Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores
|
|
- Arturo Martín Rey
- hace 8 años
- Vistas:
Transcripción
1 Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de Cotaduría, Admstracó e Iformátca, Cetro de Ivestgacó e Igeería y Cecas Aplcadas, 4 Facultad de Cecas Uversdad Autóoma del Estado de Morelos. Ave. Uversdad 00 Col. Chamlpa CP609 crsp_zavala, mcruz, mart@uaem.mx 3 Uversdad Juárez Autóoma de Tabasco, DAIS jruzvaoye@yahoo.com.mx Resume. Se preseta u modelo matemátco multobjetvo para la seleccó de ua cartera de versó y su aplcacó e la Bolsa Mexcaa de Valores (BMV). El modelo multobjetvo propuesto se basa e uestro modelo matemátco de programacó leal publcado recetemete. Se establece el plateameto del problema multobjetvo, sus restrccoes, la magtud de las msmas y la estratega de búsqueda. La estratega cosste e modfcar el parámetro que acota la magtud de cada ua de las restrccoes. Nuestro modelo se prueba co la seleccó de ua cartera de versó co dez accoes de la BMV, dode uestros resultados so mejores que los obtedos co los modelos de máxmo redmeto y mímo resgo resueltos e forma depedete. Palabras Clave. Multobjetvo, programacó leal, cartera de versó, Bolsa Mexcaa de Valores.. Itroduccó. Ua cartera de versó es ua combacó de actvos o títulos dvduales, dode se pretede que esa combacó de accoes dsmuya el resgo y aumete la utldad. Desde el puto de vsta teórco, la exsteca del equlbro resgoredmeto es básca para los modelos de evaluacó de actvos. Metras que desde el puto de vsta práctco se debe teer la capacdad de colocar los resultados absolutos e el cotexto de característcas de resgo-redmeto de u programa de versó. Los cco pasos del proceso de la versó so []: La polítca de la versó, el aálss de los valores, la costruccó de la cartera, la revsó de la cartera y la evaluacó peródca del desempeño de la cartera. M.A Cruz-Chávez, J.C Zavala Díaz(Eds):CICos009, ISBN: , pp , 009.
2 Modelo Matemátco Multobjetvo 397 E partcular para la costruccó de la cartera se debe de detfcar las accoes específcas e las cuales vertr y cuato hacerlo. La selectvdad, el tmg y la dversfcacó debe ser tratadas por el versosta. La selectvdad, també coocda como mcro proóstco, se refere al aálss de valores y se efoca e el proóstco de los movmetos de precos de valores dvduales. El tmg, també coocdo como macro proóstco, mplca el proóstco de los movmetos del preco de las accoes ordaras respecto a los valores de greso fjo, como los aboos corporatvos y las letras del tesoro. La dversfcacó es la costruccó de la cartera del versosta que mmce el resgo sujeto a certas restrccoes. E este trabajo os efocamos a realzar u mcro proóstco para obteer ua cartera de versó. E el problema de la seleccó de la cartera de versó se tee dos fucoes objetvo, la prmera es maxmzar el redmeto y la seguda, o meos mportate que la prmera, es mmzar el resgo. Dos modelos so fudametales para la valoracó de ua cartera de versó, el de Markowtz [] y el Captal Assets Prcg Model (CAPM) [3]. E el prmero se cosdera el plateameto del problema cuadrátco de mmzacó del resgo co dos restrccoes. La prmera restrccó es el redmeto, cuya magtud de la msma camba e fucó de u parámetro. La seguda restrccó, la suma de las varables de decsó es gual al 00%. Co este modelo se obtee la frotera de carteras efcetes cosderado el resgo y el redmeto e fucó de la covaraza etre las accoes. El CAPM por medo de ua aproxmacó leal, co las msmas varables que el modelo de Markowtz, obtee la cartera de versó por medo de ua líea tagete que toca la frotera de carteras efcetes. Co base a estos dos modelos se ha desarrollado otros, como el uestro [4], dode la cartera de versó se obtee resolvedo e forma depedete las dos fucoes objetvos, maxmzar el redmeto y mmzar el resgo, y s cosderar la covaraza etre las accoes. E este modelo la cartera seleccoada será la que tega la dfereca míma etre las solucoes de esos dos problemas, tal y como lo establece CAPM. Por otro lado, se ha desarrollado modelos y métodos para seleccoar la cartera de versó como u problema multobjetvo [5,6,7], dode se determa la frotera de carteras efcetes. Esta frotera costtuye el frete de Pareto, dode se ecuetra las solucoes o domadas. Para determar esas solucoes se supoe que el espaco de búsqueda es covexo y su recorrdo es por medo de los algortmos llamados evolutvos [8], que se basa e dferetes meta heurístcas [5,6,7]. E estos plateametos multobjetvo, el resgo y el redmeto o sempre se calcula como se platea e el modelo de Markowtz [6], y e alguos otros se utlza restrccoes como el preco de veta [7]. Por tato, e este trabajo se plateo desarrollar u modelo multobjetvo leal que cosdere o solo el espaco de búsqueda dado por la frotera de carteras efcetes determadas por Markowtz, so que el problema se platea desde las suposcoes del CAPM, el cual establece que u solo puto de la líea tagete toca a u solo puto de la frotera mecoada.
3 398 J.C. Zavala, M.A. Cruz, J. Ruz, M.H. Cruz E la seguda parte de este trabajo se preseta ua descrpcó de los problemas multobjetvos. E la tercera se preseta las bases de uestro modelo. E la cuarta se preseta la seleccó de ua cartera de versó durate u perodo a la alza.. Fudametos del Problema Multobjetvo. El problema de optmzacó multobjetvo es smlar al problema de optmzacó global, excepto que para el caso multobjetvo se teta ecotrar u vector de solucó que optmce smultáeamete todas las fucoes objetvo, de atemao se cooce que estas fucoes se ecuetra e coflcto uas co otras y el mejorar ua de ellas sgfca empeorar el desempeño de las otras [8]. El problema de optmzacó multobjetvo se puede defr matemátcamete como: Ecotrar el vector x x x x T,,... que satsfaga las m restrccoes de la desgualdad: g x, =,,, m () 0 Las p restrccoes de gualdad: x Y que optmce: h f 0, =,,, p () x f x f x... f k x, E otras palabras, se teta determar el cojuto de todos aquellos úmeros que satsface las restrccoes y que optmce todas las fucoes objetvo. Las restrccoes defe la regó factble del problema y cualquer vector x que esté e esta regó se cosdera como ua solucó factble. E optmzacó multobjetvo, el térmo optmzar camba co respecto a la optmzacó moo-objetvo (global), porque se trata de ecotrar u ajuste etre las dsttas fucoes objetvo e lugar de ua sola solucó como e optmzacó global. Wlfredo Pareto e 896 do ua defcó más formal del óptmo e problemas multobjetvo [9], que se cooce e la actualdad como óptmo de Pareto. La defcó formal es la sguete: Sea I el cojuto I={,, }, u vector de varables de decsó x F (F es la regó factble) es u óptmo de Pareto s o exste otro x F tal que: I f x f x y j I f j x f j x. E otras palabras, El óptmo de Pareto es aquel vector de varables e el cual o se puede mejorar las solucoes del problema e ua fucó objetvo s empeorar cualquera de las demás [8,9]. Co esto se obtee u cojuto de solucoes llamado Cojuto de Óptmos de Pareto. El cojuto de vectores que correspode a ua solucó, cluda e el cojuto de óptmos de Pareto, so llamados o domados. T (3)
4 Modelo Matemátco Multobjetvo 399. Cojuto de Óptmos de Pareto. Para u problema multobjetvo defe como: P x x F : x F f, el cojuto de óptmos de Pareto ( P ) se f x f x (4). Domaca de Pareto. El térmo Domaca de Pareto puede ser defdo por: U vector u u,..., u k doma a otro v v,..., (deotado medate u v ) s, y sólo s u es parcalmete meor a v: v k,..., k, u v,..., k u v : (5) Es decr, para que ua solucó dome a otra, ésta ecesta ser estrctamete mejor e al meos u objetvo y o peor e guo de ellos..3 Frete de Pareto. La represetacó de las fucoes objetvo cuyos vectores so o domados y está e el cojuto de óptmos de Pareto se llama el Frete de Pareto. Su defcó es la sguete: Para u problema multobjetvo Pareto P, el frete de Pareto ( f x FP ) se defe como: x x FP k y u cojuto de óptmos de f f,..., f : x P (6) La mejor forma para ecotrar el frete de Pareto es evaluar todos y cada uo de los putos e la regó factble, al realzar ua búsqueda exhaustva el problema se hace o computable. Por tato, se tee la ecesdad de aplcar o desarrollar heurístcas para producr aproxmacoes del frete de Pareto. E la fgura se descrbe cada uo de los elemetos defdos prevamete. Fg.. Ejemplo de u frete de Pareto de u problema de optmzacó co dos fucoes objetvo.
5 400 J.C. Zavala, M.A. Cruz, J. Ruz, M.H. Cruz.4 Breve Descrpcó de los Algortmos de Solucó Multobjetvo Para obteer el vector de solucoes, frete de Pareto, de los problemas multobjetvo se ha desarrollado la computacó evolutva. La computacó evolutva costa de u cojuto de heurístcas que basa su fucoameto e el mecasmo de la seleccó atural propuesto por Charles Darw, y luego exteddo e el deomado Neo- Darwsmo [8]. E la computacó evolutva ua poblacó está compuesta por dvduos, u dvduo es ua solucó a u problema y está codfcada segú las ecesdades del problema, por ejemplo e ua cadea de bts. El medo dode se desevuelve este dvduo se represeta por la fucó objetvo, metras que las restrccoes del problema os dca qué ta apto es el dvduo para sobrevvr e ese medo. A los dvduos de la poblacó, llamados padres, se les aplca operadores probablístcos, cruza y mutacó para obteer uevos dvduos llamados hjos, los que matee alguas propedades de sus atecesores. Los atecesores se coserva o se elma medate ua seleccó determístca o probablístca, este proceso se realza co cada uo de los dvduos de la poblacó hasta formar ua ueva poblacó co uevos dvduos. Este proceso se repte durate u certo úmero de teracoes llamadas geeracoes e computacó evolutva. Co respecto a la programacó leal multobjetvo, so tres los métodos que se utlza para resolver este tpo de problemas, los cuales so: el de poderacoes, e- restrccoes y el SIMPLEX multobjetvo [0]. Los dos prmeros també so utlzados para problemas o leales, metras que el últmo es sólo para problemas leales. Cada uo de ellos tee su ámbto de aplcacó, que osotros utlzamos para seleccoar el método adecuado para uestro problema..4.. Método de Poderacoes. Para llevarlo a cabo se tee que cosderar e forma sstemátca ua sere de cojutos de pesos postvos que multplque a cada objetvo del problema. Usualmete se empeza por la optmzacó dvdual de cada objetvo, equvale a cosderar los pesos {, 0,, 0}, {0,,, 0},, {0, 0,, }. Posterormete se troduce ua varacó sstemátca de estos pesos co ua tasa de aumeto prefjada. Cada problema de poderacó es u problema de programacó leal cuya resolucó coduce a ua solucó efcete. Se puede teer certos coveetes: dsttos cojutos de pesos puede geerar el msmo puto, el tamaño de paso de u cojuto de pesos a otro puede o permtr geerar todos los putos extremos y, por tato, se obtedría ua aproxmacó al cojuto efcete..4.. Método e-restrccoes. Cosste e optmzar la fucó objetvo más mportate que las otras, dode éstas estará lmtadas por las cotas ferores. Las cotas ferores represeta preferecas subjetvas del decsor, por lo que s o exstera ua solucó se tedría que relajar al meos ua de las cotas. La solucó del problema será efcete s es ua úca solucó Método SIMPLEX-Multobjetvo. Este método se compoe de tres etapas y es ua extesó atural del algortmo SIMPLEX, ya que utlza la msma
6 Modelo Matemátco Multobjetvo 40 trasformacó de pvote para moverse de u puto extremo efcete a otro adyacete. Las tres etapas so: ª. Se determa ua solucó básca cal factble. Esta se lleva a cabo, como el uí objetvo, troducedo varables de holgura y/o artfcales, se obtee u puto extremo cal factble. ª. Se determa u puto extremo efcete, cuya exsteca está garatzada. S la regó factble del problema es o vacía y todas las fucoes objetvas está acotadas e ella, etoces exste al meos u puto extremo efcete. 3ª. Falmete, se determa todos los putos efcetes partedo de la solucó de la etapa ateror y se geera, a partr de ella, los restates putos extremos. 3. Fudametos de uestro Algortmo Multobjetvo Leal. Nuestra prmera hpótess es que se supoe que el portafolo de versó co el mayor redmeto y el mímo resgo está e la líea de las carteras efcetes, frete de Pareto, esa cartera estará e equlbro a causa de que es ua solucó o domada, ya que cualquer modfcacó afectará el redmeto o el resgo. La seguda suposcó es que la determacó de ese portafolo es posble co el CAPM, ya que a través de ua líea recta tagete a la curva de las carteras efcetes determa u úco puto, y éste es el portafolo de versó óptmo. E cosecueca, el problema es calcular u solo puto del frete de Pareto, el determado por el CAPM. A partr de esta observacó osotros desarrollamos el plateameto para el modelo matemátco multobjetvo. E la fgura se descrbe la teraccó gráfca de los dos modelos, el de Markowtz y el CAPM. E la fgura la líea FF represeta el Frete de Pareto de portafolos de versó óptmos. La líea SS es la líea de segurdad del mercado, dode el puto R f represeta el redmeto lbre de resgo. El puto a sobre la líea FF represeta la cartera de versó optma co u redmeto R y u resgo. E cosecueca, el puto a es el puto que tee la meor dfereca etre el resgo y el redmeto [3]. Fg.. El CAPM La gráfca de la fgura 3 se elaboro co los resultados de la seleccó de ua cartera de versó de dez accoes de la Bolsa Mexcaa de Valores (BMV),
7 40 J.C. Zavala, M.A. Cruz, J. Ruz, M.H. Cruz durate el perodo julo de 005 a febrero 007 []. La gráfca muestra que la determacó del puto a se hace desde la regó de las solucoes factbles. 600 Redmeto X Resgo X0- Fg. 3. Carteras de versó de la regó factble perodo julo 005 a febrero 007 [] E la fgura tres se muestra que sólo u puto es la solucó, este puto es el que se ecuetra más a la zquerda de todos los putos, y éste tee la dfereca míma etre el resgo y el redmeto. A causa de que los dos problemas se resuelve e forma depedete, el de maxmzar el redmeto y el de mmzar el resgo, e las fguras 4 y 5 se grafca el redmeto y el resgo e fucó de la dfereca míma etre ellos, respectvamete. Resgo-Redmeto X Redmeto X0- Fg. 4. Redmeto e fucó de la dfereca míma para 0 accoes, perodo julo 005 a febrero 007 []. Las gráfcas de las fguras 4 y 5 muestra que so áreas covexas, como se esperaba, ya que cuado u problema tee ua solucó por medo de programacó leal o puede exstr superfces que o sea covexas [0].
8 Modelo Matemátco Multobjetvo 403 E los cojutos de los elemetos que se grafca e las fguras 4 y 5 estará el redmeto y el resgo que determe la meor dfereca de la fgura 3, es decr, se determa el puto a, co lo cual queda:,,..., k: a. R Resgo-Redmeto X Resgo X0- Fg. 5. Resgo e fucó de la dfereca míma para 0 accoes, perodo julo 005 a febrero 007 [] E cosecueca de lo ateror, se supoe que la determacó del puto a se puede hacer a través de la búsqueda del redmeto R (Fgura 4) y del resgo (Fgura 5), esta búsqueda se puede hacer a través de modfcar la magtud de las restrccoes para reducr el espaco de búsqueda y evaluar la apttud, como la dfereca míma etre el resgo y el redmeto. Lo ateror cocde co el método de la e-restrccoes. 4. Plateameto del Problema Multobjetvo Leal. E el modelo cosderado se hace las suposcoes sguetes [4]: Prmera suposcó. La catdad de dero requerda míma es el costo de la accó mas barata, a partr de esta catdad se llega a la catdad de dero de la accó más cara. Seguda suposcó. El resgo mímo de la cartera de versó es el resgo de la accó que tega el meor de todas las accoes y éste varará hasta el resgo más alto de la accó correspodete. Tercera suposcó. El redmeto mímo de la cartera de versó es el redmeto de la accó que tega el meor redmeto de todas las accoes y éste varara hasta el redmeto más alto de la accó correspodete. Co las suposcoes aterores se formularo los modelos sguetes [4]:
9 404 J.C. Zavala, M.A. Cruz, J. Ruz, M.H. Cruz 4. Modelo de Maxmzar el Redmeto Sujeto a: Maxmzar z x R (7) x x Pv Pv Pv Pv m max m x, x max m m Dode R, y Pv es el redmeto, resgo y preco de veta de la accó, respectvamete. x es el decmal de la accó que debe comprarse y es ua varable real 0 x, x = 0 cuado la accó o forma parte de la cartera de versó., : so varables que se utlza para recorrer todo el espaco de solucoes y su valor es 0,. 4. Modelo de Mmzacó del Resgo Sujeto a: Mmzar z x (8) x x Pv Pv Pv Pv m max R R R R m x, x max m m Las varables so las msmas que e el problema de maxmzar del puto 4..
10 Modelo Matemátco Multobjetvo Modelo Multobjetvo Leal para la Seleccó de ua Cartera de Iversó Cosderado los dos modelos (7) y (8), el método e-restrccoes y las suposcoes cosderadas e el puto 3, el modelo multobjetvo resultate se muestra a cotuacó: Sujeto a: x m max Mmzar z3 x R m (9) (0) x R R m R max R m () () x Pv Pv m x, x Dode las varables so las msmas del puto 4.. Las restrccoes (0) y () so las fucoes objetvos de los dos modelos de optmzacó base, cuya magtud varará desde la cota feror hasta la cota superor, tal y como lo establece el método de e-restrccoes. Además, refleja la seguda y tercera suposcó del plateameto orgal. La restrccó () refleja la prmera suposcó del modelo orgal. Dado que las restrccoes (0), () y () so valdas para los elemetos del cojuto de la regó factble, lo prmero que se tee que hacer es cosderar elemetos de esa regó, ua vez que ya se tee u elemeto de la regó factble se hace el recorrdo al elemeto de la cartera óptma. E la fgura 6 se muestra la estratega de recorrdo para determar el portafolo óptmo. Fg. 6. Estratega de búsqueda del plateameto multobjetvo.
11 406 J.C. Zavala, M.A. Cruz, J. Ruz, M.H. Cruz La estratega cosste e car desde el orge producdo por las cotas mímas, posterormete se cremeta u, prmero e la fucó f y después e la f, así sucesvamete hasta llegar a ua solucó factble. Ua vez que se llego a ua solucó factble se recorre la regó covexa mateedo f costate hasta alcazar el frete de Pareto. Cuado se halla alcazado el frete de Pareto, éste se recorre modfcado el cremeto, la cual cosste e dvdr e dos ese cremeto cada vez. La prmera modfcacó será, la seguda y así sucesvamete hasta 4 llegar a, dode m es el úmero de modfcacoes ecesaras para llegar al m portafolo cosderado óptmo. 5. Aplcacó del Modelo Multobjetvo para Calcular ua Cartera de Iversó e la Bolsa Mexcaa de Valores. De la pága de Iteret de la Bolsa Mexcaa de Valores (BMV) se elgero las accoes de 0 empresas más bursatlzadas y que so cosderadas para el cálculo del IPC []. Los datos so de Julo del 005 a Febrero de 007, los valores del redmeto y del resgo se obtuvero como lo establece los modelos cosderados, ecuacoes (3) y (4) []. R m r j j m j m r R j m Dode R es el redmeto promedo de la accó, r es el redmeto de la accó e cada perodo j y m es el úmero de perodos cosderados. es el resgo (desvacó estádar del redmeto). E la tabla está los redmetos y resgos de esas 0 accoes. E la tabla está los resultados obtedos co el modelo multobjetvo y la estratega de búsqueda dseñada para este problema, e esa msma tabla també está los resultados obtedos del msmo problema co los modelos moo-objetvo de maxmzar el redmeto y mmzar el resgo. (3) (4)
12 José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye3, Martí H. Cruz-Rosales4 Tabla. Redmeto, preco de veta y resgo de dez empresas de julo 005 a febrero 007 [,]. Var Empresa R Pv x GMEXICOB x WALMEX V x 3 G MODELOC x 4 CEMEX CPO x 5 TELMEX L x 6 TELEVISACPO x 7 URBI x 8 KIMBERA x 9 TELECOMA x 0 NAFTRAC Tabla. Dfereca meor etre el máxmo redmeto y el mímo resgo (julo005 a febrero de 007) Modelo x x 3 x 5 X 7 x 0 Suma Df Mmzar Resgo R Maxmzar Redmeto Multobjetvo R R Como muestra los resultados de la tabla, el redmeto se acerca al redmeto del promedo artmétco de los dos modelos (3.5%), metras que el resgo se acerca más al resgo calculado e el plateameto de mmzar el resgo. Es decr, la solucó obteda es más cercaa a los óptmos determados por el modelo de mmzacó del resgo. La obtecó de mejores resultados se debe a que los cremetos de los parámetros fuero más pequeños que los cremetos utlzados por los modelos u-objetvos. E los modelos u-objetvos se utlzó u cremete costate de 0. para recorrer todo el espaco de búsqueda, metras que e el modelo multobjetvo se llego a utlzar cremetos de 0./ 5 e las últmas teracoes. Lo ateror os permtó obteer ua mejor solucó. Para obteer los resultados que se preseta e la tabla se requró de 6 teracoes y de 5 cremetos.
13 408 J.C. Zavala, M.A. Cruz, J. Ruz, M.H. Cruz 6. Coclusoes. Se cocluye que el plateameto multobjetvo del problema de la seleccó de ua cartera de versó es mejor que solucoar e forma depedete los problemas de maxmzar el redmeto y mmzar el resgo. La seguda coclusó es que las suposcoes del CAPM se puede aplcar al problema multobjetvo, y que co ellas es posble lmtar el espaco de búsqueda a u solo puto y o determar todo el Frete de Pareto. La tercera coclusó es que los resultados os muestra que la búsqueda se puede hacer por medo de modfcar los parámetros, y o ecesaramete se requere de u algortmo evolutvo para la geeracó de los dvduos que puede formar ua solucó. 7. Referecas. [] D. J. Messut, V. A. Alvarez, H. Romao Graff Selecto of vestmet. Itroducto to the theory of portfolo Ed. Macch, 99, pp 35-87, 47-5, [] H. M. Markowtz Portfolo Selecto Joural of Face, Vol 7, 95, pp 77-9 [3] E. F. Fama ad K. R. Frech The Captal Asset Prcg Model: Theory ad Evdece CRSP Workg paper o. 550, 003, do:0.39/ssrm [4] J. C. Zavala-Díaz, J. Perez-Ortega, R. A. Pazos-Ragel, D. V. García-Vllagomez, L. Cruz- Reyes Mathematcal Model for Optmzg the Composto o fa Ivestmet Potfolo for the Mexca Stock Market. Secod Iteratoal Jot Coferece o Computatoal Sceces ad Optmzato (CSO009), Aprl 009, pp [5] J. Brake, B. Scheckebach, M. Ste, K. Deb, H. Schmeck Portfolo optmzato wth a evelope-based mult-objectve evolutoary algorthm Joural Europea Research 99 (009), pp [6] Raj Subbu, Pero P. Bossoe, Nel Eklod, Srvas Bollapragada, Kate Chalerm Kravuth Multobjectve Facal Portfolo Desg: A Hybrd Evolutoary Approach Cogress o Evolutoary Computato IEEE Sept. 005, Volume:, pp 7-79 Vol. ISBN: [7] Joatha E. Feldsed ad Sameer Sgh Pareto Mult-objectve No-Lear Regresso Modellg to Ad CAPM Aalogous Forecatg Proc. IEEE Itl. Cof. o Computatoal Itellgece, 00 - laa.mx [8] Carlos A Coello Coello Itroducto to Evolutoary Multobjectve Optmzato CINVESTAV-IPN 00. [9] Lus Vcete Sataa Qutero U Algortmo Basado e Evolucó Dferecal para Resolver Problemas Multobjetvo Tess de Maestría CINVESTAV-IPN, ovembre de 004. [0] Ríos Isúa Sxto Ivestgacó Operatva: Modelos Determstcos y Estocástcos. Edtoral Uverstara Ramo Areces, España 004. [] J. C. Zavala-Díaz, J. A. Ruz-Vaoye, D. V. García-Vllagomez, O. Díaz-Parra Selecto of a Ivestmet Portfolo by meas of a Mathematcal Model of Optmzato Appled to Mexca stock-market Perod of Debacle IMS009: the 5th Iteratoal Coferece o Advaced Iformato Maagemet ad Servce, Seoul Korea, August 009. [] Mexca stock-market
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 detallesSelección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal
Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa
Más detallesResumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.
Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,
Más detallesV 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 detallesRENTABILIDAD 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 detallesMODELOS 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 detallesLos 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(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 detallesESTRUCTURA 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 detallesUna 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 detallesMatemáticas 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 detallesMÉTODOS 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 detalles2. 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 detalles6. 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 detallesGestión 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 detallesANÁLISIS 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 detallesSELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA
SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero
Más detallesSELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA
Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE
Más detallesINTEGRAL 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 detallesDivisión 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 detallesTeoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)
Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y
Más detallesTEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)
Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca
Más detallesLÍNEA 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 detallesConceptos y ejemplos básicos de Programación Dinámica
Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de
Más detallesValoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano
Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,
Más detallesESTADÍSTICA 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 detallesINTRODUCCIÓN 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 detallesCÁLCULO 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 detallesJuegos 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 detallesBolsa Nacional de Valores, S.A. San José, Costa Rica
SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst
Más detallesTEMA 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 detalles1.1 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 detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detallesModelos 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 detallesIV. 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 detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesCURSO 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 detallesTEMA 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 detallesIntroducción a la Programación Lineal
Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara
Más detallesAmpliación de Redes de Telefonía Básica
Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí
Más detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
Más detalles-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 detalles6.2.- 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 detallesMATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS
MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de
Más detallesAnálisis estadístico de datos muestrales
Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.
Más detallesMETODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO
METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar
Más detallesControl 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 detallesCURSO REDES ELECTRICAS II 1 CAPITULO 4
CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto
Más detallesCURSO 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 detallesExpectativas del Mercado y Creación de Valor en la Empresa
2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea
Más detallesCAPÍTULO 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 detallesTema 2: Modelos lineales de optimización con variables enteras.
Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.
Más detallesCAPÍTULO II MARCO TEÓRICO
CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles
Más detallesAlgunas 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 detallesIntroducción 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 detallesSimulación 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 detalles7.1. 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 detallesPROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez
PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese
Más detalles1 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 detallesCÁLCULO NUMÉRICO (0258)
CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.
Más detallesANÁLISIS 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 detallesIntroducción 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 detallesTema 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 detallesERRORES 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 detallesGuía 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 detallesREGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión
REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN... 3. REPREENTATIVIDAD DE LA CURVA DE REGREIÓN... 3 3.. Poder explcatvo del modelo... 3 3.. Poder explcatvo frete a poder predctvo...
Más detallesESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales
ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá
Más detallesPROBANDO 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 detallesTEMA 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 detallesFigura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:
Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al
Más detallesV 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 detallesIntensificación 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 detallesPARTE 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 detallesEstadística. 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 detallesEL 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 detallesModelos 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 detallesMétodos 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 detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesDefinición. Número obtenido a partir del análisis de una variable estadística. Procedimiento de cálculo bien definido:
Defcó Número obtedo a partr del aálss de ua varable estadístca. Procedmeto de cálculo be defdo: aplcacó de fórmula artmétca Cuatfca uo o varos aspectos de la formacó (cofrmacó de tabla o gráfco) S calculados
Más detallesAnálisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205
Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos
Más detallesANÁLISIS 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 detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesUNA 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 detallesAnálisis 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 detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesFlujo 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 detallesCOMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007
OMNTARIOS Y ANÁLISIS DL FATOR D PRODUTIVIDAD PROPUSTO POR OSIPTL PARA L PLAN D RGULAIÓN POR PRIOS TOP 2004 2007 APLIAIÓN D LA VARIABL M por Davd. M. Sappgto RSUMN JUTIVO ste forme preseta ua evaluacó de
Más detallesEsta t d a í d s í titcos o TEMA 3.3
TEMA 3.3 Defcó úmero obtedo a partr del aálss de ua varable estadístca. Procedmeto de cálculo be defdo: aplcacó de fórmula artmétca Cuatfca uo o varos aspectos de la formacó (cofrmacó de tabla o gráfco)
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesIII. 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 detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detallesApuestas deportivas por Internet
Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesInferencia 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 detallesUNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS
Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema
Más detallesAnálisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos
Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores
Más detallesRegresión 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 detallesPaola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque
Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de
Más detalles