Introducción a los Modelos de Pronósticos
|
|
- José Ángel Martin Poblete
- hace 7 años
- Vistas:
Transcripción
1 Introduccón a los Modelos de Pronóstcos Dra. Fernanda Vllarreal Unversdad Naconal del Sur- Departamento de Matemátca Septembre fvllarreal@uns.edu.ar
2 Introduccón Planeacón del futuro, un aspecto relevante en cualquer organzacón. El éxto a largo plazo depende de cuán ben la gerenca antcpa el futuro y elabora las estrategas apropadas. El buen juco, la ntucón y tener concenca del estado de la economía pueden dar a un gerente una dea aproxmada o ntucón de lo que es probable que suceda en el futuro. Sn embargo, es dfícl convertr esta ntucón en un número que pueda usarse, como el volumen de ventas del sguente trmestre o el costo de la matera prma por undad para el año próxmo.
3 Pronóstco Es una estmacón cuanttatva o cualtatva de uno o varos factores (varables) que conforman un evento futuro, con base en nformacón actual o del pasado.
4 La estmacón de pronóstcos del volumen de ventas trmestrales para un producto en partcular durante el año próxmo afectará los programas de produccón, los planes de compra de materas prmas, las polítcas de nventaros y las cuotas de ventas. En consecuenca, los malos pronóstcos pueden dar como resultado un ncremento en los costos de la empresa. Cómo debemos proceder para proporconar los pronóstcos trmestrales del volumen de ventas? Revsar los datos hstórcos, con frecuenca ayuda a comprender mejor el patrón de las ventas pasadas, lo que conduce a mejores predccones de las ventas futuras del producto.
5 Los datos hstórcos de ventas forman una sere de tempo. Una sere de tempo es un conjunto de observacones de una varable medda en puntos sucesvos en el tempo o a lo largo de perodos sucesvos. En este curso se presentan varos procedmentos para analzar las seres de tempo. El objetvo de estos análss es proporconar buenos pronóstcos o predccones de los valores futuros de la sere de tempo.
6 Métodos de elaboracón de pronóstcos Los métodos de elaboracón de pronóstcos se clasfcan como cuanttatvos o cualtatvos. Los métodos cuanttatvos se utlzan cuando: se dspone de nformacón pasada sobre la varable que se pronostcará la nformacón puede cuantfcarse es razonable suponer que el patrón del pasado segurá ocurrendo en el futuro. En estos casos puede elaborarse un pronóstco con un método de seres de tempo o un método causal.
7 S los datos hstórcos se restrngen a valores pasados de la varable que tratamos de pronostcar, el procedmento de elaboracón de pronóstcos se llama método de sere de tempo. El objetvo de los métodos de sere de tempo es descubrr un patrón en los datos hstórcos y luego extrapolarlo haca el futuro; el pronóstco se basa sólo en valores pasados de la varable que tratamos de pronostcar o en errores pasados. En este curso se explcan tres métodos de seres de tempo: suavzacón (promedos móvles, promedos móvles ponderados y suavzacón exponencal), proyeccón de tendencas y proyeccón de tendencas ajustada por nfluenca estaconal.
8 Los métodos de elaboracón de pronóstcos causal se basan en el supuesto de que la varable que tratamos de pronostcar exhbe una relacón de causa y efecto con una o más varables. En este curso se presenta el uso del análss de regresón como un método de elaboracón de pronóstcos causal. Por ejemplo, los gastos de publcdad nfluyen en el volumen de ventas de muchos productos, de manera que el análss de regresón puede utlzarse para desarrollar una ecuacón que muestre cómo se relaconan estas dos varables. Utlzar un método de seres de tempo para elaborar el pronóstco en este ejemplo, mplca que no se consderarían los gastos de publcdad; es decr, un método de sere de tempo basaría el pronóstco sólo en las ventas pasadas.
9 Los métodos cualtatvos por lo general nvolucran el uso del juco experto para elaborar pronóstcos. Una ventaja de los procedmentos cualtatvos es que pueden aplcarse cuando la nformacón sobre la varable que se está pronostcando no puede cuantfcarse o son escasos. Método Delph Juco experto Redaccón de escenaros Enfoques ntutvos
10 PATRONES O COMPONENTES DE UNA SERIE DE TIEMPO El patrón o comportamento de los datos en una sere de tempo tene varos componentes. El supuesto usual es que cuatro componentes separados: tendenca, cíclco, estaconal e rregular, se combnen para proporconar valores específcos de la sere de tempo. TENDENCIA: componente de muy largo plazo CICLICO: componente de largo plazo ESTACIONAL: componente de corto plazo IRREGULAR: componente de muy corto plazo
11 En el análss de las seres de tempo, las medcones pueden hacerse cada hora, daro, a la semana, cada mes, anualmente o en cualquer otro ntervalo regular de tempo. Aunque los datos de las seres de tempo suelen mostrar fluctuacones aleatoras, las seres de tempo tambén muestran un desplazamento o movmento gradual haca valores relatvamente altos o bajos a través de un lapso largo. A este desplazamento gradual de la sere de tempo se le conoce como la tendenca de la sere de tempo. Este desplazamento o tendenca suele deberse a factores de largo plazo como varacones en las característcas demográfcas de la poblacón, en la tecnología o en las preferencas del públco.
12 Otros patrones de tendenca posbles
13 Aunque una sere de tempo puede tener una tendenca a través de lapsos largos, no todos los valores futuros de la sere de tempo caerán exactamente sobre la línea de tendenca. Las seres de tempo suelen mostrar secuencas de puntos que caen de manera alternante arrba y abajo de la línea de tendenca. Toda sucesón recurrente de puntos que caga abajo y arrba de la línea de tendenca y que dure más de un año puede atrburse al componente cíclco de la sere de tempo. En la fgura las observacones son anuales.
14 Patrón de cambo que se repte año con año en el msmo número de períodos. FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD: períodos escolares períodos vacaconales productos de estacón estacones del año MURPHY
15 Componente rregular Mde la varabldad de una sere cuando los demás componentes se han elmnado o no exsten. FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD cambos clmátcos desastres naturales huelgas hechos fortutos Este componente representa la varabldad aleatora en las seres de tempo y es resultado de factores a corto plazo, mprevstos y no recurrentes que afectan a la sere de tempo. Como este componente representa la varabldad aleatora en las seres de tempo, es mpredecble; no podemos ntentar predecr su mpacto en las seres de tempo.
16 Métodos de suavzacón En esta prmera parte se presentan tres métodos de elaboracón de pronóstcos: promedos móvles, promedos móvles ponderados y suavzacón exponencal. El objetvo de cada uno de estos métodos es suavzar las fluctuacones aleatoras causadas por el componente rregular de las seres de tempo, por lo que se conocen como métodos de suavzacón.
17 Este tpo de métodos es apropado para una sere de tempo estable, es decr, una que no exhbe efectos sgnfcatvos de tendenca, cíclcos o estaconales. Los métodos de suavzacón son fácles de usar y por lo general proporconan un alto nvel de precsón para pronóstcos de corto alcance como un pronóstco para el sguente perodo. Uno de los métodos, la suavzacón exponencal, tene requstos de datos mínmos y por tanto es un buen método para usar cuando se requeren pronóstcos para cantdades grandes de artículos.
18 Promedos móvles (smples de orden k) F t+1 = Y t + Y t Y t-k+1 k El método de los promedos móvles utlza el promedo de los k valores de datos más recentes en la sere de tempo como el pronóstco para el sguente perodo. El térmno móvl ndca que, mentras se dspone de una nueva observacón para la sere de tempo, reemplaza a la observacón más antgua de la ecuacón anteror y se calcula un promedo nuevo. Como resultado, el promedo cambará, o se moverá, conforme surjan nuevas observacones. Y t : observacón en el período t F t : pronóstco para el período t
19 Promedos móvles (smples de orden 3) F t+1 = Y t + Y t-1 + Y t-2 3 se promedan solo las últmas observacones el orden se determna a pror un orden grande elmna los pcos (suavza) un orden pequeño permte segur muy de cambos de corto plazo cerca los
20 Promedos móvles (smples de orden 2) ACME MA(2)
21 PROMEDIO MÓVIL DE ORDEN ACME MA(3)
22 Promedos móvles (smples de orden 4) ACME MA(4)
23 Ejemplo Ltros de nafta venddos por semana (en mles) Gráfco Secuencas Cronológcas semana
24 Ejemplo El pronóstco para la semana 13 es 19. e t = Y t - F t : resduo (error de pronóstco) en el período t Precsón del pronóstco. Una consderacón mportante en la seleccón de un método de elaboracón de pronóstcos es la precsón del pronóstco. Desde luego, queremos pronostcar que los errores sean menores. Las últmas dos columnas de la tabla que contenen los errores de pronóstco y los errores de pronóstco al cuadrado, se pueden utlzar para desarrollar meddas de la precsón del pronóstco.
25 Meddas de error Error Medo (Me) : ME = Error Medo Absoluto: MAD = n e dentfca sesgo e dstanca promedo n Error Medo Cuadrátco (Mse): e ) 2 MSE = n penalza errores grandes Error Medo Absoluto Porcentual: proporcón del error e / y MAPE = n MAPE proporcona una ndcacón de cuan grande son los errores de pronostco en comparacón con los valores reales de la sere.
26 Promedos móvles ponderados En el método de promedos móvles, cada observacón en el cálculo recbe el msmo peso. Una varacón, conocda como promedos móvles ponderados, consste en selecconar dferentes pesos para cada valor de datos y luego calcular un promedo ponderado de los k valores de datos más recentes como el pronóstco.
27 En la mayoría de los casos la observacón más recente recbe el mayor peso, y el peso dsmnuye para los valores de datos más antguos. Por ejemplo, para la sere de tempo de las venta de nafta semanal el cálculo de un promedo móvl ponderado de tres semanas, donde la observacón más recente recbe un peso del trple del peso dado a la observacón más antgua y la sguente observacón más antgua recbe un peso del doble que la observacón más antgua. Para la semana 4 el cálculo es: 3/6*19+2/6*21+1/6*17=19.33 En general, s creemos que el pasado recente es un mejor pronostcador del futuro que el pasado dstante, los pesos más grandes deben darse a las observacones más recentes.
28 Suavzacón exponencal F t+1 = Y t + ( 1- ) F t 0 La suavzacón exponencal utlza un promedo ponderado de valores de seres de tempo pasadas como pronóstco. La formula muestra que el pronóstco para el perodo t+1 es un promedo ponderado del valor real en el perodo t y el pronóstco para el perodo t. Es un caso especal del método de promedos móvles ponderados en el cual selecconamos sólo un peso, el peso para la observacón más recente. Los pesos para los demás valores se calculan de forma automátca y se vuelven cada vez más pequeños a medda que las observacones se alejan en el pasado. Podemos demostrar que el pronóstco de la suavzacón exponencal para cualquer perodo tambén es un promedo ponderado de todos los valores reales prevos.
29 Por ejemplo para una sere de tempo que consta de tres perodos de datos: Y 1, Y 2 y Y 3. Comenzamos F 1 =Y 1 F (1-1 = 1 + (1-1 = Y 1 Por lo tanto, el pronóstco de suavzacón exponencal para el perodo dos es gual al valor real de la sere de tempo en el perodo 1. Para el perodo 3 el pronóstco es: F (1- F 2 = 2 + (1-1 Por ultmo al susttur esta expresón para F 3 en la expresón para F 4, se obtene: F (1-3= 3 + (1-2 + (1-1] = 3 + (1- Y 2 + (1-2 Y 1 Por consguente F 4 es un promedo ponderado de los prmeros tres valores de la sere de tempo.
30 Constante suavzacón =0.2
31 Qué valor de? S la varabldad aleatora de la sere de tempo es consderable, es preferble un valor pequeño para la constante de suavzacón. La razón de esta eleccón es que, dado que gran parte del error de pronóstco se debe a la varabldad aleatora, no queremos reacconar de forma exagerada y ajustar los pronóstcos demasado rápdo. Para una sere de tempo con relatvamente poca varabldad, los valores más grandes de la constante de suavzacón tenen la ventaja de ajustar rápdamente los pronóstcos cuando ocurren errores de pronóstco y por ende permten que el pronóstco reaccone más rápdo a las condcones cambantes. Elegmos el valor de que mnmza el error de pronostco.
32 Observar como los pronóstcos suavzan las fluctuacones rregulares de la sere de tempo.
33 Proyeccón de la tendenca En este punto se muestra cómo pronostcar los valores de una sere de tempo que exhbe una tendenca lneal a largo plazo. El tpo de seres de tempo para las cuales el método de proyeccón de tendencas es aplcable, muestra un ncremento o dsmnucón constante en el tempo. Debdo a que este tpo de sere de tempo no es estable, los métodos de suavzacón descrtos en la seccón anteror no son aplcables.
34 Ejemplo La sere de tempo para el número de bccletas venddas parece tener un ncremento general o una tendenca ascendente.
35 Para una tendenca lneal, el volumen de ventas estmado expresado como una funcón del tempo. T t = valor de tendenca para las ventas de bccletas en el perodo t Las ecuacones para calcular b 1 y b 0 son
36 Ecuacón para el componente de tendenca lneal para las seres de tempo de ventas de bccletas. T t = t La pendente de 1.1 en la ecuacón de tendenca ndca que durante los 10 años pasados la empresa ha expermentado un crecmento medo en las ventas de alrededor de 1100 undades por año. La proyeccón de tendenca del año sguente, T 11 = * 11=32.5
37 Componentes de tendenca y estaconal cómo pronostcar los valores de una sere de tempo que tene tanto un componente de tendenca como uno estaconal? La elmnacón del efecto estaconal de una sere de tempo se conoce como desestaconalzacón de la sere de tempo. Después de hacerlo, las comparacones perodo a perodo son más sgnfcatvas y pueden ayudar a dentfcar s exste una tendenca.
38 El enfoque que segumos en este punto es apropado en stuacones cuando sólo están presentes los efectos estaconales o en stuacones en que se dan tanto el componente estaconal como el de tendenca. El prmer paso es calcular los índces estaconales y utlzarlos para desestaconalzar los datos. Luego, s es evdente una tendenca en los datos desestaconalzados, utlzamos el análss de regresón sobre los datos desestaconalzados para estmar la tendenca.
39 Modelo multplcatvo Además de un componente de tendenca T y un componente estaconal S, asummos que la sere de tempo tambén tene un componente rregular I. El componente rregular representa los efectos aleatoros de la sere de tempo que no pueden explcarse por medo de los componentes de tendenca y estaconal.
40 Con T t, S t e I t para dentfcar los componentes de tendenca, estaconal e rregular en el tempo t, suponemos que el valor de la sere de tempo real, denotado por Y t, puede descrbrse por el modelo multplcatvo de seres de tempo. T t es la tendenca medda en undades del elemento que se pronostca. Sn embargo, los componentes S t e I t se mden en térmnos relatvos, con valores por encma de 1.00, lo que ndca efectos por encma de la tendenca, y valores por debajo de 1.00 que denotan efectos por debajo de la tendenca.
41 Las ventas son menores en el segundo trmestre de cada año, segudas por los nveles de ventas más altos en los trmestres 3 y 4. Por tanto, conclumos que exste un patrón estaconal para las ventas de televsores.
42 Comenzamos el procedmento de cálculo utlzado para dentfcar la nfluenca estaconal de cada trmestre. Con el fn de medr la varacón estaconal, es común usar el método de razón de promedo móvl. Esta técnca proporcona un índce que descrbe el grado de varacón estaconal. Los valores del promedo móvl centrado tenden a suavzar las fluctuacones tanto estaconal como rregular en la sere de tempo. Los valores del promedo móvl calculados para cuatro trmestres de datos no ncluyen las fluctuacones debdas a nfluencas estaconales porque el efecto estaconal se ha promedado. Cada punto en el promedo móvl centrado representa cuál sería el valor de la sere de tempo sn nfluencas estaconales o rregulares.
43 Total móvl Año trmestre Ventas(mles) (1) promedo móvl 1 1 4,8 promedo móvl centrado valores estaconalesrregulares índce estaconal 2 4,1 21,4 5, ,475 1,096 22,4 5,6 4 6,5 5,7375 1,133 23,5 5, ,8 5,975 0,971 0,93 1 trmestre 2 24,3 6, ,2 6,1875 0,840 0,84 2 trmestre 25,2 6,3 3 6,8 6,325 1,075 1,09 3 trmeste 25,4 6,35 4 7,4 6,4 1,156 1,14 4 trmestre 25,8 6, ,5375 0,918 26,5 6, ,6 6,675 0,839 26,9 6, ,5 6,7625 1,109 27,2 6,8 4 7,8 6,8375 1,141 27,5 6, ,3 6,9375 0, ,9 7,075 0,834 28,6 7, ,4 (1)Un total móvl se asoca con el dato que ocupa el lugar del medo del conjunto de valores del cual fue calculado
44 Al dvdr cada observacón de la sere de tempo entre el valor del promedo móvl centrado correspondente, podemos dentfcar el efecto estaconal-rregular en la sere de tempo. Por ejemplo, el tercer trmestre del año 1 muestra 6.0/5.475=1.096 como el componente estaconal-rregular combnado. La tabla anteror resume los valores estaconales-rregulares resultantes para toda la sere de tempo. Consdere el tercer trmestre. Los resultados de los años 1, 2 y 3 muestran valores del tercer trmestre de 1.096, y 1.109, respectvamente. Por tanto, en todos los casos el componente estaconal-rregular parece tener una nfluenca por encma del promedo en el tercer trmestre. Las fluctuacones durante los tres años pueden atrburse al componente rregular, por lo que podemos promedar los valores calculados para elmnar la nfluenca rregular y obtener una estmacón de la nfluenca estaconal del tercer trmestre gual a 1,09. Índce estaconal 0,93 1 trmestre 0,84 2 trmestre 1,09 3 trmestre 1,14 4 trmestre
45 Índce estaconal 0,93 1 trmestre 0,84 2 trmestre 1,09 3 trmestre 1,14 4 trmestre El trmestre de mejores ventas es el cuarto, con ventas que promedan 14% por encma del valor medo trmestral. El trmestre con peores ventas, o más lento, es el segundo, con un índce estaconal de 0.84, que muestra que las ventas promedaron 16% por debajo de las ventas medas trmestrales. Verfcar: El modelo multplcatvo requere que el índce estaconal medo sea gual 1.00.
46 Desestaconalzacón de las seres de tempo El propósto de determnar índces estaconales es precsamente elmnar los efectos estaconales de una sere de tempo. Este proceso se conoce como desestaconalzacón de las seres de tempo.
47 La sere de tempo parece tener una tendenca lneal ascendente. Para dentfcar esta tendenca, utlzamos el método de proyeccón de la tendenca; en este caso, los datos utlzados son los valores de las ventas trmestrales desestaconalzadas.
48 T t = t La pendente de ndca que durante los 16 trmestres anterores la empresa ha expermentado un crecmento desestaconalzado medo en las ventas de aproxmadamente 148 televsores por trmestre. S suponemos que la tendenca de los 16 trmestres pasados en datos de ventas es un ndcador razonablemente bueno del futuro, podemos utlzar esta ecuacón para proyectar el componente de tendenca de la sere de tempo para los 4 próxmos trmestres del año 5. proyeccón de tendenca. t (en mles) 17 7, , , ,061 El paso fnal en el desarrollo del pronóstco, cuando tanto el componente de tendenca como el estaconal están presentes, es utlzar el índce estaconal para ajustar la proyeccón de tendenca.
49 Observacón mportante En esta prmera parte se utlzó la regresón lneal smple para ajustar una tendenca lneal a las seres de tempo de ventas de bccletas y tambén para el caso de venta de televsores. Aquí obtuvmos una ecuacón lneal que vnculaba dchas ventas con el perodo. Pero el número de bccletas venddas en realdad no se relacona de manera causal con el tempo, más ben el tempo es un susttuto de las varables con que se relacona en realdad el número de bccletas venddas, desconocdas o demasado dfícles o costosas de medr. Por lo cual, el uso del análss de regresón para la proyeccón de la tendenca no es un método de elaboracón de pronóstcos causal debdo a que sólo se utlzaron los valores pasados de ventas, es decr, la varable que se pronostca. Cuando utlzamos el análss de regresón para relaconar las varables que queremos pronostcar con otras varables que se supone nfluyen en la varable o la explcan, se vuelve un método de elaboracón de pronóstcos causal.
50 Análss de Regresón El Análss de Regresón tene como objetvo estudar la relacón entre varables. Permte expresar dcha relacón en térmnos de una ecuacón que conecta una varable de respuesta Y, con una o más varables explcatvas X 1,X 2,,X k. Fnaldad: Determnacón explícta del funconal que relacona las varables. (Predccón) Comprensón por parte del analsta de las nterrelacones entre las varables que ntervenen en el análss.
51 Datos de corte transversal Una base de datos de corte transversal consste en una muestra de ndvduos, hogares, empresas, cudades, estados, países u otras undades, tomada en algún punto dado en el tempo. Algunas veces no todos los datos de estas undades corresponden exactamente a un msmo momento. Por ejemplo, puede ser que, un conjunto de famlas sea entrevstado durante dferentes semanas de un año. En un análss de corte transversal puro, dferencas menores de tempo en la recoleccón de los datos son gnoradas. Aun cuando un conjunto de famlas haya sdo entrevstado en semanas dstntas de un msmo ano, se consderara como una base de datos de corte transversal.
52 Se quere estudar la relacón entre ROE (medda de desempeño de una empresa) y el pago que recben los CEO. Relacón entre salaro y años de educacón. Relacón entre salaro, años de educacón y experenca laboral Relacón entre preco de una vvenda y metros cuadrados, cantdad de habtacones, etc.
53 A pesar de que el análss de regresón tene que ver con la dependenca de una varable respecto a otras varables, esto no mplca causaldad necesaramente. La msma vene dada por consderacones a pror o teórcas. A dferenca del análss de correlacón, en donde el prncpal objetvo es medr el grado de asocacón lneal entre dos varables, aquí estamos nteresados en estmar o predecr el valor promedo de una varable sobre la base de valores fjos de otras varables.
54 Análss de regresón lneal smple El análss de regresón se relacona en gran medda con la estmacón y/o predccón de la meda (de la poblacón) o valor promedo de la varable dependente, con base en los valores conocdos o fjos de las varables explcatvas.
55 Poblacón total de 60 famlas de una comundad hpotétca. Ingreso semanal (X) y gasto de consumo semanal (Y ), en dólares. Las 60 famlas se dvden en 10 grupos de ngresos (de $80 a $260). Se tenen 10 valores fjos de X y los correspondentes valores de Y para cada uno de los valores X; así que hay 10 subpoblacones Y
56 Se tenen 10 valores medos para las 10 subpoblacones de Y. A estos valores medos se les denomna valores esperados condconales, en vsta de que dependen de los valores dados a la varable condconal X. Se denota por E(Y/X) Resulta mportante dstngur dchos valores condconales esperados del valor esperado ncondconal del gasto de consumo semanal, E(Y). E(Y)=7272/60=121,2 Es ncondconal en el sentdo de que para obtener esta cfra se omten los nveles de ngresos de las dversas famlas
57 Cuál es el valor esperado de una famla? del gasto de consumo semanal La meda ncondconal: $121,20 Cuál es el valor esperado del gasto de consumo semanal de una famla cuyo ngreso semanal es $100,La meda condconal: $77 Saber el nvel de ngreso nos permte predecr mejor el valor medo del gasto de consumo.
58 Se puede observar en él gráfco de dspersón, al unr las medas condconales la recta de regresón poblaconal (RRP). ( o regresón de Y sobre X). El adjetvo poblaconal se debe al hecho de que en este ejemplo se consderó una poblacón de 60 famlas. Gráfco de dspersón Gasto de consumo v/s Ingreso A pesar de la varabldad del gasto para cada ngreso, en promedo el consumo semanal se ncrementa en la msma medda que el ngreso Ingreso semanal
59 Curva de regresón poblaconal Desde el punto de vsta geométrco, una curva de regresón poblaconal es smplemente el lugar geométrco de las medas condconales de la varable dependente para los valores fjos de la (s) varables explcatva(s). Es la curva que conecta las medas de las subpoblacones de Y que corresponden a los valores del regresor X.
60 Concepto de funcón de regresón poblaconal (FRP) Es claro que cada meda condconal E(Y/X) es funcón de X, donde X es un valor dado de X. E(Y/X)=f(X) y f(x) denota alguna funcón de la varable explcatva X. Qué forma toma la funcón f(x)? En una stuacón real no tenemos la totaldad de la poblacón para efectuar el análss. La forma funconal de la FRP es, una pregunta empírca, aunque en casos específcos la teoría puede tener algo que decr. Por ejemplo, un economsta podría plantear que el gasto de consumo está relaconado lnealmente con el ngreso. Por tanto, como una prmera aproxmacón podemos suponer que la FRP es una funcón lneal de X E( Y / X ) 1 2X 1 y 2 son parámetros no conocdos pero fjos que se denomnan coefcentes de regresón
61 Funcón de Regresón Poblaconal E Y X f X El valor esperado de la dstrbucón de Y esta funconalmente relaconado con X, pero... Qué forma funconal toma f X? Lneal No Lneal
62 El térmno regresón lneal sempre sgnfcará una regresón lneal en los parámetros.
63 Entre otras las formas funconales lneales se destacan: Y. X Y Y. X exp(. X )
64 La prmer ecuacón es lneal La segunda ecuacón se puede trasformar en: logy log log X La tercer ecuacón se puede transformar en logy X Veamos la nterpretacón de cada coefcente
65
66 Ecuacón de regresón poblaconal FRP E( Y / X ) 1 2X Ecuacón de regresón poblaconal FRP Donde 2son parámetros no conocdos pero fjos que se denomnan coefcentes de regresón. 1 y En el análss de regresón el nterés es estmar la FRP, es decr estmar los valores de no conocdos con base en las 1 y 2 observacones de Y y X
67 Especfcacón estocástca de la FRP Qué podemos decr sobre la relacón entre el gasto de consumo de una famla ndvdual y un nvel dado de ngresos? Se observa en la fgura, que dado el nvel de ngresos de X, el gasto de consumo de una famla ndvdual está agrupado alrededor del consumo promedo de todas las famlas en ese nvel de X, esto es, alrededor de su esperanza condconal. Por consguente, podemos expresar la desvacón de un Y ndvdual alrededor de su valor esperado de la sguente manera: Y E( Y / X ) u o u Y E( Y / X ) Donde la desvacón u es una varable aleatora no observable que toma valores postvos o negatvos. Técncamente, u es conocda como perturbacón estocástca o térmno de error estocástco.
68 Especfcacón estocástca de la FRP Se puede decr que el gasto de una famla ndvdual, dado su nvel de ngresos, puede ser expresado como la suma de dos componentes Y E( Y / X ) u La meda del gasto de consumo de todas las famlas con el msmo nvel de ngresos. Componente aleatoro. Es un susttuto para todas aquellas varables que son omtdas del modelo pero que colectvamente afectan a Y
69 Especfcacón estocástca de la FRP Y E( Y / X ) u 1 2 X u La ecuacón plantea que el gasto de consumo de una famla está relaconado lnealmente con su ngreso, más el térmno de perturbacón. Así los gastos de consumo ndvdual, dado X=$80, pueden ser expresados como Y Y Y Y Y u u u u u Así, el supuesto de que la recta de regresón pasa a través de las medas condconales de Y mplca que los valores de la meda condconal de u cero. son
70 Especfcacón estocástca de la FRP La especfcacón estocástca Y E( Y / X ) u 1 2 X u Tene la ventaja que muestra claramente otras varables además del ngreso, que afectan el gasto de consumo y que un gasto de consumo de famlas ndvduales no puede ser explcado en su totaldad solamente por la(s) varable(s) ncluda(s) en el modelo de regresón.
71 Funcón de regresón muestral (FRM) En la práctca lo que se tene al alcance no es más que una muestra de valores de Y que corresponden a algunos valores fjos de X. Por consguente la labor ahora es estmar la FRP con base en nformacón muestral. Supóngase que no se conocía la poblacón de la tabla 1 y que la únca nformacón que se tenía era una muestra de valores de Y selecconada aleatoramente para valores dados de X tal como se presenta en la tabla 2 De la muestra de la tabla 2, se puede predecr el gasto de consumo semanal promedo Y para la poblacón correspondente a los valores de X selecconados? Se puede estmar la forma FRP a partr de la nformacón muestral?
72 Funcón de regresón muestral (FRM) Consderemos otra muestra tomada de la poblacón de la tabla. Las rectas de la fgura se conocen como rectas de regresón muestral. En general, se podrían obtener N FRM dferentes para N muestras dferentes y estas FRM no necesaramente son guales
73 Ahora, en forma análoga a la FRP en la cual se basa la recta de regresón poblaconal, se puede desarrollar el concepto de funcón de regresón muestral. La contraparte muestral puede escrbrse como: Donde Y Y 1 2 X estmador de E(Y/X) Es la contraparte de E( Y / X ) 1 2X 1 2 estmador de estmador de 1 2 Atencón!: que un estmador, conocdo tambén como estadístco (muestral), no es más que una regla, fórmula o método para estmar el parámetro poblaconal a partr de la nformacón sumnstrada por la muestra dsponble. Un valor numérco partcular obtendo por el estmador en un análss se conoce como estmacón. Cabe señalar que un estmador es aleatoro, pero una estmacón no.
74 Funcón de regresón muestral (FRM) en su forma estocástca La FRM en su forma estocástca se puede expresar como Y 1 2 X Donde Conceptualmente es análogo a µ estmacón de µ denota el térmno resdual (muestral) y puede ser consderado como un El objetvo prncpal en el análss de regresón es estmar la FRP Y 1 2 X Con base en la FRM Y 1 2 X
75 Rectas de regresón muestral y poblaconal Debdo a fluctuacones muestrales, la estmacón de la FRP basada en la FRM es, en el mejor de los casos, una aproxmacón.
76 Rectas de regresón muestral y poblaconal Para X=X, se tene una observacón muestral Y=Y. En térmnos de la FRM, la Y observada puede ser expresada como Y Y Y en térmnos de la FRP, puede ser expresada como Y E( Y / ) X Dado que la FRM es apenas una aproxmacón de la FRP, se puede dseñar un método que haga que esta aproxmacón sea lo más ajustada posble?
77 Funcón de regresón smple: problema de estmacón La tarea consste en estmar la funcón de regresón poblaconal (FRP) con base en la funcón de regresón muestral (FRM) en la forma más precsa posble. Los dos métodos de estmacón que suelen utlzarse son: 1) Los mínmos cuadrados ordnaros (MCO) 2) La máxma verosmltud (MV). El método de MCO es el que más se emplea en el análss de regresón.
78 Método de mínmos cuadrados ordnaros (MCO) El método MCO se atrbuye a Carl Fredrch Gauss un matemátco alemán. Bajo certos supuestos el método tene algunas propedades estadístcas muy atractvas que lo han convertdo en uno de los más efcaces y populares del análss de regresón. Prmero se estma u Y 1 2 X que muestra que los resduos son smplemente las dferencas entre los valores observados y los estmados de Y. Ahora, dados n pares de observacones de Y y X, se está nteresado en determnar la FRM de tal manera que esté lo más cerca posble a la Y observada.
79 Método de mínmos cuadrados ordnaros (MCO) Con este fn se puede adoptar el sguente crtero: selecconar la FRM de tal manera que la suma de los resduos : u Y sea la menor posble. Este crtero, no es muy bueno porque a todos los resduos se les da la msma mportanca sn consderar qué tan cerca o qué tan dspersas estén las observacones ndvduales de la FRM. Debdo a lo anteror, es muy posble que la suma algebraca de los resduos sea pequeña (aun cero) a pesar de que las están bastante dspersas alrededor de FRM. u Y
80 Método de mínmos cuadrados ordnaros (MCO) Se puede evtar este problema s se adopta el crtero de mínmos cuadrados, el cual establece que la FRM puede determnarse en forma tal que u 2 Y Y 2 Y 1 2 X 2 sea la menor posble. Este método da más peso a los resduos tales como 1 y u 4 que a los resduos u 2 y u u 3 El procedmento de MCO genera las sguentes ecuacones para estmar 1 y 2 donde n es el tamaño de la muestra
81 Método de mínmos cuadrados ordnaros (MCO) Y Y X n X X 2 X 2 Ecuacones normales Resolvendo las ecuacones normales smultáneamente se obtene 2 x 2 x y 1 Y - 2 X Estmadores de mínmos cuadrados
82 Los estmadores obtendos se conocen como estmadores de mínmos cuadrados, pues se dervan del prncpo de mínmos cuadrados. Estos estmadores tenen propedades numércas por haber sdo obtendos con el método de MCO: Propedades numércas son las que se mantenen como consecuenca del uso de mínmos cuadrados ordnaros, sn consderar la forma como se generaron los datos. Exsten tambén las propedades estadístcas de los estmadores MCO, es decr, propedades que se mantenen sólo con certos supuestos sobre la forma como se generaron los datos.
83 S deseamos estmar sólo 1 y 2, basta el método MCO presentado de la seccón anteror. Por consguente, mentras no se especfque la forma como se crean o se generan X y u no hay manera de hacer alguna nferenca estadístca sobre Y, n tampoco, sobre 1 y 2. Así, los supuestos sobre la(s) varable(s) X y el térmno de error son relevantes para lograr una nterpretacón válda de los valores estmados de la regresón.
84 Modelo clásco de regresón lneal supuestos detrás del método MCO El modelo de Gauss, modelo clásco o estándar de regresón lneal (MCRL) el cual es el cmento de la mayor parte de la teoría econométrca, plantea 9 supuestos. Supuesto 1: Modelo de regresón lneal El modelo de regresón es lneal en los parámetros Y 1 2 X modelo smple Supuesto 2: Los valores de X son fjos en muestreo repetdo. Sgnfca que el análss de regresón es un análss de regresón condconal, esto es, condconado a los valores dados del (los) regresor X.
85 Supuesto 3: El valor medo de la perturbacón u es gual a cero. Dado el valor de X, el valor esperado del térmno aleatoro de perturbacón u es cero. E( u / X ) 0 Nótese que el supuesto E(u/X)=0 mplca que E( Y / X ) 1 2X
86 Supuesto 4: Homocedastcdad o gual varanza de u. Dado el valor de X, la varanza de u es la msma para todas las observacones, es decr, las varanzas condconales de u son déntcas. 2 var( u / X) Homocedastcdad Heterocedastcdad
87 Homocedastcdad
88 Homocedastcdad
89 Supuesto 5: No exste auto correlacón entre las perturbacones. Dados dos valores cualquera de X, X y Xj, la correlacón entre dos u y uj es cero. cov( u, uj / X, X j ) 0
90 Supuesto 6: La covaranza entre u y X es cero o E(uX)=0 cov( u, X Supuesto 7: El número de observacones n debe ser mayor que el número de parámetros por estmar. ) 0 Supuesto 8: Varabldad en los valores de X. No todos los valores de X en una muestra dada deben ser guales. var(x ) 0 Supuesto 9: No hay sesgo de especfcacón
91 El supuesto de normaldad: El modelo clásco de regresón lneal normal Recordemos que con los supuestos vstos anterormente los estmadores de MCO satsfacían dferentes propedades estadístcas muy deseables, tales como nsesgamento y varanza mínma. S nuestro objetvo es úncamente la estmacón puntual el método de MCO será sufcente, sn embargo 1, 2, 2 la estmacón puntual es sólo la formulacón de un aspecto de la nferenca estadístca. Nuestro nterés no consste solamente en estmar la funcón muestral de regresón (FRM), sno tambén en utlzarla para obtener nferencas respecto a la funcón de regresón poblaconal (FRP).
92 El supuesto de normaldad: El modelo clásco de regresón lneal normal La regresón lneal normal clásca supone que cada u, está normalmente dstrbuda con Meda : E(u ) 0 Varanza : Cov( u, u j ) : E u E u E( u E( u ) 2 ) u j E( u 2 ) E( u j ) 2 E( u u j ) 0 j Estos supuestos pueden expresarse en forma más compacta como u ~ 2 N(0, )
93 Normaldad
94 Prueba de hpótess para 2 gl.
95 La bondad de ajuste de la recta de regresón es equvalente a determnar cuán ben se ajusta la recta de regresón a los datos muestrales. Como medda de esto surge el coefcente de determnacón muestral (ó r 2 ): Verbalmente, r 2 mde la proporcón o el porcentaje de la varacón total en Y explcada por el modelo de regresón. Dos propedades de r 2 : 1. Es una cantdad no negatva. 2. Sus límtes son 0 r 2 1. Un r 2 de 1 sgnfca un ajuste perfecto. Por otra parte, un r 2 de cero sgnfca que no hay relacón alguna entre la varable regresada y la varable regresora, es decr, la mejor predccón de cualquer valor de Y es smplemente el valor de su meda. En esta stuacón, por consguente, la línea de regresón será horzontal al eje X.
96 REGRESION LINEAL MULTIPLE Generalzando la funcón de regresón poblaconal (FRP) de dos varables se puede escrbr la FRP de tres varables así: Y 1 2 X 1 3 X 2 donde Y es la varable dependente, X 1 y X 2 las varables explcatvas (o regresoras). u es el térmno de perturbacón estocástca, e la ésma observacón. Los coefcentes se denomnan coefcentes de regresón parcal Se contnúa operando dentro del marco del modelo clásco de regresón lneal (MCRL).
97 Modelo de tres varables Supuestos Específcamente. se supone lo sguente Valor medo de u, gual a cero E ( u / X, X 2 1 ) 0 para cada No correlacón seral cov( u, u j ) 0 j Homocedastcdad var( u ) 2
98 Supuestos Covaranza entre u y cada varable X gual a cero cov( u, X ) cov( u, X 2 1 ) 0 No hay sesgo de especfcacón El modelo está especfcado correctamente No hay colnealdad exacta entre las varables X No hay relacón lneal exacta entre X 1 y X 2 Adconalmente, se supone que el modelo de regresón múltple es lneal en los parámetros, que los valores de las regresoras son fjos en muestreos repetdo y que hay sufcente varabldad en dchos valores.
99 Interpretacón de la ecuacón de regresón múltple Dados los supuestos del modelo de regresón clásco, se cumple que, al tomar la esperanza condconal de Y a ambos lados de se obtene Y 1 2 X E( Y / X1, X 2 ) 1 2X1 3X 2 1 Expresado en palabras, de la expresón anteror se obtene la meda condconal o el valor esperado de Y condconado a los valores dados o fjos de las varables X 1 y X 2. Por consguente, gual que en el caso de dos varables, el análss de regresón múltple es el análss de regresón condconal, sobre los valores fjos de las varables explcatvas, y lo que obtenemos es el valor promedo o la meda de Y, o la respuesta meda de Y a valores dados de las regresoras X. Nota: Las propedades de los estmadores MCO del modelo de regresón múltples son smlares a aquellas del modelo con dos varables 3 X 2
100 Sgnfcado de los coefcentes de regresón parcal Los coefcentes de regresón 2 y coefcentes de regresón parcal. 3 se denomnan 2 mde el cambo en el valor de la meda de Y, E(Y) por undad de cambo en X 1 permanecendo X 2 constante. 3 mde el cambo en el valor medo de Y, E(Y) por undad de cambo en X 2 cuando el valor de X 1 se conserva constante.
101 Prueba de la sgnfcacón global de la regresón La sgnfcacón global de la regresón se puede probar con la relacón de la varanza explcada a la varanza no explcada: Esta sgue una dstrbucón F con k-1 y n-k grados de lbertad, donde n es el número de observacones y k es el número de parámetros estmados. R 2 /( k 1) F k 1, n k (1 R 2 ) /( n S la relacón F calculada excede el valor tabulado de F al nvel especfcado de sgnfcacón y grados de lbertad, se acepta la hpótess de que los parámetros de la regresón no son todos guales a cero y que R cuadrado es sgnfcatvamente dferente de cero. H 0 : k) n 0 H 1 : No todas las son cero
102 Chequear Supuestos 1. Normaldad de los resduos 2. No autocorrelacón 3. Homocedastcdad 4. Lnealdad 5. No multcolnealdad
103 Por ejemplo Normaldad de los resduos Gráfcos: Hstograma, gráfco probablístco normal H s t o g r a m a 1.00 Gráfco P-P normal de regresón Resduo tpfcado Frecuenca R e s d u o t p f c a d o D M N Prob acum esperada Prob acum observada
104 No autocorrelacón El caso e) ndca que no hay un patrón sstemátco, apoyando el supuesto de no autocorrelacón de los resduos.
105 El prmer gráfco (arrba-zq) nos estaría dcendo que no habría heteroscedastcdad. Sn embargo los otros gráfcos muestran patrones defndos.
106 Lnealdad Se observan los gráfcos de regresón parcal. Para examnar la relacón entre la varable dependente y cada una de las ndependentes por separado.
107 No Multcolnealdad FIV>10 se dce que la varable es altamente colneal. IC( índce de condcón) s esta entre 10 y 30 exste multcolnealdad entre moderada y fuerte y s excede 30, exste multcolnealdad severa. Al enfrentar el problema de multcolnealdad severa, una de las solucones mas smples consste en omtr del modelo una de las varables colneales.
108 Pruebas formales Homocedastcdad: Prueba de Goldfeld-Quant, prueba de Whte. Incorrelacón de los errores: Prueba de Durbn- Watson, prueba de rachas. Normaldad de los errores: Pruebas de Shapro- Wlks, prueba de Anderson Darlng
109 Ejemplo Analzar la relacón exstente entre el grado de estrés de los trabajadores Y a partr del tamaño de la empresa en que trabajan X 1, el número de año que llevan en el puesto de trabajo actual X 2, salaro anual percbdo X 3 y la edad del trabajador X 4.
110 obs X1 tamaño X2 Años puesto X3 Salaro anual X4 edad Y gradodee Una vez hallada la relacón pedda entre las varables, evaluar la capacdad predctva del modelo y hallar predccones del grado de estrés de los trabajadores para los valores sguentes de las varables ndependentes: x1 x2 x3 x
111 Análss de regresón con Datos de Seres de tempo En térmnos formales, a una secuenca de varables aleatoras ndexadas en el tempo se le llama proceso estocástco o proceso de seres de tempo ( estocástco es snónmo de aleatoro). Cuando se conforma una base de datos de seres de tempo, se obtene un resultado posble, o realzacón, del proceso estocástco. Úncamente se puede ver una sola realzacón, ya que no es posble retroceder en el tempo y empezar de nuevo el proceso. (Esto es análogo al análss de corte transversal en el que úncamente se puede reunr una sola muestra aleatora.) No obstante, s certas condcones hstórcas fueran dstntas, por lo general se obtendría una realzacón dferente para el proceso estocástco y es por ello que los datos de seres de tempo se consderan como el resultado de varables aleatoras.
112 Datos para regresón múltple con seres de tempo Y t valor de la sere de tempo en el perodo t x 1t = valor de la varable ndependente 1 en el perodo t x 2t = valor de la varable ndependente 2 en el perodo t Yt 1 2 X1 t 3 X 2t Ecuacón regresón estmada con 2 varables ndependentes.
113 Condcones para utlzar análss estadístco nferencal con datos de seres de tempo Un proceso estocástco es estaconaro en sentdo estrcto o fuerte cuando la dstrbucón de probabldad conjunta de la sere es nvarante con respecto al tempo. Un proceso estocástco es estaconaro en el sentdo débl s su meda y su varanza son constantes en el tempo y s el valor de la covaranza entre dos perodos depende sólo de la dstanca o rezago entre estos dos perodos, y no del tempo en el cual se calculó la covaranza. Ergodcdad: Las observacones muy lejanas en el tempo no están correlaconadas. Es necesara para poder contar con sufcentes observacones ndependentes para estmar los parámetros del modelo.
114 Una sere no estaconara tendrá meda y/o varanza que camban en el tempo S una sere es no estaconara se puede estudar su comportamento sólo durante el período de observacón. Cada conjunto de datos pertenecerá a un epsodo partcular No puede generalzarse Tenen poco valor práctco Por tanto, las seres de tempo estaconaras y déblmente dependentes son deales para el análss de regresón múltple.
115 COINTEGRACION La regresón de una varable de sere de tempo sobre una o mas varables de sere de tempo, frecuentemente puede dar resultados sn sentdo o espuros. Este fenómeno se conoce como regresón espura. Una forma de protegerse de esta es establecer s las seres de tempo están contegradas. Contegracón sgnfca que a pesar de no ser estaconaras a nvel ndvdual, una combnacón lneal de dos o mas seres de tempo puede ser estaconara.
116 Ejemplo Gasto en consumo personal contra Ingreso dsponble CP t = ID t + u t Se puede expresar u t = CP t - ID t Se somete el u t estmado a un test de raíz untara (para probar estaconaredad) S es estaconara la regresón de consumo contra ngreso sería contegrada. Exste una relacón de equlbro o largo plazo
117 Ejemplo fnal La novak corporaton desea desarrollar un modelo de pronostco para la proyeccón de la ventas futura. Ya que la corporacón tene tendas a lo largo de una extensa regón se elgen los ngresos personales dsponbles (x 1 ) como varable explcatva posble. A contnuacón se presentan los sguentes datos anuales desde 2000 a 2016:
118 fla año ventas(mllones) ngreso personal (mllones) tasa desempleo(%) ,1 5, ,2 349,4 5, ,5 362,9 6, ,2 383,9 5, ,2 402,8 5, , , ,8 472,2 4, ,6 510,4 3, ,6 544,5 3, ,4 588,1 3, ,8 630,4 3, ,6 685,9 4, ,8 5, ,9 801,3 5, ,9 903,1 4, ,3 983,6 5, ,1 1076,7 8,5
119 Yt X1 t 0. 35X 2t El modelo fnal estmado ncorpora la tasa de desempleo. La funcón Yt X1 t 0. 35X 2t puede utlzarse para predecr las ventas ya que se cumplen todos los supuestos. Datos de expertos se utlzan para estmar el ngreso personal y la tasa de desempleo para la regón para generar un pronostco de las ventas de Novak para S x 1 (1185) y x 2 (7,8) El pronostco de ventas esperado para 2017 es 32,8 mllones.
120 Yt X1 t 0. 35X 2t En otro tpo de modelo de pronóstco basado en la regresón, las varables ndependentes son todos los valores anterores de la msma sere de tempo. Por ejemplo, s los valores de la sere de tempo se denotan Y 1, Y 2,..., Y n, y la varable ndependente es Y t, se trata de hallar una ecuacón de regresón estmada que relacone Y t con los valores más recentes de la sere de tempo Y t- 1, Y t-2, etc. S se emplean como varables ndependentes los tres perodos más recentes, la ecuacón estmada de regresón será Y t Y 1 2 t 1 3 t 2 4 t A los modelos de regresón que tenen varables ndependentes con los valores anterores de la sere de tempo se les conoce como modelos autorregresvos. Y Y 3
121 Bblografía de referenca Anderson R., Sweeney D., Wllams T., Camm J. y Cochran J. (2015), Quanttatve Methods for Busness Cengage Learnng. USA. Anderson D., Sweeney D. y Wllams T. (2008), Estadístca para Admnstracón y Economía. 10º edcón. Ed. Thomson. Méxco. Canavos, G. (2003), Probabldad y Estadístca. Teoría y aplcacones. Mc Graw Hll. Interamercana de Méxco. Enders, W. (2008), Appled Econommetrc Tme Seres. Edtoral Wley. Inglaterra. Gusande Gonzalez, C., Vaamonde Lste, A. y Barrero Felpeto, A. (2011), Tratamento de datos con R, Statstca y SPSS. Ed. Díaz de Santos. España. Gujarat, D. y Porter D. (2010), Econometría 5 Edcón. Mc Graw Hll. Méxco. Hanke, J. and Wchern, D. (2006). Pronóstcos en los negocos. Edtoral Pearson. Méxco. Levne D., Stephan D, Krehbel T., and Berenson M. (2008). Statstcs for Managers. Pearson New Jersey. Software: Statgraphcs - QM for Wndows (Pearson)
Relaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
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 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 detallesEstimación de la Demanda: Pronósticos
UNIVERSIDAD SIMON BOLIVAR Estmacón de la Demanda: Pronóstcos PS-4161 Gestón de la Produccón I 1 Bblografía Recomendada Título: Dreccón de la Produccón: Decsones Estratégcas. Capítulo 4: Prevsón Autores:
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 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 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 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 detallesVisión moderna del modelo de transporte clásico
Vsón moderna del modelo de transporte clásco Zonfcacón y Red Estratégca Datos del Año Base Datos de Planfcacón Para el Año de Dseño Base de Datos año base futuro Generacón de Vajes Demanda Dstrbucón y
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 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 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 detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más 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 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 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 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 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 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 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 detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
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 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 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 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 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 detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesPoblación: 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 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 detallesIntroducción al riesgo de crédito
Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta
Más 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 detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
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 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 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 detallesCÁLCULO DE LA TASA INTERNA DE RETORNO DE LA EDUCACIÓN EN COLOMBIA *
CÁLCULO DE LA TASA INTERNA DE RETORNO DE LA EDUCACIÓN EN * INTRODUCCIÓN Helmuth Yesd Aras Gómez ** Álvaro Hernando Chaves Castro *** El efecto de la educacón sobre el desarrollo económco tradconalmente
Más detallesESTADÌSTICA INFERENCIAL
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA ADMINISTRACIÓN DE EMPRESAS ESTADÌSTICA INFERENCIAL MÓDULO EN REVISIÓN DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA
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 detallesUNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES
UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES EL PROGRAMA ESTADÍSTICO R Y UNA APLICACIÓN EN ECONOMETRÍA y TESIS PROFESIONAL Como requsto parcal para obtener el título de: LICENCIADO EN
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 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 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 detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA 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 detallesIndice de Coste Laboral Armonizado. Metodología
Indce de Coste Laboral Armonzado Metodología Indce 1. Introduccón 2. Defncones 3. Formulacón 4. Ajuste de seres 1. Introduccón El objetvo prncpal del Indce de Coste Laboral Armonzado es proporconar una
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 detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
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 detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
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 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 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 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 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 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 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 detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
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 detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesGlosario básico. de términos estadísticos
Glosaro básco de térmnos estadístcos Lma, mayo de 2006 CREDITOS Dreccón y Supervsón Lupe Berrocal de Montestruque Drectora Técnca del Centro de Investgacón y Desarrollo Responsable del documento Hermna
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
Más detallesEstimación del consumo diario de gas a partir de lecturas periódicas de medidores
Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas
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 detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más 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 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 detallesEl análisis de desviaciones sobre el resultado previsto
Tema 6 El análss de desvacones sobre el resultado prevsto Trabajar con presupuestos supone, como fase fnal lógca, el comparar las cfras prevstas con las reales, y proceder a un «análss de desvacones».
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 detallesFisicoquímica CIBEX Guía de Trabajos Prácticos 2010. Trabajo Práctico N 7. - Medida de la Fuerza Electromotriz por el Método de Oposición-
Fscoquímca CIBX Guía de Trabajos Práctcos 2010 Trabajo Práctco N 7 - Medda de la Fuerza lectromotrz por el Método de Oposcón- Objetvo: Medr la fuerza electromotrz (FM) de la pla medante el método de oposcón
Más detallesTEMA UNIDAD III: INFERENCIA ESTADÍSTICA
MÉTODOS DE MUESTREO 13.1. ITRODUCCIÓ 13.. COCEPTOS BÁSICOS 13.3. ERRORES E EL MUESTREO 13.4. ETAPAS DEL PROCESO DE MUESTREO 13.5. RAZOES PARA LA IVESTIGACIÓ POR MUESTREO 13.6. DISEÑO MUESTRAL 13.7. ESTIMACIÓ
Más detallesCAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS
CAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS El conocmento de las meddas de centralzacón no es sufcente para caracterzar completamente a una dstrbucón por ejemplo: s las edades medas de
Más detallesPORTAFOLIO DE TRES ACTIVOS FINANCIEROS
PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un
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 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 detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesUNIDAD 4. PRESUPUESTO DE VENTAS.
UNIDAD 4. PRESUPUESTO DE VENTAS. OBJETIVOS. 1. Dar a entender al estudante la mportanca prmordal del presupuesto de ngresos dentro de una empresa u organzacón. 2. Enseñar lo que realmente comprende un
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 detallesOSCILACIONES 1.- INTRODUCCIÓN
OSCILACIONES 1.- INTRODUCCIÓN Una parte relevante de la asgnatura trata del estudo de las perturbacones, entenddas como varacones de alguna magntud mportante de un sstema respecto de su valor de equlbro.
Más detallesRentas o Anualidades
Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades
Más detallesEl costo de oportunidad social de la divisa ÍNDICE
El Costo de Oportundad Socal de la Dvsa El costo de oportundad socal de la dvsa ÍNDICE. INTRODUCCIÓN. EL MARCO TEÓRICO 3. CÁLCULO DEL COSTO DE OPORTUNIDAD SOCIAL DE LA DIVISA 3. Nvel agregado 3. Nvel desagregado
Más detalles