Tema 4 MODELOS CON DATOS DE RECUENTO
|
|
- Andrés Ortiz Campos
- hace 7 años
- Vistas:
Transcripción
1 ECONOMETRÍA II Prof.: Begoña Álvarez Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo bnomal negatvo 5. Estmacón 6. Interpretacón de los coefcentes 7. Inferenca 8. Seleccón de modelos 9. Exceso de ceros
2 REFERENCIAS Cameron, A.C. y P.K. Trved (1998). The Analyss of Count Data. Cambrdge. Unversty Press. Cap. 19: Greene, A.S. (1999) Análss Econométrco, Prentce-Hall 1. DATOS DE RECUENTO Se denomnan varables de recuento (count data) a aquéllas que toman valores postvos, enteros (ncludo el cero). EJEMPLOS: Economía de la salud: Número de veces que los ndvduos acuderon a un determnado servco médco; número de epsodos de enfermedad durante un perodo de tempo. Economía del transporte: El número de vajes efectuados en un determnado medo de transporte, o a un determnado lugar. Economía ndustral: Número de patentes regstradas por las empresas Economía de la famla: Número de hjos Fnanzas: Número de clentes embargados por mpago de hpotecas en dferentes entdades bancaras
3 1. DATOS DE RECUENTO EJEMPLO: Número de vstas al médco 1. DATOS DE RECUENTO EJEMPLO: Horas de trabajo doméstco por día
4 1. DATOS DE RECUENTO EJEMPLO: Número de patentes solctadas Densty patents appled for 2. POR QUÉ UTILIZAMOS MODELOS ESPECÍFICOS PARA DATOS DE RECUENTO? Supongamos que queremos estudar la relacón entre la varable Y ``número de patentes solctadas por una empresa'' y k varables explcatvas X 1, X 2,...,X k. Dsponemos de una muestra de n empresas, para los que observamos X,Y, =1,...,n. MODELOS ECONOMÉTRICOS: Modelo de regresón lneal Modelos de eleccón bnara Modelo probt o logt ordenado Modelos con datos de recuento: Posson, bnomal negatvo, modelo valla (hurdle), zero-nflated model
5 2. POR QUÉ UTILIZAMOS MODELOS ESPECÍFICOS PARA DATOS DE RECUENTO? MODELO DE REGRESIÓN LINEAL Las predccones de Y pueden salrse del rango de valores en el que está defndo. Las estmacones pueden ser nconsstentes. Puede tener valdez para hacer una exploracón preva de las relacones MODELOS DE ELECCIÓN BINARIA S la varable Y toma muchos valores, plantear un modelo de eleccón bnara nos conduce a un pérdda de efcenca (...porque perdemos nformacón) ya que agregamos todos los valores mayores que 0 en un solo valor. MODELOS ORDENADOS S la varable Y toma muchos valores o s tene pocas observacones en alguno de los valores, es necesaro agrupar s queremos estmar un modelo ordenado. Esto, en determnados contextos, puede suponer pérdda de nformacón. Un aspecto postvo de los modelos ordenados es que podemos utlzarlos cuando queremos analzar varables que toman valores enteros negatvos. 3. MODELO POISSON Nuestra varable dependente es el número de patentes GÉNESIS DE UNA VARIABLE POISSON: Cada patente solctada es un expermento Bernoull La empresa solcta una patente con probabldad a La empresa no solcta patente con probabldad (1 - a ) El número total de patentes es la suma de todos estos eventos para el perodo de tempo consderado. S suponemos que los expermentos Bernoull son ndependentes y la probabldad de que la empresa solcte una patente es constante e gual a a /, sendo el número de expermentos, entonces cuando, el número de patentes se dstrbuye Posson con parámetro, Este parámetro es funcón de las X
6 3. MODELO POISSON FUNCIÓN DE DISTRIBUCIÓN Pr Y y X e y y! 0 y 0,1,2,... El parámetro, en este contexto, se especfca como una forma funconal de las varables explcatvas. La especfcacón más habtual es una exponencal lneal con el fn de garantzar que 0 exp X La dstrbucón Posson se caracterza por la gualdad de sus prmeros momentos E Y X Var Y X PROPIEDAD DE EQUIDISPERSIÓN 3. MODELO POISSON CRÍTICAS AL MODELO POISSON a) la propedad de equdspersón del modelo es muy restrctva y se corresponde poco con la naturaleza de los datos económcos b) los datos presentan, generalmente, una frecuenca de ceros que no es consstente con el modelo Posson; c) la ndependenca de los sucesos no sempre se cumple; y d) la especfcacón del parámetro de la dstrbucón como una funcón determnsta del vector de característcas elmna la posbldad de que exsta algún tpo de heterogenedad no observable.
7 4. MODELO BINOMIAL NEGATIVO FUNCIÓN DE DISTRIBUCIÓN Las carencas del modelo Posson se resuelven añadendo una fuente de aleatoredad en el parámetro λ exp X exp En trabajos aplcados, generalmente se supone que, se dstrbuye Bajo estos supuestos, la varable de recuento tene una dstrbucón bnomal negatva Pr Y y X y y 1 y, exp X ν = ( 1/ α) λ t donde t = 0,1 4. MODELO BINOMIAL NEGATIVO FUNCIÓN DE DISTRIBUCIÓN La especfcacón fnal depende de cómo defnamos ν S ν = (1/α) BINOMIAL NEGATIVA 1 (NEGBIN I) E( Y X ) exp( X β ) = Var( Y X ) (1 + α)exp( X β ) = S ν = (1/α) λ BINOMIAL NEGATIVA 2 (NEGBIN II) E( Y X ) exp( X β ) = Var( Y X ) exp( X β )(1 + α exp( X β )) = En estos modelos 0 Var Y X E Y X SOBREDISPERSIÓN
8 5. ESTIMACIÓN S estamos nteresados no sólo en los parámetros de la meda condconal, sno en toda la dstrbucón (queremos estmar probabldades) POISSON MAXIMA VEROSIMILITUD El estmador MV Posson tene las sguentes propedades: Consstente s meda condconal está ben especfcada. La consstenca se mantene ncluso s la dstrbucón condconal no es Posson. Las nferencas obtendas son váldas, al menos asntótcamente, sempre que exsta equdspersón condconal en los datos e ndependentemente de que procedan o no de una dstrbucón Posson. Incluso s no exste equdspersón, es posble realzar nferencas váldas sobre los parámetros s la meda condconal está correctamente especfcada, utlzando errores estándar robustos, como sugere Whte (1980). S los datos no están equdspersos, sempre es posble utlzar otros estmadores más efcentes que el Posson (Cameron y Trved, 1998). 5. ESTIMACIÓN S estamos nteresados no sólo en los parámetros de la meda condconal, sno en toda la dstrbucón (queremos estmar probabldades) POISSON MAXIMA VEROSIMILITUD A pesar de las buenas propedades del estmador MV Posson, s ben podemos obtener estmacones consstentes de los parámetros (y por tanto del efecto de las varables explcatvas sobre la varable dependente), s la dstrbucón de los datos es otra, tendremos estmacones de las probabldades nconsstentes.
9 5. ESTIMACIÓN S estamos nteresados no sólo en los parámetros de la meda condconal, sno en toda la dstrbucón (queremos estmar probabldades) BINOMIAL NEGATIVO MAXIMA VEROSIMILITUD Goureroux y otros (1984 a y b) demuestran que la estmacón máxmo verosíml de todos los parámetros del modelo a la vez, puede conducr a nconsstencas s esa no es la verdadera dstrbucón de la varable. QUASI-MAXIMUM LIKELIHOOD (ver notas) Se estma el modelo bnomal negatvo por MV pero fjando el valor del parámetro α. Es necesaro calcular las varanzas de los estmadores para garantzar que las nferencas (contrastes) son correctos. 6. INTERPRETACIÓN DE LOS COEFICIENTES Tanto s el modelo es Posson como s es Bnomal Negatvo, la meda condconal se especfca E( Y X ) exp( X β ) = 1) S X k es una varable dummy, E( Y X E( Y X k k = 1) = exp( βk ) = 0) La meda condconal es exp(β k ) veces mayor s X k toma valor 1 en vez de 0. 2) S X k es una varable contnua, su coefcente se nterpreta como una semelastcdad, es decr, (100*β k ) representa el cambo porcentual en la meda de la varable dependente, cuando la varable explcatva aumenta en una undad. 3) S X k es una varable en logartmos, su coefcente se nterpreta como una elastcdad, β k representa el cambo porcentual en la meda de la varable dependente, cuando la varable explcatva aumenta en un 1%.
10 7. SELECCIÓN DE MODELOS CONTRASTE DE SOBREDISPERSIÓN Podemos contrastar sobredspersón en dos contextos: 1. A partr de las estmacones del modelo Posson 2. A partr de las estmacones del modelo bnomal negatvo 7. SELECCIÓN DE MODELOS CONTRASTE DE SOBREDISPERSIÓN A partr de las estmacones POISSON H0: equdspersón H1: sobredspersón del tpo Negbn I Esta hpótess se contrasta a partr de una regresón auxlar. 1. Creamos las varables exp x Vˆ = Y ( ˆ λ ) 2 Estmacón de la meda condconal Estmacón de la varanza condconal 2. Estmamos por MCO la sguente regresón lneal ( Vˆ Y ) / ˆ λ = δ + ω Contrastamos H0: δ =0 S rechazamos, rechazamos el Posson frente al Negbn I
11 7. SELECCIÓN DE MODELOS CONTRASTE DE SOBREDISPERSIÓN A partr de las estmacones POISSON H0: equdspersón H1: sobredspersón del tpo Negbn II Esta hpótess se contrasta a partr de una regresón auxlar. 1. Creamos las varables exp x Estmacón de la meda condconal V Y 2 Estmacón de la varanza condconal 2. Estmamos por MCO la sguente regresón lneal ( Vˆ Y ) / ˆ λ = δλˆ + ω Contrastamos H0: δ =0 S rechazamos, rechazamos el Posson frente al Negbn II 7. SELECCIÓN DE MODELOS CONTRASTE DE SOBREDISPERSIÓN A partr del modelo BINOMIAL NEGATIVO Me permte contrastar formalmente s los datos muestran evdenca de equdspersón (suponendo que hemos especfcado ben la meda condconal). H0: equdspersón H1: sobredspersón Queremos contrastar s : E Y X Var Y X. S nos fjamos en las varanzas del modelo bnomal negatvo, la condcón que deben cumplr para ser guales a la meda condconal es que α = 0. De hecho, cuando α =0 el modelo bnomal negatvo se converte en el Posson. Por tanto, debemos contrastar en el modelo bnomal negatvo: H0: α = 0 H1: α >0 Podemos calcular un contraste de rato de verosmltudes: Modelo restrngdo= Posson Modelo no restrng=negbin
12 7. SELECCIÓN DE MODELOS CONTRASTE DE SOBREDISPERSIÓN A partr del modelo BINOMIAL NEGATIVO Me permte contrastar formalmente s los datos muestran evdenca de equdspersón (suponendo que hemos especfcado ben la meda condconal). H0: equdspersón H1: sobredspersón Qué pasa s rechazo H0? Obtengo evdenca en contra del modelo Posson. Sgnfca eso que el modelo bnomal negatvo es el verdadero? No necesaramente. El modelo bnomal negatvo es uno de los que supone sobredspersón en los datos. Pero hay otras especfcacones que tambén tenen esta propedad. 7. SELECCIÓN DE MODELOS Reglas de seleccón de modelos Dscutr la coherenca de los coefcentes estmados en relacón a las predccones de la teoría económca. Comparar los R2 en este caso corregdos para los modelos BN2 y Posson, según la propuesta de Cameron y Wndmejer (1996). 2 R dev N 1 Y log exp X /Y exp X Y N 1 Y log Y /Y. En el Posson funcona ben (cumple todas las reglas habtuales en un R2). Pero en la Negbn II no sempre aumenta cuando se añaden varables explcatvas.
13 7. SELECCIÓN DE MODELOS Reglas de seleccón de modelos CRITERIOS DE INFORMACIÓN: Estos crteros nos srven para selecconar entre modelos no andados. Se basan en la comparacón de log-verosmltudes pero penalzando a aquellos modelos con más varables explcatvas y con mayor número de observacones. Crtero de nformacon de Akake: AIC = 2ln L+ k Crtero de nformacon Bayesano: BIC = 2ln L+ ln n k Crtero de nformacon consstente de Akake: CAIC = 2ln L + (1 + ln nk ) Se seleccona aquel modelo con menor valor en el crtero que se utlce. 7. SELECCIÓN DE MODELOS Reglas de seleccón de modelos Comparar la capacdad predctva de los modelos Se lleva a cabo comparando las probabldades margnales estmadas bajo las dstntas especfcacones paramétrcas propuestas, con las frecuencas muestrales correspondentes.
14 7. SELECCIÓN DE MODELOS Bondad de ajuste del modelo selecconado Uno de los contrastes más populares se basa en la comparacón de las probabldades predchas y las observadas. Ch-squared goodness-of-ft test: H0: el modelo está ben especfcado H1: mal especfcado Número de valores que Y toma en la muestra Tgof = (P - P)' ˆ V (P - P)' -1 ˆ Se dstrbuye como χ2 (q -1) Vector de probabldades margnales muestrales Matrz de varanzascovaranzas de las probabldades predchas Vector de probabldades margnales predchas 8. EXCESO DE CEROS Algunas varables de recuento muestran un porcentaje de ceros muy grande. Esa cantdad de ceros no es consstente con las dstrbucones Posson o bnomal negatva (generalmente es mayor). Dos de los modelos más utlzados en la lteratura para abordar este tpo de stuacones son: - Hurdle models - Zero-nflated model La dea básca de estos modelos es que los ceros (todos o parte de ellos) no proceden del msmo proceso generador de datos que el resto de valores.
15 8. EXCESO DE CEROS EJEMPLOS: 1. Número de publcacones nternaconales obtendas en el últmo año por nvestgadores Los que tene cero publcacones puede ser por dos motvos: -Su nvestgacón es tal que no es posble para ellos consegur nnguna publcacón nternaconal. -Sí realzan una nvestgacón que puede ser publcada a nvel nternaconal, pero durante ese año no han consegudo publcar nngún artículo. 2. Número de consultas al médco realzadas en los últmos 15 días. Algunas teorías plantean que el proceso de decsón es el sguente: - La decsón de r o no al médco (decsón que determna los ceros) depende de la voluntad del pacente y, por tanto, de sus característcas. - El número de veces que van los que decden r vene determnada por el médco (hpótess de la demanda nducda por la oferta). 8. EXCESO DE CEROS EJEMPLOS: 3. Número de veces que va una persona a pescar en el últmo mes Los que responden cero veces pueden tener dos motvos - No son pescadores. - Sí son pescadores, pero ese mes no han do a pescar debdo a restrccones de tempo, dnero 4. Número de patentes solctadas por una empresa en un año. Los motvos por los que una empresa solcta cero patentes pueden ser dos: - Es una empresa que, por la naturaleza de su actvdad, no crea patentes. - La empresa sí lleva a cabo actvdades de I+D y, por tanto, puede desarrollar patentes, pero ese año no ha solctado nnguna por dversos motvos económcos o de funconamento de la empresa...
16 8. EXCESO DE CEROS HURDLE MODELS (MODELOS VALLA) El proceso que genera los ceros es dferente al proceso que genera los valores postvos. La dea básca es que hay una decsón bnara que determna s el resulado es cero/no cero y una segunda parte de la decsón que determna los valores mayores que cero cuando esa valla cero/no cero se ha cruzado. Demanda de asstenca santara: Número de vstas al médco Acude al médco Número de veces Indvduo VALLA No acude Decsón de contacto Frecuenca de vstas 8. EXCESO DE CEROS HURDLE MODELS (MODELOS VALLA) El proceso se dvde en 2: - Modelo de decsón bnara (generado por una dstrbucón f 1 ) - Modelo truncado en cero (generado por una dstrbucón f 2 ) Probabldad de cero Probabldad de valores >0 Pr( y Pr( y = 0 ) = f 1 = j) = (1 (0) f f1(0)) 1 ( y) f (0) 2 2 j > 0 Probabldad de cruzar la valla La probabldad de obtener un valor y s se ha cruzado la valla
17 9. EXCESO DE CEROS ZERO-INFLATED MODELS Estos modelos suponen que los ceros se generan de dos formas: - Por una parte tenemos los sempre cero. - Los ceros que proceden de la dstrbucón (Posson, bnomal negatva ) que se ha supuesto y que es la que genera, tambén, los valores Y>0. Nº de patentes solctadas Crea patentes Y>=0 Empresa No crea patentes Y=0 Número de patentes EXCESO DE CEROS ZERO-INFLATED MODELS Por tanto, la probabldad de que Y=0 tene dos componentes. Pr( y = 0 ) = g + (1 g ) f (0) posson / bneg Probabldad de los sempre cero que vene defnda por un proceso de decsón bnaro (logt, probt ) Probabldad de observar cero en aquellos ndvduos que no pertenecen a la categoría de sempre cero. Esta parte de especfca como una dstrbucón de recuento. La probabldad de observar un valor >0 Pr( y = j) = (1 g ) f ( y) j > 0
MODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detalles3. Algunos modelos estadísticos
3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesMaestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto
Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detallesMétodos de Apareamiento
Human Development Network Latn Amerca and the Carbbean Regon Spansh Impact Evaluaton Trust fund Sesón n Técnca T VI: Métodos de Apareamento Karen Macours Karen Macours Managua, 5 Marzo 2008 En el caso
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesEconomía Computacional Equilibrio General Computado: Descripción de la Metodología. Martín Cicowiez y Luciano Di Gresia
Economía Computaconal Equlbro General Computado: Descrpcón de la Metodología Martín Ccowez y Lucano D Gresa Trabajo Docente No. 7 Abrl 2004 EQUILIBRIO GENERAL COMPUTADO: DESCRIPCION DE LA METODOLOGIA *
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
Más detallesLIBRO DE PRÁCTICAS DEL SEGUNDO SEMESTRE ESTADISTICA II CURSO 2009 CONTENIDO
LIBRO DE PRÁCTICAS DEL SEGUNDO SEMESTRE ESTADISTICA II CURSO 009 CONTENIDO PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES... PRÁCTICA 0: ESTIMACIÓN PUNTUAL... 5 PRÁCTICA : ESTIMACIÓN POR INTERVALO...
Más detallesDocumento de Trabajo No. 04/07 Junio Análisis de la Fertilidad a partir de las Encuestas de Hogares por Luis Fernando Lima
Documento de Trabajo No. 04/07 Juno 2007 Análss de la Fertldad a partr de las Encuestas de Hogares 1999-2004 por Lus Fernando Lma Análss de la Fertldad a partr de las Encuestas de Hogares 1999-2004 Resumen
Más detallesVisión moderna del modelo de transporte clásico
Vsón moderna del modelo de transporte clásco Zonfcacón y Red Estratégca Datos del Año Base Datos de Planfcacón Para el Año de Dseño Base de Datos año base futuro Generacón de Vajes Demanda Dstrbucón y
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesXLVII Reunión Anual. Noviembre de 2012
ANALES ASOCIACION ARGENTINA DE ECONOMIA POLITICA XLVII Reunón Anual Novembre de 2012 ISSN 1852-0022 ISBN 978-987-28590-0-8 EXPLICACIÓN DE LAS DECISIONES DE COMPRA DE ALCOHOL Y TABACO DE LOS HOGARES SANTAFESINOS
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesIng. Graciela Fasciolo
VALORACIÓN CONTINGENTE El Análss de Datos en el Enfoque de la Respuesta Dcotómca Ing. Gracela Fascolo Mendoza, setembre 2002 1. INTRODUCCIÓN La técnca de la respuestas dcotómca o de referéndum es uno de
Más detallesDiseño de una metodología sistémica de evaluación de impacto territorial de intervenciones urbanísticas
Dseño de una metodología sstémca de evaluacón de mpacto terrtoral de ntervencones urbanístcas Report de recerca Nº 1 Jorge Cerda Troncoso Enero 2009 Problema de nvestgacón: el problema que se enfrenta
Más detallesUN ANÁLISIS DE LAS DECISIONES DE FORMACIÓN DE HOGAR, TENENCIA Y DEMANDA DE SERVICIOS DE VIVIENDA DE LOS JÓVENES ESPAÑOLES *
UN ANÁLISIS DE LAS DECISIONES DE FORMACIÓN DE HOGAR, TENENCIA Y DEMANDA DE SERVICIOS DE VIVIENDA DE LOS JÓVENES ESPAÑOLES * Mª Consuelo Colom, Rosaro Martínez y Mª Cruz Molés WP-EC 2000-02 Correspondenca:
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detallesANÁLISIS DE LA CULPABILIDAD EN LOS SINIESTROS DEL SEGURO DEL AUTOMÓVIL
ANÁLISIS DE LA CULPABILIDAD EN LOS SINIESTROS DEL SEGURO DEL AUTOMÓVIL María del Carmen Melgar Hraldo José Antono Ordaz Sanz Flor María Guerrero Casas Departamento de Economía, Métodos Cuanttatvos e Hstora
Más detallesConsideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos
Consderacones empírcas del consumo de los hogares: el caso del gasto en electrcdad y almentos Emprcal Consderatons of the Famles Consumpton: the Case uf the Expense n Electrcty and Food Maro Andrés Ramón
Más detallesANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA.
ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. SEGUNDA PARTE. (TRABAJO PRESENTADO EN EL CONGRESO DE LA SOCIEDAD ARGENTINA DE ESTADISTICA)
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesUn matrimonio difícil:
S E R I E fnancamento del desarrollo 199 Un matrmono dfícl: la convvenca entre un seguro públco soldaro y seguros de salud compettvos Marcelo Tokman Crstóbal Marshall Consuelo Espnosa Undad de Estudos
Más detallesAnálisis comparativo de la siniestralidad en el seguro de automóviles según el grado de cobertura *
Análss comparatvo de la snestraldad en el seguro de automóvles según el grado de cobertura * Melgar Hraldo, María del Carmen mcmelhr@upo.es Ordaz Sanz, José Antono jaordsan@upo.es Departamento de Economía,
Más detallesDETERMINANTES Y DIFERENCIAS DE SALUD ENTRE LAS REGIONES DE COSTA RICA. UN ANÁLISIS DESDE LA ENCUESTA NACIONAL DE SALUD
DETERMINANTES Y DIFERENCIAS DE SALUD ENTRE LAS REGIONES DE COSTA RICA. UN ANÁLISIS DESDE LA ENCUESTA NACIONAL DE SALUD 2006. Juan Rafael Vargas, Yanra Xrnachs-Salazar, Melvn Morera, Amada Aparco y Karla
Más detallesGlosario básico. de términos estadísticos
Glosaro básco de térmnos estadístcos Lma, mayo de 2006 CREDITOS Dreccón y Supervsón Lupe Berrocal de Montestruque Drectora Técnca del Centro de Investgacón y Desarrollo Responsable del documento Hermna
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesPARTICIPACIÓN LABORAL DE LAS MUJERES EN LAS REGIONES DE CHILE
Revsta UNIVERSUM Nº 25 Vol. 2 2010 Unversdad de Talca Partcpacón laboral de las mujeres en las regones de Chle Luz María Ferrada Bórquez Plar Zarzosa Espna Pp. 79 a 99 PARTICIPACIÓN LABORAL DE LAS MUJERES
Más detallesPrograma de Asesor Financiero (PAF) Nivel I
Programa de Asesor Fnancero (PAF) Nvel I MÓDULO 1_Fundamentos de la Inversón SOLUCIÓN_CUESTIONARIOS DEL LIBRO Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO Capítulo 4: TIPOS DE INTERÉS Y RENTABILIDAD Capítulo
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesINVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO
ESCUELA SUPERIOR POLITECNICA DEL LITORAL INSTITUTO DE CIENCIAS HUMANISTICAS Y ECONOMICAS INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO Resumen: Las decsones de
Más detallesAnálisis Matemático en la Economía: Optimización y Programación. Augusto Rufasto
Análss Matemátco en la Economía: Optmzacón y Programacón arufast@yahoo.com-rufasto@lycos.com www.geoctes.com/arufast-http://rufasto.trpod.com La optmzacón y la programacón están en el corazón del problema
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesEstimación de la Demanda de Crédito Agrícola para el Cantón La Maná, Provincia de Cotopaxi
Revsta Tecnológca ESPOL, Vol. xx, pp-pp, (09, agosto, 007) Estmacón de la Demanda de Crédto Agrícola para el Cantón La Maná, Provnca de Cotopax Davd Robalno Chca Leonardo Sánchez Aragón Facultad de Cencas
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesProf. Antonio Santillana del Barrio y Ainhoa Herrarte Sánchez Universidad Autónoma de Madrid Curso 2012-2013
Tema 6 El modelo IS-LM Prof. Antono Santllana del Barro y Anhoa Herrarte Sánchez Unversdad Autónoma de Madrd Curso 2012-2013 Bblografía oblgatora Capítulo 5, Macroeconomía, (Blanchard et al) Apuntes de
Más detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesCaracterísticas del hogar y salida de la pobreza:
Característcas del hogar salda de la pobreza: un análss de los hogares urbanos para el período postconvertbldad Jerónmo R. Carballo Unversdad Naconal de Córdoba Agosto 2004 Característcas del hogar salda
Más detallesComplementos al ABC: efectos dinámicos
Complementos al ABC: efectos dnámcos CAF - CEPAL P. Rozas & J. Rvera Buenos Ares, juno de 2008 Varables y fuentes de nformacón Encuesta de Hogares de dversos años de los países en estudo.- Bolva: Encuesta
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
Más detallesESTADÌSTICA INFERENCIAL
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA ADMINISTRACIÓN DE EMPRESAS ESTADÌSTICA INFERENCIAL MÓDULO EN REVISIÓN DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA
Más detalles4 Contraste de hipótesis en el modelo de regresión múltiple
4 Contraste de hpótess en el modelo de regresón múltple Ezequel Urel Unversdad de Valenca Versón: 9-13 4.1 El contraste de hpótess: una panorámca 1 4.1.1 Formulacón de la hpótess nula y de la hpótess alternatva
Más detallesEstudios Económicos de Desarrollo Internacional.AEEADE. Vol. 2, núm 2 (2002)
Estudos Económcos de Desarrollo Internaconal.AEEADE. Vol. 2, núm 2 (2002) VINCULO ENTRE LOGRO EDUCACIONAL Y CARACTERÍSTICAS DE ESTÁNDAR DE VIDA EN LOS HOGARES DEL NORESTE DE ARGENTINA: UN ENFOQUE ECONOMETRICO
Más detallesESTRUCTURA DE MERCADO DEL SISTEMA BANCARIO BOLIVIANO
ESTRUCTURA DE MERCADO DEL SISTEMA BANCARIO BOLIVIANO OSCAR A. DIAZ QUEVEDO * * El análss y conclusones del presente trabajo son de exclusva responsabldad del autor y no reflejan necesaramente la opnón
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesPRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA)
SECREARÍA ENERAL ÉCNICA MINISERIO DE ARICULURA, ALIMENACIÓN Y MEDIO AMBIENE SUBDIRECCIÓN ENERAL DE ESADÍSICA PRECIOS MEDIOS ANUALES DE LAS IERRAS DE USO ARARIO (MEODOLOÍA) OBJEIVO: Desde 1983 el Mnstero
Más detalles