CENTRO DE ESTUDIOS ESTADÍSTICOS DE JUSTICIA CONSTITUCIONAL
|
|
- Francisca Chávez Acosta
- hace 7 años
- Vistas:
Transcripción
1 CENTRO DE ESTUDIOS ESTADÍSTICOS DE JUSTICIA CONSTITUCIONAL Ajuste de modelo de regresón logístca para la medcón de accón de tutela como factor de congestón de los Trbunales y Juzgados de las Jursdccones Contencoso- Admnstratva y Ordnara entre 997 y 4. Patrca Sado Correa
2 RESUMEN Con el objeto de conocer el peso de cada uno de los factores que ntervenen en el represamento anual ponderado (FRAP) de los despachos judcales colombanos y por ende en la congestón de los msmos, se aplcó el modelo de regresón logístca. Los resultados permten observar que la entrada de accones de tutela tene mayor peso en la congestón, seguda del nventaro ncal de accones de tutela, el nventaro ncal de asuntos comunes y la entrada de asuntos comunes, en una menor escala aparecen la suma de nventaros fnales de asuntos comunes del msmo dstrto y la suma de nventaros fnales de accones de tutela del msmo dstrto. De la msma manera, las varables que pesan más para que no haya congestón son en su orden la salda de accones de tutela y la salda de asuntos comunes. En cuanto a la sgnfcanca estadístca los nventaros fnales de asuntos comunes y accones de tutela no afectan la presenca o ausenca de congestón. Palabras clave: Accón de tutela, congestón, modelo de regresón logístco. ABSTRACT In order to know the ncdence of each of the factors ntervenng n the annual overcrowd weghted (FRAP) at the Colomban judcal judge chambers and therefore, n ther confnng, the logstc regresson model was appled. The results allow observng that the entrance of tutelas has hgher ncdence on the confnng, followed by the ntal nventory of tutelas, ntal nventory of processes and entrance of processes. In a lower scale, sum of fnal nventores of processes n the same dstrct and sum of fnal nventores of tutela n the same dstrct are located. Lkewse, the varables wth hgher ncdence to avod overcrowd are n ther order: tutela outcomes and processes outcomes. Regardng the statstcal sgnfcance of the fnal nventores of processes and tutelas, they do not have any ncdence on the presence or absence of overcrowd. Key words: Acton of Decsons of Law Courts, overcrowd, model of logstc regresson. Patrca Sado Correa Estadístca Unversdad Naconal
3 ÍNDICE I. INTRODUCCION II. MEDICIÓN DE LA CONGESTIÓN A. ERROR DE LA MEDICIÓN B. DESCOMPOSICIÓN DE LOS FACTORES QUE INTERVIENEN EN LA CONGESTIÓN III. INFLUENCIA DE FACTORES EN LA CONGESTIÓN 3 A. NIVEL DE MEDICIÓN DE LAS VARIABLES 3 B. AJUSTE DEL MODELO ADECUADO 3 C. LINEALIZACIÓN DEL MODELO 4 IV. AJUSTE DEL MODELO DE REGRESIÓN LOGÍSTICO 5 A. BONDAD DE AJUSTE DEL MODELO 5. Ajuste global del modelo 5. Ajuste partcular de cada parámetro 7 B. VARIABLES EN LA ECUACIÓN 9 C. INTERPRETACIÓN DE LOS RESULTADOS 9
4 I. INTRODUCCION El presente estudo busca calcular el peso en la congestón de las varables utlzadas en el cálculo del factor de represamento anual ponderado (FRAP) y determnar s la accón de tutela es o no factor de congestón de los despachos. En el capítulo se descrbe la fórmula para medr la congestón y su descomposcón en asuntos comunes y accones de tutela. En la segunda parte se descrbe el tpo de varables usadas y la lnealzacón de los datos y por últmo en el capítulo 3 se realza el ajuste del modelo de regresón logístca junto con su confabldad y el análss de los resultados. II. MEDICIÓN DE LA CONGESTIÓN La medcón de la congestón de un despacho resulta de calcular el factor represamento anual ponderado FRAP, el cual se obtene de la sguente fórmula: S IF FRAP = * + E IN + SIF Donde: FRAP = Factor de represamento anual ponderado del despacho. S = Salda anual de asuntos del despacho. E = Entrada anual de asuntos del despacho. IN = Inventaro ncal al comenzo del año de asuntos en el despacho. IF = Inventaro fnal de asuntos al termnar el año, en el despacho. SIF ' = Suma de nventaros fnales de los despachos de un msmo dstrto. S el FRAP es mayor del 35%, se dce que hay congestón, de lo contraro no la hay. ' A. Error de la medcón Sn embargo, como se puede notar hay dos componentes prncpales que ntervenen en la medcón del FRAP, la prmera es el cocente entre la salda de asuntos y la carga ncal, la cual es la suma entre entrada de asuntos e nventaro ncal de asuntos. La segunda es el cocente entre el nventaro fnal del despacho y la suma de los nventaros fnales de los despachos del msmo dstrto.
5 Cada uno de estos componentes son proporcones y por lo tanto toman valores entre y, pero al realzar la suma ente dos proporcones el resultado ya no lo es; es decr que el FRAP puede tomar valores superores al %. Por lo tanto, es convenente asocar una nueva escala a dchos valores, como los percentles, en donde el mínmo valor del FRAP corresponderá al % y el máxmo corresponderá al %. B. Descomposcón de los factores que ntervenen en la congestón Dado que el objetvo es medr el mpacto de la accón de tutela en la congestón, se realzó la descomposcón de la fórmula en asuntos sn accones de tutela (asuntos comunes) y accones de tutela. De manera que el FRAP de un despacho, se calcula de la sguente forma: FRAP = Ep + Et Sp + St + INp + INt IFp * + SIFp ' + IFt t + SIFt ' Sp = Salda anual de asuntos sn accones de tutela del despacho. St = Salda anual de accones de tutela del despacho. Ep = Entrada anual de asuntos sn accones de tutela del despacho. Et = Entrada anual de accones de tutela del despacho. INp = Inventaro ncal de asuntos sn accones de tutela, del despacho. INt = Inventaro ncal de accones de tutela del despacho. IFp = Inventaro fnal de asuntos sn accones de tutelas del despacho. IFt = Salda anual de accones de tutela del despacho. SIFp ' = Total de nventaros fnales de asuntos sn accones tutelas de los despachos del msmo dstrto. SIFt = Total de nventaros fnales de accones de tutela de los despachos del msmo dstrto. ' El percentl dvde a un conjunto de datos ordenados en partes guales, de esta se pueden encontrar 99 percentles. Así, el percentl 5 es aquel valor que deja el 5% de los datos por debajo y el 5% por encma.
6 3 III. INFLUENCIA DE FACTORES EN LA CONGESTIÓN Cada uno de los factores menconados anterormente, los cuales ntervenen en la medcón de la congestón, junto con la msma congestón, los llamamos varables; dependendo del nvel de medcón de las varables, se decde el tpo de análss estadístco a utlzar y el modelo que se debe ajustar a los datos. A. NIVEL DE MEDICIÓN DE LAS VARIABLES Sp = Varable cuanttatva contnua 3. St = Varable cuanttatva contnua. Ep = Varable cuanttatva contnua. Et = Varable cuanttatva contnua. INp = Varable cuanttatva contnua. INt = Varable cuanttatva contnua. IFp = Varable cuanttatva contnua. IFt = Varable cuanttatva contnua. SIFp = Varable cuanttatva contnua. ' SIFt ' = Varable cuanttatva contnua. Conge = Varable cualtatva 4 nomnal 5 dcotómca. B. AJUSTE DEL MODELO ADECUADO Cuando queremos explcar el comportamento de una varable dcotómca (varable dependente) como es el caso de la congestón, por medo de otras varables de tpo contnuo como es el caso de las varables menconadas anterormente, es posble usar el modelo de regresón logístco; supongamos que tenemos la varable dcotómca Y, con los posbles valores y, tenemos además las varables X, X, L X k con las cuáles queremos explcar y predecr el comportamento de la probabldad de que ocurra Y; de esta manera se construye el modelo de la forma: Una varable es cuanttatva cuando toma valores numércos y en dchos valores tene sentdo las operacones de suma, resta, multplcacón y dvsón. 3 Una varable es contnua cuando toma valores entre cualquer par de valores enteros, por ejemplo puede tomar valores entre los dos números enteros 4 y 4. 4 Una varable es cualtatva cuando expresa cualdades y no cantdades numércas 5 Una varable es nomnal cuando los valores que toma son cualdades y srven solamente para nombrar, sn que hay un orden mplícto en los msmos.
7 4 Donde el parámetro un valor de la varable Y. p( Y = X, L, X k ) ln = B p Y X X ( =, L, k ) + B * X B, muestra que cambo en la varable + B * X + L+ B k X X que tan probable hace que suceda Sn embargo como se puede aprecar, la parte zquerda de este modelo es lneal, es decr se descompone en la suma de dferentes productos, es por eso necesaro antes de realzar el ajuste de este modelo, hacer una transformacón sobre los datos para asegurar la lnealdad de los msmos. k C. LINEALIZACIÓN DEL MODELO Uno de los métodos para descomponer una funcón en polnomos, de tal manera que la funcón sea F x es una funcón tal que sus prmeras n dervadas lneal es la fórmula de Taylor, se dce que s ( ) sean contnuas en un ntervalo cerrado [ a, b], ésta se puede descomponer de la forma: F ( a) F ( x) = F( a) + F ( a)( x a) + ( x a)! + Este fue el proceso que se llevó acabo en el caso de las varables de entradas, nventaros ncales, nventaros fnales y saldas de asuntos comunes y accones de tutela, la varable x menconada anterormente corresponde en nuestro caso a un vector de la forma: x = ( Sp St, Ep, Et, INp, INt, IFp, IFt, SIFp SIFt ), ', ' Así msmo la dervada ( x) F para el caso de nuestro ejercco correspondente a dmensones de de las varables tenemos, y está dado por la sguente expresón:... ( Sp + St) ( + ) ( ), Sp St Ep Et INp INt ( Ep + Et + INp + INt) ( Sp + St) ( Sp + St) ( ) ( ),,, Ep + Et + INp + INt Ep + Et + INp + INt SIFp + SIFt SIFp + SIFt ( IFp + IFt) ( + ) ( + ), IFp IFt SIFp SIFt ( SIFp + SIFt), Ep + Et + INp + INt Ep + Et + INp + INt,
8 5 El ntervalo alrededor del cual se lnealza la funcón es el de las medanas 6 de las varables, los valores de dcho vector están dados por: ( ) Se escoge este vector porque es el que mejor representa los datos, tenendo en cuenta que exsten valores atípcos, stuacón que se puede corroborar al hallar el coefcente de asmetría de cada varable y observar que dchos coefcentes se encuentran muy lejos de. Coefcentes de asmetría Sp St Ep Et INp INt SIFp SIFt IFp IFt,4 5,4,43 5,4 3,74 44,47 5, 8,66 3,83 49, IV. AJUSTE DEL MODELO DE REGRESIÓN LOGÍSTICO Con los datos lnealzados como se descrbó anterormente se encuentra que el modelo de regresón logístco ajustado es de la forma: Conge =.96Et 4.4St +.9INt +,7IFt +.38SIFt +.89INp.4IFp +. 88Ep 3.96Sp +. 39SIFP A. BONDAD DE AJUSTE DEL MODELO Antes de poder sacar conclusones de cada uno de los parámetros estmados por el modelo, es necesaro comprobar que el modelo es un buen ajuste de los datos. Para ello se usa una prueba que mra el ajuste general del modelo y otras pruebas que mran el ajuste partcular de cada parámetro del modelo.. Ajuste global del modelo Se usa el índce de bondad de ajuste de osmer Lesmeshow, para examnar s el modelo es un buen ajuste de los datos, para lo cual se toma cada uno de los valores de la varable dependente congestón y se los compara con la probabldad de que haya congestón de acuerdo a cada uno de los valores de las varables ndependentes, es decr: 6 La medana de una varable x, es el valor que se encuentra exactamente en la mtad del conjunto de datos, esta es una medda que srve para representar haca donde tenden agruparse la mayoría de los datos y tene la partculardad de no dejarse afectar por los datos muy grandes o muy pequeños alejados del resto de datos.
9 6 Z = n k = p( x, x,..., xk )( p( x, x ( y p( x, x,..., x )),..., x k )) El resultado de dcho índce se compara con el valor de la dstrbucón de probabldad Ch cuadrado, s el modelo ajustado es el adecuado. El resultado de dcha prueba está dado por: Prueba de osmer y Lemeshow Paso Ch-cuadrado Gl Sg.,, La hpótess que se desea contrastar es: o : El modelo ajustado es el adecuado : El modelo ajustado no es el adecuado. De esta manera con una confabldad del 95%, rechazamos a, y por tanto conclumos que el modelo es un buen ajuste de los datos. Tabla de contngencas para la prueba de osmer y Lemeshow Paso CONGI = CONGI = Observado Esperado Observado Esperado Total 53 53,, ,, ,43 99, , , 9667 La tabla anteror compara los resultados entre lo que se observa en los datos y lo que pronostca el modelo (valor esperado), para cuando exste congestón y no exste congestón, se nota que los valores son guales.
10 7. Ajuste partcular de cada parámetro Conge =.96Et 4.4St +.9INt +,7IFt +.38SIFt +.89INp.4IFp +. 88Ep 3.96Sp +. 39SIFP Para cada uno de los parámetros que acompaña las varables, se tene las sguentes hpótess: : BEt =. Entrada de accones de tutela vs : BEt En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B Et =.96. Salda de accones de tutela : B vs St = : BSt En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B St = : BINt = 3. Inventaro ncal de accones de tutela vs : BINt En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B= Inventaro fnal de accones de tutela : B : BIFt En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,7, por lo que no podemos rechazar la hpótess nula y aseguramos que el nventaro fnal de tutelas no tene un efecto sgnfcatvo a la hora de explcar el comportamento de la congestón. vs IFt =
11 8 5. Suma de nventaro fnal de accones de tutela del msmo dstrto : BSFt = vs : BSFt En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B=.38. : BINp = 6. Inventaro ncal de asuntos sn accones de tutela vs : BINp En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B=.89. : BIFt = 7. Inventaro fnal de asuntos sn accones de tutela vs : BINt En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,4, por lo que decdmos no rechazar la hpótess con una confabldad del 95% y consecuentemente nventaro fnal de asuntos sn accones de tutela no hace aporte sgnfcatvo al modelo. 8. Entrada de asuntos sn accones de tutela En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B=.88. : BSp = 9. Salda de asuntos sn accones de tutela vs En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B= : BSIFP =. Inventaro ncal de accones de tutela vs : B : B vs : B : B Sp SIFPt Ep Ep =
12 9 En este caso la probabldad de cometer el error de rechazar la hpótess verdadera, es de,, por lo que decdmos rechazarla y consecuentemente es probable que B=.485 B. VARIABLES EN LA ECUACIÓN a ENTRADAT SALIDAST INVINIT INVFINT V8 INVINIPP INVFINPP V9 V3 INVFISUP Constante Varables en la ecuacón I.C. 95,% para EXP(B) B E.T. Wald gl Sg. Exp(B) Inferor Superor,963,569,96, 7,3,336,78-4,37,65,,,8,,73,9,553,9, 6,754,84 9,976,7,7,48,7,7,896,78,38,,943,,463,79,86,89,543,9, 6,66,8 9,94 -,4, 6,57,4,976,958,995,88,54,9, 6,566,73 8,964-3,958,38,9,,9,,77,396,4,6,,485,89,856-69,98 98,68,38,, a. Varable(s) ntroducda(s) en el paso : ENTRADAT, SALIDAST, INVINIT, INVFINT, V8, INVINIPP, INVFINPP, V9, V3, INVFISUP. C. INTERPRETACIÓN DE LOS RESULTADOS ay parámetros no sgnfcatvos en el modelo, lo que ndca que no hacen nngún aporte, es decr que s aumentan o dsmnuyen los valores de las varables asocadas, no se afecta la probabldad de que exsta o no congestón. Estas varables son nventaro fnal de accones de tutela e nventaro fnal de asuntos sn accones de tutela. Las varables que aportan más sgnfcatvamente al ncremento de la congestón son en su orden: Entrada de accones de tutela, nventaro ncal de accones de tutela, nventaro ncal de asuntos sn accones de tutela y entrada de asuntos sn accones de tutela. Las que pesan más para que no haya congestón son en su orden saldas de accones de tutela y saldas de asuntos sn accones de tutela. CONGESTIÓN Cada vez que entra una accón de tutela, es 7.3 más probable que haya congestón a que no la haya, de la msma manera por cada accón de tutela que se encuentra en el nventaro ncal, es más probable que exsta congestón; según lo cual es más probable que haya congestón con la entrada de una accón de tutela, que con las accones de tutela que están en nventaro ncal, lo que se muestra con ésto, según la entrada e nventaro ncal de accones de tutela, es que la accón de tutela es factor de congestón.
13 Con los asuntos sn accones de tutela sucede algo parecdo, aunque en menor escala que las accones de tutela, y con mayor peso ya no para las entradas sno para nventaros ncales; ya que los coefcentes del modelo muestran que es un factor de congestón mas grande los nventaros ncales de asuntos sn accones de tutela pues por cada asunto de este tpo que exsta en nventaro ncal es 6.66 más probable que haya congestón y en el caso de las entradas de asuntos sn accones de tutela, por cada nuevo proceso que entra a un determnado despacho es más probable que haya congestón. NO CONGESTIÓN Los coefcentes negatvos en el modelo, como lo son para las varables, salda de asuntos sn accones de tutela y salda de accones de tutela, muestran el efecto contraro; es decr que por cada accón de tutela que salga es 57.8 más probable que no haya congestón y por cada asunto que no sea accón de tutela que salga es 5.76 más probable que no haya congestón a que s la haya. Vsto de otra manera, cuando sale una accón de tutela la probabldad de que no haya congestón es de.983 y cuando sale un asunto que no sea accón de tutela la probabldad de que no exsta congestón es.984.
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 La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesRelaciones 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 detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesREGRESION 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 detallesCorrelación 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 detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesOPERACIONES 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 detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesEfectos 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 detalles1. 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 detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesMétodos 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 detallesTema 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 detallesInvestigación 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 detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesEXPERIMENTACIÓN 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 detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesPRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA)
SECREARÍA ENERAL ÉCNICA MINISERIO DE ARICULURA, ALIMENACIÓN Y MEDIO AMBIENE SUBDIRECCIÓN ENERAL DE ESADÍSICA PRECIOS MEDIOS ANUALES DE LAS IERRAS DE USO ARARIO (MEODOLOÍA) OBJEIVO: Desde 1983 el Mnstero
Más detallesConsideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos
Consderacones empírcas del consumo de los hogares: el caso del gasto en electrcdad y almentos Emprcal Consderatons of the Famles Consumpton: the Case uf the Expense n Electrcty and Food Maro Andrés Ramón
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detallesResumen de los teoremas fundamentales del análisis estructural aplicados a celosías
Resumen de los teoremas fundamentales del análss estructural aplcados a celosías INTRODUCCIÓN Fuerzas aplcadas y deformacones de los nudos (=1,n) ESTICIDD Tensón =Ν/Α. Unforme en cada seccón de la arra.
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detallesTema 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 detallesCARTAS 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 detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesGuía 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 detallesCAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO. Como se explica en el capítulo 4, una anualidad es una serie de pagos que se realizan
CAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO 7. Anualdad de Vda Como se elca en el caítulo 4, una anualdad es una sere de agos que se realzan durante un temo determnado, nombrándose a esta
Más detallesAnálisis 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 detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesEconomía 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 detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesVectores 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 detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detalles7ª SESIÓN: Medidas de concentración
Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesEn 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 detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesTratamiento de datos experimentales. Teoría de errores
Tratamento de datos expermentales. Teoría de errores. Apéndce II Tratamento de datos expermentales. Teoría de errores (Fuente: Práctcas de Laboratoro: Físca, Hernández et al., 005) El objetvo de la expermentacón
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales
ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Francsco Álvarez González http://www.uca.es/serv/fag/fct/ francsco.alvarez@uca.es Bajo el térmno Estadístca Descrptva
Más detallesFUNDAMENTOS 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 detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesComplementos al ABC: efectos dinámicos
Complementos al ABC: efectos dnámcos CAF - CEPAL P. Rozas & J. Rvera Buenos Ares, juno de 2008 Varables y fuentes de nformacón Encuesta de Hogares de dversos años de los países en estudo.- Bolva: Encuesta
Más detallesCESMA 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 detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Fascículo II: Estadístca Descrptva
Más detallesMaestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto
Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de
Más detallesUNA 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 detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesFUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO
GOBIERNO DE CHILE MINISTERIO DE HACIENDA Dreccón de Presupuestos ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO Dvsón de Control de Gestón Santago, Mayo 2009 CHILE PRESENTACIÓN * El anexo que a contnuacón se
Más detallesMatemáticas aplicadas a las ciencias sociales Estadística y Probabilidad 1º de bachillerato
Departamento de Matemátcas Matemátcas aplcadas a las cencas socales Estadístca y Probabldad º de bachllerato Matemátcas aplcadas a las cencas socales I, pág. de 48 Departamento de Matemátcas TEMA : ESTADÍSTICA
Más detalles-.GEOMETRÍA.- a) 37 cm y 45 cm. b) 16 cm y 30 cm. En estos dos, se dan la hipotenusa y un cateto, y se pide el otro cateto:
-.GEOMETRÍA.- Ejercco nº 1.- Calcula el lado que falta en este trángulo rectángulo: Ejercco nº 2.- En los sguentes rectángulos, se dan dos catetos y se pde la hpotenusa (s su medda no es exacta, con una
Más detallesCapacidad de Procesos según ISO 9000 Ing o. Angel Francisco Arvelo
EVALUACION DE LA CAPACIDAD DE CALIDAD DE UN PROCESO INDUSTRIAL METODOS ESTADISTICOS SUGERIDOS POR LA NORMA ISO 9000 ANGEL FRANCISCO ARVELO L. Ingenero Industral Master en Estadístca Matemátca CARACAS,
Más detallesVariable 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 detalles4 Contraste de hipótesis en el modelo de regresión múltiple
4 Contraste de hpótess en el modelo de regresón múltple Ezequel Urel Unversdad de Valenca Versón: 9-13 4.1 El contraste de hpótess: una panorámca 1 4.1.1 Formulacón de la hpótess nula y de la hpótess alternatva
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesIncertidumbre de la Medición: Teoría y Práctica
CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle
Más detalles1.- Una empresa se plantea una inversión cuyas características financieras son:
ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesUna matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.
MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
Más detallesTema 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 detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
Más detallesMatemática 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 detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detalles4. REPRESENTACIONES GRÁFICAS PARA DATOS CATEGÓRICOS.
4. REPRESETACIOES GRÁFICAS PARA DATOS CATEGÓRICOS. Cuando se manejan fenómenos categórcos, se pueden agrupar las observacones en tablas de resumen, para después representarlas en forma gráfca como dagramas
Más detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
Más detallesPRINCIPIOS PARA LA VALORACIÓN DE INVERSIONES
PRINCIPIOS PARA LA VALORACIÓN DE INVERSIONES Y SELECCIÓN N DE PROYECTOS FELIPE ANDRÉS HERRERA R. - ING. ADMINISTRADOR Especalsta en Ingenería Fnancera Unversdad Naconal de Colomba Escuela de la Ingenería
Más detallesCapítulo III Medidas de posición y de dispersión
Capítulo III Meddas de poscón y de dspersón Introduccón Hasta ahora, para descrbr un conjunto de datos, se han empleado tablas y gráfcos. Estos son útles para dar rápdamente una vsón general del comportamento
Más detalles