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

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

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

Transcripción

1 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 RESUEN E este atículo se estuda dvesos efoques paa def pomedos móvles y volatldades desde el puto de vsta expoecal, es dec, dado mas podeacó a los datos mas ecetes. Se ve que vaos de los que efoques usados e la lteatua adolece de vaos poblemas de defcó. Se popoe ua maea de def u sstema completo de pesos y de esta maea coeg alguos de los poblemas que peseta esos efoques. Además, se popoe ua fómula ecuete que covege al pomedo móvl y la volatldad expoecal eales. Falmete, se estuda las cotas paa los eoes de apoxmacó que se comete cuado se usa las fómulas estudadas. ABSTRACT: I ths pape dffeet appoaches ae studed, fo defg movg aveages ad volatles fom the expoetal pot of vew that s, gvg a lage weght to the moe ecet data. It s obtaed that dffeet appoaches, appeag the lteatue, have dffeet defto poblems. A method s poposed fo defg a complete weghtg system fo coectg some of the poblems peset these appoaches. A ecuet fomula that coveges to the eal movg aveage ad the expoetal volatle s poposed. Fally, uppe bouds ae studed fo the appoxmato eo appeag whe the studed fomulae ae used. KEY WORDS: appoxmato eo, complete weghtg system SC: 6P0. PROEDIO Y VOLATILIDAD EXPONENCIAL El pomedo expoecal y la volatldad expoecal de ua coleccó fta de datos(, N, basada e el paámeto (0,, se defe espectvamete a tavés de las fomulas sguetes: ( ( ( / ( ( - Las podeacoes (- empleadas e las fómulas ateoes foma lo que se deoma como u sstema completo de pesos, esto es, ua coleccó de pesos postvos cuya suma es la udad: ( (3 Ua posble tepetacó deto del campo de las matemátcas faceas cosste e detfca los datos co tasas de etoo daas, de maea que el subıdce e el dato dca que ta ecete e el tempo es la tasa de etoo cosdeada. Así, coespode a la tasa de etoo del dıa de hoy, a la tasa de etoo * Ivestgacó desaollada co el auspco de la Uvesdad de Costa Rca y el Sevco Alemá de Itecambo Académco (DAAD. E-mal: epza@caa.uc.ac.c jtejos@caa.uc.ac.c 7

2 de aye, 3 a la tasa de etoo de ateaye, y ası sucesvamete. La dea po detás de las fomulas ( y ( y el sstema completo de pesos e (3 estba e podea los datos( I N de foma tal que a aquellos datos que tega subıdces pequeños (esto es, los mas ecetes se les asoca u peso mayo, e compaacó co el peso asocado a los datos que tee subıdces gades (esto es, aquellos que coespode a fechas más vejas. El fudameto teóco que justfca el empleo de los pesos - ( - e las fomulas ( y ( povee de la dstbucó de pobabldad geométca o de Pascal, e la cual P[X ] p( - p -, dode X deota la vaable aleatoa que sgue dcha ley co paámeto p. El eveto [X ] cosste e la epetcó de puebas depedetes de Beoull, paa las cuales ocue - facasos ates de obtee el pme éxto. E uesto cotexto se toma p -. Las fomulas ( y ( paa el calculo de µ y hace efeeca a u úmeo fto de tasas de etoo. E la páctca se dspoe solamete de ua catdad fta,,..., N de tales datos, de maea que µ y solo puede se calculados e foma apoxmada. ías aú, los datos so actualzados daamete, dspoédose cada dıa de u uevo dato, dgamos 0, y po tal azó las apoxmacoes a µ y va vaado co el tempo. De allı el apelatvo de móvl al pomedo y volatldad que se calcula. E la seccó 3 de este atículo se estuda dvesos esquemas de apoxmacó a µ y y sus eoes asocados. També se dscute fomas de ealza seleccoes apopadas del paámeto (seccó, así como la elacó exstete ete este paámeto y la catdad de datos a cosdea e las apoxmacoes a µ y. Falmete e la seccó 4 se explca como ealza efcetemete los cálculos de estas apoxmacoes e hojas electócas tpo Excel.. SELECCIÓN DEL PARÁETRO Los pesos - ( - e la fómula (3 so sempe dececetes cofome se avaza e el pasado, esto es, cofome aumeta el valo del subídce. La tesdad del dececmeto depede de la seleccó del paámeto (0,. Al seleccoa valoes de cecaos a obteemos tasas de dececmeto pequeñas, metas que valoes de feoes os lleva a tasas de dececmeto mayoes. E otas palabas, valoes de meoes (po ejemplo, 0,93 cota 0,97 geea pomedos y volatldades expoecales e dode las podeacoes da u mayo peso a los datos mías ecetes y meos peso a los datos del pasado. Cómo ealza ua seleccó adecuada de? No exste ua espuesta completa a esta peguta. Depede del cotexto e el cual se esté empleado los datos. S embago, las sguetes ecomedacoes so empleadas co fecueca... Seleccó cuado el úmeo de peıodos es fjo Cuado se cooce la catdad de peıodos o dlas que abaca el stumeto que se está utlzado, sedo esta ua catdad pefjada, se ecomeda seleccoa el paámeto de acuedo a la fómula - (4 Así po ejemplo, se acoseja seleccoa - 0,954 paa stumetos a mes ( mes dlas hábles e pomedo, ,9783 paa vesoes a meses ( meses 46 dlas hábles e pomedo dlas y - 0,99 paa vesoes a 6 meses (6 meses 6 dlas hábles e pomedo. 6 E Pza y Tejos [8] se bda ua justfcacó teóca de este tpo de seleccó del paámeto, la cual es obteda cuado modelamos el úmeo de peodos como la espeaza matemátca de ua vaable aleatoa X que sgue la dstbucó geométca o de Pascal de paámeto p (pobabldad de éxto e puebas depedetes de Beoull. Etoces, al guala la espeaza matemátca de la vaable aleatoa X co el úmeo de peodos, obteemos N EX, p 73

3 que al despeja obteemos la fómula (4... Impotaca elatva del pesete fete al pasado Oto puto de vsta dfeete y quzás mías páctco e la seleccó del paámeto cosste e emplea la fómula sguete: φ dode φ dca la mpotaca elatva de mías (e pocetaje del dato de hoy fete al dato de aye. Po ejemplo, s deseamos que el dato de hoy tega ua mpotaca elatva 0% mayo que el dato de aye (esto es, φ 0,, etoces se ecomeda seleccoa 0,909. Cotuado el ejemplo, s mías be deseamos que la mpotaca elatva del dato de hoy sea de u 5% especto al de aye, etoces se puede seleccoa 0,953. Se debe toma e cosdeacó que este tpo de seleccó paa el paámeto 05 (fómula 5 se ecueta lgada a la ateomete ecomedada e la fómula 4. E efecto, al guala ambas fomulas obteemos -, que al despeja os lleva a la elacó pecsa ete y φ: φ φ. Po ejemplo, cuado dlas (esto es, empleado u stumeto a mes, obtedíamos, que poduce pecsamete el valo 0, APROXIACIONES A µ Y Las fomulas ( y ( paa µ y hace efeeca a u úmeo fto de peíodos, lo que e la páctca hace mposble el cálculo de estas catdades e foma exacta. E la páctca dspoemos solamete de ua catdad fta N de datos,,..., N y debemos calcula apoxmacoes paa µ y. Esto puede hacese a tavés de vaos efoques dsttos: a tucado las fómulas usado solamete los datos dspobles; b eescalado los pesos de los datos dspobles paa que fome u sstema completo de pesos; c usa u efoque ecusvo. Aalzamos a cotuacó estas vaates, examado el eo de apoxmacó ducdo e cada caso. 3.. Efoque de Rsk-etcs Ua de las apoxmacoes más dfuddas paa apoxma µ y es la empleada po Rsk-etcs [Pága Web Es el hostal pcpal de la empesa Rsk-etcs. ], auque quzás se tate de la metodologíıa más buda e cuato al tatameto de los eoes de apoxmacó cosste e fja u vel de cofaza o umbal postvo α cecao a 0 y cota las fómulas ( y ( cosdeado solamete los pmeos peíodos ( N,detal foma que la suma de los pesos supee a la catdad - α, esto es, se seleccoa el meo valo de que satsfaga la desgualdad sguete: ( - α De esta maea se desecha los datos más vejos, esto es, pecsamete aquellos datos asocados a pesos cuya suma o supee el umbal α peseleccoado. Resolvedo la ateo desgualdad, obteemos la catdad de peıodos a cosdea e los cálculos, que deomamos m paa dstgulo de otos efoques: l( α m It (6 l( 74

4 dode It deota la fucó pate etea. Las apoxmacoes obtedas µm y m coespodetes a µ y espectvamete medate este cteo, queda etoces como sgue: m ( (7 m ( ( m (8 Alguos ejemplos de la catdad de peíodos m a cosdea e estos cálculos se peseta e la Tabla. Este efoque de Rsk-etcs peseta dos debldades que debe se tomadas e cosdeacó: 0,00% 0,0% 0,% 0.5% % % 5% Cuado. Tabla de valoes de úmeo de peíodos e fucó de los valoes del vel de cofaza m α y el valo de, bajo el efoque de Rsk-etcs. a Al cota las fómulas cosdeado solamete peíodos se está apoxmado a µ y po defecto. Además las apoxmacoes obtedas µm y m o coespode a pomedos podeados, pues el sstema de podeacoes e este caso es completo (o suma la udad. b No se dspoe de u cotol apopado del eo que se está cometedo medate esta apoxmacó, el cual puede se más gade que lo espeado cuado los datos tee magtudes gades. 3.. Apoxmacoes empleado los peıodos últmos E esta seccó estudaemos cuales so los vedadeos eoes de apoxmacó que se comete al tuca las fómulas del pomedo y volatldad expoecales cosdeado solamete los peíodos. Empleaemos las últmas apoxmacoes (, ( ( (9 que coduce a los eoes de apoxmacó µ - y - espectvamete. E la páctca se desea tee cotol sobe estos eoes, o sea, pode seleccoa de foma tal que ambos eoes sea pequeños, dgamos feoes a u ceto umbal de eo peestablecdo de atemao. Pza&Tejos [003] estudao este poblema y hallao que metas los datos de patda( N se ecuete acotados, estos eoes de 75

5 apoxmacó covege expoecalmete a 0 cuado tede a fto. Ua lgea adaptacó de este esultado al cotexto actual se esume co el sguete esultado. Teoem a. Supógase que, paa todo. Etoces, los eoes de apoxmacó µ - y - tee las sguetes acotacoes: µ -, 4. (0 Además, paa que ambos eoes de apoxmacó sea feoes a u umbal peestablecdo, basta co seleccoa l( / l( / 4 > ax, l( l( Demostacó: Restado µ e ( co µ e (9 y aplcado la desgualdad tagula y el hecho que obteemos: ( ( (... ( lo que demuesta la acotacó del eo de apoxmacó µ - µ. Paa el estudo del eo de apoxmacó -, pmeamete cosdéese las descomposcoes ( ( (, ( ( ( Luego, al calcula - obteemos: ( Tomado valo absoluto y empleado sucesvamete las desgualdades, -, - y m obteemos etoces: ( 4Μ, que es la desgualdad popuesta. Falmete, al esolve e la vaable las desgualdades elemetales <,4 <, obteemos el meo valo de que debe seleccoase paa que ambos eoes de apoxmacó sea feoes a : > max l( / l( / 4, l( l( 3.3. Efoque de Rsk-etcs omalzado pesos 76

6 Como hemos vsto, el efoque de Rsk-etcs coduce a u sstema educdo de pesos - ( -, paa,,...,. El adjetvo educdo se efee al hecho que la sum a de estos pesos o alcaza la udad: m m ( < Co el f de mejoa este aspecto, los autoes popoe estadaza los pesos, dvdedo cada uo de ellos po la suma de los msmos. Obteemos etoces u uevo sstema de pesos que además de se fto es completo, (,,, m ( m cuya suma es la udad. Esto os lleva a mejoes apoxmacoes a µ y, que deomaemos medate µ y espectvamete (de Rsk-etcs Reescalado, de acuedo co las fómulas sguetes: m m m m ( m ( ( m m (3 (4 La catdad de peíodos m a cosdea pemaece gual que e el efoque de Rsk-etcs. Estudaemos e la sguete seccó los eoes de apoxmacó que duce estas apoxmacoes µ y Aa Usado peíodos y omalzado pesos U efoque muy popula cosste e apoxma el pomedo y volatldad expoecales µ y empleado ua catdad fja de peíodos, medate algú esquema que sea coheete co todo lo ateo. La catdad de peíodos geealmete se seleccoa de foma tal que coespoda a mes (, o meses ( 4, o tes meses ( 63, etc. Al pefja el úmeo de peíodos y pocede al cálculo de las apoxmacoes tomado e cueta e los cálculos solamete los pmeos peíodos, pevamete debemos ealza ajustes e los pesos, eescaládolos tal y como se explco e (, co el f de covetlos e u sstema completo de pesos (cuya suma sea la udad. Paa loga esto, se dvde los pesos ( - po la costate -, que es la suma de los pmeos pesos. De esa maea obteemos u sstema completo de pesos. E efecto: m ( m (.. ( Empleado estos uevos pesos omalzados podemos calcula las apoxmacoes a µ y, deotadas po µ y espectvamete, medate: m ( m ( ( / (5 (6 77

7 Bajo la hpótess que los datos( N so acotados, las apoxmacoes µ y covege a µ y espectvamete e foma expoecal, cuado tede a fto. Esto se demuesta e el sguete teoe a. m Teoema. Supógase que, paa todo. Etoces, los eoes de apoxmacó µ- y - tee las sguetes acotacoes: 4, (7 Paa que ambos eoes de apoxmacó sea feoes a u umbal peestablecdo,basta co seleccoa l( /( l( /(4 > ax, l( l( Umbal de eo 0,00% 0,0% 0,% 0,5%% % 5% 0,90 88/94 66/73 44/5 9/36 /9 6/3 7/6 0,9 98/06 74/8 49/57 3/40 5/33 8/6 8/8 0,9 /9 83/9 56/64 36/45 8/37 0/9 9/0 0,93 7/37 96/05 64/74 4/5 3/4 3/34 0/3 0,94 49/6 /3 75/86 49/6 38/50 7/39 /7 0,95 80/94 35/49 90/04 59/73 45/60 3/47 4/3 0,96 6/43 70/87 3/30 74/9 57/75 40/59 7/40 0,97 306/36 7/50 5/75 99/ 76/00 53/79 3/53 0,98 456/49 34/377 8/63 49/84 4/5 80/9 35/80 0,99 97/ / /58 99/370 30/303 6/39 69/6 Cuado. Tabla de valoes de úmeo de peíodos e fucó de los valoes del vel de cofaza α y el valo de,de acuedo a los teoemas y, paa 0,. El valo epotado a la zqueda coespode al efoque s omalza los pesos, metas que el valo de la deecha coespode al efoque omalzado los pesos. Demostacó: Pmeamete estudemos la acotacó del eo sguete:. Realzamos la descomposcó ( ( ( ( ( Tomado valo absoluto, obteemos: ( ( ( ( A cotuacó estudamos la acotacó del eo - descomposcó de : (,.Paa ello empleamos la sguete 78

8 ( ( ( ( ( ( Luego, ( ( ( Tomado valo absoluto y empleado sucesvamete las desgualdades, µ- /(-,, µ,y,, obteemos etoces: 4 ( ( que es la desgualdad popuesta. Falmete, al esolve e la vaable las desgualdades elemetales 4, < < obteemos el meo valo de que debe seleccoase paa que ambos eoes de apoxmacó sea feoes a : > l( 4 / l(, l( /( l( max 3.5. Efoque ecusvo Plateamos e esta seccó u esquema de ecusó smultáea paa el calculo apoxmado de µ y, muy apopado e la páctca s se desea actualza los cálculos de cada uevo dıa (o peıodo apovechado los valoes ya calculados el dıa ateo. El esquema cosste e lo sguete: supogamos que ya hemos calculado las apoxmacoes µold y old a µ y, y paa el sguete dıa (o peıodo cotamos co u uevo dato. Etoces, pocedemos a calcula las uevas apoxmacoes µ y medate la ecusó smultaea sguete: µew µold(w, (9 ew {(olf µolf (-ew µew }/. (0 Al pcpo se debe pocedeá calza las catdades µold y old de la sguete maea: µold, old 0. La covegeca expoecal de estas apoxmacoes queda gaatzadas po el sguete teoema. Teoema 3. Supógase que, paa todo. Etoces, luego de aplca el esquema ecusvo veces, los eoes de apoxmacó µ - µew y ew tee las sguetes acotacoes: 79

9 µ-µew, y ew 6. ( Paa que ambos eoes de apoxmacó sea feoes a u umbal peestablecdo, basta co seleccoa > l( 6 / l(, l( /( l( max,. ( Demostacó: Los datos sobe los cuales aplcamos el esquema ecusvo so,,...,. Iductvamete hallamos las sguetes fómulas:. ( ( ew ew ew Luego, ew ( ( Po ota pate, _ ( ( ( ( ( ew ew ew ew µ de dode, ew ew ew 6 ( ( Falmete, al esolve e la vaable las desgualdades elemetales <, 6 <, obteemos los valoes de que debe seleccoase paa que ambos eoes de apoxmacó sea feoes a : > l( 6 / l(, l( /( l( max El método ecusvo es el más pecso de los dscutdos e este atículo, debdo a que utlza todos los datos dspobles, a dfeeca de los otos efoques. Además, posee las vetajas que se tata de u método smple, de ápdo cálculo y fácl mplemetacó e hojas Excel. Po tales vetajas, es el método ecomedado po los autoes paa el calculo apoxmado de µ y. 4. PROGRAACIÓN EN HOJAS ELECTRÓNICAS EXCEL E la Tabla 3 se lusta ua hoja tıpca de Excel, coteedo fomacó coceete al Fodo de Captalzacó Laboal e Coloes. La tabla cotee las sguetes columas: E la columa A vee ua umeacó de los datos. Esta umeacó es utlzada po las fucoes VolExp y PomExp de Vsual Basc, explcadas mas adelate. 80

10 E la columa B vee la fecha de cada dato. E la columa C vee los datos butos de Actvo Neto. E la columa D vee la tasa de etoo, calculadas a pat de los Actvos Netos medate la fomula Actvo Neto Actvo Neto. Actvo Neto Es a estas tasas de etoo a las cuales se les calcula las volatldades expoecales. E la tabla apaece los datos más ecetes al fal: po ejemplo 94es el dato más ecete, metas que es el más vejo. A pat de la columa E e adelate vee los cálculos de las volatldades expoecales, sguedo las apoxmacoes desctas e el pesete atículo. Se utlza e los cálculos las fucoes VolExp y PomExp po-gamadas e Vsual Basc. 5. LAS FUNCIONES VolExp y PomExp La fucó PomExp calcula el pomedo expoecal de ua see de datos. Utlza tes paámetos: PomExp(celda, lambda,. Cuado 3. Ejemplo de ua tabla Excel, co datos eales del Fodo de Captalzacó Laboal e Coloes. La fucó calcula el pomedo expoecal de los datos ubcados haca aba de la caslla celda e la hoja Excel, usado el paámeto lambda. El códgo de PomExp e Vsual Basc es el sguete: Fucto PomExp(Rg As Rage, Lambda As Sgle, As Itege As Vaat 8

11 Dm sum As Double Dm As Itege If > Cells(Rg.Row, The PomExp "<FD>" ElseIf < 0 The PomExp "< Neg>" Else sum0fotosumsumlambda^(-*(-lambda* Rg.Item(-Nextsumsum/(-Lambda^PomExpsum Ed If Ed Fucto Es mpotate explca que esta fucó utlza la umeacó exstete e la columa A de la hoja Excel, po lo cual el usuao debe matee esta umeacó, como se lusta e la Tabla 3. Po ota pate, la fucó VolExp també utlza los msmos tes paámetos, co el msmo sgfcado: VolExp(celda, lambda,. El códgo e Vsual Basc de esta fucó es el sguete: Fucto VolExp(Rg As Rage, Lambda As Sgle, As Itege As Vaat Dm sum As Double Dm As Itege Dm mu As Double If > Cells(Rg.Row, The VolExp "<FD>" ElseIf < 0 The VolExp "< Neg>" Else mu PomExp(Rg, Lambda, sum 0 FoTo sumsumlambda^(-*(-lambda* (Rg.Item(-^NextsumSq((sum/(-Lambda^-mu^VolExpsum Ed If Ed Fucto També esta fucó utlza la umeacó de los datos e la hoja Excel, ubcada e la columa A. REFERENCIAS BAXTER,. ad A. RENNIE (996: Facal Calculus, Cambdge Uvesty Pess, Cambdge. BENIGNA, S. (000: Facal odelg, The IT Pess, Secod Edto, assachusetts. DUFFIE, D.(99: Dyamc Asset Pcg Theoy, Pceto Uvesty Pess, Pceto. KARATZAS, I. ad S.E. SHREVE (00: ethods of athematcal Face. Spge Velag, Belı. LUENBERGER, D.G. (998: Ivestmet Scece, Oxfod Uvesty Pess, New Yok. 8

12 EYER, P. (99: Pobabldad y Aplcacoes Estadístcas. Addso Wesley Ibeoaméca, éxco. PLISKA, S.R. (997: Itoducto to athematcal Face: Dscete Tme odels. Blackwell Publshes, Oxfod. PIZA,E.ad J. TREJOS (003: Pomedos móvl y volatldad expoecal. Publcacó de Pe Pts del CIPA, No., 004, Sa José. ISSN

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 2017 ÁLGEBRA II (LSI PI) UNIDAD Nº 5 RANSFORMACIONES LINEALES Facultad de Cecas Exactas y ecologías UNIERSIDAD NACIONAL DE SANIAGO DEL ESERO aa Error! No hay texto co el estlo especfcado e el documeto

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

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

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

Más detalles

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

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

Más detalles

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

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

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

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

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

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

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

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó

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

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

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

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual Cotudad del cotrol vsual INDICE Itroduccó Teoría prelmar: Cotrol vsual e el espaco varate Cotrol e el espaco varate co pesos(weghted varat space) Expermetos utlzado datos smulados Cotrol de ua camara metras

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

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

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

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

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

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

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

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

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

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

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

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

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

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

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

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

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

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral

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

Ray-tracing. Ray-Tracing. Transporte de energia luminosa. Ecuación de rendering. Pseudo-codigo. Algoritmo básico

Ray-tracing. Ray-Tracing. Transporte de energia luminosa. Ecuación de rendering. Pseudo-codigo. Algoritmo básico Ray-tacg Ray-Tacg Solucoes depedetes del obsevado lgotmo básco Ray tacg ecusvo Optmzacoes Ray tacg dstbuído Itoduccó a Mote Calo Path-tacg B-dectoal path tacg Taspote de eega lumosa Ecuacó de edeg L (

Más detalles

6. ESTIMACIÓN PUNTUAL

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

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

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

Más detalles

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas 5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

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

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

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

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TEMAS DE MATEMÁTICAS (Ooscoes de Secudaa TEMA 6 DESIGUALDAD DE TCHEBYCHEV. COEFICIENTE DE VARIACION. VARIABLE NORMALIZADA. ALICACIÓN AL ANÁLISIS, INTERRETACIÓN Y COMARACIÓN DE DATOS ESTADÍSTICOS.. Vaable

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

(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

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

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

Más detalles

Cinemática del Robot Industrial

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

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta

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

Control Difuso Takagi-Sugeno Aplicado al Equipo Didáctico de la Bola y la Viga

Control Difuso Takagi-Sugeno Aplicado al Equipo Didáctico de la Bola y la Viga Cotol Dfuso akag-sugeo Aplcado al Equpo Ddáctco de la Bola y la Vga Rosalío Fafá Matíez, José A. Ruz Heádez, Ramó Gacía Heádez, José Lus Rullá Laa, Nu Ptalúa Díaz 3 Uvesdad ecológca de Campeche, Caetea

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

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

Más detalles

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

LOS NÚMEROS COMPLEJOS

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

Más detalles

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 4: VALORACIÓN DE RENTAS

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

Más detalles

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.

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

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

Analogía para derivar un teorema extendido de Pitágoras para N dimensiones

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

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra

Más detalles

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

1.3. Longitud de arco.

1.3. Longitud de arco. .. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado

Más detalles

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

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

Más detalles

FUNDAMENTOS FÍSICOS Y TECNOLÓGICOS DE LA INFORMÁTICA

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

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

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

Más detalles

Es aquella Serie Uniforme, cuyo Pago tiene lugar, al Final del Periodo.

Es aquella Serie Uniforme, cuyo Pago tiene lugar, al Final del Periodo. ANUALIDADES SERIES UNIFORMES SERIE UNIFORME Se defe como u Cojuto de Pagos Iguales y Peródcos. El Térmo PAGO hace refereca tato a Igresos como a Egresos. També se deoma ANUALIDADES: Se defe como u Cojuto

Más detalles

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.

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

Más detalles

CENTRO DE MASA centro de masas centro de masas

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

Más detalles

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web:

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web: Itroduccó al Algebra Leal e Cotexto Autor José Arturo Barreto M.A. Web: www.abaco.com.e www.mprofe.com.e josearturobarreto@yahoo.com Descomposcó e Valor Sgular (SVD: Sgular Value Decomposto) El sguete

Más detalles