UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*)

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

Download "UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*)"

Transcripción

1 UNIVERSIDAD NACIONAL DE SALTA Facultad de Cecas Ecoómcas, Jurídcas y Socales Isttuto de Ivestgacoes Ecoómcas Reuó de Dscusó Nº 7 Fecha: /06/003 Hs.: 6 UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*) Eusebo Cleto del Rey CONICET UNSa. Itroduccó Co motvo de la Reuó de Dscusó (R. D.) Nº 57 (DEL REY, 00) e la que se cosderó el trabao La Cotrbucó de Meoras: U Eercco Empírco, la Prof. Aa María Cerro (Uversdad Nacoal de Tucumá) os sugró realzar tests de correlacó espacal y de heterocedastcdad y, e caso de estar presete alguo de estos feómeos, emplear los métodos de estmacó pertetes. Ello os llevó a estudar Ecoometría Espacal. Habedo avazado algo e este setdo, decdmos escrbr este trabao, cuyas faldades so: a) Oblgar al autor a ordear sus deas, para poerlas por escrto; b) Recbr crítcas y sugerecas, especalmete de aquellos que haya trabaado e el tema; c) Poer e cotacto co el tema a los tegrates

2 del equpo de vestgacó del Proyecto Nº 37, y a los otros partcpates e esta R. D. que o tega coocmetos respecto a él. Cuado uestras observacoes se realza sobre udades ubcadas e el espaco, que etre ellas se terflueca e lo relatvo al feómeo de uestro terés, las téccas de la llamada Ecoometría tradcoal puede coducr a estmadores que o tee las característcas deseables (auseca de sesgo, efceca, etc.). E tal caso debe aplcarse los métodos de la Ecoometría Espacal. Eemplos de tal tpo de observacoes so las realzadas sobre los mucpos de ua provca o las provcas de u país, e cuato a algú aspecto de su actvdad ecoómca, de su poblacó, etc.. E uestro caso, estudamos los precos de terreos localzados e dferetes putos del Departameto Captal de la Provca de Salta (DEL REY, 00 y DEL REY, 00). Este trabao está orgazado como sgue: E la Sec. presetamos el cocepto de vecdad, y la matrz de poderacoes relacoada co ese cocepto; el problema de la depedeca espacal se cosdera e la Sec. 3, e tato que la Sec. 4 está dedcada a la heterogeedad espacal; e la Sec. 5 cosderamos los tests co los que se puede detectar los feómeos presetados e la dos seccoes aterores, y e la Sec. 6 hacemos, a maera de coclusoes, alguas cosderacoes respecto a la aplcacó de todo lo ateror a la estmacó de uestras fucoes hedócas (DEL REY, 00 y DEL REY, 00).. Vecdad Cuado las observacoes que coforma ua muestra se ecuetra ubcadas e u espaco geográfco, puede ser etre ellas vecas o o (*) Este trabao surgó del Proyecto de Ivestgacó Nº 37 del Coseo de Ivestgacó de la Uversdad Nacoal de Salta (UNSa), ttulado: La Cotrbucó de Meoras y Otros Trbutos Locales.

3 serlo. Se dce que so vecas cuado este terflueca etre ellas, e relacó al feómeo bao estudo. Para maear la formacó referda a la vecdad de las observacoes se emplea la matrz de cotactos, poderacoes o pesos, que se smbolza usualmete por W. Esta matrz es de orde, dode es el tamaño de la muestra, y cotee la relacó estete etre cada par de observacoes. Se supoe que ua observacó o es veca de sí msma, por lo que todos los elemetos de la dagoal prcpal so guales a 0. Para obteer el resto de los elemetos se emplea dferetes crteros, como ser el de la cotgüdad y el de la dstaca. El crtero de cotgüdad establece que dos observacoes so vecas s tee etre ellas putos e comú. Para aplcar este crtero este varas reglas partculares, que o os teresa, por lo que sólo damos el sguete eemplo: S trabaamos co provcas argetas como udades de observacó, podemos decr que Tucumá es veca de Salta, pues tee putos e comú (los que correspode al límte etre ambas), pero Córdoba o es veca de Salta, pues o los tee. Al elemeto de la matrz W que correspode a Salta-Tucumá le asgamos el valor, e tato que al que correspode a Salta-Córdoba le asgamos 0. E geeral, s las observacoes so vecas será w, s o lo so será w 0, y sempre es w 0 (por lo dcho e el párrafo ateror), sedo w u elemeto de la matrz W. El crtero de la dstaca establece dsttos grados de vecdad e fucó de la dstaca estete etre las observacoes. Cuato meor sea la dstaca etre u par de observacoes, tato mayor será su vecdad. Se suele emplear... la versa del cuadrado de la dstaca, de forma que w, dode d es la dstaca etre los cetros geográfcos de cada par d de ecoomías. (LÓPEZ-BAZO et al., 999). De esto resulta que todas las 3

4 observacoes so vecas, pero e dstto grado, segú las dstacas que las separa. W, la matrz de poderacoes, suele ser ormalzada e sus flas, del sguete modo: w w. De esta forma es posble defr W como el retardo espacal de ua varable, es decr, como la suma (poderada ) del valor de e las ecoomías vecas. (LÓPEZ-BAZO et al., 999). 3. Depedeca Espacal Cuado el valor que toma ua varable e ua udad de observacó es fludo por los valores de esa msma varable e udades vecas, decmos que hay depedeca espacal. També se la suele llamar autocorrelacó espacal. Es el msmo cocepto que se usa e el aálss de seres de tempo, cuado hablamos de autocorrelacó (e este caso temporal ). Este, s embargo, ua gra dfereca etre los dos tpos de autocorrelacó: La autocorrelacó temporal es udreccoal, pues cada observacó sólo puede ser fluda por ua observacó ateror, e tato que la espacal es multdreccoal, pues puede haber varas observacoes vecas que fluya e la cosderada. La autocorrelacó espacal puede ser postva o egatva. S a valores mayores de la varable pertete e la observacó le correspode valores mayores de ella e la observacó cosderada,, y a valores meores de la varable pertete e la observacó le correspode valores meores de ella e la observacó cosderada,, se dce que la autocorrelacó es postva. S a valores mayores de la varable pertete e la observacó le correspode valores meores de ella e la observacó cosderada,, y a valores meores de la varable pertete e la observacó le correspode 4

5 valores mayores de ella e la observacó cosderada,, se dce que la autocorrelacó es egatva. Este feómeo puede presetarse e algua de las varables observadas (sedo más mportate s se trata de la varable depedete) o e los errores de ua regresó. E cuato a los efectos de la autocorrelacó espacal, os dce ALAÑÓN PARDO (999): S se trabaa co u modelo ecoométrco e el que este autocorrelacó espacal, y ésta o se elma o modelza correctamete etoces el auste, la fereca, muchos cotrastes de hpótess será fables. Depededo de la aturaleza de dcha autocorrelacó las estmacoes del modelo podrá ser sesgadas, cosstetes o efcetes. 4. Heterogeedad Espacal LESAGE (998), pág. 6 y 7, caracterza a la heterogeedad espacal como aquella stuacó e que la relacó (etre varables) estudada varía e el espaco, esto es, dfere de u puto observado a otro. Así, e el caso por osotros estudado, la fucó hedóca camba de uo a otro terreo observado, s está presete este feómeo. A esto lo formalza (LESAGE, 998) de la sguete maera: y () X Dode: y es el valor que toma la varable depedete e la observacó ; X es el vector ( k ) de los valores que e esa observacó toma las varables depedetes; es el vector columa ( k ) de los valores de los coefcetes de regresó correspodetes a esa observacó; es el térmo de error; es el úmero de la de la observacó o localzacó cosderada, =,,..., sedo el tamaño de la muestra; k es el úmero de varables depedetes. 5

6 El vector de los parámetros varía de ua a otra observacó, por lo cual tedríamos que estmar de esos vectores, lo que os dearía s grados de lbertad. E otras palabras, la formacó sería sempre sufcete, pues a medda que crece el tamaño de la muestra crece també el úmero de parámetros. Es precso, por lo tato, especfcar la varacó de la relacó e el espaco, de modo que se reduzca el úmero de parámetros a uos pocos y sea así posble estmarlos. Ua forma de hacerlo es establecer restrccoes al modo e que puede varar la relacó. Por eemplo, supoer que los parámetros so homogéeos detro de las áreas urbaa y rural, pero que varía etre esas áreas. E lo que va a cotuacó seguremos a ANSELIN (990, pág. 43 y 44), para ver los efectos que la heterogeedad espacal produce. Trabaaremos co el método de epasó espacal desarrollado por Casett (ctado por ANSELIN, 990). Este método es u caso especal de regresó co coefcetes que varía. Sea la sguete regresó smple la que queremos estmar y 0 () Dode: y es la varable depedete; es la varable depedete; 0 y so los coefcetes de regresó y es el térmo de error, co valor esperado ulo y varaza. Pero es estable, e el setdo de que o es costate a través de las observacoes, ya que varía del sguete modo: 0 z z (3) Dode:, 0 y so costates; z y z so las varables de epasó, cuyo úmero debe ser fto. A que (3) es ua relacó eacta, s térmo de error. lo llamamos el parámetro epaddo. Nótese 6

7 Etoces, reemplazado: y z ) ( z ) (4) 0 0 ( La ecuacó (4) es el modelo epaddo. S estmáramos (), sedo correcta la especfcacó de (4), los estmadores de los coefcetes 0 y so sesgados, debdo a que las varables z y z fuero omtdas. S o coocemos eactamete la forma de (3), y por lo tato debemos clur u térmo de error, tedremos, e su lugar: 0 z z (5) Dode: varaza. es u térmo estocástco de error, co valor esperado ulo y Reemplazado e (): y 0 0 ( z ) ( z ) (6) El térmo de error e (6) es: (7) Por lo tato: y z ) ( z ) (8) 0 0 ( Veamos el valor esperado y la varaza de (7): E E E E 0 (9) var (0) El valor esperado del térmo de error de (8) es ulo, pero su varaza depede de, o sea que hay heterocedastcdad. Segú os dce MADDALA (996, pág. 39), las cosecuecas de la heterocedastcdad so: 7

8 . Los estmadores de mímos cuadrados sgue sedo sesgados, pero efcetes.. Los estmadores de las varazas so sesgados, lo que valda las pruebas de sgfcaca [sc]. 5. Tests E las Sec. 3 y 4 vmos que tato la depedeca como la heterogeedad espacales puede producr ua otable pérdda e la caldad de uestros estmadores s o se usa los métodos de estmacó pertetes a cada caso. Es, por lo tato mportate realzar tests que os permta teer evdecas sobre s está o o presetes esos feómeos e uestros datos. 5.. Tests para la Depedeca Espacal E la lteratura sobre Ecoomía Espacal de la que dspoemos (que por certo o es muy abudate) ecotramos varos tests para la depedeca o autocorrelacó espacal, etre los que mecoaremos los que se realza co los estadístcos I de Mora, C de Geary, G de Gets y Ord y W de Wald, además del test del multplcador de Lagrage y el de la razó de verosmltud. De todos ellos, el más frecuetemete mecoado es el I de Mora, que es u dcador de depedeca espacal que se puede aplcar a los errores de ua regresó o a otra varable cualquera. LESAGE (998), pág. 50, preseta al estadístco I de Mora, para depedeca espacal de los errores, del sguete modo: I e' We e' e () Dode: W es la matrz de poderacoes que hemos defdo e Sec., ormalzada e sus flas (s se usa la o ormalzada las fórmulas so u poco 8

9 dferetes, ver: LESAGE (998), pág. 50 y 5); e es el vector columa de los resduos de ua regresó por mímos cuadrados ordaros. Sempre sguedo a LESAGE (998), pág. 5, dremos que Clff y Ord demostraro que la dstrbucó astótca de I, s los resduos provee de ua estmacó por mímos cuadrados, correspode a ua dstrbucó ormal estádar, cuado se estadarza ese estadístco. Para ello hacemos: tr MW E I () k tr MWMW ' tr MW tr MW Vr I (3) d E I d k k (4) I E I Z I (5) Vr I Dode: E I es el valor esperado del estadístco I ; tr smbolza la traza de la matrz que va etre parétess; M ( I X X ' X ') (Nótese que, e esta X fórmula, I es ua matrz utara, o el estadístco de Mora); X es la matrz k de observacoes sobre las varables depedetes; Vr I es la varaza del estadístco I ; Z I es u estadístco que se dstrbuye como ormal estádar; es el tamaño de la muestra; k es el úmero de varables depedetes. Para presetar el ídce I de Mora, aplcable a ua varable X cualquera, segumos a GALVIS APONTE (00), cambado u poco su smbología para mateer uforme la uestra. Este autor preseta al ídce de Mora del sguete modo: w I (6) w 9

10 Dode:, so observacoes sobre la varable X ; w so elemetos de la matrz W, s ormalzar. Este autor codcoa a la fórmula (6) escrbedo a su lado:, lo cual pesamos que es ecesaro debdo a que w 0, segú vmos e Sec.. El valor esperado y la varaza del ídce se calcula, e este caso y de acuerdo co GALVIS APONTE (00), del sguete modo: E I (7) 3 3 S S 3S b S S 0 0 Vr I (8) 3 S0 6S m4 Dode: b m m 4 z 4 m z S 0 w S w w S w. w. w. w z es el desvío estádar de. Ua vez calculadas la meda y varaza segú las ecuacoes (7) y (8), se aplca la ecuacó (5). E ambos casos, cuado se obtee co las ecuacoes () y (3), o co las ecuacoes (7) y (8), Z I de (5) se puede comparar co el valor de la tabla de la dstrbucó ormal estádar que correspoda al vel de sgfcacó elegdo para hacer el test. Sea el vector columa ( ) de las observacoes sobre X, epresadas como desvíos respecto a la meda muestral. Esto es, cada elemeto de ese vector es: de Mora (etre otras formas equvaletes) como:. Co él AROCA (000) defe el estadístco 0

11 W I (9) Sedo W la matrz de poderacoes ormalzada. Nótese que el estadístco de (9) es smlar al que hemos presetado e () para los errores. Pero AROCA (000) o recurre a la ormal estádar para realzar su test, so que propoe el sguete crtero: S I es cercao a, este depedeca espacal postva; S I es cercao a -, este depedeca espacal egatva; S I es cercao a, o este depedeca espacal, o, lo que es lo msmo, hay dstrbucó aleatora de los valores. Esta epresó es la presetada como valor esperado de I e la ecuacó (7). Ates de dear este tema dremos que ANSELIN (990) preseta, e su Sec. 3, alguos tests para depedeca espacal que so robustos a la heterocedastcdad. No los cosderamos e este trabao por razoes de espaco. 5.. Tests para la Heterogeedad Espacal BAO (s/f) preseta, e su pág. 5, u test para heterogeedad e preseca de depedeca espacal. Nos dce que, e ese caso, o se matee las propedades de las dstrbucoes de los test tradcoales que se usa para detectar heterocedastcdad, y propoe emplear el test de Chow. Para aplcar el mecoado test formulamos las hpótess ula y alteratva así: H 0 : y X (0) Es ecesaro trabaar co álgebra para tratar de establecer las dferecas y semeazas etre las tres formas del I de Mora aquí presetadas, y també co otras que se ecuetra e la lteratura. La tarea queda pedete para el futuro.

12 X 0 H : y () 0 X Dode: X y X so subcoutos de observacoes sobre las varables depedetes; y so los coefcetes de regresó correspodetes a cada subcouto; BAO (s/f) sostee que es el térmo de error, espacalmete autorregresvo. X y X so ambas matrces de dmesó cual cosderamos que es erróeo: No puede coteer ambas las observacoes de la muestra, pues so subcoutos de la matrz X de (0), la k, lo que sí sería k. E este caso, el estadístco de Chow se defe como: er I W ' I W er e I W ' I W eu C () U Dode: es el estmador mámo verosíml del parámetro espacal; e R es el vector de los resduos de la regresó restrgda; e U es el vector de los resduos de la regresó o restrgda; es la estmacó de la varaza del error, ya sea e el modelo restrgdo, e el o restrgdo o e ambos. Este estadístco tee ua dstrbucó astótca k bao la hpótess ula, o sea la que sgfca que espacal., que a su vez mplca que o este heterogeedad 6. A Modo de Coclusoes Para aplcar a uestras fucoes hedócas (véase: DEL REY, 00 y DEL REY, 00) lo cosderado e las seccoes aterores, debemos defr uestro cocepto de vecdad, aplcable a este caso. Ua alteratva que resulta atractva es dvdr a la cudad de Salta (o al Departameto Captal, e su caso) e zoas, cuyos terreos pueda

13 cosderarse que se ecuetra e el msmo mercado moblaro. Nótese que esta dvsó se realzaría más co crtero ecoómco que geográfco, pues dos zoas puede estar físcamete separadas, pero teer terreos que compte etre sí. A tal f se puede recurrr a u eperto e egocos moblaros, como es el caso del Sr. Armado Romero Dodz. Ua vez zofcada el área de observacó, defmos como vecos a los terreos que se ecuetra e la msma zoa. Hecho esto, ya podemos defr uestra matrz W, de la maera acostumbrada, asgado los valores: w s los terreos y so vecos, y w 0 s o lo so. Esta matrz os permtrá aplcar el test I de Mora, u otro que se cosdere coveete, a f de establecer s este o o depedeca espacal. E cuato a heterogeedad, parece razoable supoer que, s este este feómeo e uestros datos, habrá homogeedad de relacó etre los terreos que está e ua msma zoa de la cudad (de las ates defdas), y varacó de ua zoa a otra. Podemos etoces partcoar la matrz X, como se eplca e la Sec. 5., poedo e cada parte de ella las observacoes de cada zoa, y aplcar el test de Chow para ver s hay heterogeedad. Otro método que se os ocurre es multplcar la dummy de cada zoa (como las que empleamos e DEL REY, 00 y DEL REY, 00) por cada ua de las otras varables eplcatvas, e troducrlas e la regresó uto a esas msmas dummes. El test de sgfcacó del coefcete correspodete a cada ua de esas varables, co respecto a cero, os drá s los parámetros varía o o de zoa a zoa. Esto será factble s teemos sufcetes Que colaboró co osotros e trabaos aterores. Véase DEL REY, 00 y DEL REY, 00. 3

14 observacoes, para o quedaros s grados de lbertad. Pero Se puede multplcar dummy por dummy, para este f? Recuérdese que las varables eplcatvas de uestras fucoes hedócas so, e su mayoría, dcotómcas (véase: DEL REY, 00 y DEL REY, 00). S de los test realzados surge evdecas de que uestros datos preseta depedeca o heterogeedad espacal, ecestaremos buscar el modelo espacal que os permta evtar los problemas que crea esos feómeos. Referecas: ALAÑÓN PARDO, Ágel (999): El Uso Práctco de las Téccas de Ecoometría Espacal: La Productvdad del Trabao Idustral, Documetos de Trabao, Facultad de Cecas Ecoómcas y Empresarales, Uversdad Complutese de Madrd, ANSELIN, Luc (990): Some Robust Approaches to Testg ad Estmato Spacal Ecoometrcs, Regoal Scece ad Hurba Ecoomcs, North Holad, 0, pág AROCA, Patrco (000): Ecoometría Espacal: Ua Herrameta para el Aálss de la Ecoomía Regoal, V Ecuetro de la Red de Ecoomía Socal, Paamá, Septembre. BAO, Shumg (s fecha): A Overvew of Spatal Ecoometrc Models, Cha Data Ceter, Uversty of Mchga, DEL REY, Eusebo Cleto (00): La Cotrbucó de Meoras: U Eercco Empírco, Reuó de Dscusó Nº 57, I. I. E., Fac. Cs. Ecoómcas, J. y S., UNSa, Salta, 8/. DEL REY, Eusebo Cleto (00): La Cotrbucó de Meoras: Teoría, Metodología y u Eercco Empírco, CASTAÑARES (Cuaderos del I. I. E.), Cuadero Nº 9, Año X, Septembre. GALVIS APONTE, Lus Armado (00): La Topografía Ecoómca de Colomba, Documetos de Trabao Sobre Ecoomía Regoal, Baco 4

15 de la Repúblca Sucursal Cartagea, Cartagea de Idas, LESAGE, James P. (998): Spatal Ecoometrcs, Departmet of Ecoomcs, Uversty of Toledo, MATLAB, December. LÓPEZ-BAZO, Erque, VAYÁ, Esther, MORENO, Rosa y SURIÑACH, Jord (999): Eteraldades etre Ecoomías: Efectos sobre el Crecmeto, mmeo, MADDALA, G. S. (996): Itroduccó a la Ecoometría, Seguda Edcó, Pretce Hall, Méco. 5

16 Uversdad Nacoal de Salta Facultad de Cecas Ecoómcas, Jurídcas y Socales Isttuto de Ivestgacoes Ecoómcas Bueos Ares 77 A440FDC Salta Argeta REUNIONES DE DISCUSIÓN Nº Fecha Autor Título 6 8/ 5/0 Eduardo Atoell Cosderacoes sobre la Oferta Agregada 63 / 5/0 Eduardo Atoell Dolarzacó y Demada de Dero 64 7/ 8/0 Eduardo Atoell La Iflacó e la Argeta: Aálss y Evdeca Empírca, / 8/0 Roberto A. Db Ashur Dolarzacó 66 / 8/0 Carola Psell Udad de Aálss y Varables Apropadas para Medr la Desgualdad 67 8/ 8/0 Eduardo Atoell Cosderacoes sobre las Tasas de Varacó de Salaros, Precos y Desempleo 68 4/ 9/0 Eduardo Atoell La Demada y la Oferta Agregadas bao Desequlbro 69 30/ 4/03 Eduardo Atoell Alguas Cosderacoes sobre la Oferta Agregada 70 4/ 5/03 Eduardo Atoell Sobre la Racoaldad e Ecoomía 7 / 6/03 Eusebo Cleto del Rey Ua Nota sobre Ecoometría Espacal 6

17 7

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

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

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

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

-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

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

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

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

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

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

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

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

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

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

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

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

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

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

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

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

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

(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

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

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

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

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

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

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

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

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

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

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

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

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

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

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

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

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

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5. 5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

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

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

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

Análisis de Regresión

Análisis de Regresión Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

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

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

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

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

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

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

ESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA

ESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA Uversdad Nacoal del Ltoral Facultad de Igeería y Cecas Hídrcas ESTADÍSTICA Igeería Iformátca TEORÍA Mg.Ig. Susaa Valesberg Profesor Ttular UNIDAD Característcas de varables aleatoras Estadístca - Igeería

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

Inferencia Estadística

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

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

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

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a

Más detalles

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

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

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

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

INTRODUCCION A LA GEOESTADISTICA

INTRODUCCION A LA GEOESTADISTICA INTRODUION A LA GEOESTADISTIA 7 3' W MAR ARIBE Boca de la Barra 3 larí 8 6 4 Grade R Sevlla 8 6 R Aracataca 45' N 4 R Fudaco Teoría y Aplcacó UNIVERSIDAD NAIONAL DE OLOMBIA Sede Bogotá Facultad de ecas

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

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

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

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

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

Más detalles

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

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

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

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

Tema 6: Introducción al muestreo. Estimadores

Tema 6: Introducción al muestreo. Estimadores Facultad de Ecoomía y Empresa Práctcas ema 6.- Itroduccó al muestreo. Estmadores ema 6: Itroduccó al muestreo. Estmadores VARIABLE Certa varable aleatora X se dstrbuye segú la fucó de desdad: sedo E(X)

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

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno Fluo de Poteca DC co odelacó de Icertdumres Aplcado al Caso Chleo Resume Rodrgo Palma B. rodpalma@cec.uchle.cl Chrsta Jeldres H. celdres@cec.uchle.cl Area de Eergía Departameto de Igeería Eléctrca Uversdad

Más detalles

3 Regresión lineal múltiple: estimación y propiedades

3 Regresión lineal múltiple: estimación y propiedades 3 Regresó leal múltple: estmacó y propedades Ezequel Urel Uversdad de Valeca Versó 09-013 3.1 El modelo de regresó leal múltple 1 3.1.1 Modelo de regresó poblacoal y fucó de regresó poblacoal 3.1. Fucó

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

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

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

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

Análisis de datos en los estudios epidemiológicos II

Análisis de datos en los estudios epidemiológicos II Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices

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

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

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

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

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

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

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

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

PARTE SEGUNDA: INFERENCIA ESTADÍSTICA

PARTE SEGUNDA: INFERENCIA ESTADÍSTICA ESTADÍSTICA II PARTE SEGUNDA: INFERENCIA ESTADÍSTICA TEMA III: INTRODUCCION A LA INFERENCIA III..- Itroduccó III..- La eleccó de la muestra. Tpos de muestreo III.3.- Muestreo aleatoro smple. Estadístcos

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

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

Más detalles