El Modelo de Regresión Lineal General Especificación
|
|
- Luz Soledad Saavedra Caballero
- hace 5 años
- Vistas:
Transcripción
1 Tema 4 El Mdel de Regresión Lineal General Especificación Pilar Gnzález y Susan Orbe Dpt. Ecnmía Aplicada III (Ecnmetría y Estadística) Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 1 / 39
2 Objetivs de aprendizaje Realizar el análisis de la frma funcinal en Gretl. Identificar ls principales elements del mdel ecnmétric. Cncer ls supuests básics del mdel de regresión. Interpretar ls ceficientes descncids del mdel. Gestinar las variables ficticias en Gretl. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 2 / 39
3 Cntenid 1 Planteamient del mdel. 2 Análisis gráfic y frma funcinal. Supuest de linealidad. Análisis gráfic y frma funcinal en Gretl. 3 Variables explicativas cualitativas. Inclusión en el mdel ecnmétric. Gestión de las variables ficticias en Gretl. 4 Especificación del MRLG. Supuests básics del mdel. Interpretación de ls ceficientes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 3 / 39
4 Cntenid 1 Planteamient del mdel. 2 Análisis gráfic y frma funcinal. Supuest de linealidad. Análisis gráfic y frma funcinal en Gretl. 3 Variables explicativas cualitativas. Inclusión en el mdel ecnmétric. Gestión de las variables ficticias en Gretl. 4 Especificación del MRLG. Supuests básics del mdel. Interpretación de ls ceficientes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 4 / 39
5 Planteamient del mdel. Mdel ecnmétric. Variable dependiente = Parte sistemática + Parte aleatria Parte sistemática = f(variables explicativas) Parte aleatria = Perturbación Y = f(variables explicativas) + perturbación Y = f(x 2, X 3,..., X k ) + u Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 5 / 39
6 Planteamient del mdel. Se ha de especificar: Variables explicativas: cuantitativas y/ cualitativas. Frma funcinal f(.): lineal, cuadrática, lgarítmica,... La perturbación es aleatria, pr l que habrá que tener infrmación sbre su distribución: media, varianza,... Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 6 / 39
7 Cntenid 1 Planteamient del mdel. 2 Análisis gráfic y frma funcinal. Supuest de linealidad. Análisis gráfic y frma funcinal en Gretl. 3 Variables explicativas cualitativas. Inclusión en el mdel ecnmétric. Gestión de las variables ficticias en Gretl. 4 Especificación del MRLG. Supuests básics del mdel. Interpretación de ls ceficientes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 7 / 39
8 Análisis gráfic y frma funcinal. Ejempl: función de cnsum familiar. Mdel ecnómic: C = f(r) dc dr > 0 (prpensión marginal a cnsumir) Mdel ecnmétric: C = f(r) + u La variable explicativa regresr es la renta que es cuantitativa. Y la frma funcinal? Qué tip de relación existe entre el cnsum y la renta? Instrument: gráfic del cnsum frente a la renta. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 8 / 39
9 Análisis gráfic y frma funcinal C R Frma funcinal: lineal C i = β 1 + β 2 R i + u i i = 1, 2,..., N Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 9 / 39
10 Análisis gráfic y frma funcinal C R Frma funcinal: cuadrática C i = β 1 + β 2 R i + β 3 R 2 i + u i i = 1, 2,..., N Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 10 / 39
11 Análisis gráfic y frma funcinal C R Frma funcinal: lgarítmica ln C i = β 1 + β 2 ln R i + u i i = 1, 2,..., N Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 11 / 39
12 Análisis gráfic y frma funcinal. Lineal : C i = β 1 + β 2 R i + u i Cuadrática : C i = β 1 + β 2 R i + β 3 R 2 i + u i Lgarítmica : ln C i = β 1 + β 2 ln R i + u i Semilgarítmica : ln C i = β 1 + β 2 R i + u i C i = β 1 + β 2 ln R i + u i Es válida cualquier frma funcinal dentr del marc del mdel de regresión lineal general? Supuest. Linealidad El mdel de regresión lineal es lineal en ls ceficientes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 12 / 39
13 Análisis gráfic y frma funcinal en Gretl. EJEMPLO 4.1. Análisis gráfic y frma funcinal. 1. Representar funcines en Gretl. Ejempl Análisis gráfic de ls dats y frma funcinal. Ejempl Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 13 / 39
14 Cntenid 1 Planteamient del mdel. 2 Análisis gráfic y frma funcinal. Supuest de linealidad. Análisis gráfic y frma funcinal en Gretl. 3 Variables explicativas cualitativas. Inclusión en el mdel ecnmétric. Gestión de las variables ficticias en Gretl. 4 Especificación del MRLG. Supuests básics del mdel. Interpretación de ls ceficientes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 14 / 39
15 Variables explicativas cualitativas. Alguns ejempls: 1. Géner, raza, nivel de estudis, puest de trabaj, lcalización, zna de residencia Estacinalidad, cambis estructurales (crisis/n crisis,...) 3. Variables cuantitativas recgidas pr interval: renta, edad,... Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 15 / 39
16 Variables explicativas cualitativas. Ejempl: ventas de una cadena de perfumerías. Una cadena de perfumerías que tiene tiendas en Francia, España e Italia quiere analizar la evlución de sus ventas. Para ell cuenta cn dats de las ventas de 350 de sus tiendas para el añ 2011, así cm la renta prmedi del municipi dnde se encuentra la tienda. Ventas Renta Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 16 / 39
17 Variables explicativas cualitativas. Si cnsiderams las 350 tiendas cnjuntamente, el mdel sería: V = f(r) V i = β 1 + β 2 R i + u i i = 1, 2,..., 350 Ventas Renta Renta Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 17 / 39
18 Variables explicativas cualitativas. Cnsiderems el siguiente gráfic: Ventas Renta Francia Italia España existen diferencias entre las ventas de ls diferentes países. V = f(renta, P aís) Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 18 / 39
19 Variables explicativas cualitativas. Ventas a F a a X = X 0 Renta Es precis intrducir el efect país en el mdel de regresión de frma que el efect sbre las ventas de un increment unitari en la renta sea el mism en ls tres países, per, para una misma renta, el nivel de ventas sea diferente en cada país. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 19 / 39
20 Variables explicativas cualitativas. Las variables cualitativas se intrducen en el mdel a través de variables ficticias. Variable ficticia. Una variable ficticia es una variable artificial binaria del tip: { 1 si la característica está presente en la bservación i D i = 0 en tr cas Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 20 / 39
21 Variables explicativas cualitativas. En principi, se cnstruyen tantas variables ficticias cm categrías tenga la variable cualitativa. Ejempl. Númer de categrías: 3 3 Variables Ficticias { 1 i Italia I i = 0 en tr cas { 1 i Francia F i = 0 en tr cas { 1 i España E i = 0 en tr cas Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 21 / 39
22 Variables explicativas cualitativas. Especificación: Se intrducen tantas variables ficticias cm categrías tiene la variable cualitativa mens 1, manteniend el términ cnstante. V i = β 1 + β 2 I i + β 3 F i + β 4 R i + u i i = 1, 2,..., 350 V i i ɛ Italia = V i i ɛ Francia = V i i ɛ España = β 1 + β 2 + β 4 R i + u i β 1 + β 3 + β 4 R i + u i β 1 + β 4 R i + u i Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 22 / 39
23 Variables explicativas cualitativas Representación gráfica. Ventas 1 3 X 1 2 X 1 X X = X0 Renta Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 23 / 39
24 Variables explicativas cualitativas Pr qué n intrducims tdas las variables ficticias? V i = β 1 + β 2 I i + β 3 F i + β 4 E i + β 5 R i + u i i = 1, 2,..., 350 V i i ɛ Italia = β 1 + β 2 + β 5 R i + u i V i i ɛ Francia = β 1 + β 3 + β 5 R i + u i V i i ɛ España = β 1 + β 4 + β 5 R i + u i En este mdel cn términ independiente más las tres variables ficticias, ls ceficientes β 1, β 2, β 3, β 4 n están identificads prque F i + I i + E i = 1, i. Supuest. Ausencia de clinealidad perfecta N existen cmbinacines lineales entre ls regresres del mdel. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 24 / 39
25 Gestión de las variables ficticias en Gretl. EJEMPLO 4.2. Diseñar variables ficticias en Gretl. 1. Intrducir la variable manualmente. Aplicación en el Ejempl Generar la variable a partir de una variable discreta. Aplicación en el Ejempl Definir la variable para un rang de bservacines. Aplicación en el Ejempl Variables ficticias incluidas en Gretl. Aplicación en el Ejempl La variable tendencia. Aplicación en el Ejempl Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 25 / 39
26 Cntenid 1 Planteamient del mdel. 2 Análisis gráfic y frma funcinal. Supuest de linealidad. Análisis gráfic y frma funcinal en Gretl. 3 Variables explicativas cualitativas. Inclusión en el mdel ecnmétric. Gestión de las variables ficticias en Gretl. 4 Especificación del MRLG. Supuests básics del mdel. Interpretación de ls ceficientes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 26 / 39
27 Especificación del MRLG. Y i = β 1 + β 2 X 2i + β 3 X 3i β k X ki + u i i = 1, 2,..., N Y : variable a explicar endógena. X j β j j = 1,..., k: variables explicativas cuantitativas y/ variables ficticias. j = 1,..., k: ceficientes a estimar. u es la perturbación aleatria (n bservable). N es el tamañ muestral. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 27 / 39
28 Especificación del MRLG. Parte sistemática: β 1 + β 2 X 2i + β 3 X 3i β k X ki Recge tds ls factres relevantes y tds ls factres que incluye sn relevantes. Refleja el cmprtamient prmedi de Y cndicinad a X en la pblación: E X (Y i ) = β 1 + β 2 X 2i + β 3 X 3i β k X ki E X (u i ) = 0 Parte aleatria: u es una variable aleatria n bservable que quiere recger: Efects n incluids en la parte sistemática del mdel. Cmprtamient aleatri de ls agentes ecnómics. Errres de medida. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 28 / 39
29 Especificación del MRLG. Supuests básics. Supuest S1. El mdel de regresión lineal general (MRLG) pblacinal se expresa cm: Y i = β 1 + β 2 X 2i + β 3 X 3i β k X ki + u i i = 1,.., N dnde: Las variables explicativas sn estcásticas. β 1, β 2,..., β k sn parámetrs descncids cnstantes. El mdel es lineal en ls ceficientes. El mdel está crrectamente especificad, es decir, tds ls factres relevantes están incluids en el mdel y tds ls factres incluids en el mdel sn relevantes. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 29 / 39
30 Especificación del MRLG. Supuests básics. S2. Ausencia de clinealidad. En la muestra, ningún regresr es cnstante ni puede haber cmbinacines lineales exactas entre ls regresres. Sbre la perturbación aleatria S3. Media cndicinada cer. E(u i X 2, X 3,..., X k ) = 0 i = 1, 2,..., N S4. Hmcedasticidad. La varianza de la perturbación es cnstante. Var(u i X 2, X 3,..., X k ) = σ 2 i = 1, 2,..., N S5. Ausencia de Autcrrelación: Cv(u i, u j X 2, X 3,..., X k ) = 0 i j. S6. Nrmalidad: Las pertubacines u j sn independientes de las variables explicativas y están idénticamente y nrmalmente distribuidas. u i NID(0, σ 2 ) i = 1,..., N Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 30 / 39
31 Interpretación de ls ceficientes. Dads ls supuests del MRLG, tenems que: E X (Y i ) = E X (β 1 + β 2 X 2i β k X ki + u i ) = β 1 + β 2 X 2i β k X ki + E X (u i ) }{{} =0 E X (Y i ) = β 1 + β 2 X 2i β k X ki E X (Y i ) es la Función de Regresión Pblacinal (FRP). Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 31 / 39
32 Interpretación de ls ceficientes. Mdel de regresión lineal simple. dnde: Y i = β 1 + β 2 X i + u i FRP: E(Y i X) = β 1 + β 2 X i β 1 : rdenada de la recta de regresión pblacinal. β 2 : pendiente de la recta de regresión pblacinal. Y β 1 = 0 FRP Valr esperad de Y cuand X vale cer E(Y i X) = β 1 + β 2 X i β 2 = Cambi en el valr esperad de Y cuand X aumenta en una unidad. X Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 32 / 39
33 Interpretación de ls ceficientes Mdel de regresión lineal general. Supngams que tds ls regresres sn variables explicativas cuantitativas. β j, j = 2, 3,..., k: cambi (increment decrement) en el valr esperad de Y cuand X j aumenta en una unidad, manteniend el rest de las variables explicativas cnstantes: β j = E X(Y ) X j = 1 Efect marginal de X j sbre Y. β 1 = E[Y i X 2i = 0,..., X ki = 0] Es el valr esperad de Y cuand tdas las variables explicativas tman el valr cer. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 33 / 39
34 Interpretación de ls ceficientes. 1. Para distintas frmas funcinales. Frma funcinal Efect marginal Elasticidad = E X (Y )/Y X/X Lineal Y i = β 1 + β 2X i + u i β 2 β 2 X Y Cuadrática Y i = β 1 + β 2X i + β 3X 2 i + u i β 2 + 2β 3X (β 2 + 2β 3X) X Y lg-lg ln Y i = β 1 + β 2 ln X i + u i β 2 Y X lg-lin ln Y i = β 1 + β 2X i + u i β 2 Y β 2 X β 2 lin-lg Y i = β 1 + β 2 ln X i + u i β 2 1 X β 2 1 Y Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 34 / 39
35 Interpretación de ls ceficientes. 2. Variables explicativas cualitativas. Ejempl de las tiendas de perfumería: V i = β 1 + β 2 I i + β 3 F i + β 4 E i + β 5 R i + u i i = 1, 2,..., 350 Función de regresión pblacinal. E(V i X i ) = E X (β 1 + β 2 I i + β 3 F i + β 4 R i + u i ) = β 1 + β 2 I i + β 3 F i + β 4 I i España: E(V i R i, I i = 0, F i = 0) = β 1 + β 4 R i. Italia: E(V i R i, I i = 1, F i = 0) = (β 1 + β 2 ) + β 4 R i Francia: E(V i R i, I i = 0, F i = 1) = (β 1 + β 3 ) + β 4 R i Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 35 / 39
36 Interpretación de ls ceficientes. Representación gráfica. Ventas 1 3 X 1 2 X 1 X X = X0 Renta Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 36 / 39
37 Interpretación de ls ceficientes. Ceficiente de la variable renta. β 4 = Cambi en el valr esperad de las ventas cuand la renta aumenta en una unidad, manteniend la variable país cnstante. Términ independiente. β 1 = E(V i R i = 0, I i = 0, F i = 0) Valr esperad de las ventas en las tiendas españlas cuand el valr de la variable renta es cer. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 37 / 39
38 Interpretación de ls ceficientes. Ceficientes asciads a las variables ficticias. β 2, β 3 n tienen una interpretación de pendiente prque las variables ficticias n sn variables cntinuas, sin que sn variables discretas. Para España: Para Italia: E(V i R i, F i = 0, I i = 0) = β 1 + β 4 R i E(V i R i, I i = 1, F i = 0) = (β 1 + β 2 ) + β 4 R i = β 2 = E(V i R i, I i = 1, F i = 0) E(V i R i, I i = 0, F i = 0) β 2 = Diferencia en el valr esperad de las ventas entre las tiendas italianas y las españlas, manteniend la variable renta cnstante. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 38 / 39
39 Interpretación de ls ceficientes Para España: E(V i R i, F i = 0, I i = 0) = β 1 + β 4 R i Para Francia: E(V i R i, I i = 0, F i = 1) = (β 1 + β 3 ) + β 4 R i = β 3 = E(V i R i, I i = 0, F i = 1) E(S i R i, I i = 0, F i = 0) β 3 = Diferencia en el valr esperad de las ventas entre las tiendas francesas y las españlas, manteniend la variable renta cnstante. Pilar Gnzález y Susan Orbe OCW 2013 Tema 4. MRLG: Especificación 39 / 39
CAPÍTULO 2 REGRESIÓN LINEAL MULTIPLE
CAPÍTULO REGRESIÓN LINEAL MULTIPLE Fernández Departament de Matemáticas Universidad de Puert Ric Recint Universitari de Mayagüez REGRESIÓN LINEAL MULTIPLE La regresión lineal multiple trata de explicar
Más detallesEjemplo 4.1. Análisis gráfico y forma funcional en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 4.1 Análisis gráfico y forma funcional en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 4.1 Análisis gráfico
Más detallesANÁLISIS DE ERRORES DE ESTIMACIÓN. VARIANZA DEL ERROR DE ESTIMACIÓN. Guión de exposición en clase
ANÁLISIS DE ERRORES DE ESTIMACIÓN. VARIANZA DEL ERROR DE ESTIMACIÓN Guión de expsición en clase ANÁLISIS DE ERRORES DE ESTIMACIÓN / PREVISIÓN Ds ideas centrales: Un mdel que n es capaz de reprducir la
Más detallesClasificacion. Walter Sosa-Escudero. Universisad de San Andrés y CONICET
Universisad de San Andrés y CONICET Pact de damas y caballers. Clasificadr de Bayes Admitir a un alumn a un psgrad, en base a sus calificacines y recmendacines. Dar un credit, en base a antecedentes. Par
Más detallesEjemplo 4.2. Variables ficticias en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 4.2 Variables ficticias en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 4.2 Variables ficticias 1 / 40
Más detallesEjercicio 5. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 5 Estimación del Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 5 Estimación
Más detallesEjemplo 6.3. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.3 Contrastes y colinealidad en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesLaboratorio de Física 1 (ByG) Guía 2: Mediciones indirectas y diferencias significativas.
Labratri de Física 1 yg Guía : Medicines indirectas y diferencias significativas. 1. Objetivs Tratamient de incertezas en medicines de magnitudes que se btienen en frma indirecta. Criteri para cmparar
Más detalles3 Análisis de Varianza
Análisis de Varianza La prueba t se emplea para encntrar si las medias de ds grups difieren significativame. Qué pasa si tres más grups sn cmparads?, n se puede utilizar las pruebas t múltiple, ya que:
Más detallesEjemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detalles, si X toma valores muy grandes positivos, f(x) se va aproximando a l. o., si X toma valores muy grandes negativos, f(x) se va aproximando a l.
3.8 Límites en el infinit En casines interesa cnsiderar el cmprtamient de una función cuand la variable independiente tiende, n a un valr cncret, sin a valres muy grandes, tant psitivs cm negativs. En
Más detallesEjercicio 6. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 6 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 6 Inferencia
Más detallesSeptiembre NOVEDADES PROGRAMA DE GRABACION CONTABLE DESDE LA WEB.
Septiembre 2015 - NOVEDADES PROGRAMA DE GRABACION CONTABLE DESDE LA WEB. A cntinuación se detallan algunas de las últimas mdificacines realizadas en la aplicación de grabación de registrs cntables a través
Más detallesEl Modelo Tobit. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
El Mdel Tbit Micrecnmía Cuantitativa R. Mra Department de Ecnmía Universidad Carls III de Madrid Esquema 1 Mtivación: La ferta labral femenina 2 3 La asignación de tiemp en la vida real % Oci Persnal Dméstic
Más detallesUNIVERSIDAD DE ESPECIALIDADES ESPÍRITU SANTO FACULTAD DE SISTEMAS, TELECOMUNICACIONES Y ELÉCTRÓNICA SYLLABUS FOR DAC 11 VER
UNIVERSIDAD DE ESPECIALIDADES ESPÍRITU SANTO FACULTAD DE SISTEMAS, TELECOMUNICACIONES Y ELÉCTRÓNICA SYLLABUS FOR DAC 11 VER 12 03 09 MATERIA: Int. A las Cm. Electrónicas CODIGO: TEL 350 PROFESOR(A): Ing.
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL Existen prcedimients estadístics diseñads para analizar variables cuantitativas. Tds ells cinciden en una serie de características: Permiten cntrastar hipótesis referidas a algún
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detalles2. Operación de Líneas de Transmisión
ANEXO 4.2 2. Operación de Líneas de Transmisión Prblema #1 Una línea de transmisión que pera a 115 kv tiene ls siguientes parámetrs: Z = 0.1920 0.5024 j Ω/km Y =.26-6 Siemens/km Determinar: (a) Las cnstantes
Más detallesUnidad III: Termoquímica. 3. 1. Calores estándar de formación
67.30 - Cmbustión - Unidad III 5 Unidad III: Termquímica 3.. Calres estándar de frmación El calr estándar de frmación de una sustancia, H f (kcal/ml), se define cm el calr invlucrad cuand se frma un ml
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesCALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.
6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de
Más detallesEjercicio 7. Heterocedasticidad y Autocorrelación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 7 Heterocedasticidad y Autocorrelación Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 7 Heterocedasticidad
Más detallesLos Datos 02/11/2015. CLASE 2: Herramientas de Valoración Clínica
CLASE 2: Herramientas de Valración Clínica Ls Dats Obtener infrmación que permite llegar al cncimient de alg deducir las cnsecuencias legítimas de un hech. 1 Categóric Numéric Nminal Ordinal Discret Cntinu
Más detallesLos españoles pasan más de cuatro horas al día conectados a internet por motivos personales
AIMC presenta un nuev Q Panel dedicad al Us de Internet en Mvilidad Ls españles pasan más de cuatr hras al día cnectads a internet pr mtivs persnales La media de tiemp diaria que pasams navegand es de
Más detallesCURSO DE POSTGRADO. Bioestadística I. N o m b r e C u r s o. Programa de Genética Humana, ICBM, Facultad de Medicina, Universidad de Chile
UNIVERSIDAD DE CHILE FACULTAD DE MEDICINA ESCUELA DE POSTGRADO CURSO DE POSTGRADO Biestadística I N m b r e C u r s SEMESTRE 1º AÑO 2017 PROF. ENCARGADO 13.672.064-3 8.749.475-6 N m b r e C m p l e t Prgrama
Más detallesTEMA 12. ESTADÍSTICA Y PROBABILIDAD ESTADÍSTICA. Variables Estadísticas. Gráficos Estadísticos PROBABILIDAD
TEMA 12. ESTADÍSTICA Y PROBABILIDAD ESTADÍSTICA Prcedimient estadístic Variables Estadísticas Pblación y Muestra Es la relación entre ds magnitudes de manera que a cada valr de la primera le crrespnde
Más detallesMODELO EER. Una entidad es cualquier objeto (real o abstracto) que existe en la realidad y acerca del cual queremos almacenar información en la BD.
MODELO EER El mdel Entidad-Relación es un mdel cnceptual de dats rientad a entidades. Se basa en una técnica de representación gráfica que incrpra infrmación relativa a ls dats y las relacines existentes
Más detallesGUÍA DE USO DE CSV FORMACIÓN RAMS BLAS GALVÁN GONZÁLEZ. Director de Grupo CEANI. Instituto SIANI. Universidad de Las Palmas de Gran Canaria (ULPGC)
GUÍA DE USO DE CSV BLAS GALVÁN GONZÁLEZ Directr de Grup CEANI Institut SIANI Universidad de Las Palmas de Gran Canaria (ULPGC) FORMACIÓN RAMS ÍNDICE 1. Guía de us del CSV para intrducir ls dats de cmpnentes...3
Más detalles7.- Rectificación y amplificación.
Lección 8. Circuits de crriente alterna. 30 7.- ectificación y amplificación. 7.1.- ectificación En multitud de dispsitivs es necesari dispner de crriente cntinua para su funcinamient (placas base de rdenadres
Más detallesIndicadores de actividad y de VAB del sector servicios METODOLOGÍA
ndicadres de actividad y de VB del sectr servicis METODOLOGÍ 1. ntrducción El nstitut Nacinal de Estadística (NE) elabra ls ndicadres de actividad del sectr servicis cn el bjetiv de prprcinar infrmación
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más detallesInvestigación de permeabilidad
Investigación de permeabilidad Objetiv Aprender acerca del cncept de permeabilidad, infiltración y escrrentía superficial en distintas superficies. Cmparar ls resultads cn ls dats de permeabilidad de ls
Más detallesPLANIFICACIÓN DE LA SESIÓN DE APRENDIZAJE. I. TÍTULO DE LA SESIÓN Organizando la información para conocer preferencias
PLANIFICACIÓN DE LA SESIÓN DE APRENDIZAJE Grad: Primer grad Duración: 2 hras pedagógicas NÚMERO DE SESIÓN 2/12 I. TÍTULO DE LA SESIÓN Organizand la infrmación para cncer preferencias II. APRENDIZAJES ESPERADOS
Más detalles1. Los recursos (factores) productivos
1. Ls recurss (factres) prductivs Ls bienes y servicis que generan las empresas sn ls respnsables de que las persnas puedan satisfacer sus necesidades. Sabems que ls bienes tienen carácter tangible, pr
Más detallesPráctica 4 CONTRASTE DE HIPÓTESIS AMPLIACIÓN DE ESTADÍSTICA
. Objetivs: a) Calcular ls parámetrs de la distribución de medias prprcines muestrales de tamañ n, extraídas de una pblación de media y varianza cncidas. b) Calcular el interval de cnfianza para la media
Más detallesModelo lineal general (K variables)
Modelo lineal general (K variables) Interpretación y usos Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelo lineal general 1 / 45 Temario de la clase 1 El modelo lineal general
Más detallesManual de configuración de los servicios del Portafirmas móvil
DIRECCIÓN DE TECNOLOGÍAS DE LA INFORMACIÓN Y LAS Manual de cnfiguración de ls servicis del Índice de cntenids 1 Intrducción... 3 2 Servicis del... 4 2.1 Servici Prxy... 4 2.1.1 Cnfiguración del servici...
Más detallesIndicadores de Audiencia, Monitoreo y Evaluación de Pautas Publicitarias
Indicadres de Audiencia, Mnitre y Evaluación de Pautas Publicitarias Rating El rating es la medida del cnsum de un prgrama de TV de radi, de un blque hrari, de una tanda publicitaria de un medi de cmunicación,
Más detallesTest de congruencia global
est de cngruencia glbal El análisis de defrmación cn esta metdlgía, se basa en la aplicación del test de cngruencia glbal y si este test indica que hay defrmación, se aplica el test de lcalización de cambis,
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesGUIA SEMANAL DE APRENDIZAJE PARA EL GRADO NOVENO
GUIA SEMANAL DE APRENDIZAJE PARA EL GRADO NOVENO IDENTIFICACIÓN AREA: Matemáticas. ASIGNATURA: Matemáticas. DOCENTE. Juan Gabriel Chacón c. GRADO. Nven. PERIODO: Segund UNIDAD: Sistemas de ecuacines lineales
Más detallesEjemplo 6.4. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.4 Predicción en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.4. Predicción
Más detallesS.C.G.I. Especificaciones para la gestión de las declaraciones informativas. Modelo 171 ENTRADA DE DATOS Versión: 1 Año: 2017 DOCUMENTO DE TRABAJO
S.C.G.I. DECLARACIONES INFORMATIVAS. Especificacines para la gestión de las declaracines infrmativas. Mdel 171 ENTRADA DE DATOS Versión: 1 Añ: 2017 DOCUMENTO DE TRABAJO 1 MODELO 171. DECLARACIÓN INFORMATIVA
Más detallesModelo de Clases. Un diagrama de clases esta compuesto por los siguientes elementos:
Mdel de Clases Intrducción Un diagrama de clases sirve para visualizar las relacines entre las clases que invlucran el sistema, las cuales pueden ser asciativas, de herencia, de us y de cntenimient. Un
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesActividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Actividad A5 Modelo de Regresión Lineal General. Estimación Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Actividad A5. Estimación
Más detallesEl terreno y su representación
El terren y su representación Curvas de nivel La función de las curvas de nivel es representar el relieve del terren mediante líneas imaginarias cuys punts están a la misma altitud. En la figura de la
Más detallesPRÁCTICA ECUACIONES DIFERENCIALES DE PRIMER ORDEN CURSO Práctica 8 (24- IV-2018)
PRÁCTICA ECUACIONES DIFERENCIALES DE PRIMER ORDEN CURSO 2017-2018 Prácticas Cálcul II Objetivs Práctica 8 (24- IV-2018) Representar las isclinas de una e.d.. de primer rden cm apy para trazar un camp de
Más detallesMetodología Estadística de Evaluación de Bachillerato para el Acceso a la Universidad
Metdlgía Estadística de Evaluación de Bachillerat para el Acces a la Universidad Añ 2017 Estadística de Evaluación de Bachillerat para el Acces a la Universidad. Añ 2017 1. Objetivs La Estadística de Evaluación
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesActividad Final ESTADÍSTICA INFERENCIAL. Asignatura Transversal
Actividad Final ESTADÍSTICA INFERENCIAL Asignatura Transversal La estadística inferencial en mercadtecnia PRESENTACIÓN Para finalizar el curs de Estadística Inferencial tendrás que elabrar una actividad
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detalles1. Todas las redes de distribución de agua potable presentan fugas
Expediente: Sectrización. Presentación. Archiv: ATA Cncept: Hja: 1 1. Tdas las redes de distribución de agua ptable presentan fugas Tds ls sistemas de distribución de agua presentan fugas. Éstas se pueden
Más detallesGuía del Seminario OBJETIVOS
UNIVERSIDAD DE CASTILLA-LA MANCHA 12º Seminari Práctic: TÉCNICAS AVANZADAS DE INVESTIGACIÓN: MODELOS DE ECUACIONES ESTRUCTURALES (SEM), LOGÍSTICOS (LOGIT) y MÍNIMOS CUADRADOS PARCIALES (PLS) Prfª.: Dª.
Más detallesProgramación BACHILLERATO ESTADÍSTICA CURSO CURSO º BACHILLERATO 1
Prgramación ESTADÍSTICA BACHILLERATO CURSO 2.008-2.009 CURSO 2.008-2.009 2º BACHILLERATO 1 1. OBJETIVOS Esta materia ha de cntribuir a que ls alumns desarrllen las siguientes capacidades: 1. Recncer el
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesCIRCUNFERENCIA. x 2 + y 2 + mx + p = 0 Circunferencia centrada en el eje OY. C(0,b)
CIRCUNFERENCIA Definición. Lugar gemétric de ls punts del plan que equidistan de un punt fij denminad centr. Circunferencia de centr el punt (a, b) y de radi R. (x a)² + (y b)² =R² Desarrlland y rdenand
Más detalles1.1. Qué entiende por el concepto de generalización de una red neuronal artificial?
UNIVERSIDAD CARLOS III DE MADRID In g e n i e r í a In f r m á t i c a, 3 º Cu r s Ex a m e n d e In f r m á t i c a T e ó r i c a II P a r t e d e t e r í a ( 2 p u n t s ) Se p t i e m b r e d e 2 0
Más detallesREGISTRO HISTÓRICO DE LAS FÓRMULAS CEPI
REGISTRO HISTÓRICO DE LAS FÓRMULAS CEPI VERSIÓN FECHA DESCRIPCIÓN DEL CAMBIO REALIZADO ELABORADO POR DURACION (Hras) V3.1 3 septiembre 2010 Emisión inicial Sergi Enrique Méndez 15 v3.2 v3.3 15 ct 2010
Más detallesGUÍA SOBRE LA ELABORACIÓN DE TABLAS ESTADÍSTICAS
GUÍA SOBRE LA ELABORACIÓN DE TABLAS ESTADÍSTICAS Cóm se puede extraer infrmación de la página web del Ibestat? Cnzcams el funcinamient cn ejempls cncrets. 1. 2. 3. 4. 1. Tabla de dats. Representación gráfica
Más detallesELECTIVA I PROGRAMA DE FISICA Departamento de Física y Geología Universidad de Pamplona Marzo de 2010 NESTOR A. ARIAS HERNANDEZ - UNIPAMPLONA
ELECTIVA I PROGRAMA DE FISICA Departament de Física y Gelgía Universidad de Pamplna Marz de 2010 En esta sección ns enfcarems en una clase muy limitada, per imprtante que invlucra mdificacines sencillas
Más detallesDivisibilidad I. d) 7 : e) 13 :
Divisibilidad I La divisibilidad es una parte de la tería de ls númers que analiza las cndicines que debe tener un númer para que sea divisible pr tr. Y cuánd un númer es divisible pr tr? se dice que "A"
Más detallesTEMA 5: PARTICIONADO DE DISCOS
TEMA 5: PARTICIONADO DE DISCOS 1 Particinad de discs. Intrducción.... 2 2 Cmand Particinar y Frmatear.... 3 2.1 Características del cmand Particinar y Frmatear.... 3 2.2 Acces al cmand Particinar y Frmatear....
Más detallesInformación relativa a bienes inmuebles
Infrmación relativa a bienes inmuebles cairen Tabla de cntenids 1.- Dats de partida: dats generales del inmueble... 3 2.- Preguntas frecuentes... 6 2.1.- Cóm infrmar del dmicili actual de ls cónyuges cuand
Más detallesREVISION CATASTRAL DE BIENES DE NATURALEZA URBANA 2017 PREGUNTAS FRECUENTES
REVISION CATASTRAL DE BIENES DE NATURALEZA URBANA 2017 PREGUNTAS FRECUENTES 1. Me ha llegad una carta de diputación cmunicand ls valres catastrales para el añ 2017, que teng que hacer? En la cmunicación
Más detallesTeoría elemental de conjuntos
Tería elemental de cnjunts Lógica prpsicinal Una prpsición es cualquier enunciad lógic al que se le pueda asignar un valr de verdad (1) falsedad (0). Dada una prpsición p, se define la negación de p cm
Más detallesIncidencias que han tenido a lo largo de su explotación y cómo han sido resueltas. Respuesta: Ninguna incidencia digna de reseñar.
RESPUESTAS 1. Infraestructura Municipal Dispnible a. En referencia a ls equips actuales (Megafnía, Sistema de Cntrl de Tiemps de Intervención, Grabadras, Cámaras, etc.) instalads el añ 2008, se necesita
Más detallesPráctica 12 (10/05/2016)
Ecuacines Diferenciales Curs 15 16 Prácticas Matlab Cálcul II Objetivs Práctica 1 (10/05/016) Representar las isclinas de una ed de primer rden cm ap para trazar un camp de direccines. Representar el camp
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesPLANIFICACIÓN DE LA SESIÓN DE APRENDIZAJE. Las heladas en el Perú
PLANIFICACIÓN DE LA SESIÓN DE APRENDIZAJE Grad: Tercer I. TÍTULO DE LA SESIÓN Duración: 2 hras pedagógicas Las heladas en el Perú UNIDAD 6 NÚMERO DE SESIÓN 7/14 II. APRENDIZAJES ESPERADOS COMPETENCIA CAPACIDADES
Más detallesFísica y Química. 4º ESO. MAGNITUDES Y VECTORES La actividad científica
Qué es medir? Medir es determinar una prpiedad física de un cuerp pr cmparación cn una unidad establecida que se tma cm referencia, generalmente mediante algún instrument graduad cn dicha unidad. La lngitud,
Más detallesEconometría I Tema 3: Modelo múltiple: estimación Guía de respuestas para algunos ejercicios
. Consideramos el siguiente modelo: Econometría I Tema 3: Modelo múltiple: estimación Guía de respuestas para algunos ejercicios Modelo() ln(price i ) = β 0 + β ln(nox i ) + β 2 rooms i + u i donde price
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesTEMA 4. DISPOSITIVOS ELECTRÓNICOS EN CONMUTACIÓN
TEMA 4. DSPOSTOS ELECTRÓNCOS EN CONMUTACÓN 4.1. Cnmutación de dids y transistres 4.2. Etapas inversras fundamentales 4.3. mplementación de circuits digitales básics ntrducción Electrónica Digital: ls circuits
Más detallesTema 1: Matrices. A es una matriz en la que hemos significado las dos primeras filas y columnas, la fila p ésima y la última fila y columna.
Tema 1: Matrices 1. Matrices y tips de matrices El cncept de matriz alcanza múltiples aplicacines tant en la representación y manipulación de dats cm en el cálcul numéric. 1.1 Terminlgía Cmenzams cn la
Más detallesLa función que transforma grados centígrados en grados Fahrenheit, o viceversa,
Funcines elementales Curs 06/7 Ejercici. Fahrenheit es una escala de temperatura termdinámica, dnde el punt de cngelación del agua es a 3 grads Fahrenheit ( F) y el punt de ebullición a F (a una presión
Más detallesEl Criterio de Eisenstein
Ramón Espinza Armenta AVC APOYO VIRTUAL PARA EL CONOCIMIENTO Un plinmi cn ceficientes racinales puede ser reducible en [ x], per irreducible en [ x] Pr eempl, el plinmi x 5 es reducible en [ x] ( ) ( )
Más detallesDEFINICIONES Y CONCEPTOS
DEFINICIONES Y CONCEPTOS TIPOS DE VARIABLES Variable: Sujet a variación cambi Variable independiente (1852): Una variable matemática definida que determina el valr de un más valres en una epresión función.
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesBinarias. Ideales. Soluto no volátil + solvente volátil. Ternarias. Idealmente diluidas. Cuaternarias. Soluto volátil + solvente volátil.
Dislucines Líquidas Z sn sistemas mnfásics, mezclas hmgéneas de especies químicas a escala mlecular: - dislvente, slvente (sv) cmpnente en mayr prprción - slut (st), cmpnente en menr prprción. Binarias
Más detallesResolver. 2. Inecuaciones de segundo grado. La expresión ax bx c puede ser mayor, menor o igual que 0. Esto es, podemos plantearnos: 2
1 Inecuacines Una inecuación es una desigualdad en la que aparecen númers y letras ligads mediante las peracines algebraicas. Ls signs de desigualdad sn: , Las inecuacines se clasifican pr su grad
Más detallesSummits ITSM. Buscando problemas: Técnicas para detección y análisis. José Luis Fernández. Alejandro Castro
Summits ITSM Buscand prblemas: Técnicas para detección y análisis Jsé Luis Fernández Alejandr Castr Buscand prblemas: Técnicas para detección y análisis Speaker Bi & Cmpany Infrmatin Jsé Luis Fernández
Más detallesCOMPARACIÓN DE LOS MODELOS HIRLAM Y ECMWF CON LOS SONDEOS MEDIANTE EL PROGRAMA PAM
SERVICIO DE NOTA TÉCNICA Orig. 06/05/96 PREDICCIÓN NUMÉRICA N 5 COMPARACIÓN DE LOS MODELOS HIRLAM Y ECMWF CON LOS SONDEOS MEDIANTE EL PROGRAMA PAM Ernest Rdríguez Camin Albert Lunar Hemández COMPARACIÓN
Más detallesCMM - CMMI MÁXIMO ESTÁNDAR EN INGENIERÍA DE SOFTWARE CAPABILITY MATURITY MODEL MODELO DE MADUREZ DE CAPACIDAD
CMM - CMMI MÁXIMO ESTÁNDAR EN INGENIERÍA DE SOFTWARE CAPABILITY MATURITY MODEL MODELO DE MADUREZ DE CAPACIDAD El sftware exhibe características de ubicuidad. Se encuentra en tdas partes, desde redes de
Más detallesSITUACIONES DONDE SE USA FUNCIÓN LINEAL I
SITUACIONES DONDE SE USA FUNCIÓN LINEAL I Función Oferta y Función Demanda de un Mercad. Ejercicis prpuests: 1) Cnsidere la relación 8p +0Q 000 0, dnde p es el preci de un prduct. a) Da la función explícita
Más detallesExpresa algebraicamente relaciones funcionales en las que unas magnitudes varían en función de otras.
RELACIÓN FUNCIONAL 14 Expresa algebraicamente relacines funcinales en las que unas magnitudes varían en función de tras. En Presentación de Cntenids se explica qué es la relación funcinal y sus diferentes
Más detallesDERIVADA DE UNA FUNCIÓN REAL
Unidad didáctica 7 Funcines reales de variable real Autras: Glria Jarne, Esperanza Minguillón, Trinidad Zabal DERIVADA DE UNA FUNCIÓN REAL CONCEPTOS BÁSICOS Dada una función real y f( ) y un punt D en
Más detallesRevisión 0. FORMATO Manual de Usuario. Página 1 de 24. Manual de Usuario. Proyecto: Sistema de Administración del Personal de Enfermería (SAPEN).
Página 1 de 24 Pryect: Sistema de Administración del Persnal de Enfermería (SAPEN). May de 2016 Página 2 de 24 Cntenid 0. Histria... 3 1. Intrducción... 3 2. Objetiv... 3 3. Generalidades... 3 4. Manej
Más detallesLECTURA 02: DISTRIBUCIÓN NORMAL (PARTE II) CALCULO INVERSO EN LA DISTRIBUCIÓN NORMAL ESTÁNDAR. ESTANDARIZACIÓN.
LECTURA 2: DISTRIBUCIÓN NORMAL (PARTE II) CALCULO INVERSO EN LA DISTRIBUCIÓN NORMAL ESTÁNDAR. ESTANDARIZACIÓN. TEMA 4: CALCULO INVERSO EN LA DISTRIBUCION NORMAL ESTANDAR En la sesión anterir llevams acab
Más detallesENERGÍA INTERNA DE UN SISTEMA
ENERGÍA INTERNA DE UN SISTEMA Definims energía interna U de un sistema la suma de las energías cinéticas de tdas sus partículas cnstituyentes, más la suma de tdas las energías de interacción entre ellas.
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Más detallesPruebas de contraste de hipótesis. Estimación puntual y por intervalos
10 Pruebas de cntraste de hipótesis. Estimación puntual y pr intervals Ágata Carreñ Serra 10.1. Intrducción La mayría de las investigacines realizadas en el ámbit médic-clínic, cmprtan estudis cmparativs
Más detallesEXAMEN de IA14 11 de septiembre de α = y χt = + obtener la ec. térmica
EXAMEN de IA4 de septiembre de 3 a. Cncids ls ceficientes térmics de estad (n y R sn cnstantes) Hech en clase nr α = y χ = + btener la ec. térmica b. Un sistema evlucina entre ds estads de equilibri y
Más detallesMANUAL DE METODOLOGÍAS
REV-0_0206 I de 5... CURVAS NOMINALES YIELD DE TASA BRUTA A. CARACTERÍSTICAS GENERALES CURVA NOMINAL YIELD DE TASA BRUTA Nmbre de la curva en WEB Plaz máxim de generación Base Tip de tasa Btstrapping Interplación
Más detallesMedidas de asociación lineal y el modelo lineal con dos variables
Medidas de asociación lineal y el modelo lineal con dos variables Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni El modelo lineal con dos variables 1 / 28 Introducción Nos interesa
Más detallesCAPITULO 5. TRANSMISIÓN ANALÓGICA
CAPITULO 5. TRANSMISIÓN ANALÓGICA CONVERSIÓN DE DIGITAL A ANALÓGICO: Es el prces de cambiar una de las características de una señal de base analógica en infrmación basada en una señal digital. Una nda
Más detalles