Análisis bayesiano de modelos de riesgo en compañías de seguros

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

Download "Análisis bayesiano de modelos de riesgo en compañías de seguros"

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.

Determinación 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 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 detalles

ESTIMACIÓN. puntual y por intervalo

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 detalles

Carta de control CEV X para distribuciones Weibull con datos censurados

Carta 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 detalles

Programa de la asignatura: Estadística para Finanzas y Seguros, I (3 de FBS)

Programa 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 detalles

Tema 10. Estimación Puntual.

Tema 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 detalles

todas especialidades Soluciones de las hojas de problemas

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

Más detalles

Números aleatorios. Contenidos

Números 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 detalles

Probabilidad de ruina en el modelo clásico de Cramer-Lundberg

Probabilidad de ruina en el modelo clásico de Cramer-Lundberg Ensayos Probabilidad de ruina en el modelo clásico de Cramer-Lundberg Resumen Abstract Résumé En este articulo se exponen métodos para obtener fórmulas exactas y aproximadas para la probabilidad de ruina

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 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 detalles

Métodos generales de generación de variables aleatorias

Métodos 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 detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

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

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Ejercicios de Modelos de Probabilidad

Ejercicios 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 detalles

8. Estimación puntual

8. 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 detalles

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN 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 detalles

Tema 2 - Introducción

Tema 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 detalles

ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS

ESTADÍSTICA 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 detalles

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

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

Más detalles

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

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

Más detalles

ANÁLISIS DESCRIPTIVO CON SPSS

ANÁLISIS 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 detalles

Reparto de dividendos en una cartera de seguros no vida. Obtención de la barrera constante óptima bajo criterios económico-actuariales

Reparto de dividendos en una cartera de seguros no vida. Obtención de la barrera constante óptima bajo criterios económico-actuariales DOCUMENTS DE TREBALL DE LA DIVISIÓ DE CIÈNCIES JURÍDIQUES, ECONÒMIQUES I SOCIALS Col lecció d Economia Reparto de dividendos en una cartera de seguros no vida. Obtención de la barrera constante óptima

Más detalles

Serie Documentos de Trabajo. Tablas de Mortalidad CNSF 2000-I y CNSF 2000-G. Documento de trabajo No. 80

Serie 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 detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

Ensayos Análisis Bayesiano del Modelo Poisson

Ensayos Análisis Bayesiano del Modelo Poisson Ensayos Análisis Bayesiano del Modelo Poisson Resumen Abstract Résumé En este artículo se hace un análisis bayesiano del modelo Poisson. Se aplica este modelo a accidentes aéreos fatales de los países

Más detalles

Generación de Números Pseudo-Aleatorios

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

Más detalles

Curso. Análisis Estadístico de Datos Climáticos

Curso. Análisis Estadístico de Datos Climáticos Curso I-1 Análisis Estadístico de Datos Climáticos Distribuciones de Probabilidad Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Montevideo, Uruguay 2011 I-2 DISTRIBUCIONES DE PROBABILIDAD

Más detalles

XXIII FORO NACIONAL DE ESTADISTICA. Modelación Bayesiana: Conectando R con WinBUGS

XXIII FORO NACIONAL DE ESTADISTICA. Modelación Bayesiana: Conectando R con WinBUGS p. 1/26 XXIII FORO NACIONAL DE ESTADISTICA 10-12 Sep. Boca del Río, Veracruz Modelación Bayesiana: Conectando R con WinBUGS José Salvador Zamora Muñoz Doctorado en Ciencias Matemáticas, UNAM p. 2/26 Orden

Más detalles

Aspectos Técnicos en el Reaseguro WCXL de Gastos Médicos Mayores

Aspectos 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 detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas 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 detalles

SIMULACIÓN MCMC. Dr. Holger Capa Santos

SIMULACIÓN 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 detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 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 detalles

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Alvaro 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 detalles

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

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

Más detalles

Universidad del CEMA Master en Finanzas 2006

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

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 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 detalles

Anexo 4. Herramientas Estadísticas

Anexo 4. Herramientas Estadísticas Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen

Más detalles

Distribuciones de Probabilidad en Arena

Distribuciones de Probabilidad en Arena Distribuciones de Probabilidad en Arena Arena posee una amplia gama de funciones o distribuciones estadísticas incorporadas para la generación de números aleatorios. Estas distribuciones aparecen cuando,

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 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 detalles

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA

Tratamiento 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 detalles

LA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT

LA 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

13. Técnicas de simulación mediante el método de Montecarlo

13. 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 detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

BLOQUE 2 MÉTODOS DE MONTE CARLO Y TÉCNICAS DE BOOTSTRAP. Preliminares. Técnicas de Monte Carlo

BLOQUE 2 MÉTODOS DE MONTE CARLO Y TÉCNICAS DE BOOTSTRAP. Preliminares. Técnicas de Monte Carlo BLOQUE 2 MÉTODOS DE MONTE CARLO Y TÉCNICAS DE BOOTSTRAP Preliminares Para seguir adecuadamente estos apuntes es preciso recordar los conceptos claves de inferencia estadística. Es conveniente al menos

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

Teoría 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). 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 detalles

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

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

Más detalles

Programación en R para Estadística. Simulación

Programación en R para Estadística. Simulación Programación en R para Estadística 1 de 2 Programación en R para Estadística Simulación J. Elías Rodríguez M. Facultad de Matemáticas Universidad de Guanajuato XXIII Foro Nacional de Estadística 11 de

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera

Más detalles

Métodos Numéricos: Resumen y ejemplos Tema 4: Resolución aproximada de EDO s

Métodos Numéricos: Resumen y ejemplos Tema 4: Resolución aproximada de EDO s Métodos Numéricos: Resumen y ejemplos Tema 4: Resolución aproximada de EDO s Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Marzo 2008, versión

Más detalles

Optimización económica del Reaseguro cedido: Modelos de decisión

Optimización económica del Reaseguro cedido: Modelos de decisión Instituto de Ciencias del Seguro Optimización económica del Reaseguro cedido: Modelos de decisión Josefina Rodríguez Mondragón FUNDACIÓN MAPFRE no se hace responsable del contenido de esta obra, ni el

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadística Descriptiva 1. El porcentaje de algodón en una tela utilizada para elaborar camisas para hombre se presenta en la siguiente tabla. Calcular los estadísticos más importantes y realícese el histograma

Más detalles

MODELOS DE PROBABILIDAD

MODELOS DE PROBABILIDAD MODELOS DE PROBABILIDAD Modelos de probabilidad Autores: Angel Juan (ajuanp@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Alicia Vila (avilag@uoc.edu), José Francisco Martínez (jmartinezbos@uoc.edu), Anna

Más detalles

Cálculos con el programa R

Cálculos con el programa R Cálculos con el programa R Introducir el concepto de distribución normal Aprender el uso del programa R para realizar cálculos con la distribución normal Probabilidad de intervalos Cálculo e interpretación

Más detalles

Modelos matemáticos de simulación

Modelos matemáticos de simulación Modelos matemáticos de simulación Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Sistemas,

Más detalles

Simulación y Modelos Estocásticos

Simulación y Modelos Estocásticos y Modelos Estocásticos Héctor Allende O!"# $# %#&' ( ) *+,-+,,*,/ ) -++,,*,/ ) 0 1 %*++,,*,/ $2,/ 04 %! 2! 5,,#6)5 1 Conceptos básicos: fundamentos de modelos de simulación y del modelado de sistemas complejos,

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

Tema 7: Estadística y probabilidad

Tema 7: Estadística y probabilidad Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro

Más detalles

Laboratorio de Bioingeniería y Cronobiología. Dpto. de Teoría de la Señal y Comunicaciones. Universidad de Vigo RESUMEN

Laboratorio de Bioingeniería y Cronobiología. Dpto. de Teoría de la Señal y Comunicaciones. Universidad de Vigo RESUMEN VI Congreso Galego de Estatística e Investigación de Operacións Vigo 5-7 de Novembro de 2003 ESTADLAB: SOFTWARE MULTIPLATAFORMA DE APOYO A LA DOCENCIA DE PROBABILIDAD, VARIABLES ALEATORIAS Y PROCESOS ESTOCÁSTICOS

Más detalles

Simulación de Sistemas Continuos y a Tramos. Prof. Dr. François E. Cellier Institut für Computational Science ETH Zürich.

Simulación de Sistemas Continuos y a Tramos. Prof. Dr. François E. Cellier Institut für Computational Science ETH Zürich. Simulación de Sistemas Continuos y a Tramos Prof. Dr. François E. Cellier Institut für Computational Science ETH Zürich 5 de junio 007 Introducción Análisis del Error por Truncamiento Queremos hacer un

Más detalles

CUANTIFICANDO LA CLASE MEDIA EN MÉXICO: UN EJERCICIO EXPLORATORIO

CUANTIFICANDO LA CLASE MEDIA EN MÉXICO: UN EJERCICIO EXPLORATORIO CUANTIFICANDO LA CLASE MEDIA EN MÉXICO: UN EJERCICIO EXPLORATORIO Nota Técnica 2 Introducción El análisis de agrupamiento o clustering es una herramienta estadística que tiene como objetivo identificar

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE 1. Fórmulas utilizadas en la simulación de la evolución del precio de una acción

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

Tema 1. Inferencia estadística para una población

Tema 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 detalles

Inferencia Estadística

Inferencia Estadística MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics

Más detalles

Análisis e Interpretación de Datos Unidad XI. Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN

Análisis e Interpretación de Datos Unidad XI. Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN Análisis e Interpretación de Datos Unidad XI Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN Competencias de Aprendizaje Al finalizar la actividad los estudiantes serán

Más detalles

Unidad 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 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 detalles

Apuntes sobre algunos teoremas fundamentales de análisis complejo, con 20 ejemplos resueltos (2007-08)

Apuntes sobre algunos teoremas fundamentales de análisis complejo, con 20 ejemplos resueltos (2007-08) Variable Compleja I (3 o de Matemáticas) Apuntes sobre algunos teoremas fundamentales de análisis complejo, con ejemplos resueltos (7-8) En estos apuntes, consideraremos las funciones anaĺıticas (holomorfas)

Más detalles

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

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 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 detalles

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5 PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

Parámetros y estadísticos

Parámetros 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 detalles

NT8. El Valor en Riesgo (VaR)

NT8. El Valor en Riesgo (VaR) NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo

Más detalles

Trabajo No 2. Análisis Supervivencia y Seguros de Vida

Trabajo No 2. Análisis Supervivencia y Seguros de Vida Trabajo No 2. Análisis Supervivencia y Seguros de Vida Norman Giraldo Gómez Curso de Actuaría - Escuela de Estadística ndgirald@unal.edu.co Octubre, 2010 1. Notas 1. La notación (xm) indica mujer de edad

Más detalles

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e 3. LA DFT Y FFT PARA EL AÁLISIS FRECUECIAL Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e invariantes en el tiempo), es la transformada de Fourier. Esta representación

Más detalles

-100 0.10 0 0.20 50 0.30 100 0.25 150 0.10 200

-100 0.10 0 0.20 50 0.30 100 0.25 150 0.10 200 ESTADISTICA Y PROBABILIDAD Orientadores:. Arch. Taller3_est.doc 1. El siguiente es un ejemplo de experimentos y variables aleatorias asociadas. Identifique en cada caso los valores que la variables aleatoria

Más detalles

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3. LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

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

Más detalles

Estadística para las Ciencias Administrativas

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

Más detalles

Tamaño 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 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 detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

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

Más detalles

Elementos de Estadística stica Financiera para Análisis de Riesgo

Elementos de Estadística stica Financiera para Análisis de Riesgo TERCER ENCUENTRO TÉCNICO SOBRE LA ESTRUCTURACIÓN DE PROYECTOS DE ASOCIACIÓN PÚBLICO-PRIVADA Elementos de Estadística stica Financiera para Análisis de Riesgo Heinz G. Roque Loyola BID/PIAPPEM 20, 21 y

Más detalles

El valor esperado de una variable aleatoria discreta se representa de la siguiente manera:

El 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 detalles

Modelos de distribuciones discretas

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

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral. Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida

Más detalles

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS

Eduardo 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 detalles

Explicación de la tarea 3 Felipe Guerra

Explicación 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 detalles

Generación de valores de las variables aleatorias

Generación de valores de las variables aleatorias Generación de valores de las variables aleatorias Juan F. Olivares-Pacheco * 14 de junio de 007 Resumen En todo modelo de simulación estocástico, existen una o varias variables aleatorias interactuando.

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 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 detalles

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL INTRODUCCIÓN En este módulo se continúa con el estudio de las distribuciones de probabilidad, examinando una distribución de probabilidad continua muy importante:

Más detalles

MODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS.

MODELO 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 detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles

DESCRIPCIÓN ESPECÍFICA

DESCRIPCIÓN ESPECÍFICA DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad

Más detalles

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación.

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación. Laboratorio 1 Medición e incertidumbre La descripción de los fenómenos naturales comienza con la observación; el siguiente paso consiste en asignar a cada cantidad observada un número, es decir en medir

Más detalles

ESCUELA COLOMBIANA DE INGENIERÍA

ESCUELA COLOMBIANA DE INGENIERÍA ESCUELA COLOMBIANA DE INGENIERÍA ASIGNATURA: ESTADÍSTICA DEPARTAMENTO: MATEMÁTICAS PLANES DE ESTUDIO: CÓDIGO: Mnemónico ESTI Numérico 1. OBJETIVOS GENERALES Desarrollar habilidades para organizar, representar

Más detalles

Ejemplos de conversión de reales a enteros

Ejemplos de conversión de reales a enteros Ejemplos de conversión de reales a enteros Con el siguiente programa se pueden apreciar las diferencias entre las cuatro funciones para convertir de reales a enteros: program convertir_real_a_entero print

Más detalles