Análisis bayesiano de modelos de riesgo en compañías de seguros
|
|
- Francisco Blanco Acosta
- hace 8 años
- Vistas:
Transcripción
1 Análisis bayesiano de modelos de riesgo en compañías de seguros M. Concepción Ausín, Departamento de Estadística e Investigación Operativa, Universidad Complutense de Madrid. Trabajo conjunto con Juan M. Vilar, Ricardo Cao, Cristina González-Fragueiro Departamento de Matemáticas, Universidade da Coruña 7 de Noviembre de 2008
2 Motivación Este trabajo está motivado por un proyecto de la UDC con la empresa Inditex. El objetivo de Inditex era examinar si la empresa podía funcionar como su propia compañía de seguros y hasta qué ĺımite. El proyecto se llevó a cabo utilizando técnicas de inferencia no paramétrica. A partir de este proyecto desarrollamos un trabajo para modelos de pérdida agregada basada en técnicas de inferencia no paramétrica. Alternativamente, en este trabajo proponemos una metodología bayesiana para realizar el mismo análisis y comparamos resultados.
3 1 Modelo de pérdida agregada 2 La distribución Coxiana. 3 Estimación de los tiempos entre siniestros y de sus cuantías. 4 Estimación del número de siniestros y su cuantía total. 5 Estimación bajo franquicia y/o ĺımites en las pólizas. 6 Ilustración con datos reales. 7 Comentarios y conclusiones
4 1. Modelo de pérdida agregada Modelo de pérdida agregada El objetivo principal es la estimación de la distribución de la cuantía total de siniestros hasta el instante, t, N(t) S (t) = Y j, donde N (t) es el número total de siniestros hasta el instante t e Y 1, Y 2,... son las cuantías de los mismos. Se asume que N (t) es un proceso de renovación tal que los tiempos entre siniestros sucesivos, X 1, X 2,..., son i.i.d. y las cuantías de los mismos, Y 1, Y 2,..., son también i.i.d. e independientes de los tiempos entre siniestros. j=1
5 1. Modelo de pérdida agregada 0.8 Histograma de los tiempos entre siniestros, X x 10 4 Histograma de las cuantías de siniestros, Y x 10 4 Histogramas de los tiempos entre ocurrencia de siniestros (arriba) y de las cuantías de siniestros (abajo) en cierto sector.
6 1. Modelo de pérdida agregada A veces, las cuantías de siniestros presentan censura por la izquierda ya que sólo se sabe que son menores que un cierto valor (franquicia) porque la compañía de seguros no está encargada de su pago. La selección de modelos de distribución apropiados para tiempo entre ocurrencias de siniestros, X, y la cuantía de los mismos, Y, es esencial en la estimación de número total de siniestros N(t) y su cuantía total, S(t), en un período futuro, (0, t). Para simplificar los cálculos se asume a menudo que las variables X e Y siguen distribuciones exponenciales. Sin embargo, el modelo exponencial no es siempre realista para describir las características que aparecen frecuentemente en datos de seguros.
7 1. Modelo de pérdida agregada 1 Una posibilidad es (Vilar et al., 2008): Utilizar técnicas de inferencia no paramétrica para estimar las distribuciones de X e Y. Luego, usando métodos de simulación Monte Carlo, estimar las distribuciones de N(t) y de S(t). Por último, usando técnicas bootstrap, obtener intervalos de confianza para las medidas características de de N(t) y de S(t). 2 Alternativamente, en este trabajo (Ausín et al., 2008): Utilizamos la metodología bayesiana para obtener las distribuciones predictivas de N(t) y de S(t). Para ello, aproximamos las distribuciones de X e Y mediante distribuciones Coxianas, que son flexibles y densas en [0, ). Además, las Coxianas permiten obtener expresiones expĺıcitas de las transformadas de Laplace de N(t) y de S(t). Proponemos un algoritmo MCMC que estima la densidad de X e Y y aproxima las densidades predictivas de N(t) y S(t) simultáneamente.
8 2. La distribución Coxiana. La distribución Coxiana. Asumimos que los tiempos entre ocurrencias de siniestros, X, siguen una Coxiana de parámetros L, P = (P 1,..., P L ) y λ = (λ 1,..., λ L ), η 1, con prob = P 1, η 1 + η 2, con prob = P 2, X =.. η η L, con prob = P L, donde η i exp (λ i ) y L P i = 1. i=1 Aumentando L es posible aproximar cualquier densidad positiva. Se incluyen la exponencial, Erlang y mixturas de exponenciales como casos particulares. Asumimos también que las cuantías de siniestros, Y, siguen una Coxiana de parámetros M, Q = (Q 1,..., Q L ) y µ = (µ 1,..., µ L ).
9 2. La distribución Coxiana. La distribución Coxiana
10 2. La distribución Coxiana. La distribución Coxiana. La función de densidad se puede escribir como una mixtura, f (x L, P, λ) = L P i f i (x λ 1,..., λ i ), x > 0, i=1 donde f i es la densidad de una suma de i exponenciales, donde, f i (x λ 1,..., λ i ) = C ti = i C ti λ t exp{ λ t x}, t=1 i s=1 s t λ s λ s λ t. Sin pérdida de generalidad, se puede asumir que λ 1 λ 2... λ L.
11 3. Estimación de los tiempos entre siniestros y de sus cuantías. Estimación de los tiempos entre siniestros y sus cuantías. Se tiene una muestra de tiempos entre ocurrencias de siniestros, D X = {x 1,..., x n }, que siguen una Coxiana con θ X = (L, P, λ). Independientemente, una muestra de cuantías de siniestros, D Y = {y 1,..., y n }, que siguen una Coxiana con θ Y = (M, Q, µ). Así que asumiendo distribuciones a priori independiente para θ X e θ Y, sus distribuciones a posteriori serán también independientes. Por tanto, podemos estimar por separado las densidades de X y de Y con el mismo procedimiento de inferencia.
12 3. Estimación de los tiempos entre siniestros y de sus cuantías. Estimación de los tiempos entre siniestros. Definiendo una distribución a priori, π(θ X ), estamos interesados en la densidad predictiva, f (x D X ) = f (x θ X ) π (θ X D X ) dθ X. (1) Θ X Aunque el cálculo análitico de π (θ X D X ) es muy complicado, podemos construir un algoritmo MCMC que simule valores : k = 1, 2,..., B 1 } de la posteriori y aproximar (1) mediante, {θ (k) τ f (x D X ) 1 B 1 ( ) f x θ (k) X. B 1 k=1
13 3. Estimación de los tiempos entre siniestros y de sus cuantías. Reparametrización y densidad a priori. Primero, reparametrizamos las tasas, λ, mediante, λ i = λ 1 υ 2...υ i, donde 0 < υ s 1, para i, s = 2,..., L. Esta reparametrización facilita la definición de una densidad a priori no informativa, L Uniforme (0, 20) P Dirichlet (1,..., 1), π(λ 1 ) 1 λ 1, para 0 < λ 1 < υ i Uniforme(0, 1), para i = 1,..., L. A no imponer demasiada información a priori sobre λ 1 es posible aproximar distribuciones de cola pesada.
14 3. Estimación de los tiempos entre siniestros y de sus cuantías. Distribuciones a posteriori condicionales. Cada periodo entre siniestros, x j, procede de una componente de la mixtura, z j, que es un dato faltante y así, Pr (z j = i x j, L, P, λ 1, υ) P i f i (x j λ 1, υ 2,..., υ i ), para i = 1,..., L, La distribución a posteriori condicional de los pesos de la mixtura es, P x, z, L Dirichlet(1 + n 1,..., 1 + n L ), Las distribuciones a posteriori condicionales de λ 1 y υ i, i = 2,..., L, π (λ 1 D X, z, L, υ) π (λ 1 ) n ( ) f zj x λ1, υ 2,..., υ zj, π (υ i D X, z, L, λ 1, υ i ) π (υ i ) n ( ) f zj xj λ 1, υ 2,..., υ zj. j=1 j=1 z j i
15 3. Estimación de los tiempos entre siniestros y de sus cuantías. Algoritmo MCMC. 1. Fijar valores iniciales θ (0) X = ( L (0), P (0), λ (0) 1, υ(0) ). 2. Actualizar z simulando de z (k+1) z D X, θ (k) X. 3. Actualizar P simulando de P (k+1) P D X, z (k+1), L (k). 4. Actualizar λ 1 simulando de, λ (k+1) 1 λ 1 D X, z (k+1), L (k), υ (k). 5. Para i = 1,..., L (k), actualizar υ i simulando de: υ (k+1) i υ i D X, z (k+1), L (k), λ (k+1) 1, υ (k+1) 6. Actualizar L simulando de 7. k = k + 1. Ir a 2. 1,..., υ (k+1) i 1 L (k+1) L D X, z (k+1), P (k+1), λ (k+1) 1, υ (k+1)., υ (k) i+1,..., υ(k) L (k)
16 3. Estimación de los tiempos entre siniestros y de sus cuantías. Datos censurados. Si no conocemos el valor de x j, pero sabemos que pertenece al intervalo (a j, b j ), podemos reemplazar en la verosimilitud, por, f zj (x j λ 1,..., λ j ), Pr(a j x j b j z j, λ 1,..., λ j ) = F zj (b j λ 1,..., λ j ) F z j (a j λ 1,..., λ j ), donde, z ( ) j F zj xj λ 1,..., λ zj = C tzj (1 exp{ λ t x j )}. t=1
17 4. Estimación del número de siniestros y su cuantía total. Estimación del número de siniestros y su cuantía total. Queremos estimar las distribuciones de N(t) y S(t) dados D X y D Y. La distribución predictiva de N(t), Pr (N (t) m D X ) = Pr (N (t) m θ X ) π (θ X D X ) dθ X, Θ X puede aproximarse mediante, Pr (N (t) m D X ) 1 B 1 B 1 ( Evaluar anaĺıticamente Pr k=1 ( Pr N (t) m θ (k) X N (t) m θ (k) X ) para cada θ (k) X ), es muy costoso porque hay que evaluar la exponencial de una matriz muy grande. Pero podemos invertir rápidamente su transformada de Laplace.
18 4. Estimación del número de siniestros y su cuantía total. Estimación de N(t) Suponemos fijos los parametros θ X = (L, P, λ) de X. Usando que, m Pr (N (t) m) = Pr x j t, se tiene que, F Σx j (s) = 0 j=1 m e st Pr x j t dt = 1 s j=1 [ f x j (s)] m, donde, f x j (s) = L i P i i=1 t=1 ( ) λt. λ t + s
19 4. Estimación del número de siniestros y su cuantía total. Estimación de las medidas características de N(t) También podemos aproximar la media predictiva de N (t) mediante, E [N (t) D X ] 1 B 1 B 1 k=1m=0 ( m Pr N (t) = m θ (k)), y obtener intervalos predictivos calculando los cuantiles. Análogamente, podemos calcular otras medidas de N(t) como la varianza, mediana, cuantiles, etc.
20 4. Estimación del número de siniestros y su cuantía total. Estimación de S(t). Análogamente, dados los datos, D = {D X, D Y }, aproximamos la distribución predictiva de S(t), Pr (S (t) x D) = Pr (S (t) x θ X, θ Y ) π (θ X, θ Y D) dθ X θ Y, Θ Y mediante, Θ X Pr (S (t) x D) 1 B 1 B 1 k=1 ( Pr S (t) x θ (k) X, θ(k) Y ), ( invirtiendo numéricamente la transformada de Pr S (t) x θ (k) X para cada par θ (k) X, θ(k) Y., θ(k) Y )
21 4. Estimación del número de siniestros y su cuantía total. Estimación de S(t). Suponemos fijos θ X = (L, P, λ), y θ Y = (M, Q, µ). Se sabe que, f S(t) (s) = g N(t) [f Y (s)], donde gn(t) [s] es la función generadora de momentos de N (t) y f Y (s) es la transformada de Y. Entonces, 0 e sx Pr (S (t) x) dx = 1 s [fy (s)] m Pr (N (t) = m). m=0 donde, f Y (s) = M i Q i i=1 t=1 ( µt ) µ t + s
22 4. Estimación del número de siniestros y su cuantía total. Se pueden obtener estimaciones de la media y varianza de S(t) usando las relaciones, E [S (t)] = E [N (t)] E [Y ], V [S (t)] = E [N (t)] V [Y ] + E [Y ] 2 V [N (t)].
23 5. Estimación bajo franquicia y ĺımites en las pólizas. Estimación bajo franquicia y ĺımites en las pólizas. Es interesante también la estimación de la distribución de la cuantía total de siniestros cuando los siniestros están sujetos a franquicia y/o ĺımites en la póliza de seguros. Para cada siniestro, Y j, se tiene la siguiente representación: 0, if 0 < Y j < a, Ỹ j = Y j a, if a Y j < b, b a, if b Y j, donde a es la franquicia y b es el ĺımite de la póliza. Ahora el interés se centra en la estimación de: S (t) = Ỹ j. N(t) j=1
24 5. Estimación bajo franquicia y ĺımites en las pólizas. La distribución de S(t) puede obtenerse como antes usando que, f S(t) (s) = gn(t) [ f (s) Ỹ ], donde, f Ỹ (s) = M i Q i i=1 t=1 ( C ti [1 + e µta e µtb (b a)s) ( )] µ t 1. µ t+s La media y varianza de S pueden aproximarse con las relaciones anteriores usando que, y 2 E [Ỹ ] M = ] M E [Ỹ = i=1 Q i M i=1 i=1 Q i M i=1 C ti [ 2e µ ta µ 2 t [ e µ ta e µtb ] C ti µ t 2e µtb µ 2 t ] (1 + (b a) µ t ).
25 5. Estimación bajo franquicia y ĺımites en las pólizas. Obsérvese que el mismo procedimiento puede realizarse para otras especificaciones de Ỹ como, { Y, if 0 < Y < a, Ỹ = a, if a Y <, que puede ser de interés del asegurado, o bien, { 0, if 0 < Y < b, Ỹ = Y b, if b Y <, que puede ser de interés de la compañía reaseguradora.
26 6. Ilustración con datos reales. Ilustración con datos reales Se dispone de una base de datos procedente de una compañía aseguradora de la empresa Inditex que contiene las fechas y las cuantías de siniestros producidos en distintos sectores tales como comercio, transporte, responsabilidad civil, etc. Los datos, que están reescalados para preservar la confidencialidad, presentan censura por la izquierda debido a las franquicias. Se presentan aquí los resultados relativos dos sectores: sector C y sector T. El sector C contiene 600 observaciones de las cuales 200 están censuradas por la izquierda y el sector T contiene 400 observaciones de las cuales 100 están censuradas por la izquierda. Ambas muestras están observadas en períodos de tiempo pasado.
27 6. Ilustración con datos reales. Ilustración con datos reales El objetivo es estimar la distribución del número total de siniestros, N(200), y de la cuantía total de los mismos, S(200), en un tiempo futuro de longitud 200, para los dos sectores por separado y conjuntamente. También, se desea estimar la distribución de la cuantía total de siniestros que pagaría la compañía de seguros, S(200) con una franquicia de unidades y un ĺımite de póliza de unidades.
28 6. Ilustración con datos reales. Análisis del sector C X Y Media Mediana Desviación típica Asimetría Curtosis Percentil Percentil A continuación, ejecutamos el algoritmo MCMC para los datos completos del tiempo entre siniestros, X, y el algoritmo MCMC modificado para datos censurados para las observaciones de la cuantía de siniestros, Y. Usamos B 1 = iteraciones, tras eliminar iteraciones burn-in.
29 6. Ilustración con datos reales Empírica Exponencial Coxiana sin censura Coxiana con censura 0.6 F(x) Estimaciones de la función de distribución de los tiempos entre ocurrencia de siniestros en el sector C. x
30 6. Ilustración con datos reales Empírica sin censura Exponencial Empírica KM Coxiana con censura 0.6 F(x) Estimaciones de la función de distribución de las cuantías de siniestros en el sector C. x
31 6. Ilustración con datos reales Pr(N(200) m data) Posterior mean Posterior median 95% credible interval 95% credible interval m Distribuciones e intervalos predictivos al 95% para la distribución del número de siniestros, N (200), que se producirán en el sector C hasta t = 200. La media estimada con un proceso de Poisson es , mientras que el verdadero valor observado fue de 220 siniestros.
32 6. Ilustración con datos reales. Medida Estimación BY Intervalo 95% BY Media Mediana Dev. típ Cuantil Cuantil Medida Estimación NP Intervalo 95% NP Media Mediana Dev. típ Cuantil Cuantil Estimaciones Bayesianas (BY) e intervalos predictivos al 95% de algunas medidas características de N (200), comparadas con las estimaciones no paramétricas (NP) e intervalos de confianza al 95% en el sector C. La media estimada con un proceso de Poisson es , mientras que el verdadero valor observado fue de 220 siniestros.
33 6. Ilustración con datos reales Pr(S(200) x data) Posterior mean Posterior median 95% credible interval 95% credible interval x x 10 5 Distribuciones e intervalos predictivos al 95% para la distribución de la cuantía total de siniestros, S (200), que se producirán en el sector C hasta t = 200. La media estimada con un proceso de Poisson con pérdidas exponenciales es , mientras que el verdadero valor fue de
34 6. Ilustración con datos reales. Medida Estimación BY Intervalo 95% BY Media Mediana Dev. típ Cuantil Cuantil Medida Estimación NP Intervalo 95% NP Media Mediana Dev. típ Cuantil Cuantil Estimaciones Bayesianas (BY) e intervalos predictivos al 95% de algunas medidas características de S (200), comparadas con las estimaciones no paramétricas (NP) e intervalos de confianza al 95% en el sector C. La media estimada con un proceso de Poisson con pérdidas exponenciales es , mientras que el verdadero valor fue de
35 6. Ilustración con datos reales Pr(S ~ (200) x data Posterior mean Posterior median 95% interval x x 10 4 Distribuciones e intervalos predictivos 95% para la distribución de la cuantía total de siniestros, S (200), en el sector C hasta t = 200 con una franquicia de a = y un ĺımite de b = El verdadero valor observado fue de
36 6. Ilustración con datos reales. Medida Estimación BY Intervalo 95% BY Media Mediana Dev. típ Cuantil Cuantil Medida Estimación NP Intervalo 95% NP Media Mediana Dev. típ Cuantil Cuantil Estimaciones Bayesianas (BY) e intervalos predictivos al 95% de algunas medidas características de S (200), comparadas con las estimaciones no paramétricas (NP) e intervalos de confianza al 95% en el sector C. El verdadero valor observado fue de
37 6. Ilustración con datos reales. Análisis del sector global Presentamos ahora los resultados para los dos sectores C y T conjuntamente. Se dispone de una muestra de 1000 tiempos entre ocurrencias de siniestros y 1000 cuantías de siniestros, de las cuales 300 están censuradas por la izquierda. Ejecutamos el correspondiente algoritmo MCMC para cada una de estas dos muestras. A continuación, presentamos los resultados de las principales medidas características del número total de siniestros, N G (200), de la cuantía total de los mismos, S G (200), en un periodo futuro de 200 unidades para el sector global.
38 6. Ilustración con datos reales. Medida Estimacion BY Intervalo 95% BY Media Mediana Dev. típ Cuantil Cuantil Medida Estimacion NP Intervalo 95% NP Media Mediana Dev. típ Cuantil Cuantil Estimaciones Bayesianas (BY) e intervalos predictivos al 95% de algunas medidas características de N G (200), comparadas con las estimaciones no paramétricas (NP) e intervalos de confianza al 95% en el sector global. El verdadero valor observado fue de 402 siniestros.
39 6. Ilustración con datos reales. Medida BY estimation 95% BY interval Media Mediana Dev. típ Cuantil Cuantil Medida NP Estimation 95% NP interval Media Mediana Dev. típ Cuantil Cuantil Estimaciones Bayesianas (BY) e intervalos predictivos al 95% de algunas medidas características de S G (200), comparadas con las estimaciones no paramétricas (NP) e intervalos de confianza al 95% en el sector global. El verdadero valor observado fue de
40 7. Comentarios y conclusiones Resumen, comentarios y conclusiones Dadas muestras históricas de tiempos y cuantías de siniestros, hemos desarrollado un método Bayesiano para estimar sus distribuciones y predecir el número total de siniestros y la cuantía total de los mismos en períodos de tiempo futuro. Para ello, hemos aproximado las densidades de los tiempos entre siniestros y sus cuantías con distribuciones Coxianas mediante un algoritmo MCMC. Con dicha muestra MCMC y resultados anaĺıticos basados en transformadas de Laplace para Coxianas, predecimos las variables de interés en el futuro. Las diferencias entre las estimaciones Bayesianas y no paramétricas pueden deberse a diferencias en las estimaciones de la cola de las distribuciones ya que el modelo Coxiano asume una probabilidad positiva (pequeña) para siniestros muy costosos, mientras que la inferencia no paramétrica asume probabilidad zero para aquellos valores mayores que el máximo observado.
41 7. Comentarios y conclusiones Resumen, comentarios y conclusiones Los intervalos de confianza suelen ser más estrechos con el procedimiento Bayesiano, lo que es esperable ya que la incertidumbre es a menudo menor usando un modelo paramétrico. El coste computacional es ligeramente mayor usando el procedimiento Bayesiano. Por ejemplo, el coste total de estimar todas las distribuciones, medidas características e intervalos predictivos de tres sectores fue de 18 horas con el procedimiento Bayesiano y de 11 horas con el no paramétrico. Hemos asumido independencia entre las ocurrencias de siniestros y entre sus cuantías. Esto puede no ser realista en períodos de tiempo largos. Se puede pensar en extender el procedimiento a otros procesos que no asuman dicha independencia. El procedimiento se puede extender al cálculo de otras cantidades de interés tales como la probabilidad de ruina de la compañía de seguros en tiempo finito o infinito.
42 Referencias Referencias Ausín, M.C, Vilar, J.M., Cao, R., González-Fragueiro, C. (2008). Bayesian analysis of aggregate loss models. Condicionalmente aceptado en Mathematical Finance. Vilar, J.M., Cao, R., Ausín, M.C., González-Fragueiro, C., (2008). Analysis of an aggregate loss model. Journal of Applied Statistics. En prensa. Klugman, S.A., Panger, H.H., and Willmot, G.E., (2004). Loss models: From data to decisions, (2nd ed.) John Wiley. Rolski, T., Schmidli, H., Schmidt, V., Teugels, J., (1999). Stochastic processes for insurance and finance. John Wiley and Sons, New York. Ausín, M.C., Lopes, H.F., (2007). Bayesian estimation of ruin probabilities with heterogeneous and heavy-tailed insurance claim size distribution. Australian and New Zealand Journal of Statistics, 49, Ausín, M.C., Wiper, M.P., and Lillo, R.E., (2008). Bayesian estimation of finite time ruin probabilities. Condicionalmente aceptado en Journal of Applied Stochastic Models in Business and Industry.
ESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesExplicación de la tarea 3 Felipe Guerra
Explicación de la tarea 3 Felipe Guerra 1. Una ruleta legal tiene los números del 1 al 15. Este problema corresponde a una variable aleatoria discreta. La lectura de la semana menciona lo siguiente: La
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesTema 1 con soluciones de los ejercicios. María Araceli Garín
Tema 1 con soluciones de los ejercicios María Araceli Garín Capítulo 1 Introducción. Probabilidad en los modelos estocásticos actuariales Se describe a continuación la Tarea 1, en la que se enumeran un
Más detallesDISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS
DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detallesEjercicios de Teoría de Colas
Ejercicios de Teoría de Colas Investigación Operativa Ingeniería Informática, UC3M Curso 08/09 1. Demuestra que en una cola M/M/1 se tiene: L = ρ Solución. L = = = = = ρ np n nρ n (1 ρ) nρ n n=1 ρ n ρ
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesCapítulo 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 detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesC 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 detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesINTERRUPCION A LA EXPLOTACION
Mantener la Independencia es Poder Elegir INTERRUPCION A LA EXPLOTACION NEWSLETTER La COBERTURA correcta al momento del SINESTRO. Introducción. El objetivo de todo seguro es simple, compensar el asegurado
Más detallesPRIMAVERA RISK ANALYSIS
PRIMAVERA RISK ANALYSIS CARACTERÍSTICAS PRINCIPALES Guía de análisis de riesgo Revisión del programa Plantilla de riesgo instantáneo Asistente para registro de riesgo Registro de riesgo Análisis de riesgo
Más detallesTeoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas).
Teoría de Colas TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). IO 07/08 - Teoría de Colas 1 Teoría de Colas: ejemplos
Más detallesGeneración 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 detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesINFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010
INFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010 UNIDAD FUNCIONAL DE TÉCNICOS DE LABORATORIOS DOCENTES UNIVERSIDAD PABLO DE OLAVIDE. SEVILLA Sevilla, Diciembre de 2010 1 1.
Más detallesCarta de control CEV X para distribuciones Weibull con datos censurados
Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with
Más detallesDiagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics-
Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- 1. Introducción Ficheros de datos: TiempoaccesoWeb.sf3 ; AlumnosIndustriales.sf3 El objetivo de esta práctica es asignar un modelo
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesECUACION DE DEMANDA. El siguiente ejemplo ilustra como se puede estimar la ecuación de demanda cuando se supone que es lineal.
ECUACION DE DEMANDA La ecuación de demanda es una ecuación que expresa la relación que existe entre q y p, donde q es la cantidad de artículos que los consumidores están dispuestos a comprar a un precio
Más detallesACCIONES Y OTROS TÍTULOS DE INVERSIÓN
ACCIONES Y OTROS TÍTULOS DE INVERSIÓN TASAS EFECTIVAS DE RENDIMIENTO ANUAL Y MENSUAL: Es aquélla que se emplea en la compraventa de algunos valores en el Mercado Bursátil o Bolsa de Valores. Estas tasas
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesDATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT
DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesCONCEPTO DEL ÍNDICE ACCIONARIO
Qué es un índice accionario? CONCEPTO DEL ÍNDICE ACCIONARIO Un índice accionario es un instrumento estadístico empleado para estudiar la evolución de los precios de las acciones en un mercado de valores.
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesParámetros y estadísticos
Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población
Más detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
Más detallesMODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS.
MODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS. I.1 OBJETIVO Y UTILIDAD: El objetivo principal de este trabajo, realizado como Trabajo Final de Máster en Ingeniería Hidráulica
Más detallesSolución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2
Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación
Más detallesCovarianza 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 detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más detallesFísica de los Procesos Biológicos Curso 2005/6
Bibliografía: ísica, Kane, Tema 8 ísica de los Procesos Biológicos Curso 2005/6 Grupo 3 TEMA 2 BIOMECÁNICA 2.1 SÓIDO DEORMABE Parte 1 Introducción Vamos a estudiar como los materiales se deforman debido
Más detallesAnálisis estadístico con Microsoft Excel
Análisis estadístico con Microsoft Excel Microsoft Excel ofrece un conjunto de herramientas para el análisis de los datos (denominado Herramientas para análisis) con el que podrá ahorrar pasos en el desarrollo
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detalles13. Técnicas de simulación mediante el método de Montecarlo
13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que
Más detallesIntroducción a la Teoría de Probabilidad
Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento
Más detallesTEMA 5 ESTUDIOS CORRELACIONALES.
TEMA 5 ESTUDIOS CORRELACIONALES. 1. INTRODUCCIÓN. 2. CONCEPTO DE CORRELACIÓN. 3. CASOS EN LOS QUE SE UTILIZA LA INVESTIGACIÓN CORRELACIONAL. 4. LIMITACIONES DE LOS ESTUDIOS CORRELACIONALES 1 1. INTRODUCCIÓN.
Más detallesCAPÍTULO I INTRODUCCIÓN AL REASEGURO DE INCENDIO DE CASA-HABITACIÓN EN MÉXICO
CAPÍTULO I INTRODUCCIÓN AL REASEGURO DE INCENDIO DE CASA-HABITACIÓN EN MÉXICO En este capítulo se presentará y definirá el tema de esta tesis, sus objetivos generales y específicos, la justificación del
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesTamaño muestral Cómo estimar n adecuadamente? Estimación puntual. Marta Cuntín González Biostatech Advice, Training and Innovation in Biostatistics
Tamaño muestral Cómo estimar n adecuadamente? Estimación puntual Marta Cuntín González Biostatech Advice, Training and Innovation in Biostatistics Índice Conceptos básicos Diseño Problemas Qué es necesario?
Más detallesEstadística descriptiva con Excel (Cálculo de medidas)
Universidad Pedagógica Experimental Libertador Instituto Pedagógico de Miranda José Manuel Siso Martínez Departamento de Ciencias Naturales y Matemáticas Cátedra: Estadística aplicada a la educación Estadística
Más detallesCursada Primer Semestre 2015 Guía de Trabajos Prácticos Nro. 2
Temas: Programación en MATLAB: Sentencias, expresiones y variables. Estructuras de control. Operadores relacionales y lógicos. Programación de funciones. Aritmética finita: Representación de números en
Más detallesInstalación del programa PSPP y obtención de una distribución de frecuencias.
Práctica 2. Instalación del programa PSPP y obtención de una distribución de frecuencias. Con esta práctica instalaremos el programa PSPP. El programa es un software específico para el análisis estadístico
Más detalles4. Programación Paralela
4. Programación Paralela La necesidad que surge para resolver problemas que requieren tiempo elevado de cómputo origina lo que hoy se conoce como computación paralela. Mediante el uso concurrente de varios
Más detallesAspectos Técnicos en el Reaseguro WCXL de Gastos Médicos Mayores
Aspectos Técnicos en el Reaseguro WCXL de Gastos Médicos Mayores Ricardo Nava MS, ASA, MAAA Chief Actuary, Latin America RGA Re México Seminario de Reaseguro de Personas 23 Mayo, 2008 www.rgare.com Agenda
Más detalles1. Lección 5 - Comparación y Sustitución de capitales
Apuntes: Matemáticas Financieras 1. Lección 5 - Comparación y Sustitución de capitales 1.1. Comparación de Capitales Se dice que dos capitales son equivalentes cuando tienen el mismo valor en la fecha
Más detallesNúmeros aleatorios. Contenidos
Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método
Más detallesSerie Documentos de Trabajo. Tablas de Mortalidad CNSF 2000-I y CNSF 2000-G. Documento de trabajo No. 80
Tablas de Mortalidad CNSF 2-I y CNSF 2-G Manuel Mendoza Ramírez Ana María Madrigal Gómez Evangelina Martínez Torres Mayo 2 Serie Documentos de Trabajo Documento de trabajo No. 8 Índice 1. Antecedentes
Más detallesIntroducción a la Estadística con Excel
Introducción a la Estadística con Excel En el siguiente guión vamos a introducir el software Excel 2007 y la manera de trabajar con Estadística Descriptiva. Cargar o importar datos En Excel 2007 podemos
Más detallesUnidad IV: Identificación y cuantificación de riesgos financieros Parte II: Análisis de Pre y Post-simulación estocástica
Unidad IV: Identificación y cuantificación de riesgos financieros Parte II: Análisis de Pre y Post-simulación estocástica INTRODUCCIÓN El propósito de este documento es explicar la metodología propuesta
Más detallesPrograma de la asignatura: Estadística para Finanzas y Seguros, I (3 de FBS)
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística-Econometría Grado en Finanzas, Banca y Seguros Curso 2013-2014 Programa de la asignatura: Estadística
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesUTILIDAD BRUTA, GASTOS Y UTILIDAD NETA MARGEN BRUTO
UTILIDAD BRUTA, GASTOS Y UTILIDAD NETA MARGEN BRUTO Margen y alza se aplican a lo que un operador de tienda produce en una sola venta de un solo artículo. Margen Bruto y Utilidad Bruta se refieren a lo
Más detallesAnálisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias
Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía
Más detallesSIMULACION. Formulación de modelos: solución obtenida de manera analítica
SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar
Más detalles2 Teoría de colas o líneas de espera
2 Teoría de colas o líneas de espera El tráfico en redes se puede modelar con la ayuda de la teoría de colas, es por ello ue es importante estudiarlas y comprenderlas. Existen varias definiciones sobre
Más detallesMonografías 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 detalles2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24
2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios
Más detallesCAPÍTULO I PLANTEAMIENTO DEL PROBLEMA Y ANTECEDENTES. 1.1 Planteamiento del problema: Para qué sirve la modelación de un portafolio
CAPÍTULO I PLANTEAMIENTO DEL PROBLEMA Y ANTECEDENTES 1.1 Planteamiento del problema: Para qué sirve la modelación de un portafolio de seguros? La modelación de un portafolio de seguros es una tarea muy
Más detallesEl valor esperado de una variable aleatoria discreta se representa de la siguiente manera:
INTRODUCCIÓN AL VALOR ESPERADO Y VARIANZA (5 MINUTOS) Cuando nos hablan del promedio de que ocurra un evento, cómo sabemos con certeza qué tan cerca estamos de alcanzar ese promedio? Esta pregunta nos
Más detallesEJEMPLOS PRÁCTICOS DE VALORACIÓN DE INVERSIONES
EJEMPLOS PRÁCTICOS DE VALORACIÓN DE INVERSIONES Una inversión es una operación financiera definida por una serie de desembolsos que se estima que van a generar una corriente futura de ingresos. Existen
Más detallestodas 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 detallesSIMULACIÓN MCMC. Dr. Holger Capa Santos
SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador
Más detallesPuede dar pérdida un Casino?
Puede dar pérdida un Casino? por Ernesto Mordecki En esta nota calculamos la probabilidad de que pierda la banca en la ruleta, en un período dado de tiempo. uestro enfoque consiste en determinar cuantas
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesTecnologías en la Educación Matemática. Expresiones. Datos. Expresiones Aritméticas. Expresiones Aritméticas 19/08/2014
Tecnologías en la Educación Matemática jac@cs.uns.edu.ar Dpto. de Ciencias e Ingeniería de la Computación UNIVERSIDAD NACIONAL DEL SUR 1 Datos Los algoritmos combinan datos con acciones. Los datos de entrada
Más detallesListas de vectores y conjuntos de vectores
Listas de vectores y conjuntos de vectores La explicación de los temas Dependencia lineal y Bases en el curso de Álgebra Lineal se puede basar en uno de los siguientes dos conceptos (o en ambos): ) listas
Más detallesComprendiendo las estrategias de mantenimiento
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Mantenimiento 101 Comprendiendo las estrategias de mantenimiento Generalidades
Más detallesTema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS
Tema 9 Estadística Matemáticas B º E.S.O. TEMA 9 ESTADÍSTICA TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS EJERCICIO : En un grupo de personas hemos preguntado por el número
Más detallescómo puedo mejorar el desempeño de los acuerdos de niveles de servicio de clientes y reducir costos?
RESUMEN SOBRE SOLUCIÓN CA Business Service Insight para administración del nivel de servicio cómo puedo mejorar el desempeño de los acuerdos de niveles de servicio de clientes y reducir costos? agility
Más detalles4 Pruebas y análisis del software
4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran
Más detallesEn términos generales, que significa cooperación empresarial para usted?
Anexo 1 Entrevista al Dr. Ricardo Garzón Díaz, director de proyectos del Banco Interamericano de Desarrollo (BID) y especialista en la pequeña y mediana empresa colombiana. La cooperación empresarial ha
Más detallesK2BIM Plan de Investigación - Comparación de herramientas para la parametrización asistida de ERP Versión 1.2
K2BIM Plan de Investigación - Comparación de herramientas para la parametrización asistida de ERP Versión 1.2 Historia de revisiones Fecha VersiónDescripción Autor 08/10/2009 1.0 Creación del documento.
Más detallesFUNDACION NIC-NIIF www.nicniif.org
NORMAS INTERNACIONALES DE INFORMACION FINANCIERA NIC-NIIF Identificación de un contrato de seguro, para que sea de aplicación la NIFF 4 o bien en su defecto otra norma con la NIC 39 si por ejemplo se trata
Más detallesEjercicios de Modelos de Probabilidad
Ejercicios de Modelos de Probabilidad Elisa M. Molanes-López, Depto. Estadística, UC3M Binomial, Poisson, Exponencial y Uniforme Ejercicio. Se dispone de un sistema formado por dos componentes similares
Más detallesTratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA
Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer
Más detallesLA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT
LA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT JOSÉ CALLEJÓN CÉSPEDES EDUARDO PÉREZ RODRÍGUEZ ANTONIO RAMOS RODRÍGUEZ Facultad de Ciencias Económicas y Empresariales Universidad
Más detalles