Modelos de Pérdidas Agregadas No Vida
|
|
- Pilar Cuenca Márquez
- hace 6 años
- Vistas:
Transcripción
1 Modelos de Pérdidas Agregadas No Vida XXVI Congreso Nacional de Actuarios Act. Patricio Belaunzarán
2 Modelo de pérdidas agregadas El modelo de pérdidas agregadas tiene como objetivo obtener una función de distribución, la cual incorpore los conceptos de frecuencia yseveridad. Bajo el supuesto de que las severidades son independientes entre sí, yéstas, asu vez, independientes de la frecuencia, se procede al modelado por separado de ambas variables.la determinaciónes igual a: Z = X 1 + X 2 + X X N donde Z = Pérdida agregada (siniestralidad anual) N = Número total de siniestros en el periodo (Frec.); y X i = Monto de cada siniestro (Sev.) Ambos son desconocidos por lo que deben ser modelados como variable aleatoria. Lamedia de Zes igual ala frecuencia media por el monto medio. Es decir, E(z) = E(N) * E(X i ) Page 2
3 Modelo de pérdidas agregadas Paraobtener la distribución de pérdidas agregadasse realizalo siguiente: Ajuste de la distribución de frecuencia. Se parte de distribuciones probabilísticas discretas de conteo entre las que se encuentran las siguientes: Poisson, Binomial, BinomialNegativayBeta-Binomial. Ajuste de la distribución de severidad. Se obtienen los parámetros de las distribuciones probabilísticas que mejor ajusten alos datos observados. Apriori las distribuciones que se proponen son las siguientes: Lognormal, Gamma y Pareto Generalizada Page 3
4 Ajuste de distribuciones de monto de siniestros
5 Estimador de Máxima Verosimilitud (EMV) Page 5 Presentation title
6 Método de Momentos. Page 6 Presentation title
7 Modelos de frecuencia
8 Modelo Beta Binomial Si disponemos de datos de frecuencias relativos a distribuciones binomiales, de modo que, donde y. Puesto que representa una proporción, elegimos como distribución a priori una beta de primera especie, con función de densidad; Page 8 Modelode PérdidasAgregadas Fuente: Documentos ffundación Mapfre
9 Modelo Beta Binomial Los parámetros y pueden venir de la historia o de juicio experto. Se establecemos que y entonces: La función de verosimilitud basada en una muestra por, viene dada Haciendo uso del teorema de Bayes, la función de densidad a posteriori es, Page 9 Modelo de Pérdidas Agregadas Fuente: Documentos ffundación Mapfre
10 Construcción del modelo de pérdidas agregadas
11 Construcción La manera de obtener la distribución de pérdidas es a través de métodos numéricos, debido a que en este se necesita obtener convoluciones de la distribución de pérdida que no es tratable desde el punto de vista analítico. Métodos recursivos Métodos de inversión Métodos de aproximación Métodos de simulación Page 11 Modelo de Pérdidas Agregadas
12 VaR y TailVaR
13 Value at Risk (VaR) Page 13 Presentation title
14 Tail VaR o Conditional Tail Expectation (CTE) Page 14 Presentation title
15 Aplicación a una cartera de Gastos Médicos
16 Datos Frecuencia Estimación de parámetros. Beta Binomial Cifras al 31 de diciembre del 2012 Año Número de Expuestos Siniestros Probabilidad de Trimestre Siniestros Número de Expuestos Promedio ultimos Últimos 12 ocurrencia Qtr ,039 20,039 1, % Qtr ,928 20,484 1, % Qtr ,408 21,458 2, % Qtr ,904 22,070 2, % Qtr ,282 23,131 2, % Qtr ,467 23,765 2, % Qtr2 1,006 24,145 23,950 2, % Qtr ,481 24,344 2, % Qtr ,843 25,234 2, % Qtr ,453 26,480 2, % Qtr ,491 27,567 2, % Qtr ,535 28,580 2, % Qtr ,343 29,455 2, % Total 8, , ,557 30, % Expuestos Promedio 33,343 p= % Varianza de la p Parámetros de la Beta alfa= beta= Page 16 Modelode PérdidasAgregadas
17 Metodología propuesta El modelo de pérdidas agregadas se obtuvo de la siguiente manera: 1. Obtención de la distribución de pérdidas agregadas. a) Se consideróque la frecuenciase distribuye beta-binomial(parámetros α= ,β= ). a.1) El número de expuestos promedio para 2013 se espera que sea de 33,343 yla probabilidad de que una persona se enferme se estima de 11.78%. Esta información se obtuvo a partir de los expuestos al 31 de diciembre de 2012, así como de la proyección realizada. b) Se consideró que el monto de siniestros se distribuye Pareto generalizada con media $86,182. Page 17
18 Datos Severidad Muestra de siniestros E(x) 86, Var(x) 50,187,242, Fórmulas Parámetros Pareto Generalizada E(x)= ba (a-1) k= Parámetro de Forma Var(x)= b 2 a (a-1) 2 (a-2) σ= 44, Parámetro de Escala Page 18 Modelo de Pérdidas Agregadas
19 Histograma Lognormal Page 19 Modelo de Pérdidas Agregadas
20 Histograma Pareto Generalizada Page 20 Modelo de Pérdidas Agregadas
21 Histograma Gamma Page 21 Modelo de Pérdidas Agregadas
22 Resultados de Ajuste Resultados de ajuste Posición Distribución Parámetros 1 Gamma a= b=5.8234e+5 2 Pareto Generalizada k= s= m= Lognormal s= m= Page 22 Modelo de Pérdidas Agregadas
23 Pruebas de bondad de ajuste Prueba de Kolmogorov - Smirnov Sea F 0 (x) la función de distribución teórica para la variable aleatoria X, y representa la probabilidad de que la variable aleatoria Xtome un valor menor oigual ax(también se interpreta como la proporción esperada de observaciones que tengan un valor menor o igual a x). Es decir: Sea S n (x) la función de distribución empírica, calculada con base en los valores observados de la muestra n observaciones. Sn (x) representa la proporción de valores observados que son menores oiguales ax, yestá definida como: S n (x) =P(X x/ dados losresultados muestrales) =m/n Donde mes el número de valores observados queson menores oigualesax. En la prueba de Kolmogorov-Smirnov- se está interesado en la mayor desviación entre la función de distribución teórica yla empírica, es decir entre F 0 (x) ys n (x), para todo el rango de valores de x. Bajo la hipótesis nula se espera que estas desviaciones sean pequeñas yestén dentro de los límites de errores aleatorios. Por lo tanto, en la prueba S-K se calcula la mayor desviación existente entre F 0 (x) y S n (x), denotada por Dmax(x)yestá dada por: Dmax(x)=Max FX (x)-s n (x) La distribución de Dmax(x) es conocida ydepende del número de observaciones n. Se acepta la hipótesis nula de que no existe diferencia significativa entre las distribuciones teóricas y empíricas si el valor de Dmax(x) es menor oigual que el valor crítico Dmaxp(a,n). Esta prueba se puede realizar para valores agrupados en intervalos de clase ytambién para valores sin agrupar. Page 23
24 Pruebas de bondad de ajuste Prueba Anderson-Darling (A-D) A La última estadística de adaptación que se puede usar con datos de muestra continuos es la Anderson-Darling, que se define como Como la estadística K-S, la A-D no requiere el establecimiento de compartimentos. Pero a diferencia de la estadística K-S, que se enfoque en el medio de la distribución, la estadística A- D destaca las diferencias entre los extremos de la distribución adaptada y los datos de entrada. El test Anderson-Darling determina si los datos vienen de una distribución específica. La fórmula para el estadístico A determina si los datos (observar que los datos se deben ordenar) vienen de una distribución con función acumulativa F 2 n 1 = n (2i 1) [ln F( X i) + ln(1 F( X n t n i= ))] La hipótesis en cuanto a la forma distribucional es rechazada en el nivel de importancia escogido (a) si la estadística de prueba, A 2, es mayor que el valor crítico obtenido de una tabla. Los valores fijos a ( 0.01, 0.05 etc.) generalmente son usados evaluar la hipótesis (H 0 ) nula en varios niveles de importancia. Un valor de 0.05 es usado comúnmente para la mayoría de sus aplicaciones, sin embargo, en algunas industrias críticas, un valor inferior puede ser aplicado. El estadístico de la prueba se puede entonces comparar contra las distribuciones del estadístico de prueba (dependiendo que F se utiliza) para determinar el P-valor. Las hipótesis nula y alternativa son: H 0 : Los dátosse apegan a la distribución; H A : Los dátosno se apegan a la distribución. Page 24
25 Pruebas de bondad de ajuste Prueba Chi Cuadrada de Pearson La prueba Chi cuadrada (X 2 ) permite calcular la probabilidad de obtener resultados que únicamente por efectos del azar se desvíen de las explicativas en la magnitud observada si el modelo es correcto. Para realizar la prueba Chi cuadrada, el primer paso es comparar el número de individuos observado en cada categoría con los números esperados considerando el tamaño de la muestra y el modelo propuesto. Las desviaciones son elevadas al cuadrado y divididas por los valores esperados, lo cual proporciona un valor de Chi cuadrada. Se utiliza el número de individuos y no las proporciones, X 2 toma en consideración el tamaño de la muestra. La fórmula para X 2 es como se indica a continuación: 2 2 ( ) i i Donde: clase i. X O E Ei = O i = Número de individuos observados de la E i = Número esperado de la clase i (teórico) El siguiente paso es determinar los grados de libertad. Los grados de libertad son el número de categorías o clases variables independientes que existe. Generalmente, esto es igual a uno menos el número total de clases. El paso final de la aplicación de la prueba Chi cuadrada es buscar el valor X 2 calculado y grados de libertad en una tabla X 2 y determinar el valor de la probabilidad. Este valor es la probabilidad de que el azar por sí mismo pudiera ser responsable de una desviación tan grande o mayor que la observada, si la hipótesis es correcta. Si la probabilidad es alta se considera que los datos están de acuerdo con el modelo, lo cual no prueba que el modelo sea correcto, sino que simplemente no se puede demostrar que sea incorrecto. Si la probabilidad es baja, la desviación no es debida al azar y se considera que los datos no respaldan al modelo. Seguidamente se tiene que decidir que tan baja probabilidad es posible aceptar antes de rechazar el modelo propuesto. Generalmente, el nivel de confiabilidad escogido es del 5%. Si la probabilidad es menor de 0.05, la diferencia es significativa. Las probabilidades en estos intervalos generalmente causan el rechazo de un modelo, sin embargo, el rechazo de la hipótesis al nivel del 5% significa que se rechazan hipótesis correctas 5% de las veces. Page 25
26 Bondad de Ajuste Posición Distribución Kolmogorov Smirnov Anderson Darling Chi-cuadrado Estadística Rango Estadística Rango Estadística Rango 1 Gamma Gen. Pareto Lognormal Page 26 Modelo de Pérdidas Agregadas
27 Metodología propuesta 1. El modelo de pérdidas agregadas se obtuvo de la siguiente manera (cont.): d) Se simularon 250,000 escenarios de siniestralidad agregada anual a partir de la simulación del mismo número de beta-binomiales(n i p i ~ Beta) y posteriormente se simularon (N i ) paretos generalizadas. e) En total se simularon millones de siniestros (250,000 * E(N i )). A continuación se presenta la gráfica de la distribución de pérdidas agregadas bruta f) Se analizaron diversas distribuciones de montode siniestros a partir de las pruebas de bondad de ajuste (Kolmogorov-Smirnov, Anderson-Darling y Chi cuadrada de Pearson) se determinó que la distribución que mejor ajustaba fue la Pareto Generalizada g) Por lo anterior se consideró que el monto de siniestros se distribuye Pareto Generalizada. Con los siguientes parámetros: ={ 1 1 ( x µ ) 1 1 k + k K 0 σ σ f( x ) 1 ( x µ ) K =0 exp σ σ La media de la función de severidad es de $86,182. k= ; σ = 44,577 y µ = 0 Page 27
28 Metodología propuesta 2. Obtención de la distribución de pérdidas agregadas considerando diversos límites de retención. a) A partir de los millones de siniestros simulados se consideró el efecto que tendría en la retención el incluir un límite máximo de retención. Esto se logró limitando el monto del siniestro a un nivel LR, es decir: A A continuación se presentan las gráficas de las distribuciones de pérdidas considerando diferentes límites de retención: X LRj i = min(, ) b) Con dichos siniestros de recalcularon las 250,000 pérdidas anuales y se obtuvo una nueva distribución de pérdidas agregadas. X i LRj Z LR j LR j LR j = X con r = 1,2,, 250,000 X + r 1 2 X LR Nr j c) Lo anterior se realizó para diversos límites de retención (j). Page 28
29 Histograma Bajo diferentes límites de retención Page 29 Modelo de Pérdidas Agregadas
30 Escenarios de PérdidasAgregadas Nivel Retenido Modelo de Pérdidas Agregadas Escenarios de Límites de Retención y Pérdidas Agregadas Al 31 de diciembre 2012 Tomando en cuenta el número de expuestos podemos decir que la pérdida por expuesta se determina de la siguiente forma: Media de la pérdida agregada (PoC) 338,637, # expuestos (promedio anual) 33, Pérdida promedio x expuesto anual 10, Primas 463,706, ,068, Capital Social 100,000, De Riesgos en Curso (Parte de riesgo) 208,667, Margen de Solvencia 5,000, Disponible 213,667, % de Retención 60% Nivel de Confianza Límites 95.00% 99.00% 99.50% 99.95% 500, ,823, ,625, ,830, ,144,701 1,000, ,488, ,334, ,808, ,382,908 1,500, ,242, ,512, ,158, ,038,041 2,000, ,256, ,721, ,370, ,485,770 2,500, ,115, ,752, ,482, ,927,960 3,000, ,374, ,142, ,007, ,307,214 3,500, ,285, ,191, ,035, ,733,874 4,000, ,999, ,972, ,868, ,633,822 4,500, ,558, ,611, ,544, ,416,384 5,000, ,023, ,149, ,052, ,978,616 6,000, ,733, ,980, ,953, ,975,870 7,000, ,256, ,622, ,615, ,536,855 8,000, ,656, ,098, ,118, ,939,864 9,000, ,970, ,508, ,550, ,239,525 10,000, ,254, ,804, ,902, ,766,489 15,000, ,120, ,020, ,186, ,323,977 20,000, ,635, ,825, ,005, ,447,508 50,000, ,001, ,199, ,823, ,374,773 60,000, ,232, ,799, ,672, ,082,725 Sin Límite 235,504, ,943, ,043, ,636,832 Page 30 Modelo de Pérdidas Agregadas
31 Escenarios de PérdidasAgregadas Nivel Bruto Bruto Nivel de Confianza Límites 95.00% 99.00% 99.50% 99.95% 500, ,038, ,042, ,050, ,907,835 1,000, ,147, ,891, ,347, ,304,846 1,500, ,737, ,187, ,930, ,396,735 2,000, ,760, ,535, ,284, ,142,950 2,500, ,859, ,921, ,804, ,213,266 3,000, ,957, ,237, ,345, ,512,023 3,500, ,475, ,985, ,059, ,889,790 4,000, ,665, ,288, ,447, ,389,703 4,500, ,597, ,352, ,574, ,693,973 5,000, ,371, ,249, ,421, ,631,026 6,000, ,556, ,633, ,923, ,293,117 7,000, ,427, ,703, ,025, ,228,091 8,000, ,094, ,498, ,864, ,899,773 9,000, ,617, ,180, ,583, ,399,209 10,000, ,090, ,673, ,170, ,277,482 15,000, ,534, ,701, ,311, ,873,295 20,000, ,391, ,042, ,676, ,745,847 50,000, ,668, ,998, ,373, ,624,622 60,000, ,053, ,998, ,787, ,471,208 Sin Límite 392,507, ,572, ,072, ,061,387 Page 31 Modelo de Pérdidas Agregadas
Elementos de probabilidad e inferencia estadística en el seguro
Elementos de probabilidad e inferencia estadística en el seguro Instructor: Act. Erick Mier Moreno. Director general y profesor de AMAT- Applied Mathematics and Actuary Training. Profesor de asignatura
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
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 detallesTeorema 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 detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesPRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO
O PRUEBA CHI - CUADRADO Hasta ahora se han mencionado formas de probar lo que se puede llamar hipótesis paramétricas con relación a una variable aleatoria, o sea que se ha supuesto que se conoce la ley
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
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 detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Determinar la Distribución de los datos de una Simulación Prof.: MSc. Julio Rito Vargas A. Grupo: Ingeniería Industrial
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesSupuestos y comparaciones múltiples
Supuestos y comparaciones múltiples Diseño de Experimentos Pruebas estadísticas Pruebas de bondad de ajuste Prueba de hipótesis para probar si un conjunto de datos se puede asumir bajo una distribución
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 detallesPruebas de bondad de ajuste para distribuciones con parámetro de forma
Pruebas de bondad de ajuste para distribuciones con parámetro de forma José A. Villaseñor Alva Colegio de Postgraduados, México ITESM, Monterrey, N.L. 2 de septiembre de 2011 Conferencia Bimestral de la
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesContraste de hipótesis paramétricas
Contraste de hipótesis paramétricas Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Proceso de la investigación estadística Etapas PROBLEMA HIPÓTESIS DISEÑO RECOLECCIÓN
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesCentro Universitario de Tonalá
Presentación Este curso de estadística y evaluación de datos se encuentra diseñado para los estudiantes del Doctorado en Agua y Energía del Centro Universitario de Tonalá. Competencias genéricas de la
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
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 detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesPrograma de la asignatura: Estadística Actuarial (1 CAF) Profesor de la Asignatura: Luis M. Borge González Despacho 232, Correo:
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística-Econometría Licenciatura Ciencias Actuariales y Financieras Curso 2010/2011 Programa de la asignatura:
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
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 detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesCarrera: Clave de la asignatura: INB Participantes Representante de las academias de ingeniería industrial de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística I Ingeniería Industrial INB - 0403 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
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 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 detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesPrograma de la asignatura: Estadística Actuarial (1 CAF) Profesores de la Asignatura: Luis M. Borge González. (Despacho 232;
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Economía Aplicada (Estadística-Econometría) Licenciatura: Ciencias Actuariales y Financieras Curso: 2009-2010 Programa
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 detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesProbabilidad y Verosimilitud
Probabilidad y Verosimilitud Clase Teórica 8 Alexandre Aires-da-Silva Comisión Interamericana del Atún Tropical (CIAT) Curso de introducción a modelos de dinámica poblacional y evaluación de recursos marinos
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 detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesAnálisis Estadístico de Datos Climáticos. Pruebas de Hipótesis (Wilks, cap. 5)
Análisis Estadístico de Datos Climáticos Pruebas de Hipótesis (Wilks, cap. 5) 2015 PRUEBAS DE HIPÓTESIS (o pruebas de significación) Objetivo: A partir del análisis de una muestra de datos, decidir si
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesCarrera: Clave de la asignatura: INB Participantes Representante de las academias de ingeniería industrial de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística I Ingeniería Industrial INB-0403 4-0-8.- HISTORIA DEL PROGRAMA Lugar
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesRepaso de Probabilidad y Estadística
Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesTeoría de la decisión Estadística
Pruebas de hìpótesis Unidad 8. Pruebas de hipótesis. Formulación general. Distribución de varianza conocida. Prueba para la bondad del ajuste. Validación de modelos 1 Formulación Una Hipótesis es una proposición
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesProbabilidad y Estadística (250334)
Probabilidad y Estadística (250334) Información general Centro docente: ETSECCPB Departamentos: 751 - Departament d'enginyeria Civil i Ambiental Créditos: 4.5 ECTS Titulaciones: 792 - GRAU EN ENGINYERIA
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
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 detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesDistribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
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 detalles