CyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "CyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes."

Transcripción

1 CyRCE: Un modelo de Resgo de Crédto para Mercados Emergentes. Javer Márquez Dez-Canedo. DICIEMBRE 2004

2 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón del Resgo 4. Estmacón con Escasez de Informacón 5. Comparacón con Otros paradgmas

3 Introduccón En mercados emergentes, la nformacón es escasa y la cultura del resgo es ncpente. La medcón del resgo de crédto se dfculta y esto se debe a: Metodologías comercales más aceptadas de Medcón de Resgo de Crédto: Son complejas con grandes requermentos de nformacón. Técncas numércas que requeren un gran esfuerzo computaconal. Informacón: escasa, de mala caldad y no compatble con los modelos.

4 En cualquer caso Todos los modelos dependen de supuestos mportantes. El mayor esfuerzo se nverte en tratar de obtener la mejor dstrbucón de pérddas. No es clara la relacón exstente entre el resgo de crédto y los parámetros de gestón: Sufcenca de Captal. Valuacón. Límtes ndvduales, etc.

5 CyRCE: Propedades Es un modelo de ncumplmento para resgo de crédto suponendo que la dstrbucón de pérddas del portafolo puede caracterzarse por dos parámetros: Su meda y su Varanza. Una expresón cerrada para el Valor en Resgo (VaR): Relacón explícta con los parámetros de gestón: Sufcenca de Captal, límtes, concentracón, etc. Análss del portafolo: Concentracón de Resgo, Valuacón, Gran efcenca computaconal: Manejo efcente de portafolos de gran tamaño. Optmzacón. Parametrzacón de los elementos relevantes : Manejo de supuestos, faclta análss y pruebas de estrés.

6 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón del Resgo 4. Estmacón con Escasez de Informacón 5. Comparacón con Otros paradgmas

7 CyRCE: El Modelo General 1. Se tenen probabldades de ncumplmento (pueden ser dstntas) para los acredtados de la cartera: π = (p 1,..., p N ). 2. Los ncumplmentos de los acredtados se relaconan por medo de la matrz de covaranzas. σ,j = Covaranza de ncumplmento entre acredtados, j = σ σ j ρ,j = M,j ρ, j : correlacón entre ncumplmentos de los acredtados, j.

8 CyRCE: Valor en Resgo El valor en resgo con un nvel de confanza α es: VaR α = p f + z α j f fj σ σ j ρ j PÉRDIDA ESPERADA VARIANZA Utlzando notacón matrcal: VaR = π T F + z F T M F α α PÉRDIDA ESPERADA PÉRDIDA NO ESPERADA π T = [ p 1... p N ] T M: matrz de covaranzas.

9 Sufcenca de Captal La sufcenca de captal K mplca K/V = ψ VaR T π F ψ + V T F MF z α T H ( F) F F Pérdda esperada relatva al valor del portafolo. p T F M F R( F, M ) = T F F Cocente de Raylegh IH H Varanza de la pérdda relatva al tamaño del portafolo.

10 CyRCE: Límtes Indvduales y Concentracón Bajo el modelo general, la cota para el índce de concentracón y el límte ndvdual se obtene medante: ψ p _ + z α R(F, M) H(F) H ( F) z 2 ( ψ ) α R( F p 2, M)

11 IHH: Límtes Indvduales y Concentracón Propedad I IHH: V θv f θv = 1,,N H(F) θ Entonces: Η(F) f θv θ z = 1,,N ( ) ψ 2 α p 2 R(F,M) ψ La condcón sólo es

12 La expresón CyRCE: El Modelo Smple ψ p _ + z α R(F, M) H(F) resulta atractva porque: El requermento de captalzacón: ψ El resgo de crédtos ndvduales a través de: p Valor en Resgo de la Cartera Relacon a θ ( ψ p) 2 z αr( F, M) Los límtes ndvduales sobre crédto Un ndcador de concentracón de la cartera: H( F ) 2

13 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón del Resgo 4. Estmacón con Escasez de Informacón 5. Comparacón con Otros paradgmas

14 Segmentacón del Portafolo El portafolo se puede segmentar arbtraramente: Cada grupo tene la msma probabldad de ncumplmento. La matrz de covaranzas M ncluye dos tpos de covaracón: - Idosncrásca: entre los ncumplmentos del msmo grupo. - Extra-grupo: entre ncumplmentos de segmentos dstntos. ρ 1,2 ρ 1p1 ρ 1,3 p 2 p 3

15 CyRCE: Valor en Resgo (contnuacón) La matrz de covaranzas dosncráscas del segmento j, R j, tene la sguente estructura: = ,,,1 1, j N N j j j j j C C M C C R Nótese: M R j j = M j = Matrz de covaranzas dosncráscas para los acredtados del segmento j. C j, = Matrz de covaranzas entre los ncumplmentos de los acredtados del segmento j con los acredtados del segmento.

16 CyRCE: Valor en Resgo El valor en resgo con un nvel de confanza α para el segmento j es: j VaR = π T F + z φ F T R F α j j α j PÉRDIDA ESPERADA PÉRDIDA NO ESPERADA π j es el vector de probabldades de ncumplmento del segmento j F j es el vector crédtos del segmento j R j es la matrz de covaranzas dosncráscas del segmento j y covaranzas entre los crédtos del segmento j con los crédtos de otros segmentos. φ es un factor de ajuste, tal que: j j VaR α = VaR α

17 CyRCE: Sufcenca de Captal Después de un poco de álgebra, la relacón de Sufcenca de Captal del segmento j está dada por: π T F R(F αφ j, M j ) ψ j j + z V j F j H ( ) + F TC j j, F j 2 V j Proporcón de pérdda esperada del segmento j con respecto al monto de su cartera. Cocente de Raylegh del segmento j IHH j Ajuste por Covaracón Extra Grupo p

18 La cota sobre la concentracón y el límte ndvdual de cada segmento está dada por: H (F ) j θ j z 2 α ( ) 2 ψ j p j φ 2 R(F, M ) j j - j F j TC j, F V 2 j R (F j, M j ) Cota por Correlacón Idosncrásca Ajuste por Covaracón Extra Grupo

19 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón del Resgo 4. Estmacón con Escasez de Informacón 5. Comparacón con Otros paradgmas

20 Índce de Concentracón de Resgo La correlacón entre ncumplmentos afecta la concentracón y aumenta el resgo. Consdérese el sguente caso partcular: Se defnen N varables aleatoras que ndcan el ncumplmento de cada uno de los N deudores en la cartera, X = 1 0 con probabldad p con probabldad 1 - p = 1,...,N Todas se encuentran déntcamente correlaconadas a pares y el coefcente de correlacón es ρ.

21 Índce de Concentracón del Resgo La covaranza entre cualquer par de crédtos (, j) está dada por: ( )ρ ρ ρ σ σ σ p 1 p p 1 p p 1 p j j j j j j = = = ) ( ) (, La matrz de covaranzas tene la sguente estructura: = p 1 p M ρ ρ ρ ρ ρ ρ ) ( Utlzando notacón matrcal: ( ) [ ] I 1 11 p 1 p M T ) ( ρ ρ + =

22 Índce de Concentracón del Resgo La varanza de las pérddas de este portafolo está dada por: F T MF = T 2 T p( 1 p) [ ρ( 1 F) + ( 1 ρ)( F F)] La expresón del VaR es: VaR α = V [ )] p + z α p( 1 p) ρ + ( 1 ρ) H ( F Conjuga el efecto de la correlacón Varanza en la Bernoull concentracón. H ' = Correlacón ρ + ( 1 ρ) Hy ( F) Concentracón Índce de Concentracón del Resgo

23 Índce de Concentracón del Resgo Igualando la varanza del portafolo a la varanza del caso partcular, se deben encontrar p y ρ e tales que: R( F, M) H ( F) = p ( 1 p) [ + ( 1 ) H( F)] = p( 1 p) H ' ρ e ρ e π T F S p =, V, despejando ρ e, se tene: ρ e = R( F, M) 1 p( 1 p) 1 1 H( F) Correlacón Equvalente: Resume la forma en que están correlaconados a pares todos los crédtos de la cartera.

24 Ejemplo Un portafolo de 25 crédtos se segmenta en tres grupos, supóngase K=$60,000. Además, se tenen los sguentes datos: Probabldades de Incumplmento La matrz de correlacón está dada por: Calfcacón A B C D E F G Meda (%) Desv. (%) Segmento % 29% 24% 2 29% 23% 32% 3 24% 32% 43% Calfcacón Monto A $ 4,728 C $ 3,204 C $ 4,912 D $ 5,320 D $ 20,239 F $ 1,933 F $ 2,598 G $ 1,090 Total $ 44,024 Calfcacón Monto B $ 5,528 C $ 3,138 C $ 4,831 E $ 5,042 E $ 15,411 F $ 2,411 G $ 358 G $ 6,467 Total $ 43,186 Calfcacón Monto A $ 7,728 B $ 5,848 C $ 5,435 D $ 5,765 E $ 1,800 F $ 2,317 G $ 2,652 G $ 4,929 G $ 6,480 Total $ 42,954 H(F 1 )=26% R(R 1,F)=11% H(F 2 )=20% R(R 2,F)=14% H(F 3 )=13% R(R 3,F)=15%

25 Segmentacón del Portafolo: Ejemplo. S la razón de captalzacón de cada segmento está dada por ψ = K = V V V K = V Se satsfacen las relacones de sufcenca de captal? 1 VaR V 1 2 VaR V 2 3 VaR V 3 16, 122 = = 36. 6% < 46. 1% 44, , 268 = = % < 46. 1% 43, , 655 = = 47. 2% > 46. 1% 42, 954 = Ψ = Ψ = Ψ 1 2 3

26 Segmentacón del Portafolo: Ejemplo S la relacón de sufcenca de captal se satsface, cuáles son los límtes por acredtado? = ψ > = ψ > = ψ < Algún sector en partcular exhbe un resgo de concentracón excesvo? H(F 1 ) =26% ρ 1 =14% H 1 '(F) =36% H(F 2 ) =20% ρ 2 =17% H 2 '(F) =34% H(F 3 ) =13% ρ 3 =28% H 3 '(F) =37%

27 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón del Resgo 4. Estmacón con Escasez de Informacón 5. Comparacón con Otros paradgmas

28 Estmacón del IHH con nformacón lmtada. (I) La cartera se segmenta en h grupos dstntos. S conocemos: El valor total de la cartera de cada segmento, V. El crédto mayor de cada grupo f*, entonces, por la propedad 1 del IHH se tene: H ( F ) θ = Por lo tanto, H(F ) = θ es una estmacón (conservadora) del IHH de cada segmento. f V *

29 Estmacón del IHH con nformacón lmtada. (II) S se tene un poco más de nformacón y para cada grupo se conoce: El número de crédtos en cada grupo, N, El monto promedo de los crédtos, f, La varanza del monto de los crédtos, σ 2, entonces: σ = 2 2 N 1 F H 1 N f N ) ( ) ( = k 2 k 2 1 N f f ) ( f N 1 N 1 f N 1 N F H + = σ σ ) (

30 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón del Resgo 4. Estmacón con Escasez de Informacón 5. Comparacón con Otros paradgmas

31 1. Usando una varable latente y vendo a los modelos de ncumplmento como probts ordenados, Mostró como se puede mapear CredtRsk + en CredtMetrcs TM y vceversa. 2. Dseñó carteras de crédtos de caldades dferentes, para evdencar numércamente las dferencas entre paradgmas por los supuestos que utlzan. 3. Nosotros replcamos el estudo para ver como CyRCE se puede mapear de y haca estos dos paradgmas así como las dferencas que evdenca el ejercco numérco. Replcacón del Ejercco de Gordy (JBF 2000) Mchael Gordy realzó un estudo comparatvo entre CredtRsk + y CredtMetrcs TM que se ha vuelto el estándar de comparacón:

32 Mapeo entre CyRCE y CredtRsk + El supuesto más mportante en CyRCE es que la dstrbucón de pérddas se puede caracterzar por su meda y por su varanza. CredtRsk + tene supuestos concretos sobre la dstrbucón de las probabldades de ncumplmento: c() (x)) es la probabldad de ncumplmento ncondconal de un crédto con calfcacón c(). Depende de factores aleatoros externos x k que sguen una dstrbucón gama. p c( p c ()( x) = pc() xk wc() A partr de estos supuestos se pueden obtener los momentos necesaros para ntroducrlos a CyRCE k k

33 Mapeo entre CyRCE y CredtRsk + Por los supuestos de CredtRsk + la pérdda esperada de un crédto con monto L y calfcacón c() es smplemente: Lp c () De gual forma la correlacón entre cualesquera par de crédtos con calfcacones c() y c(j) vene dada por: pc( ) pc( j) wc( ) k wc( j) k β k k ρj = p 1 p ) p (1 p ) c( ) ( c( ) c( j) c( j) Donde β k es la varanza del factor x k. De esta forma recuperamos los parámetros necesaros para CyRCE. El mapeo de CyRCE a CredtRsk + se obtene de forma nversa una vez se han defndo los factores gama de CredtRsk +

34 Mapeo entre CyRCE y CredtMetrcs TM De forma análoga se puede hacer el mapeo de CredtMetrcs TM (lmtado a dos estados) a CyRCE. Basta recordar que la dstrbucón de la probabldad de ncumplmento vene dada por la sguente condcón: y < C ξ () con y = Xw + η ; ~ N(0,1) X ~ N(0, Σ) y Procedendo de forma análoga al modelo anteror se obtenen los parámetros necesaros para la aplcacón de CyRCE. Nuevamente basta defnr los factores X para desandar los pasos anterores y obtener CredtMetrcs TM a partr de CyRCE.

35 El ejercco Numérco. Para el ejercco numérco, se sguó el procedmento de Gordy construyendo 4 carteras de dferentes caldades credtcas: Cada cartera contene 5,000 crédtos y la msma exposcón total. La cartera de alta caldad tene la mayor proporcón de crédtos con la mínma PD. La proporcón de crédtos de mínma PD decrece sucesvamente para formar las tres restantes de menor caldad. Se obtuvo la dstrbucón de pérddas para cada cartera con cada uno de los paradgmas. ( CredtRsk+, CredtMetrcs y CyRCE).

36 Resultados : Cartera de más alta caldad. Alta Caldad CM TM CR + CyRCE σ = Meda Desv. Est Coef. Asm Curtoss α 50% VaR al α % % % 1, % 1,046 1,092 1, % 1,221 1,643 1,677 2,165 1,343

37 Resultados : Cartera de menor Caldad. Muy Baja Caldad CM TM CR + CyRCE σ = Meda Desv. Est Coef. Asm Curtoss α 50% 2, VaR al α ,202 75% 2,578 1,899 1, ,247 95% 3,313 4,289 3,782 1,959 5,247 99% 4,728 6,679 6,738 6,909 7, % 4,970 7,709 8,059 9,554 7, % 6,150 11,880 13,599 21,824 10,619

38 Comparacón numérca con CredtRsk + Se hzo un estudo comparatvo entre CyRCE y CredtRsk + selecconando crédtos en forma aleatora. Este es un resultado típco del ejercco de comparacón (cartera aleatora de 1,320 crédtos) : Dstrbuton VaR95 VaR97.5 VaR99 VaR99.5 CredtRsk Gamma Normal CR+ Gamma Normal

39 CyRCE vs. CredtRsk + : Efecto del tamaño. 2% + (CyRCE Credt Rsk ) Cartera Total 1% 0% -1% 0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000 45,000 Número de Crédtos -2% -3% -4%

40 Conclusones del Estudo. CyRCE se puede mapear de y haca CredtRsk+ y CredtMetrcs medante los msmos prncpos planteados por Mchael Gordy. La replca del ejercco numérco, ndca que la dstrbucón de pérddas producda por CyRCE es más centrada que la que producen los otros dos: En general tene menos peso en el rango bajo de pérddas que CredtMetrcs y menos peso en el rango alto de pérddas que CredtRsk+.

41 Resultados A pesar de encontrar dferencas en las dstrbucones, sobre todo en las colas, los montos no son dametralmente dstntos y apuntan sempre en el msmo sentdo. La dstrbucón de pérddas de CyRCE tene cambos más suaves y constantes en el VaR a medda que aumenta α que las otras dos. Esta suavdad se debe a la eleccón de una dstrbucón pura en contra del resultado de la aproxmacón en CredtRsk + y de la smulacón en CredtMetrcs TM Se hceron tambén ejerccos de robustez con resultados satsfactoros.

42 FIN

FE 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 (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 detalles

Tema 1.3_A La media y la desviación estándar

Tema 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 detalles

3. VARIABLES ALEATORIAS.

3. 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 detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. 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 detalles

Matemáticas Discretas

Matemáticas Discretas Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón

Más detalles

GERENCIA 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 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 detalles

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES

APLICACIÓN 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 detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

Dra. María Luisa Saavedra García M.F. Estefanía Arellano Martínez RESUMEN PALABRAS CLAVE: ABSTRACT KEY WORDS: INTRODUCCIÓN

Dra. María Luisa Saavedra García M.F. Estefanía Arellano Martínez RESUMEN PALABRAS CLAVE: ABSTRACT KEY WORDS: INTRODUCCIÓN LOS DERIVADOS EN LA ADMINISTRACIÓN DEL RIESGO DE CRÉDITO DE LA BANCA EN MÉXICO: UNA PROPUESTA DE APLICACIÓN Dra. María Lusa Saavedra García M.F. Estefanía Arellano Martínez RESUMEN El objetvo de este trabajo

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Introducción al riesgo de crédito

Introducción al riesgo de crédito Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos 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 detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 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 detalles

Estadísticos muéstrales

Estadísticos muéstrales Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día

Más detalles

Tema 4: Variables aleatorias

Tema 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 detalles

Especialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE

Especialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 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 detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente

Más detalles

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un

Más detalles

Mª Dolores del Campo Maldonado. Tel: :

Mª 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 detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS 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 detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas 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 detalles

Modelos unifactoriales de efectos aleatorizados

Modelos unifactoriales de efectos aleatorizados Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de

Más detalles

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

Tema 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 detalles

6 Impacto en el bienestar de los beneficiarios del PAAM

6 Impacto en el bienestar de los beneficiarios del PAAM 6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento

Más detalles

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN

PRÁCTICA 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 detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón

Más detalles

Teoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios

Teoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El

Más detalles

Tema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)

Tema 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 detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Oferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA

Oferta 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 detalles

Modelos de participación de mercado

Modelos de participación de mercado Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1). TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

Geometría convexa y politopos, día 1

Geometría convexa y politopos, día 1 Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

EJERCICIOS 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. 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 detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

ESTADÍSTICA. Definiciones

ESTADÍSTICA. Definiciones ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Problemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel

Problemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al

Más detalles

ESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL

ESTADÍSTICA 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 detalles

Análisis de ruido en detectores ópticos.

Análisis de ruido en detectores ópticos. Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se

Más detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: 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 detalles

Reconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1

Reconocimiento 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 detalles

E.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA

E.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Blbao Asgnatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Blbao Asgnatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA TEMA 2: ESTADÍSTICA DESCRIPTIVA 1. RESUMEN Métodos para resumr y descrbr

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

Estadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Números Índices

Estadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Números Índices Estadístca Descrptva y Analss de Datos con la Hoja de Cálculo Excel úmeros Índces úmeros Índces El número índce es un recurso estadístco para medr dferencas entre grupos de datos. Un número índce se puede

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: son datos de corte transversal correspondientes a 120 familias españolas. Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta

Más detalles

Descripción de una variable

Descripción de una variable Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad

Más detalles

Universidad Diego Portales Facultad de Economía y Empresa

Universidad Diego Portales Facultad de Economía y Empresa Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,

Más detalles

Modelos triangular y parabólico

Modelos triangular y parabólico Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70 Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles

Más detalles

UNIVERSIDAD TECNOLOGICA NACIONAL - FACULTAD REGIONAL ROSARIO Departamento de Ingeniería Química. Cátedra: Integración IV

UNIVERSIDAD TECNOLOGICA NACIONAL - FACULTAD REGIONAL ROSARIO Departamento de Ingeniería Química. Cátedra: Integración IV UNIVERSIDAD TECNOOGICA NACIONA - ACUTAD REGIONA ROSARIO Departamento de Ingenería Químca Cátedra: Integracón IV Tema: Smulacón de Evaporadores lash Alumnos: Damán Match, Marcos Boss y Juan M. Pgnan Profesores:

Más detalles

Propiedades efectivas de medios periódicos magneto-electroelásticos a través de funciones de Green

Propiedades efectivas de medios periódicos magneto-electroelásticos a través de funciones de Green Propedades efectvas de medos peródcos magneto-electroelástcos a través de funcones de Green utores: Lázaro Makel Sto Camacho Julán Bravo Castllero LOGO Renaldo Rodríguez Ramos Raúl Gunovart Díaz Introduccón

Más detalles

MUESTREO EN POBLACIONES FINITAS

MUESTREO EN POBLACIONES FINITAS MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño

Más detalles

T. 9 El modelo de regresión lineal

T. 9 El modelo de regresión lineal 1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón

Más detalles

TEMA 5. ANÁLISIS DE UNA VARIABLE (III). MEDIDAS DE ASIMETRÍA, CURTOSIS Y CONCENTRACIÓN

TEMA 5. ANÁLISIS DE UNA VARIABLE (III). MEDIDAS DE ASIMETRÍA, CURTOSIS Y CONCENTRACIÓN DEPARTAMENTO DE ECONOMÍA GENERAL Y ETADÍTICA UNIDAD DOCENTE DE ETADÍTICA Y ECONOMETRÍA UNIVERIDAD DE HUELVA ANÁLII ETADÍTICO DEL TURIMO I 200-200200 DIPLOMATURA EN TURIMO TEMA 5 ANÁLII DE UNA VARIABLE

Más detalles

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales: VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes

Más detalles

Lo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.

Lo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras. Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.

Más detalles

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.

Más detalles

Tema 1. Conceptos generales

Tema 1. Conceptos generales Análss de Datos I Esquema del Tema Tema. Conceptos generales. COCEPTOS PREVIOS. DEFIICIÓ DE MEDICIÓ 3. DEFIICIÓ DE ESCALAS DE MEDIDA 4. VARIABLES CLASIFICACIÓ Y OTACIÓ REGLAS DEL SUMATORIO 5. EJERCICIOS

Más detalles

Tema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación

Tema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora

Más detalles

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3 PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO

Más detalles

2 Dos tipos de parámetros estadísticos

2 Dos tipos de parámetros estadísticos Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,

Más detalles

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1

i=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 detalles

EJERCICIOS. 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. 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 detalles

METODOLOGÍAS SISTEMA INTEGRAL DE ADMINISTRACIÓN DE RIESGOS

METODOLOGÍAS SISTEMA INTEGRAL DE ADMINISTRACIÓN DE RIESGOS METODOLOGÍAS SISTEMA INTEGRAL DE ADMINISTRACIÓN DE RIESGOS SIARGAF 4.0 FEBRERO 008 CONTENIDO..... Valor en Resgo aramétrco... A) Meddas de Sensbldad... B) Meddas Estadístcas... 6 C) Volatldad... 7 D) Valor

Más detalles

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.

Más detalles

unidad 12 Estadística

unidad 12 Estadística undad 1 Estadístca Qué es una tabla de frecuencas Págna 1 Al número de veces que se repte un dato se le denomna frecuenca de ese dato. Una tabla de frecuencas es una tabla en la que cada valor de la varable

Más detalles

ESTADÍSTICA (GRUPO 12)

ESTADÍSTICA (GRUPO 12) ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.

Más detalles

Para dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}

Para dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)} Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces

Más detalles

Estadística con R. Modelo Probabilístico Lineal

Estadística con R. Modelo Probabilístico Lineal Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S

Más detalles

10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD

10. 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 detalles

1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...

1. 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 detalles

5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.

5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. 5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar

Más detalles

TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA

TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla

Más detalles

5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.

5. 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 detalles

16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales

16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales 16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo

Más detalles

Regresión Binomial Negativa

Regresión Binomial Negativa Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

1. Lección 7 - Rentas - Valoración (Continuación) Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento

Más detalles