Backtesting de Reserva de Seguros
|
|
- Vanesa Villanueva Macías
- hace 6 años
- Vistas:
Transcripción
1 Backtesting de Reserva de Seguros Por: Pedro Aguilar Beltrán Jorge Avendaño Estrada Septiembre de 2009 El Backtesting es un procedimiento técnico que consiste en validar la idoneidad, precisión y validez de un modelo diseñado para hacer estimaciones, con base en la comparación de las estimaciones hechas por el modelo actuarial respecto de los valores reales observados. En el ámbito actuarial, las pruebas de Backtesting han ido cobrando relevancia a medida que los modelos se vuelven más sofisticados y aumenta con ello la incertidumbre de conocer a priori si dichos modelos van a funcionar adecuadamente. Lo incorporado en este artículo corresponde a un desarrollo llevado a cabo por P. Aguilar y J. Avendaño. Esquemas más avanzados de valuación de riesgos a nivel mundial, como los que se contemplan en Solvencia II, tienden a la utilización de modelos diseñados por las propias compañías de seguros y bancos. Dichos modelos idealmente habrían de medir las obligaciones de la compañía con base en las características y comportamiento propio de sus riesgos, por lo que se caracterizan por incluir diversas variables y procedimientos complejos de cálculo. Por la complejidad de estos modelos, no es posible determinar analíticamente si los resultados que den serán adecuados y congruentes con la realidad. Adicionalmente, ante el comportamiento dinámico de los portafolios de riesgos, existe la constante posibilidad de que un modelo aun habiendo sido eficiente, posteriormente se desajuste debido a que la composición del portafolio de riesgos para el que fue elaborado, ha presentado cambios relevantes. Por lo anterior, resulta importante contar con una herramienta que permita analizar el desempeño de los modelos actuariales y determinar con criterios actuariales sólidos, si un modelo debe rechazarse o aceptarse 1 en función del grado de precisión con que dicho modelo se esté ajustando a la evidencia empírica. La herramienta que debe utilizarse para estos efectos es la prueba llamada Backtesting. Como se mencionó, el Backtesting es un procedimiento técnico que consiste en validar la idoneidad, precisión y validez de un modelo actuarial, el cual se basa en la comparación de las estimaciones hechas por el modelo respecto de los valores reales observados. No existen modelos únicos predefinidos de Backtesting, dichos modelos se deben crear en función del tipo de modelo actuarial que se quieren validar. En la industria de seguros es importante contar con un modelo de Backtesting que permita validar los modelos actuariales de reserva, sin embargo, hasta el momento de escribir este artículo, no existía un desarrollo o modelo de Backtesting específicamente para reservas de seguros. A finales de 2008, como parte de un trabajo de libre investigación, fue ideado y desarrollado un modelo de 1 Aceptarse significa que el modelo puede continuar aplicándose en las mismas condiciones originales, y Rechazarse significa que el modelo ya no puede seguir aplicándose por lo que deben realizársele cambios. Página 1 de 7
2 32. Prima de Tarifa Backtesting por P. Aguilar y J. Avendaño, que permite determinar el adecuado desempeño de los modelos actuariales de valuación de la reserva. El modelo se sustenta en el hecho fundamental de que la reserva de riesgos en curso es la media de las obligaciones futuras. Como media que es, el valor así estimado de la reserva se comportará como una variable aleatoria con función de distribución normal. Si tomamos un determinado intervalo alrededor de la media de la distribución normal, podemos decir que con un determinado grado de confianza (que dependerá del tamaño del intervalo), los valores reales deberán caer dentro del intervalo de confianza (véase Gráfica 39.1). El intervalo de confianza puede ser elegido de tal manera que sólo con una probabilidad baja (ε ), los valores reales caerán fuera del intervalo, en tanto que la probabilidad de que los valores reales caigan dentro del intervalo será (1-ε ). Cuando una observación caiga fuera del intervalo se dirá que es una excepción o fracaso, y cuando caiga dentro del intervalo se dirá que es un éxito Zona de Excepciones Gráfica 39.1 Para efectos de dar una explicación muy práctica y comprensible del método, supongamos que tenemos una cartera de riesgos asegurados a los cuales se les ha valuado su reserva durante N periodos, de manera que se tienen N mediciones teóricas provenientes del modelo actuarial de valuación de reserva, y N observaciones reales. Si nos planteamos ver cada una de las mediciones como un ensayo Bernoulli, entonces cada observación real tendrá una probabilidad ε de caer fuera del intervalo y (1-ε ) de caer dentro del intervalo. Planteado así el problema, se puede decir que en las N observaciones que tenemos, el valor esperado del número de excepciones, es N ε. De esta manera si en la realidad se observa que el número de excepciones observadas es un número muy superior a N ε, entonces es posible cuestionarse la idoneidad del modelo actuarial de valuación de reservas. Página 2 de 7
3 11. Primas Niveladas de Seguros de Vida Tradicionales En N observaciones, se puede tener un comportamiento como el que se presenta en la gráfica 32.2, donde se puede observar que algunos valores reales se salen del intervalo de confianza en tanto que los demás se mantienen por debajo o por encima de la media, pero dentro del intervalo de confianza observaciones limite inferior media limite superior Gráfica Pero aun cuando un modelo actuarial sea adecuado, puede presentar excepciones por encima del número esperado, por lo que no se podrá rechazar terminantemente, eso sólo se podrá hacer en la medida que el número de excepciones se desvíe significativamente, respecto de su valor esperado. Para ello se puede establecer el número de excepciones a partir de lo cual, con un alto grado de confianza, se rechaza la hipótesis de que el modelo de valuación sea adecuado. Este criterio permitirá disminuir la posibilidad de aceptar un modelo inadecuado o rechazar un modelo adecuado. El criterio para la evaluación de un modelo, se puede basar en el número de excepciones observadas, estableciendo tres rangos para el número de excepciones. 1. El primer rango definirá el número máximo de excepciones que se aceptarán para decir que el modelo es aceptable. 2. El segundo rango establecerá el número máximo de excepciones que se aceptará para decir que el modelo debe someterse a observación, ya que no es completamente confiable. 3. El tercer rango establecerá el número de excepciones a partir del cual se considerará que el modelo no es aceptable. Página 3 de 7
4 32. Prima de Tarifa Ejemplo: 1. Si la probabilidad asociada al número de excepciones observadas es mayor o igual al 10%, el modelo es aceptable. 2. Si la probabilidad asociada al número de excepciones observadas es menor al 10% pero mayor al 0.5%, el modelo se acepta pero debe quedar bajo observación porque podría ser incorrecto o inapropiado. 3. Si la probabilidad asociada al número de excepciones observadas es inferior al 0.5% el modelo se rechaza. Estos rangos pueden fijarse con otros valores, dependiendo del grado de tolerancia que se le quiera dar al número de excepciones. Considerando que el número de excepciones se comporta como una variable aleatoria Binomial con parámetros (N,ε ), la probabilidad asociada al número de excepciones observadas Pr(k) está dada como: N k N k Pr( k) = ( ε ) (1 ε) k De esta manera se pueden definir los valores de los rangos necesarios para aplicar los criterios de aceptación, prevención o rechazo del modelo actuarial de valuación de reserva que se analiza. No obstante que este criterio ayuda a determinar la eficiencia del modelo de reserva, esta prueba de Backtesting podría ser vulnerable ante algunos modelos ineficientes 2 por lo que es necesario establecer algunos criterios adicionales que permitirían evitar esta situación. Véase el ejemplo de la Gráfica 39.3, donde se observa como los resultados reales caen la mayor parte por debajo 3 de la media estimada, lo cual es indicativo de que el modelo es ineficiente, y que sin embargo pasaría la prueba debido a que los resultados reales se mantienen dentro del intervalo. 2 Al decir ineficientes nos estamos refiriendo a que el modelo no ha podido predecir la realidad con la precisión y medida que exige la prueba de Backtesting. 3 La misma conclusión sería válida si las observaciones reales estuvieran por encima de la media. Página 4 de 7
5 11. Primas Niveladas de Seguros de Vida Tradicionales observaciones limite inferior media limite superior Gráfica 39.3 Tomando en cuenta que cada observación real tendrá una probabilidad de caer por encima o por debajo de la media con una probabilidad de 0.5, entonces es posible calcular cuál es la probabilidad de que en N observaciones, k de ellas hayan caído por debajo (o encima) de la media. Dicha probabilidad se puede calcular mediante la Binomial k N k N 1 1 Pr( k) = k 2 2 Una vez calculada esta probabilidad podemos establecer como criterio, que se rechace un modelo si la probabilidad asociada al número de observaciones por debajo o por encima de la media tiene una probabilidad de ocurrencia muy pequeña como sería del Observe por ejemplo la estadística siguiente en la que se muestran los valores de reserva estimados por el modelo, respecto de los valores reales. Periodo Estimación Reserva Modelo A Valor Real Observado Límite Superior Límite Inferior 1 40,852,478 30,521,489 49,431,498 32,273, ,576,232 41,257,896 53,937,240 35,215, ,521,789 45,821,547 52,661,365 34,382, ,373,084 47,896,528 56,111,432 36,634, ,687,925 56,241,695 55,282,389 36,093, ,175,183 40,521,879 54,661,971 35,688, ,879,853 38,987,452 48,254,622 31,505, ,287,965 53,587,925 49,958,438 32,617, ,522,879 54,876,591 50,242,684 32,803, ,857,482 50,214,798 48,227,553 31,487, ,180,429 44,587,962 51,038,319 33,322, ,581,478 43,568,792 50,313,588 32,849, ,982,527 41,254,872 49,588,858 32,376, ,033,313 44,598,725 53,280,308 34,786, ,084,098 46,589,722 56,971,759 37,196, ,975,863 60,521,789 59,260,794 38,690, ,251,482 55,625,879 45,074,293 29,428, ,793,215 63,587,925 59,039,790 38,546, ,254,876 61,548,925 76,538,400 49,971, ,857,921 50,897,852 56,698,084 37,017,758 0 Excepciones Modelo A Página 5 de 7
6 32. Prima de Tarifa Estimación Reserva Modelo A Límite Inferior Límite Superior Valor Real Observado 100,000,000 80,000,000 60,000,000 40,000,000 20,000, Con base en estos datos, es posible aplicar la prueba de Bactesting al modelo A de reserva. Suponga que el valor de ε es de 0.1, de manera que el valor esperado de excepciones es 2. Como puede observarse, ocurrieron ocho excepciones, las cuales tienen una probabilidad de ocurrir de: Pr(3) = (0.1) (0.9) Dado que la probabilidad de ese número de excepciones es muy baja e inferior al límite impuesto de 0.005, se puede decir que el modelo es ineficiente, con un elevado grado de seguridad. La segunda prueba consiste en analizar el número de veces que el valor real se mantuvo por arriba del valor estimado de la reserva. Como se observa, hubo 15 observaciones por encima del valor de la reserva, las cuales tienen asociada una probabilidad de: 20 1 Pr( k ) = = No obstante que se observaron quince valores por encima de la estimación, la probabilidad asociada es superior al 0.01, por lo que se puede aceptar el modelo. Se presenta ahora el modelo alternativo B cuyas estimaciones de reserva se presentan a continuación. Página 6 de 7
7 11. Primas Niveladas de Seguros de Vida Tradicionales Periodo Estimación Reserva Modelo B Valor Real Observado Límite Superior Límite Inferior 1 35,876,428 30,521,489 43,410,478 28,342, ,257,896 41,257,896 49,922,054 32,593, ,896,548 45,821,547 70,054,823 45,738, ,896,528 47,896,528 57,954,799 37,838, ,421,879 56,241,695 61,010,474 39,833, ,521,789 40,521,879 49,031,365 32,012, ,987,452 38,987,452 47,174,817 30,800, ,587,925 53,587,925 64,841,389 42,334, ,876,591 54,876,591 66,400,675 43,352, ,521,789 50,214,798 50,241,365 32,802, ,587,962 44,587,962 53,951,434 35,224, ,568,792 43,568,792 52,718,238 34,419, ,897,215 41,254,872 68,845,630 44,948, ,598,725 44,598,725 53,964,457 35,232, ,589,722 46,589,722 56,373,564 36,805, ,879,215 54,879,251 55,513,850 36,244, ,625,879 55,625,879 67,307,314 43,944, ,587,925 63,587,925 76,941,389 50,234, ,548,925 61,548,925 74,474,199 48,623, ,897,852 50,897,852 61,586,401 40,209,303 0 Excepciones Modelo A En este modelo sólo se produjeron dos excepciones y el número de observaciones por encima de la media fueron de 7 quedando 13 por debajo, lo que no permite determinar que el modelo sea ineficiente. Se recomienda aplicar una prueba adicional para tomar en cuenta no tal sólo las excepciones sino también el monto de los valores observados. Esta prueba consiste en estimar la media porcentual de las observaciones que cayeron por encima de la estimación ( Δ ) y la media de las observaciones por debajo de la estimación i i, debiendo este valor ser cercano a uno y en la medida que no lo sea se podría determinar ineficiencia del modelo actuarial que se prueba. Página 7 de 7
Teorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesReaseguro Proporcional con Límites
Reaseguro Proporcional con Límites Por: Act. Pedro Aguilar Beltrán paguilar@cnsf.gob.mx Comisión Nacional de eguros y Fianzas México Fundamentos 1 Fundamentos Los contratos de reaseguro proporcional, en
Más detallesLímite de Retención. Un Nuevo Esquema Regulatorio
Límite de Retención Un Nuevo Esquema Regulatorio Mayo 12, 2009 Contenido 1. Proyecto de Reglas 2. Aspectos Actuariales 3. Conclusiones Límite de Retención Reglas para fijar los límites máximos de retención
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesElementos para la estimación de una tabla de mortalidad de inválidos
Elementos para la estimación de una tabla de mortalidad de inválidos La Superintendencia Financiera de Colombia (SFC) ha presentado para comentarios el proyecto de actualización de la tabla de mortalidad
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesEnlace del Plan de Auditoría con los Riesgos y Exposiciones
Enlace del Plan de Auditoría con los Riesgos y Exposiciones Estándar principalmente relacionado: 2320 Análisis y Evaluación Los auditores internos deben basar sus conclusiones y los resultados del trabajo
Más detallesDiseño Instruccional Paso 2 Paso 5
TAREAS DE LA VIDA REAL EN EL CONTEXTO PROFESIONAL, CLASES DE TAREAS, OBJETIVOS DE DESEMPEÑO Y EVALUACIÓN DEL DESEMPEÑO Diseño Instruccional Paso 2 Paso 5 acet Proyecto AULA - enero de 2011 2 Paso 2 Tareas,
Más detallesHERRAMIENTAS DE CALIDAD EN PROCESOS METROLÓGICOS
HERRAMIENTAS DE CALIDAD EN PROCESOS METROLÓGICOS Ing. Claudia Santo Directora de Metrología Científica e Industrial 17/05/2016 MEDELLÍN, COLOMBIA MEDIR Cómo sabemos que nuestras meciones son correctas?
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesProyecto Tema 8: Tests de hipótesis. Resumen teórico
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 8: Tests de hipótesis Resumen teórico Tests de hipótesis Concepto de test de hipótesis Un test de hipótesis (o
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detalles1. Análisis de Sensibilidad
1. Análisis de Sensibilidad Considerando que la evaluación de los proyectos se basa en proyecciones de variables económicas, es lógico pensar que existe un factor de incertidumbre en los indicadores financieros
Más detallesLABORATORIO NACIONAL DE TEMPERATURA DE CHILE
LABORATORIO NACIONAL DE TEMPERATURA DE CHILE ERROR NORMALIZADO, SU DEFINICIÓN Y USO EN TERMOMETRÍA Mauricio Araya Castro Laboratorio Nacional de Temperatura de Chile, CESMEC S.A. Avenida Marathon 2595,
Más detallesPasos Ejecución de pruebas analíticas sustantivas. 6. Ejecución de pruebas sustantivas
6. Ejecución de pruebas sustantivas Destinadas a verificar saldos de cuentas o transacciones, están compuestas por: Procedimientos analíticos sustantivos Pruebas sustantivas de detalles: Representativas
Más detallesReporte de la prueba de habilidad
Reporte de la prueba de habilidad Fecha: 19 Enero 2010 Reporte de la prueba de habilidad Este reporte proporciona la puntuación de las pruebas de verificación de habilidad de Sr. Sample Candidate. Si esta
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesDesempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos Resumen Ejecutivo Antecedentes El riesgo es un concepto ampliamente estudiado, con diversas definiciones que dependen del contexto
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detallesPrueba de hipótesis para la diferencia de medias
Estadística Técnica Prueba de hipótesis para la diferencia de medias Cladera Ojeda, Fernando Conceptos previos Inferencia estadística Población Muestra Parámetro Estadístico Hipótesis estadística Pruebas
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detallesCómo introducir Prueba de Hipótesis para una media, utilizando experimentos en el salón de clase.
Cómo introducir Prueba de Hipótesis para una media, utilizando experimentos en el salón de clase. M. C. Blanca Evelia Flores Soto. Dpto. de Matemáticas Universidad de Sonora Introducción. Actividad desarrollada
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
Más detallesde 1 a 3 15 Desarrollo de ideas y precisión proposi Conclusión de 0 a 1 de 1 a 3
Resultados de la aplicación de la Expresión Escrita (EXPRESC) a la generación 16/Primavera de la División de Ciencias Sociales y Humanidades (DCSH), Unidad Cuajimalpa. La EXPRESC evalúa la expresión escrita
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesTeoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Más detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesGermán Jesús Rubio Luna Catedrático de Matemáticas del IES Francisco Ayala
Decisión estadística. Contraste de hipótesis Nota.- Cuando tratábamos la estimación de parámetros, intentábamos obtener un valor o un intervalo de valores que constituyesen la mejor estimación del parámetro
Más detallesEn escenarios de incertidumbre: Medir para tomar decisiones.
Seminario: En escenarios de incertidumbre: Medir para tomar decisiones. Jorge Manzi Director MIDE UC Por qué es central la medición y evaluación para las organizaciones? Usted se ha preguntado alguna vez?
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesCAPITULO III Metodología
CAPITULO III Metodología 3.1 Investigación de mercados Al desarrollar el presente Plan de Negocios para llevar a cabo el establecimiento del DAY SPA en la Cd. de Veracruz, es necesario realizar una investigación
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallescrédito. Por ejemplo si la institución ha fijado que los clientes buenos son aquellos que tienen 500 puntos o más, este cliente sería rechazado.
crédito. Por ejemplo si la institución ha fijado que los clientes buenos son aquellos que tienen 500 puntos o más, este cliente sería rechazado. 6.- Validación del modelo 6.1.- Análisis de percentiles
Más detallesMETODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010
METODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010 SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 2011 Índice 1. Antecedentes Generales 1 2. Metodología
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesCÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES
OBJETIVOS CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES Reportar correctamente resultados, a partir del procesamiento de datos obtenidos a través de mediciones directas. INTRODUCCION En el capítulo de medición
Más detallesAnálisis Segmento Municipalidades
Análisis Segmento Municipalidades Análisis de la participación del segmento Municipalidades en la compra de fármacos, desde la perspectiva de los montos involucrados, las programaciones a través de Cenabast,
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesSe inicia con las especificaciones del módulo fotovoltaico.
Con base en las especificaciones técnicas del inversor SB 3000U y de un módulo fotovoltaico de 175 watts, indicar los valores los parámetros característicos requeridos para el dimensionamiento del sistema.
Más detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesNIA 500 NORMAS INTERNACIONALES DE ASEGURAMIENTO DE LA INFORMACIÓN NAI
NIA 500 Evidencia de auditoría NORMAS INTERNACIONALES DE ASEGURAMIENTO DE LA INFORMACIÓN NAI Agenda 1. Concepto de evidencia de auditoría 2. La evidencia de auditoría puede ser mas confiable si 3. Evidencia
Más detallesI UNIDAD METODOLOGÍA: RECOLECCIÓN DE DATOS
UNIVERSIDAD CATÓLICA LOS ÁNGELES DE CHIMBOTE FACULTAD DE DERECHO Y CIENCIAS POLÍTICAS ESCUELA POSGRADO DE DERECHO TESIS I I UNIDAD METODOLOGÍA: RECOLECCIÓN DE DATOS Mg. Rosina M. Gonzales Napurí RECOLECCIÓN
Más detallesMedición de resistencia por el método de amperímetro-voltímetro
Medición de resistencia por el método de amperímetro-voltímetro Objetivos Determinar el valor de una resistencia por el método de amperímetro voltímetro. Discutir las incertezas propias del método y las
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más detallesPBS 8 Gestión de Riesgos y Controles Internos
PBS 8 Gestión de Riesgos y Controles Internos Seminario de Capacitación en Seguros ASSAL - IAIS San José, Costa Rica 29 de Noviembre de 2016 M. Fernanda Plaza Superintendencia de Valores y Seguros - Chile
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesINVESTIGACIÓN DE MERCADOS
INVESTIGACIÓN DE MERCADOS LIC. EN ADMINISTRACIÓN DE EMPRESAS 1 Sesión No. 10 Nombre: Tamaño de la Muestra Contextualización Continuando el tema de muestreo, revisaremos ahora el cálculo de la muestra y
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesSesión 13. Introducción a la Prueba de Hipótesis. Estadística II Equipo Docente: Iris Gallardo - Andrés Antivilo Francisco Marro
Sesión 13 Introducción a la Prueba de Hipótesis Introducción ( Porqué debemos realizar pruebas de hipótesis?) El objetivo último del análisis de datos es el de extraer conclusiones de tipo general a partir
Más detallesA/42/10 ANEXO IV TASAS DEL PCT Y MECANISMOS RELATIVOS AL TIPO DE CAMBIO
ANEXO IV TASAS DEL PCT Y MECANISMOS RELATIVOS AL TIPO DE CAMBIO Reseña 1. Las previsiones y los ingresos del PCT en la Oficina Internacional se expresan en francos suizos. Sin embargo, los solicitantes
Más detallesMARCO NORMATICO CONTABLE PARA EMPRESAS QUE NO COTIZAN EN EL MERCADO DE VALORES Y QUE NO CAPTAN NI ADMINISTRAN AHORRO DEL PÚBLICO
MARCO NORMATICO CONTABLE PARA EMPRESAS QUE NO COTIZAN EN EL MERCADO DE VALORES Y QUE NO CAPTAN NI ADMINISTRAN AHORRO DEL PÚBLICO POLITICAS CONTABLES, CAMBIOS EN LAS ESTIMACIONES CONTABLES Y CORRECCION
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detalles5. Los objetivos de la Calidad de los Datos (OCD) y la Evaluación de la
5. Los objetivos de la Calidad de los Datos (OCD) y la Evaluación de la Calidad de los Datos (ECD) en el Ciclo de Vida de los Datos de un Proyecto. Los objetivos de calidad de los datos, OCD, se mencionaron
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesen Enfermería del Trabajo
revista noviembre:maquetación 1 16/11/2011 6:27 Página 30. 203 Metodología de la investigación Metodología de Investigación en Enfermería del Trabajo Autor Romero Saldaña M Enfermero Especialista en Enfermería
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesRESUMEN EJECUTIVO. Aplicación de la metodología para establecer Puntajes de Corte en. las pruebas SIMCE 4 Básico de: Lectura. Educación Matemática
RESUMEN EJECUTIVO Aplicación de la metodología para establecer Puntajes de Corte en las pruebas SIMCE 4 Básico de: Lectura Educación Matemática Comprensión del Medio Natural Comprensión del Medio Social
Más detallesDifracción e Interferencia: Experimento de Young
Universidad Nacional Autónoma de Honduras Facultad de Ciencias Escuela de Física Difracción e Interferencia: Experimento de Young Elaborado por: Sofía D. Escobar, Miguel A. Serrano y Jorge A. Pérez Introducción
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
Más detallesEvaluación de Proyectos de Inversión
Evaluación de Proyectos de Inversión Sesión #10: Estudio financiero (7) Periodo de recuperación de la inversión y Evaluación del riesgo del proyecto de inversión Contextualización Con la evaluación económica
Más detalles