Modelos avanzados en riesgo operacional: algunas consideraciones prácticas
|
|
- Manuel Cáceres Carrizo
- hace 6 años
- Vistas:
Transcripción
1 Modelos avanzados en riesgo operacional: algunas consideraciones prácticas Madrid-25-Enero-2007 Santiago Carrillo Menéndez
2 Hacia modelos AMA Estamos al principio del proceso de medición del riesgo operacional en el mundo financiero. La mayor parte de las entidades van a empezar con el modelo estándar. Esto supone una serie de requisitos de gestión efectiva del riesgo operacional (sound practices). Pero pocas mejoras (capital) respecto del modelo básico. Se estima que los modelos avanzados pueden permitir una reducción del capital regulatorio por debajo del 10% del margen ordinario. Las entidades van a monitorizar su situación para saber cuando les conviene pasar a modelos avanzados. El uso, a efectos internos, de estos modelos permitirá también un mejor conocimiento del perfil de riesgo de la entidad.
3 El modelo LDA como paradigma de los modelos AMA Es un viejo conocido de los actuarios. Definida la unidad en la que se va a calcular el capital, se modelizan de manera independiente: Severidad, el tamaño de la pérdida cuando tiene lugar; Frecuencia: el número de pérdidas que se producen por unidad de tiempo. Para ello es necesario disponer de una base de datos de pérdidas. Esto plantea problemas interesantes: Basta trabajar con umbrales de recogida elevados? Cuál es la fecha de referencia para los eventos de pérdida? Más generalmente, Cuál es el modelo de datos óptimo para una gestión eficiente del riesgo operacional? Las respuestas a estas preguntas tienen fundamentos muy diferentes.
4 La distribución agregada de pérdidas Una vez modeladas estas dos distribuciones, el resto es técnica.
5 Los datos: hechos estilizados El número de eventos de pérdidas para un gran banco europeo es grande. Las pérdidas superiores a representan: El 50% de las pérdidas brutas, pero menos del 1% del número de pérdidas. Un 50% de los eventos representan pérdidas menores a Las pérdidas por riesgo operacional parecen tener colas muy pesadas. Más del 90% del capital tiene que ver con un número muy pequeño de sucesos. Los datos cubren varios órdenes de magnitud. La pérdida más grande suele estar a 30 (o más) desviaciones típicas de la media. Esto ha llevado a algunos autores a sugerir el uso de la Teoría de Valores Extremos para modelizar estas pérdidas.
6 Inestabilidad de los ajustes Pareto Al ajustar una Pareto a datos reales, es usual hallar valores de ξ grandes (incluso mayores que 1). Para ξ = 0,6, las fluctuaciones del capital son muy importantes. Hemos supuesto una media (Poisson) de 30 eventos mayores que al trimestre (pesimista para un banco europeo).
7 El problema de los umbrales La Pareto tiene colas muy pesadas. El uso de un umbral elevado puede añadir un efecto apalancamiento en frecuencias. Ambos elementos pueden disparar las estimaciones de capital. Un hecho bien conocido de quienes se las han visto con estos modelos.
8 El efecto cuerpo El uso de la E.V.T. se fundamenta en la hipótesis de régimen asintótico. Es esta asunción correcta? Para responder a esta pregunta se han generado datos sintéticos (lognormal µ = 5, σ = 2), para diferentes valores del número de pérdidas anuales (λ). p es la probabilidad de la cola; CaR 0 es el valor real del CaR; CaR - se corresponde con suponer las pérdidas por debajo del umbral nulas; CaR + se corresponde con suponerlas iguales al umbral.
9 Es sensato extrapolar tan lejos en la cola? Basilea II exige calcular un percentil muy elevado. Algunos autores han sugerido la alternativa de un percentil menor debidamente escalado. Esto pasa por saber modelar la severidad muy lejos en la cola. Con los datos disponibles puede ser imposible determinar si tenemos una Pareto u otro tipo de distribución (lognormal). Sin embargo los distintos modelos pueden dar estimaciones de capital que difieren radicalmente. Pueden darse situaciones en las que modelos con bondades de ajuste similares difieran en ordenes de magnitud en el capital. Cómo elegir el modelo?
10 El efecto umbral Para ilustrar la problemática a la que nos enfrentamos, hemos producido datos lognormales (para distintos valores de σ). Se ha calculado el capital: con la distribución original, y la que mejor ajusta.
11 Más acerca de los umbrales: el error de modelo A qué se deben tamañas diferencias? A que, pese a ser los datos lognormales el mejor ajuste puede darlo otro tipo de distribución dependiendo del umbral. En nuestro caso estos han sido los resultados:
12 Conclusiones El capital tiene que tener sentido económico. Esto puede suponer restricciones al uso de determinados modelos. El tratamiento de las colas en riesgo operacional plantea numerosos retos e interrogantes. La teoría de valores extremos en la severidad no parece una solución generalizable. El uso de umbrales altos puede representar un problema tanto de modelización como de cara a la gestión. Hay que investigar nuevos modelos ( truncaciones?). Es necesario disponer de datos (consorcio). Bibliografía: ver artículo con Alberto Suárez en Estabilidad Económica de noviembre y próxima tesis de Alberto Ferreras.
Enfoque de distribución de pérdidas en la práctica
ESTUDIOS 213 Riesgo operacional Enfoque de distribución de pérdidas en la práctica Alberto Ferreras Salagre CONSEJO ECONÓMICO Y SOCIAL ESPAÑA índice Prólogo i... IX Santiago Carrillo Menéndez Introducción
Solvencia II. Tabla 1
Tabla 1 Basilea II Solvencia II Estructura Tres Pilares Tres Pilares Objetivo Final Estabilidad del sistema bancario Defensa del asegurado internacional Ámbito de Aplicación Bancos con actividad internacional
Estimaciones de los parámetros y la cola de una distribución
Estimaciones de los parámetros y la cola de una distribución Actuaries Collaborating Together Colegio Actuarial Mexicano, A.C. Chicago, Illinois 1 Junio 2017 Alejandro Ortega, FCAS, CFA Usos del método
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos Resumen Ejecutivo Antecedentes El riesgo es un concepto ampliamente estudiado, con diversas definiciones que dependen del contexto
Tema 3. Tema 3 La Distribución Normal y los Puntajes Estándar. Profa. María Fátima Dos Santos
Tema 3 Tema 3 La Distribución Normal y los Puntajes Estándar Profa. María Fátima Dos Santos 1 TEMARIO Concepto de distribución. Algunas distribuciones. Distribución normal. Características Distribución
Modelos de Pérdidas Agregadas No Vida
Modelos de Pérdidas Agregadas No Vida XXVI Congreso Nacional de Actuarios Act. Patricio Belaunzarán Modelo de pérdidas agregadas El modelo de pérdidas agregadas tiene como objetivo obtener una función
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
ESTIMACIÓN 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
MELO VELANDIA, Luis Fernando Medidas de riesgo, características y técnicas de medición. Una aplicación del VaR y el ES a la tasa interbancaria de
1 12/02/06, 11:22 a.m. MELO VELANDIA, Luis Fernando Medidas de riesgo, características y técnicas de medición. Una aplicación del VaR y el ES a la tasa interbancaria de Colombia / Luis Fernando Melo Velandia,
Momentos de una variable
Momentos de una variable Momentos respecto del origen Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X que sea igual a la variable elevada a un
INFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Boletín Asesoría Gerencial*
Boletín Asesoría Gerencial* Marzo 2007 Cuantificación del capital requerido - OpVaR *connectedthinking Cuantificación del capital requerido - OpVaR Introducción Para ampliar: haga click sobre la imagen
Riesgo Operacional: Algunas consideraciones criticas relativas al uso de modelos avanzados
Unidad Central de Riesgo Operacional 1 Riesgo Operacional: Algunas consideraciones criticas relativas al uso de modelos avanzados Alberto Ferreras Salagre Unidad Central de Riesgo Operacional BBVA Alberto.Ferreras@grupobbva.com
PRUEBA 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
MODELOS 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
Nombre: Distribuciones de probabilidad continua. Segunda parte.
Estadística 1 Sesión No. 12 Nombre: Distribuciones de probabilidad continua. Segunda parte. Contextualización En la presente sesión aprenderás una de las aplicaciones principales de la distribución t-student,
Notas Técnicas Un acercamiento al Ramo de Daños a través del Seguro de Incendio
Notas Técnicas Un acercamiento al Ramo de Daños a través del Seguro de Incendio Act. Patricia Carrillo Act. Jaime Aviña Agenda Información Suficiente Credibilidad Información Complementaria Información
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Tema 4: Distribución de Probabilidades Modelos de distribuciones, Bernoulli, Binomial.
Tema 4: Distribución de Probabilidades Modelos de distribuciones, Bernoulli, Binomial. Algunos modelos de variables aleatorias. Hay v.a. que aparecen con frecuencia en las Ciencias de la Salud. Experimentos
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Control Estadístico stico de Procesos
Control Estadístico stico de Procesos Básicamente, un Gráfico de Control es una carta en la cual se representan los valores de algún tipo de medición realizada durante el funcionamiento de un proceso continuo,
Estimación 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
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Formulario. 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
Selección 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
Lista 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
Algunas 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
Variables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
1. Si se lanza una vez un dado no cargado, cuál es la probabilidad de que el resultado sea 1, dado que se obtuvo un número impar?
PROAILITY AND STATISTICS ININ4010 Prof. David González arreto 1. Si se lanza una vez un dado no cargado, cuál es la probabilidad de que el resultado sea 1, dado que se obtuvo un número impar? Si el dado
Especialista en Riesgo Operacional. Metodología para su medición y control
Especialista en Riesgo Operacional. Metodología para su medición y control titulación de formación continua bonificada expedida por el instituto europeo de estudios empresariales Especialista en Riesgo
Ejercicios resueltos
UNIDAD TEMÁTICA 4 Lección 4 VARIABLE ALEATORIA ENUNCIADO 1 Se hacen n lanzamientos independientes con un dado ordinario de 6 lados. Calcula la probabilidad que: (a El mayor de los números obtenidos sea
Relación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2000-2.001 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
RESUMEN de TEORIA DE ERRORES
RESUME de TEORIA DE ERRORES La sensibilidad de un instrumento es la variación más pequeña que éste puede medir, y suele corresponder a la división más pequeña de la escala de medida o a una fracción de
Distribuciones 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.
CONTROL DE CALIDAD UNIDAD IV TEORÍA DE DIMENSIÓN ESTADÍSTICA
CONTROL DE CALIDAD UNIDAD IV TEORÍA DE DIMENSIÓN ESTADÍSTICA 1 (4.1) DISTRIBUCIÓN NORMAL 2 4.1.1- ASPECTOS GENERALES: Al graficarse los diferentes valores obtenidos de una variable X se obtiene una distribución
Matemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Tema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
PREGUNTAS TIPO EXAMEN. 1. Cuál de las siguientes medidas es una medida de Centralización?
PREGUNTAS TIPO EXAMEN 1. Cuál de las siguientes medidas es una medida de Centralización? a) La desviación típica d) Ninguna respuesta es correcta 2. Disponemos de una variable aleatoria que recoge el peso
Cálculo de Incertidumbre por el Método de Monte Carlo en Calibración de Multímetros Digitales
Cálculo de Incertidumbre por el Método de Monte Carlo en Calibración de Multímetros Digitales Comparación entre el (Método de Monte Carlo ( MMC) y la Guía para la estimación de la incertidumbre de medición
Estadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS Hugo Grisales Romero Profesor titular CONCEPTOS BÁSICOS Experimento: Variable aleatoria: Clasificación: Proceso por medio del cual una medición se obtiene. Aquella que
Simulador HTST 1.0 Simulador Dinámico de Tiempo Real
Simulador HTST 1.0 Simulador HTST 1.0 Simulador Dinámico de Tiempo Real La Simulación Dinámica tiene gran aplicación en los estudios realizados para optimizar el diseño o las condiciones de operación
OPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.
PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:
Estadística Descriptiva en R: Parámetros y estadísticos. José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016)
Estadística Descriptiva en R: Parámetros y estadísticos José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016) Parámetros y Estadísticos Parámetro: Es una cantidad numérica calculada
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
viii 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.........................................
Tema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística
Tema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística Fuente de los comics: La Estadística en Comic. LarryGonicky Woollcatt Smith. Ed. ZendreraZariquiey, 1999 ESTADÍSTICA ESTADÍSTICA
TEMA 3: MUESTREO Y ESTIMACIÓN. Estimación de la Media
TEMA 3: MUESTREO Y ESTIMACIÓN Estimación de la Media INTRODUCIÓN Supongamos que queremos estudiar una determinada característica de una población. Como vimos en el anterior power point, es muy complejo
Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Ejemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 2012 1. Contraste de Hipótesis para la Media µ (con σ conocida) Dada una muestra de tamaño n y conocida la desviación típica de la población σ, se desea contrastar la hipótesis
Comparación de métodos de aprendizaje sobre el mismo problema
Comparación de métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación. Test de
Estadística Inferencial. Sesión 7. Pruebas de hipótesis para diferencia de medias y proporciones.
Estadística Inferencial. Sesión 7. Pruebas de hipótesis para diferencia de medias y proporciones. Contextualización. En la sesión anterior se mostró como realizar una prueba de hipótesis cuando se trata
JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Estadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
TEMA 3: Control Estadístico de la Calidad
TEMA 3: Control Estadístico de la Calidad 1. Introducción al control de la calidad. 2. Métodos de mejora de la calidad 3. Gráficos de control de Shewhart: Gráficos c Gráficos np Gráficos X y R 4. Interpretación
ROSI. El ROI de la Seguridad de la Información. Una Introducción. Carlos Ormella Meyer. Ing. Carlos Ormella Meyer & Asoc.
ROSI El ROI de la Seguridad de la Información Una Introducción Carlos Ormella Meyer Ing. Carlos Ormella Meyer & Asoc ROSI Intr-1 Introducción al ROSI ROSI es un indicador financiero derivado del ROI, que
D I S T R I B U C I Ó N N O R M A L
D I S T R I B U C I Ó N N O R M A L 1. V A R I A B L E A L E A T O R I A C O N T I N U A. F U N C I O N E S A S O C I A D A S Variable aleatoria continua es aquella que puede tomar valores en un conjunto
R E S O L U C I Ó N. a) La distribución de las medias muestrales es: N µ, = N 17 '4, = Como el nivel de confianza es del 95%, podemos calcular.
En una muestra aleatoria de 56 individuos se ha obtenido una edad media de 17 4 años. Se sabe que la desviación típica de la población normal de la que procede esa muestra es de años. a) Obtenga un intervalo
Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
EXAMEN 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
INDICE 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
Nota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
SISTEMAS DE CONMUTACIÓN DE PAQUETES
CONMUTACIÓN PRÁCTICA 4 SISTEMAS DE CONMUTACIÓN DE PAQUETES Autores (en orden alfabético): Josemaría Malgosa Sanahuja Pilar Manzanares López Juan Pedro Muñoz Gea OBJETIVOS Comprender la aleatoriedad de
1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva... 16
ÏNDICE Indice... 3 Prólogo... 11 Capítulo 1 14 1.1. Introducción... 16 1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva.... 16 1.2.1. La gestión activa.... 17
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID MATERIA: MATEMÁTICAS APLICADAS A LAS CC. SOCIALES
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A ESTUDIOS UNIVERSITARIOS (LOGSE) (Curso 2004-2005) MATERIA: MATEMÁTICAS APLICADAS A LAS CC. SOCIALES MODELO DE PRUEBA INSTRUCCIONES GENERALES
ESTRUCTURA DE LINEAS DE ESPERA
ESTRUCTURA DE LINEAS DE ESPERA La teoría de las colas es el estudio de líneas de espera. Cuatro características de un sistema de la formación de colas o líneas de espera son: la manera en que los clientes
La muestra cuantitativa 13/11/2015
La muestra cuantitativa 13/11/2015 Por qué buscamos una muestra No podemos preguntarle a toda la población de un país o un área para alcanzar nuestros objetivos de investigación. Aunque contáramos con
Hechos Estilizados del Sistema Bancario en el Perú
Hechos Estilizados del Sistema Bancario en el Perú Freddy Espino Banco Central de Reserva del Perú XXXII Encuentro de Economistas, Noviembre de 2014 1. Introducción y Motivación 1. La crisis financiera
Cadenas de Markov Tiempo Continuo. Modelado y Análisis de Redes de Telecomunicaciones
Tiempo Continuo Modelado y Análisis de Redes de Telecomunicaciones 1 Agenda en tiempo continuo Ergodicidad de la cadena Ejemplo: Líneas Telefónicas página 2 CMTC Consideremos ahora los procesos de Markov
Curso: Métodos de Monte Carlo Unidad 2, Sesión 5: Cálculo de intervalos de confianza
Curso: Métodos de Monte Carlo Unidad 2, Sesión 5: Cálculo de intervalos de confianza Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República,
Distribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
VALIDEZ RELATIVA DEL VALOR NUMÉRICO DEL FACTOR DE SEGURIDAD DE UN TALUD
VALIDEZ RELATIVA DEL VALOR NUMÉRICO DEL FACTOR DE SEGURIDAD DE UN TALUD Gianfranco Perri Ingeniero Consultor, Profesor de Diseño Geotécnico de Taludes en la Universidad Central de Venezuela Resumen Se
Elaborado por: Pelay, C. y Pérez, J. Prueba t para muestras independientes
Prueba t para muestras independientes 1 El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Pérdida 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
Bloque 5. Probabilidad y Estadística Tema 3. Distribuciones de Probabilidad Ejercicios resueltos
Bloque 5. Probabilidad y Estadística Tema 3. Distribuciones de Probabilidad Ejercicios resueltos 5.3-1 El % de los DVDs de una determinada marca son defectuosos. Si se venden en lotes de 5 unidades, calcular
1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
CURSO DE MÉTODOS CUANTITATIVOS I
CURSO DE MÉTODOS CUANTITATIVOS I TEMA VI: INTRODUCCIÓN AL MUESTREO Ing. Francis Ortega, MGC Concepto de Población y Muestra POBLACIÓN (N) Es el conjunto de todos los elementos de interés en un estudio
ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO
ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder
Fundamentos de la investigación en psicología
Fundamentos de la investigación en psicología TEMA 10 1º curso Grado Psicología Curso académico 2017-18 TEMA 10. MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD: VARIABLES CONTINUAS 1. El modelo normal 2. Ejercicios
Comité de Basilea de Supervisión Bancaria. Principios para el Reconocimiento Local-Anfitrión del Capital de Riesgo Operacional AMA
Comité de Basilea de Supervisión Bancaria Principios para el Reconocimiento Local-Anfitrión del Capital de Riesgo Operacional AMA Enero 2004 Tabla de Contenidos Principio 1. El cálculo de requerimientos
Licenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática de junio de 200 Ejercicio 3 pt. Considera el siguiente problema de programación no lineal:. Se trata de un problema convexo?
MEDICIÓN DE LA TENDENCIA Y EL CICLO DE UNA SERIE DE TIEMPO ECONÓMICA DESDE UNA PERSPECTIVA ESTADÍSTICA
MEDICIÓN DE LA TENDENCIA Y EL CICLO DE UNA SERIE DE TIEMPO ECONÓMICA DESDE UNA PERSPECTIVA ESTADÍSTICA Víctor M. Guerrero Departamento de Estadística Instituto Tecnológico Autónomo de México (ITAM) Seminario
H. R. Alvarez A., Ph. D.
Modelos de cola Las colas Las colas son frecuentes en la vida cotidiana: En un banco En un restaurante de comidas rápidas Al matricular en la universidad Los autos en un lava-autos Las colas En general,
INDICE. 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.
Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
INFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES Técnicas para comparar dos poblaciones 1 Técnicas para comparar dos poblaciones Técnicas para comparar dos poblaciones
TEMA 8 (b) Índice. Normas para la interpretación de las puntuaciones de los tests (Tests referidos a las normas)
TEMA 8 (b) Normas para la interpretación de las puntuaciones de los tests (Tests referidos a las normas) Índice 1. La interpretación de las puntuaciones 2. Interpretación normativa: Grupo normativo 3.
VARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS Variables aleatorias continuas Distribución n Normal 1 Distribución n de Probabilidad Continua Una variable aleatoria continua asume un valor dentro del intervalo de los
INFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de