CAPÍTULO 5 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TASA INTERNA DE RETORNO A PARTIR DE LAS ESTIMACIONES FACILITADAS POR EL EXPERTO
|
|
- José Manuel Sáez Crespo
- hace 7 años
- Vistas:
Transcripción
1 CAPÍTULO 5 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TASA INTERNA DE RETORNO A PARTIR DE LAS ESTIMACIONES FACILITADAS POR EL EXPERTO FEDERICO PALACIOS GONZÁLEZ JOSÉ CALLEJÓN CÉSPEDES Departamento de Métodos Cuantitativos para la Economía y la Empresa. Universidad de Granada RESUMEN En este trabajo se estima la distribución de probabilidad de la Tasa Interna de Retorno, mediante métodos no paramétricos. Fijado un horizonte temporal, se puede disponer de una distribución de probabilidad para cada uno de los flujos de caja (o incluso de la aportación inicial) de una inversión, utilizando la distribución beta PERT o bien alguno de los modelos alternativos, a partir de las estimaciones pesimista, optimista y más probable que, de cada uno los mencionados flujos, proporcione un experto. Con la mencionada modelización, se simula una muestra aleatoria, de los valores de la tasa interna de retorno correspondiente. Esta muestra es el punto de partida para la estimación no paramétrica, mediante el núcleo gaussiano, de la distribución de la TIR. PALABRAS CLAVE: Tasa interna de retorno; distribución beta PERT; modelos alternativos al PERT; estimación no paramétrica.. INTRODUCCIÓN Como es suficientemente conocido (véase por ejemplo Suárez 993) que el Valor Actual Neto (VAN), conocidos la aportación inicial, el horizonte temporal
2 96 PALACIOS, F - CALLEJÓN J. y los flujos de caja y las tasas de descuento correspondientes a cada uno de los períodos, se obtiene mediante la expresión: donde VAN = A + Q + + r Q A representa el desembolso inicial, QT + L + () ( + r )( + r ) ( + r )( + r ) L( + r ) T la duración del proyecto, es decir el número de períodos a considerar,, Q, L Q T los flujos de caja en cada uno de los períodos y Q,, r, L r T las tasas de descuento correspondientes a cada uno de los períodos. r, Si en la expresión () se hace VAN = 0 y si, además, se considera la misma tasa de descuento, r, en cada uno de los T periodos, se obtiene T Q 0 = A + () t ( ) t r t= + Esta expresión () permite definir la Tasa Interna de Retorno (TIR) como la tasa r a la que se descuentan los flujos para que en un número de periodos T se recupere la inversión inicial Puesto que se va a utilizar la metodología PERT para modelizar los flujos de caja, será necesario disponer de los valores mínimo, más probable y máximo, correspondientes a cada uno de los flujos de caja que se consideren. Si la aportación inicial no está determinada, también es posible solicitarle al experto sus correspondientes valores mínimo, máximo y más probable. Una vez modelizados los distintos flujos de caja, se puede disponer, para cada uno de los periodos, de una muestra aleatoria simulada de los flujos de caja, así como de la aportación inicial, si es que esta no estuviera fijada de antemano. A partir de la ecuación (), y supuestos conocidos los valores de la aportación inicial, A, del horizonte temporal, T, y de cada uno de los flujos de caja, Q, Q, L, Q T, es posible, mediante métodos numéricos, obtener el correspondiente valor de la Tasa Interna de Retorno. T En el ANEXO se recogen las distintas distribuciones utilizadas en la modelización
3 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR MUESTRA ALEATORIA SIMULADA DE LA TASA INTERNA DE RETORNO Supuesto que se haya fijado el número de periodos a considerar, T, para la obtención de una muestra aleatoria simulada de valores de la TIR se van a considerar las siguientes etapas ) En primer lugar se solicitan al experto los valores pesimista, optimista y más probable, tanto de la aportación inicial, A ( si es que ésta se desconoce ), como de cada uno de los flujos de caja, Qt ) Mediante la distribución oportuna (beta PERT, Triangular, Trapezoidal CPR 3 ) se modelizan tanto la aportación inicial como los distintos flujos de caja. Se tendrán así T + distribuciones de probabilidad correspondientes, la primera de ellas a la aportación inicial y, las T restantes, a los flujos de caja de cada uno de los periodos considerados Q, Q, L, QT. 3) Utilizando las distribuciones obtenidas en el apartado anterior, se simula, por el método de Montecarlo, un valor para cada variable. Se obtiene así un vector de dimensión T+ con los valores de A, Q, Q, L, QT simulados. 4) Se obtiene el correspondiente valor de r mediante métodos de aproximación numérica, a partir de la ecuación dada en (), T t= Q t t ( + r) = A puesto que se conoce el horizonte temporal, T (previamente se había fijado) y una vez que en el apartado 3) son conocidos los valores de A y del vector de flujos Q, Q, L, QT. De este modo se obtiene un valor simulado de la variable aleatoria TIR. 5) Reiterando las dos últimas etapas (3 y 4), tantas veces como sean necesarias, se genera una muestra de tamaño n. Es evidente que el tamaño muestral será tan alto como se precise; la búsqueda de valores simulados de la TIR sólo supone la oportuna simulación mediante el programa correspondiente que bien pudiera ser utilizando la hoja EXCEL. En los ejemplos desarrollados posteriormente se observa la importancia, en cuanto a nivel de información se refiere, que tiene el hecho de conocer A. 3 Para mayor información sobre esta distribución puede consultarse el anexo
4 98 PALACIOS, F - CALLEJÓN J. 3. ESTIMACIÓN NO PARAMÉTRICA DE LA FUNCIÓN DE DENSIDAD DE LA TASA INTERNA DE RETORNO Se dispone de una muestra aleatoria de tamaño n, (obtenida mediante simulación, según se indica en el epígrafe anterior), de la variable aleatoria TIR que permite obtener una estimación de la función de densidad de la variable TIR. En este estudio se proponen dos tipos de estimación: a) Mediante una distribución normal b) Mediante métodos no paramétricos. En este segundo caso, a partir de los valores muestrales, r, r, L, rn, se define la función de densidad de la variable aleatoria univariante TIR mediante la expresión (Härdle, 99), n x xi f ˆ h ( x) = K n h h (3) i= donde K es una función núcleo, normalmente una densidad simétrica y con valor esperado cero. Concretamente, en este trabajo se ha utilizado el núcleo gaussiano, es decir K(z) está definida como la función de densidad de la distribución normal tipificada K z ( z) = e y donde h representa un parámetro de suavizamiento (bandwith) que se obtiene, a partir de los datos, mediante π h S n 5 El valor esperado y la varianza del estimador considerado en (3)son: [ ˆ h f ( x) ] f ( x) + f ( x) µ ( K) + ( h ) E h = θ (4) [ ˆ f ( x) ] = K f ( x) + ( nh) ) Var h θ (5) nh siendo, (Silverman, 986),
5 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR K + ( k( u) ) = du El estimador es asintóticamente insesgado y consistente ya que si h 0 y nh entonces [ fˆ ( x) ] f ( x) [ fˆ ( x) ] 0 Mediante simple integración se puede obtener donde n, lim E h = (6) lim Var h = (7) n x xi F ˆ h ( x) = KI n h (8) i= KI ( s) = s k( u) du (9) 4. APLICACIÓN En el siguiente ejemplo se ha supuesto una inversión que se mantiene durante diez periodos, de la que no se conoce con seguridad la inversión inicial. Al experto se les solicitan los valores mínimo, máximo y más probable de esta inversión, resultando ser , y euros respectivamente. A continuación se solicitan los valores optimistas, pesimistas y más probables para cada uno de los diez flujos de caja considerados. Los resultados se recogen en la tabla. Utilizando la hoja de cálculo EXCEL, se han modelizado tanto la aportación inicial como los flujos de caja para cada uno de los diez periodos mediante una distribución beta PERT que, para cada caso, corresponda. Tal como se indica en el epígrafe, se ha generado, para la variable aleatoria TIR, una muestra simulada de tamaño mil (el tamaño muestral se ha fijado de antemano, si bien
6 00 PALACIOS, F - CALLEJÓN J. puede establecerse, mediante una muestra inicial o previa, un tamaño muestral mínimo para que no se rebase una determinada cota de error de estimación ). Periodo Pesimista Más probable Optimista 0.000,00.500, , ,00.500, , , , , , , , , , , , , , , , , , , , , ,00.400, , ,00.00,00 Tabla. Valores proporcionados por el experto sobre los flujos de caja Es posible simular tantas muestras como se deseen. En una simulación concreta se ha obtenido una media muestral igual a 0,357 con una desviación estándar igual a 0,04. A partir de los valores muestrales, se han obtenido dos estimaciones de la función de densidad de la variable aleatoria TIR correspondientes, la primera de ellas a la distribución normal y la segunda a la estimación no paramétrica. Sus representaciones gráficas se recogen en la figura. Las gráficas son similares: la densidad obtenida por métodos no paramétricos presenta una ligera asimetría a la derecha y tiene un apuntamiento un poco menor, por tanto, los valores en los que se aproximan al eje x son muy similares. A partir de la distribución normal estimada, ha resultado que, con probabilidad 0,95, la variable aleatoria TIR oscila entre 0,0530 y 0,84 cuando la modelización de los flujos de caja y de la aportación inicial se realizó mediante la distribución beta PERT. De nuevo, con los mismos datos proporcionados por el experto (tabla ), se realiza la modelización de la aportación inicial y de los diez flujos de caja, utilizando para ello la distribución trapezoidal CPR. Se genera ahora una segunda muestra, también de tamaño mil. En este caso la media muestral ha resultado ser 0,35 y la desviación estándar es 0,0456 (ligeramente mayor).
7 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR , -0, 0 0, 0, 0,3 0,4 0,5 No paramétrica Normal Figura. Funciones de densidad correspondientes a una modelización de los flujos de caja y la aportación inicial mediante la distribución beta PERT , -0, 0 0, 0, 0,3 0,4 0,5 No paramétrica Normal Figura. Funciones de densidad correspondientes a una modelización de los flujos de caja y la aportación inicial mediante la distribución trapezoidal CPR.
8 0 PALACIOS, F - CALLEJÓN J. Las correspondientes gráficas de las funciones de densidad estimadas de las distribuciones normal y no paramétrica obtenidas a partir de esta segunda muestra se recogen en la figura. En esta figura también se observa una ligera asimetría a la derecha para la densidad estimad por métodos no paramétricos y un apuntamiento muy similar. Utilizando la distribución normal estimada, cuando la modelización de los flujos de caja y de la aportación inicial se realizó mediante la distribución trapezoidal CPR, con probabilidad 0,95, la variable aleatoria TIR ha resultado comprendida entre 0,043 y 0,9. Es decir, el intervalo que se obtiene utilizando la distribución trapezoidal CPR tiene una amplitud ligeramente mayor que el intervalo obtenido utilizando la distribución beta PERT. De forma empírica, se ha observado que esta situación se repite en una mayoría de las ocasiones, independientemente de la información facilitada por el experto 4. Si fijamos ahora la aportación inicial en euros 5, dejando las mimas cantidades para los valores pesimista, más probable y optimista de cada uno de los diez flujos de caja, y repetimos el mismo procedimiento: modelización de los flujos de caja utilizando una distribución beta PERT, simulación de una muestra de tamaño mil y estimación de las funciones de densidad normal y no paramétrica, se observa que la información que se recibe sobre la TIR es mucho más precisa. Sigue existiendo una ligera asimetría en la densidad no paramétrica y siguen siendo muy parecidas las gráficas correspondientes a la primera y a la segunda muestra (utilizando la distribución beta PERT y la distribución trapezoidal CPR, respectivamente). En la figura 3 se representan, en un mismo gráfico, las funciones de densidad en el caso en el que se considera la aportación inicial como una variable aleatoria (densidades menos puntadas) y en el caso en el que la aportación inicial es una cantidad fija (densidades con mayor apuntamiento). En ambas situaciones las modelizaciones oportunas se han realizado utilizando la distribución beta PERT. En la figura 4 se repite el esquema de la figura 3, pero las modelizaciones de los flujos de caja y, en su caso, de la aportación inicial se han realizado utilizando la distribución trapezoidal CPR. Las diferencias entre utilizar una distribución u otra, a la hora de las modelizaciones, son prácticamente inapreciables, si bien cuando se utiliza la distribución beta PERT el apuntamiento es ligeramente mayor. 4 En el anexo se pone de manifiesto que esta situación se hace más patente a medida que el valor más probable, proporcionado por el experto, se aproxima más a cualquiera de los dos extremos, bien al pesimista, bien al optimista. 5 Ahora se trata de una cantidad fija y no de una variable aleatoria
9 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR ,05 0, 0,5 0, 0,5 No paramétrica Normal Figura 3. Las densidades más apuntadas corresponden al caso en que la aportación inicial es constante. Modelizaciones mediante la distribución beta PERT ,05 0, 0,5 0, 0,5 No paramétrica Normal Figura 4. Si la aportación inicial es conocida, entonces las densidades son más apuntadas. Modelizaciones mediante la distribución trapezoidal CPR.
10 04 PALACIOS, F - CALLEJÓN J. Cuando se conoce la aportación inicial el recorrido de la variable TIR es menor y, por tanto, la desviación estándar de la muestra es sensiblemente menor (las densidades presentan un mayor apuntamiento) y ello hace que los intervalos de oscilación, con 0,95 de probabilidad, de la variable TIR tengan un radio más pequeño. De las simulaciones que se han realizado se han obtenido los siguientes resultados: 0,7 el extremo inferior y 0,436 el extremo superior, cuando la estimación de los flujos de caja se realizó mediante la distribución beta PERT, y 0,88 y 0,44, respectivamente, cuando se utilizó la distribución trapezoidal CPR. En este caso, como era de esperar, también la amplitud del intervalo al utilizar la distribución trapezoidal CPR es ligeramente mayor que cuando se utiliza la distribución beta PERT. Para apreciar con mayor detalle las pequeñas diferencias que existen entre las densidades estimadas normal y no paramétrica se ha realizado un cambio de escala en los ejes de coordenadas. En la figuras 5 se representa las funciones de densidad estimadas cuando la aportación inicial es conocida y las modelizaciones se realizan mediante la distribución beta PERT. Son pocas las diferencias entre ambas funciones de densidad, si bien se sigue observando una ligera asimetría a la derecha cuando se modeliza mediante métodos no paramétricos , 0, 0,3 0,4 0,5 0,6 No paramétrica Normal Figura 5. Funciones de densidad correspondientes a una modelización de los flujos de caja mediante la distribución beta PERT.
11 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR En la figura 6, bajo el mismo supuesto (se conoce la aportación inicial) las modelizaciones se realizan mediante la distribución trapezoidal CPR. Tal como ya se ha comentado, cuando se utiliza la distribución trapezoidal en la modelización de los flujos de caja, las densidades que se obtienen tienen un apuntamiento menor , 0, 0,3 0,4 0,5 0,6 No paramétrica Normal Figura 6. Funciones de densidad correspondientes a una modelización de los flujos de caja mediante la distribución trapezoidal CPR. Tanto cuando se conoce la aportación inicial, como cuando a ésta se le considera una variable aleatoria, es posible fijar de antemano la cota para el error de estimación y obtener, el tamaño muestral mínimo necesario para que no se rebase dicha cota. BIBLIOGRAFÍA CALLEJÓN, J.; PÉREZ, E. y RAMOS, A. (998). La distribución trapezoidal como modelo probabilístico para la metodología PERT. Actas de la X Reunión ASEPELT-ESPAÑA, publicadas en CD-ROM, fichero G..6. Universidad de Castilla-La Mancha
12 06 PALACIOS, F - CALLEJÓN J. CANAVOS G.C. (987). Probabilidad y Estadística Aplicaciones y Métodos. McGraw- Hill. DUMAS DE RAULY,D. (968). L estimation statistique. Gauthier-Villars. HÄRDLE W., (99): Smoothing Tecniques. Springer Verlag. New York. HERRERÍAS, R. (989). Modelos probabilísticos alternativos para el método PERT. Aplicación al Análisis de Inversiones. Estudios de Economía Aplicada, pp Secretariado de Publicaciones de la Universidad de Valladolid. HERRERÍAS, R. (995). Un nuevo uso de las tres estimaciones subjetivas del PERT. IX Reunión ASEPELT-España, Vol IV, pp 4-46 HERRERÍAS, R. Y CALVETE, H. (987). Una ley de probabilidad para el estudio de los flujos de caja de una inversión. Libro Homenaje al Profesor Gonzalo Arnaiz Vellando. INE, Madrid, pp HERRERÍAS, R. y MIGUEL, S. (989). Expresiones alternativas para la varianza de la distribución trapezoidal. Estudios de Economía Aplicada. Secretariado de Publicaciones de la Universidad de Valladolid, pp HERRERÍAS, R. y PÉREZ, E. (99). Estimación de una distribución beta como modelo para su utilización en el método PERT. Actas de la V Reunión de ASEPELT- España, pp Universidad de Las Palmas. PALACIOS, F. (998). Modelización de la opinión del experto, realizada en términos de valores optimista, pesimista y más verosímil. Propiedades del valor esperado y soluciones alternativas a las del PERT clásico. Actas de la I Reunión Científica de Programación, Selección y Control de Proyectos, pp Universidad de Almería. PALACIOS F, Y RAMOS A., (995). Análisis del mecanismo de compensación de errores en el PERT clásico: Una solución alternativa. IX Reunión ASEPELT- España vol. IV, pp MOITRA, S. D. (990). Skwness and the beta distribution. J. Opl. Res. Soc. Vol 4 nº 0 pp SASIENI, M. W. (986). A note on PERT Times. Management Sci. 3 pp SILVERMAN, B. W. (986). Density Estimation for Statistics and Data Analysis. Chapman and Hall. SUÁREZ, A.S. (993). Decisiones óptimas de inversión y financiación en la empresa. Ed. Pirámide Madrid
13 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR ANEXO DISTRIBUCIONES UTILIZADAS EN LA MODELIZACIÓN DE LOS FLUJOS DE CAJA Y, EN SU CASO, LA APORTACIÓN INICIAL. Una forma bastante intuitiva y tradicional de recabar la información del experto consiste en pedirle tres valores: pesimista, a y optimista, b, que determinan el rango donde fluctuará la variable (flujo de caja) y m (a, b) considerado por dicho experto como el más verosímil (Palacios.998). Hay un infinito no numerable de distribuciones cuya masa de probabilidad se reparte, entera o casi entera, en el interior del intervalo (a, b) y cuya única moda es el valor m. Por tanto, estas tres cantidades proporcionadas por el experto dejan un altísimo grado de indeterminación sobre la distribución de probabilidades de las variables que miden el resultado de la inversión (Sasieni 986), (Moitra 990). 5. DISTRIBUCIÓN BETA PERT Es comúnmente aceptado que la familia tetraparamétrica de distribuciones beta (Suárez 993), tiene suficiente capacidad para modelizar la opinión del experto sobre la variable flujo de caja en términos de probabilidad. La familia de distribuciones beta tetraparamétrica, subyacente en la metodología del PERT clásico esta definida por la siguiente función de densidad dependiente de cuatro parámetros a, b, p>, q> f p- q- ( x; a, b, p, q) = (x - a ) (b - x ) si a < x < b (b - a ) p+q- β(p,q) (0) donde a y b son el valor pesimista y optimista del experto. Los parámetros p y q serán tales que la moda de la distribución coincida con el valor m, más verosímil, también proporcionado por el experto. Para ello han de verificar la siguiente relación lineal, Herrerías-Pérez (99), Palacios-Ramos (995) b m m c q = p + () m a m a siendo c el punto medio del intervalo (a, b)
14 08 PALACIOS, F - CALLEJÓN J. Sus principales características estocásticas son: Moda m = p - q - b+ a p+q - p+q - Media µ = p p+q b+ q p+q a Varianza = σ pq( b - a) ( p+ q+ )( p+ q) Utilizando como nuevo parámetro, K = p+ q - se obtienen los parámetros p y q de la distribución beta en función de K y de las tres estimaciones periciales: m - a p = + K y b - a b - m q = + K () b - a quedando entonces para la media la expresión: a + Km + b µ = K + El parámetro K, que juega el papel de peso o ponderación del valor estimado como más probable, puede representar la confiabilidad que se tenga en dicha estimación. Puede, por tanto, encontrase una infinidad no numerable de distribuciones Beta sobre el intervalo (a, b) y con moda m. La distribución beta PERT utilizada asigna a K el valor 4. Así la distribución beta queda determinada por las tres estimaciones facilitadas por el experto: a, b y m. En este caso (véase, por ejemplo, Herrerías 995): m - a p = + 4 ; b - a b - m q = + 4 b - a a+ 4m+ b µ = ; ( µ a)( b µ ) σ = 6 7
15 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR DISTRIBUCIÓN TRAPEZOIDAL CPR El modelo trapezoidal surge como modelo híbrido de las distribuciones rectangular y triangular, Herrerías-Calvete (987) y Herrerías-Miguel (989), y necesita el conocimiento de los extremos del intervalo (valores optimista y pesimista) y además de un intervalo modal. Su función de densidad responde a la expresión: 0 b a + m f ( x) = b a + m b a + m 0 m m m x a m a b x b m si si si si si x a a x m m m x b x m x b (3) de cuya gráfica ha tomado el nombre: a m m b siendo m el valor mínimo para la moda y m el valor máximo para m. Puede observarse que si m a y, m b dicha distribución coincide con la distribución uniforme o rectangular, mientras que si m m m dicha distribución se convierte en la distribución triangular. El modelo probabilístico que en este trabajo se utiliza es la distribución trapezoidal CPR (Callejón, Pérez y Ramos 998) que viene definida por los extremos del intervalo, (valores pesimista y optimista), por el centro del
16 0 PALACIOS, F - CALLEJÓN J. intervalo, c, y el valor más probable, m. Es decir, a partir de la definición dada en (3), tomaremos m = m, m = c en la asimetría a la derecha (si m < c), a m c b o bien m = c, m = m en la asimetría a la izquierda (si m > c) a c m b Evidentemente, cuando la moda coincida con el centro del intervalo se tratará entonces de la distribución triangular. En los siguientes gráficos se comparan la media y la varianza de los modelos correspondientes a la distribución triangular, a la beta utilizada en el método PERT y a este modelo trapezoidal, propuesto. La comparación entre estos tres modelos se justifica porque, en cada uno de ellos, sólo se requieren las tres estimaciones periciales del experto a, m y b, quedando entonces totalmente especificada la distribución. En las siguientes gráficas, fijados a y b, que en este caso han sido cero y uno, se hace variar m entre dichos valores. En la primera de ellas se calcula la esperanza matemática, para cada uno de los tres modelos, en función de la moda. Se observa, como era de esperar, que las medias de los tres modelos coinciden cuando la moda es igual al centro del intervalo. En todo caso, la media proporcionada por esta distribución trapezoidal está más próxima al centro del intervalo que cualquiera de las otras dos. Este modelo proporciona una esperanza más "centrada". Como puede apreciarse, la varianza de la distribución trapezoidal CPR coincide con la varianza del modelo triangular, si bien la primera de ellas es ligeramente superior cuando la moda está próxima a los extremos del intervalo.
17 DISTRIBUCIÓN NO PARAMÉTRICA DE LA TIR... MEDIAS 0,8 0,6 0,4 0, 0 0 0, 0,4 0,6 0,8 PERT Triangular Trapezoidal CPR VARIANZAS 0,06 0,04 0, , 0,4 0,6 0,8 PERT Triangular Trapezoidal CPR
18
AJUSTE DE UN MODELO BETA CON INFORMACIÓN ADICIONAL SOBRE SU APUNTAMIENTO
AJUSTE DE UN MODELO BETA CON INFORMACIÓN ADICIONAL SOBRE SU APUNTAMIENTO EDUARDO PÉREZ RODRÍGUEZ Facultad de Ciencias Económicas y Empresariales. Universidad de Granada 1. INTRODUCCIÓN En diversos trabajos,
Más detallesPROGRAMACIÓN, SELECCIÓN Y CONTROL DE PROYECTOS EN AMBIENTE DE INCERTIDUMBRE
Rafael Herrerías Pleguezuelo Eduardo Pérez Rodríguez Federico Palacios González José Callejón Céspedes Editores PROGRAMACIÓN, SELECCIÓN Y CONTROL DE PROYECTOS EN AMBIENTE DE INCERTIDUMBRE Grupo de Investigació
Más detallesNUEVOS ARGUMENTOS A FAVOR DEL MODELO PROBABILISTICO DEL P.E.R.T
NUEVOS ARGUMENTOS A FAVOR DEL MODELO PROBABILISTICO DEL P.E.R.T RAFAEL HERRERÍAS PLEGUEZUELO EDUARDO PÉREZ RODRÍGUEZ Departamento de Economía Aplicada Facultad de Ciencias Económicas y Empresariales Universidad
Más detallesCAPÍTULO 2 UNA VARIANTE PRÁCTICA DEL MÉTODO DE VALORACIÓN DE LAS DOS FUNCIONES DE DISTRIBUCIÓN (MVDFD)
CAPÍTULO 2 UNA VARIANTE PRÁCTICA DEL MÉTODO DE VALORACIÓN DE LAS DOS FUNCIONES DE DISTRIBUCIÓN (MVDFD) RAFAEL HERRERÍAS PLEGUEZUELO FEDERICO PALACIOS GONZÁLEZ JOSÉ MANUEL HERRERÍAS VELASCO Departamento
Más detallesLA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT
LA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT JOSÉ CALLEJÓN CÉSPEDES EDUARDO PÉREZ RODRÍGUEZ ANTONIO RAMOS RODRÍGUEZ Facultad de Ciencias Económicas y Empresariales Universidad
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesESTUDIO DE UNA SUBFAMILIA DE DISTRIBUCIONES BETA DE PRIMERA ESPECIE, UTILIZADA EN LA TEORÍA GENERAL DE VALORACIÓN
ESTUDIO DE UNA SUBFAMILIA DE DISTRIBUCIONES BETA DE PRIMERA ESPECIE, UTILIZADA EN LA TEORÍA GENERAL DE VALORACIÓN Rafael Herrerías Pleguezuelo - rherreri@platon.ugr.es Eduardo Pérez Rodríguez - eperezr@platon.ugr.es
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesAgenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detallesGUÍA DOCENTE DE DIRECCION FINANCIERA I. Curso
GUÍA DOCENTE DE DIRECCION FINANCIERA I Curso 2013-2014 1 TITULACIÓN: GRADO ADE GUÍA DE DOCENTE DE LA ASIGNATURA:DIRECCION FINANCIERA I Coordinador: César Tapias I.- Identificación de la asignatura: Tipo
Más detallesDirección Financiera II Universidad de León. Curso
Dirección Financiera II Universidad de León. Curso 2013-2014 Isabel Feito Ruiz (ifeir@unileon.es) 1 Índice de Contenidos Bloque I: La Decisión de Inversión en Ambiente de Racionamiento y de Riesgo Tema
Más detallesLAS FAMILIAS DE DISTRIBUCIONES BETA DE VARIANZA CONSTANTE Y MESOCÚRTICAS EN EL MÉTODO PERT
LAS FAMILIAS DE DISTRIBUCIONES BETA DE VARIANZA CONSTANTE Y MESOCÚRTICAS EN EL MÉTODO PERT RAFAEL HERRERÍAS PLEGUEZUELO EDUARDO PÉREZ RODRÍGUEZ JOSÉ CALLEJÓN CÉSPEDES JOSÉ MANUEL HERRERÍAS VELASCO Universidad
Más detallesGUÍA DOCENTE DIRECCION FINANCIERA I GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO IEB Página 1
GUÍA DOCENTE DIRECCION FINANCIERA I GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO 2017-18 IEB Página 1 I. Identificación de la Asignatura Tipo OBLIGATORIA Período de Impartición 3 Curso, 1 Semestre
Más detallesSOBRE EL MÉTODO DE VALORACIÓ DE LAS DOS BETAS
SOBRE EL MÉTODO DE VALORACIÓ DE LAS DOS BETAS Rafael HERRERÍAS PLEGUEZUELO rherreri@ugr.es Departamento de Métodos Cuantitativos para la Economía y la Empresa Facultad de Ciencias Económicas y Empresariales.
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesMétodos Estadísticos para la Empresa
DEPARTAMENTO DE ECONOMÍA APLICADA ESTADÍSTICA Y ECONOMETRÍA Programa de la asignatura: Métodos Estadísticos para la Empresa Segundo Curso Curso Académico 2011/2012 Facultad de Economía y Empresa Grado
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesDistribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
Más detallesFUNDAMENTOS PROBABILÍSTICOS DEL MÉTODO DE VALORACIÓN DE LAS DOS DISTRIBUCIONES
FUNDAMENTOS PROBABILÍSTICOS DEL MÉTODO DE VALORACIÓN DE LAS DOS DISTRIBUCIONES Federico Palacios González - fpalacio@ugr.es José Callejón Céspedes - callejon@ugr.es José Manuel Herrerías Velasco - jmherrer@latinmail.com
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesInformación general. Obligatoria básica o de fundamentación X. Obligatoria profesional. Horas de trabajo independiente del estudiante
Guía de asignatura Formato institucional Rev. Abril 2013 Información general Asignatura E S T A D I S T I C A Código 73210011 Tipo de asignatura Obligatoria X Electiva Tipo de saber Número de créditos
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 11 Estimadores puntuales y de intervalo Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de los estimadores puntuales y de intervalo.
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detalles( x) Distribución normal
Distribución normal por Oliverio Ramírez La distribución de probabilidad más importante es sin duda la distribución normal (o gaussiana), la cual es de tipo continuo. La distribución de probabilidad para
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesEstadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
Más detallesCONTROL DE CALIDAD UNIDAD IV TEORÍA DE DIMENSIÓN ESTADÍSTICA
CONTROL DE CALIDAD UNIDAD IV TEORÍA DE DIMENSIÓN ESTADÍSTICA 1 (4.1) DISTRIBUCIÓN NORMAL 2 4.1.1- ASPECTOS GENERALES: Al graficarse los diferentes valores obtenidos de una variable X se obtiene una distribución
Más detallesMgter. Joekes, Silvia. Mgter. Casini, Roxana Cra. González, Mariana Mgter. Stimolo, María Ines
MATERIA: ESTADISTICA I AÑO: 2017 PROFESORES Profesores Titulares: Profesores Adjuntos: Dra. Diaz, Margarita Mgter. Joekes, Silvia Mgter. Caro, Patricia Mgter. Casini, Roxana Cra. González, Mariana Mgter.
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesCaracterización de la incertidumbre del precio futuro del cobre
USc/lb Caracterización de la incertidumbre del precio futuro del cobre La incertidumbre en un modelo de programación estocástica debe tener la estructura de árbol de escenarios, como se muestra en la Figura
Más detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesUso de la simulación en hoja de cálculo como herramienta pedagógica para la inferencia estadística.
USO DE LA SIMULACIÓN EN HOJA DE CÁLCULO COMO HERRAMIENTA PEDAGÓGICA PARA LA INFERENCIA ESTADÍSTICA: APLICACIÓN A LAS PROPIEDADES CLÁSICAS DE LOS ESTIMADORES Carlos Martínez de Ibarreta Zorita Departamento
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesTEMA 2: EL PROCESO DE MUESTREO
2.5. Determinación del tamaño de la muestra para la estimación en muestreo aleatorio estratificado TEMA 2: EL PROCESO DE MUESTREO 2.1. Concepto y limitaciones 2.2. Etapas en la selección de la muestra
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
Más detallesProf. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística
Prof. Angel Zambrano ENERO 009 Universidad de Los Andes Escuela de Estadística Muestreo: Es una metodología que apoyándose en la teoría estadística y de acuerdo a las características del estudio, indica
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallesDISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π
DISTRIBUCIÓN NORMAL. Es la más importante de las distribuciones teóricas, es también conocida con los nombres de curva normal y curva de Gauss. De Moivre publico en 1773 su trabajo sobre la curva normal
Más detallesEstadística Inferencial. Sesión 4. Estimación por intervalos
Estadística Inferencial. Sesión 4. Estimación por intervalos Contextualización. Como se definió en la sesión anterior la estimación por intervalos es utilizada para medir la confiabilidad de un estadístico.
Más detallesEconometría I. Ejercicios de repaso de estadística
Poblaciones y parámetros Econometría I Ejercicios de repaso de estadística 1. Considera una variable aleatoria Z que solo puede tomar cinco valores, todos ellos con la misma probabilidad: Z = {Z 1,, Z
Más detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesFormulación y Evaluación de Proyectos de Inversión
Formulación y Evaluación de Proyectos de Inversión FORMULACIÓN Y EVALUACIÓN DE PROYECTOS DE INVERSIÓN 1 Sesión No. 12 Nombre: Evaluación de proyecto. Segunda parte. Contextualización En la última sesión
Más detallesRepresentación gráfica de esta función de densidad
Distribución normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Se ha usado en una gran variedad de aplicaciones prácticas en las
Más detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesEstadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística
Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detalles