Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

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

Download "Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal"

Transcripción

1 Programacó Matemátca y Software (2009) Vol.. No. ISSN: Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores por Medo de u Método de Programacó Leal José Crspí Zavala-Díaz A, Dala Vaey García-Vllagomez Uversdad Autóoma del Estado de Morelos, Facultad de Cotaduría, Admstracó e Iformátca, Aveda Uversdad 00 Col. Chamlpa, Cueravaca, Méxco. crsp_zavala@uaem.mx, vaeyvllagomez@yahoo.com Resume. E este artícu lo se preseta el modelo matemátco para la seleccó de ua cartera de versó co el máxmo redmeto y el mímo resgo, el cual es resuelto utlzado el método SIMPLEX. Los dos problemas se resuelve e forma depedete y se utlza las reglas de versó para obteer la mejor cartera de versó co los resultados de ambos problemas. Co el objetvo de aplcar uestro modelo se resuelve la seleccó de ua cartera de versó co tres accoes de la Bolsa Mexcaa de Valores y se compara los resultados co los obtedos por u método estadístco geeralmete utlzado para este f. Los resultados os muestra que es posble determar ua cartera de versó co el mímo resgo al tempo cero, y que la cartera de versó co el método estadístco seleccoado o correspode a la solucó determada por el modelo de optmzacó. Palabras clave: programacó leal, cartera de versó, modelo de seleccó de accoes.. Itroduccó Las empresas que requere re cursos (dero) para facar su operacó o proyectos de expasó puede obteerlo a través del mercado bursátl medate la ems ó de valores, co mo so las accoes, las oblgacoes, el papel comerc al, etc, dspobles e la Bolsa Mexcaa de Valores Cada ua de estas accoes equvale a poseer ua parte de la empresa y su valor puede depeder de la tasa de terés, así com o del crec meto de la ecoom ía o de u sector e partcular. E geeral, s la ecoomía crece las A Autor de correspodeca

2 empresas gaa más dero y la accó va a teer u preco mayor. Pero, es ua regla que tee um erosas excepcoes, por tato cada accó tee u resgo asocado. Para obteer u redm eto a u resgo aceptab le la vers ó se debe dversfcar e ua cartera de vers ó. Ua cartera de versó es ua combacó de actvos o títulos dvduales, de tal forma que ua combacó de ellos cas sempre sea meos arresgada que cualquer título dvdual. Por tato, se p retede que la seleccó de ua cartera de versó sea ua combacó de accoes que dsmuya el resgo y aumete la utldad. Desde el puto de vsta teórco, la exsteca de este equlbro resgoredmeto es básc a para los modelos de evaluac ó de actvos. Metras que desde el puto de vsta práctco, se debe teer la capacdad de colocar los resultados absolutos e el cotexto de característcas de resgo-redmeto de u programa de versó. Los modelos de optmzacó so usados e c as todas las áreas para la toma de decsoes, dode el modelo matemátco cosste de ua fucó objetvo y u cojuto de restr ccoes e l a forma de u s stema de ecuacoes o ecuacoes. E este trabajo mostramos la forma de obteer la fucó objetvo y sus restrccoes a partr de los datos dspobles e l a pága de Iteret de la Bolsa Mexcaa de Valo res. Los resultados de uestro m odelo so comparados cotra los datos obtedos por medos estadístcos tradcoales que se basa prcpalmete e la varacó del coefcete de la correlacó [,3,6]. E la seccó dos se preseta ua descr pcó de los métodos y crteros que se utlza actualmete para la seleccó de ua cartera de versó. E la seccó tres se defe el modelo matemátco de optmzacó y sus restrccoes. E la seccó cuatro se c omprueba su valdez co u úm ero reducdo de accoes. E la seccó c co se mecoa las coclusoes a que se llegaro co el presete modelo, dode coclumos que los modelos de optmzacó tedrá u futuro promsoro para la seleccó de ua cartera de versó. 3

3 2. Descrpcó de los métodos de versó 2.. El proceso de versó El proceso de versó mplca la táctca de decdr sobre la selecc ó de qué vertr e el mercado de valores e gocables, qué ta vastas deb e ser esas versoes y cuádo hacerlas. La base del proceso de la versó es u procedmeto co los cco pasos sguetes []:. Polítca de versó. Cosste e determ ar los objetv os del versosta y la catdad de su rqueza que está dspuesto a vertr. 2. Aálss de Valores. Implca examar varos valores dvduales (o grupos de valores) detro de am plas categorías de valores faceros detfcados prevamete. Ua razó para este aálss es detfcar aquellos valores que parezca estar mal valuados. 3. Costruccó de la cartera. Implca la detfcacó de acc oes específcas e las cuales vertr, así com o la determacó de cuato vertr e cada ua. Las cuesto es de sel ectvdad, tmg y dversfcacó debe ser t ratadas por el versosta. La sel ectvdad, també coocda co mo mcro proó stco, se refere al aálss de valores y se efoca e el proóstco de los movmetos de precos de valores dvduales. El tmg, també coocdo como macro proóstco, mplca el proóstco de lo s movmetos de preco d e las accoes ordaras re specto a los valores de gres o fjo, com o los aboos corporatvos y las letras del tesoro. La dversfcacó mplca la costruccó de la cartera del ve rsosta de tal maera que se mmce el resgo sujeto a certas restrccoes. 4. Revsó de la cartera. Se refere a la repetcó peródca de los tres pasos aterores. Co el tem po se puede cam bar los objetvos de la versó, lo que a su vez haría que la cartera actual fuera meos que óptma. 5. Evaluacó del desempeño de la cartera. Cosste e determar peródcamete el redm eto gaado por la cartera y el resgo que 32

4 corre el versosta. Por tato, se re quere meddas adecuadas de redmeto y resgo así como estádares relevates. E este trabajo os ef ocamos a realzar u m cro proóstco para obteer el mejor redmeto a u resgo meor Métodos utlzados para la seleccó de la cartera de versó Método de Markowtz. Ica co la suposcó de que cotamos co ua catdad determada de dero para vertr e el prese te. Este dero se vertrá durate u lapso de tem po, coocdo com o período de teeca. Al fal del período de teeca se vederá lo s valores que se com praro y se utlzará los beefcos para los gastos, la reversó e varos valores o ambas cosas. E este puto, el método de Markowtz se puede aplcar uevamete a los beefcos que se va a revertr. Por tato, esté método es para u solo perodo. E t = 0 se decde qué valores comprar y coservar hasta que t =. Etoces, e t = se decde de uevo qué valores coservar hasta t = 2, y así sucesvam ete. Al buscar tato maxmzar el redm eto esperado com o mmzar la certdum bre (es decr, el resgo), se tee dos objetvos e coflcto que se debe sopesar al tomar la decsó de compra cuado t = 0. E cosecueca, al teer estos dos objetvos e coflcto se debe dversfcar la compra o sólo u valor so de varos [3]. La retabldad de ua c artera se de fe por la meda poderada de las retabldades esperadas de los valores que la co mpoe, metras que el resgo es fucó de los tres factores que se euca a cotuacó: a) La proporcó o poderacó de cada valor e el portafolo. b) La varaza o la desvac ó estádar de la retab ldad de cada valor. c) La covaraza o el c oefcete de correla có etre las retabldades de cada par de valores. 33

5 E el método de Markowtz las decs oes sólo se basa e los redm etos esperados y e las desvacoes estádar. Es decr, se est ma el redmeto esperado y la desvacó e stádar de cada cartera y se escoge la mejor co base e las sguetes suposcoes: Prmera suposcó, cuado se tee q ue elegr etre dos carteras sm lares, sempre se escogerá la que tega el re dmeto esperado más alto, es decr, sempre se preferrá los veles más altos de rqueza fal y o los veles más bajos. Seguda suposcó, dadas las dos carteras co la msma desvacó estádar, se escogerá la que tega el redmeto esperado más alto [3]. El método de Markowtz se desarrolló cosderado que el versor prefere la retabldad y rechaza el resgo. Por tato, ua cartera será efcete s proporcoa la máxma retabldad posble para u resgo dado, o de forma equvalete, s preseta el meor resgo posble para u vel determado de retabldad. El cojuto de carteras efcetes puede calcularse resolvedo el sguete programa cuadrátco paramétrco: mσ 2 ( Rp ) = = j= x x ρ j j () Sujeto a: E ( Rp ) = xe( R ) = = V * = x = ( ) x 0 =,2,..., Dode x es la cógta del problem a, esto es la pro porcó del presupuesto destado al actvo facero, σ 2 (R p ) es la varaza de la cartera p, ρ j es la covaraza etre los redmetos de los valores y j. E(R p ) es la retabldad 34

6 o redmeto esperado de la cartera p, de tal forma que al varar el parámetro V* obtedremos e cada caso el cojuto de proporcoes x que mmza el resgo de la cartera, así como su valor correspodete. El cojuto de pares [E(R p ), σ 2 (R p )] o co mbacoes retabldad- resgo de todas l as carteras efcetes es deom ado «frotera efcete». Ua vez cooc da ésta, el versor, de acuerdo co sus preferecas, elegrá su cartera óptma. Los problemas fudametales del modelo de Markowtz. Actualmete los problemas para la u tlzacó del modelo de Markowtz o so computacoales, so que tee que ver co los supuestos de partda [3]. El modelo de Markowtz parte de 5 hp ótess fudametales, y cu yo cumplmeto tee ua gra trascede ca e cuato a la valdez de los resultados obtedos co el msmo:. Se cooce la retabldad esper ada de cada uo de los actvos faceros cosderados.. Se cooce y se supoe costate e el tempo la varaza de cada uo de los actvos faceros y la covaraza etre ellos.. Los redmetos de los dferetes actvos faceros se co mporta de acuerdo co ua dstrbucó ormal. v. Los versores actúa de forma racoal. v. El modelo optmza para u solo período [3]. S se supoe que se cooce la retab ldad esperada, la varaza y la covaraza de los dferetes actvos faceros. El problema es cuado, e tervalos relatvamete cortos de tempo (por ejem plo u año), so muy grades los valores de l as varazas co respect o a las ret abldades esperadas. Esto sgfca que el error de predccó e esos períodos es muy grade. Por otra parte, el modelo de Markowtz es extremadamete sesble a los valores de las retabl dades esperadas, de tal form a que uas pequeñas varacoes de las retabldades esper adas supoe carteras co estructuras 35

7 muy dferetes (o por lo meos aparetemete muy dferetes) e su composcó Seres de tempo. El aálss de seres de tempo comprede u teto de detfcar los factores que ejerce flueca sobre cada uo de los valores peródcos de ua sere. Este procedmeto de detfcacó se deoma descomposcó. Cada compoete se detfca por separado de tal maera que la sere hstórca pueda proyectarse al futuro y utlzarse e proóstcos tato a corto com o a largo plazo. Los cuatro co mpoetes que se ecuetra e ua sere hstórca so: Tedeca, Vara coes Cíclcas, Varacoes Estacóales y Fluctuacoes Irregulares. [4] La tedeca so m ovmetos de largo plazo e ua sere hstó rca que se puede descrbr medate ua ecuacó de ua líe a recta o curva. Cosste de u patró de movmetos ascedetes o descedetes, geerales o persstetes, a largo plazo. Dado que e el aálss de la tedeca la varable depedete es el tempo, se elaboraro las tablas de los dcadores dspobles a todo el públco e la pága de Iteret de la Bolsa Mexcaa de Valores: cambos de precos de compra y veta, cambos e el INPC y volume de accoes. Co estos tres dcadores se trato de elaborar u modelo leal para realzar el proóstco, pero las correlacoes obtedas so muy bajas y o es posble utlzarlas para proóstcos. Por tato este método o se c osdero para el proóstco de la seleccó de la cartera de versó Modelo Black & Scholes El modelo de valuacó de opcoes orgal fue desarrollado por Black & Scholes para el cálculo d el valor de ua opcó de co mpra europea que o paga dvdedos; las varables de este modelo so preco de la accó, preco de ejercco, el tempo de vecmeto, la varaza del preco de la accó y la tasa lbre de resgo. Merto m odfcó el modelo orgal para clur el factor de dvdedos, que ha sdo am plamete aplcado para cal cular opcoes de empresas que paga dvdedos y que muchos vestgadores ha comprobado su utldad [3]. Alguos vestgadores como Smos (997) descubrero las debldades del modelo, como es la sobrestm acó del valor dado, ya que cosdera que los redmetos de los valores se dstrbuy e ormalmete; asmsmo, para l a 36

8 aplcacó del modelo se debe coocer l a volatldad de la accó, a través de ua estmacó estadístca que puede estar sujeta a errores. El Modelo de Black & Scholes aplcado a la valuacó de empresas se basa e el aálss cotgete, que se r efere a ua técca para determar el preco de u valor cuyo resultado depede del preco de uo o más valores. El orge del aálss cotgete es el modelo de opcoes de Black & Sch oles, el cual cotee elemetos cualtatvos co u gra sgfcado práctco. Esta teoría sostee que las deudas corporatvas, e geeral, puede ser vstas como combacoes de smples cotratos de opcoes [5]. La aplcacó empírca del modelo de valuacó de Black & Scholes muestra ua sobreestmacó cosstete del valo r de las e mpresas que cotza e la Bolsa Mexcaa de Valo res [8]. Asmsmo, este m odelo tede a arrojar valores mayores y postvos e comparacó co el preco de mercado, esto se terpreta como ua sobre valuacó del valor de la empresa. La causa es que el modelo cosdera como varable al valor del actvo total para determ ar el valor de la em presa, que suele ser muy grade puesto que trabaja co ua fuerte versó e captal de trabajo y actvo fjo. Por otra parte, al cosderar e este modelo a la volatldad como varable para el cálculo del valor, def e u resgo alto cuado l os valores dvduales també so muy altos. Asmsmo al cosderar el apalacameto se logra també valores el evados, ya que se trasfere el valor del acreedor al accosta. La aplcacó de este modelo a u co juto de empresas mexcaas durate u perodo per mte defr que hay que teer cuda do e la aplcacó del msmo para efectos de valuacó, cosderado etre otros aspectos las característcas propas d e la empresa como so la versó fja y el apalacameto. Además, se tee que tomar e cueta que se ha de mostrado que es u modelo que prvlega el valor cuado el resgo es elevado. Las coclusoes mecoadas sobre este modelo se basa e resultados obtedos e aplcacoes realzadas por dferetes autores de los lbros cosultados [3,5], ejemplos que o fuero realzados e éste trabajo, pero se cosderó el modelo de v aluacó Black & Scholes a causa d e las varables que utlza, ya que coocer estas varables os dcaría cuales cosderar para la elaboracó de uestro modelo. Se pretedía cosderar los msmos datos e formacó que toma e cueta el modelo Black & Scholes para realzar su cálculo y obteer el Valor de la Empresa, pero e sus ecuacoes tervee varables que depede de la formac ó que se obtee de los Auaros 37

9 Bursátles y Faceros de la Bolsa Mexcaa de Valores, ést os o está dspobles a través de la paga de Iteret de la Bolsa Mexcaa de Valores. Por tato se descarto el uso del m odelo Black & Acholes para co mparar uestros resultados, ya que uestro objetvo es utlzar la formacó públca dspoble e dcha pága Fórmulas Faceras para combacó de portafolos de versó. (Captal Assets Prcg Model CAPM). Este método se fudameta e que todo actvo facero puede ser descrto a partr de dos est adígrafos: u estadí grafo de poscó, la meda, que proporcoa ua medda del redmeto prom edo del actvo e u determado perodo; y u estadígrafo de dspersó, la desvacó estádar, de los dsttos redm etos respecto al red meto promedo, que proporcoa ua medda del resgo del actvo facero [6]. El redmeto medo de cada ua de las accoes se calcula co la fórmula de u promedo artmétco co los redmetos de cada accó e cada perodo: R = m j= r j (2) m Dode R es el redmeto promedo de la accó, r es el redmeto de la accó e cada perodo j y m es el úmero de perodos cosderados. El resgo asocado a la accó dvdual se deter ma a tr avés de la desvacó estádar de l os redmetos, cuya fórmula se preseta a cotuacó. σ = m ( r R ) j j= m 2 (3) Adcoalmete a los estadígrafos de poscó y dspersó, para la coformacó de portafolos es ecesa ro cotar co uo ad coal: la covaraza etre los redmetos de los actvos faceros, la cual esta dada por: 38

10 m m r r m j 2 j j= j= r r j 2 j j= m ρ = (4) 2 m j= m 2 ( r R ) ( r R ) j j= 2 j 2 2 Seleccó del Portafolos de actvos co resgo El portafolo de versó se cofor ma asgado p orcetajes dversos del moto de versó a determ ados actvos faceros. El portafolo resultate, al gual que las ac coes dvduales, será detfc ado por e l redmeto medo y su resgo asocado. La codcó para la asgacó de los porcetajes a cada actvo facero es que su suma deberá gual al 00%. El redmeto y resgo del portafolo de versó se determa co las ecuacoes sguetes: Re dmeto = = W R (5) Resgo = = 2 2 ( W + σ ) + 2 ( W W σ σ ρ ) = j j j (6) Dode W es el % de versó e la accó. R : Redmeto promedo de la accó. σ : Resgo o desvacó estádar de la accó. ρ j : Correlacó etre las accoes, j. : úmero de accoes El problema de aplc ar estas ecuacoes es el úmero de accoes y los porcetajes que aalcemos. Por eje mplo, s se tee tres a ccoes y se va aalzar cada 0%, se tedrá ua com plejdad 3 ya que se tee que realzar los cálculos para cada po rcetaje, por tato se te drá,000 aplcacoes. Ahora, s se requere que se aalce para cada % se tedrá X0 6 cálculos. Pero s se requere aalzar 0 accoes, la complejdad es de 0, por lo que hace al problema práctcamete o computable. 39

11 3. Modelo matemátco para seleccoar la cartera de versó por medo de la programacó leal. La programacó leal es u proceso de optmzacó co ua sola fucó objetvo que se expresa matemátcamete [7]. El adjetvo leal sgfca que todas las fucoes del modelo y varables debe ser leales. E el problema de la seleccó de la ca rtera de versó se tee d os fucoes objetvo, la prmera es maxmzar el redmeto y la seguda, o m eos mportate que la prmera, es dsmur el resgo. Para la costruccó de uestro modelo matemátco se cosderaro los aspectos sobresaletes de los modelos de Markowtz y de CAPM. La seleccó de la cartera de versó se hace e el mometo t = 0, metras que e el sguete mometo t= se hace otra ueva seleccó. De esos dos modelos cosderamos la magtud promedo del redm eto y del resgo. Del modelo de Markowtz cosderamos el plateameto del problema de optmzacó co u parámetro e ua restrccó, uestro modelo lo hace de forma smlar, dode el parámetro modfca la magtud de la restrccó o las restrccoes para deter mar la solucó. Este problem a es smlar al kapsack problem co u parámetro [9]. Del modelo de CAPM segumos el procedmeto para la seleccó de la cartera optma, el cual cosste de la dfereca míma etre el resgo y el redmeto, ya que el resgo geeralmete es mayor al redmeto. Co uestro modelo matemátco elmamos la depedeca de la covaraza, ésta dca estadístcamete la relacó e el te mpo etre el redmeto de dos accoes. E los modelos de Markowtz y CAPM, s la covaraza etre el redmeto de dos accoes es baja, etoces, es posble, que esas dos accoes forme parte de la solucó, lo ateror de certa forma dca que el comportameto del redmeto etre ambas accoes o está r elacoadas. Pero el que t ega ua covaraza baja o os muestra s esos redm etos de esas dos accoes so estadístcamete depedetes [0]. E los modelos aterores solo se cosd era el redmeto y el resgo de las accoes, gorado las varables e dcadores dspobles e l a pága de Iteret de la Bolsa Mexcaa de Valores (BMV), alrededor de 23 [8 ]. La duda ahora es Que otras varables o dcadores teemos que cosderar e el modelo? La respuesta puede ser: Todas las varables e dcadores publcados e esa pága, la clusó de estas podría ser e cojuto, e form a dvdual o ua combacó de ellas. El problema uevo es defr cuáles 40

12 varables o dcadores tee fluec a e el proóstco de la seleccó de ua cartera de versó. E este trabajo se decdó clur solo ua varable más a las cosderadas por los modelos prevos (redmeto y resgo), este es el preco de veta de la accó. La decsó es a causa de que a partr de éste s e derva las dos varables recomedadas p or Markowtz y por el método CAPM. Ua vez defdas las varables, ot ro problema al cual os efretam os es defr la magtud del parámetro de las restrccoes y sus cambos. Para esto hacemos las suposcoes sguetes: Prmera suposcó. La catdad de dero requerda míma es el costo de la accó mas barata, a partr de esta catdad se llega a la catdad de dero de la accó más cara. Seguda suposcó. El resgo mímo de la cartera de versó es el resgo de la accó que tega el meor de todas las accoes y éste varará hasta el resgo más alto de la accó correspodete. Tercera suposcó. De forma smlar a l a suposcó del resgo, el redmeto mímo de la cartera de versó es el redm eto de la accó que tega el meor redmeto de todas las acco es y éste varara hasta el redmeto más alto de la accó correspodete. Co las sup oscoes aterores se formulo el modelo que se preseta a cotuacó: Maxmzar Sujeto a: z = = x R (7) = x ( Pv Pvm ) λ ( Pvmax Pvm ) 4

13 = x x ( σ σ m ) λ2( σ max σ m ) = x = Dode x es el dec mal de la accó que debe comprarse y es ua varable real 0 x,, x = 0 cuado la accó o forma parte de la cartera de versó. λ, λ 2: so varables que utlzamos para recorrer todo el espaco de solucoes y su valor es 0 λ,λ 2, Pv es el preco de veta de la accó El modelo de mmzar el resgo es el sguete: Mmzar x = z2 = σ (8) Sujeto a: = = x x x ( Pv Pvm ) λ ( Pvmax Pvm ) ( R Rm ) λ 2( Rmax Rm ) = x = Dode las varables so las msmas que e el problema de maxmzar. 4. Seleccó de la cartera de versó. La seleccó de la carter a de versó se hace para las ac coes de tres empresas, dode la solucó de los modelos matemátcos de maxmzacó del redmeto (7) y mmzacó del resgo (8) se resuelve 42

14 depedetemete uo del otro co el método SIMPLEX, para lo cual se utlzó el programa WINQSB. De la pága de Iteret de la BMV se elgero las accoes de 3 dferetes empresas que regularmete se ecuetra a la alza o etre las más egocadas. Los datos cosderados de las accoes so de Julo del 2005 a Febrero de 2007, los valores del redmeto y la desvacó estádar se obt uvero co las ecuacoes (2) y (3), y sus valores se muestra e la tabla. Tabla. Redmeto y resgo de las empresas de julo 2005 a febrero 2007 Varable Empresa Redmeto (%) Preco veta de Resgo (%) x GMEXICOB x 2 WALMEX V x 3 GMODELOC Es mportate observar que el resgo es ma yor al redmeto, lo que mplca que el mayor redmeto co el meor resgo se ecotrará cuado la dfereca etre ambas es la meor. Resultados del problema de maxmzacó del redmeto Los resultados obtedos se muestra e la fgura y e la tabla 2 43

15 Fgura. Gráfca del redmeto óptmo para dferetes λ y λ 2 Tabla 2 Redmeto óptmo para dferetes λ y λ 2 λ λ 2 =0. λ 2 =0.2 λ 2 =0.3 λ 2 =0.4 λ 2 =0.5 λ 2 =0.6 λ 2 =0.7 λ 2 =0.8 λ 2 =0.9 λ 2 =

16 Resultados del problema de mmzacó del resgo Los resultados se muestra e la fgura 2 y e la tabla 3. Tabla 3 Resgo mímo para dferetes λ y λ 2 λ λ 2 =0. λ 2 =0.2 λ 2 =0.3 λ 2 =0.4 λ 2 =0.5 λ 2 =0.6 Λ 2 =0.7 λ 2 =0.8 λ 2 =0.9 λ 2 =

17 Fgura 2. Gráfca del resgo mímo para dferetes λ y λ 2 De las tablas 2 y 3 se obtee la m eor dfereca etre el resgo y el redmeto, de forma smlar a como se hace e la seleccó de la cartera de versó co el modelo CAPM. Es m portate otar que e cada uo de los problemas, de maxmzacó del re dmeto y mmzacó del resgo, se determa los valores d e λ y λ 2, las cuales so dferetes para cada problema y correspode a dsttos porcetajes de cada ua de las accoes. E la fgura 3 y e la tabla 4 se m uestra los resultados de las dferecas etre el redmeto y el resgo. 46

18 Tabla 4. Dferecas etre el resgo y redmeto λ λ 2 =0. λ 2 =0.2 λ 2 =0.3 λ 2 =0.4 λ 2 =0.5 λ 2 =0.6 Λ 2 =0.7 λ 2 =0.8 λ 2 =0.9 λ 2 =

19 Fgura 3. Gráfca de dferecas etre el redmeto y resgo E la gráfca 3 se apreca que exste u área dode la dfereca es míma, metras que e la tabla 4 se deter ma los valores de λ y λ 2 para es a dfereca. Los valores de esas varables correspode a dferetes porcetajes de cada ua de las accoes, los que se m uestra e la tabla 5. E el regló tres de esa msma tabla se muestra los porcetajes obtedos co el modelo CAPM, metras que e el regló cuatro se muestra los valores del redmeto y resgo s cosderar la amortguacó dada por los valores de covaraza baja. 48

20 Tabla 5. Comparacó de los resultados del modelo matemátco y el CAPM Modelo X (%) X 2 (%) X 3 (%) Sumas (%) Dferecas (%) Mmzacó del resgo Cotrbucó REND RIESGO Maxmzacó del redmeto Cotrbucó REND RIESGO CAPM Cotrbucó REND RIESGO CAPM co valor real del resgo al mometo t=0 Cotrbucó REND RIESGO Los resultados de la tabla 5 os muestra, regló 3 y 4, que el cosderar la covaraza como ua varable para determ ar ua cartera de v ersó o es la mejor, s úcamete os basamos e la dfereca real etre el redm eto y el resgo de la cartera de versó e el tem po t=0. Co ese porcetaje d e resgo real es posble obteer redmetos mayores, como se puede observar e la tabla 3, dode los v alores co ese resgo puede teer u redm eto etre 3% y 4% (λ ). Los resultados de la tabla 5 ta mbé os muestra que e el t empo cero la mejor cartera de versó está dada por la fucó de m mzacó del resgo, s os basamos e la meor dfereca, la cua l es lgeramete feror que la dfereca obteda del problem a de maxmzacó del redmeto de 0.034%. 49

21 Es mportate resaltar que los porcetaj es de cada accó so dferetes para cada solucó del problema de la seleccó de la cartera de versó. Lo cual era de esperarse ya que las varables so reales y admte ua catdad fta de solucoes 5. Coclusoes Se puede coclur que e l plateameto de los modelos matemátcos de maxmzacó del redmeto, m mzacó del r esgo y los crteros para elegr ua cartera de versó os pro porcoa los resultados sufcetes para seleccoar los porcetajes de compra de las accoes que forma ua cartera de versó. Co los modelos matemátcos presetados e este trabajo que o depede de la magtud de las covarazas etre los redmetos de las accoes, os proporcoa mas elemetos reales y o estmados para tomar la decsó de que accoes seleccoar e el tempo t = 0. Los resultados os muestra que la rest rccó de la seleccó del preco de veta de la accó es acertada y útl para modelar matemátcamete problemas de versó e la Bolsa Mexcaa de Valores. Referecas [] Domgo Jorge Messut, Alvarez Vctor Adrá, Ro mao Graff Hugo. Seleccó de versoes. Itroduccó a la teoría de la cartera. Bueos Ares, Argeta. Ed. Macch pp , 47-5, [2] Hller Frederck S., Leberm a Gerald J. Itroduccó a la Ivestgacó de Operacoes. Ed. Mc Graw Hll pp [3] Medzábal Zubelda Alatz, Mera Zabalza Lus M., Zub a Zubaurre Mara. El modelo de Markowtz e la Gestó de Carteras. Uversdad del 50

22 País Vasco- Euskal Erco Ubertstatea. [4] Mathur Kamlesh, S olow Dael. Ivestgacó de Operac oes. Ed. Pretce Hall pp.2-9 y [5] Saavedra Ma. Lusa. Aplcacó empírca del modelo Black & Scholes e Méxco. Artículo de la revsta de C otaduría y Admstracó de la UNAM Num. 27, 2006 [6] Bravo Orellaa Sergo. Profesor ESAN (Escuela Superor de Admstracó y Negocos e L ma, Perú). Determacó de Portafolos de Actvos Faceros, la Frotera E fcete y la Líea de Mercado. [7] Krajewsk Lee J., Rtzma Larry P. Adm stracó de operacoes (Estratega y Aálss). Quta edcó, Ed. Pretce Hall Méxco 2000, ISBN: , pp [8] Bolsa Mexcaa de Valores. [9] José Crspí Zavala-Díaz, Vladmr Khachaturov Programacó etera, el método del árbol de cubos, su algort mo paralelo y sus apl cacoes Cotextos e la vestgacó de l as Cecas Soc ales y Admstratvas, Prmera edcó 2006, ISBN: pp [0] Mark L. Bereso, Davd M Lev e. Estadístca para Ad mstracó y Ecoomía, Coceptos y Aplcacoes. Ed. McGraw-Hll 99 ISBN:

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

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

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

6. ESTIMACIÓN PUNTUAL

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

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

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

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

Más detalles

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA) Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

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

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

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

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

Más detalles

1.1 INTRODUCCION & NOTACION

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

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

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

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

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

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

Modelos de Regresión Simple

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

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

Análisis de Regresión y Correlación Lineal

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

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

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

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

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

PROBABILIDAD Y ESTADISTICA

PROBABILIDAD Y ESTADISTICA 1. Es u cojuto de procedmetos que srve para orgazar y resumr datos, hacer ferecas a partr de ellos y trasmtr los resultados de maera clara, cocsa y sgfcatva? a) La estadístca b) Las matemátcas c) La ceca

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

Análisis de Regresión y Correlación Lineal

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

Más detalles

ASIGNATURA: MATEMATICAS FINANCIERAS

ASIGNATURA: MATEMATICAS FINANCIERAS PUNTES DOCENTES SIGNTUR: MTEMTICS FINNCIERS PROFESORES: MRIN JIMES CRLOS JVIER SRMIENTO LUIS JIME DEPRTMENTO DE CIENCIS BÁSICS VERSION: 2-20 QUÉ ES MTEMÁTICS FINNCIERS? Hace alguos años éste era u tema

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

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

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

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

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

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

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

Más detalles

Regresión - Correlación

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

Más detalles

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

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

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.

Más detalles

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES Uversdad de Los Ades Facultad de Cecas Ecoómcas y Socales Escuela de Admstracó y Cotaduría Públca Departameto de Cecas Admstratvas Cátedra de Produccó y Aálss de la Iversó Asgatura: Matemátca Facera APLICACIONES

Más detalles

Elaborado por: Ing. Rubén Toyama U. 1

Elaborado por: Ing. Rubén Toyama U. 1 CONTENIDO IDENTIFICACIÓN... 2 PLANIFICACIÓN DE LOS ENCUENTROS... 2 PROGRAMA ANALITICO... 3 ORIENTACIONES METODOLÓGICAS... 8. - Itroduccó.... 8..- Objetvos Geerales.... 9 2.- Desarrollo... 9 Prmer ecuetro...

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

Estadística aplicada al Periodismo

Estadística aplicada al Periodismo Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca

Más detalles

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

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

Más detalles

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa

Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa Uversdad de oora Departameto de Matemátcas Área Ecoómco Admstratva Matera: Estadístca I Maestro: Dr. Fracsco Javer Tapa Moreo emestre: 05- Hermosllo, oora, a 5 de septembre de 05. Itroduccó E la clase

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO)

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) I. Descrpcó del cálculo de los dcadores IFO CIFO La flota e operacó se medrá a través de los mecasmos IFO y CIFO, de acuerdo a lo establecdo

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS HERRAIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS Dr. J. Iñak De La Peña Curso de Postgrado Especalsta e Cotabldad y aplcacó de las Normas Iteracoales de Cotabldad Facera Departameto de Ecoomía Facera

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

A2.1 SUMA PRESENTE A SUMA FUTURA

A2.1 SUMA PRESENTE A SUMA FUTURA A2. APÉNDICE MATEMÁTICAS FINANCIERAS E este apédce se preseta las fórmulas tradcoales para hallar las sumas equvaletes e el tempo y ua coleccó de fórmulas para equvaleca de tasas omales y efectvas. Para

Más detalles

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

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

Más detalles

Máximos y Mínimos de funciones de dos variables

Máximos y Mínimos de funciones de dos variables Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN... 3. REPREENTATIVIDAD DE LA CURVA DE REGREIÓN... 3 3.. Poder explcatvo del modelo... 3 3.. Poder explcatvo frete a poder predctvo...

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles