Métodos de Diseño y Análisis de Experimentos
|
|
- Bernardo Rodríguez Bustos
- hace 6 años
- Vistas:
Transcripción
1 1 / 51 Méodos de Diseño y Análisis de Experimenos Paricia Isabel Romero Mares Deparameno de Probabilidad y Esadísica IIMAS UNAM febrero 2018
2 Diseño compleamene al azar 1 2 / 51
3 3 / 51 Ejemplo Suponga que enemos 4 dieas diferenes que queremos comparar. Las dieas esán eiqueadas A,B,C y D. Esamos ineresados en esudiar si las dieas afecan la asa de coagulación de sangre en conejos. La asa de coagulación es el iempo en segundos que arda una corada en dejar de sangrar. Tenemos 16 conejos para el experimeno, por lo que usaremos 4 en cada diea. Los conejos esán en una jaula grande hasa que se inicie el experimeno, momeno en que se ransferirán a oras jaulas. Cómo asignamos los conejos a los cuaro grupos raamieno?
4 4 / 51 Diseño compleamene al azar, un facor Ejemplo: Disminución del crecimieno de bacerias en carne almacenada. La vida en esane de carne almacenada es el iempo en que el core empacado se maniene bien, nuriivo y vendible. El empaque esándar con aire del medio ambiene iene una vida de 48 horas. Después se deeriora por conaminación bacerial, degradación del color y encogimieno. El empaque al vacío deiene el crecimieno bacerial, sin embargo, se pierde calidad. Esudios recienes sugieren que al conrolar cieros gases de la amósfera se alarga la vida en esane.
5 5 / 51 Diseño compleamene al azar, un facor Hipóesis de invesigación: Algunas formas de gases conrolados pueden mejorar la efecividad del empacamieno para carne. Diseño de raamienos: Un facor con 4 niveles (4 raamienos): 1. Aire ambienal con envolura plásica 2. Empacado al vacío 3. Mezcla de gases: 1% CO (monóxido de carbono) 40% O 2 (oxígeno) 59% N (nirógeno) % CO 2 (bióxido de carbono) Diseño experimenal: Compleamene al azar.
6 6 / 51 Diseño compleamene al azar, un facor Tres biseces de res, aproximadamene del mismo amaño (75 grs.) se asignaron aleaoriamene a cada raamieno. Cada bisec se empaca separadamene con su condición asignada. Variable de respuesa: Se mide el número de bacerias psichnoropicas en la carne después de 9 días de almacenamieno a 4 C. Esas bacerias se encuenran en la superficie de la carne y aparecen cuando la carne se echó a perder. La medición fue el logarimo del número de bacerias por cm 2.
7 7 / 51 Diseño compleamene al azar, un facor Cómo aleaorizar? Programa en R: se.seed(1234) # por ejemplo f <- facor(rep( c(1,2,3,4), each=3)) # raamienos fac <- sample(f,12) ue <- 1:12 plan <- daa.frame(bisec = ue, ra=fac) plan Ver programa plan.r
8 Diseño compleamene al azar, un facor Modelo esadísico para el experimeno El modelo esadísico para esudios comparaivos supone que hay una población de referencia de u.e. En muchos casos la población es concepual. En el ejemplo, es posible imaginar una población de carne empacada. Cada unidad de la población iene un valor de la variable de respuesa, y, la cual iene media µ y varianza σ 2. Se supone una población de referencia para cada raamieno considerado en el esudio, y las variables en el experimeno se suponen seleccionadas aleaoriamene de dicha población de referencia, como resulado de la aleaorización. Noa. Para esudios observacionales, suponemos que las unidades observadas se seleccionaron aleaoriamene de cada una de las poblaciones. 8 / 51
9 9 / 51 Diseño compleamene al azar, un facor
10 10 / 51 Diseño compleamene al azar, un facor Modelo esadísico lineal para un diseño compleamene al azar y un solo facor. Modelo de medias: y ij = µ i + ε ij i = 1,2,...,; j = 1,2,...,r donde y ij es la observación de la j-ésima u.e. del i-ésimo raamieno, µ i es la media del i-ésimo raamieno, ε ij es el error experimenal de la unidad ij. Hay raamienos y r repeiciones en cada uno (balanceado). En el ejemplo de la carne empacada, enemos:
11 11 / 51 Diseño compleamene al azar, un facor bisec raa obser log y ij Modelo mieno vación (coneo/cm 2 ) y 11 µ 1 + ε y 12 µ 1 + ε y 13 µ 1 + ε y 21 µ 2 + ε y 22 µ 2 + ε y 23 µ 2 + ε y 31 µ 3 + ε y 32 µ 3 + ε y 33 µ 3 + ε y 41 µ 4 + ε y 42 µ 4 + ε y 43 µ 4 + ε 43
12 12 / 51 El modelo: Diseño compleamene al azar, un facor y ij = µ i + ε ij lo llamaremos modelo compleo ya que incluye una media separada para cada una de las poblaciones definidas por los raamienos. Si no hay diferencia enre las medias de las poblaciones, es decir, si µ 1 = µ 2 = µ 3 = µ 4 = µ se genera el modelo reducido y ij = µ + ε ij que esablece que las observaciones provienen de la misma población con media µ.
13 13 / 51 Diseño compleamene al azar, un facor El modelo reducido represena la hipóesis de no diferencia enre las medias H 0 : µ 1 = µ 2 = µ 3 = µ 4 = µ El modelo compleo represena la hipóesis alernaiva: H a : µ i µ k para alguna i k El invesigador debe deerminar cuál de los dos modelos describe mejor a los daos en el experimeno.
14 14 / 51 Diseño compleamene al azar, un facor y ij = µ + ε ij y ij = µ i + ε ij
15 15 / 51 Diseño compleamene al azar, un facor Preguna de invesigación: Hay más crecimieno bacerial con algunos méodos de empacado que con oros? Preguna esadísica: Cuál modelo describe mejor los resulados del experimeno? Se requiere un méodo para esimar los parámeros de los dos modelos y con base en algún crierio objeivo deerminar cuál modelo o hipóesis esadísica se ajusa mejor a los daos del experimeno.
16 16 / 51 Diseño compleamene el azar, un facor Los esimadores de mínimos cuadrados son aquellos que resulan de minimizar la suma de cuadrados de los errores experimenales. Si los errores experimenales son independienes con media cero y varianzas homogéneas, los esimadores de mínimos cuadrados son insesgados y ienen varianza mínima. Noa. El muesreo aleaorio en los esudios observacionales y la aleaorización en los experimenales aseguran la suposición de independencia.
17 17 / 51 Esimadores para el modelo compleo y ij = µ i + ε ij i = 1,..., j = 1,...,r ε ij = y ij µ i SSE c = r i=1 j=1 ε 2 ij = r i=1 j=1 (y ij µ i ) 2 La SSE c es una medida de qué an bien se ajusa el modelo a los daos. Queremos deerminar los esimadores ˆµ i ales que se minimice esa SSE c. Vamos a ener ecuaciones normales, una para cada raamieno, enconradas a parir de derivar la SSE c con respeco a cada µ i e igualarlas a cero.
18 18 / 51 Esimadores para el modelo compleo Para una i: µ i r j=1 (y ij µ i ) 2 = 2 igualando a cero 2 r j=1 r j=1 (y ij ˆµ i ) = 0 y ij r ˆµ i = 0 r j=1 ˆµ i = r j=1 y ij r (y ij µ i ) = ȳ i.
19 19 / 51 Esimadores para el modelo compleo Por lo ano, Enonces, ˆµ i = ȳ i. i = 1,..., SSE c = = = r i=1 j=1 r i=1 j=1 i=1 (y ij ˆµ i ) 2 (y ij ȳ i. ) 2 [ ] r (y ij ȳ i. ) 2 j=1
20 20 / 51 Esimadores para el modelo compleo La varianza muesral del i-ésimo raamieno es: S 2 i = r j=1 (y ij ȳ i. ) 2 r 1 es una esimador de σ 2 de los daos del i-ésimo grupo. S 2 = i=1 [ r j=1 (y ij ȳ i. ) 2] = SSE c (r 1) (r 1) es un esimador combinado (pooled) de σ 2 de odos los daos del experimeno. Es un buen esimador si podemos hacer la suposición de que σ 2 es homogénea en odos los grupos.
21 21 / 51 Esimadores para el modelo compleo Para los daos del ejemplo: raamieno comercial vacío mezcla CO ˆµ i = ȳ i r j=1 (y ij ȳ i. ) SSE c = = S 2 = SSE c (r 1) = = (2)
22 22 / 51 Esimadores para el modelo reducido y ij = µ + ε ij i = 1,..., j = 1,...,r ε ij = y ij µ SSE r = µ r i=1 j=1 r i=1 j=1 ε 2 ij = r i=1 j=1 (y ij µ) 2 = 2 igualando a cero r i=1 j=1 ˆµ = (y ij µ) 2 r i=1 j=1 r y ij i=1 j=1 rµ = y.. ˆµ = y.. r = ȳ.. (y ij µ)
23 23 / 51 Esimadores para el modelo reducido Enonces, SSE r = r i=1 j=1 (y ij ˆµ) 2 = r i=1 j=1 (y ij ȳ.. ) 2 Para el ejemplo, ˆµ = ȳ.. = = 5.90
24 24 / 51 Modelo reducido Modelo compleo y ij = µ + ε ij y ij = µ i + ε ij Observado Esimado Diferencia Esimado Diferencia Traamieno y ˆµ (y ij ˆµ) ˆµ i (y ij ˆµ i ) Comercial Vacío Mezcla CO SSE r = SSE c =
25 25 / 51 Diseño compleamene al azar, un facor Siguiendo con el ejemplo: Modelo compleo y ij = µ i + ε ij SSE c = i j (y ij ȳ i. ) 2 = Modelo reducido y ij = µ + ε ij SSE r = i j (y ij ȳ.. ) 2 = Diferencia: SSE r SSE c = i haciendo álgebra = i j j (y ij ȳ.. ) 2 (ȳ i. ȳ.. ) 2 = r i (y ij ȳ i. ) 2 j i (ȳ i. ȳ.. ) 2 En el ejemplo: SSE r SSE c =
26 Diseño compleamene al azar, un facor SSE r SSE c = SS suma de cuadrados de raamienos. Represena la reducción en SSE al haber incluido raamienos en el modelo, ambién se le conoce como reducción en suma de cuadrados debida a raamienos. Llamaremos SS oal = SSE r ya que es la suma de cuadrados de las diferencias de cada observación y la media general ȳ.. Enonces, enemos la parición: i j SS oal = SS + SSE c (y ij ȳ.. ) 2 = i j (ȳ i. ȳ.. ) 2 + i (y ij ȳ i. ) 2 j desviación de la desviación de la desviación de la observación ij media del grupo observación ij con respeco a con respeco a con respeco a la media general la media general la media de su grupo 26 / 51
27 27 / 51 Diseño compleamene al azar, un facor i j (y ij ȳ.. ) 2 = i = i [(y ij ȳ i. ) + (ȳ i. ȳ.. )] 2 j j +2 i (y ij ȳ i. ) 2 + (y ij ȳ i. )(ȳ i. ȳ.. ) j i (ȳ i. ȳ.. ) 2 j i j (y ij ȳ i. )(ȳ i. ȳ.. ) = i (ȳ i. ȳ.. ) j (y ij ȳ i. ) = (ȳ i. ȳ.. )(y i. rȳ i. ) = 0 i
28 28 / 51 Diseño compleamene al azar, un facor Grados de liberad. Represenan el número de piezas de información independienes en las sumas de cuadrados. En general, es el número de observaciones menos el número de parámeros esimados de los daos. Sea n = r, el amaño de muesra oal. Así, SS oal = i r j (y ij ȳ.. ) 2 donde ȳ.. es el esimador de µ, iene n 1 g.l. SSE = i r j (y ij ȳ i. ) 2 se esimaron parámeros (µ 1, µ 2,..., µ ) por lo ano iene n g.l. SS = SS oal SSE = (n 1) (n ) = 1 g.l.
29 29 / 51 Tabla de Análisis de Varianza ANOVA F.V. g.l. SS CM Traamienos 1 SS CM = SS / 1 Error n SSE CME = SSE/n = ˆσ 2 Toal n 1 SS oal Se puede demosrar que: E (CME) = σ 2 E (CM ) = σ i=1 r(µ i µ) 2 ; µ = µ i / i
30 30 / 51 Tabla de Análisis de Varianza Si suponemos ε ij NID(0,σ 2 ) i = 1,..., j = 1,...,r en el modelo compleo y ij = µ i + ε ij Enonces, y ij NID(µ i,σ 2 ). Se puede demosrar que: SS oal σ 2 = i j (y ij ȳ.. ) 2 σ 2 χn 1 2 SSE σ 2 = i j (y ij ȳ i. ) 2 σ 2 χn 2 Cuando H 0 : µ 1 = µ 2 =... = µ es ciera SS σ 2 = i r(ȳ i. ȳ.. ) 2 σ 2 χ 1 2
31 31 / 51 Tabla de Análisis de Varianza Por el Teorema de Cochran (Mongomery, 2001, pág. 69), SS y SSE son independienes, por lo ano cuando H 0 es ciera, F 0 = SS /σ 2 ( 1) SSE/σ 2 (n ) = CM CME F 1,n Además, E (CM ) = σ 2 + θ 2 = σ 2 cuando θ 2 = 0 que es cuando H 0 es ciera. Es decir, E (CM ) = E (CME) cuando H 0 es ciera E (CM ) > E (CME) cuando H 0 no es ciera Enonces, si CM > CME, o sea, valores grandes de F 0 llevan a rechazar la hipóesis nula H 0 : µ 1 = µ 2 =... = µ. Por lo ano, la región de rechazo es: F 0 > F α 1,n
32 Tabla de Análisis de Varianza ANOVA F.V. g.l. SS CM F E(CM) Traamienos 1 SS CM = SS CM 1 CME σ 2 + θ 2 Error n SSE CME = SSE n σ 2 Toal n 1 SS oal SS = SSE = SS oal = i=1 r i=1 j=1 i=1 j=1 r (ȳ i. ȳ.. ) 2 r (y ij ȳ i. ) 2 (y ij ȳ.. ) 2 32 / 51
33 33 / 51 Tabla de Análisis de Varianza En el ejemplo de empacado de carne: F.V. g.l. SS CM F Pr > F ra error oal Por lo ano, se rechaza la hipóesis H 0 : µ 1 = µ 2 =... = µ 4, es decir, hay algún méodo de empaque que iene diferene comporamieno en promedio.
34 Inervalos de confianza ˆµ i = ȳ i. Sȳ 2 i. = S2 CME con S 2 = CME = ˆσ 2 Sȳi. = n i n i Como suponemos que y ij N ( µ i,σ 2) enonces ȳ i. N ( µ i,σ 2 /n i ) como esimamos la varianza: ȳ i. µ i Sȳi. n Por lo ano, un inervalo del (1 α)100% de confianza para µ i es ȳ i. ± 1 α/2 n (Sȳi. ) 34 / 51
35 35 / 51 Inervalos de Confianza En el ejemplo del empacado de carne eníamos: Comercial Al vacío CO,O2,N CO2 ˆµ i = ȳ i S 2 = CME = con 8 g.l. Inervalos de confianza ra 1 (7.03, 7.93) ra 2 (5.05, 5.95) ra 3 (6.81, 7.71) ra 4 (2.91, 3.81) Una vez que rechazamos la hipóesis H 0 : µ 1 = µ 2 = µ 3 = µ 4 Qué sigue? Pero anes: ver programa biseces.r
36 Diseño compleamene al azar, un facor Se quieren comparar niveles de un facor, lo que implica raamienos y se dispone de n i u.e. para el raamieno i, i = 1,...,. Hay dos siuaciones: 1. Los raamienos son escogidos específicamene por el invesigador. En esa siuación deseamos probar hipóesis acerca de las medias de los raamienos y nuesras conclusiones se aplicarán solamene a los niveles del facor considerados en el análisis. Las conclusiones no se pueden exender a raamienos similares que no fueron explíciamene considerados. Ese es el modelo de efecos fijos. 2. Los raamienos son una muesra aleaoria de una población de raamienos. En esa siuación nos gusaría poder exender las conclusiones (las cuales esán basadas en la muesra de raamienos considerada) a odos los raamienos de la población. Ese es el modelo de efecos aleaorios. 36 / 51
37 37 / 51 Diseño compleamene al azar, un facor A las canidades n 1,n 2,...,n se les llama repeiciones de cada raamieno. Si n i = r i se dice que el diseño es balanceado. y ij es la respuesa de la u.e. j del raamieno i, i = 1,..., j = 1,...,n i.
38 38 / 51 Esrucura de los daos. Diseño compleamene al azar raamienos y 11 y 21 y y 1 y 12 y 22 y y 2 y 13 y 23 y y y 1n1 y 2n2 y 3n3... y n y 1. y 2. y y. oales ȳ 1. ȳ 2. ȳ ȳ. medias
39 39 / 51 Diseño compleamene al azar n = y i. = i=1 n i y ij j=1 ȳ i. = n i j=1 y ij y.. = ȳ.. = y.. n n i amaño de muesra oal n i n i i=1 j=1 i = 1,...,; oal raamieno i y ij = i = 1,...,; media raamieno i i=1 media general y i. oal de las observaciones
40 40 / 51 Diseño compleamene al azar Se ienen muesras aleaorias independienes de amaños n 1,n 2,...,n respecivamene. y 11,y 12,...,y 1n1 es una muesra aleaoria de N(µ 1,σ 2 ) y 21,y 22,...,y 2n2 es una muesra aleaoria de N(µ 2,σ 2 ) y 1,y 2,...,y n es una muesra aleaoria de N(µ,σ 2 )
41 41 / 51 Diseño compleamene al azar Las observaciones en cada una de esas muesras se pueden represenar por el modelo lineal simple y ij = µ i + ε ij i = 1,...,; j = 1,...,n i con ε ij error experimenal en la observación j-ésima del raamieno i-ésimo. Esamos suponiendo independencia enre y denro de las muesras, es decir, ε ij son independienes y ε ij N(0,σ 2 ).
42 42 / 51 Diseño compleamene al azar Ora forma de verlo Como suponemos que las u.e. son homogéneas, es decir, el promedio de respuesa de odas las u.e. es el mismo (µ) anes de aplicar los raamienos, y si se observan en condiciones similares, las respuesas las podemos modelar como y ij = µ + ε ij
43 43 / 51 Modelo de efecos Enonces al aplicar el raamieno i-ésimo a un grupo (de amaño n i ) de u.e. se inroduce un efeco (τ i ) de ese raamieno en las variables por observar. El modelo se puede escribir como: Modelo de efecos donde y ij = µ + τ i + ε ij i = 1,...,; j = 1,...,n i µ es la media general, común a odas las u.e. τ i es el efeco del raamieno i-ésimo
44 Modelo de efecos 44 / 51
45 45 / 51 Modelo de efecos El modelo de efecos implica que se empieza el experimeno con u.e. con la misma capacidad de respuesa (µ) y con la misma varianza (σ 2 ). La aplicación de los raamienos iene el efeco de alerar las medias, que ahora son µ i = µ + τ i, pero supone que no se modifican las varianzas. En ese caso, la hipóesis a probar es: H 0 : τ 1 = τ 2 =... = τ = 0 H a : τ i 0 para al menos una i
46 46 / 51 Modelo de efecos Esimadores de mínimos cuadrados: y ij = µ + τ i + ε ij i = 1,..., j = 1,...,n i µ τ i i=1 j=1 SSE = n i n i i=1 j=1 n i i=1 j=1 ε 2 ij = n i i=1 j=1 (y ij µ τ i ) 2 = 2 (y ij µ τ i ) 2 = 2 (y ij µ τ i ) 2 n i i=1 j=1 n i j=1 (y ij µ τ i ) (y ij µ τ i ) i = 1,...,
47 Igualando a cero: Modelo de efecos n i i=1 j=1 n 1 j=1 n 2 j=1 n j=1 y ij = n ˆµ + i=1 n i ˆτ i y 1j = n 1 ˆµ + n 1 ˆτ 1 y 2j = n 2 ˆµ + n 2 ˆτ y j = n ˆµ + n ˆτ Las ecuaciones normales no son linealmene independienes, por lo ano no hay una solución única. Eso ocurre porque el modelo de efecos esá sobreparamerizado. 47 / 51
48 Modelo de efecos Se añade una ecuación linealmene independiene: a) i=1 n i ˆτ i = 0 ˆµ = ȳ.. ˆτ i = ȳ i. ȳ.. i = 1,..., b) ˆµ = 0 ˆµ = 0 ˆτ i = ȳ i. i = 1,..., c) ˆτ 1 = 0 ˆµ = ȳ 1. ˆτ i = ȳ i. ȳ 1. i = 2,..., 48 / 51
49 49 / 51 Modelo de efecos Hay un número infinio de posibles resricciones que se pueden usar para resolver las ecuaciones normales. Enonces Cuál usar? No impora ya que en cualquier caso µ + τ i = ȳ i. Aunque no podemos obener esimadores únicos de los parámeros del modelo de efecos, podemos obener esimadores únicos de funciones de esos parámeros. A esas funciones se les llama funciones lineales linealmene esimables.
50 Diseño compleamene al azar, Tabla de ANOVA F.V. g.l. SS CM F E(CM) Traamienos 1 SS CM = SS 1 Error n SSE CME = SSE n σ 2 CM CME σ 2 + i n i (τ i τ) 2 1 Toal n 1 SS oal SS = SSE = SS oal = i=1 n i i=1 j=1 n i (ȳ i. ȳ.. ) 2 = n i i=1 j=1 (y ij ȳ i. ) 2 = (y ij ȳ.. ) 2 = n = i=1 i=1 j=1 y 2 i. y2.. n i n n i n i i=1 j=1 n i i=1 y 2 ij i=1 y 2 ij y2.. n y 2 i. n i 50 / 51
51 51 / 51 Si rechazamos la hipóesis nula de igualdad de medias o nulidad de efecos, Qué sigue?
Métodos de Diseño y Análisis de Experimentos
1 / 101 Méodos de Diseño y Análisis de Experimenos Paricia Isabel Romero Mares Deparameno de Probabilidad y Esadísica IIMAS UNAM febrero 2013 Diseño compleamene al azar 2 / 101 3 / 101 Ejemplo Suponga
Más detallesEstimación puntual ± Margen de error
Esimación Punual Para esimar el valor de un parámero poblacional se calcula la caracerísica correspondiene de la muesra, a lo que se le conoce como esadísico muesral. A la media muesral x se le idenifica
Más detallesPRÁCTICA 2: Ejercicios del capítulo 4
PRÁCTICA : Ejercicios del capíulo 4. Un psicólogo clínico desea evaluar la eficacia de una erapia para reducir la ansiedad de los ejecuivos que padecen esrés en la oma de decisiones empresariales. Para
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesLECTURA 07: PRUEBA DE HIPÓTESIS (PARTE I) TEMA 15: PRUEBA DE HIPOTESIS: DEFINICIONES GENERALES
LECTURA 7: PRUEBA DE HIPÓTESIS (PARTE I) TEMA 15: PRUEBA DE HIPOTESIS: DEFINICIONES GENERALES 1 INTRODUCCION El propósio de análisis esadísico es reducir el nivel de inceridumbre en el proceso de decisiones
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detallesMODELO JUNIO 2005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
Modelo de eamen Junio MODELO JUNIO MTEMÁTICS PLICDS LS CIENCIS SOCILES II OPCIÓN. (Punuación máima: punos) Se dice que una mari cuadrada es orogonal si T I: Noa: La noación T significa mari ranspuesa de.
Más detallesModelo 2 OPCIÓN A. A y B AB se puede realizar porqueel n decolumnas de Aesigual al n de filas de B AB. t t t
Insrucciones: a) Duración: 1 hora y 3 minuos. b) Elija una de las dos opciones propuesas y conese los ejercicios de la opción elegida. c) En cada ejercicio, pare o aparado se indica la punuación máxima
Más detallesECUACIONES DIFERENCIALES
Tema 1 ECUACIONES DIFERENCIALES EJERCICIO 1 Comprobar que la función y() = c 2 ++3 es una solución del problema de valor inicial 2 y 2y + 2y = 6, y(0) = 3, y (0) = 1, (1.1) en <
Más detallesDescomposición Estacional
Descomposición Esacional Resumen El procedimieno de Descomposición Esacional divide una serie de iempo en res componenes: 1. endencia-ciclo 2. esacionalidad 3. irregularidad Cada componene puede ser graficado
Más detallesESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ESTUDIO DE MERCADO. MÉTODOS DE PROECCIÓN Qué es una proyección? Es una esimación del comporamieno de una variable en el fuuro. Específicamene, se raa de esimar el valor de una variable en el fuuro a parir
Más detallesUDA 2. Factor de seguridad y confiabilidad
Wilde Analysis Ld. (2015) Aloha Airlines Fligh 243 / 28 April 1988: Inceridumbre En el diseño de maquinaria abundan las inceridumbres: La composición del maerial y el efeco de las variaciones en las propiedades.
Más detallesPropuesta A. 1. Dadas las matrices: C = B = A =
Pruebas de Acceso a Enseñanzas Univerarias Oiciales de Grado 6 Maeria: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá conesar a una de las dos opciones propuesas A ób. Se podrá uilizar
Más detallesDepartamento de Fundamentos del Análisis Económico. Universidad de Alicante. Curso 2011/12. ECONOMETRÍA I Hoja de problemas del Tema 3
Deparameno de Fundamenos del Análisis Económico. Universidad de Alicane. Curso 011/1 ECONOMETRÍA I Hoja de problemas del Tema 3 Noa: En odos los conrases ome como nivel de signi cación el 5%. 1.- Para
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
OPCIÓN A 0 1 0 0 1 1 Sean las marices C = 1 0 1 y D = 1 0 1. 0 1 0 1 1 0 a) (1.5 punos) Resuelva la ecuación maricial 2 X C D = ( I 3 + D) C. b) (1 puno) Si las marices C y D son las marices de adyacencia
Más detallesPRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL SEPTIEMBRE Apellidos Nombre. DNI / NIE Centro de examen
CALIFICACIÓN: Consejería de Educación, Ciencia y Culura PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL SEPTIEMBRE 011 Resolución de 9 de marzo de 011 (DOCM de 5 de abril)
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detalles11. PREVISIÓN DE LA DEMANDA
. PREVIIÓN E LA EMANA. INROUCCIÓN Anes de comenzar a desarrollar las cuenas previsionales de exploación, la empresa iene que realizar una esimación del volumen de venas que generará la acividad diaria
Más detallesEconometría Examen Parcial #1 Cali, Sábado 27 de Febrero de 2010
Economería 0616 Examen Parcial #1 Cali, Sábado 7 de Febrero de 010 Profesores: Julio César Alonso C. Carlos Giovanni González Ana Isabel Gallego L. Esudiane: Código: Insrucciones: 1. Lea cuidadosamene
Más detallesCARGA Y DESCARGA DE UN CONDENSADOR
1. Objeivos CARGA Y DESCARGA DE UN CONDENSADOR Esudiar los procesos de carga y de descarga de un condensador. Deerminar el iempo caracerísico, τ, del circuio. 2. Fundameno eórico Un condensador es un sisema
Más detallesAnálisis estocástico de series temporales
Análisis esocásico de series emporales Ernes Pons (epons@ub.edu) Análisis esocásico de Series Temporales Moivación Ejemplos 4500000 8 4000000 6 3500000 4 3000000 2 0 2500000-2 2000000-4 500000-6 000000-8
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detallesEstudio Empírico de la Selección y Estimación de los Modelos de Crecimiento Estadístico
Esudio Empírico de la Selección Esimación de los Modelos de Crecimieno Esadísico S. Amirkhalhali, U.L.G. Rao and S. Amirkhalkhali 1 Resumen: En ese papel se comparan los modelos de crecimieno Lineal Exponencial
Más detalles4. SERIES TEMPORALES Y
4. SERIES TEMPORALES Y NÚMEROS ÍNDICE Objeivo Esudiar la evolución de una variable en el iempo. Bibliografia recomendada Peña y Romo (1997). Capíulos 11 y 12. Índice 1. Represenación gráfica de una serie
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
Sean las marices 1 A =, 0 3 OPCIÓN A 1 1 1 4 0 B = 0 y = 1 1 3 1 C a) (17 punos) Resuelva la ecuación maricial C B X A X = A b) (08 punos) Analice cuáles de las siguienes operaciones, sin efecuarlas, se
Más detallesa) en [0, 2] ; b) en [-1, 1]
UNIVERSIDAD NACIONAL DE LA PATAGONIA SAN JUAN BOSCO FACULTAD DE CIENCIAS NATURALES CATEDRA: Maemáica I CURSO: 04 TRABAJO PRACTICO Nº -Tercera Pare Pare III. Aplicaciones de la derivada TEOREMA DE ROLLE
Más detallesPATRON = TENDENCIA, CICLO Y ESTACIONALIDAD
Pronósicos II Un maemáico, como un pinor o un poea, es un fabricane de modelos. Si sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico,
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detallesExperimento 3. Análisis del movimiento en una dimensión. Objetivos. Teoría
Experimeno 3 Análisis del movimieno en una dimensión Objeivos. Esablecer la relación enre la posición y la velocidad de un cuerpo en movimieno 2. Definir la velocidad como el cambio de posición en un inervalo
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesCurso 2006/07. Tema 1: Procesos Estocásticos. Caracterización de los procesos ARIMA. stico
Curso 6/7 Economería II Tema : Procesos Esocásicos. Caracerización de los procesos ARIMA. Concepo de proceso esocásico sico. Esacionariedad fuere y débil de los procesos esocásicos. Teoremas de ergodicidad
Más detallesNombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesMétodos de Diseño y Análisis de Experimentos
1 / 30 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM abril 2018 Diseño de Bloques al azar 2 / 30 3 / 30 Introducción En
Más detallesANEXO A LA PRÁCTICA CARGA Y DESCARGA DE UN CAPACITOR EN UN CIRCUITO RC
ANEXO A LA PRÁTIA ARGA Y DESARGA DE UN APAITOR EN UN IUITO Inroducción. En esa prácica se esudia el comporamieno de circuios. En una primera pare se analiza el fenómeno de carga y en la segunda pare la
Más detallesComo podrás observar, los valores de la última columna no son iguales a qué se debe esto, si para una función lineal sí resultaron iguales?
Razón de cambio de una función cuadráica Ejemplo.5 Un puno se desplaza en el plano describiendo el lugar geomérico correspondiene a la función f ( x x 6x 3. Obén la razón promedio de cambio. Considera
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detalles3 Definición y ejemplos de Procesos Estocásticos
3 Definición y ejemplos de Procesos Esocásicos 3. Definición de un Proceso Esocásico. Supongamos que se esudia el número de personas que asisen al servicio médico en ciero hospial. En un inervalo de iempo
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detallesMilagro económico dominicano: buena suerte y buenas políticas (Andújar, 2009)
Comenarios al documeno: Milagro económico dominicano: buena suere y buenas políicas (Andújar 2009) III Foro de invesigadores económicos de los bancos cenrales miembros del CMCA San José Cosa Rica Agoso
Más detallesUso de Análisis de Covarianza (ANCOVA) en investigación científica (Use of covariance analysis (ANCOVA) in scientific research)
InnOvaciOnes de NegOciOs 5(): 5-38, 008 008 UANL, Impreso en México (ISSN 665-967) Uso de Análisis de Covarianza (ANCOVA) en invesigación cienífica (Use of covariance analysis (ANCOVA) in scienific research)
Más detallesMATEMÁTICAS II Examen del 28/05/2012 Solución Importante
MATEMÁTICAS II Examen del 8/05/0 Solución Imporane Las calificaciones se harán públicas en el aula virual el 08/06/0. La revisión será el /06/0 y el /06/0 de -3 horas en la sala D-4-. MATEMÁTICAS II 8/05/0
Más detallesConvolución. Dr. Luis Javier Morales Mendoza Procesamiento Analógico de Señales FIEC - UV
Dr. Luis Javier Morales Mendoza Procesamieno Analógico de Señales FIEC - UV Índice.. Inroducción.. La función dela de Dirac.3. Definición de la convolución.3.. propiedades de la convolución.3.. Méodo Gráfico
Más detallesOndas y Rotaciones. Principios fundamentales II
Ondas y Roaciones rincipios fundamenales II Jaime Feliciano Hernández Universidad Auónoma Meropoliana - Izapalapa México, D. F. 5 de agoso de 0 INTRODUCCIÓN. Generalmene el esudio del movimieno se realiza
Más detallesFigura 1. Coordenadas de un punto
1 Tema 1. Sección 1. Diagramas espacio-iempo. Manuel Guiérrez. Deparameno de Álgebra, Geomería y Topología. Universidad de Málaga. 2971-Málaga. Spain. Marzo de 21. En la mecánica es usual incluir en los
Más detallesExperimentos con factores aleatorios. Diseño de experimentos p. 1/36
Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados
Más detallesEJERCICIOS PROPUESTOS
8 Deerminanes. Ejercicio resuelo. EJERCICIOS PROPUESTOS. Calcula el valor de los siguienes deerminanes. 8 4 5 0 0 6 c) 4 5 4 8 6 4 8 4 5 0 6+ 0 0+ 5 00 5 6 0+ 000 0 48 0 6 ( ) ( ) ( ) ( ) ( ) 4 5 5 + 4
Más detallesCONCEPTOS FUNDAMENTALES DE CINÉTICA:
CONCEPTOS FUNDAMENTALES DE CINÉTICA: ü Hisoria y aplicaciones de la cinéica ü Rapidez de reacción (rapidez promedio, insanánea e inicial) ü Formas de expresar la rapidez de una reacción ü Ecuación de rapidez
Más detallesExamen de Econometría II 12 de Enero de 2010
Examen de Economería II 12 de Enero de 2010 ---------------------------------------------------------------------------------------- Apellidos y Nombres: Grupo: ----------------------------------------------------------------------------------------
Más detallesCAPÍTULO 3 METODOLOGÍA. En este capítulo se describe la obtención y el funcionamiento del modelo de
CAPÍTULO 3 METODOLOGÍA En ese capíulo se describe la obención y el funcionamieno del modelo de Nelson y Siegel, el cual es fundamenal para obener las esrucuras emporales que servirán para comprender la
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesEn numerosas oportunidades, el Profesor Arvelo ha dictado cursos empresariales en el área de Estadística General y Control Estadístico de Procesos.
ANGEL FRANCISCO ARVELO LUJAN Angel Francisco Arvelo Luján es un reconocido Profesor Universiario Venezolano en el área de Probabilidad y Esadísica, con más de 4 años de experiencia en las más presigiosas
Más detalles6.7. ENSAYOS EN FLUJO CONVERGENTE
Clase 6.7 Pág. 1 de 1 6.7. ENSAYOS EN FLUJO CONVERGENTE 6.7.1. Principios Los pasos que deben seguirse para efecuar un ensayo de flujo convergene son: 1. Se bombea en un puno hasa conseguir que las condiciones
Más detallesx + y + 3z = 0 y = 1, z = 0 x = 1 z = 1= x = 10 = 4
Marices ANTES DE COMENZAR RECUERDA resuelve esos sisemas. a) x + y + z x y z x y + z b) y + z x + y z x y z 7 a) x + y + z x x y z y z ( yz) y z x y + z yz y+ z y 7z y 7z 6z z z y z y x + y + z y, z x
Más detallesCÁTEDRA: QUÍMICA GUÍA DE LABORATORIO Nº 5
CÁTEDRA: QUÍMICA GUÍA DE LABORATORIO Nº 5 PARTE A: CINÉTICA QUÍMICA PARTE B: TERMOQUÍMICA: CALOR DE NEUTRALIZACIÓN PARTE A: CINÉTICA QUÍMICA OBJETIVOS 1. Esudiar la cinéica de una reacción química por
Más detallesFacultad de Ciencias del Mar. Curso 2007/08 11/07/08
Esadísica Convocaoria de Junio Faculad de Ciencias del ar. Curso 007/08 /07/08 El galludo (Squalus egalops) es una especie de iburón de aguas empladas a ropicales, que habia la plaaforma coninenal exerior
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 1. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios 1 Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.1. Se ha modelizado la variable v de dos modos diferenes: (1)
Más detallesPROBLEMAS DE CINÉTICA QUÍMICA RESUELTOS.
PROBLEMAS DE CINÉTICA QUÍMICA RESUELTOS. 1. Una reacción en solución enre los compuesos A y B, se siguió durane 1 hora a una emperaura de 37 o C. Se midió la concenración residual de los reacivos a diferenes
Más detallesQué es la Econometría? Parte II
Qué es la Economería? Pare II Esrucura de los daos económicos Necesarios, una vez que se ha especificado el modelo economérico Se necesian de odas las variables que inervienen Tipos de daos: 1. Daos de
Más detallesUNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA
UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral
Más detallesDiseño completamente al azar. Diseño de experimentos p. 1/111
Diseño completamente al azar Diseño de experimentos p. 1/111 Ejemplo Suponga que tenemos 4 dietas diferentes que queremos comparar. Las dietas están etiquetadas A,B,C y D. Estamos interesados en estudiar
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 28 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 28 de Junio de 2013 12:00 horas Primer Apellido: Nombre: DNI: Teléfono: Segundo Apellido: Grupo y Grado: Profesor(a): e mail: Preguna 1 A B C
Más detallesω ω ω y '' + 3 y ' y = 0 en la que al resolver se debe obtener la función y. dx = + d y y+ m = mg k dt d y dy dx dx = x y z d y dy u u x t t
E.D.O para Ingenieros CAPITULO INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES Las ecuaciones diferenciales son ecuaciones en las que conienen derivadas, Por ejemplo: '' + ' = en la que al resolver se debe
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesTema 3. Especificación, estimación y validación de modelos ARIMA
Tema 3. Especificación, esimación y validación de modelos ARIMA. La Meodología Box-Jenkins. Especificación inicial.. Conrases de raíces uniarias.. Análisis de correlogramas y correlogramas parciales 3.
Más detallesCAMBIAR EL CONTEXTO REDUCE LA RESPUESTA CONDICIONADA EN REDES NEURALES ARTIFICIALES. Esther Murillo Rodríguez* José Enrique Burgos Triano
2005 Avances en la Invesigación Cienífica en el CUCBA 377 ISBN: 970-27-0770-6 CAMBIAR EL CONTEXTO REDUCE LA RESPUESTA CONDICIONADA EN REDES NEURALES ARTIFICIALES Esher Murillo Rodríguez* José Enrique Burgos
Más detallesQué explica las fluctuaciones de la inflación en el Perú en el periodo ? *
Qué explica las flucuaciones de la inflación en el Perú en el periodo 22-28? * Jorge Salas (BCRP) Encuenro de Economisas BCRP 26 de noviembre, 28 *El conenido de esa presenación es solo de responsabilidad
Más detallesCONDICIONAMIENTO DE SEGUNDO ORDEN EN REDES NEURALES ARTIFICIALES. Antonio Ponce Rojo* Centro Universitario de la Costa
2005 Avances en la Invesigación Cienífica en el CUCBA 458 ISBN: 970-27-0770-6 CONDICIONAMIENTO DE SEGUNDO ORDEN EN REDES NEURALES ARTIFICIALES Anonio Ponce Rojo* Cenro Universiario de la Cosa aponce@pv.udg.mx
Más detallesMétodos de Diseño y Análisis de Experimentos
1 / 16 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM mayo 2018 Ejemplo Modelos Mixtos 2 / 16 3 / 16 Ejemplo 1 (2 factores
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos socásicos Procesos socásicos I Inroducción y concepos básicos sadísicos de un proceso esocásico Referencias: Capíulo 8 de Inroducción a los Sisemas de Comunicación. Sremler, C.G. 993 Apunes de
Más detallesSistemas lineales con ruido blanco
Capíulo 3 Sisemas lineales con ruido blanco 3.1. Ruido Blanco En la prácica se encuenra procesos esocásicos escalares u con media cero y la propiedad de que w( 1 ) y w( 2 ) no esán correlacionados aún
Más detallesAPLICACIÓN DE MODELOS AUTOREGRESIVOS PARA VARIABLES ECONOMICAS EN EL CALCULO ACTUARIAL
APLICACIÓN DE MODELOS AUOREGRESIVOS PARA VARIABLES ECONOMICAS EN EL CALCULO ACUARIAL Francisco Rafael orres Guaranda 1, Ma. Fernando Sandoya Sánchez 1 Ingeniero en Esadísica Informáica Direcor de esis,
Más detallesUna aplicación Bayesiana a la Modelización de Mercados
Una aplicación Bayesiana a la Modelización de Mercados Maser Oficial en Ingeniería Maemáica Problema planeado por BAYES INFERENCE, S. A. Exposición del problema (I) Se considera un mercado de compeencia
Más detallesMétodos de Previsión de la Demanda Pronóstico para Series Temporales Niveladas Representación Gráfica
Méodos de Previsión de la Demanda Pronósico para Series Temporales Niveladas Represenación Gráfica REPRESENTACIÓN GRÁFICA DE LA SERIE DE DATOS Período i Demanda Di 25 2 2 3 225 4 24 5 22 Para resolver
Más detalles3.8. PROBLEMAS 205. s 1 (t) s 3 (t) Figura 3.43: Señales para el Problema 3.1. b) Obtenga las coordenadas de cada señal en la base correspondiente.
38 PROBLEMAS 5 38 Problemas Problema 3 Para las cuaro señales de la Figura 343: s () s () 3 3 3 s 3 () - s () 3 Figura 343: Señales para el Problema 3 a) Encuenre un conjuno de señales oronormales, que
Más detallesComplejidad de modelos: Sesgo y Varianza
Complejidad de modelos: Sesgo y Varianza 17 de abril de 2008 Noas de clase. Rolando Belrán A Las medidas de sesgo y varianza son úiles para los modeladores en ano que ayudan a regular la complejidad del
Más detallesModelos Markov con Probabilidades de Transición Variantes: Una Aplicación al Análisis de Crisis Cambiarias
Modelos Markov con Probabilidades de ransición Varianes: Una Aplicación al Análisis de Crisis Cambiarias Albero Humala XXIV Encuenro de Economisas Gerencia de Esudios Económicos 13 15 Diciembre Moivación
Más detallesGESTIÓN DE INVENTARIOS Código: M. Docente: Julio César Londoño Ortega
GESTIÓN DE INVENTARIOS Código: 760033M Docene: Julio César ondoño Orega 1. Concepos avanzados de pronósicos de demanda 1. CONCEPTOS AVANZADOS DE PRONÓSTICOS DE DEMANDA Medición y análisis de los errores
Más detallesModelo de regresión lineal simple
Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos
Más detalles1. Desarrollo Preguntas. Universidad Simón Bolívar Departamento de Matemáticas Puras y Aplicadas
Universidad Simón Bolívar Deparameno de Maemáicas Puras y Aplicadas Maemáicas IV (MA-5 Sepiembre-Diciembre 8 4 ra Auoevaluación Maerial Cubiero: La presene auoevaluación versa sobre el maerial cubiero
Más detallesPráctico 1. Macro III. FCEA, UdelaR
Prácico 1. Macro III. FCEA, UdelaR Ejercicio 1 Suponga una economía que se compora de acuerdo al modelo de crecimieno de Solow-Swan (1956), se pide: 1. Encuenre la ecuación fundamenal del modelo de Solow-Swan.
Más detallesUniversidad de Sonora Departamento de Químico Biológicas
Deparameno de Maemáicas. Universidad de Sonora. Universidad de Sonora Deparameno de Químico Biológicas Ejemplo del Formao para la enrega de Problemas de Aplicación. Elemenos de Cálculo Inegral y algebra
Más detallesR 2 = 0,9945 R 2 = 0,9937
II EXÁMENES DE ECONOMETRÍA 1 Se han esimado con una muesra de 39 observaciones las siguienes funciones de producción por el méodo de MCO: ˆ 1,3,3,55 O ˆ = α L K e R =,9945 ˆ ˆ 1,41,47 O = β L K R =,9937
Más detallesEstimación de modelos de volatilidad estocástica asimétrica. Aplicación en series de rendimientos de índices bursátiles.
Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos de índices bursáiles. Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos
Más detallesy = log b x b y =x. ln(e x ) = x = e lnx.
5. FUNCIÓN LOGARÍTMICA La función logarímica de base b se define como la inversa de la función exponencial con base b. Es decir, el logarimo de base b de un número x es el exponene al cual debe elevarse
Más detallesTEMA 2 MODELO LINEAL SIMPLE (MLS) Gujarati, Econometria (2004)
EMA 2 MODELO LINEAL SIMPLE (MLS) Gujarai, Economeria (2004). Planeamieno e inerpreación del modelo economérico lineal simple. Capíulo 2 páginas 36 a 39 2. Hipóesis Básicas del Modelo Capíulo 3 páginas
Más detallesGráficas de curvas trigonométricas
Capíulo 4 Gráficas de curvas rigonoméricas La definición de las razones rigonoméricas, como funciones del ángulo, lleva implicado el esudio de las funciones rigonoméricas desde el puno de visa de las funciones
Más detallesLa Curva de Phillips CAPÍTULO 17. Profesor: Carlos R. Pitta. Macroeconomía Avanzada. Universidad Austral de Chile Escuela de Ingeniería Comercial
Universidad Ausral de Chile Escuela de Ingeniería Comercial Macroeconomía Avanzada CAPÍTULO 17 La Curva de Phillips Profesor: Carlos R. Pia Macroeconomía Avanzada, Prof. Carlos R. Pia, Universidad Ausral
Más detallesComentarios de la Nota Técnica sobre la Determinación del Incremento de la Reserva de Previsión
Comenarios de la Noa Técnica sobre la Deerminación del Incremeno de la Reserva de Previsión Fernando Solís Soberón y Rosa María Alaorre Junio 1992 Serie Documenos de Trabajo Documeno de rabajo No. 3 Índice
Más detallesConfiabilidad de Componentes No Reparables
Confiabilidad de Componenes No Reparables Carlos J. Zapaa Universidad Tecnológica de Pereira Colombia Inroducción En las sociedades modernas se uilizan muchos producos y servicios. La figura 1 presena
Más detallesProyección de tasas de actividad
Proyección de asas de acividad Noa meodológica. Inroducción El raar de anicipar el comporamieno fuuro de la población en relación con el mercado de rabajo iene un inerés evidene, pues ofrece información
Más detallesElementos de Cálculo Numérico (Ciencias Biológicas) Trabajo Práctico N 5 Subespacios, Rango de una matriz
Elemenos de álculo Numérico Trabajo Prácico N o Elemenos de álculo Numérico (iencias Biológicas) Trabajo Prácico N Subespacios, Rango de una mariz Deerminar cuáles de los siguienes subconjunos son subespacios
Más detallesResolución de Ecuaciones de Primer Orden
1 Resolución de Ecuaciones de Primer Orden 1.1 Desinegración Radiaciva Si las moléculas de ciero ipo ienen endencia a desinegrarse en moléculas más pequeñas a un rimo que no se ve afecado por la presencia
Más detallesNombre y Apellidos:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja de respuesas.
Más detallesTEMA 1: SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS.
TEMA : SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS. RELACIÓN DE PROBLEMAS. Pon un ejemplo, cuando sea posible, de un sisema de dos ecuaciones con res incógnias que sea: a) Compaible deerminado b)
Más detallesUN MODELO DE MUESTREO PARA TRATAMIENTO DE PREGUNTAS EVASIVAS CON ALTA SENSIBILIDAD
UN MODELO DE MUESTREO PR TRTMIENTO DE PREGUNTS EVSIVS CON LT SENSIBILIDD Vícor H. Soberanis Cruz, Jaime D. Cuevas Domínguez vsobera@uqroo.mx División de Ciencias e Ingeniería, Universidad de Quinana Roo
Más detalles1. Derivadas de funciones de una variable. Recta tangente.
1. Derivadas de funciones de una variable. Reca angene. Derivadas Vamos a ver en ese capíulo la generalización del concepo de derivada de funciones reales de una variable a funciones vecoriales con varias
Más detalles( ) Análisis de la fórmula para la calificación de pruebas tipo test multi-respuesta. J. L. González-Santander y G. Martín
ereis Revisa Iberoamericana Inerdisciplinar de Méodos, Modelización y Simulación 3 53-59 Análisis de la fórmula para la calificación de pruebas ipo es muli-respuesa Fecha de recepción y acepación: 9 de
Más detallesSEGUNDO EXAMEN EJERCICIOS RESUELTOS
MATEMÁTICAS II (G I T I SEGUNDO EXAMEN 13 1 EJERCICIOS RESUELTOS EJERCICIO 1 Considera el cuerpo de revolución que se genera al girar alrededor del eje OX la gráfica de la función x α f(x = x (, + (x +
Más detallesFundamentos Básicos Sistemas y Señales
Fundamenos Básicos Sisemas y Señales Preparado por : jhuircan Depo. Ingeniería Elécrica Universidad de La Fronera Objeivos q Revisar los concepos básicos de la Teoría de Sisemas q Revisar los concepos
Más detalles