ESTIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚTIPLES PUNTOS DE VENTA Y STOCKOUTS INFRECUENTES

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

Download "ESTIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚTIPLES PUNTOS DE VENTA Y STOCKOUTS INFRECUENTES"

Transcripción

1 ESIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚIPLES PUNOS DE VENA Y SOCKOUS INFRECUENES J.M. Eguzktza Azabalaga. Depatameto de Matemátca Aplcada. Uvesdad del País Vasco/Euskal Heko Ubetstatea. ABSRAC Hstocal sales ad demad ae ot equvalet whe efeed to peodcals, sce the fome ae lmted by the avalable stock. Whe the mea stockout s low ad thee s ot possblty of updatg data dug the sellg peod, demad s estmated by meas of a maxmum-lkelhood pocedue. he pape also epots aothe pactcal appoach wch cossts of estmatg the lack of ssues pe out-of-stock peod ad pe pot-of-sale. I ode to compae both methods, eal data o sales of a mothly peodcal fom Bzkaa ae used. he esults obtaed afte usg the appoxmate method do pactcally cocde wth those obtaed afte usg the maxmumlkelhood pocedue. Moeove, computatos wee much smple. RESUMEN E publcacoes peódcas el hstoal de vetas o equvale a la demada, al esta aquéllas lmtadas po el vetao dspoble. Cuado el vel pomedo de stockouts es bajo y o hay posbldad de actualzado los datos duate el peíodo de vetas, la demada es estmada medate u pocedmeto de máxma veosmltud. E este tabajo se popoe además oto método apoxmado, cosstete e efectua ua estmacó de los ejemplaes faltates paa cada peíodo fuea de stock y paa cada puto de veta. Co el f de compaa ambos métodos se utlza datos eales de vetas de ua publcacó mesual e la povca de Bzkaa. Se compueba que los esultados obtedos co el método apoxmado so páctcamete cocdetes co los obtedos po el método de máxma veosmltud equédose, s embago, u esfuezo de cómputo muchísmo meo.. INRODUCCIÓN El poblema pcpal que ha de efeta las dstbudoas de pesa es la optmzacó del epato de la tada de publcacoes peódcas e múltples putos de veta. Como las vetas está lmtadas po el vetao dspoble, el hstoal de vetas o equvale a la demada y, e cosecueca, paa estma ésta se pate de ua see de datos cesuados po el stock dspoble. La polítca que, e la mayoía de los casos, sgue las edtoas de pesa es fdelza al clete colocado e los putos de veta u úmeo de ejemplaes sufcete paa que el vel de sevco sea alto, po lo que el vel de peíodos fuea de stock, y po tato la tasa de datos cesuados, es elatvamete bajo meo del 30%). Se supoe que la demada es depedete del patcula peíodo de tempo, suposcó plausble paa muchas publcacoes cuyo pató de demada o se ve afectado po

2 estacoaldad, tedeca u otos factoes elacoados co el tempo. Se supoe además que los cletes llega aleatoamete duate el peíodo de veta, po lo que la demada sgue ua dstbucó de Posso, cuyo paámeto l tatamos de estma. Las dstbudoas de publcacoes peódcas se ve e la ecesdad de estma la demada paa muchos putos de veta y paa muchas publcacoes, teedo e cueta, además, que esa estmacó debe se hecha co elatva medatez cuado se tata de daos. Se platea, po tato, la ecesdad de dspoe de u método elatvamete secllo paa la estmacó de l que o exja gades equemetos computacoales. Co las suposcoes hechas se platea e pme luga u pocedmeto de máxma veosmltud MV), que es ua extesó del popuesto po Coad 976), peo co dsttos veles de stock paa cada peíodo, pues la dstbudoa se ve fozada a coloca e u msmo puto de veta dfeetes catdades de ejemplaes paa cada peíodo, ya que, po azoes descoocdas paa la dstbudoa, la edtoal sumsta paa cada úmeo catdades globales que vaía sesblemete. Como señala Lau y Lau 996), este pocedmeto es apopado cuado las obsevacoes del lado zquedo coocdo epeseta u sustacal pocetaje más del 60%) de la dstbucó de demada completa, lo que suele ocu, como se ha señalado más aba, e las dstbudoas de pesa. Como alteatva al método MV se peseta posteomete u método apoxmado MA) basado e la estmacó de la demada satsfecha espeada. Otos métodos de estmacó, como el plateado po Lau y Lau 996), o esulta aplcables e el caso pesete pues, ete otas cosas, exge que los putos de veta apote peódcamete datos de vetas duate el peíodo coespodete, algo páctcamete mposble, pues los quoscos de pesa so ajeos a la empesa dstbudoa. 2. ESIMACIÓN POR MÁXIMA VEROSIMILIUD Se defe: Etoces, D t Demada e el peíodo t S t Vetas e el peíodo t I t Stock dspoble paa el peíodo t S t md t,i t ) D t S t s S t < I t D t S t s S t I t Los datos de patda, coespodetes a peíodos, so: Vetas S S 2... S S + S +2 S Stock dspoble I I 2... I I + I +2 I Cuado S < I,2,...,) S es u vedadeo eflejo de la demada, peo cuado S I +,...,) S subestma la vedadea demada. Los datos o sgue ecesaamete u 2

3 ode coológco, lo que o mplca pédda de geealdad ya que se supoe que la demada es depedete del tempo. Cosdeado que la dstbucó teóca de demada es Posso de paámeto l, la fucó de veosmltud de la muesta seá es dec, S x e e L ) S! x I x! + log L ) log. S + cte. + log + x I x e x! Devado especto de l e gualado a ceo se obtee la ecuacó de estmacó: x x x e e x I x! x! S + x e x! + x I x e x I x )! S + x ) 0 + e x! x I S defmos A x e P ; ) 0; P A; ) A 0) x 0 x! podemos escb [] e la foma [] PI 2; ) 0 ; ) [2] S + + PI Paa obtee l debe se esuelta umécamete la ecuacó [2]. Como etoces po lo que y, po tato, PI 2; ) >, PI ; ) + PI 2; ) > PI ; ), S + ) < 0 3

4 S S < > E patcula, s, o sea s o hay datos cesuados, el estmado MV de l es S 0; ˆ S x Ejemplo : A pat de los datos de la tabla estma l. Vetas Stock dspoble Susttuyedo estos valoes e la ecuacó [2] se tee P; ) P9; ) P2; ) P0; ) Resolvedo la ecuacó ateo co Mathematca se obtee ˆ 8, MÉODO APROXIMADO DE ESIMACIÓN Como alteatva al método de máxma veosmltud se peseta u método apoxmado MA) de estmacó del paámeto l, basado e la estmacó de la demada satsfecha espeada. La dea cetal es smla a la que subyace e los métodos de Bell 98) y Wecke 978). Estos autoes popoe sedos pocedmetos e los que, a pat de la demada espeada codcoada po el hecho de que ésta es mayo o gual que el stock dspoble paa los peíodos co datos cesuados), se va actualzado los paámetos de la dstbucó de demada. La dfeeca co el método pesetado aquí es que éste sve paa estma el paámeto y e los mecoados más aba se debe cooce a po, pecsamete, el valo de ese paámeto. Sea N la vaable aleatoa que epeseta la demada satsfecha e u peíodo +,...,) e el que S I ; es dec, u peíodo e el que o se puede satsface la demada de alguos cletes po habese agotado el stock dspoble. La fucó de pobabldad de N seá PN k) PD I + k D I ) I + k e I + k I + k)! x e k e PI ; ) I + k)! x I x! ; 0,,... La demada satsfecha espeada seá 4

5 I + k EN [ ] ke PI ; ) I + k)! k 0 Hacedo I +ku, se tee EN [ ] u I ) e u PI ; ) u I u! u u e I e PI ; ) u I u )!! u I u [ PI 2; ) ] I [ PI ; ) ] PI ; ) [ PI ; ) + PI ; ) PI 2; ) ] I [ PI ; ) ] PI ; ) y como etoces [ PI ; ) PI 2; ) ] I [ PI ; ) PI ; ) ] I [ P I; ) P I ; ) ] I [ P I ; ) ] EN [ ] + PI ; ) I PI ; ) PI ; ) [3] Patedo de la expesó ateo el método apoxmado MA) pocede como sgue: S - Paso : Se calcula y e [3] se susttuye l po l. Se obtee así ua pmea apoxmacó de la demada satsfecha espeada, N, paa +,...,. - Paso 2: Se ecalcula las vetas paa los peíodos co stockout: S2 S + N, +,... S + S2 + - Paso 3: Se obtee 2. - Paso 4: Se epte la seguda pate del paso susttuyedo e la expesó [3] l po l 2. De este modo se obtee ua seguda apoxmacó de la demada satsfecha espeada, N 2, paa +,...,. - Paso 5: Se epte el paso 2: S3 S + N 2, +,... - Paso 6: Se obtee falmete ua estmacó apoxmada del paámeto l eptedo el paso 3: 3 S + + S 3 5

6 Ejemplo 2: Se aplca a cotuacó el método apoxmado MA) a los datos del ejemplo. - Paso : 34/56,8; P3;6,8) N6 6,8 3 0,794; aálogamete, N7 0,995. P2;6,8) - Paso 2: S ,794 3,794; S72 + 0,995, Paso 3: ,794 +,995) / 7 8,54. P3;8,54) - Paso 4: N62 8,54 3,58; N72, 478. P2;8,54) - Paso 5: S63 3+,58 4,58; S73 +, 478 2, Paso 6: ,58+ 2, 478) / 7 8, 662, valo que se apoxma bastate al obtedo po el método de máxma veosmltud: 8, COMPARACIÓN ENRE LOS MÉODOS MV Y MA Co objeto de compaa los métodos MV y MA se ha utlzado datos de vetas de ua evsta mesual dedcada al mudo del ce paa la que las vetas puede cosdease estacoaas. Se dspoe de datos eales de uos 700 putos de veta de la povca de Bzkaa, de los que se ha tomado al aza ua muesta de tamaño 37. Después de elma 37 putos e los que o había datos sufcetes quoscos que cea e veao, otos que deja de vede la publcacó, etc.) se obtee los esultados de la tabla. Las vaables mv y ma so las estmacoes de l popocoadas po el método de máxma veosmltud y po el método apoxmado, espectvamete. La vaable df es ma mv)/ mv e tato po ceto, y stockout es la popocó de datos cesuados o tasa de peíodos fuea de stock). Como se ve e la tabla 2, e el 90% de los casos la tasa de stockouts es meo del 30% stockouts fecuetes). Co objeto de aalza la flueca del úmeo de datos dspobles sobe las estmacoes, e uos putos se ha usado datos de 2 peíodos y e otos de 24. E todos los casos se ha costatado el ajuste del lado zquedo de la dstbucó empíca a ua dstbucó teóca de Posso. 6

7 puto mv ma df pe stockout puto mv ma df pe stockout,054,048-0,6% 2 25,00% 5 2,470 2,469-0,04% 24 2,50% 2 0,265 0,265 0,00% 2 8,33% 52 3,493 3,489-0,% 24 20,83% 3 3,90 3,895-0,5% 2 25,00% 53 3,92 3,90-0,05% 24 6,67% 4 8,968,82-0,08% 2 25,00% 54 9,757 9,757 0,00% 24 8,33% 5 0,828 0,827-0,8% 2 6,67% 55 0,5200,56-0,04% 24 2,50% 6 9,089 9,087-0,02% 2 6,67% 56,229,228-0,0% 24 8,33% 7 29,5229,57-0,0% 2 6,67% 57 2,953 2,95-0,07% 24 6,67% 8 2,420 2,48-0,08% 2 25,00% 58 25,725,7 0,00% 24 4,7% 9 8,538,50-0,02% 2 6,67% 59 3,944 3,930-0,35% 24 29,7% 0 8,688,65-0,02% 2 6,67% 60 2,233 2,232-0,04% 24 2,50% 3,89 3,889-0,05% 2 6,67% 6 3,767 3,767 0,00% 24 2,50% 2 6,382 6,382 0,00% 2 8,33% 62 9,284 9,283-0,0% 24 2,50% 3 3,66 3,642-0,52% 2 33,33% 63 0,750,75 0,00% 24 8,33% 4 4,80 4,794-0,5% 2 25,00% 64 3,327 3,327 0,00% 24 4,7% 5 2,667 2,667 0,00% 2 0,00% 65 2,390 2,390 0,00% 24 2,50% 6,78,779-0,% 2 6,67% 66,67,66-0,06% 24 2,50% 7,083,083 0,00% 2 0,00% 67 8,320 8,39-0,0% 24 2,50% 8 7,26 7,243-0,25% 2 33,33% 68 2,354 2,35-0,3% 24 20,83% 9 22,022,07-0,0% 2 6,67% 69,472,470-0,4% 24 6,67% 20,952,939-0,67% 2 25,00% 70 7,38 7,38 0,00% 24 8,33% 2,294,292-0,02% 2 6,67% 7,898,879 -,00% 24 33,33% 22 4,283 4,267-0,37% 2 33,33% 72 0,62 0,6-0,6% 24 2,50% 23 7,685 7,685 0,00% 2 8,33% 73,05,00-0,45% 24 25,00% 24 2,2 2,20-0,05% 2 6,67% 74 6,7826,777-0,03% 24 20,83% 25,437,433-0,03% 2 6,67% 75,77,6 -,37% 24 33,33% 26 8,7958,793-0,0% 2 6,67% 76 0,59 0,590-0,22% 24 6,67% 27 2,374 2,356-0,76% 2 33,33% 77 7,937 7,937 0,00% 24 4,7% 28 8,60 8,608-0,02% 2 6,67% 78 0,42 0,40-0,40% 24 6,67% 29,07,069-0,9% 2 6,67% 79 3,447 3,447 0,00% 24 4,7% 30 8,0298,025-0,02% 2 6,67% 80,,05-0,54% 24 25,00% 3,665,659-0,36% 2 25,00% 8 20,92220,99-0,0% 24 6,67% 32,540,540 0,00% 2 8,33% 82 3,00 3,00 0,00% 24 2,50% 33 5,723 5,723 0,00% 2 8,33% 83 9,22 9,6-0,07% 24 20,83% 34 7,443 7,440-0,04% 2 6,67% 84 0,737 0,737-0,02% 24 8,33% 35 2,583 2,583 0,00% 2 0,00% 85 7,980 7,980 0,00% 24 8,33% 36 0,703 0,688-2,3% 2 33,33% 86,6,4-0,7% 24 6,67% 37 3,9063,904-0,0% 2 6,67% 87 2,533 2,53-0,08% 24 6,67% 38 2,625 2,625 0,00% 2 8,33% 88 4,768 4,760-0,7% 24 25,00% 39 2,990 2,94-2,54% 2 50,00% 89,06,005 -,08% 24 29,7% 40 6,050 6,04-0,5% 2 25,00% 90 0,0890,089 0,00% 24 8,33% 4 4,97 4,97 0,00% 2 0,00% 9 2,6942,693-0,0% 24 2,50% 42 4,64 4,64 0,00% 2 8,33% 92 9,588 9,588 0,00% 24 4,7% 43 0,666 0,660-0,90% 2 25,00% 93 4,93 4,909-0,08% 24 20,83% 44 2,95 2,58 -,69% 2 4,67% 94,635,634-0,06% 24 8,33% 45,942,940-0,0% 2 6,67% 95 2,670 2,666-0,5% 24 20,83% 46 3,250 3,250 0,00% 2 0,00% 96 2,23 2,209-0,8% 24 20,83% 47,857,823 -,83% 2 4,67% 97,40,397-0,29% 24 20,83% 48 2,25 2,245-0,27% 2 25,00% 98 3,52 3,50-0,06% 24 6,67% 49 0,998 0,996-0,20% 2 6,67% 99 3,000 2,998-0,07% 24 2,50% 50 2,905 2,905 0,00% 2 8,33% 00,646,635-0,67% 24 29,7% abla 7

8 stockout e %fecuecafecueca acumulada [0,5] ,30] ,45] ,60] 00 60,75] ,00] abla 2 E la tabla 3 y e la fgua se obseva la dstbucó de la vaable df. Como se puede advet, e más del 90% de los casos el valo absoluto de esta vaable es meo del 0,8%. df e % fecuecafecueca acumulada [-3,-] 7 7 -,-0.8] 8-0.8,-0.6] 3-0.6,-0.4] ,-0.2] ,0] abla 3 Hstogam of df Desty df Fgua Co objeto de cotasta s exste dfeecas sgfcatvas ete los valoes de la vaable df paa 2 y 24 peíodos, se ha efectuado u test de Wlcoxo, cuyo esultado o pemte coclu la exsteca de tales dfeecas, algo que queda també patete e los dagamas box-plot co muescas de la fgua 2. 8

9 dfeeca e % peíodos Fgua 2 E la fgua 3 se epeseta el dagama de dspesó ete las vaables df y stockout. El gáfco sugee ua ceta coelacó ete ambas vaables, de modo que cuato mayo es el vel de stockout mayo es la dscepaca ete el método apoxmado y la estmacó MV, s be tal dscepaca es feo al % cas e la páctca totaldad de los casos e los que el vel de cesua es meo del 30%. df stockout Fgua 3 9

10 5. CONCLUSIONES Como se deduce de la pueba pesetada e el apatado ateo, ambos métodos, MV y MA, poduce esultados páctcamete détcos. La dfeeca máxma ete ambos o excede e gú caso el 2,54% e valo absoluto, y e el 90% de los casos es meo del 0,8%. Además, paece o tee flueca sgfcatva e esa dfeeca la catdad de datos empleada e la estmacó, tampoco el vel de stockout, sempe que éste sea elatvamete bajo meos del 30%). E cuato a su puesta e páctca, ambos métodos dfee otablemete. E el método MV se ecesta esolve umécamete ua ecuacó paa cada uo de los putos, lo cual puede sgfca u alto equemeto de softwae y de tempo de cómputo. El método MA, po el cotao, es mucho más secllo de mplemeta, pues basta ua smple hoja de cálculo. Este pocedmeto, o ua vaate suya, seía todavía más vetajoso e el caso de publcacoes daas, po la medatez exgda e la estmacó de la demada. BIBLIOGRAFÍA BELL P. 98): Adaptatve sales foecastg wth may stockouts. Joual of the Opeatoal Reseach Socety 32, CONRAD S.A. 976): Sales data ad the estmato of demad. Opeatoal Reseach Quately 27, LAU H.-S y LAU A.H.-L. 996): Estmatg the demad dstbutos of sglepeod tems havg fequet stockouts. Euopea Joual of Opeatoal Reseach, 92, WECKER W. 978): Pedctg demad fom sales data the pesece of stockouts. Maagemet Scece 24,

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

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 ejeccos de Selectvdad sobe Ifeeca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Facsco Roldá López de Heo * Covocatoa de 007 Las sguetes págas cotee las solucoes de los

Más detalles

Se entiende por sistema de fuerzas a un conjunto de fuerzas como se indica

Se entiende por sistema de fuerzas a un conjunto de fuerzas como se indica CDENADAS VECTIALES DE LS SISTEAS DE FUEZAS Se etede po sstema de fuezas a u cojuto de fuezas como se dca La esultate geeal del sstema se obtee sumado los vectoes equpoletes de cada ua de las compoetes

Más detalles

8- Estimación puntual

8- Estimación puntual Pate stmacó putual Pof. Maía B. Ptaell 8- stmacó putual 8. Itoduccó Supogamos la sguete stuacó: e ua fábca se poduce atículos el teés está e la poduccó de u día específcamete de todos los atículos poducdos

Más detalles

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

Evento E es cualquier subconjunto de posibles resultados de un experimento (Ω o S también se le conoce como evento seguro).

Evento E es cualquier subconjunto de posibles resultados de un experimento (Ω o S también se le conoce como evento seguro). I. INTRODUION. oceptos báscos xpemeto: Ua stuacó que da luga a u esultado detfcable. muchos estudos cetífcos os efetamos co expemetos que so epettvos po atualeza o que puede se cocebdos como epettvos.

Más detalles

MEDIDAS DE FORMA: ASIMETRÍA Y CURTOSIS. MOMENTOS

MEDIDAS DE FORMA: ASIMETRÍA Y CURTOSIS. MOMENTOS Julo Olva Coteo Estadístca TEMA 6 MEDIDA DE FORMA: AIMETRÍA Y CURTOI. MOMETO. Moetos de ua dstbucó Los oetos de ua dstbucó so eddas obtedas a pat de todos sus datos y de sus fecuecas absolutas. Estas eddas

Más detalles

MANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA PROPAGACIÓN DE ERRORES. Escuela de Geociencias y Medio Ambiente

MANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA PROPAGACIÓN DE ERRORES. Escuela de Geociencias y Medio Ambiente ANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA 35 ANEXO A5 PROPAGACIÓN DE ERRORES Ramo abello Péez Escuela de Geocecas y edo Ambete 36 ANEXO 5 A5 PROPAGACIÓN DE ERRORES Tomado de la Ref. [0] Las magtudes

Más detalles

ESTUDIO CIS Nº 3020 CIUDADANÍA ISSP 1 FICHA TÉCNICA

ESTUDIO CIS Nº 3020 CIUDADANÍA ISSP 1 FICHA TÉCNICA ESTUDIO CIS º 3020 CIUDADAÍA ISSP FICA TÉCICA Ámbto: acoal cludas las Cudades Autóomas de Ceuta y Mellla. Uveso: Poblacó esdete de ambos sexos de 8 años y más. Maco: Padó Mucpal de abtates a de eeo de

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca paa Améca Lata y el Cabe (CEPAL Dvsó de Estadístcas y Poyeccoes Ecoómcas (DEPE Ceto de Poyeccoes Ecoómcas (CPE Modelo Clásco de Regesó Alguos Temas Complemetaos Chsta A. utado Navao Mayo,

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

TEMA 6 VALORACIÓN FINANCIERA DE RENTAS (III)

TEMA 6 VALORACIÓN FINANCIERA DE RENTAS (III) Facultad de.ee. Dpto. de Ecooía Facea I Dapostva Mateátca Facea TEMA 6 VALORAIÓN FINANIERA DE RENTAS III. Faccoaeto atétco y faceo de ua eta 2. Retas faccoadas 3. Retas cotuas Facultad de.ee. Dpto. de

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

5. Estimación puntual. Curso Estadística

5. Estimación puntual. Curso Estadística 5. stmacó utual Cuso - stadístca Poblacó % DFCTUOSA Pobabldad Coocdo cuato vale? Muesta Nº Defectuosa Coocdo cuato vale? Ifeeca stmacó utual N Paámetos? MUSTRA... Datos Coocdos? stmacó utual 3 sesoes de

Más detalles

5. Estimación puntual. Curso Estadística

5. Estimación puntual. Curso Estadística 5. stmacó utual Cuso 0-0 stadístca Poblacó % DFCTUOSA Pobabldad Coocdo cuato vale? Muesta Nº Defectuosa Coocdo cuato vale? Ifeeca stmacó utual N Paámetos? MUSTRA... Datos Coocdos? stmacó utual 3 sesoes

Más detalles

y. Diferenciando la primera condición en (1) con respecto a x, la segunda respecto a y y sumando obtenemos

y. Diferenciando la primera condición en (1) con respecto a x, la segunda respecto a y y sumando obtenemos Sceta et Techca Año XIII, No 34, Mayo de 7 Uvesdad Tecológca de Peea ISSN -7 55 EL ESTUDIO DE ALGUNAS PROPIEDADES DE LAS FUNCIONES ARMÓNICAS PARA EL PROBLEMA DE DIRICHLET DE LA ECUACIÓN DE LAPLACE RESUMEN

Más detalles

Estadística Tema 9. Modelos de distribuciones. Pág. 1

Estadística Tema 9. Modelos de distribuciones. Pág. 1 Estadístca Tema 9. Modelos de dstbucoes. Pág. 9 Modelos de dstbucoes. 9. Modelos dscetos de vaables aleatoas. 9.. Epemetos y dstbucó de Beoull. 9.. Dstbucó bomal. 9.. Dstbucó ufome dsceta. 9.. Dstbucó

Más detalles

SOLUCIÓN: cara. sale. Sea X i = cruz. sale. 1 p = ; con ello 2

SOLUCIÓN: cara. sale. Sea X i = cruz. sale. 1 p = ; con ello 2 Hojas de oblemas Estadístca VI. Calcula el úmeo de veces que se debe laa ua moeda de maea que se tega ua pobabldad supeo a 9 de que el cocete ete el úmeo de caas y el de laametos esté compeddo ete y 6.

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

ESTUDIO CIS Nº Encuesta a población inmigrante (Immigrant Citizens Survey 1 )

ESTUDIO CIS Nº Encuesta a población inmigrante (Immigrant Citizens Survey 1 ) ESTUDIO CIS Nº 293 Ecuesta a poblacó mgate (Immgat Ctzes Suvey ) FICHA TÉCNICA Ámbto: Mucpos de Baceloa y Madd. Uveso: Poblacó de 5 años y más, acda e países extaeos dsttos a los estados membos de la UE-

Más detalles

TEMA: ANALISIS DE VELOCIDADES.

TEMA: ANALISIS DE VELOCIDADES. álss de velocdades. TEM: NISIS DE EOCIDDES. - INTRODUCCION. - NISIS GRFICO DE EOCIDDES..- olígoo de velocdades: método de las velocdades elatvas...- plcacó a ógaos deslzates...- Otos casos..- Método de

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

REVISTA INVESTIGACIÓN OPERACIONAL Vol. 27, No. 2, , 2006

REVISTA INVESTIGACIÓN OPERACIONAL Vol. 27, No. 2, , 2006 REVISTA INVESTIGACIÓN OPERACIONAL Vol. 7, No., 7-83, 006 ESTUDIO DE LAS APROXIACIONES A LOS PROEDIOS ÓVILES Y LAS VOLATILIDADES EXPONENCIALES * Eduado Pza Volo y Jave Tejos, CIPA, Uvesdad de Costa Rca

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

Capítulo 2: ANÁLISIS ESTADÍSTICO

Capítulo 2: ANÁLISIS ESTADÍSTICO Capítulo : ANÁLISIS ESTADÍSTICO El aálss estadístco es todo el poceso de ogazacó, pocesameto, educcó e tepetacó de datos paa ealza eecas. Recodemos que los datos se tasomaá e omacó útl paa la toma de decsoes,

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

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

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

Espacio Euclídeo real n-dimensional TEOREMA DE WEIERSTRASS

Espacio Euclídeo real n-dimensional TEOREMA DE WEIERSTRASS Espaco Euclídeo eal -desoal TEOREMA DE WEERSTRASS Se geealza peaete a R el pcpo de ecaje de ato e R que es el stueto paa deosta el teoea del puto de acuulacó o de Bolzao- Weestass del que se deduce el

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

EL TEOREMA EGREGIUM. Introducción

EL TEOREMA EGREGIUM. Introducción CARLOS S CHIEA EL TEOREMA EGREGIUM DE GAUSS Itoduccó Joha Ca Fedch Gauss (30 de ab de 777 3 de febeo de 855) e sus Dsqustoes eeaes cca supefces cuvas de 88 expoe e teoea coocdo coo eeo Eeu que ha tedo

Más detalles

MEJORAMIENTO DE ÍNDICES DE CONFIABILIDAD MEDIANTE LA OPTIMIZACIÓN DE RECURSOS EN REDES DE DISTRIBUCIÓN

MEJORAMIENTO DE ÍNDICES DE CONFIABILIDAD MEDIANTE LA OPTIMIZACIÓN DE RECURSOS EN REDES DE DISTRIBUCIÓN XIX Joadas e Igeeía Eléctca y Electóca MEJORAMIENTO DE ÍNDIES DE ONFIABILIDAD MEDIANTE LA OPTIMIZAIÓN DE REURSOS EN REDES DE DISTRIBUIÓN Olalla Meo Wom, Ig. Oeuela Lua Vícto, Ig. Escuela Poltécca Nacoal

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

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

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Informe Técnico / Technical Report

Informe Técnico / Technical Report DEPRTMENTO DE SISTEMS INFORMÁTICOS Y COMPUTCIÓN UNIVERSIDD POITÉCNIC DE VENCI PO Box: E-467 Valeca (SPIN) Ifome Técco / Techcal Repot Ref No: DSIC-II/5/6 Pages: 4 Ttle: Fucoes de Matces utho (s): Vcete

Más detalles

CAPÍTULO 6 TEOREMAS ENERGÉTICOS

CAPÍTULO 6 TEOREMAS ENERGÉTICOS CPÍTULO 6 TEORES ENERGÉTICOS L ENERGÍ ELÁSTIC EXPRESD EN UNCIÓN DE LS CRGS PLICDS Hasta ahoa, habíamos utlao la sguete epesó e la esa e eegía elástca: ( σ ε σ ε σ ε τ γ τ γ τ γ ) ω Que, tegaa a lo lago

Más detalles

DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO

DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO 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

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

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

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

Interpolación polinómica.

Interpolación polinómica. 5 Iterpolacó polómca Itroduccó E muchas ocasoes e dferetes ramas de la geería, a la hora de resolver u problema, los datos de que se dspoe se ecuetra e tablas, como por ejemplo tablas estadístcas E la

Más detalles

Fundamentos de Estadística:

Fundamentos de Estadística: Fudametos de Estadístca: Resúmees. A. Roeto Espeo Mohedao. Atuo Gallego egado. TEMA : Itoduccó a la Estadístca. La Estadístca las estadístcas. Defcó de Estadístca: o Estadístca Descptva. o Estadístca Matemátca

Más detalles

el blog de mate de aida MATEMÁTICAS I. Números complejos. Pág. 1 Diofanto, un adelantado a su época.

el blog de mate de aida MATEMÁTICAS I. Números complejos. Pág. 1 Diofanto, un adelantado a su época. el blog de mate de aida MATEMÁTICAS I. Númeos complejos. Pág. 1 AMPLIACIÓN DEL CAMPO NUMÉRICO Diofato, u adelatado a su época. Este tiágulo está costuido co ua cueda e la que se ha ealizado doce udos a

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

Método Matemático para las Series Uniformes o Anualidades

Método Matemático para las Series Uniformes o Anualidades Mg Mao Aoo Plaza Vdaue Méodo Maemáo paa las Sees Ufomes o Aualdades E el pesee doumeo ulzaemos es méodos paa halla las fómulas que se ulza paa efeua álulos faeos e las aualdades vedas Pmeo se hallaá la

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

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

PRÁCTICA 2. LEY DE LA REFRACCIÓN. Medida del índice de refracción de una lámina de vidrio

PRÁCTICA 2. LEY DE LA REFRACCIÓN. Medida del índice de refracción de una lámina de vidrio Coodnacón EVAU. Páctcas cuso 2017-18 P2 Objetvo: Detemna el índce de efaccón de un vdo. Fundamento: PRÁCTICA 2. LEY DE LA REFRACCIÓN. Medda del índce de efaccón de una lámna de vdo La ley de la efaccón,

Más detalles

Facultad de Ingeniería

Facultad de Ingeniería Facultad de Igeería Escuela de Igeería Idustral y Estadístca Curso: Sstemas de Almaceameto e Ivetaros INTODUCCIÓN AL CONTOL DE INVENTAIOS DE ÍTEMS EN FOMA CONJUNTA Profesor: Julo César Lodoño O Cotrol

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el

Más detalles

Capitulo III. III 1. Análisis cinemático de mecanismos. Métodos gráficos. Universidad de Cantabria Departamento de Ing. Estructural y Mecánica

Capitulo III. III 1. Análisis cinemático de mecanismos. Métodos gráficos. Universidad de Cantabria Departamento de Ing. Estructural y Mecánica Uvesdad de Caaba epaameo de Ig. Esucual ecáca Capulo III III 1. álss cemáco de mecasmos. éodos gáfcos. Cemáca ámca de áquas. III.1 álss cemáco de mecasmos. éodos gáfcos. Uvesdad de Caaba epaameo de Ig.

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

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

Tema 5 Modos de convergencias de sucesiones de variables aleatorias

Tema 5 Modos de convergencias de sucesiones de variables aleatorias Tema 5 Modos de covegecias de sucesioes de vaiables aleatoias Itoducció Cuado se cosidea sucesioes y seies de vaiables aleatoias, es deci, sucesioes y seies de fucioes medibles, su covegecia puede se cosideada

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

Estimación de observaciones faltantes mediante la media aritmética y su efecto en el análisis de componentes principales

Estimación de observaciones faltantes mediante la media aritmética y su efecto en el análisis de componentes principales UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULAD DE CIENCIAS MAEMÁICAS EAP DE ESADÍSICA Estmacó de obseacoes faltates medate la meda atmétca y su efecto e el aálss de compoetes pcpales ESIS Paa opta el

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

Tema 7. Regresión Lineal

Tema 7. Regresión Lineal Análss de Datos I Esquema del Tema 7 Tema 7. Regesón Lneal 1. INTRODUCCIÓN. IDENTIFICACIÓN DEL MODELO 3. VALORACIÓN DEL MODELO Coefcente de detemnacón Descomposcón de la vaanza del cteo. APLICACIÓN DEL

Más detalles

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1 ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua

Más detalles

Nombre del estudiante:

Nombre del estudiante: UNIVERSIDAD DE OSTA RIA ESUELA DE IENIAS DE LA OPUTAIÓN E INFORÁTIA I-0 ESTRUTURAS DISRETAS PROF. KRYSIA DAVIANA RAÍREZ BENAVIDES II Semeste 06 Fecha: /09/06 SOLUIÓN EXAEN PARIAL I Nombe del estudiate:

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

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

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

(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

CAPITULO 9 Diseño de Reactores no Isotérmicos

CAPITULO 9 Diseño de Reactores no Isotérmicos Dseño de Reactoes o Isotémcos PIULO 9 Dseño de Reactoes o Isotémcos 9.. IRODUIÓ Hasta ahoa hemos vsto los balaces de masa, elacoes estequométcas y velocdad de eaccó, elemetos que os ha pemtdo el dseño

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

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

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

PyE_ EF1_TIPO2_

PyE_ EF1_TIPO2_ SEMESTRE 9- TIPO DURACIÓN MÁIMA.5 HORAS JUNIO DE 9 NOMBRE. "Scram" es el térmo que utlza los geeros ucleares para descrbr u rápdo cerre de emergeca de u reactor uclear. La dustra uclear ha hecho esuerzos

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

Reflexión y Refracción

Reflexión y Refracción eflexón y efaccón Unvesdad de Pueto co ecnto Unvestao de Mayagüez Depatamento de Físca Actvdad de Laboatoo 8 La Ley de eflexón y La Ley de Snell Objetvos: 1. Detemna, paa una supefce eflectoa, la elacón

Más detalles

Ondas y Rotaciones. Dinámica de las Rotaciones III

Ondas y Rotaciones. Dinámica de las Rotaciones III Hoja de Tabajo Odas y Rotacoes Dáca de las Rotacoes Jae Felcao Heádez Uesdad Autóoa Metopoltaa - ztapalapa Méxco, D. F. 5 de agosto de 0 NTRODUCCÓN. Cosdeeos ua patícula de asa y cuya poscó (especto a

Más detalles

La Metodología de la Verosimilitud Empírica

La Metodología de la Verosimilitud Empírica La Metodología de la Verosmltud Empírca Gozalo Delgado Facultad de Matemátcas, Uversdad Autóoma de Guerrero Méxco deggozalo@aol.com Probabldad y Estadístca Superor Resume Se expoe la metodología de la

Más detalles

Unidad 6. Anualidades anticipadas. Objetivos. Al finalizar la unidad, el alumno:

Unidad 6. Anualidades anticipadas. Objetivos. Al finalizar la unidad, el alumno: Udad 6 Aualdades atcpadas Objetvos Al falzar la udad, el alumo: Calculará el moto producdo por ua aualdad atcpada. Calculará el valor presete de ua aualdad atcpada. Calculará el valor de la reta de ua

Más detalles

Las anualidades anticipadas ocurren al inicio de cada periodo de tiempo, el diagrama de flujo de cada de estas anualidades es el siguiente:

Las anualidades anticipadas ocurren al inicio de cada periodo de tiempo, el diagrama de flujo de cada de estas anualidades es el siguiente: Matemátcas faceras 4.2. Aualdades atcpadas 4.2. Aualdades atcpadas UNIDAD IV. ANUALIDADES Las aualdades vecdas so aquellas que sus pagos guales ocurre al falzar cada perodo, u dagrama de flujo de cada

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

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

Electrostática: Definición.

Electrostática: Definición. lectomagetsmo Cuso /3 lectostátca efcó Los coductoes e electostátca. Campo de ua caga putual. Aplcacoes de la Ley de Gauss Itegales de supeposcó paa el campo eléctco. Potecal electostátco. efcó e Itepetacó.

Más detalles

ESTUDIO DE LA CONSISTENCIA

ESTUDIO DE LA CONSISTENCIA 6. ESTUDIO DE LA COSISTECIA 76 Caítulo 6 ESTUDIO DE LA COSISTECIA 6.. DESARROLLOS DE TAYLOR. Este caítulo tee coo obeto eseta u ocedeto de aálss geéco aa el estudo de la cossteca. Este ocedeto os ayudaá

Más detalles

Algunas series e integrales con funciones trigonométricas

Algunas series e integrales con funciones trigonométricas Revst Tecocetífc URU Uvesdd Rfel Udet Fcultd de Igeeí Nº Julo - Dcembe ISSN: 44-775X / Depósto legl pp ZU86 Algus sees e tegles co fucoes tgoométcs Alfedo Vlllobos y Gley Gcí Uvesdd del Zul. Fcultd de

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

IMPOSICIÓN Y EQUIVALENCIA RICARDIANA EN UNA ECONOMÍA DE DOS PERIODOS

IMPOSICIÓN Y EQUIVALENCIA RICARDIANA EN UNA ECONOMÍA DE DOS PERIODOS IMPOSICIÓN Y EQUIVALENCIA RICARDIANA EN UNA ECONOMÍA DE DOS PERIODOS Sea el siguiente poblema de un hoga epesentativo en una economía de dos peiodos, en la que los hogaes son gavados con impuestos de suma

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

Electrostática: Definición.

Electrostática: Definición. lectcdad y Magetsmo / lectostátca efcó Los coductoes e electostátca. Campo de ua caga putual. Aplcacoes de la Ley de Gauss Itegales de supeposcó. Potecal electostátco. efcó e Itepetacó. cuacoes de Posso

Más detalles

6. CAPM: Capital Asset Pricing Model IN56A

6. CAPM: Capital Asset Pricing Model IN56A 6. CA: Captal Asset cng odel IN56A Otoño 009 Gonzalo atuana F. Recuedo cap. anteo Fontea de Invesón (Ecente) 5% 4% ed pestado Retono Espeado 3% % % 0% 9% esta 8% 7% 6% 0% 5% 0% 5% 0% 5% 30% 35% 40% 45%

Más detalles