CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

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

Download "CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL"

Transcripción

1 Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s Rvsado Nov. I. Cotrast d sgfcacó cojuta dl modlo a partr d ua F d dcor II. Cotrasts d sgfcacó cojuta a partr dl cofct d dtrmacó lal R III. Rlacó tr l cotrast cojuto d parámtros F dcor la R Apédc.- Cotrast d rstrccó d parámtros a partr dl tst d Wald mplmtacó E-Vws. I. CONTRATE DE IGNIFICACIÓN CONJUNTA DEL MODELO A PARTIR DE UNA F DE NEDECOR El objtvo qu s prtd st tpo d cotrast dl modlo, s podr dar ua mdda umérca rprstatva d la capacdad global d todas las varabls xplcatvas para sgur la volucó d la varabl dóga. Para llo, como s habtual toda cotrastacó stadístca, cubrrmos las sguts tapas:. Crar ua rato capaz d sumstraros formacó sobr todos los parámtros dl modlo co u solo úmro.. Dtrmar la fucó d dstrbucó d sta rato. 3. Cotrastar l cumplmto o rchazo d ua hpótss ula a partr d la utlzacó d la fucó d dstrbucó tórca coocda d la rato. E l caso dl MBRL hmos platado como hpótss d partda la dstrbucó ormal Gaussaa d las prturbacos alatoras; por lo qu lo úco qu habrá qu comprobar s qué dstrbucó sgu las ormals somtdas a las varats matmátcas qu platamos ua rato tutvamt comprsbl como l dl valor mdo stadarzado d todos los parámtros dl modlo. E ustro caso, t trés coocr ua rato qu glob la formacó cotda por todos los parámtros d u modlo. Para llo, partdo d la

2 Cotrasts d sgfcacó cojuta /4 otacó como vctor x qu hmos dado a los parámtros dl modlo scrto su forma matrcal, podríamos prstar ua mdda dl parámtro mdo stadarzado scrtos al cuadrado para qu o s comps sgos postvos gatvos como sgu: / dod o hmos calculado otra cosa qu la suma cuadrada d los parámtros stadarzados a cada uo s l ha rstado su mda s l ha dvddo por su dsvacó típca la suma d u vctor columa traspusto por l msmo o s más qu la suma d las compots al cuadrado. Coocr cuál s la fucó d dstrbucó dl valor mdo d todos los parámtros qu trv u modlo cosdrados d forma cojuta, como ocurr sta rato, s fáclmt dducbl a partr d la costaca d qu los parámtros stmados s dstrbu como ua ormal ; N. Volvdo a la rato scrta más arrba, para podr ralzar l cálculo u modlo cocrto habrá qu dar u valor stmado a la varaza d la prturbacó alatora. Ralzado ua sr d susttucos matmátcas qu l dsarrollo s comta scrtas tr llavs, obtdríamos la fucó d dsdad d la rato ats scrto: F N N,,, / / / / / / / χ χ Por lo qu la rato, qu hmos scrto como l coct tr dos χ, s dstrbu como u F,- cuado s cumpl la hpótss d qu las prturbacos alatoras s dstrbu como ua ormal. Coocda la rato qu os globa cojutamt la formacó d todos los parámtros dl modlo su fucó d dstrbucó, podríamos ahora platar u modlo rstrgdo o ua hpótss ula la qu puséramos a pruba l cumplmto d lo qu acabamos d dmostrar. Es dcr, podríamos comprobar

3 Cotrasts d sgfcacó cojuta 3 /4 s l cálculo d sta rato sgu comportádos como ua F d dcor cuado mpomos algua caractrístca a los parámtros dl modlo. A partr d las tablas d sta dstrbucó, podmos sabr tr qu valors s stúa ua varabl alatora d las caractrístcas d la rato qu hmos costrudo co u 95% d probabldad. l cálculo d sta rato u caso cocrto, aplcado las caractrístcas a los parámtros qu quramos s dcr; cotrastado ua hpótss ula, dja d star comprddo tr los valors los qu lo staría ua F, -, podrmos dcr qu, co u 95% d probabldads, la codcó qu hmos mpusto a los parámtros s falsa. Podmos platar, por jmplo, ua hpótss ula la qu sostgamos qu l valor ral d todos los parámtros s gual a cro, lo qu os srvría para dcr qu gua d las varabls cludas como xplcatvas l modlo s ralmt válda para xplcar la dóga. La hpótss a aplcar a la rato formulada sría tocs H..., qu s lo msmo qu dcr todo l vctor d parámtros d las bta rals s gual a cros, co lo qu la rato atror s podría scrbr como: PR [ ] [ ][ ] [ ] ε < < F ε ; E prcpo sta rato dbra sgur comprddo tr los valors tabulados para la F s la rstrccó mpusta s crta; s dcr, s acptamos la hpótss ula. E l caso l qu la mposcó d sta hpótss os dtrmara u valor fura d la F tabulada, staríamos dcdo qu dcha hpótss o s compatbl co lo qu coocmos a cca crta dl modlo a para su dmostracó o habíamos hcho gua hpótss adcoal, lugo dbríamos rchazarla. Esto sría lo msmo qu admtr la hpótss altratva lógca: por lo mos algua d las varabls xplcatvas lgdas sí srv para xplcar l comportamto d la dóga co u 95% d probabldads. Evdtmt, la hpótss d uldad d todos los parámtros dl modlo s dmasado psmsta cuato la spcfcacó dl modlo s haa ralzado co u mímo cudado. Evdtmt, la hpótss altratva srá mu fácl d lograr qu por lo mos algua d los parámtros sa sgfcatvamt dstto d cro. Admás, l térmo dpdt prst l modlo rcogría ua alta carga d xplcacó d la dóga s l rsto d las varabls spcfcadas o fura sgfcatvas, por lo qu, por lo mos ést, sí sría sgfcatvo st por d los casos. Dcho sto, l cotrast d sta rato dfíclmt s Cuado o xst formacó dstta para xplcar ua varabl, s fácl dmostrar qu l mjor valor d stmacó d la msma qu s pud dar sría l d su mda, valor qu rcogría l térmo dpdt dl modlo o costat l caso d qu l rsto d las varabls o srvra absoluto para dfr l comportamto d la dóga.

4 Cotrasts d sgfcacó cojuta 4 /4 cumplría co la hpótss majada, a qu l parámtro d la costat sría sgfcatvo. E dftva, st cotrast s práctcamt útl s, al ralzarlo, s plata u hpótss ula qu cotga l térmo dpdt dl modlo. Para podr ralzar sta msma rato sobr u modlo s térmo dpdt, s csaro scrbr dcho modlo lo qu s cooc como dsvacos a la mda qu o s s o ua combacó lal d las cuacos atrors, dl sgut modo: x x x x 3 x3 x3... x x u dado qu la varabl x s u vctor qu sólo clu uos para dar lugar a s térmo dpdt, su mda també srá uo la rsta platada la cuacó supror hará qu l parámtro sté multplcado por cro sta rscrtura quvalt dl modlo cal. El cálculo d la rato atror sría ahora s clur s térmo costat gual a: [ ] F, dod todas las varabls mpladas staría dsvacos a la mda hcho qu matdrmos d ahora adlat, a psar d qu sgamos llamado a las varabls. E sta rato s podría prstar ua hpótss ula a cotrastar más razoabl, qu sría la uldad d todos los parámtros mos l dl térmo dpdt H..., sdo d aplcacó todo lo dcho atrormt. La xprsó d la rato majada hasta l momto s pud scrbr d forma rápda d otro modo por ua smpl, auqu algo tdosa, susttucó d los valors stmados d los parámtros por su fórmula d cálculo MCO, d dod obtdríamos la sgut xprsó : Nóts uvamt qu las fórmulas tr llavs ta sólo so rcordatoros d las opracos aplcadas para obtr los rsultados prstados la dmostracó.

5 Cotrasts d sgfcacó cojuta 5 /4 / / MU U I M U F, / / Esta últma xprsó dl cotrast F s spcalmt tutva s s aalza cudadosamt cada uo d los lmtos qu la compo. Rcordmos qu l producto s la suma cuadrátca d la varabl dóga dsvacos a la mda, s dcr: & & Obsrvmos ahora qu la mda d, pud tdrs como la stmacó d u modlo d rgrsó l qu sólo utlcmos como xplcatva l térmo dpdt U c 3 Por lo tato, la xprsó & & rprsta la suma cuadrátca dl rror d u modlo guo l qu o utlcmos gua xóga; o dcho d otro modo, u modlo l qu supomos la rstrccó d qu cualqur varabl xóga adcoal o rsultaría sgfcatva 3.. volvmos tocs a la xprsó d la F, obsrvamos qu, l umrador d la xprsó, s stá comparado l rror d st modlo rstrgdo co l rror d ustro modlo 3 C C C C C C U C...

6 Cotrasts d sgfcacó cojuta 6 /4 orgal, l qu sí aparc las xógas o, dcho d otro modo, rrstrcto, l qu o s mpo gua rstrccó sobr la sgfcatvdad d las xógas cludas. El domador d la xprsó prmt xprsar sa dfrca d rrors térmos porctuals; adcoalmt, s corpora l umrado domador los grados d lbrtad corrspodts utlzados ambos cálculos 4. Es vdt tocs, qu la rato F así tdda, s aproxmará a cro la mdda qu l rror dl modlo rstrgdo & & s xógas sa smlar al l rror dl modlo s rstrgr co xógas. Cuado so ocurr, s vdt qu la rstrccó supusta s vrosíml, s dcr, s stadístcamt vrosíml qu todos los parámtros salvo l térmo dpdt d todas las xógas sa stadístcamt ulos: H : 3... E l caso cotraro, s dcr, cuado l rror d ustro modlo s claramt fror al qu comtmos mpodo la rstrccó d qu todos los parámtros salvo l t. dpdt sa ulos, dbmos rchazar la atror hpótss ula. Como s vrá l apartado sgut, sta forma d tdr l cotrast d uldad cojuta F s la más crcaa a la da gral qu coomtría xst dl cotrast F. E térmos grals, l cotrast F prmt comparar dos modlos, uo qu mpo algua rstrccó los parámtros por jmplo la hpótss atror d qu todos llos ra ulos frt a otro qu o mpo sa rstrccó. El cotrast s costru smpr dl msmo modo, comprado los rrors obtdos ambos modlos: s los rrors so smlars, las rstrccos srá vrosímls. Evdtmt, u modlo co strccos smpr comtrá maors rrors la rstrccó rsta lbrtad a la stmacó paramétrca pro s las rstrccos qu s mpo so vrosímls, l modlo stmado rstrgdo tdrá u rror smlar, sólo algo maor, qu l modlo lbr l qu o s t cuta. Por supusto, para comprobar s sa dfrca tr dos valors dl rror s sgfcatvamt dstta d cro, cstamos comparar l valor obtdo co valors stadístcos crítcos prdtrmados, s por llo por lo qu rcurrmos a ua xprsó d cálculo qu, admás d tdrs d forma tutva, s dstrbua como algo coocdo, ustro caso, ua rato F. 4 Para l umrador, los grados d lbrtad utlzados l modlo rstrgdo so - datos u úco parámtro stmado: l térmo dpdt los grados d lbrtad dl modlo o rstrgdo so, como a s sab, - ; d s modo, los grados d lbrtad dl umrador so Para l domador, los grados d lbrtad so los utlzados l modlo s rstrgr.

7 Cotrasts d sgfcacó cojuta 7 /4 F / q / r r Fq, dod : r r s la suma cuadrátca dl rror dl modlo rstrgdo s la suma cuadrátca dl rror dl modlo s rstrgr q s l úmro d rstrccos 5 Partmos d u modlo gral co trs varabls xplcatvas más la costat dl tpo: Mod. rstrgr t t t 3 3t ε t Podmos mpor ua rstrccó al modlo, por jmplo: Icorporado dcha rstrccó al modlo tmos: Oprado dspjado: Mod. rstrgdo t t t 3 3t ε t t t t t 3 3t ε t grado las uvas varabls qu mpo la rstrccó qu hmos mpusto, obtdrmos l modlo a stmar: Z t t t Z t t t Z t Z t 3 3t ε t Est sría ahora l modlo rstrgdo, qu pud sr stmado por MCO al gual qu la prmra cuacó qu habíamos platado. Ua forma gral para cotrastar la valdz d rstrccos lals sobr los parámtros s costrur l stadístco F : 5 El úmro d rstrccos s, raldad, l úmro d parámtros qu s dja d stmar l modlo rstrgdo por l hcho d mpor la rstrccó, por llo, s úmro d rstrccos cocd co l cálculo matmátco scllo d rstar los grados d lbrtad d ambos modlos. Por jmplo, l caso d la F aplcada al cotrast d uldad cojuta, sta hpótss supo raldad - rstrccos, o sa, l úmro d parámtros qu djamos d stmar al cosdrar la rstrccó.

8 Cotrasts d sgfcacó cojuta 8 /4 F r r r q El stadístco s dstrbu como ua F co q grados d lbrtad l umrador - l domador. Esta vrsó gral dl tst F pud utlzars para cualqur rstrccó qu mplqu ua combacó lal d parámtros. Por jmplo, pud tr trés comprobar s ua dtrmada fucó d produccó prsta rdmtos costats a scala, s dcr, s la suma d los parámtros dl captal al trabajo so guals a uo: Q K α L U H : α E st jmplo, l modlo s rstrccos, stmado lalmt, sría l sgut: logq α logk logl logu Modlo s rstrccos : logq α logk logl Como altratva, tmos l modlo qu dbmos stmar co la rstrccó qu supo la hpótss ula d rdmtos costats: H : α logq α logk logq logl αlogk Modlo co rstrccos : Q log L α logl logu logl logu K α log L logu r r El úmro d rstrccos s, st caso, gual a, porqu al supor qu α basta co stmar co úco parámtro α, a qu l otro, srá la rsta a. E todo caso, s o somos capacs d aplcar st razoamto, podmos rcurrr a la smpl matmátca: los grados d lbrtad dl modlo a stmar csaro para obtr r r so - sólo ha u parámtro a stmar, α, mtras qu para l modlo s rstrccos, los grados d lbrtad so - ha qu stmar α, lugo los grados d lbrtad d r r - so ---. E l apédc d sta ota, s rcog cómo ralzar u cotrast d st tpo drctamt -vws, s csdad d ralzar a mao los dos modlos rstrgdo s rstrgr.

9 Cotrasts d sgfcacó cojuta 9 /4 II. CONTRATE DE IGNIFICACIÓN CONJUNTA A PARTIR DEL COEFICIENTE DE DETERMINACIÓN LINEAL R La R rprsta la proporcó d la varaza d la varabl dóga ral qu v xplcada por la varaza d la varabl stmada. Es dcr: R abdo qu l Modlo Básco d Rgrsó Lal s cumpl qu la varaza d la dóga cocd co la suma d la varaza d la stmada más la varaza dl rror 6 :, la xprsó d la R s sul xprsar dl sgut modo: R Exprsó d la qu s pud xtrar las sguts coclusos: 6 Partdo d las varabls dsvacos a la mda a cada ua d llas s ls habría sustraído prvamt su corrspodt mda: U U U I MU I M MU ` E dftva, llgamos a qu, dod, s dvdmos ambos lados d la gualdad por l úmro d datos dspjamos, obtmos:, a qu las varabls staba dsvacos a la mda, lugo las rsultats tdría mda cro 6.

10 Cotrasts d sgfcacó cojuta /4 - E l mjor d los casos posbls, la varaza d la dóga cocdría co la varaza d la stmada, caso qu l valor d la varaza dl rror sría gual a cro la R tomaría l valor gual a uo. - A mdda qu la varaza d la stmada sa más dfrt d la varaza d la dóga ral, rá aumtado l valor d la varaza dl rror, sdo l puto máxmo qu ésta puda tomar, dod la R valdría cro. - E dftva, la sguda xprsó d la R s pud trprtar como l porctaj d la varaza ral rcogda por la stmada a qu, d ést, s dduc l porctaj qu supo l rror. E cualqur caso, st porctaj d la varaza xplcada d la dóga stará claramt codcoado por l úmro d xplcatvas mpladas l modlo. Atédoos al prcpo d parqudad stadístca, parc adcuado qu para comparar tr dos modlos co dstto úmro d varabls s tga cuta st hcho, palzado aquél qu cuta co u maor úmro d xplcatvos. Por sta razó s mpla habtualmt la R ajustada, calculada dvddo cada valor stmado por sus grados d lbrtad la fórmula atror: R / / R A partr d sta xprsó, s fácl dtrmar qu l valor d la R cuadrado smpr srá supror al d la R cuadrado ajustada. III. RELACIÓN ENTRE EL CONTRATE DE NULIDAD CONJUNTA DE PARÁMETRO F NEDECOR LA R Partdo d la púltma xprsó aalzada para l cotrast d uldad cojuta d parámtros F-dcor: F, / / s tmos cuta, como dcíamos ats, qu la varaza o s ssbl a los cambos d org, s dvdmos umrador domador por l úmro d obsrvacos la xprsó atror: F, / / / / / / /

11 Cotrasts d sgfcacó cojuta /4 dvdmos ahora domador umrador por la varaza d la dóga: F, / / / / / / / / A partr d la xprsó d R : R R La F s podría scrbr como: F, / / R / / / R / podo así rlacó ambos cotrasts d sgfcacó cojuta. La rlacó tr la F la R o s sólo u dvrtmto matmátco, so qu scod ua coxó tórca trsat: cotrastar la hpótss d qu todos los parámtros dl modlo so ulos s stadístcamt quvalt a cotrastar la hpótss d uldad d la R. APÉNDICE.- CONTRATE DE RETRICCIÓN DE PARÁMETRO A PARTIR DEL TET DE WALD La propusta d Wald o s, raldad, dstta al cotrat F gral propusto más arrba; su aportacó cosst raldad ofrcr u procdmto matmátco scllo para laborar l cotrast d rstrccos s csdad d stmar los dos modlos por sparado. La rato d Wald s propo vrfcar la hpótss ula H R r, dod R s ua matrz d q x qu rcog las caractrístcas qu xgmos a los parámtros dl modlo p.., qu la suma d todos llos sa gual a uo 7. 7 E s jmplo, podríamos scrbr matrcalmt la rstrccó dl sgut modo:

12 Cotrasts d sgfcacó cojuta /4 gudo los msmo pasos qu ats, propo la sgut rato d la suma cuadrada d los parámtros stadarzados sujtos a la rstrccó mpusta: [ ] R r R r W Lo qu s dstrburía como ua χ co q grados d lbrtad sdo q l úmro d rstrccos xgdas al modlo. Dmostrado qu, s s mat la hpótss d qu las prturbacos alatoras s dstrbu como ua ormal l caso dl MBRL, tocs 8 : W / q / q r r Fq, / dod r r s la suma d los rsduos al cuadrado d la rgrsó rstrgda aqulla qu corpora las rstrccos sobr los parámtros. E prcpo, s stá cotrastado la dfrca tr los rsduos d ua rgrsó a la qu s l ha mpusto rstrccos, frt a la orgal. las rstrccos so asumbls l modlo, db habr ua dfrca mu pquña tr los rrors al cuadrado stmados uo u otro caso, por lo qu l valor d la F calculada dbrá sgur sdo pquño star comprddo tr los valors tabulados para ua cofaza dl 95% los grados d lbrtad spcfcados. Nóts qu sta últma xprsó s mu smlar a la obtda falmt como cotrast cojuto d parámtros F-dcor [... ] R. [... ] co ua rstrccó q:qu los parámtros sum uo. r 8 U U Como a s dmostró U MU, dod U N; I, por lo qu M χ

13 Cotrasts d sgfcacó cojuta 3 /4 Utlzacó dl tst d Wald E-vws Ua vz obtdo l rsultado d ua rgrsó -vws, sgú los procdmtos habtuals, l programa ofrc la posbldad d ralzar cotrasts dl tpo dl d Wald dtro d las opcos ua vz ralzada ua rgrsó: Vw - Coffct Tst Wald Coffct Rstrctos. Como jmplo d aplcacó, ttarmos stmar las lastcdads dl cosumo prvado gasto acoal d los hogars o GTOHOGNAC at los prcos d dcho cosumo LOGPRECI_CON la rta dspobl d los hogars dstada al cosumo LOGRENTA, para lo cual ralzamos la rgrsó d dchas varabls logartmos, obtédos así co los parámtros las lastcdads. Dpdt Varabl: LOGGTOHOGNAC Mthod: Last quars ampl: 98: : Icludd obsrvatos: 86 Varabl Coffct td. Error t-tatstc Prob. C LOGPRECI_CON LOGRENTA R-squard.9965 Ma dpdt var Adjustd R-squard.996.D. dpdt var.6897.e. of rgrsso.75 Aa fo crtro um squard rsd.8763 chwarz crtro Log llhood F-statstc 64. Durb-Watso stat.6993 ProbF-statstc. Estmada la lastcdad prco rta dl cosumo, s plata s la suma d ambas s gual a uo, hcho qu db cumplrs para qu s matga l prcpo d qu toda la rta dstada al cosumo fctvamt s gasta st f. La rstrccó sría tocs qu los parámtros d las varabls xplcatvas todos mos la costat ha d sumar uo. E l modlo qu hmos stmado, sgú lo rprsta -vws, la rstrccó qu dbmos cotrastar sría Dod: CC3 LOGGTOHOGNAC CC* LOGPRECI_CONC3* LOGRENTA Para obtr los rsultados dl tst d Wald, sgurmos los pasos ats ctados Vw - Coffct Tst Wald Coffct Rstrctos. qu s cutra la vtaa d la salda d rgrsó; abrédos tocs l cuadro d dálogo qu s obsrva la fgura d más abajo.

14 Cotrasts d sgfcacó cojuta 4 /4 E st cuadro habrá qu clur la rstrccó paramétrca a cotrastar; ustro caso: CC3 pulsar OK; obtédos la sgut salda: Wald Tst: Equato: Uttld Null Hpothss: CC3 F-statstc Probablt.335 Ch-squar Probablt.99 Podmos afrmar sta rstrccó dl modlo CC3 como crta co u 3% d probabldad a ssu cotraro, sólo podríamos rchazarla co u 7% d probabldads qu, como o llga al 95%, o s sufct.

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

TEMA 4: REGRESIÓN Y CORRELACIÓN.

TEMA 4: REGRESIÓN Y CORRELACIÓN. TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.

Más detalles

REGRESIÓN LINEAL SIMPLE

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

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

Más detalles

APUNTE Y PROBLEMAS DE FÍSICA III

APUNTE Y PROBLEMAS DE FÍSICA III APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos

Más detalles

8 Límites de sucesiones y de funciones

8 Límites de sucesiones y de funciones Solucioario 8 Límits d sucsios y d ucios ACTIVIDADES INICIALES 8.I. Calcula l térmio gral, l térmio qu ocupa l octavo lugar y la suma d los ocho primros térmios para las sucsios siguits., 6,,,..., 6, 8,,...,,,,...

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

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

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

Más detalles

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

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

Más detalles

Análisis del caso promedio El plan:

Análisis del caso promedio El plan: Aálisis dl caso promdio El pla: Probabilidad Aálisis probabilista Árbols biarios d búsquda costruidos alatoriamt Tris, árbols digitals d búsquda y Patricia Listas sip Árbols alatorizados Técicas Avazadas

Más detalles

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r. (Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar

Más detalles

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

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

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

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

Más detalles

6. ESTIMACIÓN PUNTUAL

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

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

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

Más detalles

2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros

2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros .8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros 59.8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros Variació d parátros U procdiito

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

EL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun

EL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun EL MÉTODO DEL CUBO: APLICACIOES DEL MUESTREO EQUILIBRADO E LA ORGAIZACIÓ ESTADISTICA VASCA Artz Ad Urtasu EUSKAL ESTATISTIKA ERAKUDEA ISTITUTO VASCO DE ESTADISTICA Doosta-Sa Sbastá, VITORIA-GASTEIZ Tl.:

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

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

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

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

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

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

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

Más detalles

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID C/ Gal. Auda, 6 Tléf.: 9 5 8 4-9 55 9 800 MADRID ORMULARIO DE ESTADÍSTICA. DISTRIBUCIONES UNIDIMENSIONALES. Esaza atátca. Sdo ua vaabl alatoa g ( ua fucó d la sa, dfos: E ( g ( ( g Caso dscto g ( f ( Caso

Más detalles

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción Vrsó 014 CAITULO 4 OYECTO DE ELEMENTOS DE SUJECIÓN, ANCLAJE Y CIEE Dvsó Mcáca d Torllos Torllos d trasmsó Torllo d ajust y sujcó UTN-BB Cátdra: Elmtos d Máquas. rofsor: Dr. Ig. Marclo Tulo ova Vrsó 014

Más detalles

V II Muestreo por Conglomerados

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

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

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

Más detalles

CONDICIONES PARTICULARES DEPÓSITO BLINDADO 12 MESES

CONDICIONES PARTICULARES DEPÓSITO BLINDADO 12 MESES . Objto y Naturalza. CONDICIONE PARTICULARE DEPÓITO BLINDADO 2 MEE El Dpósto Bldado 2 ss cosst la cotratacó d ua poscó a plazo d año. Ecoócat s trata d u producto structurado forado por u dpósto a plazo

Más detalles

Tema 8. Limite de funciones. Continuidad

Tema 8. Limite de funciones. Continuidad . Límit d ua fució. Fucios covrgts.... Límits latrals.... Distitos tipos d límits.... Límits ifiitos cuado tid a u úmro ral asítota vrtical.... Límits fiitos cuado tid a ifiito asítota horizotal... 8.

Más detalles

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

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

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

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

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

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

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

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

Más detalles

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3 Rpaso d Matmáticas E st apédic s hará u brv rpaso d las cuacios y fórmulas básicas d utilidad Química Física gral y Trmodiámica Química particular. EXPONENTES Y POTENCIAS Muchos úmros s xprsa forma más

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA Uivrsidad Católica Adrés Bllo UIVERSIDAD CATOLICA ADRES BELLO Urb. Motalbá La Vga Apartado 068 Tléfoo: 47-448 Fa: 47-3043 Caracas, 0 - Vzula Facultad d Igiría Escula d Igiría Iformática -----------------------

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

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

Más detalles

Cadenas de Markov de tiempo continuo

Cadenas de Markov de tiempo continuo Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Qué propdads db cumplr u procso stocástco para sr ua MC d tmpo cotuo? Los stados db formar u couto umrabl E caso cotraro

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

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

Más detalles

V Muestreo Estratificado

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

Más detalles

Tema 2: Distribuciones bidimensionales

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

Más detalles

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

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

Más detalles

61.1 6.1. SERIES NUMÉRICAS INFINITAS 6.2. SERIES DE TÉRMINOS POSITIVOS 6.3. SERIES ALTERNANTES 6.4. SERIES DE POTENCIAS

61.1 6.1. SERIES NUMÉRICAS INFINITAS 6.2. SERIES DE TÉRMINOS POSITIVOS 6.3. SERIES ALTERNANTES 6.4. SERIES DE POTENCIAS Cp. 6 Sris 6. 6.. SERIES NUMÉRICAS INFINITAS 6.. SERIES DE TÉRMINOS POSITIVOS 6.. SERIES ATERNANTES 6.. SERIES DE POTENCIAS Objtivo: S prtd qu l studit: Dtrmi covrgci o divrgci d sris. Empl sris pr rsolvr

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

División de Evaluación Social de Inversiones

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

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

PASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE

PASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE ISSN: 169-757 - Volum 1 - Númro 15 - Año 010 Rvsta Colombaa d Tcologías d Avazada Rcbdo: 01 d agosto d 009 Acptado: 15 d octubr d 009 PASCAL TEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING

Más detalles

Tema IV: Ruidos e Interferencias: Técnicas de reducción.

Tema IV: Ruidos e Interferencias: Técnicas de reducción. SCUA TÉCNICA SUPIO D INGNIOS INDUSTIAS Y D TCOMUNICACIÓN UNIVSIDAD D CANTABIA INSTUMNTACIÓN CTÓNICA D COMUNICACIONS (5º Curso Igría d Tlcomucacó) Tma IV: udos Itrrcas: Téccas d rduccó. José María Drak

Más detalles

APLICACI ONES DE LA FUNCI ÓN

APLICACI ONES DE LA FUNCI ÓN APLICACI ONES DE LA FUNCI ÓN GENERADORA DE MOMENTOS Adrés Camlo Ramírz Gaa adrs.camlo.ramrz@gmal.com Trabajo d Grado para Opar por l Tulo d Mamáco Drcor: Bgo Lozao Rojas Esadísco Uvrsdad Nacoal d Colomba

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

Estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta.

Estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta. PRUEBAS DE BONDAD DE AJUSTE Estas prubas prmitn vrificar qu la población d la cual provin una mustra tin una distribución spcificada o supusta. Sa X: variabl alatoria poblacional f 0 (x) la distribución

Más detalles

Observación: si en la urna hubiese 1500 bolillas blancas y 500 verdes y se extraen dos bolillas al azar sin reemplazo, entonces

Observación: si en la urna hubiese 1500 bolillas blancas y 500 verdes y se extraen dos bolillas al azar sin reemplazo, entonces art Variabls alatorias rof. María B. itarlli.- Variabls alatorias discrtas imortats Distribució biomial Sa ε u xrimto alatorio. Sa u vto asociado a ε y aotamos Suogamos u xrimto alatorio ε u cuml los siguits

Más detalles

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL. Supertedeca de Admstradoras de Fodos de Pesoes CIRCULAR Nº 736 VISTOS: Las facultades que cofere la ley a esta Supertedeca, se mparte las sguetes struccoes de cumplmeto oblgatoro para todas las Admstradoras

Más detalles

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Facultad d Ccas Ecoómcas y Admstratvas TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Rafal Sarmto Lotro RESUMEN La Toría d Cotratos també coocda como Ecoomía d la Iformacó, studa las coscucas d la xstca

Más detalles

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

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

Más detalles

Apuestas deportivas por Internet

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

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

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

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

Más detalles

q q q q q q n r r r qq k r q q q q

q q q q q q n r r r qq k r q q q q urso: FISIA II B 30 00 I Profesor: JOAQIN SALEDO jsalcedo@u.edu.pe Eergía potecal electrostátca. S traemos ua carga desde ua dstaca fta el trabajo ecesaro es ulo. 0 trate ua fumadta, grats,, te vto S luego

Más detalles

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL ESTUDO DE OSTOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL Volume V apulo 3 forme Fal Revsó. VOLUMEN V APTULO 3 METODOLOGÍA PARA LA ATULZAÓN DE LAS URVA DE OSTOS ÓPTMOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL

Más detalles

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA Atoo Morllas A. Morllas: C. o paramétrcos (I 1 CONTRASTES NO PARAMÉTRICOS: BONDAD DE AJUSTE Y TABLAS DE CONTINGENCIA Ifereca realzada

Más detalles

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

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

Más detalles

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

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

Más detalles

3 Regresión lineal múltiple: estimación y propiedades

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

Más detalles

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

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

Más detalles

CAPÍTULO 2. Ecuación paraxial de Helmholtz.

CAPÍTULO 2. Ecuación paraxial de Helmholtz. CAPÍTLO Ecuacón paraal d Hlmholt. S dscut la posbldad d vsualar mdant un procsador óptco [1] a las solucons d la cuacón paraal d Hlmholt. Para llo s rala una comparacón d los rsultados obtndos consdrando

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles

Gestión de operaciones

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

Más detalles

Diseño analógico de controladores digitales.

Diseño analógico de controladores digitales. CAPIULO 4 Dsño aalógco cotrolaors gtals. Aqul qu o ha fracasao s orqu uca ha ttao algo uvo Albrt Est. Coto: ma 4.: Cotrolaors PID gtals ma 4.: Rsño utlao la rtroalmtacó stao. ma 4.3: Métoos sño utlao la

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado e Geomátca y Topografía Escuela Técca Superor de Igeeros e Topografía, Geodesa y Cartografía. Uversdad Poltécca de Madrd Capítulo

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

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

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD 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 detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

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

Más detalles

LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO

LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO Emlo Gómez Déz 1, José María Saraba 2 y Fausto Preto 2 Resume E el presete trabao se estuda la dstrbucó Posso-Beta,

Más detalles

Capítulo 4: Rotaciones Multidimensionales con Operaciones Vectoriales

Capítulo 4: Rotaciones Multidimensionales con Operaciones Vectoriales Cítulo 4: Rotcos Multdmsols co Orcos ctorls Como s vo l cítulo tror s ud hcr rotr u ojto l sco D roorcodo - utos o cohrlrs s dcr s roorco l j d rotcó l cul s l rrstcó d u sml -D. E st cítulo s lz y td

Más detalles

CAPITULO 17 FUNCIONES EXPONENCIALES Y LOGARITMICAS

CAPITULO 17 FUNCIONES EXPONENCIALES Y LOGARITMICAS Capítlo 17. Drivada d las Fcios Epocial, Logarítmica. CAPITULO 17 FUNCIONES EXPONENCIALES Y LOGARITMICAS Ejrcicio. Dibja la gráfica d la fció =, para sto lla la sigit tabla: 0 1 3 4-1 - -3-4 Vamos l sigit

Más detalles

& fun. viajeglamour Por silvia lópez

& fun. viajeglamour Por silvia lópez viajglamour Por silvia lópz A ts d sumrgirs l rodaj d Holms. Madrid Suit. 1890, la visió dl dtctiv lodis d José Luis Garci ( itrprto a Alcátara, u priodista lgat y romático, amigo d Watso ), l actor Migul

Más detalles

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

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

Más detalles

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09 Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector

Más detalles

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

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

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

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

Más detalles

1 Análisis de supervivencia

1 Análisis de supervivencia Aálss d suprvvca. Iroduccó El sudo d procsos d suprvvca uga u papl muy mpora mdca. Así, por mplo, la comparacó r la suprvvca obsrvada dos grupos d pacs pud llvar a valdar u drmado raamo o, alravam, a dfcar

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

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

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

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

Más detalles

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión Eerccos Resueltos de Estadístca: Tema : Descrpcoes bvarates regresó . E u estudo de la egurdad e Hgee e el Trabao se cotrastó la cdeca del tabaqusmo e la gravedad de los accdetes laborales. Cosderado ua

Más detalles

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS 5 ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS María C. Paz Sabogal Profesor Auxlar. Uversdad del Valle, Escuela de Igeería Idustral Estadístca, Cal. karo.paz@gmal.com

Más detalles

Juegos finitos n-personales como juegos de negociación

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

Más detalles

FÓRMULAS PARA LA ESTIMACIÓN DE LA CAPACIDAD

FÓRMULAS PARA LA ESTIMACIÓN DE LA CAPACIDAD APÉNDICE: FÓRMULAS PARA LA ESTIMACIÓN DE LA CAPACIDAD Fórmula uificada d Kimbr Kimbr aglutia la xpricia d muchos años d sayos ralizados por l TRRL Gra Brtaña y propo ua fórmula uificada para l cálculo

Más detalles

CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS

CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS 14-1 Los tipos d intrés nominals y rals Slid 14.2 Los tipos d intrés xprsados n unidads d la monda nacional s dnominan tipos d intrés nominals. Los

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

Incentive Schemes and Innovative Portfolios

Incentive Schemes and Innovative Portfolios Esqumas Estudos d d Ecoomía. ctvos Vol. y cartras 7 - Nº, / Juo Go Loyola, 2. Págs. Yolada 4-66 Portlla 4 Esqumas d Ictvos y Cartras d Ivrsó Iovadoras Ictv Schms ad Iovatv Portfolos Go Loyola Yolada Portlla

Más detalles

Para medir la importancia de la clase modal como medida central usaremos el concepto de tasa de variación. Se denota por V

Para medir la importancia de la clase modal como medida central usaremos el concepto de tasa de variación. Se denota por V dds d Tdc Ctrl y Dsprsó EDIDAS DE TENDENCIA CENTRAL Y DISERSIÓN dds d Tdc Ctrl So mdds d u cojuto d dtos qu proporco u vlor smpl y rprsttvo, qu rsum u gr volum d ormcó. Est vlor td ubcrs l ctro dl cojuto

Más detalles

ESTADÍSTICA DESCRIPTIVA

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

Más detalles