Modelos de participación de mercado
|
|
- Rocío María Pilar Soriano Correa
- hace 6 años
- Vistas:
Transcripción
1 Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez
2 Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse factores compettvos de las marcas presentes en el mercado y puedan aslarse los efectos externos (por ejemplo, cclos económcos). In58b Prmavera
3 Modelos de partcpacón de mercado Modelos estocástcos agregados In58b Prmavera 2008
4 Modelos estocástcos Estos modelos están muy asocados a lo que vmos como modelos estocástcos de compra del consumdor. Buscamos modelos que descrban adecuadamente el comportamento agregado de los consumdores. Vmos un modelo respecto a los nstantes de compra de los consumdores (Modelo de ncdenca de compra). Ahora el foco corresponde al estudo de las partcpacones de mercado. In58b Prmavera
5 Defncones prelmnares (1) Datos de Panel: Segumento de las marcas compradas por una muestra dentfcable de consumdores. Datos Panel T1 T2 T3 T4 T5 C001 A A A B A C002 A C B A B C003 A B B B A Matrces de ntercambo de marcas (Brand Swtch): Regstros dervado de datos de panel que ndcan como los consumdores camban de marcas de un perodo a otro. T+1 Compras A B C Total A T Conjunta T B A B12 C232 Total C Condcon 22 A T TotalT 200 B al A B C Total C A Total T B C In58b Prmavera
6 Defncones prelmnares (2) Se defnen: ( ) = Ρ ( comprar en + 1 compra en ) (, ) = Ρ ( comprar en y comprar en + 1) ( ) = Ρ ( comprar en + 1) P j t j t P j j t t P j j t Notar que: ( j) Ρ = 1 (ley probabldad) ( ) ( ) Ρ, j = Ρ = m (market share) j Ρ ( j) Ρ = Ρ (, j) ( j) In58b Prmavera
7 Modelo Ehremberg (Orden 0) Basado en observacones empírcas, Ehremberg postuló que: ( j) Ρ =, k m m j Con esto: In58b Prmavera 2008 (, ) m k m ( 1 m ) Ρ = k m j Ρ ( j) = 1 k ( 1 m ) = j La lealtad depende sólo de la partcpacón de mercado La compra actual no depende de la compra anteror 7
8 Calbracón Para la calbracón del modelo requermos: Partcpacones de mercado del últmo perodo (m ) Probabldad de compra repettva para cada marca (P(,)). k = ( ) 1 Ρ, 1 m 2 El valor de k ndca algunas característcas del mercado: Mercado maduro k 0.5 Mercado de lealtad k<<1 In58b Prmavera
9 Uso de gestón La capacdad predctva es bastante baja (un modelo de orden cero asume mplíctamente certa establdad en el mercado). La aplcacón más drecta corresponde a la valdacón de los supuestos por medo de la comparacón de las matrces de Brand Swtch reales y teórcas: Los consumdores compran como en un modelo de atraccón. Los consumdores son de orden 0 (no mporta que compraron en el pasado). In58b Prmavera
10 Ejemplo (1) Compras T+1 A B C Total m A T B C Total Conjunta T+1 (real) A B C Total A T B C Total k 1 ( ) = = ( ) In58b Prmavera
11 Ejemplo (2) Conjunta T+1 (real) A B C Total A T B C Total Conjunta T+1 (teórca) A B C Total A T B C Total ( j) Ρ =, k m m j (, ) m k m ( 1 m ) Ρ = In58b Prmavera
12 Ejemplo (3) Condconal T+1 (real) A B C Total A T B C Condconal T+1 (teórca) A B C Total A T B C k m j Ρ ( j) = 1 k ( 1 m ) = j In58b Prmavera
13 Modelo Markovano (1) Supuesto: La probabldad de comprar una determnada marca depende sólo de la marca comprada en el perodo anteror. Sea Y t la marca elegda en el perodo t. Luego los supuestos se reducen a: { Y k Y, Y,..., Y } { Y k Y } Ρ = = Ρ = t t 1 t 2 0 t t 1 Propedad markovana { Y k Y } { Y k Y } Ρ = = Ρ = t t 1 t+ n t+ n 1 Incrementos estaconaros In58b Prmavera
14 Modelo Markovano (2) Sea una matrz de probabldad P={p j } j, donde p j es la probabldad que un consumdor compre j dado que en el perodo actual compró. 0 p j 1 p j = 1 In58b Prmavera
15 Modelo Markovano (3) Sea m t la probabldad de comprar la marca en el perodo t. Entonces: n m = p m = 1... n t j jt 1 j= 1 m : m = m Ρ m = 1 In58b Prmavera
16 Modelo Markovano (4) Ejemplo: t A B Con m A,t-1 = m B,t-1 = 0.5 t-1 A B m A,t = m A,t-1 *p AA + m B,t-1 *p BA m A,t = (0.5)(0.7) + (0.5)(0.5)=0.6 m B,t = 1 - m A,t = = 0.4 m A,t+1 = m A,t *p AA + m B,t *p BA = (0.6)(0.7) + (0.4)(0.5) = 0.62 m A,nfnto = In58b Prmavera
17 Modelo de aprendzaje Supuesto: La compra de la marca aumenta la probabldad de repetrla mentras que la no compra la dsmnuye. Modelo básco con 2 marcas. Sea p t la probabldad de comprar la marca de nterés en el perodo t. El modelo: p t Operador α1+ λ1 pt -1 s se elje marca en t = α + λ p ~ 2 2 t-1 aceptacón Operador rechazo In58b Prmavera
18 Gráfcamente (1) p t+1 1 Operador aceptacón p t+1 ( A) Operador rechazo p t+1 ( R) p t () Qué ocurre s no compra nunca el producto? Qué ocurre s compra sempre el producto? 1 p t In58b Prmavera
19 Gráfcamente (2) p t+1 1 Operador aceptacón Operador rechazo p mn p max Cómo nterpretar los parámetros del modelo? 1 p t In58b Prmavera
20 Modelos de partcpacón de mercado Modelos basados en la competenca In58b Prmavera 2008
21 Defncones báscas La defncón del mercado y del conjunto de marcas a consderar dependerán del contexto: Ej: mercados de las zapatllas o de las zapatllas para deporte o de las zapatllas para jugar fútbol o Consderemos. Partcpacón de mercado (market share) de la marca (s ). Ventas del producto, típcamente meddas en undades (Q ). Ventas totales de los productos del mercado (Q). Número de marcas en el mercado (m). s Q Q = = m Q j= 1 Q j In58b Prmavera
22 Enfoque de esfuerzos de marketng (1) Premsa básca: la partcpacón de mercado de una marca es proporconal a su esfuerzo de marketng M (Kotler, 1984): s = k M s = M = 1 k = 1 M Teorema fundamental de la partcpacón de mercado: La partcpacón de mercado de cada marca es proporconal a su porcón total del esfuerzo de marketng. s M In58b Prmavera
23 Enfoque de esfuerzos de marketng (2) Los esfuerzos son ndependentes de los resultados. Podemos ntroducr un coefcente de efectvdad por marca α : s α M = α j j Hasta ahora no hemos dcho mucho: necestamos explctar que queremos decr con esfuerzo de marketng. Según Kotler, es funcón del marketng mx actual y prevo. M = f M j ( preco, publcdad, dtrbucon,...) In58b Prmavera
24 Esfuerzos de marketng Se han propuesto varas formas funconales. Consderemos: Preco del producto de la marca, P. Gasto en publcdad de la marca, A. Esfuerzo en dstrbucón de la marca (por ejemplo, número de tendas), D. M In58b Prmavera 2008 ( ) M = exp pp + aa + dd +... p a d = P A D... La prmera forma corresponde a la versón más smple del MNL (multnomal logt), mentras que la segunda corresponde a MCI (multplcatve, compettventeracton). 24
25 Esfuerzos de marketng (Ejp) M = P A D p a d... Ejemplo numérco del Teorema Fundamental de Kotler Empresa Coef Efect Preco Publcdad Dstrbucón Esf Mktg Esf Mktg pond Market Share 1 0,9 $ 10,5 $ $ $ $ ,7% 2 1,2 $ 11,3 $ $ $ $ ,7% 3 1 $ 9,8 $ $ $ $ ,6% -1,8 0,6 0,8 $ $ ,0% parametros Aumento del Market Share en la empresa 2 Ejemplo Numérco - El efecto de bajar el preco Empresa Coef Efect Preco Publcdad Dstrbucón Esf Mktg Esf Mktg pond Market Share 1 0,9 $ 10,5 $ $ $ $ ,5% 2 1,2 $ 10,0 $ $ $ $ ,7% 3 1 $ 9,8 $ $ $ $ ,7% -1,8 0,6 0,8 $ $ ,00% parametros In58b Prmavera
26 Enfoque de atraccón de marcas Premsa básca: El únco determnante al momento de realzar la compra es la atraccón que ejerce la marca sobre los consumdores (Bell, Kenney y Lttle 1975): La atraccón que ejerce una marca (A ) debe cumplr con una sere de axomas: Ax1: A 0 A > 0 In58b Prmavera 2008 Ax2: A = 0 s = 0 Ax3: A = Aj s = s j Ax4: S la atraccón de una marca camba, el market share de cualquer marca se ve afectado, ndependente de cual sea esa marca. s A = A 26
27 Modelos de partcpacón de mercado (1) Consderemos: Valor de la varable explcatva k de la marca (x k ). Parámetro de nfluenca constante de la marca (α ). Parámetro a ser estmado (β k ). Error (ε ) k MCI: A = exp( α ) x β ε k k MNL: A = exp ( α + β x + ε ) k k k s A = A In58b Prmavera
28 Modelos de partcpacón de mercado (2) Exsten otros modelos de partcpacón de mercado en que no mportan los competdores: s s s = α + β x + ε k k k x βk lneal = exp( α ) ε multplcatvo k k ( α β x ε ) = exp + + k k k exponencal Naert & Bultez (1973), plantean 2 requermentos de consstenca lógca que estos modelos no cumplen: s 0. Σ s = 1. In58b Prmavera
29 Calbracón de parámetros La calbracón de parámetros se puede hacer usando regresones lneales para lo cual se deben lnealzar (log-centerng) las expresones. s x MCI: ln = α + β ln + ε s K * k * k k = 1 x s MNL: ln = α + β + ε s K * * k ( xk x ) k = 1 con * * ( ) α = α α ε ε = ln ε * con * ( ) ( ) α = α α ε = ε ε In58b Prmavera
30 Elastcdades de MS (1) Defncón: Corresponde al cambo relatvo en la partcpacón de mercado ante la varacón en una varable del marketng mx. e s s s s x = = x x x s k k k k En la práctca es muy dfícl aslar los efectos para una medcón empírca. Para encontrar una elastcdad debemos asumr un modelo, calbrarlo y calcular las elastcdades punto: e s s = x k x s k In58b Prmavera
31 Elastcdades de MS (2) Sguendo este esquema podemos calcular elastcdades para cada uno de los modelos propuestos: ( β ) lneal e = x s e e e s k k s = β k = β x s k k ( s ) = β 1 MCI s k ( ) e = β 1 s x MNL s k k multplcatvo exponencal In58b Prmavera
32 Propedades elastcdad Qué propedades debera cumplr una elastcdad de partcpacón de mercado? 1. e = e + e Q x Qx s x j j j 2. S s crecente en x Lm e = 0 j s 1 s x j 3. S s crecente en x Lm e = 0 j x s x j Se satura el mercado Se satura el recurso Se puede demostrar que todos los modelos cumplen con propedad 1, pero modelos lneal, multplcatvo y exponencal no satsfacen 2 y 3. In58b Prmavera
33 MCI vs. MNL Hemos vsto razones por las cuales preferr MNL o MCI frente a modelos lneales, multplcatvo o exponencales. Pero, Cuándo usar MCI y cuándo usar MNL? A pesar de ser conceptualmente muy dstntos, s mramos numércamente los resultados de las partcpacones de mercado, los comportamentos son muy smlares. Las dferencas aparecen al observar las elastcdades: Cómo debera ser el comportamento para valores bajos de la varable explcatva? depende del mercado o del atrbuto? In58b Prmavera
34 MCI Market Share Elastcdad Índce de gasto en publcdad In58b Prmavera
35 MNL Market Share Elastcdad In58b Prmavera 2008 Índce de gasto en publcdad 35
36 Modelo general de atraccón Podemos formular un modelo en que algunos efectos sean del tpo MCI y otros del tpo MNL. MGA: ( α ε ) ( ) A = exp + f x k k k = 1 K β k f k x ( x) = exp( x) MCI MNL In58b Prmavera
37 Extensones (1) El parámetro de efectvdad α es propo de cada marca, pero ndependente de las accones especfcas que tome. Una marca podría ser más efectva en algunas varables del marketng mx. Podemos hacer que el parámetros β dependa de la marca. MGA: ( α ε ) ( ) A = exp + f x k k k = 1 K β k In58b Prmavera
38 Extensones (2) Elastcdades cruzadas: e s j s s s x = = x x x s k kj kj k e e = β s s kj j j = β x s s kj k j j MCI MNL Problema IIA! (Revsar Axoma 4) Defnmos un parámetro de compettvdad cruzada de la varable x kj sobre la marca (β kj ). MGA: ( α ε ) ( ) A = exp + f x k k k = 1 K β kj In58b Prmavera
39 Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesBoletín de la Tendencia Laboral del Desarrollo Humano
Boletín de la Tendenca Laboral del Desarrollo Humano Notas técncas AÑO 05 NÚMERO 6 PROGRAMA DE LAS NACIONES UNIDAS PARA EL DESARROLLO MÉXICO Nota técnca Índce de Compettvdad Socal (cs) El cs es una medda
Más detallesINTEGRACIÓN DE CENSOS Y ENCUESTAS DE HOGARES DIRECCIÓN GENERAL DE ESTADÍSTICA, ENCUESTAS Y CENSOS PARAGUAY
253 INTEGRACIÓN DE CENSOS Y S DE HOGARES DIRECCIÓN GENERAL DE ESTADÍSTICA, S Y CENSOS PARAGUAY 254 Integracón de Censos y Encuestas de Hogares ANTECEDENTES Con el Censo del 82 se elaboró (en 1991) un Mapa
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
Más detallesEL MODELO DE REGRESIÓN LINEAL SIMPLE
Unversdad Carlos III de Madrd César Alonso ECONOMETRIA EL MODELO DE REGRESIÓN LINEAL SIMLE Índce 1. Relacones empírcas y teórcas......................... 1 2. Conceptos prevos................................
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesCyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes.
CyRCE: Un modelo de Resgo de Crédto para Mercados Emergentes. Javer Márquez Dez-Canedo. DICIEMBRE 2004 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón
Más detallesClase Auxiliar #1: Teoría de Juegos
UNIVERSIDAD DE CHILE FAC DE CIENCIAS FÍSICAS Y MATEMÁTICAS Departamento de Ingenería Industral Curso: IN5A Economía Industral Semestre: Prmavera 7 Profesor: Ronald Fscher Auxlares: Klaus Kaempfe Sofía
Más detallesUniversidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud
Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesCurso teórico-práctico: Metodologías para la valoración económica del medio ambiente
Curso teórco-práctco: Metodologías para la valoracón económca del medo ambente Método de Costo del Vaje Sergo Orrego 15 y 16 de mayo de 2017 Santago de Chle Método del costo del vaje: estmacón de una demanda
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesVariables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesTallerine: Energías Renovables. Fundamento teórico
Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Sánchez Curso 2008-09 Bblografía para preparar este tema Apuntes de clase Capítulo 5, Macroeconomía, O. Blanchard, pp. 81-100 Objetvo del tema
Más detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Prof. Anhoa Herrarte Sánchez Curso 2007-08 Bblografía para preparar este tema Apuntes de clase Capítulo 3, Macroeconomía, O. Blanchard Prof. Anhoa
Más detallesPropiedades Asintóticas
Capítulo 3 Propedades Asntótcas 3.. Dstrbucones Estaconaras Defncón 3. Sea X n, n, una cadena de Markov con espaco de estados E y matrz de transcón P. Sea π(), E, una dstrbucón de probabldad, es decr,
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesTEMA 2 Revisión de mecánica del sólido rígido
TEMA 2 Revsón de mecánca del sóldo rígdo 2.. ntroduccón SÓLDO RÍGDO SÓLDO: consderar orentacón y rotacón RÍGDO: CONDCÓN DE RGÍDEZ: - movmento: no se alteran dstancas entre puntos - se gnoran las deformacones
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesINGENIERÍA ENERGÉTICA
INGENIERÍA ENERGÉTICA PROGRAMACIÓN DE LA GENERACIÓN DE ENERGÍA ELÉCTRICA Programacón de la generacón MERCADO DIARIO Es el mercado en el que tenen lugar las transaccones de compra y venta de energía para
Más detallesTema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)
Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las
Más detallesCI42A: ANALISIS ESTRUCTURAL. Programa CI42A
CI4A: ANALISIS ESTRUCTURAL Prof.: Rcardo Herrera M. Programa CI4A NÚMERO NOMBRE DE LA UNIDAD OBJETIVOS DURACIÓN 4 semanas Prncpo de los trabajos vrtuales y teoremas de Energía CONTENIDOS.. Defncón de trabajo
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detalles3. Renta Fija IN56A. Otoño 2009 Gonzalo Maturana F.
3. Renta Fja IN56A Otoño 2009 Gonzalo Maturana F. Instrumentos de Renta Fja Corto plazo Depóstos a plazo Pactos Pagarés y oblgacones Largo plazo Bonos Los pagos son fjos, pues dependen de la tasa acordada
Más detallesREGULADORES PID. Reguladores PID.
REGULADORES PID Reguladores PID. 1. Introduccón a los sstemas de control. Objetvos. 2. Especfcacones de funconamento. 3. Accones báscas de control. Reguladores PID. 4. Metodologías de dseño. 5. Ajuste
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesINTERPRETACIÓN DE LOS PARÁMETROS DE UN MODELO BÁSICO DE REGRESIÓN LINEAL. Rafael de Arce Ramón Mahía Febrero de 2012
INTERPRETACIÓN DE LOS PARÁMETROS DE UN MODELO BÁSICO DE REGRESIÓN LINEAL Rafael de Arce Ramón Mahía Febrero de 0 Además de abordar en otras sesones y documentos los aspectos relatvos a la estmacón de los
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesIndice de Coste Laboral Armonizado. Metodología
Indce de Coste Laboral Armonzado Metodología Indce 1. Introduccón 2. Defncones 3. Formulacón 4. Ajuste de seres 1. Introduccón El objetvo prncpal del Indce de Coste Laboral Armonzado es proporconar una
Más detallesINGENIERÍA DE TELECOMUNICACIÓN BLOQUE 1
INGENIERÍA DE TELECOMUNICACIÓN BLOQUE En el Aula Vrtual se encuentra dsponble: Materal nteractvo con teoría y ejerccos resueltos. Para acceder a ello deberá pulsar sobre los sguentes enlaces una vez dentro
Más detallesTema 1 Descripción de datos: Estadística descriptiva unidimensional Estadística descriptiva
Descrpcón de datos: Estadístca descrptva undmensonal Estadístca descrptva Objetvos: Ordenar, clasfcar, resumr grandes conjuntos de datos de modo que puedan ser fáclmente nterpretables Defncones báscas:
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesElectromagnetismo. El campo de las cargas en reposo: el campo electrostático. Campo eléctrico
Electromagnetsmo El campo de las cargas en reposo: el campo electrostátco Andrés Cantarero. Curso 2005-2006. ntroduccón. Propedades dferencales del campo electrostátco. Propedades ntegrales del campo electrostátco.
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesTallerine: Energías Renovables
Tallerne: Energías Renoables Fundamento Teórco Parte II: Curas de crcutos Autores: Carlos Brozzo Agustín Castellano Versón 0.1 Tallerne2017 Energías Renoables 2 Índce 1. Curas de crcutos 3 1.1. Fuente
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a)
ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 Rcardo Ramírez Facultad de Físca, Pontfca Unversdad Católca, Chle 1er. Semestre 2008 Corrente eléctrca CORRIENTE ELECTRICA Corrente eléctrca mplca carga en movmento.
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesModelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF
Modelos dnámcos de formacón de precos y colusón Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Enfoques empleados en el análss de la nteraccón repetda entre empresas: Juegos repetdos.
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detalles