Por qué es interesante el exponente de Hurst?

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

Download "Por qué es interesante el exponente de Hurst?"

Transcripción

1 Por qué es interesante el exponente de Hurst? El exponente de Hurst ocurre en varias áreas de las matemáticas aplicadas, incluyendo los fractales y la teoría del caos, procesos de larga memoria y análisis espectral. La estimación del exponente de Hurst se ha aplicado en áreas que van desde la biofísica a las redes de computadoras. La estimación del exponente de Hurst fue desarrollada originalmente en la hidrología. Sin embargo, las modernas técnicas para estimar el exponente de Hurst vienen de las matemáticas fractales. Las matemáticas y las imágenes derivadas de la geometría fractal estallaron en el mundo en los años 1970s y 1980s. Es difícil pensar en un área de la ciencia que no haya sido influenciado por la geometría fractal. Además de proporcionar una nueva visión de las matemáticas y la ciencia, la geometría fractal nos ayudó a ver el mundo que nos rodea de una manera diferente. La naturaleza está llena de formas auto-similares fractales, como la hoja de helecho. Una forma auto-similar está compuesta por un patrón básico que se repite en escalas múltiples (o infinitas). Un ejemplo de una forma auto-similar artificial es la pirámide de Sierpinski que se muestra en la Figura 1. Figura 1, Pirámide auto-similar de cuatro lados de Sierpinski Más ejemplos de formas auto-similares,incluyendo la hoja de helecho,se pueden encontar en The Dynamical Systems and Technology Project de la Boston University. El exponente de Hurst está también directamente relacionado con la "dimensión fractal", lo que da una medida de la rugosidad de una superficie. La dimensión fractal se ha utilizado para medir la rugosidad de las costas, por ejemplo. La relación entre la dimensión fractal, D, y el exponente de Hurst, H, es D = 2 H (1) También hay una forma de auto-similitud llamada auto-similitud estadística. Suponiendo que tenemos uno de esos conjuntos imaginarios infinitos de datos auto-similares, cualquier sección del conjunto de datos tiene las mismas propiedades estadísticas que cualquier otro. La autosimilitud estadística se produce en un número sorprendente de áreas de la ingeniería. Las trazas del tráfico de redes de computadoras son auto-similares (como se muestra en la Figura 2) Figure 2, Tráfico de red auto-similar

2 La Auto-similitud también se ha encontrado en las trazas de referencia de memoria. Redes congestionadas, donde buffers de TCP/IP comienzan a llenarse, pueden mostrar comportamiento auto-similar caótico. La estructura auto-similar observada en los sistemas reales ha hecho de la medición y simulación de datos auto-similares un tema activo en los últimos años. Otros ejemplos de auto-similitud estadística existen en la cartografía (la medición de las líneas de costa), los gráficos por ordenador (la simulación de las montañas y colinas), biología (la medición de los límites de una colonia de moho) y medicina (medición del crecimiento neuronal). Caminos aleatorios y Memoria Larga Un camino aleatorio uni-dimensional puede ser generado arrancando en cero y seleccionando un número aleatorio Gaussiano. En el siguiente paso (en este caso 1), añadir el número aleatorio gaussiano al valor anterior (0). A continuación, seleccionar otro número aleatorio Gaussiano y en el próximo paso del tiempo (2) se añade a la posición anterior, etc.. paso valor R 0 1 R 0 + R 1 2 R 0 + R 1 + R 2 etc... Aquí R n es un número aleatorio Gaussiano. Los Caminos aleatorios a veces se conocen como movimiento Browniano o ruido Gaussiano. La figura 3 muestra una gráfica de este tipo de camino aleatorio simple. N := 1024 i := 0.. N 1 r := rnorm ( N, 0, 1) A := 0 0 A := A + r i+ 1 i i La estimación del exponente de Hurst para un conjunto de datos proporciona una medida de si los datos son un camino aleatorio puro o tiene tendencias subyacentes. Otra manera de decir esto es que un proceso aleatorio con una tendencia subyacente tiene un cierto grado de autocorrelación (se abundará en esto más adelante). Cuando la autocorrelación tiene un decaimiento muy largo (o infinito matemáticamente) este tipo de proceso Gaussiano se refiere a veces como un proceso de memoria largo. correl ( A, A) C := max( correl ( A, A) )

3 Figure 3, Un camino aleatorio C i i Los procesos que nosotros, ingenuamente podríamos asumir que son puramente aleatorios a veces resultan exhibir exponente de Hurst estadístico para procesos de memoria larga. Un ejemplo se ve en el tráfico de redes informáticas. Podríamos esperar que el tráfico de la red sería mejor simulado teniendo algún número de fuentes aleatorias enviando paquetes de tamaño al azar en la red. Siguiendo esta línea de pensamiento, la distribución puede ser de Poisson (un ejemplo de distribución de Poisson es el número de personas al azar que llegan a un restaurante por un período de tiempo determinado). Como resultado, el modelo ingenuo de tráfico de la red puede estar equivocado. El tráfico de red se modela mejor mediante un procedimiento que muestra un exponente de Hurst no aleatorio. El exponente de Hurst y el Movimiento Browniano fraccional Los caminos Brownianos se pueden generar a partir de un exponente de Hurst definido. Si el exponente de Hurst es 0.5 <H <1.0, el camino aleatorio será un proceso de memoria larga. Los conjuntos de datos de este tipo se refieren a veces como el movimiento Browniano fraccional (abreviado fbm). El movimiento Browniano fraccional puede ser generada por una variedad de métodos, incluyendo la síntesis espectral utilizando la transformada de Fourier o la transformación wavelet. Aquí, la densidad espectral es proporcional a la Ecuación 2 (al menos para la transformada de Fourier): El movimiento Browniano fraccional se refiere a veces como ruido 1/f. Dado que estos caminos aleatorios se generan a partir de variables aleatorias Gaussianas (conjunto de números), ellos también se conocen como ruido Gaussiano fraccional (o fgn).

4 La dimensión fractal proporciona una indicación de cuán áspera es una superficie. Como muestra la ecuación (1), la dimensión fractal está directamente relacionada con el exponente de Hurst para un conjunto de datos estadísticamente auto-similares. Un pequeño exponente de Hurst tiene una dimensión fractal alta y una superficie más rugosa. Un mayor exponente de Hurst tiene una dimensión fractal más baja y una superficie más lisa. Esto se muestra en la Figura 4. Figure 4, Movimiento Fraccional Browniano y el exponente dehurst El exponente de Hurst y las Finanzas Mi interés en el exponente de Hurst fue motivado por los conjuntos de datos financieros (series temporales), como el precio diario de cierre o retorno-5 días para un stock. Originalmente, me adentré en la estimación de exponente de Hurst, porque experimenté con compresión wavelet como un método para la estimación de la previsibilidad de una serie de tiempo financiera (véase la compresión Wavelet, el determinismo y la predicción de series de tiempo Mi punto de vista de las series de tiempo financieras, en ese momento, era el ruido mezclado con la predictibilidad. Leí sobre el exponente de Hurst y parecía ofrecer alguna estimación de la cantidad de predictibilidad en un conjunto de datos ruidosos (por ejemplo, un proceso al azar). Si la estimación del exponente de Hurst confirmaba el resultado de la compresión wavelet, es posible que haya alguna razón para creer que la técnica de compresión wavelet era fiable. Yo también he leído que el exponente de Hurst se puede calcular mediante un escalograma wavelet (por ejemplo, un plot del espectro de frecuencias). Yo sabía cómo utilizar wavelets para el análisis espectral, así que pensé que el cálculo exponente de Hurst sería fácil. Simplemente podría reutilizar el código de wavelet que había desarrollado para el análisis espectral. Lamentablemente las cosas muchas veces no son tan simples como parecen. Mirando hacia atrás, hay una serie de cosas que yo no entendía: 1. El exponente de Hurst es no tanto calculado como estimado. Una variedad de técnicas existen para hacer esto y la exactitud de la estimación puede ser una cuestión complicada. 2. Probar el software para estimar el exponente de Hurst puede ser dificultoso. La mejor manera de probar algoritmos para calcular el exponente de Hurst es utilizar un conjunto de datos que tienen un valor conocido del exponente de Hurst. Este conjunto de datos se refiere como movimiento fraccional Browniano (o ruido Gaussiano fractal). Como he aprendido, generar conjuntos de datos con movimiento fraccional Browniano es un tema complejo. Por lo menos tan complejo como la estimación del exponente de Hurst.

5 3. La evidencia de que las series de tiempo financieras son ejemplos de los procesos de memoria larga es mixto. Cuando se estima el exponente de Hurst, el resultado refleja un proceso de memoria larga o un proceso de la memoria a corta, tal como la autocorrelación? Ya que la autocorrelación está relacionada con el exponente de Hurst (ver ecuación 3, abajo), es esto realmente un problema o no? Me di cuenta que no era el único que piensa que el exponente de Hurst puede proporcionar resultados interesantes cuando se aplican a los datos financieros. La naturaleza fractal intuitiva de los datos financieros (por ejemplo, la serie de tiempos retorno 5 días en la Figura 5) ha llevado a un número de personas a aplicar las matemáticas de los fractales y el caos en el análisis de estas series de tiempo. Figura 5 Antes de empezar a trabajar en el software del exponente de Hurst leí unos cuantos artículos sobre la aplicación del cálculo del exponente de Hurst a series de tiempo financieras, no me di cuenta de cuánto trabajo se ha hecho en esta área. Algunas referencias se enumeran a continuación. Benoit Mandelbrot, who later became famous for his work on fractals, wrote the early papers on the application of the Hurst exponent to financial time series. Many of these papers are collected in Mandelbrot's book Fractals and Scaling in Finance, Springer Verlag, Edgar Peters' book Chaos and Order in the Capital markets, Second Edition spends two chapters discussing the Hurst exponent and its calculation using the the rescaled range (RS) technique. Unfortunately, Peters only applies Hurst exponent estimation to a few time series and provides little solid detail on the accuracy of Hurst exponent calculation for data sets of various sizes. Long-Term Memory in Stock Market Prices, Chapter 6 in A Non-Random Walk Down Wall Street by Andrew W. Lo and A. Craig MacKinlay, Princeton University Press, This chapter provides a detailed discussion of some statistical techniques to estimate the Hurst exponent (long-term memory is another name for a long memory process). Lo and MacKinlay do not find long-term memory in stock market return data sets they examined.

6 In the paper Evidence of Predictability in Hedge Fund Returns and Multi-Style Multi- Class Tactical Style Allocation Decisions by Amenc, El Bied and Martelli, April 2002) the authors use the Hurst exponent as one method to analyze the predictability of hedge funds returns. John Conover applies the Hurst exponent (along with other statistical techniques) to the analysis of corporate profits. See Notes on the Fractal Analysis of Various Market Segments in the North American Electronics Industry (PDF format) by John Conover, August 12, This is an 804 page (!) missive on fractal analysis of financial data, including the application of the Hurst exponent (R/S analysis). John Conover has an associated root web page Software for Industrial Market Metrics which has links to Notes on the Fractal Analysis... and associated software source code (along with documentation for the source code). El exponente de Hurst, Procesos de Memoria Larga y Leyes de Potencia Que las series de tiempo económicas pueden presentar dependencia a largo plazo ha sido una hipótesis de muchas de las primeras teorías de los ciclos comerciales y de negocios. Estas teorías fueron motivadas a menudo por los distintos patrones cíclicos, pero no periódicos, algunos que parecen casi tan largos como todo el lapso de la muestra. En el dominio de la frecuencia tales series de tiempo se dice que tienen potencia a bajas frecuencias. Tan común es esta característica particular de los datos que Granger (1966) considera que la "típica forma espectral de una variable económica." También se ha llamado "efecto Joseph" por Mandelbrot y Wallis (1968), una referencia bíblica juguetona, pero no la adecuada del profeta del Antiguo Testamento que predijo los siete años de abundancia seguidos por siete años de hambre que Egipto iba a experimentar. En efecto, la predilección de la naturaleza hacia la dependencia a largo plazo ha sido bien documentado en la hidrología, meteorología, geofísica, etc. [Introducción al capítulo 6, A Non-Random Walk Down Wall Street by Andrew W. Lo and A. Craig MacKinlay, Princeton University Press, 1999.] Aquí dependencia a largo plazo es el mismo que un proceso de memoria larga. La economía moderna depende en gran medida en las estadísticas. La mayoría de las estadísticas se basa en la distribución normal Gaussiana. Este tipo de distribución se produce en los datos financieros. Por ejemplo, el retorno 1-día en las existencias se ajusta estrechamente a una curva Gaussiana. En este caso, el retorno de ayer no tiene nada que ver con el retorno de hoy. Sin embargo, a medida que el período de retorno se mueve hacia fuera, a 5-días, 10-días y 20-días, la distribución cambia a una distribución log-normal. Aquí las "colas" de la curva siguen una ley de potencias. Estas series de tiempo de retorno más largo tienen una cierta cantidad de autocorrelación y un exponente de Hurst no aleatorio. Esto ha sugerido a muchas personas que estas series de tiempo de retorno ya no son procesos de memoria larga. Me ha sido difícil encontrar una definición intuitiva para el proceso de memoria a largo plazo, así que voy a dar mi definición: un proceso de la memoria a largo plazo es un proceso con un componente azaroso, donde un evento pasado tiene un efecto de decaimiento sobre los eventos futuros. El proceso tiene algo de memoria de eventos pasados, lo cual es "olvidado" a media que el tiempo transcurre. Por ejemplo, grandes operaciones en un mercado moverán el precio de mercado (por ejemplo, una orden de compra grande tenderá a mover el precio hacia arriba, una orden de venta grande tenderá a mover hacia abajo el precio). Este efecto se conoce como impacto en el mercado (véase The Market Impact Model de Nicolo Torre, BARRA Newsletter, Winter 1998). Cuando una orden tiene impacto de mercado cuantificable, el precio de mercado no rebotará de inmediato al precio anterior, después de que la orden se ejecuta. El mercado actúa como si tuviera un poco de "memoria" de lo que se llevó a cabo y el efecto de la orden decae través del tiempo. Procesos similares permiten momemtum trading para tener algún valor.

7 La definición matemática de los procesos de memoria largos se da en términos de autocorrelación. Cuando un conjunto de datos exhibe autocorrelación, un valor x i en el tiempo t i está correlacionada con un valor x i + d en el momento de t i + d, donde d es cierto incremento de tiempo en el futuro. En un proceso de memoria largo la autocorrelación decae través del tiempo y la decadencia sigue una ley de potencias. Una serie de tiempo construida a partir de retornos- 30 días de precios de stocks tiende a mostrar este comportamiento. En un proceso de la memoria largo la decadencia de la función de autocorrelación para una serie de tiempo es una ley de potencias: (3) En la Ecuación 3, C es una constante y p(k) es la función de autocorrelación con lag k. El exponente de Hurst está relacionada con el exponente alfa en la ecuación por (4) Los valores del exponente de Hurst varían entre 0 y 1. Un valor de 0.5 indica un verdadero camino al azar (una serie de tiempo Browniana). En un camino aleatorio no hay correlación entre cualquier elemento y un elemento futuro. Un valor del exponente de Hurst 0.5 <H <1 indica "comportamiento persistente" (por ejemplo, una autocorrelación positiva). Si hay un aumento desde el paso de tiempo t i-1 al t i probablemente habrá un aumento de t i al t i+1. Lo mismo es cierto para disminuciones, donde a una disminución tenderá a seguir una disminución. Un valor del exponente de Hurst 0 <H <0.5 existirá para una serie de tiempo con "comportamiento anti-persistente" (o autocorrelación negativa). Aquí un aumento tiende a ser seguido por una disminución. O una disminución será seguida por un aumento. Este comportamiento a veces se llama "reversión media". Entonces, quién es este hombre de Hurst? Hurst pasó toda una vida estudiando el Nilo y los problemas relacionados con el almacenamiento de agua. Él inventó un nuevo método estadístico - el rescaled range analysis (análisis R/S) - que se describe en detalle en un libro interesante, Long-Term Storage: An Experimental Study (Hurst et al., 1965). Uno de los problemas estudiados por Hurst era del tamaño de la construcción de depósitos. Si se construye un depósito ideal, se va a almacenar suficiente agua durante la estación seca, de modo que nunca se agota. La cantidad de agua que fluye hacia adentro y afuera del depósito es un proceso aleatorio. En el caso del flujo de entrada, el proceso aleatorio es impulsado por la lluvia. En el caso del flujo de salida, el proceso es impulsado por la demanda de agua. El exponente de Hurst, Wavelets y el Cálculo Rescaled Range Como he mencionado en otra parte, cuando se trata de wavelets, yo soy el tipo con un martillo para el que todos los problemas son un clavo. Una de las cosas fascinantes acerca de la transformada wavelet es el número de áreas en las que se puede utilizar. Como resultado, una de estas aplicaciones incluye la estimación del exponente de Hurst. (He referido al cálculo del exponente de Hurst como una estimación porque el valor del exponente de Hurst no puede calcularse exactamente, ya que es una medición aplicada a un conjunto de datos. Esta medida tendrá siempre un cierto error.) Como yo ya había desarrollado paquetes de software de wavelets, pensé que sería una tarea sencilla calcular el exponente de Hurst. Sin embargo, no acababa de entender el método utilizado en este trabajo, por lo que decidí implementar el software para el cálculo clásico

8 rescaled range de Hurst. Luego, podría utilizar el cálculo de Hurst para comprobar el resultado devuelto por mi software de wavelet. Comprensión del Cálculo del Rescaled Range (R/S) No tuve problemas para encontrar referencias sobre el estadístico Rescaled Range. Una búsqueda en Google de "Rescaled Range" Hurst devolvió más de 700 referencias. Lo que tenía dificultad para encontrar fueron referencias correctas y que yo pudiera entender lo suficientemente bien como para implementar el algoritmo de Hurst. Una de las fuentes a las que me dirigí fue el Chaos and Order in the Capital Markets, Segunda Edición, Edgar E. Peters, (1996). Este libro proporciona una buena visión general de alto nivel del exponente de Hurst, pero no me proporcionó suficientes detalles que me permitan implementar el algoritmo. Peters basa su discusión sobre el exponente de Hurst en los capítulos 8 y 9 del libro fractales de Jens Feder (1988). Usando el libro de Feder, y un poco más de iluminación de algunos trabajos de investigación, fui capaz de implementar el software para el algoritmo clásico Rescaled Range propuesto por Hurst. Una de las fuentes a las que me dirigí fue el Caos y el Orden en el libro de los Mercados de Capital, La descripción del estadístico Rescaled Range de Hurst en esta página web inspira en gran medida del libro Jens Feder Fractals. Plenum Press, parece haber sido comprado por Kluwer, un editor conocido por sus altos precios. Fractals aparece en Amazon por 86 dólares. Para un libro publicado en 1988, que no incluye el trabajo posterior en el movimiento browniano fraccional y largos procesos de memoria, esto es un precio bastante elevado (tuve la suerte de comprar una copia usada de Abe Books). Dado que el precio y la edad de este libro hace que el material Prof. Feder relativamente inaccesible, he hecho más que simplemente un resumen de las ecuaciones y se incluyeron algunos de los diagramas de Feder. Si por alguna razón el profesor Feder tropieza en esta página web, espero que va a perdonar a este tramo de doctrina del "uso justo". Modelado del reservorios El cálculo de Hurst tiene más sentido para mí en el contexto en el que se desarrolló: el modelado de reservorios. Esta descripción y las ecuaciones que refleja Fractales de Jens Feder. Por supuesto, cualquier error en esta traducción es mía. El agua de las Sierras de California corre a través de cientos de kilómetros de tuberías hasta el depósito de Crystal Springs, a unos cincuenta kilómetros al sur de San Francisco. La Ecuación 5 muestra la afluencia promedio (media) de agua a través de las tuberías durante un período de tiempo. Ecuación 5, promedio (media) entrante en el tiempo (5) El agua en el reservorio Crystal Springs proviene de la nieve de la Sierra. Algunos años hay una capa de nieve pesada y un montón de flujos de agua en el depósito de Crystal Springs. Otros años, la capa de nieve es fina y la entrada de Crystal Springs no coincide con el uso del agua para las comunidades sedientas de la zona de Silicon Valley y San Francisco. Podemos representar la entrada de agua durante un año como. La desviación respecto de la media para ese año es (el flujo entrante para el año u menos la media). Note que la media es calculada sobre algún periodo multi-año. La ecuación 6 es una sumatoria de la desviación acumulada desde la media, para los años 1 a.

9 No encuentro esta notación del todo clara. Así que he re-expresado las ecuaciones 5 y 6 en el pseudo-código siguiente: La Figura 6 muestra un plot de los puntos X(t). Figura 6 - Graph by Liv Feder from Fractals by Jens Feder, 1988 El rango, es la diferencia entre el valor máximo X(t b ) y el valor mínimo de X(t a ), durante el período de tiempo. Esto se resume en la ecuación 7. La figura 7 muestra X max el máximo de la suma de la desviación de la media, y X min, el mínimo de la suma de la desviación de la media. X(t) es la suma de la desviación de la media en el tiempo t.

10 Figura 7 - Illustration by Liv Feder from Fractals by Jens Feder, 1988 El rescaled range se calculó dividiendo el rango por la desviación estándar: (8) La ecuación (9) muestra el cálculo de la desviación estándar sobre el rango. (9) La estimación del exponente de Hurst desde el Rescaled Range El exponente de Hurst se estima mediante el cálculo del promedio Rescald Range sobre múltiples regiones de los datos. En estadística, el promedio (media) de un conjunto X de datos se escribe a veces como el valor esperado, E[X]. Utilizando esta notación, el valor esperado de R/S, calculado sobre un conjunto de regiones (arrancando de un tamaño de la región, de 8 ó 10) converge en la función de potencia exponente de Hurst, que se muestra en la ecuación (10) (10) Si el conjunto de datos es un camino aleatorio, el valor esperado se describe por una función de potencia con un exponente de 0.5. (11) A veces he visto a la ecuación (11) referida como "la dependencia de corto plazo". Esto parece ser incorrecto para mí. La dependencia de corto plazo debe tener cierta autocorrelación (lo que indica una cierta dependencia entre el valor x i y el valor x i+1 ). Si hay un exponente de Hurst de 0.5, es un camino aleatorio y no hay autocorrelación y no hay dependencia entre los valores secuenciales. Se puede trazar una línea de regresión lineal a través de un conjunto de puntos, compuesto por el logaritmo de n (el tamaño de las áreas sobre las que se calcula el promedio rescaled range) y se calcula el logaritmo del promedio rescaled range sobre un conjunto de regiones de tamaño n.

11 La pendiente de la recta de regresión es la estimación del exponente de Hurst. Este método para estimar el exponente de Hurst fue desarrollado y analizado por Benoit Mandelbrot y sus coautores de trabajos publicados entre 1968 y El exponente de Hurst se aplica a los conjuntos de datos que son estadísticamente autosimilares. Estadísticamente auto-similares significa que las propiedades estadísticas para el conjunto de datos son los mismos para las sub-secciones del conjunto de datos. Por ejemplo, las dos mitades del conjunto de datos tienen las mismas propiedades estadísticas que el conjunto de datos. Esto se aplica para estimar el exponente de Hurst, donde se estima el rescaled range sobre secciones de diferente tamaño. Como se muestra en la Figura 8, el rescaled range se calcula para el conjunto de datos (aquí RSave 0 = RS 0 ). Entonces el rango reescalado se calcula para las dos mitades del conjunto de datos, resultando en RS 0 y RS 1. Estos dos valores son promediados, resultado RSave 1. En este caso, el proceso continúa dividiendo cada una de las secciones anteriores en un medio y calculando el rango reescalado para cada nueva sección. Los valores de rescaled range para cada sección se promedian. En algún momento la subdivisión se detiene, ya que las regiones se hacen demasiado pequeñas. Por lo general, las regiones tendrán por lo menos 8 puntos de datos. Figura 8, Estimación del Exponente de Hurst Para estimar el exponente de Hurst usando el algoritmo rescaled range, se crea un vector de puntos, donde x i es el log 2 del tamaño de la región de datos usada para calcular RSave i e y i es el log 2 del valor RSave i. Esto se muestra en la Tabla 1. Tabla 1 region size RS ave. X i : log 2 (region size) Y i : log 2 (RS ave.) El exponente de Hurst se estima por una recta de regresión lineal a través de estos puntos. Una línea tiene la forma y = a + bx, donde a es la ordenada al origen y b es la pendiente de la línea. Una línea de regresión lineal calculada a través de los puntos en la Tabla 1 da como resultado una ordenada al origen de y una pendiente de Esto se muestra en la Figura 9, debajo. La pendiente es la estimación del exponente de Hurst. En este caso, el exponente de

12 Hurst se calculó para un conjunto de datos sintéticos fijados con un exponente de Hurst de Figura 9 La figura 10 muestra un diagrama de autocorrelación para este conjunto de datos. La línea azul es la curva de potencia aproximada Figura 10 Variaciones Básicas sobre el algoritmo de Hurst El algoritmo descrito aquí utiliza regiones de datos que no se solapan donde el tamaño del conjunto de datos es una potencia de dos. Cada sub-región es un componente de potencia de dos. Otras versiones del algoritmo de Hurst utilizan regiones superpuestas y no están limitadas a que los tamaños de datos sean una potencia de dos. En mis pruebas no he encontrado que las regiones que se solapan produzcan un resultado más exacto. Elegí un algoritmo con temaño de datos potencia de dos porque quería comparar el estadístico rescaled range al cálculo del exponente de Hurst utilizando la transformada wavelet. La transformada wavelet se limita a los conjuntos de datos donde el tamaño es una potencia de dos.

Análisis Fractal y Algoritmos Genéticos aplicado a la Administración de Riesgos. Por Dr. Oscar Ugalde Hernández

Análisis Fractal y Algoritmos Genéticos aplicado a la Administración de Riesgos. Por Dr. Oscar Ugalde Hernández Introducción Análisis Fractal y Algoritmos Genéticos aplicado a la Administración de Riesgos Por Dr. Oscar Ugalde Hernández Mediante la aplicación de las metodologías del análisis fractal y de los algoritmos

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota

La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota INTRODUCCIÓN En este experimento voy a relacionar el tiempo que tarda una pelota en rebotar 6 veces desde distintas

Más detalles

Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR

Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR Juan Mascareñas Universidad Complutense de Madrid Versión inicial: mayo 1998 - Última versión: mayo 2008 - El valor en riesgo (VaR), 2 - El método histórico, 3 - El método varianza-covarianza, 6 - El método

Más detalles

CARACTERIZACIÓN DEL TRÁFICO EN NODOS ESPECÍFICOS DEL BACKBONE IP MPLS DEL DISTRITO CAPITAL DE CANTV UNIVERSIDAD CATÓLICA ANDRÉS BELLO

CARACTERIZACIÓN DEL TRÁFICO EN NODOS ESPECÍFICOS DEL BACKBONE IP MPLS DEL DISTRITO CAPITAL DE CANTV UNIVERSIDAD CATÓLICA ANDRÉS BELLO UNIVERSIDAD CATÓLICA ANDRÉS BELLO FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA EN TELECOMUNICACIONES CARACTERIZACION DEL TRÁFICO EN NODOS ESPECIFICOS DEL. TRABAJO ESPECIAL DE GRADO Presentada ante la UNIVERSIDAD

Más detalles

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO "FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO" José Miguel Navarro Azorín Dpto. de Métodos Cuantitativos para la Economía Universidad de Murcia (versión preliminar)

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de

Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de trading G e s T r a d i n g S t r a t e g i e s 2 INTRODUCCIÓN

Más detalles

MATEMÁTICA NM4 4º EM

MATEMÁTICA NM4 4º EM MATEMÁTICA NM4 4º EM UNIDADES TEMÁTICAS UNIDAD Nº 01: ESTADÍSTICA Y PROBABILIDAD Conceptos generales : Población, muestra, parámetro y estadístico Variables y su clasificación Medición y escalas Organización

Más detalles

C A P Í T U L O 1 LA PROBABILIDAD DE HELADA Y EL RIESGO DE DAÑO IMPORTANCIA DE LA PROBABILIDAD Y DEL RIESGO

C A P Í T U L O 1 LA PROBABILIDAD DE HELADA Y EL RIESGO DE DAÑO IMPORTANCIA DE LA PROBABILIDAD Y DEL RIESGO C A P Í T U L O 1 LA PROBABILIDAD DE HELADA Y EL RIESGO DE DAÑO IMPORTANCIA DE LA PROBABILIDAD Y DEL RIESGO Los métodos más eficaces de protección contra las heladas son la plantación de cultivos que no

Más detalles

Estadística I. Finanzas y Contabilidad

Estadística I. Finanzas y Contabilidad Estadística I. Finanzas y Contabilidad Práctica 1: INTRODUCCIÓN AL USO DE SOFTWARE ESTADÍSTICO OBJETIVO: Los estudiantes deberán conocer el funcionamiento de la Hoja de Cálculo EXCEL y utilizarla para

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Estadística para las Ciencias Administrativas

Estadística para las Ciencias Administrativas Estadística para las Ciencias Administrativas Tercera edición LINCOLN L. CHAO California State University Long Beach, California Traducción JOSÉ MARÍA CASTAÑO Exjefe del Departamento de Matemáticas Universidad

Más detalles

LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1

LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1 LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA CURSO 005-006 PRÁCTICA SEÑALES Y SISTEMAS CONTINUOS Las presente practica trata distintos aspectos de las señales y los sistemas en tiempo continuo. Los diferentes

Más detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

EL VALOR EN RIESGO APLICADO A FONDOS DE INVERSIÒN. Tesistas de Economía con Mención en Gestión Empresarial y Finanzas, ICHE, ESPOL RESUMEN

EL VALOR EN RIESGO APLICADO A FONDOS DE INVERSIÒN. Tesistas de Economía con Mención en Gestión Empresarial y Finanzas, ICHE, ESPOL RESUMEN EL VALOR EN RIESGO APLICADO A FONDOS DE INVERSIÒN Michelle Yapur Riera 1, Mónica Molina Arteaga 1, Pedro Gando Cañarte 2 1 Tesistas de Economía con Mención en Gestión Empresarial y Finanzas, ICHE, ESPOL

Más detalles

Tema 4:Segmentación de imágenes

Tema 4:Segmentación de imágenes Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos

Más detalles

EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE

EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE AUTORÍA MARÍA FRANCISCA OJEDA EGEA TEMÁTICA EXPERIMENTO FÍSICA Y QUÍMICA, APLICACIÓN MÉTODO CIENTÍFICO ETAPA EDUCACIÓN

Más detalles

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas INDICE Prefacio 1 Introducción 1-1 Preámbulo 1-2 Reseña histórica 1-3 Subdivisiones de la estadística 1-4 Estrategia, suposiciones y enfoque 2 Organizaciones de los datos para que transmitan un significado:

Más detalles

siguientes características:

siguientes características: 1 Proyectos 1. Desalojo El desalojo de espacios arquitectónicos es un problema de gran interez en la actualidad. Comprender como un grupo de personas tratan de desalojar una edificación puede ayudar a

Más detalles

Gráfico de Dispersión de Notas en la Prueba 1 versus Notas en la Prueba Final Acumulativa de un curso de 25 alumnos de Estadística en la UTAL

Gráfico de Dispersión de Notas en la Prueba 1 versus Notas en la Prueba Final Acumulativa de un curso de 25 alumnos de Estadística en la UTAL 0. Describiendo relaciones entre dos variables A menudo nos va a interesar describir la relación o asociación entre dos variables. Como siempre la metodología va a depender del tipo de variable que queremos

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Secuencias definidas de manera recursiva

Secuencias definidas de manera recursiva LECCIÓN CONDENSADA 1.1 Secuencias definidas de manera recursiva En esta lección Escribirás definiciones y fórmulas recursivas para patrones y secuencias Aprenderás a reconocer y escribir fórmulas para

Más detalles

Generación de Números Pseudo-Aleatorios

Generación de Números Pseudo-Aleatorios Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia

Más detalles

Estructuras Genéricas: Retroalimentación Positiva de Primer Orden

Estructuras Genéricas: Retroalimentación Positiva de Primer Orden D-4474- Estructuras Genéricas: Retroalimentación Positiva de Primer Orden Preparado para el Proyecto de Educación de Dinámica de Sistemas del MIT Bajo la Supervisión del Dr. Jay W. Forrester Sloan School

Más detalles

FRACTALES EN LOS MERCADOS FINANCIEROS

FRACTALES EN LOS MERCADOS FINANCIEROS FRACTALES EN LOS MERCADOS FINANCIEROS TESINA MÁSTER MERCADOS FINANCIEROS 2008-2009 ANNA BATLLE JOHER SANDRA GRÈBOL MONTORO 1. INTRODUCCIÓN: OBJETIVOS DEL ESTUDIO 3 1.1 Motivación del estudio 3 1.2 Planteamiento

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 3 (Análisis espectral) 2015 Dominio temporal vs. dominio de frecuencias Son dos enfoques para encarar el análisis de las series temporales, aparentemente

Más detalles

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 UNIDAD 1: LOS NÚMEROS NATURALES. OPERACIONES Y RELACIONES El sistema de numeración decimal Estimación y redondeo de un número natural Las operaciones con números

Más detalles

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las

Más detalles

Ingeniería de Software I

Ingeniería de Software I Ingeniería de Software I Agenda Objetivo. Unidades de aprendizaje. Formas de evaluación. Bibliografía. 2 Datos del profesor Correo electrónico: egonzalez@upemor.edu.mx Asesorías Jueves de 11:00 a 13:00

Más detalles

Este es un ejemplo muy sencillo, un esquema de empleados que trabajan en proyectos, en una relación muchos a muchos.

Este es un ejemplo muy sencillo, un esquema de empleados que trabajan en proyectos, en una relación muchos a muchos. 28/04/2012 La teoría de la normalización va perdiendo peso con el paso de los años como herramienta de diseño de bases de datos relacionales en favor de modelos de datos más ricos en su representación,

Más detalles

Matemáticas. 1 o ESO. David J. Tarifa García. info@esobachilleratouniversidad.com.es

Matemáticas. 1 o ESO. David J. Tarifa García. info@esobachilleratouniversidad.com.es Matemáticas 1 o ESO David J. Tarifa García info@esobachilleratouniversidad.com.es 1 Matemáticas - 1 o ESO 2 Índice 1 Tema 1. Los números naturales 6 1.1 Suma de números naturales................................

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Elaboración de un dibujo realista con CorelDRAW

Elaboración de un dibujo realista con CorelDRAW Elaboración de un dibujo realista con CorelDRAW Hugo Hansen Acerca del autor Acerca del autor Hugo Hansen vive a las afueras de la preciosa ciudad de Copenhagen. Es un profesional con amplia experiencia

Más detalles

Manejo Básico de Statistica 7.

Manejo Básico de Statistica 7. Manejo Básico de Statistica 7. Contenido Manejo de la Spreadsheet.... 1 Cálculo automático de estadísticos.... 3 Cálculo avanzado de estadísticos.... 3 Construir un histograma.... 4 Edición del gráfico....

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

ANALISIS DE LA RESPUESTA EN FRECUENCIA

ANALISIS DE LA RESPUESTA EN FRECUENCIA ANALISIS DE LA RESPESA EN FRECENCIA Marco Antonio Pérez Cisneros *, Elke Laubwald + y Mark Readman + * División de Electrónica y Computación, CCEI, niversidad de Guadalajara, México. + Consultores Control

Más detalles

Límites. Definición de derivada.

Límites. Definición de derivada. Capítulo 4 Límites. Definición de derivada. 4.1. Límites e indeterminaciones Hemos visto en el capítulo anterior que para resolver el problema de la recta tangente tenemos que enfrentarnos a expresiones

Más detalles

Representación de señales de audio

Representación de señales de audio Representación de señales de audio Emilia Gómez Gutiérrez Síntesi i Processament del So I Departament de Sonologia Escola Superior de Musica de Catalunya Curso 2009-2010 emilia.gomez@esmuc.cat 28 de septiembre

Más detalles

Aritmética finita y análisis de error

Aritmética finita y análisis de error Aritmética finita y análisis de error Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Aritmética finita y análisis de error 1 / 47 Contenidos 1 Sistemas decimal

Más detalles

Pronósticos. Pronósticos y gráficos Diapositiva 1

Pronósticos. Pronósticos y gráficos Diapositiva 1 Pronósticos Pronósticos Información de base Media móvil Pronóstico lineal - Tendencia Pronóstico no lineal - Crecimiento Suavización exponencial Regresiones mediante líneas de tendencia en gráficos Gráficos:

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Estudio comparativo de los currículos de probabilidad y estadística español y americano

Estudio comparativo de los currículos de probabilidad y estadística español y americano Estudio comparativo de los currículos de probabilidad y estadística español y americano Jaldo Ruiz, Pilar Universidad de Granada Resumen Adquiere las mismas capacidades en Probabilidad y Estadística un

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

Índice. Introducción al Análisis Técnico. Reconocimiento de las Tendencias. CanalesEquidistantes. Medias Móviles. Soporte y Resistencia

Índice. Introducción al Análisis Técnico. Reconocimiento de las Tendencias. CanalesEquidistantes. Medias Móviles. Soporte y Resistencia Estrategias Básicas Índice Introducción al Análisis Técnico Reconocimiento de las Tendencias CanalesEquidistantes Medias Móviles Soporte y Resistencia Bandas de Bollinger SAR parabólico Introducción al

Más detalles

BONO DE BIENVENIDA DE HASTA

BONO DE BIENVENIDA DE HASTA 2 Indice Introduccion... 3 Que son las opciones binarias?... 4 12 razones para invertir en opciones binarias... 5 Cómo empezar paso a paso la negociacion?... 6 Registro y deposito... 6 Elige tu estrategia

Más detalles

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell First Break Interpretation Using Generalized Linear Inversion Dan Hampson and Brian Russell María Virginia Mason 2 INDICE GENERAL Introducción... 3 Modelado de Refracción iterativo.. 4 Teoría de Inversión

Más detalles

Reducción de la ambigüedad generada por el indicador media móvil en los mercados financieros.

Reducción de la ambigüedad generada por el indicador media móvil en los mercados financieros. 5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Reducción de la ambigüedad generada por

Más detalles

3.3. ANÁLISIS FRACTAL Y MULTIFRACTAL

3.3. ANÁLISIS FRACTAL Y MULTIFRACTAL 3. MATERIAL, MÉTOOS Y CONCEPTOS TEÓRICOS 58 3.3. ANÁLISIS FRACTAL Y MULTIFRACTAL 3.3.. Introducción En el medio ambiente, así como en flujos complejos donde el número de Reynolds es lo suficientemente

Más detalles

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO Jorge Galbiati Riesco En este apunte se da una visión general sobre algunos procedimientos en el análisis en series de tiempo. Inicialmente presentamos

Más detalles

Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software

Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software J. Cuadrado Gallego 1, Miguel Ángel Sicilia 1, Miguel Garre Rubio 1 1 Dpto de Ciencias de la Computación,

Más detalles

Introducción al @RISK 5.7

Introducción al @RISK 5.7 Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles

Anexo c: método de inventario permanente simplificado

Anexo c: método de inventario permanente simplificado From: Medición del capital - Manual OCDE 2009 Segunda edición Access the complete publication at: http://dx.doi.org/10.1787/9789264043695-es Anexo c: método de inventario permanente simplificado Please

Más detalles

AJUSTE DE FASES ENTRE SUBGRAVES Y UNIDADES DE MEDIOS-AGUDOS

AJUSTE DE FASES ENTRE SUBGRAVES Y UNIDADES DE MEDIOS-AGUDOS AJUSTE DE FASES ENTRE SUBGRAVES Y UNIDADES DE MEDIOS-AGUDOS Introducción Los sistemas de medición portátiles basados en la transformada rápida de Fourier han permitido que podamos ajustar las fases entre

Más detalles

Análisis de Regresión y Correlación con MINITAB

Análisis de Regresión y Correlación con MINITAB Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables

Más detalles

Unidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras

Unidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras Unidad 6 Distribuciones de probabilidad continua, muestreo y distribución de muestras Introducción La unidad 5 se enfocó en el estudio de las distribuciones de probabilidad discreta, entre las cuales

Más detalles

Clase 7: Algunas Distribuciones Continuas de Probabilidad

Clase 7: Algunas Distribuciones Continuas de Probabilidad Clase 7: Algunas Distribuciones Continuas de Probabilidad Distribución Uniforme Continua Una de las distribuciones continuas más simples en Estadística es la Distribución Uniforme Continua. Esta se caracteriza

Más detalles

Lección 3: Líneas de Fibonacci y Medias Móviles

Lección 3: Líneas de Fibonacci y Medias Móviles Lección 3: Líneas de Fibonacci y Medias Móviles A) En qué consisten los retrocesos de Fibonacci? B) Cómo Dibujar las Líneas de Fibonacci C) Los Retrocesos de Fibonacci: Operaciones Históricas D) Trabajo

Más detalles

TEMA 1. Introducción y conceptos generales sobre la ciencia económica: Gráficas en Economía

TEMA 1. Introducción y conceptos generales sobre la ciencia económica: Gráficas en Economía TEMA 1 Introducción y conceptos generales sobre la ciencia económica: Gráficas en Economía Objetivos Hacer e interpretar gráficas de series de tiempo, gráficas de sección trasversal y diagramas de dispersión

Más detalles

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R.

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R. ALGEBRA LINEAL Héctor Jairo Martínez R. Ana María Sanabria R. SEGUNDO SEMESTRE 8 Índice general. SISTEMAS DE ECUACIONES LINEALES.. Introducción................................................ Conceptos

Más detalles

Objetivos Generales. Objetivos específicos. Que el estudiante:

Objetivos Generales. Objetivos específicos. Que el estudiante: ASIGNATURA: MÉTODOS NUMPERICOS I (ANÁLISIS Y PROCESAMIENTO DE LOS DATOS EXPERIMENTALES CON INTRODUCCIÓN A LA COMPUTACIÓN) Objetivos Generales Comprender y manejar los conceptos relacionados con el manejo,

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

2 Métodos combinatorios

2 Métodos combinatorios 2 Métodos combinatorios Las pruebas pueden aplicarse de muchas maneras, es decir, existen diferentes formas de preparar casos de prueba. En este capítulo se presentan dos formas de prueba muy fáciles de

Más detalles

Aproximación local. Plano tangente. Derivadas parciales.

Aproximación local. Plano tangente. Derivadas parciales. Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. HISTOGRAMAS 1.- INTRODUCCIÓN Este documento sirve de guía para la construcción de Histogramas y permite profundizar, más allá de su propia significación matemática, en el análisis del funcionamiento y

Más detalles

REGULAR EL STOCK Gem3 v1.1.1392 Fecha: 13-8-2007 Versión Doc.: 1.0.3

REGULAR EL STOCK Gem3 v1.1.1392 Fecha: 13-8-2007 Versión Doc.: 1.0.3 REGULAR EL STOCK Gem3 v1.1.1392 Fecha: 13-8-2007 Versión Doc.: 1.0.3 1.- Conceptos Generales 2.- Primeros pasos 3.- Contar los artículos de mi almacén o 3.1.- División del almacén o 3.2.- Una Primera regulación

Más detalles

MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ

MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ MODULO DE NI-VISION DE LABVIEW GUÍA DE INICIO JONATHAN EDUARDO CRUZ ORTIZ UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS FACULTAD TECNOLÓGICA TECNOLOGÍA EN ELECTRÓNICA INGENIERÍA EN CONTROL Índice general

Más detalles

Cap. 24 La Ley de Gauss

Cap. 24 La Ley de Gauss Cap. 24 La Ley de Gauss Una misma ley física enunciada desde diferentes puntos de vista Coulomb Gauss Son equivalentes Pero ambas tienen situaciones para las cuales son superiores que la otra Aquí hay

Más detalles

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Una de las primeras necesidades que surgen en las Ciencias Experimentales es la de poder expresar los valores

Más detalles

Capítulo 10. Gráficos y diagramas

Capítulo 10. Gráficos y diagramas Capítulo 10. Gráficos y diagramas 1. Introducción Los gráficos y diagramas que se acostumbran a ver en libros e informes para visualizar datos estadísticos también se utilizan con propósitos cartográficos,

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Algunas consideraciones sobre el uso de técnicas fractales en el análisis del mercado accionario bursátil mexicano

Algunas consideraciones sobre el uso de técnicas fractales en el análisis del mercado accionario bursátil mexicano Algunas consideraciones sobre el uso de técnicas fractales en el análisis del mercado accionario bursátil mexicano Resumen Alfredo Díaz Mata * En este trabajo se aportan pruebas de que los rendimientos

Más detalles

Anexo b: implementación de las estimaciones del capital usando un conjunto de datos artificiales

Anexo b: implementación de las estimaciones del capital usando un conjunto de datos artificiales From: Medición del capital - Manual OCDE 2009 Segunda edición Access the complete publication at: http://dx.doi.org/10.1787/9789264043695-es Anexo b: implementación de las estimaciones del capital usando

Más detalles

Evaluación de Opciones: Teoría

Evaluación de Opciones: Teoría Evaluación de Opciones: Teoría Evaluación de Opciones:Teoría Transparencia 1 de 49 Esquema Remuneraciones de opciones Influencias en el valor de opciones Valor y volatilidad de título; tiempo disponible

Más detalles

1. Definición de valor ganado. 2. Administración del valor ganado

1. Definición de valor ganado. 2. Administración del valor ganado Revista de la Facultad de Ingeniería Industrial Vol. 11(1): pp 47-52(2008) UNMSM ISSN: 1560-9146 (Impreso) / ISSN: 1410-9993 (Electrónico) Administración del valor ganado aplicado a proyectos de tecnología

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

Utilidad de la hoja de cálculo Excel en el análisis de datos cuantitativos

Utilidad de la hoja de cálculo Excel en el análisis de datos cuantitativos Utilidad de la hoja de cálculo Excel en el análisis de datos cuantitativos Esperanza Bausela Herreras 1 esperanzabh@yahoo.es Resumen: En este artículo presentamos la hoja de cálculo Excel, que permite

Más detalles

ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE

ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE Para la realización de la presente tesis se utilizó una versión demostrativa del paquete computacional llamado Versión 2.10 de febrero del año 2002. Este software

Más detalles

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia SERIES TEMPORALES Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) ESQUEMA DE CONTENIDOS Medias móviles Series Temporales Análisis de la serie Análisis de la tendencia Método

Más detalles

3. Señales sísmicas y Ruido

3. Señales sísmicas y Ruido 3. Señales sísmicas y Ruido Una fuente importante de información de la estructura de la Tierra es obtenida de los datos del movimiento del suelo. La interpretación de estos datos necesita un buen conocimiento

Más detalles

Representación de Datos. Una Introducción a los Sistemas Numéricos

Representación de Datos. Una Introducción a los Sistemas Numéricos Representación de Datos Una Introducción a los Sistemas Numéricos Tipos de Datos Datos Texto Número Imagen Audio Video Multimedia: Información que contiene números, texto, imágenes, audio y video. Como

Más detalles

Mi Secreto PLR. Como Ganamos $14 Mil Dólares en 73 Días Con Un Producto PLR.

Mi Secreto PLR. Como Ganamos $14 Mil Dólares en 73 Días Con Un Producto PLR. Mi Secreto PLR Como Ganamos $14 Mil Dólares en 73 Días Con Un Producto PLR. Así pues, aquí es el método principal - Sitios web de cupones o Daily Deal. Sitios web como Groupon, Living Social, y Wowcher

Más detalles

Breve Introducción a las Series Temporales

Breve Introducción a las Series Temporales Breve Introducción a las Series Temporales 1 Series Temporales Colección de observaciones tomadas de forma secuencial en el tiempo {X t } t T. La hipótesis de independencia entre las observaciones puede

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Packet Trains-Measurements and a New Model for Computer Network Traffic

Packet Trains-Measurements and a New Model for Computer Network Traffic Packet Trains-Measurements and a New Model for Computer Network Traffic RAJ JAIN, SENIOR MEMBER, IEEE, AND SHAWN A. ROUTHIER IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, VOL. SAC-4, NO. 6, SEPTEMBER

Más detalles

Indicadores matemáticos para el análisis técnico de precios

Indicadores matemáticos para el análisis técnico de precios ANÁLISIS TÉCNICO DE PRECIOS Nota técnica Joaquín Arias Segura Ph.D i Especialista Regional en Políticas y Negociaciones Comerciales para la Región Andina Instituto Interamericano de Cooperación para la

Más detalles

Modelos de distribuciones discretas

Modelos de distribuciones discretas Tema 4 Modelos de distribuciones discretas En este capítulo estudiaremos las distribuciones discretas más importantes. importancia es doble, por las aplicaciones y por su relevancia conceptual. De nuevo,

Más detalles

Funciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica

Funciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica 10 Funciones lineales Objetivos En esta quincena aprenderás a: Identificar problemas en los que intervienen magnitudes directamente proporcionales. Calcular la función que relaciona a esas magnitudes a

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS

guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS HS Las escuelas de los Estados Unidos de América están trabajando para brindar una enseñanza de mayor calidad nunca

Más detalles

Memoria. Introducción. Scratch

Memoria. Introducción. Scratch Scratch 2 Memoria All Code Clubs must be registered. Registered clubs appear on the map at codeclubworld.org - if your club is not on the map then visit jumpto.cc/ccwreg to register your club. Introducción

Más detalles

DYANE Versión 4 Diseño y Análisis de Encuestas

DYANE Versión 4 Diseño y Análisis de Encuestas DYANE Versión 4 Diseño y Análisis de Encuestas Miguel Santesmases Mestre 1. DESCRIPCIÓN GENERAL DEL PROGRAMA DYANE 1. FINALIDAD Y MÉTODO DEL PROGRAMA DYANE (Diseño y Análisis de Encuestas) es un programa

Más detalles

Series Temporales Curso 2014 2015

Series Temporales Curso 2014 2015 Universidad del País Vasco Aeman ta zabal zazu Euskal Herriko Unibertsitatea Programa de la asignatura Series Temporales Curso 2014 2015 Profesores: Ana Cebrián (Univ. de Zaragoza) Fernando Tusell (UPV/EHU)

Más detalles