DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO

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

Download "DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO"

Transcripción

1 DISEÑO DE SISTAS BONUS-MALUS EN EL CASO TRANSITORIO Atoo Heas Matíez, José A. Gl Faa y José L. Vla Zaó Resume.- A la hoa de dseña u sstema bous-malus o paece adecuado cosdea sólo sus caacteístcas ua vez que ha alcazado el estado estacoao so que se ha de tee e cueta u hozote tempoal de ampltud sufcete y, su evolucó a lo lago del msmo. E elacó co el caso tastoo Boga, Hoem, y Nobeg (9), establece u uevo cteo de evaluacó de u sstema bous-malus que geealza el cteo astótco de Nobeg (976). E este tabajo estudaemos cómo la metodología popuesta po Heas, A.; Vla, J.L. y Gl, J.A (2002) y Heas, A.; Gl, J.A, Gacía-Peda, P. y Vla, J.L. (200) paa el dseño de sstemas bous-malus e el caso estacoao, fudametada e la pogamacó po metas, se adapta pefectamete al caso tastoo. Palabas clave.- Sstemas bous-malus. Escala de Bayes. Caso tastoo. Pogamacó po metas. Abstact.- Whe we desg a bous-malus system t does't seem appopate to cosde oly the chaactestcs oce the statoay state has bee eached. Rathe we must keep md a tme hozo of suffcetly lage as well as ts evoluto. Ths s kow as the taset case. I coecto wth t, Boga, Hoem, ad Nobeg (9) popose a ew appoach fo the evaluato of a bous-malus system that geealzes the Nobeg`s asymptotc appoach (976). Depatameto de Ecoomía Facea y Cotabldad I. Facultad de Cecas Ecoómcas y Empesaales. Uvesdad Complutese de Madd. Campus de Somosaguas Pozuelo de Alacó. Este atículo se ha ecbdo e vesó evsada el 25 de juo de

2 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 I ths wok we wll study how the methodology poposed Heas, A.; Vla, J.L. ad Gl, J.A (2002) ad Heas, A.; Gl, J.A, Gacía-Peda, P. ad Vla, J.L. (200) the bous-malus systems desg whch s based goal pogammg, apples well to the taset case. Key Wods.- Bous-Malus Systems. Bayes Scale. Taset case. Goal pogammg..- Sstemas bous-malus. Dado u gupo de esgo, supodemos que el vel de esgo de cada pólza vee epesetado po u paámeto λ>0, el úmeo espeado de sestos po peodo. Supodemos que o es posble detema el vedadeo valo de este paámeto paa cada pólza y que exste ua vaable aleatoa Λ (la vaable de estuctua) cuyas ealzacoes so los valoes del paámeto de esgo paa las pólzas peteecetes al gupo. La fucó de dstbucó asocada a la vaable de estuctua seá epesetada como U(λ) y deomada fucó de estuctua. Supodemos, además que Λ es depedete del tempo. Las vaables aleatoas N t / Λ=λ, úmeo de sestos de ua pólza e sucesvos peodos codcoados a algú valo de λ, se supoe que so mutuamete depedetes e détcamete dstbudas de acuedo a ua dstbucó de Posso de meda λ. Po tato, la vaable aleatoa o codcoada N t seguá ua dstbucó de Posso podeada po la fucó de estuctua. Supodemos també que las cuatías de los sestos dvduales { X } = so depedetes del úmeo de sestos y de la vaable de estuctua, y mutuamete E X <. depedetes e détcamete dstbudas co meda { } Tomaemos esta últma como udad moetaa, de tal foma que la pma pua de ua pólza co paámeto de esgo λ seá gual a λ meddo e udades de E{ X }. Falmete, os stuaemos e el caso más secllo e el que las vaables aleatoas N t / Λ=λ, N t y X so depedetes de la eleccó del sstema bous-malus, esto es, o tedemos e cueta el hambe de bous.

3 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 Sguedo a Lemae (995, pág. 6), demos que ua compañía de seguos utlza u Sstema Bous-Malus (SBM) cuado se vefca las codcoes sguetes: - Exste úcamete u úmeo fto de clases C,...,C tales que cada pólza pemaece e ua sola clase duate u peodo de tempo (habtualmete u año). - La pma coespodete a cada pólza depede úcamete de la clase e que se ecueta. - La clase a la que peteece u aseguado duate u ceto peodo depede úcamete de la clase a la que peteecía duate el peodo ateo y del úmeo de sestos duate dcho peodo (Codcó Makovaa). Po tato, u SBM costa de tes elemetos: - La clase cal, C o a la que so asgados los uevos aseguados. - La escala de tafas, b = (b,,b ) e la que se establece las pmas asocadas a cada clase. -.Las eglas de tascó, que detema cuádo se pasa de ua clase a ota, y vee dadas po uas tasfomacoes T k tales que T k ()=j s se pasa de C a C j cuado se tee k sestos. T k se puede expesa matcalmete: k T = t dode k ( j) t = s T ( ) = j k j k t j = 0 k T s k ( ) j La Pobabldad de Tascó de C a C j paa u aseguado de paámeto λ=λ 0 se calcula como dode k ( 0) ( 0). k j λ = k λ j k = 0 p p t ( λ ) = P [ = / λ = λ ] p N k 0 0 Las Matces de Tascó codcoadas seá P ( p j ) ( λ ) = ( λ ) 0 0 5

4 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 Las hpótess ateoes pemte modelza el compotameto de cada aseguado de paámeto λ 0 e el SBM medate ua Cadea de Makov (co matz de tascó P ( λ0 )). S supoemos, como es habtual, que la cadea es egódca (es dec, que sempe es posble accede a ua clase dada a pat de cualque ota, e u úmeo fto de pasos) y s cclos, etoces, como es be sabdo, la teoía de las Cadeas de Makov os asegua la exsteca de ua dstbucó estacoaa de pobabldades ( Π( λ0),..., Π ( λ0)) que epeseta el compotameto a lago plazo de dcha pólza. Π k ( λ0 ) se tepeta como la pobabldad de que la pólza de paámeto λ 0 se ecuete e la clase k cuado, pasado ceto tempo, el sstema alcaza o al meos se apoxma a su estado estacoao La dstbucó estacoaa o es dfícl de calcula, demostádose que cocde co el autovecto po la zqueda de la matz de tascó asocado co el autovalo udad (el autovalo de Föbeus) y cuyas compoetes suma la udad. Además de las pobabldades estacoaas codcoadas al valo de λ, es posble def las pobabldades estacoaas o codcoadas ( Π,..., Π ), co ua tepetacó smla peo efeda a ua pólza abtaa. Tales pobabldades se defe como Π ( λ ) ( λ ) Π du s 0 s = Y s supoemos adecuadamete dscetzada la fucó de estuctua: se cumplá també Π λ λ pob( λ ), pob( λ)... = Π ( λ ). pob( λ ) s s = Ahoa be e este tabajo queemos tee e cueta e el mometo de dseña u SBM, o la stuacó del msmo ua vez que todas las pólzas que lo tega ha alcazado el estado estacoao so que hemos de 6

5 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 cosdea que e la páctca e el sstema exste pólzas de dfeete atgüedad y po ello alguas de ellas muy alejadas del estado estacoao. Paa ello hemos de dspoe de otas pobabldades: -- Π ( λ ) k s : Pobabldad de que ua pólza de paámeto λ se ecuete e la clase s a los k años de atgüedad de la pólza. El coespodete vecto de pobabldades es Π ( λ ) = ( Π ( λ),..., Π ( λ)). k k k Cetamete, s Π 0 ( λ ) = (0,...,0,,0,...,0), es clao que, k 0 k Π ( λ ) =Π ( λ). P ( λ). Asmsmo, las coespodetes pobabldades descodcoadas, k k k s = Π s( λ). pob( λ) = Πs( λ). du ( λ) = 0 Π 2.- Dseño de u SBM. Caso Tastoo. Se suele dstgu tes poblemas e la costuccó de u SBM: - La eleccó del úmeo de clases y de las eglas de tascó. - La eleccó de la clase cal. - El cálculo de la pma coespodete a cada clase. Es tutvamete clao que el coocmeto de la dstbucó estacoaa puede esulta muy útl a la hoa de dseña u SBM, ya que os foma de cuál seá apoxmadamete el compotameto de las pólzas cuado haya tascudo ceto tempo. Además, s teemos e cueta que e la ealdad se poduce gesos y saldas de pólzas, lo que mplca que ua pate de las msmas se ecuete lejos del estado estacoao, el vecto de estado del sstema, que os popocoa la pobabldad de que ua pólza se ecuete e las dsttas 7

6 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 clases del sstema puede dfe de foma mpotate de la dstbucó estacoaa. El pme poblema de los ctados más aba, cotúa abeto: o es posble todavía ecota el úmeo de clases y las eglas de tascó óptmas e geeal, auque sí es posble coclu que cetas eglas so mejoes que otas e base a cetas meddas de efceca. La eleccó de ua clase cal óptma o puede basase e la dstbucó estacoaa, ya que esta últma o depede de dcha clase cal (lo que sí depede de la clase cal es, obvamete, la velocdad de covegeca a la dstbucó estacoaa). S embago, este es u poblema que s exste e el ámbto del modelo tastoo. Po tato, cuado hablamos de dseño óptmo de u SBM os efeemos al tece poblema ateomete mecoado, el de ecota uas pmas óptmas que e el caso tastoo cluye el de detema la pma de etada. Peo todavía queda po aclaa e qué setdo, es dec, especto a qué fucó objetvo, debe se óptmas las pmas. La cosecucó de tafas equtatvas costtuye la azó de se de cualque SBM, paece tutvamete clao que la optmaldad de las pmas debeá defse especto a este cteo. E otas palabas, el objetvo del dseño debe se maxmza la equdad del sstema esultate El dseño de u SBM e el caso astótco ha sdo amplamete tatado e la lteatua actuaal. Nobeg (976) etoma ua dea de Pesoe (963) establece como pma asocada a ua clase de bous-malus la espeaza matemátca de la sestaldad aual de ua pólza ''ftamete veja'' peteecete a esa clase, demostado que la escala así establecda (coocda como escala de Bayes) mmza el eo cuadátco de tafcacó espeado. E deftva, paa uas eglas de tascó dadas, se tata de obtee los valoes de b, b 2,,b que maxmza la equdad del sstema, meddo po el eo cuadátco medo de tafcacó, hacedo míma la sguete fucó: 2 Q ( b,..., b ) = ( λ b ) Π ( λ ) pob( λ ) (2.) Ba j j = j=

7 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 Heas, Vla y Gl (2002) popoe ua ueva medda paa la evaluacó de la equdad de u SBM que sve de fudameto a u uevo cteo astótco paa la detemacó de las pmas. Q ( b,..., b ) = Π ( λ ). b λ pob( λ ), (2.2) Ma j j = j= que pemte obtee las pmas optmas medate la esolucó de u pogama leal e el maco de la pogamacó po metas. Y e Heas, Gl, Gª Peda y Vla (200) se aalza las posbldades de esta metodología paa el dseño de SBM e el caso astótco. Cetádoos e el caso tastoo Boga, O., Hoem, J.M. y Nobeg, R. (9) establece u uevo cteo de evaluacó de u SBM que geealza el cteo astótco de Nobeg (976). A cotuacó aalzaemos el modelo de los ctados autoes y a la vez ua ueva popuesta que geealza (2.2) al caso tastoo. Teedo e cueta que e la catea exste pólzas de dfeetes años de atgüedad, la fucó objetvo que popoe los autoes es: 2 t (,..., ) = ( λ ) Π ( λ ) ( λ ) (2.3) j Q b b w b pob Bt t j t= 0 = j= que podea los eoes cuadátcos medos de tafcacó de cada uo de los posbles años de atgüedad de las pólzas. Las pmas que mmza esta fucó so: t wt λπ s( λ) pob( λ) t= 0 = bs = s =,... t w Π ( λ ) pob( λ ) t t= 0 = s (2.) y vefca t b w w E s Π = t s t s = t = 0 t = 0 ( λ ) (2.5) 9

8 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 Es posble establece dsttos pesos w paa los eoes de tafcacó. Alguos de ellos da ua teesate tepetacó de (2.3) como objetvo de equdad. E el ctado tabajo los autoes cosdea t=0 el estado estacoao, osotos,.s pedda de geealdad supodemos que, como sucede e la ealdad, ua pólza o estaá e vgo más de m años (edad lmte) po lo que o alcazaá el estado estacoao. Supodemos además que exste uos tatos medos de pemaeca de ua pólza e el sstema, tales que 0 p = y m+ p = 0 ( p es la pobabldad de que ua pólza alcace años de atgüedad e el sstema). Ahoa t=0 es el año de etada e el sstema. Cosdeemos tes posbles podeacoes: 2..- w es la popocó del total de pólzas co años de atgüedad. Es posble supoe que a pat de ua detemada atgüedad del sstema la ctada dstbucó de edades se matee vaable. Basta acepta además que el úmeo de pólzas que cada año eta e el sstema es costate. Sedo p w = = 0,..., m p S teemos ua dstbucó de edades vaable co el tempo ( w, w,..., w ) so costates las pobabldades 0 m m Π ( λ ) = w. Π ( λ ) w. Π ( λ ) 0 s 0 s m de que ua pólza de paámeto λ se ecuete e la clase s, y 0 m Π s = w0. Π s wm. Π s de que ua pólza cualquea se ecuete e la clase s. Las pmas que mmza (.3) so ahoa s 50

9 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 m t wt λπ s( λ) pob( λ) t= 0 = bs = s =,... m t w Π ( λ ) pob( λ ) t t= 0 = s y vefca la gualdad b b E λ. Π Π = ( ), que puede tepetase como que, e cada ejecco, la pma meda pagada po ua pólza abtaa es gual a su sestaldad espeada (equlbo faceo paa el cojuto de la catea). No hay gú poblema e geealza al caso tastoo la solucó dada medate la pogamacó po metas. La equdad del sstema se medá ahoa de foma dstta: paa ua pólza de paámeto λ el sstema seá más equtatvo cuato meo sea la dfeeca ete la pma meda pagada po dcha pólza bj Π j ( λ ) y la espeaza matemátca de su sestaldad λ. j= La fucó objetvo del msmo seá, = jπ j = j= QMt ( b,..., b ) b ( λ ) λ. pob( λ ) (2.6) * Notemos que m bjπ j ( λ) λ = ( b Π ( λ) b. Π( λ) λ) w j= = 0 Mmza esta fucó es equvalete a esolve el sguete pogama leal * (2.), (2.2), (2.3) y (2.6) so meddas de efceca (equdad) del sstema bousmalus. Nos pemte compaa dsttos sstemas e cuato a clase de etada, eglas de tascó, escalas de pmas y otas estccoes. 5

10 Dseño de sstemas bous-malus e el caso tastoo Aales 200 / M pob( λ ).( y + y ) + b. Π ( λ) b. Π ( λ) + y y = λ... + b. Π ( λ) b. Π ( λ) + y y = λ (2.7) + Restccoes comecales y téccas. Estas estccoes téccas y comecales ha de se establecdas como estccoes leales e las pmas. Afotuadamete la mayoía de ellas puede establecese de esa foma. ** Límtes a los cemetos ete pmas sucesvas, b. + t b b t b. + 2 ** Dfeeca ete las pmas de la pmea y últma clases, b tb. ** Elastcdad paa alguos valoes de λ. Cetamete es posble da dsttas defcoes de elastcdad e el caso tastoo. E este caso paece atual def la elastcdad paa ua pólza de paámeto λ como: dp( λ) ηλ ( ) = dλ, P( λ) λ e ella ( λ). ( λ).... ( λ) P = b Π + + b Π. es la pma meda pagada po ua pólza cualquea de paámeto λ y ( ) η λ os expesa la vaacó pocetual e la msma paa ua vaacó pocetual e λ. Cosdeada como medda de efceca dcho valo, al meos paa los valoes mas sgfcatvos de λ ha de se cecao a uo. 52

11 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 Notemos que las pobabldades Π ( λ) =,..., depede de la clase de etada. Fjado el valo de la elastcdad,ε, paa u detemado λ, la estccó es leal e las pmas. dp( λ) P( λ) ε = 0 dλ λ co ** Supea u detemado valo del RSAL, P b RSAL = b b P= b Π + + b Π..... Fjado u valo R paa esa magtud, la estccó es leal. b.( Π ( λ) + R) + b. Π ( λ) b.( Π R) = ** Equlbo faceo. Ateomete cometamos que la escala de Bayes (caso tastoo) posee la popedad de equlbo faceo, b Π + + b Π = E λ (2.)..... ( ) Esta es ua estccó leal que podá toducse s dfcultad e el pogama de pogamacó po metas. s s Tomemos ahoa ws = ( + ) = v s = 0... m Se tata ahoa de mmza el valo actual de los eoes cuadátcos medos de tafcacó. Las pmas que mmza (2.3) so (2.) y vefca b. Π b. Π = a E( λ) m+ 53

12 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 Paa ua pólza abtaa de uevo geso e la catea el valo actual de los gesos futuos espeados po pmas guala al valo actual de su sestaldad espeada. Esta es ua popedad de equlbo faceo que o mplca como la del caso ateo que los gesos po pmas de cada año cocda co la espeaza de la sestaldad. E la popuesta de pogamacó po metas la fucó objetvo seá, Q ( b,..., b ) = b Π ( λ ) a λ. pob( λ ) Mt j j m+ = j= Paa ua pólza de paámeto λ el sbm es más equtatvo cuato más pequeña es la dfeeca ete el valo actual de las pmas medas pagadas y el valo actual de sus sestaldades espeadas. Mmza esta fucó es equvalete a esolve el sguete pogama leal + M pob( λ ).( y + y ) + b. Π ( λ) b. Π ( λ) + y y = a λ m+... b. Π ( λ) b. Π ( λ) + y y = a λ m+ (2.9) + Restccoes comecales y téccas. Las estccoes báscas puede escbse como ( bπ ( λ) b Π ( λ) λ) + ( bπ ( λ) b Π ( λ) λ) v ( ( )... ( ) ) m m m + + bπ λ + + bπ λ λ v + y y = Lo que os dca el tpo de equdad buscada po el modelo. Restccó de equlbo faceo: Ateomete cometamos que la escala de Bayes (caso tastoo) posee la popedad de equlbo faceo, 5

13 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 b. Π b. Π = a E( λ) (2.0) m+ Tal estccó es leal. Notemos que esta últma estccó també puede escbse como, ( b. Π b. Π E( λ)) + ( b. Π b. Π E( λ)). v ( b. Π b. Π E( λ)). v = m m m que posee seclla tepetacó. Peo e el modelo de metas o hay gú poblema e exg la estccó más deseable Elastcdad: b b E λ. Π ( ) Π = Lemae (995, cap. 6) popoe ua expesó pefectamete compatble co las hpótess de este modelo paa la elastcdad. E ella P( λ ) es el valo actual de la espeaza de los pagos po pmas ealzados po u aseguado de paámeto λ. Supuesto que la clase de etada es la C j y s deomamos ahoa P P P P sedo s s s P ( λ) = b. Π ( λ) b. Π ( λ) s= 0,..., m (otemos que P 0 ( λ ) = bj ). 0 m m ( λ) ( λ) ( ) = + +. ( λ) ( + ). ( λ) ηλ ( ) = dp( λ) dλ P( λ) λ s s sea ahoa w = ( + ). p= v. p s= 0... m s s s s p es la pobabldad de que ua pólza alcace ua atgüedad de s años. ( 0 p = ). 55

14 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 Sea a. =+ v. p+ v. p v m. p 2 2 m (2.3) sgue sedo valda. Se tata de mmza el valo actual espeado de los eoes de tafcacó. Las pmas que mmza (2.3) so (2.) y la codcó de equlbo faceo obedece a, b Π + + b Π = a E λ ( ) E la popuesta de pogamacó po metas la fucó objetvo del msmo seá, Q ( b,..., b ) = b Π ( λ ) a. λ. pob( λ ) Mt j j = j= Mmza esta fucó es equvalete a esolve el sguete pogama leal + M pob( λ ).( y + y ) + b. Π ( λ) b. Π ( λ) + y y = a. λ... + b. Π ( λ) b. Π ( λ) + y y = a. λ (2.) + Restccoes comecales y téccas. Las estccoes báscas puede escbse como ( bπ ( λ) b Π ( λ) λ) + ( bπ ( λ) b Π ( λ) λ) v p ( ( )... ( ) ) m m m + + bπ λ + + bπ λ λ v mp+ y y = Lo que os dca el tpo de equdad buscada po el modelo. ** Equlbo faceo. 56

15 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 /3-66 Ateomete cometamos que la escala de Bayes (caso tastoo) posee la popedad de equlbo faceo, Tal estccó es leal. b Π + + b Π = ae λ (2.2)..... ( ) Peo e el modelo de metas o hay gú poblema e exg la estccó más deseable Elastcdad S deomamos ahoa b b E λ. Π ( ) Π = 0 m m P( λ) = P ( λ) + ( + ) pp. ( λ) ( + ). m pp ( λ), sedo s s s P ( λ) = b. Π ( λ) b. Π ( λ) s = 0,..., m, (otemos que P 0 ( λ ) = bj ). 3.- Ejemplo. ηλ ( ) = dp( λ) dλ P( λ) λ Desaollaemos a cotuacó u ejemplo uméco e el que aalzaemos alguas de las posbldades de las popuestas teócas plateadas e los apatados ateoes co lo que ceemos que quedaá sufcetemete pobada la flexbldad de la metodología de la pogamacó po metas paa el dseño de sstemas bous-malus. Cosdeemos ua catea de autos co las sguetes caacteístcas: * La fucó de estuctua dsceta λ p( λ )

16 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 λ p( λ ) pocede de la aplcacó del método de dscetzacó de Vla (2000) a la fucó de estuctua cotua coespodete a ua dstbucó vesa gaussaa de paámetos g y h. g ( ) ( ) λ g 2 2hλ u λ = e g, h> 0 3 2πhλ 2 co g=0.00 y h=0.0629, tomada de Lemae (995, págs 35 a 37). * Las eglas de tascó del SBM so las sguetes: Clase después de sestos Clase Asmsmo la pobabldad de que ua pólza alcace ua atgüedad de años es p p Aalcemos alguos ejemplos: 5

17 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 / S supoemos que el úmeo de gesos es costate la dstbucó de edades estacoaa es la sguete: w w E la tabla teemos la escala de Bayes tastoa paa cada ua de las clases de etada (otemos la mpotaca de la eleccó de la clase de etada) y la escala de bayes astótca a Notemos que desde el puto de vsta de la equdad, esta es máxma, s la clase de etada es la 3 (meo valo de Q Bt ) Q Bt =.36 =.39 =.37 =3.7 =.23 =

18 Dseño de sstemas bous-malus e el caso tastoo Aales 200 / a a =3.53 =2.9 =2.7 =.76 =.07 Q Bt (Tabla ) Compaemos estos esultados e la tabla 2 co los que se obtee co el modelo de pogamacó po metas co las sguetes estccoes: equlbo faceo (2.), las pmas de clases cosecutvas se cemeta ete u 5% y u 60% y la pma de la clase 0 es como máxmo cco veces mayo que la de la clase. També se cluye la escala de metas astótca co esas msmas estccoes. Además e la últma fla se ecoge el cálculo de Q Mt (fucó (2.6)), que toma el meo valo cuado la clase de etada es la 2, lo que dca que esta escala de pmas co esa clase de etada posee la mayo equdad y co este cteo ha de se la elegda. a =5 =5 =5 =5 =5 =5 Q t

19 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 / a 0 + a + 0 a = = =5 Q Mt (Tabla 2) = a 0 =5 a Cosdeemos e segudo luga las sguetes podeacoes: w ( 0.03) = +. Ahoa la tabla de pesos es la sguete: w w y la escala de Bayes paa las clases de etada y,

20 Dseño de sstemas bous-malus e el caso tastoo Aales 200 / = Q Bt =3.00 Cosdeemos el modelo de pogamacó po metas co las sguetes estccoes: equlbo faceo (2.), las pmas de clases cosecutvas se cemeta ete u 5% y u 60% y la pma de la clase 0 es como máxmo cco veces mayo que la de la clase. E las pmas co * se emplea la estccó de equlbo faceo (2.). Las coespodetes escalas de metas paa las clases de etada y so: = * =5 0.2 * + * 0 * = Q Mt * + * = Tomemos falmete las podeacoes: w ( 0.03) = +. p. La tabla de pesos es: 62

21 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 / w w Los esultados de la escala de Bayes paa las clases de etada y so: = Q Bt =2.72 Cosdeemos ahoa el modelo de pogamacó po metas co las sguetes estccoes: equlbo faceo (2.2), las pmas de clases cosecutvas se cemeta ete u 5% y u 60% y la pma de la clase 0 es como máxmo cco veces mayo que la de la clase. E las pmas co * se emplea la estccó de equlbo faceo (2.). Los esultados de la escala de metas paa las clases de etada y se esume e sguete tabla: * * + * * * + * 63

22 Dseño de sstemas bous-malus e el caso tastoo Aales 200 / =5 =5 =5 =5 Q Mt La metodología pesetada pemte mejoa algua medda de efceca a la hoa de dseña u SBM. Aalzaemos falmete la mejoa de la elastcdad e el ejemplo 3.. Cosdeemos la escala de Bayes tastoa cuado hemos elegdo como clase de etada la,. Notemos que las pmas sucesvas de se cemeta ete u,5% y u 2,6%, que la elacó ete la pma de la clase y la de la clase 0 es,23, cumple la estccó de equlbo faceo (2.5) y que la elastcdad e 0.00 es Es posble ecota ua escala de metas que cumpla las codcoes ateomete dcadas de y mejoe la elastcdad e el puto dcado. Basta paa ello esolve el sstema leal (2.7) co las estccoes añaddas El esultado es la escala * : m b + b +.26b.0b m b. Π b. Π = E( λ) 0 0 b.23b 0 dp(0.00) P(0.00) dλ

23 Atoo Heas, José A. Gl Faa y José L. Vla Aales 200 / * * + * = * 0 =.23 * Q Q Bt =0.005 Q Mt =0.050 Q Mt ==.02 η (0.00)= 0.33 η (0.00)= Notemos que el esultado obtedo o sólo mejoa la elastcdad paa λ = 0.00 so paa los λ feoes a 0.26 lo que epeseta al 96% de las pólzas (véase la fgua sguete). La líea de putos epeseta la elastcdad de la escala de Metas y líea cotua la elastcdad de la escala de Bayes. 65

24 Dseño de sstemas bous-malus e el caso tastoo Aales 200 /3-66 Los autoes agadece al Msteo de Ceca e Iovacó la facacó de este tabajo (poyecto EC C03-0). Bblogafía. Baoe, Levates y Mezett (2002).- The developmet of a optmal bousmalus system a compettve maket.- ASTIN Bullet vol 32 º Boga, O.; Hoem, J.M. y Nobeg, R. (9). A Noasymptotc Cteo fo the Evaluato of Automoble Bous Systems. Scadava Actuaal Joual Deut, Maéchal, Ptebos y Walh (2007).- Actuaal Modellg of Clam Couts. Joh Wley & Sos, Ltd. Gacía Peda, P. (2002). Dseño de Sstemas de Tafcacó Bous-Malus medate la metodología de Pogamacó po Metas. Tess Doctoal pedete de publcacó, Uvesdad Complutese de Madd. Gl, Gª Peda, Heas y Vla.- Cteos astótcos paa el cálculo de pmas e sstemas bous-malus. Aales del Isttuto de Actuaos Españoles Glde, V. y Sudt, B. (99). O Bous Systems wth Cedblty Scales. Scadava Actuaal Joual -32. Heas, A.; Vla, J.L. y Gl, J.A (2002). Asymptotc Faess of Bous-Malus Systems ad Optmal Scales of Pemums. The Geeva Papes of Rsk ad Isuace Theoy 27, 6-2. Heas, A.; Gl, J.A, Gaca-Peda, P. y Vla, J.L. (200). A Applcato of Lea Pogammg to Bous Malus System Desg. ASTIN Bullet vol. 3 (2) Kemey, J.G. y Sell, J.L. (976). Fte Makov Chas. Spge-Velag. Klugma, S.A.; Paje, H.H. y Wllmot, G.E. (99). Loss Models. Fom Data to Decsos}. Wley sees Pobablty ad Statstcs. Lemae, J. (95). Automoble Isuace. Actuaal Models. Kluwe-Njhoff Publshg. Lemae, J. (995). Bous-Malus Systems Automoble Isuace. Kluwe Academc Publshes. Lemae, J. (200). Bous-Malus Systems. Ecyclopeda of Actuaal Scece. Wley. Lomaata, K. (972). Some Asymptotc Popetes of Bous Systems. ASTIN Bullet 6, Nobeg, R. (976). A Cedblty Theoy fo Automoble Bous Systems. Scadava Actuaal Joual, Pesoe, M. (963). A Numecal Method of Fdg a Sutable Bous Scale. ASTIN Bullet 2, Vla, J.L. (2000). Athmetzato of Dstbutos ad Lea Goal Pogammg. Isuace: Mathematcs ad Ecoomcs 27, Veco, P. (2002). Bous-Malus Systems: ''Lack of Taspaecy'' ad Adequacy Measue. ASTIN Bullet 32 (2),

En cualquier punto donde coloquemos nuestra segunda carga, su posición podrá darse con un vector de posición que cumple:

En cualquier punto donde coloquemos nuestra segunda carga, su posición podrá darse con un vector de posición que cumple: CAMPO LCTRICO Cosdeemos e pcpo ua stuacó deal: l Uveso está vacío y o exste ada supogamos ue e el ceto de ese Uveso colocamos ua caga putual podemos pegutaos: Sufe algú cambo el Uveso? S o exste ota caga

Más detalles

Capítulo 2 Análisis de datos (Bivariados( Bivariados) Estadística Computacional I Semestre 2006 Parte II

Capítulo 2 Análisis de datos (Bivariados( Bivariados) Estadística Computacional I Semestre 2006 Parte II Uvesdad Técca Fedeco Sata Maía Uvesdad Técca Fedeco Sata Maía Depatameto de Iomátca ILI-80 Capítulo Aálss de datos (Bvaados( Bvaados) Estadístca Computacoal I Semeste 006 Pate II Poesoes: Calos Valle (cvalle@.utsm.cl)

Más detalles

Matemáticas Aplicadas CC. SS. I -- I. E. S. Sabinar

Matemáticas Aplicadas CC. SS. I -- I. E. S. Sabinar Matemátcas Aplcadas. SS. I -- I. E. S. Saba MATEMÁTIAS INANIERAS EN 1º BTO.. SS. 1. PORENTAJES 1.1 Aumetos y dsmucoes pocetuales. Ídce de vaacó 1.2 Aumetos y dsmucoes pocetuales ecadeados. Ídce de vaacó

Más detalles

TEMA 2 MEDIDAS DE CENTRALIZACIÓN

TEMA 2 MEDIDAS DE CENTRALIZACIÓN D37 ESTADÍSTICA. Tema TEMA MEDIDAS DE CETRALIZACIÓ. Caacteístcas de las meddas de poscó cetal.. Meddas de cetalzacó: meda atmétca, medaa y moda. Popedades. Relacó ete meda, medaa y moda..3 Cuatles: cuatles,

Más detalles

Bolilla 4: Rotación de los cuerpos rígidos. Movimiento circular

Bolilla 4: Rotación de los cuerpos rígidos. Movimiento circular Bollla 4: Rotacó de los cueos ígdos. Movmeto ccula Bollla 4: Rotacó de los cueos ígdos. Movmeto ccula 4. Vaables Agulaes Las vaables agulaes sve aa eeseta e foma mas smle e dóea al movmeto de otacó. La

Más detalles

TEMA 5 SISTEMAS DE N GRADOS DE LIBERTAD. Sistemas de N Grados de Libertad

TEMA 5 SISTEMAS DE N GRADOS DE LIBERTAD. Sistemas de N Grados de Libertad Sstemas de N Gados de Lbetad ELEMENTOS DE MÁQUINAS Y VIBRACIONES - 5. - ELEMENTOS DE MÁQUINAS Y VIBRACIONES - 5. - 5. Plateameto matcal Se va a extede los esultados de gdl al caso geeal de N gdl. El estudo

Más detalles

Variables aleatorias

Variables aleatorias Vaables aleatoas M. e A. Vícto D. Plla Moá Facultad de Igeeía, UNAM Resume El cocepto de vaable aleatoa como abstaccó de u eveto aleatoo y su defcó. vaable aleatoa dsceta: fucó de pobabldad, sus popedades

Más detalles

Consideremos una lista p (l), p (2), p (3),... de proposiciones con índices en P. Todas las proposiciones p(n) son verdaderas a condición de que:

Consideremos una lista p (l), p (2), p (3),... de proposiciones con índices en P. Todas las proposiciones p(n) son verdaderas a condición de que: INTRODUCCION S estamos ete matemátcos, la palaba duccó os sugee el Pcpo de Iduccó Matemátca: S ua popedad vale paa 0 y s sempe que la popedad vale paa u úmeo (atual) vale paa su suceso, etoces la popedad

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

ESTADÍSTICA DESCRIPTIVA BIVARIADA

ESTADÍSTICA DESCRIPTIVA BIVARIADA ESTDÍSTIC DESCRIPTI IRID ESTDÍSTIC DESCRIPTI IRID No coepode tata ahoa el poblema de aalza multáeamete do vaable etadítca de ua poblacó paa lo cual la ceamo o tomamo ua mueta de ella etudado e bae a tal

Más detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

FUNDAMENTOS FÍSICOS Y TECNOLÓGICOS DE LA INFORMÁTICA

FUNDAMENTOS FÍSICOS Y TECNOLÓGICOS DE LA INFORMÁTICA FUNDAMENTOS FÍSIOS Y TENOLÓGIOS DE LA INFORMÁTIA TEMA I.- ELETROSTÁTIA FUNDAMENTOS FÍSIOS Y TENOLÓGIO DE LA INFORMÁTIA Tema.ELETROSTÁTIA- Tecología de omputadoes-datsi-fi-upm-madd - M. A. Pascual Iglesas

Más detalles

OPTICA REFLEXIÓN Y REFRACCIÓN

OPTICA REFLEXIÓN Y REFRACCIÓN OPTICA REFLEXIÓN Y REFRACCIÓN IES La Magdalea. Avlés. Astuas La eflexó se poduce cuado ua oda ecueta ua supefce cota la cual ebota. E la eflexó el ayo cdete y el eflejado se popaga e el msmo medo. La velocdad

Más detalles

3.5 Factores y Coeficientes de Forma

3.5 Factores y Coeficientes de Forma Autoes: Patco Covalá Vea Jame eáez Palma 3.5 Factoes y Coecetes e Foma A es el slo XIX, Towa esaolla la ea e los actoes e oma como ua espuesta a las cultaes suas el uso e los sólos e evolucó. La ea e Towa

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

Santiago de la Fuente Fernández. Regresión Lineal Múltiple

Santiago de la Fuente Fernández. Regresión Lineal Múltiple atago de la Fuete Feádez egesó Leal Múltple atago de la Fuete Feádez egesó Leal Múltple EGEIÓN LINEAL MÚLTIPLE egesó Leal Múltple Las téccas de egesó leal múltple pate de (k+) vaables cuattatvas, sedo

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

Cinemática del Robot Industrial

Cinemática del Robot Industrial Cemátca del Robot Idustal M.C. Mguel de J. Ramíe C. CMfgT Automatacó de Sstemas de Maufactua Adatacó: Glbeto Reoso Estuctua Mecáca del Robot Idustal Mecácamete u obot es ua cadea cemátca fomada de eslaboes

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

Analogía para derivar un teorema extendido de Pitágoras para N dimensiones

Analogía para derivar un teorema extendido de Pitágoras para N dimensiones Igeeía Ivestgacó y Tecología. ol. III, Núm.,, 75-84 ISSN 45-7743 FI-UNM atículo abtado alogía paa deva u teoema exteddo de Ptágoas paa N dmesoes alogy to Deve a Exteded Pytagoea Teoem to N Dmesos costa-robledo

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

Más detalles

Tests basados en la distribución Binomial

Tests basados en la distribución Binomial Métd N aamétc I 8 Elea J. Matíez d cuat. 004 et baad e la dtbucó Bmal et bmal: E ua heameta útl e mucha alcace y també e utlza e ca que e quee btee u tet de lbe dtbucó. E mucha tuace e el tet má tete;

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

PROBLEMAS DE ÓPTICA. FÍSICA 2 BACHILLERATO. Profesor: Félix Muñoz Jiménez

PROBLEMAS DE ÓPTICA. FÍSICA 2 BACHILLERATO. Profesor: Félix Muñoz Jiménez PROBEMS DE ÓPTIC. FÍSIC BCHIERTO. Pofeo: Félx Muñoz Jméez Poblema º Calcula el ídce de efaccó elatvo del vdo al acete. Halla la velocdad de popagacó y la logtud de oda, e el acete y e el vdo de u ayo de

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

1. ESPACIOS VECTORIALES

1. ESPACIOS VECTORIALES Espacios Vectoiales Heamietas ifomáticas paa el igeieo e el estudio del algeba lieal. ESPACIOS VECTORIALES.. ESTRUCTURA DE ESPACIO VECTORIAL... Defiició..2. Ejemplos de espacios vectoiales..3. Popiedades

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

AYUDAS GRAFICAS CARTA DE SMITH Y APLICACIONES

AYUDAS GRAFICAS CARTA DE SMITH Y APLICACIONES 7 CAPITULO 4 AYUDAS GRAFICAS CARTA DE SMITH Y APLICACIONES Existe vaios métodos de ayudas gáficas paa el diseño, acople y solució de poblemas e líeas de tasmisió, que ha ido evolucioado co el tiempo. Keell

Más detalles

Tema 5: Operación de amortización. Préstamos

Tema 5: Operación de amortización. Préstamos Tem 5: Opecó de motzcó. Pétmo. Pltemeto geel de l opecó de motzcó co teee popgble. Recbe et deomcó tod opecó de petcó úc y cotpetcó múltple: Petcó: {(, t } otpetcó: {(, t, (, t,, (, t } El cptl de l petcó

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

A) Se considera el problema de contorno bidimensional constituido por la ecuación diferencial

A) Se considera el problema de contorno bidimensional constituido por la ecuación diferencial Elemetos tos bdmesoles. U vsó pelm A Se cosde el poblem de cotoo bdmesol costtdo po l eccó deecl (, e el domo, smplemete coeo ls codcoes de cotoo: (, coocd e α coocd e Recédese qe qe, s se deom l ccdte

Más detalles

LAZOS DE AMARRE DE FASE

LAZOS DE AMARRE DE FASE LAZOS DE AMARRE DE FASE Maco Atoio Péez Ciseos *, Mak Readma * Divisió de Electóica Computació, CUCEI, Uivesidad de Guadalajaa, México. Cosulto Cotol Sstems Piciples RESUMEN: Este atículo peteece a la

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

FUNDAMENTOS DE LA TEORÍA DE LA

FUNDAMENTOS DE LA TEORÍA DE LA Pepaado po Iee Paticia Valdez y lfao eptiembe 2006 Coceptos pevios FCULTD DE INGENIERÍ U N M PROBBILIDD Y ETDÍTIC Iee Paticia Valdez y lfao ieev@sevido.uam.mx FUNDMENTO DE L TEORÍ DE L PROBBILIDD CONCEPTO

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

±. C inicial = C inicial. Índice de variación

±. C inicial = C inicial. Índice de variación Aitmética mecatil: coteidos 2.1 Aumetos y dismiucioes pocetuales 2.2 Iteeses bacaios 2.3 Tasa aual equivalete ( T.A.E.) 2.4 Amotizació de péstamos 2.5 Pogesioes geométicas 2.6 Aualidades Pocetajes: C fial

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA

DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE - INTRODUCCION Es tecó aalzar e este trabajo las coocdas relacoes costo-volume-utldad para el caso e que sus compoetes sea: w : costo varable utaro

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

Más detalles

ESTIMACION DEL HIDROGRAMA UNITARIO. ESTUDIO COMPARATIVO DE CUATRO METODOS LINEALES

ESTIMACION DEL HIDROGRAMA UNITARIO. ESTUDIO COMPARATIVO DE CUATRO METODOS LINEALES ESTIMACION DEL HIDROGRAMA NITARIO ESTDIO COMARATIVO DE CATRO METODOS LINEALES José Lus Ayuso, Adolfo eña y M a la Motesos Aea de oyectos de Igeeía ETS Igeeos Agóoos y de Motes vesdad de Códoba RESMEN:

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears Aál etadítco báco (II) Magdalea Cladera Muar mcladera@ub.e Departamet d Ecooma Aplcada Uvertat de le Ille Balear CONTENIDOS Covaraza y correlacó. Regreó leal mple. REFERENCIAS Alegre, J. y Cladera, M.

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

I ESCUELA DE EMPRESARIALES DIPLOMATURA DE EMPRESARIALES ESTADÍSTICA

I ESCUELA DE EMPRESARIALES DIPLOMATURA DE EMPRESARIALES ESTADÍSTICA Depatamento de Economía Aplcada I EUELA DE EMPREARIALE DIPLOMATURA DE EMPREARIALE ETADÍTIA Ejeccos Resueltos REGREIÓ O LIEAL Y REGREIÓ LIEAL MÚLTIPLE uso 006-00 Escuela de Empesaales Depatamento de Economía

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

CAPÍTULO IV CORRESPONDENCIA: TEORÍA. El análisis de tablas de contingencia es una aplicación del análisis de

CAPÍTULO IV CORRESPONDENCIA: TEORÍA. El análisis de tablas de contingencia es una aplicación del análisis de 36 CAÍTULO IV 4. ANÁLISIS E CONTINGENCIA Y ANÁLISIS E CORRESONENCIA: TEORÍA. 4. Aálss de Tablas de Cotgea. El aálss de tablas de otgea es ua aplaó del aálss de tablas X. La hpótess ula que se desea poba

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

Este documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a  El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! INTRODINTRODUCCIÓN D etro del estudo de muchos feómeos de

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

TEMA 3: EL DESCUENTO SIMPLE Y EQUIVALENCIA DE CAPITALES 1.- INTRODUCCIÓN

TEMA 3: EL DESCUENTO SIMPLE Y EQUIVALENCIA DE CAPITALES 1.- INTRODUCCIÓN TEMA 3: EL ESCUENTO SIMPLE Y EQUIVALENCIA E CAPITALES 1.- INTROUCCIÓN El escueto es ua opeació fiaciea muy utilizaa e el ámbito mecatil. Las empesas cuao se ve co ificultaes e liquiez puee acui al escueto

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

R-C CARGA Y DESCARGA DE UN CONDENSADOR

R-C CARGA Y DESCARGA DE UN CONDENSADOR RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS

Más detalles

Actividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran.

Actividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran. Actvdad: Elabora u resume de la formacó que se muestra a cotuacó y aalza los procedmetos que se muestra. Fudametos matemátcos de la electróca dgtal Sstemas de umeracó poscoales E u sstema de esta clase,

Más detalles

Métodos Actuariales de Primas de Fianzas

Métodos Actuariales de Primas de Fianzas Méodos Acuaales de mas de Fazas o Ac. edo Agula Belá * pagula@csf.gob.mx Resume: La faza ee macadas dfeecas co las opeacoes de seguos. Los pocedmeos acuaales paa el cálculo de pmas de seguos, esula muy

Más detalles

INSTRUMENTOS FINANCIEROS Y COBERTURAS DE RIESGOS

INSTRUMENTOS FINANCIEROS Y COBERTURAS DE RIESGOS Maste de Cotabilidad, Auditoía y Cotol de Gestió INSTRUMENTOS FINANCIEROS Y COBERTURAS DE RIESGOS Cuso 007/008 Cuso 007/008 Maste de Cotabilidad, Auditoía y Cotol de Riesgos DEPÓSITO FORWARD-FORWARD Acuedo

Más detalles

LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO

LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO Emlo Gómez Déz 1, José María Saraba 2 y Fausto Preto 2 Resume E el presete trabao se estuda la dstrbucó Posso-Beta,

Más detalles

Espacios Afín y Euclídeo Resumen ESPACIOS AFÍN Y EUCLÍDEO

Espacios Afín y Euclídeo Resumen ESPACIOS AFÍN Y EUCLÍDEO ESACIOS AFÍN Y EUCLÍDEO Nota: Los pocedimietos expestos o so los úicos qe eselve los poblemas Defiició El espacio afí so los ptos coexistiedo jto al espacio vectoial V, co sistema de efeecia ( pto fijo

Más detalles

FORMULARIO DE ESTADÍSTICA

FORMULARIO DE ESTADÍSTICA Reúmee de Matemática paa Bachilleato I.E.S. Ramó Gialdo FORMULARIO DE ESTADÍSTICA Cocepto báico Població: cojuto de todo lo elemeto objeto de ueto etudio Mueta: ubcojuto, extaído de la població,(mediate

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

Tema 5: Operación de amortización. Préstamos

Tema 5: Operación de amortización. Préstamos Te 5: Opecó de otzcó. Péstos.- Plteeto geel de l opecó de otzcó co teeses pospgbles. Recbe est deocó tod opecó de pestcó úc y cotpestcó últple: Pestcó - { 0,t 0 } otpestcó -{, t, t..., t } El cptl de l

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Índice de materias 2.- MECÁNICA CUÁNTICA. POSTULADOS Y EJEMPLOS SENCILLOS DE APLICACIÓN...3

Índice de materias 2.- MECÁNICA CUÁNTICA. POSTULADOS Y EJEMPLOS SENCILLOS DE APLICACIÓN...3 Ídce de ateas.- MECÁNICA CUÁNTICA. POSTULADOS Y EJEMPLOS SENCILLOS DE APLICACIÓN...3..- FUNDAMENTOS MATEMÁTICOS DE LA MECÁNICA CUÁNTICA...3 Álgeba Leal Opeadoes ucoes popas....3.- LOS POSTULADOS DE LA

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

EXISTENCIA DE UNA FUNCIÓN NO LINEAL, CONTINUA Y BIYECTIVA EN l CON INVERSA DISCONTINUA EN TODO PUNTO

EXISTENCIA DE UNA FUNCIÓN NO LINEAL, CONTINUA Y BIYECTIVA EN l CON INVERSA DISCONTINUA EN TODO PUNTO EXISTECIA DE UA FUCIÓ O LIEAL, COTIUA Y BIYECTIVA E l CO IVERSA DISCOTIUA E TODO PUTO Jorge E Herádez U, Temístocles Zeballos M Uversdad de Paamá, Cetro Regoal Uverstaro de Veraguas, Departameto de Matemátca

Más detalles

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID C/ Gal. Auda, 6 Tléf.: 9 5 8 4-9 55 9 800 MADRID ORMULARIO DE ESTADÍSTICA. DISTRIBUCIONES UNIDIMENSIONALES. Esaza atátca. Sdo ua vaabl alatoa g ( ua fucó d la sa, dfos: E ( g ( ( g Caso dscto g ( f ( Caso

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

Una magnitud física es todo aquello que se puede medir: masa, volumen, temperatura, velocidad...

Una magnitud física es todo aquello que se puede medir: masa, volumen, temperatura, velocidad... Fdmetos Teoís Físcs TS Aqtect.. CÁLCUL VCTIAL... INTDUCCIÓN L ecác es l pte de l Físc qe estd el eqlbo el mometo de los cepos. Se dde e Cemátc qe se ocp del mometo de los cepos depedetemete de ls fes qe

Más detalles

. Usaremos una vía algebraica y una geométrica que nos

. Usaremos una vía algebraica y una geométrica que nos Título: La desgualdad etre la meda artmétca y geométrca e problemas de olmpadas. Resume: E el presete artículo se pretede mostrar la utldad de ua desgualdad ta elemetal como la relacó etre las medas artmétca

Más detalles

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL. Supertedeca de Admstradoras de Fodos de Pesoes CIRCULAR Nº 736 VISTOS: Las facultades que cofere la ley a esta Supertedeca, se mparte las sguetes struccoes de cumplmeto oblgatoro para todas las Admstradoras

Más detalles