Ensayos Limitaciones del modelo lineal de probabilidad y alternativas de modelación microeconométrica

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

Download "Ensayos Limitaciones del modelo lineal de probabilidad y alternativas de modelación microeconométrica"

Transcripción

1 Esayos Lmacoes del modelo leal de probabldad y aleravas de modelacó mcroecoomérca Resume Absrac Résumé E ese arículo se eama res méodos para desarrollar modelos de probabldad para ua varable de respuesa bara: modelo leal de probabldad (MLP), modelo Log y el modelo Prob. Los resulados dca que el modelo leal de probabldad o es capaz de dar ua respuesa adecuada a los procesos de decsó dcoómca. Por esa razó, se sugere u plaeameo o leal de los modelos de eleccó dscrea qué, s duda, solucoa alguos de los problemas asocados al MLP. Three mehods are eamed o develop hs model of probably for a varable of bary aswer: lear model of probably (LMP), model log ad he model prob. The resuls dcae ha he lear model of probably s o able o gve a suable aswer o he processes of dscree decso. Therefore a olear eposo of he models of double eleco s suggesed ha, whou a doub, wll solve some of he assocaed problems wh he LMP. Das ce arcle, o eame ros méhodes pour développer des modèles de probablé pour ue varable de répose bare : le modèle léare de probablé (MLP), le modèle Log, e le modèle Prob. Les résulas dque que le modèle léare de probablé es pas capable de doer ue répose adéquae au processus de décso dchoomque. C es pourquo o suggère la mse e place o léare des modèles de cho dscre qu, sas aucu doue, appore ue soluo à ceras problèmes assocés au MLP. * M. C. Norma Edh Alamlla-López M. E. Sgfredo Arauco Camargo. Palabras clave: Probabldad, MLP, modelos Log y Prob. * Profesores Ivesgadores de la Uversdad Tecológca de la Meca Iroduccó La respuesa empresaral e ua ecoomía global requere rapdez y efceca e la oma de decsoes dada la eacerbada compeeca provocada por la egracó de mercados y el desarrollo ecológco (comucacó, elecróca e formáca). E ese paorama, para que la decsó sea efecva, debe ser racoal. Los fes u objevos de la empresa puede ser múlples, maeer compevdad, absorber uevos segmeos de mercados, moderzarse, ec. Para lograr lo aeror se debe de erprear de maera operava a la empresa medae la cosecucó de valores añaddos e sedo facero, que se relacoa co la reabldad-segurdad y la solvecaesabldad, que se derva de las razoes faceras o comparacó por cocee de valores co sgfcado para la empresa que srve para la oma de decsoes. El aálss co base e razoes ambé puede ulzarse para deermar probabldades y edecas; señalar los puos débles e el egoco y sus prcpales fallas, sempre que se ega cudado e escoger relacoes proporcoales. Alfredo Pérez Harrs (000). Se desarrolla u plaeameo eórco co la ecó de evdecar Temas de Ceca y Tecología vol. 3 úmero 39 sepembre - dcembre 009 pp 3-3

2 la cosseca eórca del MLP. E la prmera pare se desarrolla modelos de respuesa bara preseado prmero el Modelo Leal de Probabldad (MLP); s embargo, la forma fucoal ee alguas lmacoes cuado se esma por Mímos Cuadrados Ordaros (MCO), ya que o respode alguos supuesos báscos que lo haga efcees. Por ejemplo, el coefcee de deermacó e base a la R ee u valor lmado e los modelos de respuesa dcoómca, la ormaldad de las perurbacoes o asegura que ega ua dsrbucó ormal, hay esmacoes o acoadas y puede esr heerocedascdad. Lo aeror resrge la bodad del MLP. E la seguda pare y dado el coveee se sugere la aplcacó de modelos de respuesa bara como los modelos Log y Prob; que ípcamee so esmados por el méodo de máma verosmlud, debdo a que ese esmador ee bueas propedades. E parcular, es asócamee efcee, es decr, es u esmador mas precso. E la ercera eapa se lusra el modelo leal de probabldad al caso del grupo Ceme para cofrmar la cosseca del modelo Log y Prob. Falmee se desarrolla las coclusoes perees.. Modelos de eleccó bara E los modelos de eleccó bara se supoe que los dvduos se efrea co ua eleccó ere dos aleravas y que la eleccó depede de caraceríscas defcables. E esa suacó, la varable edógea puede omar dos valores: { 0,}, y se preede eplcar la eleccó hecha por el decsor como fucó de uas varables que le caracerza y que se deoa por, u vecor de dmesó k. El propóso de u modelo de eleccó cualava es deermar la probabldad de que u dvduo co u cojuo deermado de arbuos hará ua eleccó e lugar de la alerava. De maera más geeral, lo que se preede es ecorar ua relacó ere u cojuo de arbuos que descrbe a u dvduo y la probabldad de que el dvduo hará la eleccó deermada. E ese rabajo, se cosdera las varables eógeas pa (prueba ácda) y vas (veas) y como varable edógea lq (lqudez). El prmer rabajo eórco que fue desarrollado para esudar modelos co varables dcoómcas se plaeó como ua eesó del Modelo leal geeral, y do paso al Modelo Leal de probabldad (MLP).. Modelo leal de probabldad (MLP) Cosderemos el sguee modelo: +, modelo de ese po de ecuacoes e dode la varable depedee es dcoómca y es fucó de las varables eplcavas se deoma Modelo leal de probabldad. La dsrbucó de la muesra e ese po de modelos se caracerza por mosrar ua ube de puos de al forma que las observacoes muesrales se dvde e dos subgrupos. Uo de los cuales es el formado por las observacoes e las que ocurró el hecho objevo de esudo, es decr cuado, y el oro, por los puos muesrales e los que o ocurró, es decr, 0. El modelo leal de probabldad, se puede erprear e érmos probablíscos, e el sedo de que u valor cocreo de la reca de regresó mde la probabldad de que ocurra el hecho objevo de esudo. Es decr, ˆ se puede cosderar como la esmacó de la probabldad de que ocurra el hecho objevo de esudo sguedo el sguee crero: Valores prómos a cero se correspode co ua baja probabldad de ocurreca del hecho esudado (meor cuao más prómos a cero); meras que a valores prómos a uo se les asga ua probabldad elevada de ocurreca (mayor cuao más prómos a uo). Por oro lado, se ee que E ) ( () ya que se supoe que ( ) 0 E. Además se ee que P es la probabldad de que y - P es la probabldad de que 0. La dsrbucó de es dode Ber( P ), f ( y ) P ~ ( P ) y y 4 Temas de Ceca y Tecología sepembre - dcembre 009 Esayos

3 para y 0,. ( P ) P E ( ) 0( P ) + () comparado () co () eemos que : E ( ) P eoces la esperaza codcoal de puede erprearse como la probabldad codcoal de. A couacó se demuesra u eorema. Teorema. 0 P( ) Demosracó. Por aoma de la probabldad se ee que 0 P( ) además, eoces P( y ) + P( y ) P( y ) P( y ) ora vez por aoma eemos que por lo ao 0 P( y ), P ( y ). Eso os dca que el valor esperado codcoal de dado edría que esar ere 0 y, es decr 0 ( ) E. Dado el modelo Porque o ulzar el méodo esádar de mímos cuadrados ordaros (MCO)? Veamos alguos problemas a los que se efrea esa suacó: A. No ormaldad de las perurbacoes Para MCO o es ecesaro supoer que los so ormales, s embargo se supoe así para efecos de fereca esadísca (esmacó, corase, ec). S embargo el supueso de ormaldad o es váldo para los MLP debdo a que como ocurre co los, los oma sólo dos valores ya que:, cuado, y cuado 0,, eoces o podemos supoer que los esá ormalmee dsrbudos. B. Varaza heerocedásca de los errores Auque E( ) 0 y E( j ) 0 para j, o se puede sasfacer la codcó de que las perurbacoes sea homocedáscas. Teemos que Por defcó eoces pero 0 Var( ) E E[ E( ) P( ) + P( ) ( ) de aquí eemos que por lo ao, ( P ) + ( ) Aquí vemos claramee que la varaza de depede del vecor de caraceríscas por lo que o so varaza homocedáscas (guales) s o heerocedáscas. Se sabe que e preseca de heerocedascdad, los esmadores de MCO a pesar de ser sesgados o so efcees (esmadores sesgados de míma varaza). P Probabldad P - P E( ) ( ) ( ) + ( ) ( ) ( E ) ( )( ) ( )( ) E( ) E( P( P) {[ E( )] } E( ) + E ) ( )] E( ), [ + ] [ E( )] Lmacoes del modelo leal de probabldad... Temas de Ceca y Tecología sepembre - dcembre 009 5

4 C. El hecho que o se cumpla 0 E( ) Dado que E ( ) e los modelos de probabldad leal mde la probabldad codcoal de que ocurra el eveo dado, dcha esperaza debería esar ecesaramee compredda ere 0 y. Auque eso es verdad a pror, o se puede garazar que ˆ, los esmadores de E ( ), cumpla ecesaramee esa resrccó, lo que cosuye el mayor problema de la esmacó ulzado MCO del MPL. Ese dos méodos para saber s los esmadores esá efecvamee ere 0 y : ˆ a) El prmero cosse e esmar el MPL por el méodo de MCO y ver s los ˆ se ecuera ere 0 y b) Dseñar ua écca de esmacó que garace que las probabldades codcoales esmadas esé ere 0 y. D. Valor cuesoable del R como medda de la bodad del ajuse. El coefcee de correlacó leal R, cosderado covecoalmee ee u valor lmado e los modelos de respuesas dcoómcas. Cada coefcee de la pedee proporcoa la asa de cambo que epermea la probabldad codcoal del eveo que esá aumeado ae u cambo dado e ua udad e el valor de la varable eplcava. E el MPL se asume que P E( ) aumea lealmee co, lo cual mplca que el cremeo margal o cremeal de permaece cosae odo el empo. Se requere de u modelo (probablsco) que ega las sguees caraceríscas: ) A medda que aumea, P E( ) aumea, pero uca se súa fuera del ervalo [0,] ) La relacó ere y P o es leal, es decr, que se acerque a cero a asas cada vez meores a medda que se hace pequeña y que se acerque a las velocdades cada vez más leas a medda que se hace grade (Joh Aldrch y Forres Nelso). Cualquer dsrbucó de probabldad acumulada reúe esa codcó. Por razoes hsórcas como ambé práccas, la FDA que se escoge comúmee para represear los modelos de respuesa 0- so : ) fucoes logíscas ) fucoes ormales, dode la prmera da orge al modelo Log y la seguda al modelo Prob.. Modelos Prob y Log Dadas las dfculades asocadas co el modelo leal de probabldad, es aural rasformar el modelo orgal de al forma que las predccoes caga e el ervalo [0,]. Es decr, para asegurar que P caga ere 0 y, se requere ua fucó moóoa posva que mapee el predcor leal η al ervalo [0,]. Eoces debería adoparse u modelo bajo el cual los valores de P esé resrgdos al ervalo [0,]. Ua forma muy coveee de resrgr la forma fucoal es la sguee: e dode F ( ) es ua fucó de dsrbucó acumulada (FDA). La cual es ua fucó dferecable moóoa crecee co domo R y rago [0,]. co El modelo o leal sería el sguee: F ) + (, E( ) F( ). P ( η ) F( ) Alguas caraceríscas de la fucó F ( ) :. Obvamee se raa de ua fucó o leal, pero ua muy parcular, e el sedo de que las varables eógeas afeca la varable edógea a ravés de u ídce leal, que luego es rasformado por la fucó F ( ) de maera al que los valores de la msma sea cossees co los de ua probabldad.. Cómo elegr la fucó F ( )? La fucó de dsrbucó acumulada de cualquer varable aleaora coua ee la propedad de F ( ). Prmeramee, s se elge a F ( ) como la dsrbucó uforme acumulada eoces obeemos la cosruccó del modelo de probabldad leal. Auque so posbles varas aleravas de la FDA, sólo se cosderará dos: la ormal y la logísca. El modelo de probabldad prob se asoca co la fucó de dsrbucó ormal acumulada. 6 Temas de Ceca y Tecología sepembre - dcembre 009 Esayos

5 π Φ( π e Z ) dode Z es la varable ormal esádar, es decr Z ~ N(0,). Además se ee que: π Φ( ) Φ ( π ). Usado la dsrbucó logísca Λ ( ) se produce el modelo log leal. π Λ( ) + e e + e dz La fgura muesra las gráfcas de las dsrbucoes ormal y logísca. muy smple, meras que la FDA ormal volucra ua egral que o es fácl de evaluar.. Ierpreabldad: Ua erpreacó más seclla del parámero esmado es la que se obee a ravés de la lealzacó del modelo. π l + e π I l + I l( e ) e I l e + e + e Al cocee ere la probabldad de que ocurra u hecho free a la probabldad de que o suceda, se le deoma odds rao. Su erpreacó es la prefereca de la opcó free a la opcó 0, es decr, el úmero de veces que es más probable que ocurra u feómeo free a que o ocurra. Odds rao I π π. FIG.. DISTRIBUCIÓN ACUMULADA NORMAL LOGÍSTICA. Las dferecas báscas ere esas dos fucoes co forma de S verda, resde e el comporameo de las colas, eso es, para valores prómos a 0 o a, al como puede aprecarse e la fgura. Dada la smlud esee ere las curvas de la ormal acumulada y de la acumulada logísca, los resulados esmados por ambos modelos o dfere mucho ere sí, ya que puede aprecarse e la fgura que dscrepa, úcamee e la rapdez co que las curvas se aproma a los valores eremos y por lo ao la fucó logísca es mas achaada que la ormal, al alcazar esa úlma más rápdamee los valores eremos, 0 y. A pesar de su smlud, ese dos razoes práccas que aveaja al modelo Log:. Smplcdad: la ecuacó de la FDA logísca es Dada u varable aleaora, caracerzada por uos parámeros, y dada ua muesra poblacoal, se cosdera esmadores Mámo-Verosímles de los parámeros de ua poblacó deermada, aquellos valores de los parámeros que geeraría co mayor probabldad la muesra observada. Es decr, los esmadores Mámo-Verosímles so aquellos valores para los cuales la fucó de desdad cojua (o fucó de verosmlud) alcaza u mámo. Esmacó de los parámeros e el modelo Prob. E el caso del modelo Prob, la fucó de verosmlud es: L Φ [ ( )] [ Φ( )] aquí puede aprecarse que, para cada dvduo, el ermo correspodee e la fucó de verosmlud es, smplemee, Φ ( ) ó Φ( ), depededo de que ó. Por ao, cosderado el logarmo de la verosmlud se ee que: Lmacoes del modelo leal de probabldad... Temas de Ceca y Tecología sepembre - dcembre 009 7

6 l L l [ Φ( )] + ( )l [ Φ( )] I I I y, calculado dervadas co respeco al vecor, se ee que l L f ( ) + Φ( ) dode ( ) ( ) f Φ o, equvaleemee Φ( ) Φ( ) [ Φ( )] f ( ) ( ) 0 Φ( ) f ( ) 0 El cual se raa de u ssema de k- ecuacoes o leales. Esmacó de los parámeros e el modelo Log. Supoedo que las observacoes so depedees, la fucó de desdad cojua de las varables dcoómcas queda como: L ( ) e F( ) [ F( )] 0 + o, lo que es lo msmo: I l L [ + ] ( ) L ( e ) y deoado por se ee: y, ( ) Z L ( + e ( e ), u vecor fla k, l L Z L ( + e ), I l e L Z L + e 0 El cual se raa de u ssema de k-ecuacoes o leales por lo que es ecesaro aplcar u méodo L. ) eravo o algormo de opmzacó que perma la covergeca de los esmadores. 3. Aplcacó al caso del grupo Ceme El problema de la decsó ere dos o mas aleravas mplca el plaeameo de u modelo que cosdera ua varable depedee que o es cuaava, es decr, o ee u valor cocreo, so que es cualava, y se codfca medae dígos o caegorías, lo que mplca elaborar el MLP y modelos baros. 3. Aplcado el modelo MLP Especfcacó del Modelo Leal de Probabldad (MLP) u dvduo se va a efrear a u proceso de decsó ere dos aleravas 0 y 0 La especfcacó de la decsó se esablecería a ravés de la ecuacó: Pr ob ( ) Por lo ao el MLP quedaría especfcado de la sguee maera: + Co el f de esudar la decsó operava de mayor vearo o mayor lqudez del Grupo Ceme, se dspoe de daos faceros de 996 al 004 de forma rmesral que geera 36 daos como veas (vas) y ua razó facera llamada prueba del ácdo (pa). Se dseña u modelo smple, que se relacoa, a ravés de ua ecuacó de comporameo, ua varable edógea que dca u hecho o suceso que va a omar dos valores (,0) para omar ua decsó que beefce a la empresa. Pr ob dode: es ua razó facera deomada la prueba del ácdo es decr, Raos de lqudez que proporcoa ua dea sobre la capacdad facera de la empresa para afroar los compromsos de pagos coraídos por operacoes de 8 Temas de Ceca y Tecología sepembre - dcembre 009 Esayos

7 facacó ajea, co vecmeo a coro plazo. se refere a la varable veas, es decr, volume de vea que maee la empresa. lqudez, oma dos valores: omar ua decsó operava a parr de la eseca de lqudez 0 omar ua decsó operava a parr de la o eseca de lqudez es ua varable esocásca. Cosderamos varable edógea a la varable lqudez (lq), meras que las varables prueba del ácdo (pa) y veas (vas) so las varables eógeas. Hacedo u aálss e E-Vews cosderado el MLP, y aplcado el méodo de MCO a las 33 observacoes correspodees a las varables volucradas e el modelo, para los rmesres 99: al 007:, el modelo esmado se presea eoces de la sguee maera: ˆ *pa e-07*vas Se puede comprobar que odos los coefcees presea los sgos esperados, la erpreacó de los coefcees de regresó es clara, ya que el valor del coefcee.95 asocado a la varable pa dca, que maeedo el reso de las codcoes guales, u cremeo uaro e la roacó de lqudez e la varable pa, provocará u cremeo de la probabldad gual a.95 e érmo medo para que la empresa dspoga de recursos, gual sucede co la varable veas co u valor de.0. La valdacó esadísca del modelo medae el coefcee de deermacó resuló ser del Eso quere decr que el comporameo de la lqudez vee eplcado e 69% por el úcleo del modelo, dejado u 3% a las varables o cludas. E ese caso, el úcleo del modelo esá compueso por dos varables Prueba del ácdo y veas de la empresa. La prueba de sgfcaca global a ravés del esadísco F es de 33. el cual es superor al valor de ablas F(k-;-k) e dode k es el úmero de parámeros y es el úmero de observacoes, a u vel de sgfcaca del 5%, demosrado que ese ua relacó alamee sgfcava ere odas las varables cludas e el modelo. La prueba de sgfcacó dvdual, se llevó a cabo medae el esadísco (Sude) aplcado a cada parámero esmado. El esadísco, calculado como el cocee ere el valor esmado del parámero y su desvacó esádar resuló ser de 4.4 y.09 para y 3 respecvamee. Todos esos valores so superores al valor e ablas de.69 (, al 5% co -k grados de lberad). Co esos resulados queda demosrado esadíscamee que los valores esmados de los parámeros so sgfcavamee dferees de cero. Falmee para descarar la auocorrelacó del modelo se aplca el es de Durb-Waso, el cálculo del esadísco do u valor de.50 y se comparó co los límes (para k y 33), feror.3 y superor.57de los valores crícos recogdos e la abla respecva al 5% se sgfcacó. Dado que el valor del esadísco esá e la zoa de decsó pero cercao al líme superor de la abla, quere decr que o hay evdeca de auocorrelacó. Co base e las pruebas esadíscas mosradas aerormee, se puede coclur que el modelo plaeado eplca razoablemee el comporameo de la lqudez de la empresa e esudo. S embargo, para coclur sasfacoramee ese aálss se debe de erprear cuaro creros propos de los MCO para susear la valdez: A. Esmacoes o acoadas B. Eseca de heerocedascdad, que hace del méodo MCO efcees C. No ormaldad de las perurbacoes D. El coefcee de deermacó esá subesmado, es más pequeño de lo que debería ser. A. Esmacoes o acoadas: Someemos el modelo al aálss de las esmacoes o acoadas medae ua represeacó gráfca de la ube de puos para el caso de la varable eplcava prueba del ácdo se muesra e la fgura. FIG.. GRAFICA DE LA NUBE DE PUNTOS PA VS LIQUIDEZ Lmacoes del modelo leal de probabldad... Temas de Ceca y Tecología sepembre - dcembre 009 9

8 Meras que el caso de la varable eplcava veas se muesra e la fgura. Lo cual os esá mosrado lo dcho eórcamee por el modelo; el valor esmado puede esar fuera del rago 0-, eso puede aprecarse e las dos gráfcas aerores. La esmacó del MLP a ravés de MCO o garaza que los valores esmados de esé ere 0 y, lo cual carece de lógca al erprear el valor esmado como ua probabldad. B. Eseca de heerocedascdad, que hace del méodo MCO efcees: se va a corasar la preseca de heerocedascdad medae el es de Whe. P P) ( FIG. 3. GRÁFICA DE LA NUBE DE PUNTOS PA VS VENTAS. Al raar de ajusar u modelo leal de probabldad se produce lo sguee: Al grafcar los valores predchos o esadarzados se observa que: los valores predchos o cae dero de los valores de 0 y cosderado las dos varables eplcavas pa y veas. Whe Heeroskedascy Tes: F-sasc Probably Obs*Rsquared Probably Bajo la hpóess ula de la homocedascdad, el esadísco: (úmero de observacoes)* R, se dsrbuye segú χ co k- grados de lberad, y sedo k el úmero de varables regresoras (cluda la cosae) e la esmacó del modelo. Así, se ee que: a u vel de sgfcaca del 5% y 4 grados de lberad el valor e ablas es de 8.5, dado que el valor calculado del es Whe o es meor que el valor e ablas se rechaza la hpóess ula de homocedascdad, por lo ao se ee que las perurbacoes so heerocedáscas. C. No ormaldad de las perurbacoes: El corase de ormaldad de las perurbacoes se realzó medae el es Jarque-Bera sobre el resduo de los modelos esmados Seres: RESID Sample 999: 007: Observaos 33 Mea.86E-7 Meda Mamum Mmum Sd. Dev Skewess Kuross Jarque-Bera Probably A ravés del hsograma y de los valores de los esadíscos proporcoados, se llega a la coclusó de que los resduos del modelo esmado se 0 Temas de Ceca y Tecología sepembre - dcembre 009 Esayos

9 dsrbuye ormalmee. E efeco, el esadísco de Jarque-Bera se dsrbuye segú ua χ co dos grados de lberad y se defe como: (JB < χ ) es decr se cumple la codcó ya que la.9584 < Por lo ao, es ormal. D. El coefcee de deermacó esá subesmado, es más pequeño de lo que debería ser. Efecvamee, dado que la suma de los cuadrados de los resduos es más grade de lo habual afeca a la obecó del coefcee de deermacó. (Berard Cabrer Borras, 00). R ( y ˆ) ( y ( y y) ˆ) E el aálss global de las cuaros razoes mecoadas la ormaldad sería el úco crero que o especfcaría la debldad del MLP medae el méodo de MCO, lo que perme coclur que el MLP o es capaz de dar ua respuesa adecuada a los problemas que presea los procesos de decsó dcoómca. Por esa razó, se hace u plaeameo o leal de los modelos de eleccó dcoómca que, s duda, solucoa alguos de los problemas asocados co MLP. Al aalzar los daos co los modelos prob y log, eemos los sguees resulados. Al aalzar la varable lqudez co los varables pa y vas, se ee que el modelo resula ser o sgfcavo co gua de las varables, clusve resula que los esmadores mámo verosímles o ese, eso puede ser debdo a la ala correlacó que ese ere la varable edógea y la varable eógea pa, por lo que procedmos a correr el modelo sólo co ua de las varables: Veas. 3. Aplcado los modelos log y prob Al ajusar el modelo Log a la varable eógea veas, usado E-Vews, las esmacoes que proporcoa so: e ( E-06*vas) log ( ˆ π ) + e ( E-06*vas) Todos los coefcees del modelo resula sgfcavos al 95% e fucó del esadísco de Wald. Por oro lado, s aedemos a los corases basados e los creros de formacó de Akake, Schwarz y de Haa-Qu esablece que meras más bajos sea sus valores mejor será el modelo. E el Sofware E-Vew esos creros ee valores muy pequeños , , y , respecvamee. A eor de ellos, podemos decr que el modelo cumple sasfacoramee ese requso, y que por lo ao es u bue modelo. Por oro lado al ajusar el modelo Log a la varable eógea veas, usado E-Vews, las esmacoes que proporcoa so: Φ ( ˆ π ) E 0.6 * vas por lo ao ˆ π Φ( E 0.6* vas) Todos los coefcees del modelo resula sgfcavos al 95% e fucó del esadísco de Wald. Aálogamee a los resulados del modelo Log, s aedemos a los corases basados e los creros de formacó de Akake, Schwarz y de Haa-Qu que esablece que meras más bajos sea sus valores mejor será el modelo, se ee que los valores que se obee so , , y , respecvamee. A eor de ellos, podemos decr que el modelo cumple sasfacoramee ese requso, y que lo ao ambé es u bue modelo. Por lo que cualquera de los dos modelos puede ulzarse para efeco de fereca. S embargo, es el modelo Prob el que (lgeramee) mejor eplca esadíscamee la relacó ere la lqudez y las veas. 4. Coclusoes Ese esudo eama la aplcacó de modelos dcoómcos como los modelos Log y Prob a parr de las lmacoes del modelo leal probablísco e érmos eórcos, para poserormee covaldar la eposcó medae la aplcacó de u modelo secllo de decsó empresaral para el caso de la empresa CEMEX, poedo a prueba el modelo de decsó e los res méodos de modelacó. Se paró del aálss del modelo de eleccó Lmacoes del modelo leal de probabldad... Temas de Ceca y Tecología sepembre - dcembre 009

10 dscrea dcoómco más secllo, el MLP, e el que se esuda su especfcacó, esmacó y lmacoes, dado el señalameo de sus debldades se epoe los modelos Log y Prob. E ese caso se revsa su especfcacó, esmacó y la evaluacó de la bodad del modelo cofrmado eórcamee y empírcamee la cosseca de los modelos para esudos de decsó de po empresaral. De acuerdo co el modelo especfcado para la empresa Ceme, su decsó se eplca ere oros facores, las veas y la prueba del ácdo, el modelo calmee se corre co el méodo de MCO e el coeo de MLP dode se cofrma que dcho modelo o sasface las codcoes de homocedascdad, esmacoes o acoadas ere 0 y y el coefcee de esmacó es subesmado, razoes sufcees para o cosderar u ajuse co ese modelo. Lo que perme remplazar el modelo MLP co cualquera de los modelos de decsó bara, aquí esudados, esos ee mejor ajuse y defcó cuado el modelo se hace resrcvo y sólo se cosdera a la varable veas como la varable que va a eplcar la eseca de lqudez e la empresa e érmos dcoómcos. E ambos casos (modelos Log y Prob) los resulados so esadíscamee sgfcavos, por ao, se acepa cualquera de los dos modelos, dado que ese causaldad e el coeo empresaral ya que se ha represeado la probabldad de eer lqudez para dsos veles de rea de u poecal cremeo o decremeo de veas. Bblografía Akake, H 973 Iformao heory ad eesos of he Fey, D.J. mamum lkehood prcples. Akadema Kada: Budapes. 97 Prob Aalyss. Cambrge Uversy Press Gujara, D. N. 995 Basc Ecoomercs. Ed. McGraw-Hll Ic. 3 edcó. Irlgaor, M.D. 990 Modelos Ecoomércos, Téccas y Aplcacoes. Fodo de Culura Ecoómca S.A. Méco. Lawrece J. Gma 003 Admsracó Facera. Ed. Pearso. Novales, A. 993 Ecoomería, da. Ed., McGraw-Hll. US. Perez Harrs, Alfredo 000 Los Esados Faceros, Su Aálss e Puldo, A. Ierpreacó, ECAFSA, Méco. 989 Predccó Ecoómca y Empresaral. Prámde. Madrd, España. Temas de Ceca y Tecología sepembre - dcembre 009 Esayos

PLAN DE TRABAJO 11 Período 23/10/06 al 3/11/06. Durante estas dos semanas estudiarás los modelos de regresiones lineales.

PLAN DE TRABAJO 11 Período 23/10/06 al 3/11/06. Durante estas dos semanas estudiarás los modelos de regresiones lineales. Pla de Trabajo 0- Año 006 Curso Lbre Assdo de Esadísca II Docees resposables: Lercy Barros - María Sague PLAN DE TRABAJO Período 3/0/06 al 3//06 TEMAS A ESTUDIAR Durae esas dos semaas esudarás los modelos

Más detalles

UNIDAD 7.- Matrices (tema 1 del libro) = MATRICES

UNIDAD 7.- Matrices (tema 1 del libro) = MATRICES UNIDD.- Marces (ema del lbro). MTRICES Ua mar se puede eeder como ua abla de úmeros ordeados e flas columas Defcó.- Se llama mar de dmesó m a u cojuo de úmeros reales dspuesos e m flas columas de la sguee

Más detalles

4.4. La ciudad circular El Modelo de Salop

4.4. La ciudad circular El Modelo de Salop 4.4. La cudad crcular El Malde Machado Ecoomía Idusral - Malde Machado La Cudad Crcular El modelo de Salop 4.4. La cudad crcular El E el modelo de Hoellg habamos supueso que solo hay dos empresas. Ahora

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

Estimación de parámetros en ecuaciones diferenciales estocásticas aplicadas a finanzas

Estimación de parámetros en ecuaciones diferenciales estocásticas aplicadas a finanzas Esmacó de parámeros e ecuacoes dferecales esocáscas aplcadas a fazas Joh Freddy Moreo Trujllo * jho.moreo@uexerado.edu.co * Docee vesgador. Faculad de Fazas, Gobero y Relacoes Ieracoales. Uversdad Exerado

Más detalles

CURSO DE ECONOMETRIA BÁSICA

CURSO DE ECONOMETRIA BÁSICA CURSO DE ECONOMETRIA BÁSICA D. Fracsco Parra Rodríguez. Jefe de Servco de Esadíscas Ecoómcas y Socodemografcas. Isuo Caabro de Esadísca. ICANE, ÍNDICE Tema. Regresó y correlacó leal smple Tema. Regresó

Más detalles

1.1.- Concepto Definición de cono Definición de función homogénea Interpretación económica de la función homogénea

1.1.- Concepto Definición de cono Definición de función homogénea Interpretación económica de la función homogénea Fucoes homogéeas FUNCIONES HOMOGÉNEAS (ESQUEMA).- Cocepo y propedades...- Cocepo Defcó de coo Defcó de fucó homogéea Ierpreacó ecoómca de la fucó homogéea..- Propedades (Operacoes co fucoes homogéeas)

Más detalles

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL ESTUDO DE OSTOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL Volume V apulo 3 forme Fal Revsó. VOLUMEN V APTULO 3 METODOLOGÍA PARA LA ATULZAÓN DE LAS URVA DE OSTOS ÓPTMOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL

Más detalles

INGENIERÍA DE CONFIABILIDAD.. PORQUE UNA DE LAS FORMAS MÁS IMPORTANTES DE AGREGAR VALOR, ES EVITAR QUE SE DESTRUYA

INGENIERÍA DE CONFIABILIDAD.. PORQUE UNA DE LAS FORMAS MÁS IMPORTANTES DE AGREGAR VALOR, ES EVITAR QUE SE DESTRUYA Lecura 6 PRONÓSTICOS EN ACTIVOS REPARABLES INGENIERÍA DE CONFIABILIDAD.. PORQUE UNA DE LAS FORMAS MÁS IMPORTANTES DE AGREGAR VALOR, ES EVITAR QUE SE DESTRUYA Medardo Yañez Yañez Meda, Medardo - Gómez de

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

n t T é c n i c Curso de Estadística con R Autor: Francisco Parra Rodríguez Jefe de Servicio de Estadísticas Económicas y Sociodemográficas ICANE

n t T é c n i c Curso de Estadística con R Autor: Francisco Parra Rodríguez Jefe de Servicio de Estadísticas Económicas y Sociodemográficas ICANE D o c u m e Curso de Esadísca co R o s Auor: Fracsco Parra Rodríguez Jefe de Servco de Esadíscas Ecoómcas y Socodemográfcas ICANE DOC. Nº /6 ISSN 444-67 Saader, Caabra T é c c o s . EL MODELO LINEAL GENERAL...3..

Más detalles

Una formulación general de un modelo de regresión paramétrico es la siguiente:

Una formulación general de un modelo de regresión paramétrico es la siguiente: Esmadores úcleos y polomos locales. Fracsco Parra Rodrguez Docor e Cecas Ecoómcas. UNED. Modelos de regresó o paramércos Los modelos de regresó paramércos supoe ue los daos observados provee de varables

Más detalles

Vida media residual de mixturas finitas y aplicaciones a sistemas coherentes

Vida media residual de mixturas finitas y aplicaciones a sistemas coherentes Vda meda resdual de mxuras fas y aplcacoes a ssemas coherees Vda meda resdual de mxuras fas y aplcacoes a ssemas coherees Navarro Camacho, Jorge jorgeav@umes Deparameo de Esadísca e Ivesgacó Operava Uversdad

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

TEMA 5: CAPITALIZACIÓN COMPUESTA ÍNDICE

TEMA 5: CAPITALIZACIÓN COMPUESTA ÍNDICE Maemácas Faceras Prof. Mª Mercedes Rojas de Graca TEMA 5: APITALIZAIÓN OMPUESTA ÍNDIE. APITALIZAIÓN OMPUESTA..... ONEPTO..... DESRIPIÓN DE LA OPERAIÓN....3. ARATERÍSTIAS DE LA OPERAIÓN....4. DESARROLLO

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

Para el caso τ = 20 [min], la función se puede representar de las siguientes formas: a) Función Matemática: b) Tabla de Valores

Para el caso τ = 20 [min], la función se puede representar de las siguientes formas: a) Función Matemática: b) Tabla de Valores 1 RAPIDEZ DE CAMBIO Semaa 05 1 Varables depedees y o depedees Defr los cocepos: varable, cosae, cremeo, varacó. Defr los cocepos: varable depedee, varable depedee. Recoocer varables depedees e depedees.

Más detalles

Introducción a la Estadística Descriptiva

Introducción a la Estadística Descriptiva Iroduccó a la Esadísca Descrpva ª Edcó Carla Re Graña María Raml Díaz ITRODUCCIÓ A LA ESTADÍSTICA DESCRIPTIVA. ª Edcó o esá permda la reproduccó oal o parcal de ese lbro, su raameo formáco, la rasmsódeguaformaoporcualquermedo,aseaelecróco,mecáco,porfoocopa,por

Más detalles

TEMA 3: EQUIVALENCIA FINANCIERA DE CAPITALES

TEMA 3: EQUIVALENCIA FINANCIERA DE CAPITALES Maemácas Faceras Prof. Mª Mercees Rojas e Graca TEMA 3: EQUIVALENIA FINANIERA DE APITALE ÍNDIE. PRINIPIO DE EQUIVALENIA DE APITALE: ONEPTO. APLIAIONE DEL PRINIPIO DE EQUIVALENIA: UTITUIÓN DE APITALE....

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

ELABORACIÓN DE UN ÍNDICE COMPUESTO CAPÍTULO = X

ELABORACIÓN DE UN ÍNDICE COMPUESTO CAPÍTULO = X 5 CAPÍTULO ELABORACIÓN DE UN ÍNDICE COMPUESTO Ls Ídces Cmpuess, expresa de maera resumda la varacó prmed de u cju de varables respec de u períd base. Csderems u Agregad Cmplej "X", csud pr las varables

Más detalles

TRANSMISIÓN DE CALOR MULTIDIRECCIONAL Y TRANSITORIA

TRANSMISIÓN DE CALOR MULTIDIRECCIONAL Y TRANSITORIA Daposva ema6: rasmsó de calor muldreccoal rasora RANSMISIÓN DE CALOR MULIDIRECCIONAL Y RANSIORIA J.M.Corberá, R. Roo (UPV Daposva ema6: rasmsó de calor muldreccoal rasora ÍNDICE. RANSMISIÓN DE CALOR MULIDIRECCIONAL.

Más detalles

1. Introducción 1.1. Análisis de la Relación

1. Introducción 1.1. Análisis de la Relación . Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 22, No. 2, 2001

REVISTA INVESTIGACION OPERACIONAL Vol. 22, No. 2, 2001 REVISA INVESIGACION OPERACIONAL Vol., No., SOLUCIONES A DIFERENES PROBLEMAS DENRO DEL CAMPO DE LA COMUNICACION ESADISICA J. Navarro Moreo, J.C. Ruz Mola y R.M. Ferádez Alcalá, Deparameo de Esadísca e Ivesgacó

Más detalles

Capítulo 3. Consideraciones sobre métodos numéricos

Capítulo 3. Consideraciones sobre métodos numéricos 3.. Iroduccó 5 Capíulo 3. Cosderacoes sobre méodos umércos 3.. Iroduccó E ese capíulo se presea la eoría y alguos cocepos sobre los que se susea los esquemas umércos de ala resolucó. Su aplcacó a las ecuacoes

Más detalles

Análisis de Regresión

Análisis de Regresión Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o

Más detalles

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.

Más detalles

Una Estrategia de Acumulación de Reservas Mediante Opciones de Venta de Dólares. El Caso de Banco de México

Una Estrategia de Acumulación de Reservas Mediante Opciones de Venta de Dólares. El Caso de Banco de México Ua Esraega de Acumulacó de Reservas Medae Opcoes de Vea de Dólares. El Caso de Baco de Méxco INDICE I. REUMEN... II. INTRODUCCIÓN...3 III. IV. OPCIONE DE VENTA DE DÓLARE...4 III.. PRINCIPALE CARACTERÍTICA...4

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Curvas Sistemas Gráficos Ing. Horacio Abbate 1

Curvas Sistemas Gráficos Ing. Horacio Abbate 1 Crvas Ssemas Gráfcos Ig. Horaco Abbae Polomos de erse Para y cosderar Para y cosderar - - Forma a base ara los olomos de grado. Calqer olomo de grado se ede descrbr como a combacó leal de olomos de erse

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

Tema 1: Transformada de Laplace. Contenidos Transformada de Laplace

Tema 1: Transformada de Laplace. Contenidos Transformada de Laplace Tema Traformada de aplace Traformada de aplace Traformada vera de aplace Coedo Grupo EDUMATICUS. Deparameo de Maemáca Aplcada. Uverdad de Málaga Amplacó de Cálculo 2/. Ecuela Polécca Superor Tema : Traformada

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

VALOR EN RIESGO PARA UN PORTAFOLIO CON OPCIONES FINANCIERAS *

VALOR EN RIESGO PARA UN PORTAFOLIO CON OPCIONES FINANCIERAS * Revsa Igeerías Uversdad de Medellí VALOR EN RIESGO PARA UN PORTAFOLIO CON OPCIONES FINANCIERAS * Carlos Alexáder Grajales Correa ** Fredy Ocars Pérez Ramírez *** Recbdo: 6//009 Acepado: 08/0/00 RESUMEN

Más detalles

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de

Más detalles

TEMA 2.- LA CAPITALIZACIÓN COMPUESTA.

TEMA 2.- LA CAPITALIZACIÓN COMPUESTA. TEMA.- LA APITALIZAIÓN OMPUESTA. Objevo: Foralzar la ley de capalzacó copuesa y esudar sus agudes dervadas.. EXPRESIÓN ANALÍTIA Y REPRESENTAIÓN GRÁFIA. La ley facera de capalzacó copuesa ee la sguee expresó

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

estimación de la estructura de Tasas nominales de chile: aplicación del modelo dinámico nelson-siegel

estimación de la estructura de Tasas nominales de chile: aplicación del modelo dinámico nelson-siegel Volume 4 - º / dcembre 0 estmacó de la estructura de Tasas omales de chle: aplcacó del modelo dámco elso-segel Rodrgo Alaro A. * Sebasá Becerra C. ** Adrés Sager T. *** I. IroduccIó La esmacó de la esrucura

Más detalles

Taller de Preparación para el examen Models Life Contingencies (MLC) de la SOA.

Taller de Preparación para el examen Models Life Contingencies (MLC) de la SOA. Taller de Preparacó para el eame Models Lfe Cogeces MLC de la SO. Trdad Gozález Bolla El presee es u forme del rabajo desarrollado durae el aller de preparacó para el eame MLC de SO ue uo lugar e la Faculad

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears Aál etadítco báco (II) Magdalea Cladera Muar mcladera@ub.e Departamet d Ecooma Aplcada Uvertat de le Ille Balear CONTENIDOS Covaraza y correlacó. Regreó leal mple. REFERENCIAS Alegre, J. y Cladera, M.

Más detalles

Duración y Convexidad I

Duración y Convexidad I Marí Herádez errao Modelo Aleravo Duracó y Covexdad I E ese maeral se presea de forma accesble, mas co u grado resposable de rgor maemáco, los cocepos de duracó y covexdad. e asume que el lecor cuea co

Más detalles

Un indicador mensual adelantado del sector de construcción: IMACO

Un indicador mensual adelantado del sector de construcción: IMACO U dcador mesual adelaado del secor de cosruccó: IMACO Sere Documeos de Trabajo [No. 34] Abrl Al Acosa Dael Barráez Elsy Paracare Baco Ceral de Veezuela Caracas Gereca de Ivesgacoes Ecoómcas Produccó edoral

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TEMAS DE MATEMÁTICAS (Oposcoes de Secudara TEMA 8 MATRICES. ALGEBRA DE MATRICES. APLICACIONES AL CAMPO DE LAS CIENCIAS SOCIALES Y DE LA NATURALEZA.. Iroduccó.. Cocepo báscos... Tpos de marces. 3. M mx

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

Flujo en acuífero libre

Flujo en acuífero libre SESIÓN PRÁCTICA EDP PARABÓLICA CON MÉTODO FTCS Flujo e acuíero lbre E esa sesó se aalza medae el méodo eplíco de derecas as la evolucó emporal del vel reáco sobre ua geomería de acuíero lbre alerada por

Más detalles

CONVERGENCIA Y TEOREMAS LÍMITE

CONVERGENCIA Y TEOREMAS LÍMITE CONVERGENCIA Y TEOREMAS LÍMITE. Covergeca de sucesoes de varables aleaora Covergeca cas-segura Covergeca e robabldad Covergeca e meda cuadráca Covergeca e ley ( o dsrbucó). Leyes de los grades úmeros.

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

PROBABILIDAD Y ESTADISTICA

PROBABILIDAD Y ESTADISTICA 1. Es u cojuto de procedmetos que srve para orgazar y resumr datos, hacer ferecas a partr de ellos y trasmtr los resultados de maera clara, cocsa y sgfcatva? a) La estadístca b) Las matemátcas c) La ceca

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

Efecto herding en el mercado bursátil español: detección, caracterización e implicaciones

Efecto herding en el mercado bursátil español: detección, caracterización e implicaciones Efeco herdg e el mercado bursál español: deeccó, caracerzacó e mplcacoes Navdad Blasco de las eras. 6 de abrl de 00. Valeca POR QUÉ? Racoaldad y emocoes so complemearos e los procesos de oma de decsoes

Más detalles

La ecuación general de capitalización y los factores de capitalización unitarios: una aplicación del análisis de datos funcionales

La ecuación general de capitalización y los factores de capitalización unitarios: una aplicación del análisis de datos funcionales Moográco Número Marzo www.eweb.org/od La ecuacó geeral de capalzacó y los acores de capalzacó uaros: ua aplcacó del aálss de daos ucoales Cèsar Vllazó La Saou Resume La órmula geeral de capalzacó sólo

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Método de depreciación de reducción de saldos y saldos decrecientes sin error residual

Método de depreciación de reducción de saldos y saldos decrecientes sin error residual esó Jove Revsa de la Agrupacó Jove Iberoamercaa de oabldad y Admsracó de Empresas (AJOIA) º 7 07 I 988-90 pp 60-75 Méodo de deprecacó de reduccó de saldos y saldos decrecees s error resdual uevo méodo

Más detalles

Probabilidad y estadística

Probabilidad y estadística Probabldad y estadístca Grupo PM4 Trabajado gráfcas,meddas de tedeca cetral, meddas de dspersó e terpretado resultados Prof. Mguel Hesquo Garduño. Depto. De Igeería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.m

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II. Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra

Más detalles

MATLAB: MATRIX LABORATORY

MATLAB: MATRIX LABORATORY Uversdad de Ce Facad de Cecas Físcas Maemácas Deparameo de Igeería Qímca Boecoogía IQ46B Operacoes de raserecas I MALAB: MARIX LABORAORY Igor Gzmá Ovares . ESRUCURA DE LA PRESENACIÓN.- Méodo Nmérco para

Más detalles

Facultad de Ciencias Económicas y Administrativas. Departamento de Economía. Análisis Espectral. Alvaro Montenegro. Bogotá, Marzo de 2009

Facultad de Ciencias Económicas y Administrativas. Departamento de Economía. Análisis Espectral. Alvaro Montenegro. Bogotá, Marzo de 2009 Faculad de Cecas Ecoómcas y Admsravas Deparameo de Ecoomía Aálss Especral Alvaro Moeegro Bogoá, Marzo de 009 Esa vesgacó fue facada por la Pofca Uversdad Javeraa y correspode a desarrollos del proyeco

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese

Más detalles

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

Tema 16: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

1. Una empresa estudia la evolución de los precios en euros de tres componentes (A, B, C) para una pieza en los últimos 5 años.

1. Una empresa estudia la evolución de los precios en euros de tres componentes (A, B, C) para una pieza en los últimos 5 años. Ejerccos Resuelos Números Ídces Faculad Cecas Ecoómcas y Emresarales Dearameo de Ecoomía Alcada Profesor: Saago de la Fuee Ferádez 1. Ua emresa esuda la evolucó de los recos e euros de res comoees (A,

Más detalles

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

Estimación de parámetros Tema 2. Propiedades de los buenos estimadores. 2. Estimación por intervalos

Estimación de parámetros Tema 2. Propiedades de los buenos estimadores. 2. Estimación por intervalos Uverdad Auóoma de Madrd Emacó de parámero Tema. Emacó puual Propedade de lo bueo emadore. Emacó por ervalo.. Coruccó del ervalo de cofaza. íme cofdecale. Nvel de cofaza y vel de rego... Iervalo de cofaza

Más detalles

Influencia de distribución del tiempo de ocurrencia entre siniestros en la solvencia de las carteras de seguros no vida (*)

Influencia de distribución del tiempo de ocurrencia entre siniestros en la solvencia de las carteras de seguros no vida (*) ESTADÍSTICA ESPAÑOLA Vol. 50, úm. 69, 008, págs. 455 a 478 Iflueca de dsrbucó del empo de ocurreca ere sesros e la solveca de las careras de seguros o vda (*) por MAITE MÁRMOL JIMÉNEZ y M. MERCE CLARAMUNT

Más detalles

por SANTIAGO RODRÍGUEZ FEIJOÓ Universidad de Las Palmas de Gran Canaria CARLOS GONZÁLEZ CORREA Consejería de E. y H. del Gobierno de Canarias

por SANTIAGO RODRÍGUEZ FEIJOÓ Universidad de Las Palmas de Gran Canaria CARLOS GONZÁLEZ CORREA Consejería de E. y H. del Gobierno de Canarias ESTADÍSTICA ESAÑOLA Vol. 44, Núm. 50, 2002, págs. 229 a 255 La eoría de la ardad Relava del oder de Compra ere erroros ecoómcos que ee ua msma moeda: ua aplcacó a las comudades auóomas españolas por SANTIAO

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

TIPOS DE TENDENCIAS Y SUS CONSEQUENCIAS. Tendencias estocásticas versus deterministas.

TIPOS DE TENDENCIAS Y SUS CONSEQUENCIAS. Tendencias estocásticas versus deterministas. TIPOS D TNDNCIAS Y SUS CONSQUNCIAS. Tendencas esocáscas versus deermnsas. Concepos báscos. Parmos de la base que una sere emporal es la realzacón de un proceso esocásco. Tal y como vmos en los modelos

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara 95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

Tema 12: Modelos de distribución de probabilidad: Variables Continuas

Tema 12: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema Tema : Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(; ) 3. MODELO CHI-CUADRADO DE PEARSON, k 4. MODELO t DE STUDENT, t

Más detalles

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

Estimación de Parámetros de Sistemas Lineales vía Matrices Operacionales

Estimación de Parámetros de Sistemas Lineales vía Matrices Operacionales Esmacó de Parámeros de Ssemas Leales vía Marces Operacoales Isdro I. Lázaro, Salvador Ramírez lazaro@zeus.umch.mx szavala@zeus.umch.mx Faculad de Igeería Elécrca-Uversdad Mchoacaa de Sa Ncolás de Hdalgo

Más detalles

10 MUESTREO. n 1 9/ / σ σ 1

10 MUESTREO. n 1 9/ / σ σ 1 10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles