Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia

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

Download "Scientia Et Technica ISSN: 0122-1701 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia"

Transcripción

1 Scenta Et Technca ISSN: Unversdad Tecnológca de Perera Colomba OSPINA GUTIÉRREZ, LUZ MARÍA; ZAPATA RAMÍREZ, GEISON ALEXIS; RODAS RENDON, PAULA ANDREA PRUEBA DE NO LINEALIDAD PARA SERIES TEMPORALES FINANCIERAS Scenta Et Technca, vol. XVII, núm. 47, abrl, 2011, pp Unversdad Tecnológca de Perera Perera, Colomba Dsponble en: Cómo ctar el artículo Número completo Más nformacón del artículo Págna de la revsta en redalyc.org Sstema de Informacón Centífca Red de Revstas Centífcas de Amérca Latna, el Carbe, España y Portugal Proyecto académco sn fnes de lucro, desarrollado bajo la ncatva de acceso aberto

2 Scenta et Technca Año XVII, No 47, Abrl de Unversdad Tecnológca de Perera. ISSN PRUEBA DE NO LINEALIDAD PARA SERIES TEMPORALES FINANCIERAS Testng for nonlnearty n fnancal tme seres RESUMEN Este artículo propone el análss del preco del oro como una señal fnancera de alta relevanca. La metodología desarrollada propone ) un pre-procesamento de la señal de no estaconara a estaconara. ) aplcacón del método de los datos susttutos como mecansmo para la deteccón de no lnealdad, a partr de la formulacón de una escala de hpótess nulas. ) seleccón de una batería de estadístcos de prueba no lneales que permten comparar el comportamento de la señal orgnal con el conjunto de datos susttutos generados. v) aplcacón de un crtero de rechazó o aceptacón de las hpótess. PALABRAS CLAVES: Dnámca no lneal, Datos susttutos, Estadístca no lneal, Hpótess nulas. ABSTRACT Ths artcle proposes an analyss of the prce of gold as a fnancal sgnal of hgh relevance. The methodology developed ) a pre-processng of the sgnal not statonary to statonary. ) Applyng the method of surrogate data as a mechansm for detectng the nonlnearty from formulatng a range of null hypothess. ) Selectng a set of nonlnear test statstc that contrast the behavor of the orgnal sgnal wht the surrogate data set generated. v) Applyng a crteron for rejecton or acceptance of hypothess. LUZ MARÍA OSPINA GUTIÉRREZ Ingenera Industral, M. Sc. Profesor Asstente Unversdad Tecnológca de Perera lmaus@utp.edu.co GEISON ALEXIS ZAPATA RAMÍREZ Ingenero Industral, M. Sc. Profesor Ttular Unversdad Tecnológca de Perera aaog@utp.edu.co PAULA ANDREA RODAS RENDON Ingenera Industral, M. Sc. Profesor Asstente Unversdad Tecnológca de Perera parodas@utp.edu.co KEYWORDS: Nonlnear dynamcs, Surrogate data, nonlnear statstcs, null hypothess. 1. INTRODUCCIÓN El mercado fnancero ha sdo y es objeto de estudo por numerosos nvestgadores y profesonales de las fnanzas. Un amplo número de ellos, con la ntencón de comprender su funconamento, nvestga las posbles relacones de causa-efecto de cada mercado, de suerte que le revelen certas pautas de regulardad que, fundamentalmente le permtan corroborar sus hpótess, e ncluso llegar a predecr. Esto ha llevado a la creacón de una enorme cantdad de modelos que en certa medda mten el comportamento del mercado [1]. Los mercados fnanceros ajustan precos de un modo tal que toda la nformacón públca, tanto de carácter fundamental como hstórca, está recogda en el preco de equlbro. Esto genera que los precos varíen a medda que se recbe nformacón nueva, lo que sgnfca que los cambos en los precos del día estén causados por las notcas no esperadas de hoy, nunca como consecuenca de las de días anterores; por tanto, los benefcos de hoy son ndependentes de los de ayer [1]. Debdo a la naturaleza de las seres de tempo fnanceras se han realzado dferentes estudos con métodos que trabajan lnealdad y modelos estocástcos, sn embargo los modelos lneales evdencan la necesdad de desarrollar otros métodos que puedan mostrar una mayor realdad, por lo tanto estos son nsufcentes para descrbr el comportamento de las seres [1], por el contraro los modelos estocástcos son dfícles de comprobar e nterpretar a causa del rudo ntrínseco del sstema, la transtoredad de los patrones o una combnacón de ambos [2]. Lo anteror ha sdo un enfoque tradconal para el estudo de las seres fnanceras, sn embargo en los años recentes se ha ncrementado sustancalmente los test de no lnealdad, lo que ha permtdo mejorar la comprensón del comportamento de los precos y el mercado [3]. En la actualdad, cerca del 90% de la produccón mundal de oro se destna a los fondos de reservas ofcales de los dferentes países, mentras que el 10% restante es empleado en la ndustra, la joyería y la químca, por lo tanto por la relevanca de este metal y por efectos académcos se desea efectuar el estudo de esta sere [4]. A contnuacón se realza una ntroduccón al método de los datos susttutos propuesto por Theler [5], el cual se emplea para clarfcar declaracones sobre la presenca de no lnealdad en seres temporales. Fecha de Recepcón: 25 de Enero de 2011 Fecha de Aceptacón: 15 de Abrl de 2011

3 72 Scenta et Technca Año XVII, No 47, Abrl de Unversdad Tecnológca de Perera. 2. MÉTODO DE LOS DATOS SUSTITUTOS El método de los datos susttutos establece un régmen para poner a prueba hpótess específcas sobre la dnámca del sstema, el método procede a comparar el valor de las estadístcas (no lneales) de los datos y la dstrbucón aproxmada de las dversas clases de sstemas lneales; de este modo prueba s los datos tenen algunas característcas que son dstntas de sstemas estocástcos lneales. En prmer lugar, se suponen las sguentes hpótess: 0) rudo ndependente e déntcamente dstrbudo (..d); 1) rudo lnealmente fltrado; y 2) transformacón estátca no lneal monótona del rudo lnealmente fltrado. El prncpo de los datos susttutos es el sguente, un prmer supuesto es que los datos provenen de alguna clase de proceso dnámco especfco que podría corresponder a un modelo paramétrco de los datos. Entonces se generan datos susttutos de ese proceso hpotétco y se calculan varas estadístcas a los susttutos y a los datos orgnales. Los datos susttutos darán la dstrbucón esperada de los valores estadístcos y uno puede comprobar que los datos orgnales tenen un valor típco. S los datos orgnales tenen estadístcas atípcas, se rechaza la hpótess de que el proceso que genera los datos orgnales es de la clase asumda. Sempre se progresa desde suposcones smples y especfcas a un modelo mayor y más sofstcado. En cualquer caso, para comprobar s hay alguna evdenca de que los datos son nconsstentes con la hpótess, se compara los datos con los susttutos. Al elegr un estadístco de prueba apropado, se puede comparar el valor del estadístco de prueba para los datos y el conjunto de valores obtendos para los susttutos. S son dferentes, se puede conclur que los susttutos, y por lo tanto la hpótess subyacente, no son representacón de los datos Fundamentacón Sea una hpótess específca y F el conjunto de todos los procesos (o sstemas) consstentes con la hpótess. N Sea Z R la sere de tempo (que consste en N N meddas escalares) a consderar, y sea T : R una estadístca cualquera usada para probar la hpótess de modo que Z es generada por algún proceso F F. El conjunto de datos susttutos S, 1,2,..., n son generados desde Z (y son de la msma longtud de Z y consstentes con la hpótess puesta a prueba). Generalmente R y se puede dscrmnar entre el dato Z y el susttuto S consstente con la hpótess, dada la densdad de probabldad aproxmada P ( t) P( T( S )) es decr, la densdad de T, F probabldad de T dado F. En una segunda parte de su trabajo, Theler sugere que hay dos tpos dferentes de estadístcos de prueba: fundamentales y no fundamentales. Un estadístco de prueba T es fundamental s la densdad de probabldad P T, F es la msma para todos los procesos F consstentes con la hpótess, de lo contraro no es fundamental. Una eleccón prudente de un estadístco de prueba (es decr, un estadístco de prueba fundamental) puede alvar algo de la tensón de garantzar que el algortmo de generacón de susttutos ha creado susttutos derechos. Claramente la densdad de probabldad P, depende de T F la eleccón de T y F. Sn embargo se desea P T, F ( t) P( T( Z t z es consstente con. Para más consderacones precsas de esta stuacón, Theler tambén dferencó dos dferentes tpos de hpótess: Hpótess smples e hpótess compuestas. Una hpótess es smple s el conjunto de todos los procesos consstentes con la hpótess F es untaro. S una hpótess no es smple es compuesta. Para una hpótess smple el método de datos susttutos es trval, solo se necesta comparar varas realzacones del sstema partcular con los datos observados y decdr s es típca o no. Cuando se ha formulado una hpótess de un problema, no solo se ha generado susttutos consstentes con F (de un proceso partcular) tambén se estma F. Theler argumenta que es convenente utlzar F estadístcos de prueba fundamentales s la hpótess es compuesta. En el caso de que la hpótess sea compuesta se debe especfcar a F, a menos de que el estadístco de prueba T sea fundamental, en este caso P, es el msmo para todo T F F F. En los casos en que los estadístco de prueba no fundamentales no son aplcables a hpótess compuestas, Theler sugere que un esquema de realzacón más lmtado sea empleado. Sea F F el proceso estmado de los datos Z y sea S el conjunto de datos susttutos generados por F F. Sea F ˆ F el proceso estmado de S, un susttuto S es una realzacón lmtada de Fˆ Fˆ. S Fˆ Fˆ, el susttuto S es no lmtado. Es decr, así como la generacón de susttutos son realzacones típcas de un modelo de los datos, hay que asegurarse de que los

4 Scenta et Technca Año XVII, No 47, Abrl de Unversdad Tecnológca de Perera. 73 susttutos son realzacones de un proceso que da estmacones de los parámetros déntcos (de ese proceso) a las estmacones de los parámetros de los datos. Por ejemplo, sea f la hpótess de que Z es generado por rudo lnealmente fltrado (ndependente e déntcamente dstrbudo). Los susttutos para Z pueden ser generados por estmacón del mejor modelo lneal (a partr de Z ) y generando realzacones de este modelo asumdo. Estos susttutos serán realzacones no lmtadas. Lmtadas realzacones susttutas pueden ser generadas al aleatorzar las fases de la transformada de Fourer de los datos (esto produce un conjunto de datos aleatoros con los msmos espectros de potenca, y por lo tanto con la msma autocorrelacón que los datos orgnales). M. Small et al. Probaron que un nvarante de la dnámca es una estadístca artculada para una gran varedad de realzacones no lmtadas de hpótess compuesta, generando de esta manera la posbldad de verfcar s los datos provenen de certos modelos no lneales.[6] Deteccón de no lnealdad en seres de tempo A través del método de los datos susttutos es posble realzar una verfcacón ndrecta de la no lnealdad de una sere temporal, la dea es ntentar rechazar una sere de hpótess (Fgura 1), la cuales proponen que la sere provene de un sstema dnámco sencllo [6], orgnalmente se propuseron las tres hpótess ya menconadas y con el tempo se han propuesto otro conjunto de hpótess. Una hpótess nula se refere a una hpótess que no puede ser rechazada o aceptada, es decr, cuando por medo de una estadístca se encuentra que el valor de esta para los datos es atípco a la dstrbucón que se generó de los susttutos lo únco que se puede asegurar es que dcha hpótess en partcular fue capaz de dstngur entre los datos y los susttutos, cuando ocurre lo contraro, es decr, cuando el valor de la estadístca para los datos es típco a la dstrbucón que se generó de los susttutos solo se puede afrmar que la estadístca fue ncapaz de dstngur entre los datos y los susttutos [6], por este motvo Theler et al.[5] sugeren utlzar una batería de estadístcas Hpótess Nulas Hpótess Nula 0 (HN0): Rudo ndependente e déntcamente dstrbudo (..d) Esta plantea que la sere se puede descrbr como una varable gaussana aleatora ndependente e déntcamente dstrbuda (..d), los susttutos deben poseer la msma meda y desvacón estándar que los datos Hpótess Nula 1 (HN1): Rudo lnealmente fltrado Los datos de prueba son producdos por un proceso lneal estocástco en la forma de un modelo ARMA con parámetros desconocdos, lo cual es un fltro lneal del rudo..d Hpótess Nula 2 (HN2): Transformacón estátca no lneal monótona del rudo lnealmente fltrado Los datos de prueba se obtenen al aplcar un fltro no lneal estátco y monotónco a la sere orgnal generada por un proceso ARMA. 3. MÉTODO El método empleado para el análss es el sguente: Conversón de una sere temporal no estaconara en una señal estaconara aplcando el algortmo de Box-Jenkns de la prmera dferenca. Cálculo de la dmensón de embebmento (m) y el tempo de retardo ( ) a través del algortmo de falsos vecnos y auto correlacón respectvamente, varables necesaras para el funconamento del estadístco de dmensón de correlacón, dado que este opera sobre el atractor del sstema que genera la sere, lo que no es necesaro para estmar los estadístcos: nformacón mutua promedo (AMI) y Complejdad de Lempel Zv. Generacón de susttutos de acuerdo a los algortmos propuestos por Theler [5], quenes conservan certas característcas de la sere orgnal y a la vez se comportan consstentes con las hpótess a evaluar [35]. Fgura 1. Representacón gráfca de la escala de hpótess nulas Algortmo 0: Se aleatorzan los datos, este proceso destrurá cualquer correlacón temporal. Los susttutos tendrán la msma dstrbucón de probabldades que los datos. 1. Las notas de pe de págna deberán estar en la págna donde se ctan. Letra Tmes New Roman de 8 puntos

5 74 Scenta et Technca Año XVII, No 47, Abrl de Unversdad Tecnológca de Perera. Algortmo 1: Para generar estos susttutos se toma la transformada dscreta de Fourer de los datos y se aleatorza la fase para obtener una transformada nversa real. El susttuto es la nversa de esta nueva transformada de Fourer. Al aleatorzar las fases para mantener la ampltud, los susttutos tendrán el msmo espectro de potenca (y por lo tanto autocorrelacón) que los datos, pero el determnsmo no lneal desaparece. Algortmo 2: El procedmento se nca con el conjunto de datos Z, se genera un conjunto de datos gaussanos Y y se reordena Y para que tenga la msma dstrbucón de rangos que la sere orgnal Z. A contnuacón se aplca el algortmo de generacón de susttutos 1 a Yˆ (ya sea por ntercambo o preferblemente aleatorzaron las fases de la transformada de Fourer para Yˆ ). Fnalmente reordene el dato orgnal Z para crear un susttuto S que tene el msmo rango de dstrbucón que Y. Presentacón de los resultados, para esto se calculan los estadístcos de prueba: nformacón mutua promedo (AMI) y Complejdad de Lempel Zv, posterormente se construye la dstrbucón con los resultados que arrojan los estadístcos aplcados sobre los susttutos, tambén se calcula el valor del estadístco sobre la sere orgnal y se comparan resultados aceptando o rechazando la hpótess. selecconan 60 datos a la derecha y 60 datos a la zquerda. Antes de ncar el análss es necesaro defnr el número total de susttutos que deben ser generados, esto se determna a través de la metodología propuesta por Theler y Prchard [38], en la cual M ( 2 / ) 1, donde M es el número de susttutos y es la probabldad de falsos rechazos y está relaconada con el nvel de confanza de la prueba 1. Para este análss el nvel de confanza es del 95%, sendo de esta manera M 39 susttutos y las seres a procesar serán M 1 (2/ ). Así la probabldad de que se rechace la hpótess cuando esta es certa es 100%, para este caso rechazar la hpótess se refere a que la estadístco de los datos es mayor o menor que el conjunto de estadístcos de los susttutos, este tpo de prueba se conoce como prueba de dos datos. En la fgura 2 se puede observar como las propedades estadístcas de la señal orgnal no son constantes a través del tempo y como estas se establzan en la sere transformada en estaconara, condcón necesara para el respectvo análss [5]. 3. MATERIALES Las sere empleadas para el análss fue la prmera poscón del preco del Oro tomado de manera dara en la bolsa de Londres, meddo en dólares por onza, la cual cuenta con datos y fue obtenda de 4. RESULTADOS Y DISCUSIÓN El análss de cada sere de tempo en este trabajo se hzo a partr de partcones de la msma, por tramos de 120, 240, 1200, 2400, 4800 y 9600 datos; cada tramo representa medo año, un año, cnco años, dez años, vente años y de vente a cuarenta años respectvamente; para extraer cada tramo de cada una de las seres se ubcó en la mtad de las medcones de cada señal orgnal, de allí se selecconó la msma proporcón de datos a derecha e zquerda. Es decr la sere del oro cuenta con un total de 7911 medcones, para generar una señal con 120 datos, se procede a ubcar el dato 3955 y de allí se Fgura 2. Sere temporal del oro orgnal a) Sere temporal orgnal del preco del oro b) Sere temporal del oro transformada en estaconara Para el cálculo del tempo de retardo de la seres del preco del oro se utlzó la funcón no lneal llamada Informacón Mutua Promedo (AMI), concluyendo que este estadístco no arrojó resultados, dado que no se pudo observar con clardad el prmer mínmo de la curva, condcón necesara para detectar el valor del ( ) ; por esta razón se utlzó la auto correlacón. En la fgura 3 se apreca la gráfca de auto correlacón contra el tempo de retardo ( ) para cada una de las ses seres del preco del oro analzadas de 120, 240, 1.200, 2.400, y datos. El tempo de retardo se defne cuando la funcón de auto correlacón toma el valor de cero; para estos casos el ( ) es gual a 1.

6 Scenta et Technca Año XVII, No 47, Abrl de Unversdad Tecnológca de Perera. 75 En las sguentes fguras se compara la auto correlacón y la dstrbucón de frecuenca de la sere orgnal (línea en negrlla) con un susttuto generado con cada uno de los algortmos. En la fgura 5 se observa que la auto correlacón no es gual para ambas seres, pero la dstrbucón de frecuenca es gual. En la fgura 6 se apreca que la auto correlacón es gual para las seres, pero la dstrbucón de frecuenca dfere para ambas. En la fgura 7 se evdenca que la auto correlacón y la dstrbucón de frecuenca es gual para ambas seres. Fgura 3. Funcón de autocorrelacón a) 120 datos, b) 240 datos, c) 1200 datos, d) 2400 datos, e) 4800 datos, f) 7911 datos. Se calcula el porcentaje de falsos vecnos que hay para cada sere analzada del preco del oro dependendo de la dmensón de embebmento (m), (Tabla 1). Obsérvese que para la señal 1, se toma una dmensón de embebmento m 6, donde la geometría del atractor queda descuberta y nada nuevo surgrá s se aumentan las dmensones [24]. Un m 6 mplca que hay 6 grados de lbertad o 6 ecuacones dferencales que gobernan la evolucón de las varables dnámcas. Cuando el número de falsos vecnos cae a cero, ndca a partr de cual dmensón el atractor queda sn auto nterseccones, cabe anotar que a medda que aumenta la longtud de las señales, la dmensón de embebmento aumenta. Fgura 5. Autocorrelacón y dstrbucón de frecuencas con el algortmo 0. Tabla 1. Porcentaje de falsos vecnos para la señal del oro Se generan los datos susttutos para cada una de las ses seres, en las fguras 4 se hace referenca a las señal uno (120 datos) en donde se apreca la sere orgnal del preco del oro y los susttutos generados con cada algortmo. Al observar detendamente, el susttuto generado por el algortmo 2, se apreca que tene mayor smltud con la sere orgnal. Fgura 6. Autocorrelacón y dstrbucón de frecuencas con el algortmo 1. Fgura 7. Autocorrelacón y dstrbucón de frecuencas con el algortmo 2. Fgura 4. Datos susttutos del oro señal 1 La fgura 8 presenta gráfcamente el tercer estadístco (suma de correlacón) utlzado para valdar la hpótess del algortmo 0. Esta magen exhbe la dstrbucón de probabldad como una gráfca de contorno para los Las notas de pe de págna deberán estar en la págna donde se ctan. Letra Tmes New Roman de 8 puntos

7 76 Scenta et Technca Año XVII, No 47, Abrl de Unversdad Tecnológca de Perera. susttutos y una línea gruesa que representa los datos orgnales (línea en negrlla); los resultados de este estadístco para la señal 3, en el algortmo 0, se obtuveron con 1y m = 14; para aceptar la hpótess la línea que representa los datos debe estar dentro del contorno de los susttutos y conservar su pendente. Fgura 8. Curva de correlacón algortmo 0 señal 3. Se efectúa el cálculo de los estadístcos nformacón mutua promedo (AMI) y complejdad de Lempel-Zv para cada señal de la sere del preco del oro, con los algortmos 0, 1 y 2 respectvamente, a su vez se ndca el valor máxmo y mínmo que arroja cada uno de los estadístcos para los susttutos y el valor para los datos orgnales. En la tabla 2, se muestra el resumen de los resultados para las señales con el algortmo 0. Tabla 2. Resultados batería de estadístcos con el algortmo 0 La hpótess 0 para la señal 1 se acepta con las tres estadístcas, de acuerdo a estos resultados se puede conclur que la sere 1 tene un comportamento como rudo..d; cabe notar que la complejdad de Lempel-Zv es cercana a 1 para los susttutos generados por el algortmo 0, lo cual concuerda con rudo ndependente e déntcamente dstrbudo. La hpótess del algortmo 1 para la señal 1 es aceptada de acuerdo a la suma de correlacón y la complejdad de Lempel-Zv, lo cual es consstente con la aceptacón que tuvo la hpótess 0 con estos dos estadístcos; no sucede lo msmo con el estadístco AMI que acepta la hpótess 0 y luego rechaza la hpótess 1, esto no debe suceder, la aceptacón de la hpótess 0 mplca la aceptacón de la hpótess 1 y 2, o la aceptacón de la hpótess 1 mplca la aceptacón de la hpótess 2. Casos en los cuales aceptar la hpótess 0 y rechazar la 1, o aceptar la 1 y rechazar la 2, da lugar a un falso postvo, o falso negatvo. Como lo defne (Theler 1992) el algortmo 0 es contendo en el algortmo 1 y este a su vez es contendo en el algortmo 2 [5]. Para este caso se presenta una nconsstenca con el estadístco AMI. La hpótess del algortmo 2 es aceptada por los tres estadístcos lo cual se ajusta a los lneamentos y estructura de la metodología de datos susttutos. Para la señal 2 ocurre la msma stuacón que se do para la sere 1, esta converge a un comportamento de rudo ndependente e déntcamente dstrbudo. En la señal 3, los tres estadístcos aceptan la hpótess del algortmo 2 permtendo conclur en prmera nstanca que la sere se comporta como una transformacón no lneal de un proceso gaussano lneal estocástco. El estadístco de suma de correlacón y la complejdad de Lempel-Zv aceptan las hpótess del algortmo 0 y 1, lo que no ocurre con el estadístco AMI, el cual puede detectar una dferenca entre los datos y los susttutos, esta dferenca se debe ver en detalle tenendo en cuenta el valor que arrojo el estadístco para los datos y los susttutos. Las señales 4 y 5 obtuveron los msmos resultados de aceptacón y rechazo de las hpótess; las hpótess de los 3 algortmos fueron aceptadas por los estadístcos suma de correlacón y la complejdad de Lempel-Zv, pero fueron rechazadas por el estadístco AMI, esto evdenca la necesdad de amplar las baterías estadístcas y plantear otras pruebas de hpótess. La señal 6 muestra resultados nconsstentes con la metodología al aplcar dos estadístcos, la suma de correlacón y el AMI. 5. CONCLUSIONES La sere del preco del oro muestra un comportamento gaussano lneal estocástco, lo cual se derva en térmnos de procesamento de la señal en una dfcultad al momento de comprobar e nterpretar los datos a causa del rudo ntrínseco del sstema, la transtoredad de los patrones o una combnacón de ambos, en térmnos fnanceros corrobora los métodos de evaluacón fnancera desarrollados por el análss fundamental. 6. BIBLIOGRAFÍA [1] M. Matlla García, Análss de seres bursátles a partr de la Teoría de Caos, curso de verano Pontevedra [2] C. Monroy, Teoría del Caos, Tecnologías emergentes de cómputo, Computec, pp. 183, [3] C. Kyrtsou, W.C. Labys and M. Terraza, Nosy Chaotc Dynamcs n Commodty Markets, Emprcal Economcs, Vol 29, pp , [4] Peters, Edgar E., Chaos and order n the captal markets. (John Wley & Sons, Inc. New York), ISBN , pp. 271, [5] J. Theler, B. Galdrkan, A. Longtn, S. Eubank, & J.D. Farmer, Testng for nonlnearty n tme seres: The method of surrogate data, Physca Vol. 58, pp ,

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Índice de Precios de las Materias Primas

Índice de Precios de las Materias Primas May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

Clase 25. Macroeconomía, Sexta Parte

Clase 25. Macroeconomía, Sexta Parte Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 4 MARCO TEÓRICO CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

DEFINICIÓN DE INDICADORES

DEFINICIÓN DE INDICADORES DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF) ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

Cifrado de imágenes usando autómatas celulares con memoria

Cifrado de imágenes usando autómatas celulares con memoria Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Guía de ejercicios #1

Guía de ejercicios #1 Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

COMPARADOR CON AMPLIFICADOR OPERACIONAL

COMPARADOR CON AMPLIFICADOR OPERACIONAL COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón

Más detalles

Estimación no lineal del estado y los parámetros

Estimación no lineal del estado y los parámetros Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca

Más detalles

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente

Más detalles

Algoritmo para la ubicación de un nodo por su representación binaria

Algoritmo para la ubicación de un nodo por su representación binaria Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón

Más detalles

Matemática Financiera Sistemas de Amortización de Deudas

Matemática Financiera Sistemas de Amortización de Deudas Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP)

MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP) MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Prmer Semestre - Otoño 2014 Omar De la Peña-Seaman Insttuto de Físca (IFUAP) Benemérta Unversdad Autónoma de Puebla (BUAP) 1 / Omar De la Peña-Seaman

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.

CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en

Más detalles

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22 DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.

Más detalles

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

MÉTODOS PARA PROBAR NUMEROS

MÉTODOS PARA PROBAR NUMEROS Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular

Más detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

Introducción al riesgo de crédito

Introducción al riesgo de crédito Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta

Más detalles

Algunas aplicaciones del test del signo

Algunas aplicaciones del test del signo 43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.

Más detalles

1.- Una empresa se plantea una inversión cuyas características financieras son:

1.- Una empresa se plantea una inversión cuyas características financieras son: ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

Aspectos fundamentales en el análisis de asociación

Aspectos fundamentales en el análisis de asociación Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

2.5 Especialidades en la facturación eléctrica

2.5 Especialidades en la facturación eléctrica 2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros

Más detalles

INSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR

INSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

CANTIDADES VECTORIALES: VECTORES

CANTIDADES VECTORIALES: VECTORES INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES

Más detalles

IMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1

IMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1 IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.

Más detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos

Más detalles

Tiempos de relajación T 1 y T 2

Tiempos de relajación T 1 y T 2 empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople

Más detalles

Ejercicios y Talleres. puedes enviarlos a

Ejercicios y Talleres. puedes enviarlos a Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes

Más detalles

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades

Más detalles

Respuesta A.C. del FET 1/14

Respuesta A.C. del FET 1/14 espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

SEMANA 13. CLASE 14. MARTES 20/09/16

SEMANA 13. CLASE 14. MARTES 20/09/16 SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.

Más detalles

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología

Más detalles

Análisis de Resultados con Errores

Análisis de Resultados con Errores Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten

Más detalles

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica? Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento

Más detalles

EJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.

EJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3. EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las

Más detalles

Tema 3: Adaptadores de Señal

Tema 3: Adaptadores de Señal Tema 3: Adaptadores de Señal Sstema GENERAL de nstrumentacón (bloques( funconales): Señal sensor Fltrado, A/D Amplfcacón Rado, nternet bus de datos Medo Sensor prmaro Transductor de entrada Adaptacón de

Más detalles

1.1 Ejercicios Resueltos Tema 1

1.1 Ejercicios Resueltos Tema 1 .. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos) PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón

Más detalles

TEMA 6 AMPLIFICADORES OPERACIONALES

TEMA 6 AMPLIFICADORES OPERACIONALES Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal

Más detalles

Estimación del consumo diario de gas a partir de lecturas periódicas de medidores

Estimación del consumo diario de gas a partir de lecturas periódicas de medidores Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas

Más detalles

APENDICE A. El Robot autónomo móvil RAM-1.

APENDICE A. El Robot autónomo móvil RAM-1. Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas

Más detalles

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas

Más detalles

TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)

TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón

Más detalles

Un modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN

Más detalles

Tu área reservada Organización Simplicidad Eficiencia

Tu área reservada Organización Simplicidad Eficiencia Rev. 07/2012 Tu área reservada Organzacón Smplcdad Efcenca www.vstos.t La Tu tua área area reservada rservata 1 MyVstos MyVstos es la plataforma nformátca, reservada a los clentes Vstos, que permte comprobar

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C

Más detalles

Consideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos

Consideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos Consderacones empírcas del consumo de los hogares: el caso del gasto en electrcdad y almentos Emprcal Consderatons of the Famles Consumpton: the Case uf the Expense n Electrcty and Food Maro Andrés Ramón

Más detalles

Inferencia en Regresión Lineal Simple

Inferencia en Regresión Lineal Simple Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles