ANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA CONCLUSIONES PREDICTIVAS.

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

Download "ANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA CONCLUSIONES PREDICTIVAS."

Transcripción

1 ANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA CONCLUSIONES PREDICTIVAS. Introducción: En la presente comunicación nos proponemos analizar el comportamiento como serie temporal del índice bursátil IBEX-35 desde 1992 hasta 1997 incorporando también datos de Dicho estudio lo realizaremos usando elementos de la modelización ARIMA además de otros elementos habituales en la metodología estadística. Nuestro propósito no es otro que analizar la estructura, en los últimos años de dicho índice, partiendo de la base de que la modelización ARIMA ya se ha usado para describir fenómenos bursátiles, siendo un resultado casi clásico que la evolución de las cotizaciones en una bolsa sigue un modelo similar al camino aleatorio (o proceso ARIMA(0,1,0)). El objetivo será describir la serie IBEX-35 en los últimos años haciendo hincapié en sus regularidades y en sus heterogeneidades a lo largo del tiempo, así como comprobar si dicha serie temporal se puede describir adecuadamente como un proceso ARIMA consistente a través del tiempo. Aunque en este trabajo no nos centraremos en la predicción del índice IBEX, sí que se comentarán brevemente aspectos predictivos sobre el año Depuración de la serie de datos IBEX-35: Realizaremos nuestro estudio trabajando con las diferencias de los logaritmos de los valores de cierre diarios (en adelante dlx). Esto es por dos razones: 1) tomamos logaritmo (neperiano) a la serie IBEX para estabilizar la varianza de las oscilaciones (respecto a la tendencia ) y hallamos la diferencia primera para hacer estacionaria la serie resultante (metodología ortodoxa Box-Jenkins); 2) la diferencia de los logaritmos es la forma matemáticamente conveniente de las variaciones porcentuales diarias del índice, que son los valores realmente manejados por los observadores y decisores bursátiles. En cada año describiremos el comportamiento del IBEX-35 a través del cálculo de la media, desviación típica y primeras autocorrelaciones de dlx. Como primer paso, construimos año a año los valores de dlx y monitorizamos su comportamiento, tanto para comprobar su modelo de distribución aproximado como para limpiar cualquier valor anómalo (outlier) que pudiese distorsionar los valores estadísticos. Tenemos que señalar las siguientes circunstancias que acaecen en los diferentes años: - En el año 1992 tenemos disponibles los valores a partir del 1 de Febrero

2 - En dicho año 1992 se observa una marcada diferencia en el comportamiento de dlx entre la primera y la segunda parte del año. En la segunda mitad (aproximadamente) de 1992 la volatilidad (desviación típica de dlx) es apreciablemente mayor que en la primera mitad. De hecho, hemos comprobado que es muy significativa la diferencia por medio de un test Mann- Whitney sobre dlx 2. Además en la segunda mitad dlx tiene una distribución con una curtosis elevada muy significativamente mayor que cero (que es la curtosis de una distribución gaussiana). Todo ello supone que el año 1992 es masivamente anómalo y, por consiguiente, los valores estadísticos relativos a él deben ser considerados con más cautela que en el resto de los años. - En el año 1993, dlx sigue una distribución aceptablemente gaussiana con excepción de un outlier ocurrido el 13 de Mayo al subir el IBEX desde 2635 hasta 2761, lo cual supone una subida del 4 8% en un sólo día. El valor de dlx originado tiene un valor tipificado z = totalmente anómalo respecto al resto. Como dicha subida no se compensa en sentido negativo inmediatamente después, se trata de un cambio de nivel anómalo en el IBEX El año 1994 no presenta ninguna anomalía aparentemente, siendo dlx aceptablemente gaussiana. - En 1995 no se observan outliers propiamente dichos, aunque se observa en dlx una curtosis ligeramente elevada y casi significativa (respecto a cero). - En el año 1996 se da una circunstancia similar a la ocurrida en 1993: un outlier, en este caso negativo, consistente en un valor para dlx correspondiente a z = -7 01, evidentemente fuera de lugar verosímil en una distribución gaussiana. Tal circunstancia se dió el 4 de Marzo cuando el IBEX bajó de 3918 a 3714 (un 5 2% en un sólo día). De nuevo se trata de una anomalía de nivel. Eliminado este dato, la serie dlx depurada es muy aceptablemente Normal presenta una anomalía diferente puesto que se trata de una anomalía de pico en el IBEX, es decir una bajada muy importante seguida inmediatamente de una subida muy importante, recuperando el nivel. En dlx se observan dos valores muy negativos seguidos de un valor muy positivo. Esto ocurrió en los días 27, 28 y 29 de Octubre durante la llamada crisis de Hong-Kong, en donde se registraron variaciones del - 4 4%, -4 2% y +5 7%. En este caso la eliminación de estas anomalías consistió en sustituir los valores del 27 y 28 de Octubre del logaritmo del IBEX por la interpolación lineal a partir de los valores del 26 y 29 de Octubre. El año 1998 (hasta finales de junio) no presenta valores anómalos en dlx, aunque se puede observar lo que parece ser un incremento en la volatilidad a partir de marzo, situación ligeramente parecida a la de 1992.

3 Elementos descriptivos de la serie IBEX-35: periodo En la tabla siguiente se relaccionan dichos datos así como los correspondientes a todo el Año Media Desvtip ρ % 1.15% 0,173(0,064) 0,147(0,066) -0,050(0,067) -0,073(0,067) % 0.92% 0.173(0.063) (0.065) (0.065) 0.014(0.066) % 1.17% 0.064(0.063) (0.063) 0.027(0.064) 0.070(0.064) % 0.87% 0.122(0.063) (0.064) (0.064) 0.026(0.064) % 0.74% 0.118(0.063) 0.020(0.064) (0.064) 0.180(0.064) % 1.26% 0.098(0.063) (0.064) 0.021(0.065) (0.065) ,29% 1,43% (0.092) 0.021(0.092) 0.005(0.092) (0.093) % 1.04% 0.128(0.026) (0.026) (0.026) (0.026) ρ2 ρ3 ρ4 Se puede observar (ver gráfico de Medias anuales, intervalos de estimación del 95%) que las medias (rentabilidad media diaria) son cercanas a cero en todos los años aunque significamente mayores que cero en 1993 y 1996 con valores tipificados y valores de probabilidades (p-values) de z = (p = 0 010) y z = (p < 0 001). El valor medio en el periodo es 0 07% y ninguno de los valores de medias anuales son significativamente distintos de él, salvo, quizás, el de En lo que llevamos de 1998 el valor de la media es muy elevado, aunque el intervalo centrado del 95% para dicha estimación es (0,03%,0,54%), es decir no es muy significativamente distinto de cero. De hecho no es significativamente distinto de la media global 0,07%. Por su parte las desviaciones típicas anuales (ver gráfico de Desviaciones típicas anuales, intervalos de estimación del 95%) son significativamente distintos entre sí y respecto a la desviación típica global 1 04%. A pesar de todo ello tienen valores relativamente homogéneos y alrededor del 1%. Se observan dos niveles claramente distintos: en 1992, 1994 y 1997 la volatilidad media fue alta (alrededor del 1 20% diario) y en 1993, 1995 y 1996 la volatilidad fué más baja (alrededor de 0 80% diario). En 1998 observamos hasta final de junio una volatilidad elevada de 1 43% con un intervalo de estimación del 95% de (1 28%,1 66%), con lo que es significativamente más elevada que en años anteriores, con excepción de Se vislumbra una posible relación entre la rentabilidad y la volatilidad anuales (ver gráfico de Distribución de medias-desviaciones). En el gráfico están representados los años a

4 través de su media y desviación correspondientes y los ejes se cortan en la media y desviación globales de 92-97, representando los cuadrantes años de alta-baja rentabilidad y alta-baja volatilidad. Podemos apreciar que 1992 y 1994 son años de baja rentabilidad y alta volatilidad, 1993 y 1996 son años de alta rentabilidad y baja volatilidad, 1995 es un año en cierto modo intermedio y el año 1997 es anómalo en este grupo al darse alta rentabilidad y alta volatilidad. De todas formas es necesario ser cauteloso con cualquier conclusión en este sentido porque sólo tenemos representados 6 años y por otro lado los márgenes de error de estimación de las medias anuales son grandes. Hasta el momento (finales de junio) el año 1998 ocuparía un lugar alejado de los demás años en dicha representación. Evidentemente las rentabilidades medias diarias no cambian abruptamente al cambiar de año. El tomar como referencia los años formales estamos incurriendo en una dosis de arbitrariedad (aunque los años Enero-Diciembre tienen sentido especial como periodo al ser lo que delimita el año economico y mucha de las estrategias y análisis bursátiles se diseñana de año en año). A fin de reflejar con un mayor detalle la variación de la media y desviación típica de dlx hemos elaborado un gráfico de las medias y desviaciones (ver el gráfico de medias y desviaciones base 6 meses) calculadas en un entorno de unos tres meses antes y después de cada día (en resumidas cuentas estamos calculando medias móviles y desviaciones móviles). Los años 1993, 1994 y 1995 son bastantes homogéneos en cuanto a la evolución de la rentabilidad media diaria, en contraste el año 1992 es fuertemente heterogéneo. La volatilidad media diaria fluctúa en buena medida en sentido contrario al movimiento de la rentabilidad media, como indicamos anteriormente. La volatilidad media oscila (medida en periodos de 6 meses) entre el 0 70% y el 1 50% aproximadamente y la rentabilidad media diaria entre el -0 25% y el +0 25% aproximadamente. Respecto a las autocorrelaciones de dlx, las primeras son muy pequeñas y no significativamente distintas de cero en general. Observando las distintas autocorrelaciones en los diferentes años (ver gráficos de autocorrelaciones de orden 1 y 2 y autocorrelaciones de orden 3 y 4) podemos constatar que sólo las de primer orden son en conjunto homogéneas año a año y (ligeramente) significativas. Globalmente, en el periodo 92-97, la autocorrelación de orden 1 es muy significativa y, sin embargo, su valor es pequeño. Es decir, esta significatividad no es muy relevante. Las demás autocorrelaciones no presentan aparentemente ningún comportamiento regular o significativo a través de los distintos años y globalmente no son significativamente distintas de cero, a pesar de contar con 1501 datos del IBEX durante el periodo Esto indica que las autocorrelaciones de dlx son extraordinariamente pequeñas, excepto la de primer orden que es ligeramente positiva. En 1998 se obtienen hasta el momento autocorrelaciones muy

5 débiles y no significativas, de todas formas, el error de estimación es relativamente grande debido a que sólo disponemos de 120 datos. De estas autocorrelaciones podriamos deducir que los logaritmos del IBEX dlx se comporta aproximadamente como un proceso ARIMA(1,1,0) o quizás ARIMA(0,1,1) aunque siendo la primera autocorrelación pequeña, podría describirse de manera razonable como un camino aleatorio ARIMA(0,1,0). Hay que aclarar que, como camino aleatorio, las diferencias tendrían una media del 0 07% (media global de dlx) y desviación 1 04% (desviación global de dlx) aunque realmente la media y sobre todo la desviación típica sería dinámica en el tiempo. Ello obligaría a considerar como modelo a medio y largo plazo un modelo dinámico. La descripción anterior se ha efectuado eliminando los datos considerados anómalos (outliers), por tanto una descripción completa de la evolución del IBEX-35 debería incluir una modelización de estas anomalías, teniendo en cuenta tanto su probabilidad de aparición como su magnitud y tipo. Es decir, la diferencia de los logaritmos(dlx) podría modelizarse como una mixtura: dlx = p 1 N(0 07%,1 04%) (+) p 2 A (mezcla) donde A es una variable aleatoria que representa las anomalías y p 2 representa la probabilidad de que ocurra una anomalía en una sesión dada. Sin embargo hay dificultades prácticas para determinar los parámetros de las anomalías debido a que, por construcción, su aparición es muy esporádica en la serie que analizamos, y por consiguiente hay pocos valores con los que estimar su comportamiento. Algunos aspectos predictivos: Al ser la serie de los logaritmos del IBEX aproximadamente equivalente a un camino aleatorio con elevada dispersión en cada paso, la predicción a medio y largo plazo presenta una varianza o imprecisión muy elevada. Si admitiésemos que desde julio en adelante se va a dar una volatilidad media de alrededor del 1 04% (valor global para el periodo 92-97) y una rentabilidad media diaria de 0 07% (valor medio para 92-97), entonces, partiendo del valor en el 29 de junio y suponiendo un camino aleatorio de unas 130 sesiones hasta final de año, obtendríamos un valor a final del año 1998 dado por:

6 1)

7

Patrones por cuantificación en la evolución a corto plazo del IBEX

Patrones por cuantificación en la evolución a corto plazo del IBEX Patrones por cuantificación en la evolución a corto plazo del IBEX Jesús Mª Sánchez Montero c/francisco Javier, s/n Tlfno: 954551620 jsmonter@us.es Javier Gamero Rojas c/francisco Javier, s/n Tlfno: 954551620

Más detalles

Econometría dinámica y financiera

Econometría dinámica y financiera Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales

Más detalles

INCERTIDUMBRE DE LA MEDIDA

INCERTIDUMBRE DE LA MEDIDA INCERTIDUMBRE DE LA MEDIDA 22 de septiembre de 2017 1. Resultado de la mediciòn 2. Definiciones 3. Por qué se debe estimar la incertidumbre 3. Modelo matemático 4. Valor mejor estimado 5. Dos métodos de

Más detalles

El largo plazo compensa y atenúa el riesgo bursátil

El largo plazo compensa y atenúa el riesgo bursátil El largo plazo compensa y atenúa el riesgo bursátil Análisis de la volatilidad de la inversión en acciones entre 1980 y 1997 La serie de las rentabilidades anuales y mensuales de la inversión en acciones

Más detalles

Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar

Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro

Más detalles

El Movimiento Browniano en la modelización del par EUR/USD

El Movimiento Browniano en la modelización del par EUR/USD MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés

Más detalles

Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.

Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

Anexo I CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN

Anexo I CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN Anexo I CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN 165 ENCUESTA DE COMPORTAMIENTOS Y TIPOLOGÍAS DE VISITANTES EN EUSKADI 166 ANEXO I. CUESTIONARIO UTILIZADO PARA LA RECOGIDA DE INFORMACIÓN

Más detalles

ENCUESTA CUATRIENAL DE ESTRUCTURA SALARIAL 2014

ENCUESTA CUATRIENAL DE ESTRUCTURA SALARIAL 2014 ENCUESTA CUATRIENAL DE ESTRUCTURA SALARIAL 2014 Categoría: Bachillerato Grupo: PEPE Alumno: José M. García Arcas Tutora: M. José Calvo Leva IES Rey Carlos III OBJETIVOS. TÉCNICAS USADAS. PROGRAMAS INFORMÁTICOS

Más detalles

Máster en comunicaciones. Clase 2. Modelos predictores.

Máster en comunicaciones. Clase 2. Modelos predictores. Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de

Más detalles

Para hacer predicciones de una serie temporal se debe estimar la tendencia por el método de los

Para hacer predicciones de una serie temporal se debe estimar la tendencia por el método de los Estadística: CUESTIONARIO SERIES TEMPORALES Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández 1. Señalar la afirmación correcta: (a)

Más detalles

Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018

Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)

Más detalles

Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)

Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América

Más detalles

Estadística Descriptiva. SESIÓN 11 Medidas de dispersión

Estadística Descriptiva. SESIÓN 11 Medidas de dispersión Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,

Más detalles

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación

Más detalles

Tomamos como imagen de prueba la figura 4.17 en escala de grises. Figura Imagen de prueba.

Tomamos como imagen de prueba la figura 4.17 en escala de grises. Figura Imagen de prueba. 4.3 PARÁMETRO DE ESCALADO Para el caso del parámetro de escalado se va a proceder de la siguiente forma. Partimos de una imagen de referencia (imagen A), a la cual se le aplican cambios de translación

Más detalles

Intervalo para la media si se conoce la varianza

Intervalo para la media si se conoce la varianza 178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol

Más detalles

Curso de Predicción Económica y Empresarial Edición 2004

Curso de Predicción Económica y Empresarial  Edición 2004 Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el

Más detalles

7. De acuerdo con la gráfica siguiente, el contraste estadístico es:

7. De acuerdo con la gráfica siguiente, el contraste estadístico es: 1. Un investigador desea saber si los hombres y las mujeres difieren en flexibilidad cognitiva. Para ello, analiza los datos y obtienen los siguientes resultados. Satisfacen los datos el supuesto de homocedasticidad?

Más detalles

PREGUNTAS TIPO EXAMEN. 1. Cuál de las siguientes medidas es una medida de Centralización?

PREGUNTAS TIPO EXAMEN. 1. Cuál de las siguientes medidas es una medida de Centralización? PREGUNTAS TIPO EXAMEN 1. Cuál de las siguientes medidas es una medida de Centralización? a) La desviación típica d) Ninguna respuesta es correcta 2. Disponemos de una variable aleatoria que recoge el peso

Más detalles

5. Caracterización Estadística de las Propiedades Petrofísicas

5. Caracterización Estadística de las Propiedades Petrofísicas 5. Caracterización Estadística de las Propiedades Petrofísicas La caracterización estadística de las propiedades petrofísicas (figura 5.1), es un paso fundamental para que la metodología de modelación

Más detalles

Práctica 2. Tratamiento de datos

Práctica 2. Tratamiento de datos Errores Todas las medidas que se realizan en el laboratorio están afectadas de errores experimentales, de manera que si se repiten dos experiencias en las mismas condiciones es probable que los resultados

Más detalles

Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos

Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido

Más detalles

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso

Más detalles

Análisis de coyuntura con series temporales. Metodología A. Espasa (dt 9003 BE)

Análisis de coyuntura con series temporales. Metodología A. Espasa (dt 9003 BE) Análisis de coyuntura con series temporales Metodología A. Espasa (dt 9003 BE) Esquema Se basa en u na propuesta sobre los objetivos que se pretenden en un informe coyuntural. Estos objetivos requieren

Más detalles

TEMA 9 EL ANÁLISIS BÁSICO DE LA INFORMACIÓN EN LA INVESTIGACION DE MERCADOS

TEMA 9 EL ANÁLISIS BÁSICO DE LA INFORMACIÓN EN LA INVESTIGACION DE MERCADOS TEMA 9 EL ANÁLISIS BÁSICO DE LA INFORMACIÓN EN LA INVESTIGACION DE MERCADOS 9.1. Análisis Descriptivo de la Información 9.2. La Tabulación Cruzada 9.3. Contraste de Hipótesis 9.1. Análisis Descriptivo

Más detalles

Selección de Indicadores a aplicar a series sintéticas Énfasis en propiedades de memoria larga

Selección de Indicadores a aplicar a series sintéticas Énfasis en propiedades de memoria larga Selección de Indicadores a aplicar a series sintéticas Énfasis en propiedades de memoria larga Los modelos de optimización usados para despacho y planificación energética requieren de un modelo que represente

Más detalles

Tema 6: Introducción a la inferencia estadística Parte 1

Tema 6: Introducción a la inferencia estadística Parte 1 Tema 6: Introducción a la inferencia estadística Parte 1 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos Lecturas recomendadas:

Más detalles

Quinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.

Quinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco. Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos

Más detalles

Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática

Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento

Más detalles

Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)

Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión

Más detalles

Análisis de Series de Tiempo

Análisis de Series de Tiempo CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del

Más detalles

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia

Más detalles

Ing. Eduard del Corral Cesar Carpio

Ing. Eduard del Corral Cesar Carpio República Bolivariana de Venezuela Ministerio del Poder Popular para la Educación Superior Universidad Nacional Experimental Romúlo Gallegos Ingeniería Informática Área de Sistemas Cátedra: Métodos Numéricos.

Más detalles

ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.

ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L

Más detalles

TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S

TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las

Más detalles

EJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos

EJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos ECONOMETRÍA APLICADA EJERCICIO T APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta A B C En Blanco Pregunta 5 A B C En Blanco Pregunta

Más detalles

Part VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores

Part VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual

Más detalles

Fundamentos de la investigación en psicología

Fundamentos de la investigación en psicología Fundamentos de la investigación en psicología TEMA 10 1º curso Grado Psicología Curso académico 2017-18 TEMA 10. MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD: VARIABLES CONTINUAS 1. El modelo normal 2. Ejercicios

Más detalles

3 ANALISIS DESCRIPTIVO DE LOS DATOS

3 ANALISIS DESCRIPTIVO DE LOS DATOS 3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3

Más detalles

Representaciones gráficas de las distribuciones bidimensionales de frecuencias... 74

Representaciones gráficas de las distribuciones bidimensionales de frecuencias... 74 Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................

Más detalles

TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.

TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie. Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales

Más detalles

Tema 13: Contrastes No Paramétricos

Tema 13: Contrastes No Paramétricos Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La

Más detalles

Estadística descriptiva e inferencial. Métodos básicos y aplicaciones

Estadística descriptiva e inferencial. Métodos básicos y aplicaciones descriptiva e inferencial Métodos básicos y aplicaciones 1 Introducción El término estadística suele usarse bajo dos significados distintos: 1 Como colección de datos numéricos: se habla de una estadística

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Parámetros Estadísticos básicos, Resumen y Presentación de datos. Jhon Jairo Padilla, PhD.

Parámetros Estadísticos básicos, Resumen y Presentación de datos. Jhon Jairo Padilla, PhD. Parámetros Estadísticos básicos, Resumen y Presentación de datos Jhon Jairo Padilla, PhD. Motivación Los resúmenes y las representaciones de datos son esenciales porque: Enfocan al ingeniero en características

Más detalles

GRAFICOS DE CONTROL DATOS TIPO VARIABLES

GRAFICOS DE CONTROL DATOS TIPO VARIABLES GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadística Descriptiva 1 Sesión No. 11 Nombre: Medidas de dispersión Contextualización En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión, además

Más detalles

PROGRAMA De asignaturas

PROGRAMA De asignaturas 051 ESTADÍSTICA II Curso Académico 009-010 Núm. Créditos Totales 4,5 Núm. Créditos Teóricos 3,0 Núm. Créditos Prácticos 1,5 Curso º Semestre Segundo Tipo (T, O, OP, L.E) Obligatoria PROGRAMA De asignaturas

Más detalles

Curso de Estadística Aplicada a las Ciencias Sociales

Curso de Estadística Aplicada a las Ciencias Sociales Curso de Estadística Aplicada a las Ciencias Sociales Tema 6. Descripción numérica (2) Capítulo 5 del manual Tema 6 Descripción numérica (2) Introducción 1. La mediana 2. Los cuartiles 3. El rango y el

Más detalles

Ing. MSc. Luis Fernando Restrepo Gómez

Ing. MSc. Luis Fernando Restrepo Gómez Ing. MSc. Luis Fernando Restrepo Gómez Introducción a la Valuación Masiva METODOLOGÍA VALUATORIA Sigue los pasos de la metodología científica, y se apoya en el análisis estadístico de datos comparables.

Más detalles

Curso de Estadística Aplicada a las Ciencias Sociales

Curso de Estadística Aplicada a las Ciencias Sociales Curso de Estadística Aplicada a las Ciencias Sociales Tema 10. Estimación de una proporción Cap. 0 del manual Tema 10. Estimación de una proporción Introducción 1. Distribución en el muestreo de una proporción.

Más detalles

Unidad 4 Análisis y aplicación de las medidas de tendencia central, variabilidad, ubicación y forma.

Unidad 4 Análisis y aplicación de las medidas de tendencia central, variabilidad, ubicación y forma. Unidad 4 Análisis y aplicación de las medidas de tendencia central, variabilidad, ubicación y forma. Distribución normal ( En las ciencias del comportamiento las distribuciones tienden a adoptar una forma

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

+ f 2. + f 3. p i. =h i 100. F i. = f i. H i. = h i. P i. = p i

+ f 2. + f 3. p i. =h i 100. F i. = f i. H i. = h i. P i. = p i OCIOES de ESTADÍSTICA En las tablas estadísticas se pueden tabular, entre otros, los siguientes aspectos: La frecuencia absoluta ( f i ), es decir, el número de veces que aparece un determinado valor en

Más detalles

Muestreo y Distribuciones en el Muestreo

Muestreo y Distribuciones en el Muestreo Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9) PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12

Más detalles

Estadística Aplicada

Estadística Aplicada Estadística Aplicada Universidad Maimónides 2016 Clase 5 Distribución de la Media Muestral Pedro Elosegui 1 2 Métodos y Distribuciones de Muestreo En estadística nos gustaría contar con los parámetros

Más detalles

Taller y Laboratorio Filtros RC

Taller y Laboratorio Filtros RC Taller y Laboratorio Filtros RC En la práctica de aula disponemos de plaquetas que contienen 2 resistencias (R1= 220 Ω y R2= 560 Ω, y 2 capacitores (C1= 0,22µF y C2= 0,1µF). Tomamos R1 y C1 y armamos un

Más detalles

Intervalos de Confianza

Intervalos de Confianza Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de

Más detalles

Tabla de Contenidos. Introducción Revisión de literatura 3

Tabla de Contenidos. Introducción Revisión de literatura 3 Tabla de Contenidos Introducción 1 1. Revisión de literatura 3 2. Marco conceptual 5 2.1. Regresión lineal.................................. 5 2.2. Método de mínimos cuadrados ordinarios (MCO)...............

Más detalles

ESTADISTICA AVANZADA MODULO I

ESTADISTICA AVANZADA MODULO I ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000

Más detalles

ESTIMACION INFERENCIA ESTADISTICA

ESTIMACION INFERENCIA ESTADISTICA P M INFERENCIA ESTADISTICA Desde nuestro punto de vista, el objetivo es expresar, en términos probabilísticos, la incertidumbre de una información relativa a la población obtenida mediante la información

Más detalles

SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006

SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006 SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador

Más detalles

La Estadística inferencial. Estadística inferencial. La Estadística inferencial. La Estadística inferencial. La Estadística inferencial

La Estadística inferencial. Estadística inferencial. La Estadística inferencial. La Estadística inferencial. La Estadística inferencial Estadística inferencial DEFINICIÓN Estadística Inferencial (o Estadística Analítica): Es la que se ocupa de obtener conclusiones sobre las poblaciones a partir de la información recogida en las muestras.

Más detalles

1- Aplicar los conceptos básicos de Estadística para el análisis del comportamiento de la rentabilidad de una acción.

1- Aplicar los conceptos básicos de Estadística para el análisis del comportamiento de la rentabilidad de una acción. SEMINARIO FINANZAS - RIESGO UNIDAD 2 - MEDICION DEL RIESGO SEMANA 3. GUIA DE TALLER: ANALISIS ESTADISTICO DE UN ACTIVO RIESGOSO - Rentabilidad y Riesgo. PROPOSITOS: Este taller tiene como propósitos: 1-

Más detalles

Capítulo 14 METODOLOGÍA DE LOS ÍNDICES DE PRECIOS DE COMERCIO EXTERIOR

Capítulo 14 METODOLOGÍA DE LOS ÍNDICES DE PRECIOS DE COMERCIO EXTERIOR Capítulo 14 METODOLOGÍA DE LOS ÍNDICES DE PRECIOS DE COMERCIO EXTERIOR INSTITUTO NACIONAL DE ESTADÍSTICA E INFORMÁTICA 447 METODOLOGÍA DE LOS ÍNDICES DE PRECIOS DE COMERCIO EXTERIOR Los índices de precios

Más detalles

PRESENTACIÓN N DEL AED

PRESENTACIÓN N DEL AED PRESENTACIÓN N DEL AED Inicio del AED: John Tukey (1977) Nuevas técnicas t gráficas y analísticas Perspectiva exploratoria EDC frente al AED EDC Recoge, Ordena, representa Tabla: agrupa Datos. Gráficos

Más detalles

Examen de la asignatura Estadística aplicada a las ciencias sociales Profesor Josu Mezo. Respuestas correctas del examen de 3 de septiembre de 2003

Examen de la asignatura Estadística aplicada a las ciencias sociales Profesor Josu Mezo. Respuestas correctas del examen de 3 de septiembre de 2003 Examen de la asignatura Estadística aplicada a las ciencias sociales Profesor Josu Mezo. Respuestas correctas del examen de 3 de septiembre de 2003 Pregunta nº 1 (5 puntos) A continuación tienes una lista

Más detalles

Guía breve de análisis de series temporales unidimensionales con Gretl

Guía breve de análisis de series temporales unidimensionales con Gretl Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador. UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del

Más detalles

Información sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.

Información sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992. Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4

Más detalles

Grado en IIAA y Grado en IHJ Asignatura: Estadística Aplicada. Curso SEPTIEMBRE 2014 NOMBRE:...APELLIDOS:... ESPECIALIDAD:...

Grado en IIAA y Grado en IHJ Asignatura: Estadística Aplicada. Curso SEPTIEMBRE 2014 NOMBRE:...APELLIDOS:... ESPECIALIDAD:... Grado en IIAA y Grado en IHJ Asignatura: Estadística Aplicada. Curso 2013-2014 SEPTIEMBRE 2014 NOMBRE:...APELLIDOS:... ESPECIALIDAD:... Para estudiar el efecto de la temperatura, en C, sobre el vigor durante

Más detalles

Psicometría Tema 8 ANÁLISIS DE LA CALIDAD MÉTRICA DE LOS ÍTEMS

Psicometría Tema 8 ANÁLISIS DE LA CALIDAD MÉTRICA DE LOS ÍTEMS Psicometría Tema 8 ANÁLISIS DE LA CALIDAD MÉTRICA DE LOS ÍTEMS Psicometría Mª Isabel García Barbero, UNED. Universidad Nacional de Educación a Distancia, 2006 1 La evaluación de la calidad métrica de los

Más detalles

Apuntes de Series Temporales

Apuntes de Series Temporales Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,

Más detalles

SEMINARIO ECONOMETRIA 14 DE MAYO DEL CASO: Determinando un éstandar de productividad comercial en banca

SEMINARIO ECONOMETRIA 14 DE MAYO DEL CASO: Determinando un éstandar de productividad comercial en banca SEMINARIO ECONOMETRIA 14 DE MAYO DEL 212 CASO: Determinando un éstandar de productividad comercial en banca 1.1. Objetivo del análisis: Un banco quiere estimar la productividad estándar esperada de cada

Más detalles

Octava Entrega. 1 Modelos de función de transferencia o de regresión dinámica

Octava Entrega. 1 Modelos de función de transferencia o de regresión dinámica Prácticas de la asignatura Series Temporales Octava Entrega 1 Modelos de función de transferencia o de regresión dinámica 1.1 El modelo Supongamos que tenemos dos series temporales, x t e y t, tales que:

Más detalles

PROBLEMAS DE ESTADISTICA

PROBLEMAS DE ESTADISTICA ESTADÍSTICA, CURSO 2008 2009 1 PROBLEMAS DE ESTADISTICA 2. DISTRIBUCIONES DE PROBABILIDAD 2 1. Una urna contiene 6 bolas blancas, 4 rojas y 2 azules. Si se extraen 3 bolas sucesivamente sin reemplazamiento,

Más detalles

Los errores asociados a todo cálculo numérico tienen su origen en dos grandes factores:

Los errores asociados a todo cálculo numérico tienen su origen en dos grandes factores: Errores El concepto de error es consustancial con el cálculo numérico. En todos los problemas es fundamental hacer un seguimiento de los errores cometidos a fin de poder estimar el grado de aproximación

Más detalles

Se desea analizar el nivel de glucemia según tratamientos en un grupo de. enfermos. Para ello se ha medido este nivel antes y después de dichos

Se desea analizar el nivel de glucemia según tratamientos en un grupo de. enfermos. Para ello se ha medido este nivel antes y después de dichos Práctica 4: Estadística Matemática Ejercicio 1: Se desea analizar el nivel de glucemia según tratamientos en un grupo de enfermos. Para ello se ha medido este nivel antes y después de dichos tratamientos.

Más detalles

Modelo Econométrico sobre el Turismo

Modelo Econométrico sobre el Turismo Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico

Más detalles

LA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO

LA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO LA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO Omar Abel Lucero 1 Resumen La lluvia anual es una variable aleatoria frecuentemente utilizada para caracterizar

Más detalles

LECTURA 04: GRAFICOS ESTADÍSTICOS (PARTE I) GRAFICO DE BASTONES, HISTOGRAMA DE FRECUENCIAS Y POLÍGONO DE FRECUENCIAS TEMA 8: GRÁFICOS ESTADÍSTICOS

LECTURA 04: GRAFICOS ESTADÍSTICOS (PARTE I) GRAFICO DE BASTONES, HISTOGRAMA DE FRECUENCIAS Y POLÍGONO DE FRECUENCIAS TEMA 8: GRÁFICOS ESTADÍSTICOS LECTURA 04: GRAFICOS ESTADÍSTICOS (PARTE I) GRAFICO DE BASTONES, HISTOGRAMA DE FRECUENCIAS Y POLÍGONO DE FRECUENCIAS TEMA 8: GRÁFICOS ESTADÍSTICOS 1. DEFINICION: Un gráfico es la representación de un fenómeno

Más detalles

Cómo calcular y elegir la media y desviación estándar adecuada para mi laboratorio? Francisco J. Acevedo Barranco QSD - México

Cómo calcular y elegir la media y desviación estándar adecuada para mi laboratorio? Francisco J. Acevedo Barranco QSD - México Cómo calcular y elegir la media y desviación estándar adecuada para mi laboratorio? Francisco J. Acevedo Barranco QSD - México Conceptos Generales CONTROL ESTADÍSTICO DE LA CALIDAD Es el término utilizado

Más detalles

PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS

PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo

Más detalles

Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5

Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5 Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.

Más detalles

Universidad Autónoma de Madrid Probabilidad y Estadística

Universidad Autónoma de Madrid Probabilidad y Estadística Propuesta de Problemas 7 (Soluciones) 1. a) Y es el promedio al sacar dos boletos con reposición de Y y hacer su promedio. Por eso, puede tomar los valores 1, 1.5 y. Tenemos que, P(Y = 1) = P( 1 1 ) =

Más detalles

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO

Más detalles

La rentabilidad de las plantaciones de cítricos en la Comunidad Valenciana. Análisis de su evolución en el periodo

La rentabilidad de las plantaciones de cítricos en la Comunidad Valenciana. Análisis de su evolución en el periodo La rentabilidad de las plantaciones de cítricos en la Comunidad Valenciana. Análisis de su evolución en el periodo 1984-2010 1 jlperezs@esp.upv.es 2 imarques@esp.upv.es 3 bsegura@upvnet.upv.es J. L. Pérez-Salas

Más detalles

3.9. Medición de la densidad de un material sólido

3.9. Medición de la densidad de un material sólido 3.9. Medición de la densidad de un material sólido El físico siempre está a la búsqueda de estrategias que le permitan conocer, con cierto nivel de precisión (aceptable), el valor de las variables aleatorias

Más detalles

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1 MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA

Más detalles