (z[] elta[]<-rbom(,, 0.9# elta es eveto co alta probabla, else elta[]<-rbom(,, 0. # es cesura co baa probabla # geerao el tempo cesurao e ocurreca el eveto x<-t for ( :000{ f (elta[]0 x[]<-t[]/ # geerao los e e<-rep(0,5000 m(e<-c(000,5 for ( :000 for ( :5 f (-<x[] & x[]< e[,]<- # úmero e vuos <-000 # úmero e tervalos t<-5 # cálculo e R r<-rep(0,t for ( :t{ s<-0;s<-0;s3<-0;s4<-0 for ( :{ s<-selta[]*z[]*e[,] s<-sz[]*e[,] s3<-s3elta[]*(-z[]*e[,] s4<-s4(-z[]*e[,] r[]<-(s/s/(s3/s4 f (s.a(r[] r[]<- 98

12 # cálculo el úmero e evetos e el tervalo <-rep(0,t for ( :t for ( : []<-[]elta[]*e[,] # cálculo el úmero e cesuras e el tervalo <-rep(0,t for ( :t for ( : []<-[](-elta[]*e[,] # Cálculo el úmero e resgo al co el tervalo r<-rep(0,t r[]<- for ( :t r[]<-r[-]-[-]-[-] # Cálculo la fucó e supervveca austaa para caa tervalo SA<-rep(,t laa<-rep(,t for ( :t{ laa[]<-rou((r[]/(r[]*[], SA[]<--[]/(r[]-laa[] SAA<-rep(,t SAA[]<-rou(SA[],3 for ( :t{ for ( : SAA[]<-rou(SAA[]*SA[],3 # Cálculo la fucó e supervveca clásca para caa tervalo SC<-rep(,t for ( :t SC[]<--[]/(r[]-(/*[] SCA<-rep(,t SCA[]<-rou(SC[],3 for ( :t{ for ( : SCA[]<-rou(SCA[]*SC[],3 # Cálculo e la fucó e supervveca real para caa tervalo real<-rep(0,5 SupRealAc<-rep(0,5 for ( :5{ for ( :000 f (-<t[] & t[]< real[]<-real[] for ( :5{ resgo<-000 f ( SupRealAc[]<--real[]/000 99

13 else { for (k : resgo<-resgo-real[k-] SupRealAc[]<-SupRealAc[-]*(-real[]/resgo # buao la tabla Tabla<ata.frame(Itervalc("[0,","[,","[,3","[3,4","[4,5", rskr,evet,lost,lostalaa, AcumLfeTableSCA,AcumALfeTableSAA, RealSupRealAc Tabla A<-rep(0,8 m(a<-c(6,3 A[,]<-c(,Tabla[,6] A[,]<-c(,Tabla[,7] A[,3]<-c(,Tabla[,8] Probabla<-A matplot(probabla, "s",ltyc(,3,5 xlab"itervalo",ylab"supervveca",type Cógos usaos para geerar los atos bao el supuesto e epeeca # geerao el tempo latete e ocurreca el eveto e terés t<-rexp(000,0.5 # geerao la covarable z<-rep(0,000 for ( :000 z[]<-rbom(,, -t[]/(0t[] # geerao la varable caora e eveto a partr e la covarable elta<-rep(0,000 for ( :000{ elta[]<-rbom(,, 0.9 r<-rep(,t # geerao el tempo cesurao e ocurreca el eveto x<-t for ( :000{ f (elta[]0 x[]<- ruf(, m0, maxt[] 00

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

1.1 INTRODUCCION & NOTACION

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

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

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

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS 5 ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS María C. Paz Sabogal Profesor Auxlar. Uversdad del Valle, Escuela de Igeería Idustral Estadístca, Cal. karo.paz@gmal.com

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

Estudio de eventos extremos enfocado a seguros y finanzas

Estudio de eventos extremos enfocado a seguros y finanzas Cuestoes Ecoómcas Vol. 0 No :3004 Estudo de evetos extremos efocado a seguros y fazas KLEVER MEJÍA ADRIANA UQUILLAS * Resume Muchos campos de la ceca modera y la geería tee que ldar co evetos que so poco

Más detalles

CURSO REDES ELECTRICAS II 1 CAPITULO 4

CURSO REDES ELECTRICAS II 1 CAPITULO 4 CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO

LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO Emlo Gómez Déz 1, José María Saraba 2 y Fausto Preto 2 Resume E el presete trabao se estuda la dstrbucó Posso-Beta,

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

Análisis Estadístico de Mediciones de la Velocidad del Viento Utilizando la Técnica de Valores Desviados

Análisis Estadístico de Mediciones de la Velocidad del Viento Utilizando la Técnica de Valores Desviados Smposo de Metrología 008 Satago de Querétaro, Méxco, al 4 de Octubre Aálss Estadístco de Medcoes de la Velocdad del Veto Utlzado la Técca de Valores Desvados E. Cadeas, a W. Rvera b a Uversdad Mchoacaa

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines Resume Predccó del Cumplmeto de Pago de u Crédto para Mcroempresaros Agrícolas Utlzado Pealzed Support Vector Maches El Isttuto de Desarrollo Agropecuaro (INDAP) es el prcpal orgasmo del Estado de Chle

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007 OMNTARIOS Y ANÁLISIS DL FATOR D PRODUTIVIDAD PROPUSTO POR OSIPTL PARA L PLAN D RGULAIÓN POR PRIOS TOP 2004 2007 APLIAIÓN D LA VARIABL M por Davd. M. Sappgto RSUMN JUTIVO ste forme preseta ua evaluacó de

Más detalles

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN... 3. REPREENTATIVIDAD DE LA CURVA DE REGREIÓN... 3 3.. Poder explcatvo del modelo... 3 3.. Poder explcatvo frete a poder predctvo...

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero

Más detalles

3. Unidad Aritmética Lógica (ALU)

3. Unidad Aritmética Lógica (ALU) 3. Udd rtmétc Lógc (LU) bordremos los spectos que permte l mplemetcó de l rtmétc de u computdor, trbuto fucol de l Udd rtmétc Lógc (LU). Prmero se revstrá lo relcodo l form de represetr los úmeros como

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

GENERACIÓN DE SECUENCIAS BINARIAS PSEUDO ALEATORIAS POR MEDIO DE UN MAPA CAÓTICO 3D. C.M. González, H. A. Larrondo, C. A. Gayoso, L. J.

GENERACIÓN DE SECUENCIAS BINARIAS PSEUDO ALEATORIAS POR MEDIO DE UN MAPA CAÓTICO 3D. C.M. González, H. A. Larrondo, C. A. Gayoso, L. J. GENERACIÓN DE SECUENCIAS BINARIAS PSEUDO ALEATORIAS POR MEDIO DE UN MAPA CAÓTICO 3D. C.M. Gozález, H. A. Larrodo, C. A. Gayoso, L. J. Aroe Facultad de Igeería. Uversdad Nacoal de Mar del Plata Argeta Jua

Más detalles

Pienso que las sociedades con mayores niveles de polarización

Pienso que las sociedades con mayores niveles de polarización POLARIZACIÓN Y CONFLICTO SOCIAL Eresto Cárdeas* Peso que las socedades co mayores veles de polarzacó tee más probabldades de efretar coflctos socales, tpo guerra cvl, y que ua compresó sstemátca del cocepto

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

Credit scoring models: what, how, when and for what purposes

Credit scoring models: what, how, when and for what purposes MPRA Much Persoal RePEc Archve Credt scorg models: what, how, whe ad for what purposes Guterrez Grault, Matas Alfredo Baco Cetral de la Repúblca Argeta October 007 Ole at http://mpra.ub.u-mueche.de/6377/

Más detalles

4. ESQUELETOS Y CAMINOS OPTIMALES...

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

Más detalles

TEMA 5. Planificación estática de tareas. Planificación de tareas. El problema de la concurrencia

TEMA 5. Planificación estática de tareas. Planificación de tareas. El problema de la concurrencia TEMA Plafcacó estátca de tareas Plafcacó de tareas El problema de la cocurreca El problema de la plafcacó Plafcacó de tareas Modelo básco Plafcacó rate mootoc Teorema de Lu y Laylad Aálss del tempo de

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

17 MOMENTOS DE INERCIA Y TEOREMA DE STEINER

17 MOMENTOS DE INERCIA Y TEOREMA DE STEINER 17 MOMENOS DE INERCIA Y EOREMA DE SEINER OBJEIVOS Determnacón e la constante recuperaora e un muelle espral. Comprobacón el teorema e Stener. Determnacón expermental el momento e nerca e ferentes cuerpos

Más detalles

Modelos de Credit Scoring - Qué, Cómo, Cuándo y Para Qué -

Modelos de Credit Scoring - Qué, Cómo, Cuándo y Para Qué - Modelos de Credt Scorg - Qué, Cómo, Cuádo y Para Qué - Matías Alfredo Gutérrez Grault Octubre de 007 Resume Itroducdas e los 70 s, el uso de téccas de credt scorg se geeralzó e los 90 s gracas al desarrollo

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT Mguel Ágel Taracó Morá Doctor e CC Ecoómcas y Empresarales Profesor Asocado de Ecoometría Uversdad de Castlla La Macha Toledo, Marzo de 2003 Título: Téccas de

Más detalles

INTRODUCCION A LA GEOESTADISTICA

INTRODUCCION A LA GEOESTADISTICA INTRODUION A LA GEOESTADISTIA 7 3' W MAR ARIBE Boca de la Barra 3 larí 8 6 4 Grade R Sevlla 8 6 R Aracataca 45' N 4 R Fudaco Teoría y Aplcacó UNIVERSIDAD NAIONAL DE OLOMBIA Sede Bogotá Facultad de ecas

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

MÉTODO DEL CENTRO DE GRAVEDAD

MÉTODO DEL CENTRO DE GRAVEDAD DEFINICIÓN MÉTODO DEL CENTRO DE GRVEDD Es un moelo matemátco que se utlza para la localzacón e plantas e fabrcacón o almacenes e strbucón respecto a unos puntos ya establecos e la empresa, ese one se proucen

Más detalles

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL EL PROGRAMA ESTADÍSTICO SPSS . EL PROGRAMA ESTADÍSTICO SPSS. INTRODUCCIÓN El

Más detalles

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE

Más detalles

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! Isttuto Tecológco de Apzaco Departameto de Cecas Báscas INSTITUTO

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión Eerccos Resueltos de Estadístca: Tema : Descrpcoes bvarates regresó . E u estudo de la egurdad e Hgee e el Trabao se cotrastó la cdeca del tabaqusmo e la gravedad de los accdetes laborales. Cosderado ua

Más detalles

NAVEGACIÓN DE ROBOTS MOVILES BASADA EN FUSIÓN DE SALIDAS DE DISTINTOS CONTROLADORES

NAVEGACIÓN DE ROBOTS MOVILES BASADA EN FUSIÓN DE SALIDAS DE DISTINTOS CONTROLADORES ,;5HXQLyQGH7UDEDMRHQ3URFHVDPLHQWRGHOD,QIRUPDFLyQ\&RQWURODOGHVHSWLHPEUHGH6DQWD)H NAVEGACIÓN DE ROBOS MOVILES BASADA EN FUSIÓN DE SALIDAS DE DISINOS CONROLADORES E. O. FREIRE,2,. F. BASOS-FILHO 2, M. SARCINELLI-FILHO

Más detalles

TEMA 6 SELECCIÓN DE INVERSIONES PRODUCTIVAS CON RIESGO (Parte I)

TEMA 6 SELECCIÓN DE INVERSIONES PRODUCTIVAS CON RIESGO (Parte I) TEMA 6 SELECCIÓN DE INVERSIONES PRODUCTIVAS CON RIESGO (Parte I) Tema 6- Parte 1 1 EL MÉTODO de la TASA de DESCUENTO AJUSTADA al RIESGO : a = k + p E presecia de iflació a = k + p ( 1 + a ) = ( 1 + a )(

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

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

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

MAESTRÍA EN ECONOMÍA INTERNACIONAL. Tesis

MAESTRÍA EN ECONOMÍA INTERNACIONAL. Tesis MAESTRÍA EN ECONOMÍA INTERNACIONAL Tess Grades depóstos y el resgo de lqudez bacaro Ua aproxmacó medate la domaca estocástca Martí Egozcue 006 Uversdad de la Repúblca Facultad de Cecas Socales Departameto

Más detalles

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

Más detalles

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de

Más detalles