Reaseguro finite risk en ambiente financiero estocástico

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

Download "Reaseguro finite risk en ambiente financiero estocástico"

Transcripción

1 easeguro fnte rsk en ambente fnancero estocástco easeguro fnte rsk en ambente fnancero estocástco Pons Cardell, M.A.; Sarrasí Vzcarra, F.J. Departamento de Matemátca Económca, Fnancera y Actuaral Unversdad de Barcelona ESUMEN Una de las característcas del reaseguro fnte rsk es la exstenca de una cuenta de experenca, que está formada por las prmas que cobra el reasegurador, unto con su rendmento fnancero, y su fnaldad es fnancar los snestros que éste ha de satsfacer a la cedente en el plazo establecdo. El obetvo de este trabao es dseñar un modelo que permta determnar el saldo estmado o reserva que debe de tener en cada perodo anual la cuenta de experenca para garantzar su solvenca dnámca, tenendo en cuenta la experenca de snestraldad de la cartera del reasegurador y de cada cedente. Para el cálculo de la prma de reaseguro y del saldo de la cuenta de experenca se asumrá ambente fnancero estocástco, de modo que la prma de reaseguro dependerá tambén de otros parámetros como la volatldad del tpo de nterés o de la aversón al resgo.

2 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. ABSTACT One of the characterstcs of the fnte rsk rensurance s the exstence of an found of experence, whch s consttuted by the premums charged by the rensurer, together wth hs fnancal ncomes, and hs obectve s to fnance the clams to be satsfed to the nsurer n the specfed perod. The obectve of ths work s to desgn a model that allows us to determnate the reserve that the found of experence should have n every annual perod n order to guarantee ts dynamc solvency, takng nto the experence of the clams of the rensurer s portfolo and of each nsurance company. To calculate the rensurance premum and the reserve of the found of experence, stochastc fnancal envronment s assumed, so that the rensurance premum wll also depend on other parameters such as nterest rate volatlty or rsk averson. Palabras claves: easeguro; fnte rsk; credbldad; cuenta de experenca; solvenca; ambente estocástco; volatldad. Keywords: ensurance; fnte rsk; credblty; found of experence; solvency; stochastc envronment; volatlty. Área temátca: Matemátca Fnancera y Actuaral.

3 easeguro fnte rsk en ambente fnancero estocástco. INTODUCCIÓN El fnte rsk es una forma de reaseguro que se srve de los msmos nstrumentos que el reaseguro tradconal, pero presenta unos rasgos característcos. Los contratos son pluranuales lo que permte consttur una relacón contractual estable con la compañía de seguros, tambén llamada cedente, a medo y largo plazo. El reasegurador consttuye un fondo denomnado cuenta de experenca, que está ntegrado por las prmas de reaseguro, y por su producto fnancero, y de la msma son lqudados los snestros a su cargo, por tanto la prma de reaseguro depende del tpo de nterés que genera la cuenta de experenca. El reaseguro fnte rsk no sólo cubre de forma lmtada el resgo de suscrpcón, es decr, el resgo que los snestros reales sean mayores de lo esperado, como sucede en las modaldades de reaseguro tradconales, sno que tambén, asume otros tpos de resgos, como el resgo de tempos o tmng rsk y el resgo de nterés. Por últmo comentar que la cedente puede contratar un reaseguro fnte rsk en cualquera de las modaldades de reaseguro tradconales, nosotros estudaremos las modaldades Cuota Parte y Exceso de Pérdda. El obetvo de este trabao se centra en el análss de la solvenca dnámca de la cuenta de experenca de cada una de las cedentes que ntegran la cartera del reasegurador. Para calcular el saldo estmado o reserva de la cuenta de experenca al fnal de cada perodo anual vamos a suponer que la ley fnancera que rge dcha cuenta, es decr, aquella que nos proporcona su rendmento fnancero durante el horzonte temporal consderado, presenta un comportamento estocástco, por tanto, para un nstante dado, τ, la ley fnancera asocada a dcho nstante, %ρ ( τ ), es una varable aleatora. Para calcular la prma de reaseguro vamos a aplcar la msma ley fnancera que rge la cuenta de experenca y el reasegurador asumrá la msma stuacón de resgo que la entdad fnancera donde está depostada dcha cuenta. Trabaaremos con un factor de captalzacón estocástco, posterormente sustturemos la evolucón estocástca del proceso por una trayectora determnada de acuerdo con la regla de decsón adoptada, esto es, según el crtero de decsón asumdo. Vamos a plantear la ecuacón de equlbro al fnal del horzonte temporal de la cuenta de experenca, sn aplcar la propedad de escndbldad fnancera en el factor de captalzacón estocástco, ya que éstos, según el crtero de decsón que asumamos, no 3

4 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. sempre la satsfacen; de esta manera garantzamos que el saldo de la cuenta de experenca al fnal del plazo de la operacón sea cero, ya que utlzaremos el msmo factor de captalzacón en el cálculo de la prma y en el cálculo del saldo de la cuenta de experenca al fnal de cada año. Vamos a asumr que la cartera del reasegurador está formado por un conunto de cedentes que operan en un msmo ramo, que conocemos las dstrbucones de probabldad del ramo obeto de estudo y que hay ndependenca entre las cedentes y dentro de cada cedente. Supondremos que el reasegurador asume todos los resgos de la operacón y corresponde al reasegurador garantzar la solvenca de la cuenta de experenca, por tanto, las posbles aportacones que deban realzarse a ésta serán a su cargo. A la hora de determnar los parámetros de las dstrbucones de probabldad de cada cedente, no sólo tendremos en cuenta las característcas comunes, msmo ramo y pertenenca a la msma cartera del reasegurador, sno tambén la hstora de snestraldad de cada una de ellas, utlzando para ello modelos de credbldad. En el modelo que plantearemos calcularemos, en el orgen de la operacón, el saldo estmado de la cuenta de experenca al fnal de cada año y supondremos que los parámetros de las funcones de dstrbucón, y el resto de varables del modelo, son conocdos en el orgen del contrato y se mantenen constantes a lo largo del plazo. Para estmar la snestraldad futura a cargo del reasegurador utlzaremos el método de smulacón de Monte-Carlo.. FACTO DE CAPITALIZACIÓN ESTOCÁSTICO S la ley fnancera que rge la cuenta de experenca para el horzonte temporal consderado presenta un comportamento estocástco, para un nstante dado, τ, la ley fnancera asocada a dcho nstante, %ρ ( τ ), es una varable aleatora. S asummos que el tanto efectvo estrcto sgue la sguente ecuacón dferencal estocástca para el horzonte temporal consderado: sendo: ( ) [ ] % ρτ ( ) dτ= ρ dτ+ σ dw τ τ T, T' 4

5 easeguro fnte rsk en ambente fnancero estocástco - ρ : valor medo esperado de la ley fnancera en el ntérvalo [ TT, '], - σ : parámetro constante que recoge la volatldad de la ley fnancera en el ntervalo [ TT, '], - W ( τ ): proceso de Wener estandar que perturba el tanto efectvo estrcto, el factor fnancero de captalzacón estocástca se obtene a partr de la solucón de la sguente ecuacón dferencal : ( τ) = ( τ) % ρ( τ) τ = ( τ) ρ + ( τ) σ ( τ) τ [, '] dc% C% d C% dt C% dw T T donde %C ( τ ) es la varable aleatora cuantía equvalente en τ. Aplcando el Lema de Itô en el ntervalo [ TT, '], con la condcón de contorno ncal %C ( T) = C( T ), la solucón de la ecuacón dferencal es: ( ') ( ) C% T = C T e σ ρ + ( T ' T) σ [ W( T ') W( T) ] de donde el factor fnancero de captalzacón estocástca vene dado por: ( ') ( ) % % C T f( T, T') = = e C T σ ρ + ( T ' T) σ [ W( T ') W( T) ] Tenendo en cuenta que WT ( ') WT ( ) N(, T' T) entonces: f% ( T, T ') logn σ ρ T ' T, σ T ' T sendo su esperanza matemátca y su varanza, respectvamente, ( ) ( ) % ( T' T) (, ') y ( ) ρ ( T (, ') ' T ) σ ( T ' T Var f% T T = e e ) E f T T = e ρ S defnmos %Z ( T' T) = ( T' T) + [ W( T') W( T) ] σ ρ σ y t = T' T podemos % Z% () t = y escrbr ( ') ( ) C T C T e (, ')= % % Z () t f TT e, donde Z% σ () t N ρ t, σ t. Una demostracón a través del Lema de Itô de la solucón de la ecuacón dferencal estocástca puede verse entre otros en Mallars, A.G. et al (98), pp. 8-9 y en Shuss, Z. (98), pp

6 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J... Crteros de decsón Adoptar un crtero de decsón supondrá susttur la evolucón estocástca del proceso por una trayectora determnada de acuerdo con la regla de decsón adoptada. Hay dstntos crteros de decsón, sguendo a Alegre-Mayoral consderaremos los crteros de decsón de la esperanza matemátca, el del percentl y el de la desvacón tpo. Crtero de la esperanza matemátca Este crtero lo vamos a smbolzar por γ E λ y se defne como ( ') = ( ') λ ( ') γe λ CT ECT ECT % % %, donde λ es el recargo de segurdad que recoge el nvel de aversón al resgo del decsor proporconalmente a la esperanza de la cuantía fnal estocástca. C% T = C T f% T T resulta, Partendo de la expresón general ( ') ( ) (, ') ( ') ( ') ( ') ( ) ( ) % (, ') t = CT ( ) ( ) E f% ρ λ ( TT, ') = CT ( ) ( λ) e γe C% T = E C% T E C% T = E C T f T T λ λ λ = Por tanto, el factor fnancero asocado a este crtero vene dado por la sguente expresón: C% ( T' ) ( ) γ E λ ρ t ρ + t ln( λ) γe f% ( T, T') λ = = ( λ) e = e = fe T, T' CT Cabe destacar que (, ') E ( ) f TT es ndependente de la volatldad, σ, que perturba la ley fnancera y no verfca la propedad de escndbldad fnancera. En el caso partcular que λ =, (, ') f TT concde con el de una ley fnancera estaconara certa, E cumplendo la propedad de la escndbldad fnancera y la de recprocdad. Como el parámetro λ desplaza la funcón (, ') que s [ ] f TT haca abao, sempre se verfca E λ > T*, T' / f (, T*) <, por tanto no tene sentdo fnancero E consderar λ > en nuestro caso, ya que pueden producrse snestros dentro del ntervalo [, T *]. Ver Mayoral,. (997), pp

7 easeguro fnte rsk en ambente fnancero estocástco Crtero del percentl Este crtero lo vamos a smbolzar por γ ε, donde ε es la probabldad que con la captalzacón estocástca resulte un valor fnal nferor al equvalente certo dado por el crtero. Partendo de la expresón general ( ') ( ) (, ') % ε C% T = C T f% T T, el crtero del percentl se defne como γ %C ( T' ) = C( T) γ f ( T, T' ) donde P f% ( T, T' ) f% ( T, T' ) ε < γ ε = ε. S tenemos en cuenta que Z% σ () t N ρ t, σ t, su percentl y ε vene dado por: σ yε = ρ t+ zε σ t sendo z ε el percentl ε de la N (,) tal que s (,) [ ] ξ N P ξ < z ε = ε. Entonces γ %f ( TT, ') ε vendrá dado por la transformacón exponencal del percentl de la varable aleatora %Z () t, y ε : % ( ') ( ) σ γ CT ρ t zε σ t ε y + ε γ ε f% ( TT, ' ) = = e = e = fε ( TT, ') C T Este crtero ntroduce dos nuevos parámetros respecto al factor fnancero certo asocado a una ley estaconara: σ, parámetro que recoge la varabldad del preco en el mercado fnancero, y ε, parámetro subetvo que recoge el nvel de aversón al resgo del decsor. Consderaremos que el decsor tene preferenca por el resgo s las varacones del factor fnancero ante las varacones en la volatldad del tanto nstantáneo tenen el msmo sgno, en caso contraro dremos que el decsor tene aversón al resgo. Cuanto más arresgado es el decsor la funcón fε ( TT, ') proporcona mayores valores fnales equvalentes. Por tanto, en este crtero se pueden contemplar dos stuacones frente al resgo por parte del decsor, aversón o preferenca por el resgo según el valor que tome ε. El comportamento de la funcón fε ( TT, ') depende del parámetro de subetvo ε : S ε,5 entonces fε ( TT, ') es crecente t >. 7

8 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. S ε <,5 entonces fε ( TT, ') no sempre es crecente t >. Cabe destacar que fε ( TT, ') no verfca la propedad de escndbldad fnancera. Crtero de la desvacón tpo Este crtero lo vamos a smbolzar por γ D, donde D es el símbolo de la desvacón tpo, γ D recoge la aversón al resgo del decsor. C% T ' =, ', resulta, y se defne como CT ( ') = ECT ( ') k DCT ( ') Partendo de la expresón general ( ) ( ) ( ) ( ') ( ') ( ') ( ) %(, ') ( ) %(, ') γ D C% T = E C% T k D C% T E C T f T T k D C T f T T = = t t t = CT ( ) E f% ( TT, ') k D f% ( TT, ') CT ρ ρ σ = ( ) e k e ( e ) = ρ t σ t ( ) ( ) = CT e k e De modo que el factor fnancero asocado a este crtero es: ( ') γ D CT % t t γ D f% ( TT, ') = = e k e = f TT, ' C T ρ σ ( ) ( ) D ( ) El factor obtendo ntroduce tambén dos nuevos parámetros respecto al factor fnancero certo asocado a una ley estaconara: σ, parámetro que recoge la varabldad del preco en el mercado fnancero, y k, parámetro subetvo que recoge el nvel de aversón al resgo del decsor. (, ') f TT es nversamente proporconal a k y D σ. Sólo tene sentdo fnancero para aquellos valores de k que satsfagan (, ), [, '] f T T T T T T y T > T. D Cabe destacar tambén que la funcón (, ') f TT tampoco cumple la propedad de la D escndbldad fnancera. En los casos partculares que k =, o ben, σ =, (, ') f TT e ρ D t =, esto es, concde con el factor fnancero certo de una ley estaconara. 8

9 easeguro fnte rsk en ambente fnancero estocástco 3. PIMA DE EASEGUO FINITE ISK Y SALDO ESTIMADO DE LA CUENTA DE EXPEIENCIA En el cálculo de la prma de reaseguro fnte rsk hay que tener en cuenta no sólo el coste y el número de snestros sno tambén el momento de pago de los msmos, de manera que el proceso de resgo vene defndo por las sguentes varables aleatoras: donde: ( X, X,..., X, T, T,..., T, N ) Nt Nt t - N t : Varable aleatora número de snestros ocurrdos en el ntervalo[,n ], con n expresado en años. - X : Varable aleatora coste del -ésmo snestro ocurrdo en el ntervalo [,n ], con =,,..., Nt. Asumremos que son ndependentes y están equdstrbudas. - T : Varable aleatora momento de pago, expresado en años, del -ésmo snestro, con =,,..., Nt. En el reaseguro Cuota Parte, la varable aleatora coste del snestro -ésmo a cargo del reasegurador, = N vene dada por: X, con,,..., t X k X k X < M = M k X M donde k es el coefcente de cesón al reasegurador, expresado en tanto por uno, y M es el límte del contrato de reaseguro, y en el reaseguro Exceso de Pérdda por: X < M X X M M X M M M X M + M = + donde M es el pleno de retencón de la cedente y M es la capacdad máxma del contrato del reasegurador. Para calcular la prma de reaseguro trabaaremos con un factor de captalzacón estocástco y el reasegurador replcará la msma poscón respecto al resgo que la entdad fnancera que gestona la cuenta de experenca, por tanto, aplcará la msma ley fnancera y parámetros de resgos que rgen dcha cuenta. 9

10 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. Plantearemos la ecuacón de equlbro al fnal del horzonte temporal de la cuenta de experenca, sn aplcar la propedad de escndbldad fnancera en el factor de captalzacón ya que, como se ha vsto anterormente, no sempre se cumple. De esta manera garantzamos que el saldo de la cuenta de experenca al fnal del plazo de la operacón sea cero, ya que utlzaremos el msmo factor de captalzacón tanto en el cálculo de la prma como en el cálculo del saldo de la cuenta de experenca al fnal de cada año. La varable aleatora valor fnal del coste total de los snestros a cargo del reasegurador, C n, asocado al ntervalo [,n ], vamos a defnrla como el valor fnal del coste de cada uno de los N t snestros a cargo del reasegurador, producen en dcho ntervalo: N t % n = =, que se X, con,,..., Nt [ ] C = X f( T, n) T, n con f% σ ( T, n) logn ρ ( n T), σ ( n T) T [, n]. S aplcamos al factor fnancero de captalzacón, f ( T, n) % T [, n] un crtero de decsón éste queda transformado en f ( T, n ), cuya expresón dependerá del crtero C utlzado, por tanto ahora su aleatoredad vendrá determnada úncamente por la varable aleatora T : de modo que: fe( T, n) f% ( T, n) fc( T, n) = fε ( T, n) T, n fd( T, n) [ ] La prma anual de reaseguro N t n C = [ ] C = X f ( T, n) T, n P s, de temporaldad d, sendo d n, que se satsface en s, con s =,,..., n años, se obtene de la sguente ecuacón de equlbro: d N t s C C s= = [ ] P f (, s n) = X f ( T, n) T, n S la prma de reaseguro es constante entonces P s = P para s,,..., = d, por tanto:

11 easeguro fnte rsk en ambente fnancero estocástco Nt d Nt C = P fc(, s n) = X fc( T, n) P = d s= = fc s n s= En el caso partcular de prma únca, d = : N t = =Π = P X f ( T, n) C f (, n) C X f ( T, n) (, ) Uno de los obetvos del reasegurador es garantzar que el saldo real de la cuenta de experenca se auste al saldo estmado, realzando para ello las aportacones necesaras para cubrr esta dferenca. Vamos a calcular, en el orgen de la operacón, el saldo estmado de la cuenta de experenca al fnal de cada año, con los parámetros de snestraldad conocdos en el orgen y utlzando el msmo crtero de decsón que en el cálculo de la prma de reaseguro. Vamos a smbolzar por S, con =,,..., n, la varable aleatora saldo estmado de la e cuenta de experenca en, que se obtene, valorando en, la dferenca entre las prmas de reaseguro satsfechas y los snestros estmados a cargo del reasegurador ocurrdos hasta, ncludo: En el caso de prmas peródcas: N[, ] e = s C,[, ] C s= = con =,..., S P f (, s ) X f ( T, ) y en el caso de prma únca: N[, ] e =Π C,[, ] C = S f (, ) X f ( T, ) con =,..., n sendo N [, ] la varable aleatora número de snestros ocurrdos en el ntervalo[, ], con n, X,[, ] la varable aleatora coste del snestro -ésmo a cargo del reasegurador, ocurrdo en el ntervalo[, ], con =,..., N[, ] y fc ( TT, '), con T' > T, el factor fnancero de captalzacón bao el crtero de decsón consderado. n

12 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. Para poder calcular la prma de reaseguro P y el saldo S e, deberemos smular las trayectoras de evolucón de la snestraldad del reaseguro captalzadas, o ben hasta N t C, o ben hasta, = n, X f ( T, n) T [, n] N[, ] X,[, ] fc( T, ) con,..., = = n. El método de smulacón que utlzaremos será Monte-Carlo. Una vez smuladas las trayectoras aplcaremos el crtero de la esperanza matemátca. S las prmas de reaseguro son constantes: N t E X fc( T, n) = EP [ ] = d f (, s n) N[, ] e [ ] = [ ] (, ) E S E P fc s E X,[, ] fc( T, ) =,..., n s= = s= C Cabe destacar que cuando (, ') (, ') ( λ ) f TT f TT e ρ ndependente del parámetro de aversón al resgo: C EP [ ] = t = E = la prma esperada es Nt E X e = d s= e ρ ( n s) ρ ( n T ) 4. DISTIBUCIONES DE POBABILIDAD Para poder calcular la varable aleatora saldo estmado, S e, deberemos asumr hpótess respecto a las dstrbucones de probabldad de las varables aleatoras que ntervenen en el proceso de resgo: Asumremos que la varable aleatora ntervalo [ ] ( X, X,..., X, T, T,..., T, N ) Nt Nt t X, coste del -ésmo snestro ocurrdo en el,n, con =,,..., Nt, se dstrbuye según una funcón de dstrbucón exponencal de parámetro snestros en el ntervalo[,n ]. μ, X Exp( μ ), sendo / μ el coste medo de los

13 easeguro fnte rsk en ambente fnancero estocástco Tambén asumremos que la varable aleatora tempo de nterocurrenca, en años, entre dos snestros en el ntervalo [ ],n, Ts s, sgue una dstrbucón exponencal de T parámetro λ >, para s =,,..., Nt. Bao esta hpótess queda defnda la dstrbucón de probabldad del número de snestros s =,,..., Nt y λ > entonces Nt P( λ n). N, ya que s T T Exp( λ) para A partr de Ts s podemos determnar la varable aleatora T con =,,..., Nt por suma: T T = T T con T = s s s= Como la varable aleatora número de snestros, t s s N t, sgue una dstrbucón de Posson, su esperanza concde con el valor del parámetro de la dstrbucón, esto es, E( N t ) n = λ, pudéndose nterpretar λ como el número medo anual de snestros. El parámetro λ tambén nos servrá para calcular el tempo medo entre dos snestros, dado que ET ( s Ts ) =. λ 4.. Coste medo y número medo de snestros El coste medo o esperanza matemátca de la varable aleatora X, con,,..., Nt =, vamos a defnrla como E( X ) α = =, la cual vendrá determnada por la μ experenca de snestraldad de la cedente y/o de la cartera. Como ya hemos dcho, la varable aleatora número de snestros, N t, sgue una dstrbucón de Posson y su esperanza es E( N t ) = λ n, donde λ se nterpreta como el número medo anual de snestros en el ntervalo [,n ], parámetro que deberemos estmar. Para estmar el coste medo, α, y el número medo anual de snestros, λ, de cada cedente, nos podemos encontrar frente a dos posbles escenaros: - No dsponemos de experenca de snestraldad pasada de la cedente. En este caso, el coste medo y el número medo de snestros para esta cedente vendrán dados por el coste y número medo del ramo. 3

14 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. - Dsponemos de experenca de snestraldad pasada de la cedente. En este otro caso aplcaremos la Teoría de la Credbldad para dscrmnar el coste medo y el número medo de snestros de cada cedente, en funcón de su propa hstora de snestraldad, pero tenendo en cuenta tambén la experenca de snestraldad de la cartera. Para determnar el coste medo, α, y número medo de snestros, λ, vamos a asumr la exstenca de ndependenca entre las cedentes, así como que los parámetros de resgo están déntcamente dstrbudos. El estmador para α lo obtendremos aplcando el modelo de credbldad de Bühlmann-Straub 3, ya que suponemos que el reasegurador dspone de nformacón respecto al coste medo de los snestros ocurrdos desde hace H años, a contar desde, y del número de snestros ocurrdos cada año, para cada una de las cedentes. El estmador del parámetro número medo de snestros, λ, vamos a obtenerlo aplcando el modelo de credbldad de Bühlmann 4, ya que suponemos que el reasegurador dspone úncamente de nformacón respecto al número de snestros ocurrdos desde hace H años, a contar desde, para cada una de las cedentes. 5. APLICACIÓN NUMÉICA Vamos a consderar una compañía de reaseguros que contrata un reaseguro fnte rsk para un determnado ramo, con tres compañías de seguros (cedentes). La compañía de reaseguros dspone hoy, =, de nformacón respecto al coste de los snestros, expresados en mles de euros, y al momento de ocurrenca de cada snestro o dfermento, expresado en años, acaecdos en los últmos cnco años para cada una de las tres cedentes. Los datos de la snestraldad hstórca para cada una de las tres cedentes son los sguentes: 3 Ver Pons, M.A. y Sarrasí, F.J. (9), pp Ver Pons, M.A. y Sarrasí, F.J. (9), pp

15 easeguro fnte rsk en ambente fnancero estocástco Cedente (k = ) Cedente (k = ) Cedente 3 (k = 3) Dfermento Coste Dfermento Coste Dfermento Coste,336,59,5994,9356,9998,83,58,589,68,74,8885,53,4576,565 3,745 3,859 3,9986 4,55 4,7 4,6397 4,8345 4,93 5,5 4,5, 3,5,, 3,5,5,5, 6,5,5,,,5,5,6 5, 6,5 7,5,75 3,75,376,349,337,4894,538,65,696,959,76,68,83,844,877,96,945,356,453,4653,543 3,59 3,5735 3,5954 3,956 4,6 4,543 4,638 4,436 4,435 4,6998 4,9675 4,83 7,64,37,486 5,599 9,677,4659,7657,7,99 3,46 7,968 5,849 4,7 6,894,645,989,8359,637,6556 3,9,6499 5,4664 9,8734,953,874,5569 6,537 3,3,859,54,4648,56,678,676,798,83,844,3,48,349,566,7478,9789 3,69 3,364 3,657 3,7459 3,88 3,9 3,9874 4,338 4,374 4,53 4,685 4,6959 4,8734 4,8843 4,65 4,936,4565,36 9,7855,467 5,793,795 4,836,689,994 3,48,97,39,34,5375,55 7,6579 8,535 5,94 9,97,87 3,96,89,37,344,3656 7,9788 Para calcular el estmador de la componente hstórca del coste medo hoy, en el orgen de la operacón, α, hemos aplcado el modelo de credbldad de Bühlmann-Straub, ya que no sólo dsponemos de nformacón, para cada cedente, respecto al coste medo de los snestros ocurrdos en los 5 últmos años, sno tambén del número de snestros ocurrdos cada año, nformacón esta últma que vamos a asgnarle el sgnfcado de ponderacón o pesos naturales conocdos. Para calcular el estmador del número medo de snestros, λ, hemos aplcado el modelo de Bühlmann ya que sólo dsponemos de 5

16 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. nformacón, para cada cedente, respecto al número de snestros ocurrdos cada año. Los resultados obtendos para cada cedente han sdo los sguentes: Cedente α λ 4,8876 5,8 4,96 5,58 3 4,934 5,45 A contnuacón obtendremos la prma pura únca y el saldo estmado en térmnos de esperanza matemátca, para un reaseguro fnte rsk cuota parte con una cuota de cesón al reasegurador del 5%, k =,5. Para ello hemos smulado por el método de Monte- Carlo.. de trayectoras de evolucón de la snestraldad del reasegurador para cada una de las tres cedentes que componen su cartera. Hemos supuesto que el horzonte temporal de la operacón es de 5 años y el tanto efectvo anual de valoracón esperado, que proporcona la cuenta de experenca, es constante para todo el plazo I =,3, sendo el tanto nstantáneo asocado ρ = ln(,3) =, En la tabla I mostramos el saldo estmado, e S, en, para cada una de las tres cedentes bao el crtero de la esperanza matemátca con parámetro de aversón al resgo λ = : Saldo estmado en el orgen de la operacón easeguro cuota parte Cedente Cedente Cedente 3 57,78 63,6589 6,967 46,8356 5,9886 5,39 35, ,966 38,89 3 4,44 6,3694 5,8893 4,38 3,378 3, Tabla I 6

17 easeguro fnte rsk en ambente fnancero estocástco Para = el saldo estmado concde con la prma pura del reasegurador. Para valores de λ > el factor fnancero no tene sentdo fnacero ya que sempre encontraremos plazos, por pequeños que sean, donde el factor de captalzacón es menor que uno. De todas maneras el valor de la prma es ndependente del nvel de aversón al resgo λ. A contnuacon consderamos sólo para la cedente la evolucón de la prma únca captalzada hasta y del saldo estmado S e en, para el crtero del percentl y el crtero de la desvacón tpo: Π Crtero del percentl σ = 5, Π e S z ε = ε =,5 z ε = ε =,8434 z ε = ε =,5 z ε = ε =,8434 6, ,345 6, ,345 6,656 65, ,94 5,94 6, ,474 36,999 4, ,95 78,6586 4,75 9, ,555 83,3754,3978 5, , ,94 Tabla II En la tabla II mostramos como evolucona la prma y el saldo estmado ante dferentes escenaros de aversón al resgo. Observamos que cuanto mayor es el percentl z ε, menor es la prma que cobra el reasegurador debdo a que éste asume un mayor resgo. En las tablas III y IV mostramos como se comporta la prma de reaseguro ante varacones en la volatldad del tanto nstantáneo para dos escenaros de resgo dferentes, ε =,5 y ε =,

18 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. z ε = ( ε = 5, ) Π e S σ =, σ = 5, σ =, σ = 5, 58,4767 6, ,4767 6, ,87 6,656 47, ,94 6, , , , ,8849 6,95 4,3396 4, , ,555,6873, ,53 6,7985 Tabla III En el caso mostrado en la tabla III, la prma únca de reaseguro aumenta a medda que ncrementa la volatldad del tanto nstantáneo, debdo a que estamos ante un escenaro de aversón al resgo por parte del reasegurador, sn embargo, s el reasegurador asume un mayor resgo ε =.8434, tal y como observamos en la tabla IV, el comportamento es nverso al anteror, es decr, exste una relacón nversa entre la prma únca y la volatldad del tanto nstantáneo, esto se debe precsamente a que el reasegurador está asumendo una estratega de preferenca por el resgo. z ε = ( ε =, 8434 ) Π e S σ =, σ = 5, σ =, σ = 5, Tabla IV 8

19 easeguro fnte rsk en ambente fnancero estocástco Crtero de la desvacón tpo A contnuacón mostramos como responde la prma únca y el saldo estmado frente a varacones en el nvel de aversón al resgo, tabla V, y frente a varacones en la volatldad del tanto nstantáneo, tabla VI. σ =, 5 Π e S k =, 5 k =, k =, 5 k =, 57,735 57,738 57,735 57,738 59, ,485 46, ,839 6,779 6,996 35, , , ,443 4,778 4,4 4 64,974 64,8939,349, , ,878 Tabla V A dferenca de lo que sucede en el crtero del percentl donde el reasegurador puede posconarse en una estratega de aversón al resgo o de preferenca por el resgo según el valor de ε, en el crtero de la desvacón tpo la estratega del reasegurador sempre será de aversón al resgo, de esta manera cuanto mayor sea el valor de k, más aversón al resgo tendrá y por tanto mayor será la prma de reaseguro que cobrará a la cedente, tal y como queda refleado en la tabla V. En la tabla VI se muestra el comportamento típco de un reasegurador con aversón al resgo ya que la prma de reaseguro aumenta frente a varacones postvas en la volatldad del tanto nstantáneo. 9

20 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. k =, 5 Π e S σ =, 5 σ =, σ =, 5 σ =, 57,735 57, ,735 57, , , , ,836 6,779 6,79 35, , , ,763 4,778 4, ,974 64,9953,349, , ,84864 Tabla VI 6. CONSIDEACIONES FINALES En este trabao hemos analzado la prma y el saldo o provsón de la cuenta de experenca en un reaseguro fnte rsk en la modaldad cuota parte y exceso de pérdda, asumendo la hpótess que el comportamento estocástco de los parámetros de snestraldad son conocdos en el orgen de la operacón y se mantenen constantes a lo largo del plazo de vgenca de la msma. Hemos asumdo que el factor fnancero de valoracón presenta una doble aleatoredad, la nducda por el dfermento, cuyo comportamento vene dado por la dstrbucón de probabldad del momento de nterocurrenca entre snestros y la orgnada por el tanto nstantáneo, el cual, en nuestro caso, hemos asumdo la hpótess que vene perturbado por un proceso de Wener. Para elmnar la aleatoredad del tanto nstantáneo hemos ntroducdo crteros de decsón, los cuales nos han permtdo ntroducr en el cálculo de la prma de reaseguro nuevas varables como el nvel de aversón al resgo del reasegurador o la volatldad del tanto nstantáneo. Hemos supuesto en el eemplo numérco que la cartera del reasegurador está formada por tres cedentes del msmo ramo y para la estmacón de los parámetros de snestraldad, número medo y coste medo, hemos utlzado modelos de credbldad para tener en cuenta tanto la experenca ndvdual como la de la cartera. Los valores de

21 easeguro fnte rsk en ambente fnancero estocástco la prma de reaseguro y del saldo estmado han sdo obtendos por smulacón de Monte-Carlo. Las conclusones a las que hemos llegado son las sguentes. En el caso del crtero de la esperanza, la prma de reaseguro es ndependente del nvel de aversón al resgo, de todas maneras para valores de λ > el factor de captalzacón no tene sentdo fnancero ya que sempre encontraremos plazos, por pequeños que sean, donde el factor es menor que uno. El crtero del percentl y el crtero de la desvacón tpo plantean escenaros de aversón al resgo del reasegurador sendo la prma de reaseguro mayor cuanto mayor es la volatldad del tanto nstantáneo. De todas maneras, a dferenca de lo que sucede con el crtero de la desvacón tpo, en el crtero del percentl se pueden plantear stuacones en las que el reasegurador tenga no sólo aversón al resgo sno tambén preferenca por el msmo, en este últmo caso la prma de reaseguro dsmnuye frente a varacones postvas en la volatldad del tanto nstantáneo. 7. EFEENCIAS BIBLIOGÁFICAS ALEGE, A. y MAYOAL,. (). Leyes estocástcas de captalzacón y descuento. Compatbldad bao el crtero de la esperanza. Documento de trabao 5/ del programa nterunverstaro de doctorado Nuevas Tendencas en Dreccón de Empresas.Unversdad de Burgos-Unversdad de Salamanca-Unversdad de Valladold. DEVOLDE, P. (993). Fnance Stochastque. Edtons de l Unversté de Bruxelles. Bruselas. DUA, J.M. y LOPEZ, J.M. (988). Fundamentos de estadístca. EDITOIAL AIEL, Madrd (España). MALLIAIS, A.G.and BOCK, W.A. (98). Stochastc Methods n Economcs and Fnance. North-Holland. Amsterdam. MAYOAL,. (997). Análss estocástco de las operacones fnanceras y actuarales con resgo de varacón del tpo de nterés. Tess doctoral. Barcelona.

22 Pons Cardell. M.A.; Sarrasí Vzcarra, F.J. PITACCO, E. (986). Smulaton n Insurance. In M. Goovaerts (eds.) Insurance and sk Theory, D. edel Publshng Company. PONS, M.A. y SAASÍ, F.J. (9). Solvenca en un reaseguro fnte rsk. Anales 9, tercera época, 5, pp SAASÍ, F.J. y PÉEZ, M.J. (3). Una aproxmacón al reaseguro fnancero en la modaldad de fnte rsk. Gerenca de esgos y Seguros, 8, º trmestre, pp. -3. Madrd (España). SHUSS, Z. (98). Theory and Applcatons of Stochastc Dfferental Equatons. John Wley & Sons. New York. Swss e. (977). La transferenca alternatva de resgos medante el seguro fnte rsk. Suza de reaseguros. Sgma 5.

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

Variables Aleatorias

Variables Aleatorias Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.

Más detalles

Una renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.

Una renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta. Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

1. Lección 7 - Rentas - Valoración (Continuación) Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

1. Variable aleatoria. Clasificación

1. Variable aleatoria. Clasificación Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

CESMA BUSINESS SCHOOL

CESMA BUSINESS SCHOOL CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta

Más detalles

Modelos triangular y parabólico

Modelos triangular y parabólico Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

3. VARIABLES ALEATORIAS.

3. VARIABLES ALEATORIAS. 3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)

Más detalles

5 Centrales Hidráulicas

5 Centrales Hidráulicas Curso SmSEE IIE 2012 Cap. 5 pág 1/6 5 Centrales Hdráulcas 5.1 Centrales Hdráulcas con Embalse En el caso de centrales con embalses, tendremos que agregar restrccones adconales para mponer los límtes de

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de

Más detalles

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología

Más detalles

Modelos unifactoriales de efectos aleatorizados

Modelos unifactoriales de efectos aleatorizados Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de

Más detalles

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica? Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento

Más detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

CyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes.

CyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes. CyRCE: Un modelo de Resgo de Crédto para Mercados Emergentes. Javer Márquez Dez-Canedo. DICIEMBRE 2004 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que

Más detalles

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror

Más detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1 Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para

Más detalles

Introducción al riesgo de crédito

Introducción al riesgo de crédito Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta

Más detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con

Más detalles

Nos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.

Nos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias. Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la

Más detalles

CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA

CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,

Más detalles

Tema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales

Tema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los

Más detalles

1 + e z. 1 + e. 1 + e = 1 0 2

1 + e z. 1 + e. 1 + e = 1 0 2 Tema 7. Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco Euskal Herrko Unbertstatea 7. Introduccón En

Más detalles

MUESTREO EN POBLACIONES FINITAS

MUESTREO EN POBLACIONES FINITAS MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño

Más detalles

IN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco

IN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel

Más detalles

Problemas de Control e Instrumentación de procesos químicos 4º Ingeniería Química

Problemas de Control e Instrumentación de procesos químicos 4º Ingeniería Química Problemas de Control e Instrumentacón de procesos químcos 4º Ingenería Químca Problema 9 La presón de un sstema de almacenamento de un certo gas se regula por medo de un sstema como el reflejado en la

Más detalles

( ) = ( ) ( ) E X x p. E X Y = E X E Y XY independientes. E X Y E X E Y Cauchy Schwarzt ( ) 2. Pr X a E X a Markov

( ) = ( ) ( ) E X x p. E X Y = E X E Y XY independientes. E X Y E X E Y Cauchy Schwarzt ( ) 2. Pr X a E X a Markov 1 2 Varables aleatoras 2.1 Dscretas 2.1.1 Genércas Esperanza de una v.a. o Valor esperado Propedades de la Esperanza k = ( x ) E X x p EmX+ b = mex + b EK Varanza de una v.a. = K ( + ) = + E X Y E X E

Más detalles

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad. Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en

Más detalles

+ x+ (19) expresión que puede ser vista como. : Prima neta nivelad del seguro continuo temporal a n-años

+ x+ (19) expresión que puede ser vista como. : Prima neta nivelad del seguro continuo temporal a n-años eserva Matemátca bajo e concepto de varabe aeatora y su nve de Sufcenca de seguro sobre una soa vda, (Propuesta de Modeo Actuara) (segunda parte) Oscar Aranda M UNAM, Fac. Cencas Dc 0 Por a gnoranca se

Más detalles

para cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.

para cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X. Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor

Más detalles

UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.

UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena. UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es

Más detalles

Algunas aplicaciones del test del signo

Algunas aplicaciones del test del signo 43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.

Más detalles

TEMA 3. VARIABLE ALEATORIA

TEMA 3. VARIABLE ALEATORIA TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad

Más detalles

Estadísticos muéstrales

Estadísticos muéstrales Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día

Más detalles

Universidad Diego Portales Facultad de Economía y Empresa

Universidad Diego Portales Facultad de Economía y Empresa Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

TRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.

TRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica. TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo

Más detalles

FUNDAMENTOS QUIMICOS DE LA INGENIERIA

FUNDAMENTOS QUIMICOS DE LA INGENIERIA FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

Dpto. Física y Mecánica

Dpto. Física y Mecánica Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

ESTADÍSTICA UNIDIMENSIONAL

ESTADÍSTICA UNIDIMENSIONAL ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:

Más detalles

Hay que destacar también, la tendencia actual

Hay que destacar también, la tendencia actual Modelos estocástcos de estmacón de pérddas en la proteccón fnancera a través de la ttulzacón del resgo de catástrofes naturales. Auste medante técncas de aprendzae automátco MARÍA JOSÉ PÉREZ FRUCTUOSO

Más detalles

En este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de

En este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO

Más detalles

Facultad de Ciencias Básicas

Facultad de Ciencias Básicas Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas

Más detalles

Operadores por Regiones

Operadores por Regiones Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]

Más detalles

ANÁLISIS DE FRECUENCIAS

ANÁLISIS DE FRECUENCIAS ANÁLII D FRCUNCIA XPRION PARA L CÁLCULO D LO VNO PARA L PRÍODO D RORNO Y D LO RPCIVO RROR ÁNDAR D IMACIÓN RQURIDO PARA LA DRMINACIÓN D LO INRVALO D CONFIANZA D LO IMADO D LO VALOR PRADO JULIAN DAVID ROJO

Más detalles

Inferencia en Regresión Lineal Simple

Inferencia en Regresión Lineal Simple Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco

Más detalles

Modelos de participación de mercado

Modelos de participación de mercado Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse

Más detalles

Estadistica No Parametrica

Estadistica No Parametrica Estadstca No Parametrca CLASE 3 Pruebas Basadas en la Dstrbucon Bnomal JAIME MOSQUERA RESTREPO Bnomal Test La prueba bnomal es quzás la prueba mas antgua encontrada en al lteratura. Se encuentra asocada

Más detalles

1.Variables ficticias en el modelo de regresión: ejemplos.

1.Variables ficticias en el modelo de regresión: ejemplos. J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes

Más detalles

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones

Más detalles

Capítulo Estimación del modelo de Nelson y Siegel Introducción Estimación del modelo de Nelson y Siegel

Capítulo Estimación del modelo de Nelson y Siegel Introducción Estimación del modelo de Nelson y Siegel Capítulo 4... 91 Estmacón del modelo de Nelson y Segel... 91 4.1. Introduccón... 91 4.2. Estmacón del modelo de Nelson y Segel... 92 4.2.1. Tratamento prevo a la estmacón... 92 4.2.2. Defncón del crtero

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR

IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.

Más detalles

Variable aleatoria: definiciones básicas

Variable aleatoria: definiciones básicas Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado

Más detalles

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales: VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento

Más detalles

El Modelo IS-LM. El modelo IS-LM

El Modelo IS-LM. El modelo IS-LM El Modelo IS-LM El modelo IS-LM 4. Introduccón 4.2 La demanda agregada: La funcón de nversón 4.3 Equlbro del mercado de benes: La curva IS 4.4 Equlbro del mercado de dnero: La curva LM 4.5 Equlbro de la

Más detalles

Se entiende por renta el cobro o el pago periódico motivado por el uso de un capital

Se entiende por renta el cobro o el pago periódico motivado por el uso de un capital Rentas Se entende por renta el cobro o el pago peródco motvado por el uso de un captal Desde el punto de vsta de las matemátcas fnanceras, se entende por renta una sucesón de captales dsponbles, respectvamente

Más detalles

Matemática Financiera Sistemas de Amortización de Deudas

Matemática Financiera Sistemas de Amortización de Deudas Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas

Más detalles

Objetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria

Objetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto

Más detalles

Diseño de la Muestra. Introducción. Tipo de muestreo y estratificación

Diseño de la Muestra. Introducción. Tipo de muestreo y estratificación Dseño de la Muestra A Introduccón Sguendo las orentacones dadas por la Ofcna Estadístca de la Unón Europea (EUROSTAT) se a selecconado una muestra probablístca representatva de la poblacón de los ogares

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

Tema 6 El mercado de bienes y la función IS

Tema 6 El mercado de bienes y la función IS Tema 6 El mercado de benes y la funcón IS Macroeconomía I Prof. Anhoa Herrarte Sánchez Curso 2007-08 Bblografía para preparar este tema Apuntes de clase Capítulo 3, Macroeconomía, O. Blanchard Prof. Anhoa

Más detalles

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,

Más detalles

Guía para la autoevaluación del del capítulo 6

Guía para la autoevaluación del del capítulo 6 Capítulo 6: EL BANCO CENTRAL Y LA POLÍTICA MONETARIA Guía para la autoevaluacón del del capítulo 6 1) Ante una recuperacón económca, cuál es el cambo que se produce en los valores de equlbro del mercado

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de: Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón

Más detalles

Consideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir

Consideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir 1. PRINIPIO E TRJOS VIRTULES El prncpo de los trabajos rtuales, en su ertente de desplazamentos rtuales, fue ntroducdo por John ernoull en 1717. La obtencón del msmo dera de la formulacón débl (o ntegral)

Más detalles

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que

Más detalles

Guía de Electrodinámica

Guía de Electrodinámica INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

Mª Dolores del Campo Maldonado. Tel: :

Mª Dolores del Campo Maldonado. Tel: : Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n

Más detalles