SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA
|
|
- Lourdes Cordero Salinas
- hace 8 años
- Vistas:
Transcripción
1 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Rafael Caballero Ferádez, Mercedes Gozález Lozao, Marao Luque Gallego, Rafael Rodríguez Avlés. Uversdad de Málaga RESUMEN E este trabajo aplcamos dversos métodos multobjetvo teractvos a datos reales de la bolsa española, e cocreto datos semaales del perodo E uestro modelo cosderamos 5 fucoes objetvo relacoadas co el deseo del decsor de maxmzar la retabldad obteda soportado el meor resgo posble. Así, tratamos de maxmzar la retabldad, mmzar la beta de la cartera como represetate del resgo sstemátco, mmzar la desvacó estádar y la covaraza las cuales recoge el resgo global soportado y, por últmo, mmzar la varaza de los resduos como represetate del resgo específco. Tras obteer ua solucó medate el método teractvo G-D-F, y tras solctar formacó sobre sus preferecas al decsor, vamos cambado de método para aprovechar las vetajas de cada uo hasta obteer ua solucó aceptada por el decsor. XII Joradas de ASEPUMA
2 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R.. INTRODUCCIÓN Es de todos coocdo que la seleccó de carteras es ua de la pezas agulares de la modera gestó de actvos faceros. E los últmos tempos se ha producdo u aumeto de las versoes e artículos bursátles exstedo varas razoes que justfca la formacó de ua cartera, tato para u partcular como para ua empresa o sttucó, pudédose destacar la obtecó de ua retabldad y lqudez aceptables de recursos ocosos evetualmete, cosegur a largo plazo que los excedetes permaetes os proporcoe ua reta complemetara al térmo de uestra vda laboral, como es el caso de los fodos de pesoes, o adqurr las partcpacoes ecesaras e ua compañía para poder ejercer u cotrol efectvo sobre su gestó. E este trabajo vamos a formular u modelo que tete dar respuesta a uestro decsor, u agete prvado que desea vertr e bolsa. E cocreto desea cosegur ua cartera de valores que cotce e el mercado cotuo español formado, aproxmadamete, por 30 títulos, depededo, la eleccó de los títulos y catdad que se va a vertr e ellos, de cuáles sea las preferecas de uestro decsor. Como es lógco deseará aquellos que proporcoe ua mayor retabldad pero, ormalmete, so los que preseta más resgo, o so los meos líqudos,... Luego, debemos evaluar dversas alteratvas segú el valor que alcaza e ellas dversos crteros e coflcto. Por tato, desde el puto de vsta matemátco debemos de utlzar téccas que tega e cueta o sólo u crtero so varos y, por cosguete, el óptmo de uo o va a cocdr co el óptmo de otro. Por todo ello, vemos que la formulacó de uestro modelo requere la utlzacó de las téccas de programacó multobjetvo. De hecho el modelo poero de Markowtz (952) de seleccó de carteras es u problema bobjetvo. Además exste múltples ejemplos de la aplcacó de téccas multobjetvo a la seleccó de carteras como so los trabajos de Lee y Lerro (973), Lee y Chesser (980), y Powell y Premachadra (998). E cocreto, e este trabajo, vamos a aplcar las téccas teractvas e las que, a través de ua teraccó cotua e teratva co el decsor, para que éste explcte preferecas sobre carteras que le so mostradas, se cosgue que el decsor se acerque a ua solucó acorde co dchas preferecas sedo el esfuerzo por reflejar las preferecas del decsor fudametal, tato e el método a emplear como e el proceso de resolucó. 2 XII Joradas de ASEPUMA
3 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos PLANTEAMIENTO DEL MODELO Ya hemos dcado que uestro propósto es seleccoar ua cartera formada por títulos del mercado bursátl español. Para ello cotamos co datos reales de la bolsa española, e cocreto datos semaales que va desde eero de 995 hasta septembre de 2002, perodo largo e el que se puede cosderar tres tpos de escearo: estable, crecmeto y decrecmeto, segú los valores alcazados por el ídce geeral de la bolsa de Madrd (IGBM). Es evdete que la coducta racoal de u versor e bolsa cosste e buscar aquella composcó de la cartera que haga máxmo su redmeto soportado el meor resgo posble. Por ello, a la hora de formular uestro modelo debemos teer e cueta como fucó objetvo, e prmer lugar la retabldad de la cartera, la cual vee dada por la meda de la retabldad de cada título poderada por su partcpacó e la cartera, sedo la retabldad de cada título la retabldad meda de las retabldades, e uestro caso, semaales, calculadas como el logartmo del cocete etre el preco del cerre de u mometo y el msmo e el mometo ateror. No cosderamos los dvdedos como medda de retabldad porque e el mercado español se da muy esporádcamete y además co ua perodcdad muy varable. E segudo lugar, teemos que teer e cueta meddas de resgo. Nosotros clumos la covaraza de la cartera, que represeta el resgo global de esta, calculada como el producto del vector traspuesto de las proporcoes por la matrz de covarazas por dcho vector, co lo cual teemos ua fucó cuadrátca desde el puto de vsta matemátco. Por otra parte, para aumetar la prudeca de la versó, evaluamos la desvacó estádar de la cartera, como la meda de las desvacoes estádares de las retabldades de los títulos poderadas por su proporcoes. Además se suele cosderar otros dos tpos de resgo, el sstemátco y el específco. El prmero, que recoge las flueca de la evolucó de la bolsa sobre los títulos, se mde medate la beta de la cartera, o producto escalar del vector de proporcoes por el vector de betas sedo este últmo el vector de coefcetes de regresó etre las retabldades de cada título y la retabldad del ídce geeral de la bolsa. El segudo, que recoge la volatldad propa de cada título, depedetemete de la evolucó del mercado, se calcula medate el producto escalar del vector de proporcoes por el vector de varazas resduales del ateror aálss de regresó. Por lo tato, os ecotramos XII Joradas de ASEPUMA 3
4 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. co 5 fucoes objetvo, las cuales pasamos a formular: Max Retabldad M Beta M Desv.Estadar M Covarazas Max M M M = x = x = = j= x r β σ x x σ j j M Resduos M Respecto a las restrccoes del modelo debemos señalar, e prmer lugar, la presupuestara, esto es, que la suma de las catdades que se verte e cada título, las varables del modelo, debe ser gual al presupuesto de versó, que osotros estableceremos e la udad, ya que o sabemos, a pror, cuál será dcho presupuesto, co lo que uestras varables reflejará el tato por uo que se debe vertr e cada título. = 2 x σ 2 e x = = Por otra parte, se suele clur e los modelos de seleccó de carteras cotas superores sobre las varables, be por razoes legales be para asegurar ua míma dversfcacó. També es frecuete clur cotas ferores, o sea, vertr ua catdad míma e determados títulos, como será uestro caso para las cco empresas más mportates de uestra bolsa, de forma que podamos rastrear, e certa medda, a uestra cartera de refereca, el IBEX35. l x Por últmo, dcar la codcó de o egatvdad de las varables puesto que o vamos a teer e cueta la veta a corto. x u 0 4 XII Joradas de ASEPUMA
5 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos RESOLUCIÓN DEL PROBLEMA Ua vez plateado el problema, os efretamos co u problema multoobjetvo el cual puede resolverse por dversas téccas. Co el propósto de que el decsor se seta más mplcado e el proceso de seleccó de su cartera, decdmos la aplcacó de téccas teractvas utlzado para resolver los problemas correspodetes el programa Promo (Caballero y otros (2002)). Ates de empezar la resolucó, sempre es coveete mostrar al decsor los deales y atdeales de las fucoes objetvo, para saber por que valores se está movedo las fucoes objetvo. E cocreto, para el escearo estable, y para uestros datos semaales, so: Retabldad: f z = m = Beta: f z = m = Desv. Estádar: f z = m = Covarazas: f z = m = Resduos: f z = m z = represetado el valor deal del objetvo -ésmo y el valor atdeal de dcho objetvo. Detro de la varedad de métodos teractvos que posee la mplemetacó, y partedo del modelo que queremos resolver, a la hora de aplcar los métodos teractvos, le cosultamos al decsor qué preferecas quería mafestar de partda. Él os cometó que le gustaría teer ua solucó de partda y que le resultaría cómodo proporcoar los pesos o mportaca locales de las fucoes objetvo, o lo que es gual, los tradeoffs locales etre objetvos (catdad que está el decsor dspuesto a sacrfcar, a cambo de empeorar otra catdad e otro objetvo). E base a esto decdmos utlzar e la prmera teracó, el método G-D-F (972) que por sus característcas correspode a este tpo de preferecas (está detro del grupo de los métodos teractvos basados e tradeoffs o pesos locales). El método G-D-F fue publcado por Geoffro, Dyer, y Feberg e 972. De partda, se asume que las preferecas del decsor puede ser descrtas por ua fucó de utldad cócava y dferecable (evdetemete es decrecete e los objetvos para problemas de mmzacó) y es aplcable a problemas multobjetvo o leales. m XII Joradas de ASEPUMA 5
6 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. Etre las prcpales vetajas que cueta este método está que posee covergeca matemátca probada (véase Geoffro et al., 972) e el setdo s exste la fucó de utldad mplícta del decsor, se llega a u puto que maxmza la utldad, y está també, el hecho que, desde el puto de vsta práctco, se tee la posbldad de 'volver haca atrás' ate errores cometdos e las preferecas. Etre los coveetes está que la solucó fal o tee por qué ser efcete. Esto hace que o sea recomedable falzar el proceso de resolucó co este método. Vemos cómo para la resolucó ecestamos ua solucó cal la cual la hemos obtedo cosderado el problema de poderacó co todos los pesos guales: Retabldad Beta Desv. Estádar Covarazas Resduos Estos valores forma el vector: f 0 = f ( x 0 ) = ( , , , ) Como puto cal podría haberse tomado cualquer otro puto, como, por ejemplo, uo de los deales de las fucoes objetvo. E base a los valores e los objetvos, el decsor os mafestó que quería darle bastate peso local a la retabldad co respecto al resto de objetvos. E cocreto os comucó que quería darle ua peso local de 7 a Retabldad, frete a u peso local de 0.2 a Beta, 0.2 a Desv. Estádar, 0.2 a Covarazas y 0.2 a Resduos. Estos valores sgfca que está dspuesto a sacrfcar 7 udades de Beta a cambo de mejorar 0.2 udades de Retabldad, que també está dspuesto a sacrfcar 7 udades de Desvacó Estádar a cambo de mejorar 0.2 udades de Retabldad, etc. Co estos valores formamos el sguete vector de pesos locales: w = ( 7, 0.2, 0.2, 0.2, 0.2) Co estos pesos, el método G-D-F maxmza e la dreccó del gradete de la fucó de utldad, obteedo ua dreccó de búsqueda que srve para geerar varas solucoes, de las cuales el decsor elgó la sguete: 6 XII Joradas de ASEPUMA
7 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... Retabldad Beta Desv. Estádar Covarazas Resduos f = f ( x ) = ( , , , , ) Para estos valores logrados, el decsor os cometó que o había cosegudo u valor e la retabldad sufcete y que desearía cambar sólo uo de los pesos locales y geerar ua ueva solucó. Así, el uevo vector de pesos fue: w 2 = (, 0.2, 0.2, 0.2, 0.2) que colocado e el G-D-F os geera varas solucoes, de las cuales el decsor elgó la sguete: Retabldad Beta Desv. Estádar Covarazas Resduos f 2 = f ( x 2 ) = ( , , , , ) Vedo que el decsor o coseguía los valores persegudos, le cometamos que exstía u método, el método STEM (97), el cual podría mejorar uo o varos objetvos, a cambo de relajar otros, pudedo troducr topes máxmos para las fucoes a empeorar. Esta maera de mafestar las preferecas le agradó bastate al decsor, a partr de los valores e los objetvos que se había cosegudo. El método STEM (STEp Method) es el método teractvo poero y fue publcado e 97 por los autores R. Beayou, J. De Motgolfer, J. Tergy y O. Lartchev. Está basado e la mmzacó de la dstaca respecto del puto deal, co modfcacoes e los parámetros de la dstaca y e la regó factble, orgadas por las preferecas del decsor, a partr de cada solucó que se va obteedo. La dstaca utlzada desde el subcojuto del espaco objetvo al puto deal es la métrca de Tchebychev. E cada teracó, las preferecas so reflejadas e la relajacó de algú XII Joradas de ASEPUMA 7
8 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. objetvo satsfactoro de forma que se permta mejorar algú otro objetvo aú o satsfactoro. Además, el decsor debe especfcar la catdad máxma que está dspuesto a sacrfcar (empeorar) del objetvo cosderado satsfactoro, auque s ecesdad de proporcoar la tasa de tercambo o tradeoff etre objetvos. E la msma líea, se tee la posbldad de, e cada teracó, cosderar fucoes objetvo e las cuales el decsor desea mateer los valores alcazados, pero o desea empeorarlos. Estas fucoes estaría detro de las fucoes objetvo a relajar dode el tope máxmo a relajar valdría cero. El prcpal coveete de este método es la formacó solctada del decsor, e cocreto, las catdades máxmas a relajar de los objetvos satsfactoros (objetvos que permtmos que empeore para mejorar los o satsfactoros). Esta dfcultad e el sumstro de estas catdades puede orgar e el procedmeto de resolucó dsttas osclacoes, ocasoado u aumeto cosderable del úmero teracoes. A pesar todo esto y de ser el prmer método teractvo, el STEM ha tedo ua gra aceptacó, sobre todo práctca, debdo a que el método proporcoa al decsor ua formacó bastate útl, e el objetvo de dlucdar sus preferecas. Además, se caracterza porque el decsor puede volver haca atrás ate errores cometdos e sus preferecas. Estos hechos ha orgado que, auque o posee covergeca matemátca, se revele como ua gra técca teractva. Volvedo a uestro caso, el decsor os mafesta que quere mejorar más la retabldad. A cambo esta dspuesto a sacrfcar el resto de las fucoes. E cocreto, las preferecas que mafestó el decsor fuero las sguetes: Retabldad Fucó a mejorar. Beta Fucó a relajar co u valor máxmo permtdo de Desv. Estádar Fucó a relajar co u valor máxmo permtdo de Covarazas Fucó a relajar co u valor máxmo permtdo de Resduos Fucó a relajar co u valor máxmo permtdo de A partr de estas preferecas, se obtuvo la sguete solucó: 8 XII Joradas de ASEPUMA
9 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... Retabldad Beta Desv. Estádar Covarazas Resduos El decsor estaba bastate satsfecho co esta solucó. Nos djo que los veles para Desv. Estádar, Covarazas y Resduos estaba be y que ta solo os cometó de qué teía uos veles algo dferetes e su mete para Retabldad y Beta. Esto os hzo pesar a osotros como aalstas, que e este caso sería mejor utlzar u método e el que se pudera troducr los veles exactos a cosegur para las fucoes objetvo, los cuales podría ser alcazables o o alcazables, pero que el método e cuestó debería cosegur ua solucó cuyos valores e los objetvos se parecera lo máxmo a los veles proporcoados por el decsor. Es por ello que decdmos utlzar u método de puto de refereca, que recoge muy be este tpo de preferecas y los cuales puede reflejar muy be este tpo de preferecas. Vamos a cometar este tpo de métodos y más cocretamete el método usado, el de Werzbck (980), que es el del creador de esta metodología, basada e ua fucó també creada por él coocda co el ombre de fucó escalarzada de logro. La utlzacó e los métodos teractvos de la fucó escalarzada de logro, es bastate cosderable, posblemete más que e cualquer otro campo de la programacó multobjetvo. Esto se debe, sobre todo, a que dcha fucó depede de dos parámetros los cuales puede reflejar de forma drecta las preferecas del decsor, que so, los pesos de la fucó y el puto de refereca, que está formado por los valores o veles de refereca e los objetvos que se pretede cosegur. Es e estos veles de refereca, dode la mayoría de estos métodos tee la teraccó co el decsor. El decsor tee que proporcoar los valores que desea lograr e los objetvos y éstos forma el llamado puto de refereca de la fucó escalarzada de logro. La dea de este método cosste, e cada teracó, obteer dsttas solucoes efcetes, medate la mmzacó de la fucó escalarzada de logro para el puto de refereca proporcoado por el decsor (veles e los objetvos que desea cosegur el decsor), y otros putos de refereca que dfere del proporcoado e ua sola coordeada. Etre los coveetes destacamos, que e ocasoes, por las característcas XII Joradas de ASEPUMA 9
10 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. del problema, las solucoes que se obtee o se acerca todo lo que se desea a los veles de refereca que se pretedía cosegur. Etre las vetajas, tee buea aceptacó práctca, motvado sobre todo por el carácter tutvo e la formacó requerda al decsor y la posbldad de 'volver haca atrás' ate errores cometdos e las preferecas del decsor. Además e el caso cocreto del método de Werzbck, por la fucó escalarzada de logro cosderada, las solucoes que se obtee so efcetes. Volvedo a uestro problema, pasamos a señalar las preferecas mafestadas e este caso por el decsor, el cual, partedo de los veles que había cosegudo e los objetvos, deseaba mateer los veles de Desv. Estádar, Covarazas y Resduos e los actuales, pero desearía teer ua retabldad de y ua beta de 0.9. Co estos valores formamos el puto de refereca y os dspusmos a aplcar el método de Werzbck. El método geeró varas solucoes, de las cuales el decsor elgó la sguete: Retabldad Beta Desv. Estádar Covarazas Resduos Co dcha solucó el decsor quedó totalmete satsfecho, habédose cumpldo sus expectatvas y quedado falzado por tato el proceso de resolucó. De la msma maera actuamos e el perodo de crecmeto y decrecmeto, obteédose otras solucoes aceptadas por el decsor. Como coclusó vemos cómo las solucoes obtedas e estos métodos depede de las preferecas del decsor co lo cual este se puede setr sufcetemete mplcado e el proceso de seleccó de su cartera de valores. 4. REFERENCIAS BIBLIOGRÁFICAS BENAYOUN, R., MONTGOLFIER, J., TERGNY, J. ad LARITCHEV, O. (97). Lear programmg wth multple objectve fuctos: Step Method (STEM). Mathematcal Programmg,, pp CABALLERO, R., LUQUE, M., MOLINA, J. ad RUIZ, F. (2002). PROMOIN: 0 XII Joradas de ASEPUMA
11 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... a teractve system for multobjectve programmg. Iteratoal Joural of Iformato Techology ad Decso Makg,, pp GEOFFRION, A.M., DYER, J.S. ad FEINBERG, A. (972). A teractve approach for mult-crtero optmzato, wth a applcato to the operato of a academc departmet. Maagemet Scece, 9, 4, Part I, pp LEE, S.M. ad CHESSER, D.L. (980). Goal programmg for portfolo selecto. The Joural of Portfolo Maagemet, prmavera, pp LEE, S.M. ad LERRO, A.J. (973). Optmzg the portfolo selecto for mutual fuds. The Joural of Face, XXVIII, december, pp MARKOWITZ, H. (952). Portfolo selecto. Joural of Face, 7, 2, pp POWELL, J.G. ad PREMACHANDRA, I.M. (998). Accommodatg dverse sttutoal vestmet objectves a costrats usg o-lear goal programmg. Europea Joural of Operatoal Research, 05, pp WIERZBICKI, A.P. (980). The use of referece objectves multobjectve optmzato. Multple Crtera Decso Makg Theory ad Applcato, Lecture Notes Ecoomcs ad Mathematcas Systems 77, Edted by Fadel, G. ad Gal, T., Sprger-Verlag, Hedelberg, pp XII Joradas de ASEPUMA
Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos
Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesSELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA
SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero
Más detallesMÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD
UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detalles2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros
. alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el
Más detallesGestión de operaciones
Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesV Muestreo Estratificado
V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,
Más detallesUna Propuesta de Presentación del Tema de Correlación Simple
Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesTEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :
Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS
Más detallesModelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores
Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de
Más detallesESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES
Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para
Más detallesMatemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria
Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó
Más detallesIntroducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesINTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA
INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}
Más detallesJuegos finitos n-personales como juegos de negociación
Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos
Más detalles(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es
(Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua
Más detallesDivisión de Evaluación Social de Inversiones
MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013
Más detallesTEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)
Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca
Más detallesLÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS
LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del
Más detallesResumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.
Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,
Más detallesMétodos indirectos de estimación: razón, regresión y diferencia
Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó
Más detallesExpectativas del Mercado y Creación de Valor en la Empresa
2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea
Más detallesSelección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal
Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa
Más detallesModelos de Regresión Simple
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesMETODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO
METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar
Más detallesGuía práctica para la realización de medidas y el cálculo de errores
Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;
Más detalles1.1 INTRODUCCION & NOTACION
1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detalles1.2. Medidas de Concentración
.. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó
Más detallesPROBANDO GENERADORES DE NUMEROS ALEATORIOS
PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos
Más detallesColegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA
Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesTeoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)
Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y
Más detallesFigura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:
Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al
Más detallesPROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez
PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesConceptos y ejemplos básicos de Programación Dinámica
Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de
Más detallesColegio Sagrada Familia Matemáticas 4º ESO
Colego Sagrada Famla Matemátcas 4º ESO 00-0 ESTADÍSTICA DESCRIPTIVA.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesTema 2: Modelos lineales de optimización con variables enteras.
Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.
Más detallesTEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.
TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)
Más detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2004
Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos
Más detallesProblemas de Polímeros. Química Física III
Problemas de Polímeros Químca Físca III 7..- Del fraccoameto de ua muestra de u determado polímero se obtuvero los sguetes resultados: Fraccó º, g 5, g/mol,75,6,886,89,,75,57,56 5,9,68 6,8,8 7,55,5 8,6,9
Más detallesANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral
ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesCURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA
CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.
Más detallesINTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS
Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesBolsa Nacional de Valores, S.A. San José, Costa Rica
SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detallesANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de
Más detallesAPLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES
Uversdad de Los Ades Facultad de Cecas Ecoómcas y Socales Escuela de Admstracó y Cotaduría Públca Departameto de Cecas Admstratvas Cátedra de Produccó y Aálss de la Iversó Asgatura: Matemátca Facera APLICACIONES
Más detallesEjercicio 1. Sea el recinto limitado por las siguientes inecuaciones: y + 2x 2; 2y 3x 3; 3y x 6.
Materiales producidos e el curso: Curso realizado e colaboració etre la Editorial Bruño y el IUCE de la UAM de Madrid del 1 de marzo al 30 de abril de 013 Título: Curso Moodle para matemáticas de la ESO
Más detallesAlgunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos
Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva
Más detalles11. TRANSFORMADOR IDEAL
. TAFOMADO DEA.. TODUCCÓ Cuado el flujo magético producido por ua bobia alcaza ua seguda bobia se dice que existe etre las dos bobias u acople magético, ya que el campo magético variable que llega a la
Más detallesPRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A
PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO.001-.00 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores
Más detallesTRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).
TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesERRORES EN LAS MEDIDAS (Conceptos elementales)
ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesAPROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS
APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado
Más detallesAnálisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos
Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores
Más detalles1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática
Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó
Más detallesESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales
ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá
Más detalles6.2.- Funciones cóncavas y convexas
C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.
Más detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres
Más detallesMATEMÁTICAS FINANCIERAS
MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE
Más detallesal nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.
5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de
Más detallesRegresión - Correlación
REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:
Más detallesAnálisis estadístico de datos muestrales
Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.
Más detallesUNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS
Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema
Más detallesValoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano
Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,
Más detallesEnsayos de control de calidad
Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de
Más detalles5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras
Más detallesIV. GRÁFICOS DE CONTROL POR ATRIBUTOS
IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,
Más detallesPropuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes
ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca
Más detallesREDES DE BASE RADIAL. 1. Funciones de Base Radial.
Tema 5: Redes de Base Radal Sstemas Coexostas 1 REDES DE BASE RADIAL 1. Fcoes de Base Radal. 2. Dervacó del Modelo Neroal. 2.1. Arqtectra de a RBFN 2.2. Fcoaldad. 2.3. Carácter Local de a RBFN. 3. Etreameto.
Más detallesREPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS
REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS
Más detallesSimulación de sistemas discretos
Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...
Más detalles7. Muestreo con probabilidades desiguales.
7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.
Más detallesMATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS
MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de
Más detallesEvolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información?
APELLIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdere u vel de cofaza del 95% (z=).. U empresaro quere estmar el cosumo mesual de electrcdad e ua comudad de 000
Más detallesCAPÍTULO II MARCO TEÓRICO
CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles
Más detallesAnálisis de datos en los estudios epidemiológicos II
Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesTEMA 2: CAPITALIZACIÓN SIMPLE
Matemátcas Faceras Prof. Mª Mercedes Rojas de Graca TEMA 2: APITALIZAIÓN SIMPLE ÍNDIE 1. APITALIZAIÓN SIMPLE... 1 1.1. ONEPTO... 2 1.2. DESRIPIÓN DE LA OPERAIÓN... 2 1.3. ARATERÍSTIAS DE LA OPERAIÓN...
Más detallesIntroducción a la simulación de sistemas discretos
Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesMUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1
MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo
Más detalles