UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS

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

Download "UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS"

Transcripción

1 UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS Antono Heras Martínez 1, Pedad Tolmos Rodríguez-Pñero 2, Julo Hernández-March 2 1 Departamento de Economía Fnancera y Contabldad I. Facultad de CC Económcas y Empresarales. Unversdad Complutense de Madrd. 2 Departamento de Economía Fnancera y Contabldad II. Facultad de Cencas Jurídcas y Socales. Unversdad Rey Juan Carlos. emals: antono.heras@ccee.ucm.es, pedad.tolmos@urjc.es, julo.hernandez.march@urjc.es Palabras Clave.- Clasfcacón de Asegurados del Seguro del Automóvl, Factores de Resgo, Máqunas de Vectores Soporte, Algortmos Genétcos, Modelo Logt. Resumen.- Con este artículo se pretende realzar una aproxmacón a la clasfcacón de los asegurados de una cartera de una compañía del seguro del automóvl atendendo a s han presentado o no snestro en un año 1. Para realzar la clasfcacón utlzaremos una técnca de Aprendzaje conocda como Máquna de Vectores Soporte. En aras de preservar la capacdad de generalzacón del clasfcador, realzaremos además una seleccón de los factores de resgo que descrben a los asegurados de la cartera, escogendo los más relevantes de cara a la snestraldad. Para ello emplearemos de nuevo herramentas de Aprendzaje Máquna, esta vez Algortmos Genétcos. Se ejecutarán varos expermentos, comparando la tasa de clasfcacón obtenda utlzando todos los factores de resgo, y sólo los selecconados. Tambén se compararán los mejores resultados consegudos con la clasfcacón lograda por el modelo logt, que nos permtrá analzar hasta qué punto son comparables las técncas del Aprendzaje Máquna y los modelos estadístcos utlzados habtualmente en la resolucón de este tpo de 1 Los datos empleados en los expermentos han sdo ceddos por la aseguradora MAPFRE en el marco de la Beca de Resgos y Seguros 2006 que nos concedó su Fundacón MAPFRE Estudos. Este artículo ha sdo recbdo en versón revsada el 13 de julo de

2 Un análss comparatvo de una SVM Anales 2010 / problemas. Aprovecharemos, además, la salda del logt para comparar los factores de resgo que resultan más relevantes con los que se selecconaron a través del Algortmo Genétco (AG). Los resultados obtendos son alentadores, probando que las técncas de aprendzaje, y las SVM en partcular, pueden resultar muy útles para resolver problemas de clasfcacón en seguros. Key words.- Insurance Automoble Polces Classfcaton, Rsk Factors, Support Vector Machnes, Genetc Algorthms, Logt Model. Abstract.- In ths paper we propose a new approach for classfyng the polces of an nsurance automoble company accordng to the predcton of ther clams for the next year. We use for ths purpose sets of rsk factors obtaned from one database of an mportant Spansh nsurance company 2. Our approach s based on the Learnng Machnes methodology. The algorthm we suggest s based on the applcaton of a standard Support Vector Machne (SVM), hybrdzed wth a Genetc Algorthm. The SVM s used to classfy the polces as faled (reportng clams) or not faled, accordng to ther rsk factors, whereas the GA s used to perform a preselecton n the rsk factors space of the SVM. We wll do several experments, comparng the obtaned classfcaton rate ncludng all the rsk factors, wth that ncludng just the selected rsk factors. We ll also compare ths results wth those obtaned usng the Logt model (both classfcaton rate and selected rsk factors), allowng us to analyze f ths Learnng Machnes are comparable to statstcal technques commonly used to solve ths knd of problems. The obtaned results are very encouragng and show that learnng technques n general and SVM n partcular, can be useful tools for solvng classfcaton problems n nsurance. 1. Introduccón. Cuando el número de pólzas en una compañía aseguradora es lo sufcentemente grande, el desarrollo de un sstema de clasfcacón adecuado es el prmer paso para lograr una prma justa. Se trata de clasfcar a sus clentes del modo más homogéneo posble atendendo al resgo, de 2 Data used n the experments were gven up by MAPFRE Insurance Company, wthn the Rsk and Insurance Grant 2006 of MAPFRE Studes Foundaton. 86

3 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / manera que los asegurados pertenecentes a un msmo grupo paguen déntca prma. En la lteratura, se pueden encontrar solucones a esta tarea empleando métodos estadístcos. Las técncas del análss estadístco multvarante son las que permten organzar procesos de seleccón, tenendo en cuenta smultáneamente el conjunto de factores de resgo. Técncas tales como las Redes Neuronales Artfcales, o las Máqunas de Vectores Soporte han demostrado ser unos clasfcadores excelentes en térmnos de la llamada tasa de clasfcacón y se han aplcado con éxto en multtud de problemas complejos, como el del reconocmento de caracteres escrtos, la lmpeza de mágenes, mnería de datos, dagnóstcos médcos, etc. Vamos por tanto a resolver el problema valéndonos de herramentas tomadas de lo que se conoce como Aprendzaje Máquna. El planteamento concreto que haremos será el sguente: dada una cartera de asegurados de una conocda empresa del seguro del automóvl, descrtos por sus factores de resgo, pretendemos clasfcarlos en dos clases, atendendo a s han presentado o no snestros en el perodo de un año. Como luego veremos, un problema de clasfcacón de este estlo lleva aparejado un segundo problema, el de la Seleccón de Característcas (factores de resgo). Efectvamente, con el objeto de mejorar la capacdad de generalzacón del clasfcador, su establdad, y el tempo de computacón, a menudo es necesaro, s el nº de varables es grande, realzar una seleccón de las varables mportantes, las que retenen la mayor cantdad de nformacón. Esta cuestón tene en nuestro caso un valor añaddo, en cuanto al nterés que la nformacón sobre los factores de resgo realmente relevantes de cara a la snestraldad, pueda tener para la aseguradora. Así, comenzaremos por formular matemátcamente el problema, establecendo a contnuacón qué se entende por Aprendzaje y en qué dferen báscamente éstos métodos de las técncas estadístcas cláscas. Descrbremos brevemente las técncas que hemos empleado para soluconar los problemas y pasaremos entonces a la ejecucón de los expermentos, comentando los resultados alcanzados. Aplcaremos una Máquna de Vectores Soporte 3 para clasfcar y un Algortmo Genétco para selecconar los factores. Compararemos los resultados de la clasfcacón con los obtendos aplcando una técnca estadístca válda para abordar este tpo de 3 En adelante se utlzará la abrevatura correspondente a las sglas en nglés, SVM. 87

4 Un análss comparatvo de una SVM Anales 2010 / cuestones, el modelo logt, extendendo así los resultados alcanzados en la Tess doctoral de Pedad Tolmos en la que se empleó la técnca del Análss Dscrmnante, menos potente que el actual logt. Asmsmo, contrastaremos la Tasa de Clasfcacón alcanzada por la SVM utlzando todos los factores de resgo y sólo los selecconados por el AG. Emplearemos además la salda del logt para comparar los factores de resgo que resultan más relevantes con los que se selecconaron a través del Algortmo Genétco (AG). Fnalzaremos con las conclusones que se extraen de lo presentado en el artículo, y comentando algunas de las aplcacones que estamos realzando en la actualdad. 2. Formalzacón del problema. El tpo de problema que planteamos se puede englobar dentro de lo que se conoce como problemas de clasfcacón con múltples atrbutos cuya tarea básca es asgnar un objeto, descrto por los valores que toman certos atrbutos, a una sere de clases. Matemátcamente, la representacón de un problema de clasfcacón con múltples atrbutos es la sguente [Schölkopf, 1999]: se quere estmar una funcón (de decsón) f : R n { ±1} empleando datos (observacones u objetos) del conjunto de observacones que se utlzarán para entrenar lo que se conoce como máquna de clasfcacón (red neuronal, algortmo n genétco, ). Consderaremos para ello una sere de objetos { x }, x R, { 1,...l} desconocda P(x,y), donde { 1, 1} generados por certa funcón de dstrbucón de probabldad y consttuyen el conjunto de etquetas asocadas (es la salda, la que ndca a qué clase pertenece cada x ). De este modo, el conjunto de datos consderados sería ( x ),...,(, ) R n { 1} 1, 1 ± y x l y l y el objetvo es que la funcón f clasfque correctamente los ejemplos nuevos que se la presenten (x,y), esto es, que f(x)=y para ejemplos (x,y) generados por la msma dstrbucón de probabldad subyacente P(x,y) que los datos utlzados para el entrenamento. 88

5 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / El error de entrenamento se puede defnr como: R 1 l [ α ] = f (, α ) 1 y ent l = 1 2 x (1) El error de test (resgo) esperado para una máquna de entrenamento se defne como 1 R [ α ] = f ( x, α ) y dp( x, y) (2) La cantdad ( ) f x,α y recbe el nombre de pérdda. 2.1 El problema de la clasfcacón de los asegurados Para predecr la snestraldad de un asegurado vamos a separar a todos los clentes en dos clases: la de los que tendrán snestros, y la de los que no. Por ello, lo trataremos como un problema de clasfcacón con múltples atrbutos de tpo smple, esto es, con sólo dos clases. Los conjuntos x, 1,... l x R representan a los asegurados, descrtos por un { } { } n conjunto de n factores de resgo (cada componente de y las etquetas { 1,1 } x, x j, es un factor), y ndcarían la clase, -1 s no presentan snestros, y 1 en caso contraro. De este modo, durante el perodo de entrenamento estaríamos manejando pares del tpo ( x, y ), con y conocda; el objetvo será, recordemos, que se clasfquen correctamente los ejemplos nuevos que se presenten ( x, y) generados por la msma dstrbucón de probabldad subyacente P ( x, y) que los datos utlzados para el entrenamento del clasfcador. En el caso de la seleccón de factores, la entrada para el clasfcador será la n msma, el conjunto { x }, { 1,... l} x R, pero la salda será < m { x } { 1,... l} x R m n,, con un error de clasfcacón menor. 89

6 Un análss comparatvo de una SVM Anales 2010 / Los datos utlzados Para la ejecucón hemos empleado una muestra de asegurados, obtenda al enlazar la cartera de Clentes con la de Snestros del año 2003 que nos proporconó MAPFRE. Los factores de resgo que descrbían a cada asegurado eran orgnalmente 11: Antgüedad del carnet, Edad, Tpo de carnet, Sexo, Estado Cvl, Profesón, Antgüedad del vehículo, Uso, Zona de Crculacón, Potenca, Valor. Sn embargo, hubo que segregarlos para obtener varables categórcas, como exgía el sstema, manejando fnalmente 105 varables de entrada. La salda, recuérdese, sólo tomaba dos valores, 1 (snestro) o -1 (no snestro). 3. Las técncas empleadas 3.1 El Aprendzaje Máquna El enfoque estadístco clásco para abordar un problema de clasfcacón como el que nos planteamos, en el que se cuenta con una gran cantdad de datos, consste en asumr que tales datos están generados por una dstrbucón de probabldad subyacente que nos es desconocda y a partr de la cual dseñaremos el clasfcador. Sn embargo, exsten otras aproxmacones al problema, como la que nos proponen Vapnk y otros autores de la Teoría del Aprendzaje. La dea básca es dseñar el clasfcador drectamente desde los datos medante determnados algortmos, que en su caso se basan en esta Teoría del Aprendzaje. Este modo de plantear el problema nos conducrá a la necesdad de analzar la nformacón que comprenden los grandes conjuntos de datos. La habldad de extraer el conocmento que se encuentra esconddo entre esos datos, y utlzarlo convenentemente, está tenendo una mportanca crecente en el mundo contemporáneo. Las aproxmacones más recentes para desarrollar modelos a partr de los datos se han nsprado en las capacdades de aprendzaje de los sstemas bológcos y, en partcular, en las de los humanos. De hecho, los sstemas bológcos aprenden a hacer frente a la desconocda naturaleza estadístca del entorno conducdos por los datos. Los humanos, como los anmales, tenen la capacdad superor de reconocer patrones, como las de dentfcar caras, voces u olores. El campo del reconocmento de patrones tene como objetvo el construr sstemas 90

7 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / artfcales que mten las habldades de reconocmento de los humanos, y avanza haca él basándose en prncpos de ngenería y estadístca. En un sentdo amplo, cualquer método que ncorpore nformacón de las muestras de entrenamento en el dseño de un clasfcador emplea aprendzaje. La creacón de clasfcadores mplca el planteamento de una forma general de modelo, o de clasfcador, y el uso de los datos de entrenamento para aprender o estmar los parámetros desconocdos del modelo. Cuando hablemos aquí de aprendzaje lo haremos como una forma de algortmo para reducr el error sobre el conjunto de entrenamento. Concretamente, un algortmo de aprendzaje es aquel que toma los datos de entrenamento como entrada (nput) y seleccona la hpótess (la funcón canddata de entre todas a ser la que relacona las saldas con las entradas, esto es, la funcón de decsón) de entre todas las posbles. 3.2 Las Máqunas de Vectores Soporte La SVM es una técnca de clasfcacón que ha demostrado sobradamente su capacdad de resolucón frente a problemas de elevado grado de complejdad. Dseñada en prncpo para tratar problemas de clasfcacón bnaros (en dos grupos), se trata de una máquna de aprendzaje que mplementa la sguente dea: cuando no sea posble separar los datos en el espaco de entrada con un hperplano lneal, trasladar, medante una aplcacón no lneal, los vectores de entrada a un nuevo espaco de dmensón más alta. En este nuevo espaco se construrá una superfce de decsón lneal. Las especales propedades que poseerá esta superfce garantzarán que la capacdad de generalzacón de la máquna de aprendzaje sea alta. Aunque esta dea se empleó en los prmeros expermentos para datos que podían separarse sn errores, se puede extender para el caso no separable con notable éxto. La parte conceptual del problema la resolvó Vapnk para el caso de hperplanos óptmos para clases separables. En este contexto, Vapnk defnó un hperplano óptmo como una funcón de decsón lneal con el margen de separacón máxmo entre los vectores de las dos clases. Se observó entonces que para construr tal hperplano, uno sólo debía tener en cuenta una cantdad pequeña de los datos de entrenamento, los llamados vectores soporte, quenes determnaban ese margen. Sea un conjunto de asegurados representado por sus factores de resgo expresados medante los vectores { x }, { 1,... l}, y un conjunto de etquetas 91

8 Un análss comparatvo de una SVM Anales 2010 / asocadas { 1,1 } y 4 que determnan a qué clase pertenece cada asegurado. Supongamos que es posble separar este conjunto de entrenamento medante un hperplano lneal. Los puntos x que pertenecen al hperplano satsfacen la ecuacón w x + b = 0, donde w es un vector normal al hperplano, y b / w es la dstanca perpendcular del hperplano al orgen (tomamos como la norma euclídea). De entre todos los hperplanos capaces de separar los datos, exste un únco hperplano óptmo, en el sentdo de que es capaz de separar los puntos con el mayor margen de separacón entre cada elemento del conjunto de entrenamento y el hperplano. En este sentdo, el algortmo de aprendzaje dseñado por Vapnk y Chervonenks, la SVM, resuelve el sguente problema: Encontrar n w R y b R que mnmcen 1 2 τ ( w ) = w 2 t w x + b = 1,..., l (3) sujeto a y ( ) 1 Cuando se hallen w y b, la regla de clasfcacón para los asegurados será, t sgn w x + b 5, y el error de clasfcacón cometdo vendrá smplemente, ( ) dado por R ent ( w,b), tal y como se descrbó anterormente. Por otro lado, aquellos puntos que verfcan la gualdad en la necuacón t y ( w x + b) 1, y cuya elmnacón cambaría la solucón que encontremos, son los que llamaremos vectores soporte. Estos vectores, pertenecerán a uno de los dos posbles hperplanos óptmos de separacón de t los que hablábamos antes, representados por las ecuacones w x + b = 1 t para un hperplano, y w x + b = 1 para el otro. S tratamos de aplcar el algortmo anteror a datos no separables, no encontraremos nnguna solucón factble, pues la funcón objetvo crece desmesuradamente. Para evtarlo, se relaja la restrccón 2 cuando sea necesaro, lo que se logra medante la ntroduccón de unas varables nuevas de pequeño tamaño. La formulacón del problema queda ahora: 4 Descrbmos el caso más sencllo de dos úncas clases, pues para el general de K clases basta con tomar, como ya se ha vsto y k en vez d y. 5 Obsérvese que se corresponde con las funcones de decsón t f ( x) = sgn w x + b que descrbmos en el punto 2. ( ) 92

9 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / Encontrar Mnmcen n w R y b R y ξ = 1,,l que l 1 2 τ ( w ) = w + C ξ (4) 2 = 1 y t w x + b 1 ξ y Sujeto a ( ) ξ >0 = 1,..., l (5) donde C es un parámetro que el clasfcador deberá estmar. Por últmo, en el caso de la SVM no lneal, se proyectan las varables de entrada en un espaco de dmensón mayor (normalmente de dmensón nfnta) que aquel al que pertenecían dchas varables, y se aplca la SVM descrta anterormente en este nuevo espaco, conocdo como espaco de característcas. De este modo, la SVM no lneal es capaz de separar los asegurados con una probabldad de error dada por R ent ( w,b). Esa proyeccón se realza utlzando las funcones núcleo (kernel). 3.3 La seleccón de factores El llamado problema de seleccón de característcas, esto es, la seleccón de los factores o rasgos que permtan desechar aquellos elementos que se revelen como rrelevantes para el estudo que se desea realzar, ha resultado ser de especal mportanca en la mayoría de los problemas de aprendzaje supervsado. En los problemas de clasfcacón como el que nos ocupa, el objetvo es selecconar un subconjunto de varables de entrada (factores de resgo) que sean los que preserven o mejoren la capacdad del clasfcador [Weston et al. (2000)]. Entre los dstntos modos de tratar este problema, el más frecuente es el n x 1 y,..., x,, con x R y sguente: dado un conjunto de datos (, 1 ) ( l y l ) y { 1,1 }, extraer un subconjunto de m varables (m < n) que posean el error de clasfcacón menor [bídem]. En nuestro caso, seguremos a Weston et al. para selecconar los mejores factores de resgo (componentes de los vectores { x }, { 1,... l} ), esto es, aquellos que realmente descrban el estado del asegurado, y elmnaremos 93

10 Un análss comparatvo de una SVM Anales 2010 / aquellos factores redundantes o rrelevantes. De este modo mejoraremos el funconamento de la SVM, que trabajará en el proceso de clasfcacón sólo con los factores de resgo que hayamos reservado. Exsten varas técncas para resolver el problema de la seleccón de característcas. En este caso hemos escogdo los Algortmos Genétcos. 3.4 Algortmos Genétcos Los algortmos genétcos son un logro más de la Intelgenca Artfcal en su ntento de replcar comportamentos bológcos medante la computacón. Se trata de algortmos de búsqueda basados en la mecánca de la seleccón natural y de la genétca. Utlzan la nformacón hstórca para encontrar nuevos puntos de búsqueda de una solucón. Se puede pensar en cada cromosoma de un algortmo genétco como en un punto en el espaco de búsqueda de canddatos a solucones. El algortmo genétco procesa poblacones de cromosomas, reemplazando sucesvamente cada poblacón por otra. El algortmo suele requerr una funcón de capacdad o potencal que asgna una puntuacón (la capacdad) a cada cromosoma de la poblacón actual. La capacdad o el potencal de un cromosoma depende de cómo resuelva ese cromosoma el problema a tratar. La forma más smple de algortmo genétco utlza tres tpos de operadores: seleccón, cruce y mutacón. Seleccón o reproduccón: Este operador escoge cromosomas entre la poblacón para efectuar la reproduccón. Cuanto más capaz sea el cromosoma, más veces será selecconado para reproducrse. Cruce: Se trata de un operador cuya labor es elegr un lugar, y cambar las secuencas antes y después de esa poscón entre dos cromosomas, para crear nueva descendenca (por ejemplo, las cadenas y pueden cruzarse después del tercer lugar para producr la descendenca y ). Imta la recombnacón bológca entre dos organsmos haplodes. Mutacón: Este operador produce varacones de modo aleatoro en un cromosoma (por ejemplo, la cadena puede mutar su segunda poscón para dar lugar a la cadena ). La mutacón puede darse en cada poscón de un bt en una cadena, con una probabldad, normalmente muy pequeña (por ejemplo 0.001). 94

11 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / Cada teracón del algortmo recbe el nombre de generacón. Lo usual es terar el proceso de 50 a 500 o más veces. El conjunto completo de generacones se llama sere. Al conclur una sere, a menudo se encuentran entre la poblacón uno o más cromosomas con elevada capacdad. En nuestro problema de seleccón de los factores relevantes para la tarfcacón a pror, la poblacón del AG está ntegrada por un número ξ de cadenas bnaras σ { 0,1} n a las que se aplca el procedmento teratvo de los operadores genétcos. Una componente σ = 1 equvale a afrmar que el factor de resgo correspondente debe ser tendo en cuenta para la SVM, mentras que s σ = 0, se elmnará ese factor del conjunto de factores. Debe observarse que cada ndvduo de la poblacón del AG (un vectorσ ) permanece para un conjunto de factores dferente de la SVM. La funcón de capacdad asocada a cada ndvduo es el error de clasfcacón obtendo al clasfcar los puntos de entrenamento ( x σ, y), que será estmado por R ent ( w,b,σ ). Una últma aprecacón: como el AG maxmza la funcón de capacdad, y el objetvo en un problema de seleccón de característcas es mnmzar la probabldad de error, se ntroducrá una funcón de capacdad modfcada, F = 100(1- R ent ( w,b,σ )) (6) 3.5 El modelo logt Consdérese, por otro lado, que se quera explcar la ocurrenca aleatora del snestro como consecuenca de un conjunto de característcas x para { 1 k} j =,..., relatvas al conductor y de un elemento debdo al azar: j k Y = β x + u (7) j j j= 1 La naturaleza dcotómca de la varable dependente Y (1 s el conductor asegurado ha sufrdo un snestro y -1 en caso contraro) oblga al empleo de un modelo no lneal que la relacone con las varables explcatvas x (las msmas que se han empleado en el modelo SVM). Asumendo que la j 95

12 Un análss comparatvo de una SVM Anales 2010 / perturbacón aleatora u sgue una dstrbucón logístca con meda nula y varanza constante, el modelo quedaría (Aldrch & Nelson, 1986): Z e EY ( ) = PY ( = 1) = (8) Z 1 + e donde: k P Z = β x = ln( ) logt (9) 1 P j j j= 1 Expresón en la que el cocente de probabldades se conoce como odds. El cocente entre dos odds se conoce como rato de odds y permte medr el efecto multplcatvo que tene un aumento untaro de cualquera de las varables explcatvas x j sobre la odds de tener un snestro (Lao, 1994). En nuestro caso, dcho rato srve para medr el resgo de snestraldad al cambar el valor de una varable, cuando el resto de las varables permanecen fjas: P d 1 P ' ' x j xj = xj + 1 = e P 1 P xj β j (10) El efecto de una varable sobre la probabldad de ocurrenca de un snestro tambén vendrá nformado por el estadístco de Wald W j, que permte crtcar la valdez de la estmacón puntual del parámetro β j que pondera a la varable, en funcón de su dspersón (Hernández-March, 2003): W j β j = S β j 2 (11) Cuanto mayor sea W j más precsa será la estmacón de β j, de ahí que ante dos varables con coefcentes beta sgnfcatvos (p-valor menor que.1), se preferrá aquel que tenga mayor estadístco de Wald. 96

13 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / Resolucón del problema 4.1Clasfcacón de los asegurados utlzando todos los factores de resgo En este expermento utlzamos un software gratuto para la SVM llamado 2 Lbsvm, con un kernel de base radal, k( x, x ) exp( x x / c) =. Escogmos como método para determnar el error en el conjunto de Test el de la Valdacón Cruzada 6 en 5 plegues. Los resultados se presentan en forma de la Tasa de Clasfcacón [(Nº de acertos) / (Nº de casos)] y de la Matrz de Confusón, en cuya dagonal prncpal aparecen los casos acertados, y en la secundara los errores cometdos en cada clase. Comparacón del modelo logt con la SVM En lo que se refere a la capacdad predctva del modelo, la tabla 1 recoge las tasas de clasfcacón que se han obtendo al aplcar los dos modelos objeto de comparacón: una SVM y el logt 7. Tabla 1: Tasas de clasfcacón obtendas en los dos modelos empleados SVM LOGIT Tasa de clasfcacón 77.72%. 70.8% Matrz de Confusón (en porcentajes) % 23.59% % 79.13% % 28.3% % 69.9% 6 Dvdr el conjunto de datos de entrada en n subconjuntos, entrenar el modelo con n-1 de los n conjuntos, y valdar los resultados con el conjunto restantes. Repetr el proceso para cada uno de las n posbles eleccones del conjunto omtdo. 7 Para pronostcar los snestros en el modelo logt se tomó como valor de corte 0,514 (que es la proporcón muestral de asegurados que declaró snestro). 97

14 Un análss comparatvo de una SVM Anales 2010 / En este sentdo, se puede observar que el modelo SVM pronostca correctamente el 77.72% de los casos observados, cas 7 puntos por encma de lo que lo hace el modelo logt (dferenca que se reduce a algo menos de 5 puntos en el caso de los asegurados que no han tendo snestro, pero que se ncrementa por encma de los 9 puntos en el apartado de los que sí han sufrdo accdente). Por otra parte, los porcentajes que se logran con el modelo logt mejoran los alcanzados con el Análss Dscrmnante (Bousoño, Heras y Tolmos 2008) en más de 2 puntos en el caso (-1,-1), s ben empeoran en el (1,1) 71.8% del AD frente al 69.9% del logt. 4.2 Seleccón de factores de resgo Resultados obtendos por el modelo logt La tabla 2 recoge los resultados de la estmacón por máxma verosmltud de los parámetros del modelo, empleando el programa SPSS. En lo que se refere a la bondad del ajuste puede observarse que el estadístco Chcuadrado es muy sgnfcatvo, lo que permte rechazar la hpótess nula de que todos los parámetros del modelo, excepto el térmno ndependente, sean nulos. El estadístco R cuadrado de Nagelkerke hay que nterpretarlo en el msmo sentdo. En lo que respecta a la estmacón de los parámetros, se observa que la regón en la que el asegurado conduce habtualmente es la varable que mejor dscrmna a la hora de explcar la snestraldad. Dentro de este apartado, los conductores que corren más resgo son los de Madrd y Barcelona. En concreto, el resgo de declarar un accdente en Madrd es veces mayor al de hacerlo en Andalucía sn nclur Sevlla, que es la categoría de referenca, mentras que en Barcelona ese resgo es 7.45 veces mayor. Otras zonas de conduccón en las que resulta más probable declarar un snestro que en Andalucía sn Sevlla son: Castlla y León, Galca, Valenca, Aragón, Castlla La Mancha, Asturas, Cataluña sn Barcelona, Sevlla, La Roja, Navarra, Comundad Valencana sn Valenca, País Vasco, Extremadura, Cantabra y Canaras. Sn embargo, sólo en Baleares y Murca la probabldad de declarar un snestro es menor que en Andalucía sn Sevlla. A contnuacón, la profesón del asegurado tambén permte jerarquzar las dstntas categorías, en lo que al resgo de snestraldad se refere. En este 98

15 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / sentdo, se ha comprobado que los conductores con profesón 41 8 presentan una odds que es veces mayor que los de la profesón 20 9, que se ha tomado como categoría de referenca (por ser la más frecuente). Aquellos conductores con códgo de profesón 22 10, ó tambén presentan un resgo de snestraldad mayor que los de la categoría de referenca, aunque las dferencas no sean tan sgnfcatvas. Sn embargo, los conductores con profesón 53, 31, 57, 10, 21, 54, 55, 0, 12 ó corren menos resgo de tener un snestro que los de la categoría de referenca (habéndose ordenado la sere de menor a mayor sgnfcatvdad), aún cuando las dferencas hayan resultado mportantes en todos los casos. En partcular, el resgo de los asegurados con profesón 56 es.205 veces el resgo de los asegurados de la categoría de referenca. El resto de las profesones consderadas no han resultado sgnfcatvas a la hora de explcar la ocurrenca de un snestro. Tabla 2: Resultados del modelo logt sobre la snestraldad de una cartera de asegurados en el ramo de automóvles Varable Coefcente Wald Rato de Meda Odds Muestral Hombres -.205*** Estado Cvl Soltero Referenca.202 Casado Vudo Dvorcado FUNCIONARIOS Y ADMINITRATIVOS (desplazamento profesonal habtual urbano). 9 INDUSTRIALES, COMERCIANTES, PROFESIONES LIBERALES (sn desplazamento profesonal habtual). 10 INDUSTRIALES, COMERCIANTES, PROFESIONES LIBERALES (desplazamento profesonal habtual nterurbano). 11 FUNCIONARIOS Y ADMINISTRATIVOS (desplazamento profesónal habtual nterurbano). 12 CONDUCTOR DE CAMIÓN/VEH. INDUSTRIAL DE TERCEROS. 13 Por orden: ESTUDIANTES, VIAJANTES Y REPRESENTANTES URBANOS, EMPLEADOS QUE CONDUCEN CON EXCLUSIVIDAD VEHÍCULOS DE LA SOCIEDAD, AGRICULTORES Y SUS EMPLEADOS, INDUSTRIALES, JUBILADOS, OBREROS, códgos 0 y 12 SIN CLASIFICAR, SIN PROFESIÓN. 99

16 Un análss comparatvo de una SVM Anales 2010 / Antgüedad del carnet Tpo de permso Coche Referenca.997 C C ** Motoccletas Cclomotor D-D1-B Edad del conductor -.008*** Antgüedad del vehículo -.049*** Valor en euros hasta 1050 Referenca *** *** más de *** Potenca (en watos; 1CV 736 watos) hasta Referenca.257 Varable Coefcente Wald Rato de Meda Odds Muestral *** más de *** Regón Andalucía sn Sevlla Referenca.208 Sevlla.511*** Aragón 1.281*** Asturas.948*** Baleares -.191*** Canaras 1.017** Cantabra.179**

17 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / Castlla La Mancha.796*** Castlla y León 1.693*** Cataluña sn Barna.863*** Barcelona 2.008*** Extremadura.312*** Galca 1.693*** Madrd 2.054*** Murca -.115** Navarra.885*** País Vasco.507*** La Roja 1.682*** Com.Valencana sn Val.620*** Valenca 1.005*** Profesón 20 Referenca *** Varable Coefcente Wald Rato de Meda Odds Muestral *** *** *** *** *** *** * *** *** ***

18 Un análss comparatvo de una SVM Anales 2010 / *** *** * Uso 110 Referenca *** *** ** *** *** ** *** *** Varable Coefcente Wald Rato de Meda Odds Muestral *** *** ** ** ** **

19 Antono Heras, Pedad Tolmos y Julo Hernández-March Anales 2010 / *** Resto 3.706*** Constante.355*** Ch cuadrado: *** R 2 de Nagelkerke:.313 Nota. La categoría Resto de la varable Uso es el resultado de solapar las sguentes categorías de dcha varable: 117, 133, 137, 190, 199, 218, 234, 235, 258 y 242. *.05 < p.1 **.01 < p.05 *** p.01 La antgüedad del vehículo es la sguente varable con más peso en el modelo. El resgo de que un vehículo, con una antgüedad determnada, sufra un accdente es.952 veces el que tene ese msmo vehículo un año antes. El uso que el conductor hace del vehículo es la sguente varable en mportanca 14. En este caso, la mayor parte de las categorías presentan mayor probabldad de sufrr un accdente que la categoría que se tomó de referenca (por resultar tambén la más frecuente). Las categorías con las dferencas más sgnfcatvas (en orden descendente) son la , la , la categoría resto, la y la Otros usos con mayor probabldad de sufrr accdente que la categoría 110, pero con menor peso que los anterores, son (ordenados de mayor a menor sgnfcatvdad): 231, 150, 232, 219 y Por el contraro, los usos con códgo 220, 238, 118, 210, 14 Algunas categorías de esta varable con frecuencas reducdas presentaban coefcentes estmados muy elevados, acompañados de desvacones típcas tambén muy elevadas con nveles de sgnfcacón bajos. Este comportamento ndcaba la presenca de multcolnealdad en el modelo (Greene, 1998; Hosmer & Lemeshow, 1989). Por lo tanto, se procedó a reunr las categorías afectadas (117, 133, 137, 190, 199, 218, 234, 235, 258 y 242) en otra codfcada como resto. Después, desaparecó este problema. 15 TURISMO DE USO PARTICULAR. 16 TURISMOS MATRICULADOS A NOMBRE DE EMPRESA. 17 VEHICULO TODO TERRENO. 18 TAXI SIN TAXIMETRO. 19 VEHICULOS DE ALQUILER SIN CONDUCTOR. 20 Por orden: FURGONETAS DE TRANSPORTE DE MERCANCIAS NO PELIGROSAS, TURISMOS DE AUTO-ESCUELA, AMBULANCIAS, 103

20 Un análss comparatvo de una SVM Anales 2010 / y presentan menor resgo de accdente que la categoría de referenca (estando ordenados de menor a mayor sgnfcatvdad). En partcular, el resgo de declarar un snestro por parte de un asegurado con uso 168 es.428 veces el que corre un asegurado de la categoría 110. La probabldad de sufrr un snestro por parte de aquellos asegurados que dan otros usos al vehículo no dfere sgnfcatvamente de la de los asegurados con códgo de uso 110. A contnuacón fgura la varable valor del vehículo que, ncalmente, se trató con un carácter cuanttatvo. Al correr la regresón, el parámetro que la pondera resultó sgnfcatvo pero con una estmacón de cero en sus tres prmeras poscones decmales. Una vez descartados problemas de multcolnealdad se decdó hacerla cualtatva. Para ello se procedó a establecer cuatro clases, en funcón de los cuartles, y a volver a estmar el modelo con la varable cualtatva, tomando de referenca la categoría nferor (vehículos con un valor de hasta 1050 ). El resultado muestra que cuanto mayor es el valor del vehículo, mayor es la probabldad de declarar un snestro. En partcular, los asegurados cuyos vehículos valen más de 1950, tenen un resgo de accdente que es veces mayor que el de aquellos que conducen vehículos de hasta Por su parte, la condcón de hombre reduce la probabldad de accdente, sendo su resgo veces el que corre una mujer. Este resultado ya se produce cuando se cruzan las varables sexo y snestro, por cuanto el porcentaje de hombres que declaran snestro es 7 puntos nferor al de las mujeres (49.6% frente a 56.5%). Asmsmo, el resgo de una persona con una edad concreta es.992 veces el de otra con un año menos. El sguente factor explcatvo de la snestraldad es la potenca del vehículo. Esta varable tuvo un comportamento smlar al de la varable valor, en el sentdo de nclur una estmacón de cero en el parámetro, a pesar de resultar sgnfcatva. En vrtud de ello, se procedó de la msma forma, dvdendo la FURGONETAS DE REPARTO URBANO Y AUTOVENTA, VEHICULOS DE SERVICIO DE URGENCIAS (POLICIA Y BOMBEROS) 21 Por orden: FURGONETAS DE USO RURAL HASTA 500 KGS DE CARGA USO PROPIO - Uso 220, FURGONETAS USO PARTICULAR +5 HASTA 9 PLAZAS - Uso 238, TURISMOS USO PARTICULAR +5 HASTA 9 PLAZAS - Uso 118, FURGONETAS HASTA 3500 KGS - Uso 210, FURGONETAS HASTA 500 KGS DE CARGA USO PROPIO - Uso 217, TODO TERRENO +5 HASTA 9 PLAZAS - Uso

EXPERIMENTACIÓN COMERCIAL(I)

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

Más detalles

FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE

FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Insttuto de Cencas del Seguro FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Carlos Bousoño Calzón Antono Heras Martínez Pedad Tolmos Rodríguez-Pñero FUNDACIÓN MAPFRE no se hace

Más detalles

Capitalización y descuento simple

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

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

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

Más detalles

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

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

Más detalles

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

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

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

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

Más detalles

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

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

Más detalles

Relaciones entre variables

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

Más detalles

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

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

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

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

Más detalles

MODELOS DE ELECCIÓN BINARIA

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

Más detalles

REGRESION Y CORRELACION

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

Más detalles

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

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

Más detalles

Correlación y regresión lineal simple

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

Más detalles

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

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

Más detalles

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

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

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

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

Más detalles

Análisis comparativo de la siniestralidad en el seguro de automóviles según el grado de cobertura *

Análisis comparativo de la siniestralidad en el seguro de automóviles según el grado de cobertura * Análss comparatvo de la snestraldad en el seguro de automóvles según el grado de cobertura * Melgar Hraldo, María del Carmen mcmelhr@upo.es Ordaz Sanz, José Antono jaordsan@upo.es Departamento de Economía,

Más detalles

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

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

Más detalles

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

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

Más detalles

DEFINICIÓN DE INDICADORES

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

Más detalles

Economía de la Empresa: Financiación

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

Más detalles

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

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

Más detalles

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

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

Más detalles

Análisis de Regresión y Correlación

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

Más detalles

Algoritmo para la ubicación de un nodo por su representación binaria

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

Más detalles

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

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

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

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

Más detalles

Clase 25. Macroeconomía, Sexta Parte

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

Más detalles

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

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

Más detalles

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

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

Más detalles

ACTIVIDADES INICIALES

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

Más detalles

COMPARADOR CON AMPLIFICADOR OPERACIONAL

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

Más detalles

Determinación de Puntos de Rocío y de Burbuja Parte 1

Determinación de Puntos de Rocío y de Burbuja Parte 1 Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general

Más detalles

Aspectos fundamentales en el análisis de asociación

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

Más detalles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles 2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca

Más detalles

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.

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

Más detalles

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit. Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)

Más detalles

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

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

Más detalles

1.1 Ejercicios Resueltos Tema 1

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

Más detalles

Guía de ejercicios #1

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

Más detalles

Tutorial sobre Máquinas de Vectores Soporte (SVM)

Tutorial sobre Máquinas de Vectores Soporte (SVM) Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad

Más detalles

Extracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311

Extracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311 Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento

Más detalles

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

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

Más detalles

Matemática Financiera Sistemas de Amortización de Deudas

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

Más detalles

CAPÍTULO 4 MARCO TEÓRICO

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

Más detalles

Cifrado de imágenes usando autómatas celulares con memoria

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

Más detalles

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.

Más detalles

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

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

Más detalles

Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)

Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization) Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

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

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

Más detalles

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

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

Más detalles

GANTT, PERT y CPM INDICE

GANTT, PERT y CPM INDICE GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4

Más detalles

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

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

Más detalles

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones

Más detalles

Estimación de la siniestralidad no declarada en el seguro de automóviles: una aplicación a través de modelos de recuento *

Estimación de la siniestralidad no declarada en el seguro de automóviles: una aplicación a través de modelos de recuento * Estmacón de la snestraldad no declarada en el seguro de automóvles: una aplcacón a través de modelos de recuento * Ordaz Sanz, José Antono jaordsan@upo.es Melgar Hraldo, María del Carmen mcmelhr@upo.es

Más detalles

Índice de Precios de las Materias Primas

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

Más detalles

Tema 7: Regresión Logística p. 1/1

Tema 7: Regresión Logística p. 1/1 Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca

Más detalles

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos

Más detalles

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

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

Más detalles

Diseño y Análisis de Experimentos en el SPSS 1

Diseño y Análisis de Experimentos en el SPSS 1 Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se

Más detalles

Tema 7: Variables Ficticias

Tema 7: Variables Ficticias Tema 7: Varables Fctcas Máxmo Camacho Máxmo Camacho Econometría I - ADE+D /2 - Tema 7 Varables fctcas Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema 2: El modelo de regresón

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

Enlaces de las Series de Salarios. Metodología

Enlaces de las Series de Salarios. Metodología Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,

Más detalles

Algunos métodos de clasificación de puestos de trabajo en la empresa

Algunos métodos de clasificación de puestos de trabajo en la empresa lgunos métodos de clasfcacón de puestos de trabajo en la empresa. lgunos métodos de clasfcacón de puestos de trabajo en la empresa Canós Darós, Lourdes, loucada@omp.upv.es Pers Ortz, Marta, marpeor1@omp.upv.es

Más detalles

ANÁLISIS DE LA CULPABILIDAD EN LOS SINIESTROS DEL SEGURO DEL AUTOMÓVIL

ANÁLISIS DE LA CULPABILIDAD EN LOS SINIESTROS DEL SEGURO DEL AUTOMÓVIL ANÁLISIS DE LA CULPABILIDAD EN LOS SINIESTROS DEL SEGURO DEL AUTOMÓVIL María del Carmen Melgar Hraldo José Antono Ordaz Sanz Flor María Guerrero Casas Departamento de Economía, Métodos Cuanttatvos e Hstora

Más detalles

Introducción al riesgo de crédito

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

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1 Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para

Más detalles

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

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

Más detalles

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

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

Más detalles

ANÁLISIS GEOGRÁFICO DE LA SINIESTRALIDAD EN EL SEGURO DEL AUTOMÓVIL EN ESPAÑA

ANÁLISIS GEOGRÁFICO DE LA SINIESTRALIDAD EN EL SEGURO DEL AUTOMÓVIL EN ESPAÑA ANÁLISIS GEOGRÁFICO DE LA SINIESTRALIDAD EN EL SEGURO DEL AUTOMÓVIL EN ESPAÑA María del Carmen Melgar Hraldo Flor María Guerrero Casas Departamento de Economía, Métodos Cuanttatvos e Hstora Económca Unversdad

Más detalles

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I

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

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

Licenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL

Licenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes

Más detalles

Modelos lineales Regresión simple y múl3ple

Modelos lineales Regresión simple y múl3ple Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una

Más detalles

Análisis de Sistemas Multiniveles de Inventario con demanda determinística

Análisis de Sistemas Multiniveles de Inventario con demanda determinística 7 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 00 Análss de Sstemas Multnveles de Inventaro con demanda determnístca B. Abdul-Jalbar, J. Gutérrez, J. Scla Departamento de

Más detalles

La adopción y uso de las TICs en las Microempresas Chilenas

La adopción y uso de las TICs en las Microempresas Chilenas Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas

Más detalles

Marcos Gutiérrez-Dávila marcosgd@ugr.es

Marcos Gutiérrez-Dávila marcosgd@ugr.es Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca

Más detalles

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

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

Más detalles

La reforma del FCI ante las nuevas Perspectivas Financieras de la UE

La reforma del FCI ante las nuevas Perspectivas Financieras de la UE La reforma del FCI ante las nuevas Perspectvas Fnanceras de la UE Mara CUBEL (cubel@ub.edu) Crstna de GISPERT (crsdegspert@ub.edu) Unverstat de Barcelona Insttut d Economa de Barcelona Abstract En este

Más detalles

6 Minimización del riesgo empírico

6 Minimización del riesgo empírico 6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón

Más detalles

YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL

YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL 27 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 2003 YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL J. Guad, J. Larrañeta, L. Oneva Departamento de Organzacón Industral

Más detalles

Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep

Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples

Más detalles

1 + e z. 1 + e. 1 + e = 1 0 2

1 + e z. 1 + e. 1 + e = 1 0 2 Tema 7. Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco Euskal Herrko Unbertstatea 7. Introduccón En

Más detalles

Figura 1

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

Más detalles

MÉTODOS PARA PROBAR NUMEROS

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

Más detalles

Trabajo y Energía Cinética

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

Más detalles

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno

Más detalles

Lección 4. Ejercicios complementarios.

Lección 4. Ejercicios complementarios. Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c. Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una

Más detalles

QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.

QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no

Más detalles

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2013 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2013 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 013 INSTITUTO NACIONAL DE ESTADÍSTICAS 015 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR

Más detalles