Descargar la presentación
La descarga está en progreso. Por favor, espere
1
UNIVERSIDAD DE GUAYAQUIL
2
Ing. Carlos Pazmiño Castillo, MBA
3
Programa de Postgrado “MAESTRÍA EN TRIBUATACIÓN Y FINANZAS”
Ing. Carlos Pazmiño Castillo, MBA
4
MÓDULO “ESTADÍSTICAS APLICADAS A LAS FINANZAS"
Ing. Carlos Pazmiño Castillo, MBA
5
Ing. Carlos Pazmiño Castillo, MBA
EVALUACIÓN: TALLERES EN CLASE: 40 Puntos PROYECTO: 20 Puntos EXAMEN: 20 Puntos ASISTENCIA: 20 Puntos T O T A L puntos Ing. Carlos Pazmiño Castillo, MBA
6
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 1 Módulo I: IMPORTANCIA DE LAS ESTADÍSTICAS Trabajo grupal #1 Ing. Carlos Pazmiño Castillo, MBA
7
Ing. Carlos Pazmiño Castillo, MBA
Taller Nº 1 Ing. Carlos Pazmiño Castillo, MBA
8
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 2 Módulo II: DISTRIBUCIÓN DE FRECUENCIAS Y ANÁLISIS GRÁFICO Trabajo grupal #2 Ing. Carlos Pazmiño Castillo, MBA
9
Ing. Carlos Pazmiño Castillo, MBA
10
Ing. Carlos Pazmiño Castillo, MBA
DIAGRAMAS O GRÁFICOS Ing. Carlos Pazmiño Castillo, MBA
11
Ing. Carlos Pazmiño Castillo, MBA
DIAGRAMAS O GRÁFICOS Ing. Carlos Pazmiño Castillo, MBA
12
GRÁFICOS ESTADÍSTICOS
Ing. Carlos Pazmiño Castillo, MBA
13
DIAGRAMA DE TALLO Y HOJAS
Ing. Carlos Pazmiño Castillo, MBA
14
Aplicaciones y Taller Nº 2
EJERCICIOS – TALLER 2B SOLUCIONARIO EJEMPLOS – TALLER 2A Ing. Carlos Pazmiño Castillo, MBA
15
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 3 Módulo III: MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN Trabajo grupal # 3 Ing. Carlos Pazmiño Castillo, MBA
16
Ing. Carlos Pazmiño Castillo, MBA
17
USOS FRECUENTES DE LA DESVIACIÓN STANDARD
Teorema de Chebychev (Tchebysheff), establece que para todo conjunto de datos, por lo menos De las observaciones están dentro de “k” desviaciones standards de la media, donde “k” es cualquier número mayor que 1. Ing. Carlos Pazmiño Castillo, MBA
18
Ing. Carlos Pazmiño Castillo, MBA
Coeficiente de Sesgo de Pearson: puede ser hacia la derecha o hacia la izquierda, su fórmula es Si “p” > 0, entonces sesgo a la derecha. Si “p” < 0, entonces sesgo a la izquierda. Ing. Carlos Pazmiño Castillo, MBA
19
Ing. Carlos Pazmiño Castillo, MBA
Coeficiente de Variación, determina el grado de dispersión de un conjunto de datos relativo a su media: También permite hacer comparaciones entre datos de diferentes tamaños. Ing. Carlos Pazmiño Castillo, MBA
20
Aplicaciones y Taller Nº 3
EJERCICIOS – TALLER 3B SOLUCIONARIO EJEMPLOS – TALLER 3A Ing. Carlos Pazmiño Castillo, MBA
21
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 4 Módulo IV: TEORÍA DE PROBABILIDADES Trabajo grupal # 4 Ing. Carlos Pazmiño Castillo, MBA
22
Ing. Carlos Pazmiño Castillo, MBA
23
Ing. Carlos Pazmiño Castillo, MBA
PROBABILIDADES Probabilidad de ocurrencia = p(x) Probabilidad de no ocurrencia = q(x) En consecuencia, p + q = 1 Ing. Carlos Pazmiño Castillo, MBA
24
Ing. Carlos Pazmiño Castillo, MBA
POSIBLES EVENTOS Independientes P(AB) = P(A) . P(B) Dependientes P(AB) = P(A) . P(B/A) Mutuamente Excluyentes P(A+B) = P(A) + P(B) No mutuamente Excluyentes P(A+B) = P(A) + P(B) – P(AB) Ing. Carlos Pazmiño Castillo, MBA
25
EVENTOS Independientes
P(AB) = P(A) . P(B) ¿Cuál es la probabilidad de sacar un 3 con un dado y una cara con una moneda? P(AB) = 1/6 * 1/2 P(AB) = 1/12 Ing. Carlos Pazmiño Castillo, MBA
26
Ing. Carlos Pazmiño Castillo, MBA
EVENTOS Dependientes P(AB) = P(A) . P(B/A) ¿Cuál es la probabilidad de extraer, de un juego de cartas en perfectas condiciones, 2 ases de manera consecutiva? P(AB) = 4/52 * 3/51 P(AB) = 1/221 Ing. Carlos Pazmiño Castillo, MBA
27
EVENTOS Mutuamente Excluyentes
P(A+B) = P(A) + P(B) Durante la última semana, una estación de venta de combustibles observó que de sus clientes, compraron gasolina súper y 500 compraron diesel. ¿Cuál será la probabilidad de que hoy un cliente compre gasolina súper o diesel? Ing. Carlos Pazmiño Castillo, MBA
28
Ing. Carlos Pazmiño Castillo, MBA
P(A+B) = P(A) + P(B) P(AB) = 4.000/ /5.000 P(AB) = 9/10 Ing. Carlos Pazmiño Castillo, MBA
29
EVENTOS NO Mutuamente Excluyentes
P(A+B) = P(A) + P(B) – P(AB) ¿Cuál será la probabilidad de sacar un as o una de las trece cartas de corazones de una baraja en perfectas condiciones? Ing. Carlos Pazmiño Castillo, MBA
30
P(A+B) = P(A) + P(B) – P(AB)
10 P(AB) = 4/ /52 – 1/52 P(AB) = 16/52 Ing. Carlos Pazmiño Castillo, MBA
31
Ing. Carlos Pazmiño Castillo, MBA
TEOREMA DE BAYES Ing. Carlos Pazmiño Castillo, MBA
32
Ing. Carlos Pazmiño Castillo, MBA
TÉCNICAS DE CONTEO PERMUTACIONES COMBINACIONES Ing. Carlos Pazmiño Castillo, MBA
33
Permutaciones y Combinaciones
Ordenar las 3 primeras letras del abecedario (a, b, c) de 2 en 2: ab ac bc ba ca cb Ing. Carlos Pazmiño Castillo, MBA
34
Aplicaciones y Taller Nº 4
EJERCICIOS Ing. Carlos Pazmiño Castillo, MBA
35
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 5 Módulo V: DISTRIBUCIÓN DE PROBABILIDADES Trabajo grupal # 5 Ing. Carlos Pazmiño Castillo, MBA
36
Ing. Carlos Pazmiño Castillo, MBA
37
DISTRIBUCIÓN BINOMIAL
P(x) = nCx px qn-x n = Total de casos x = Requerimiento p = Probabilidades a favor q = Probabilidades en contra Ejemplo Ing. Carlos Pazmiño Castillo, MBA
38
Ing. Carlos Pazmiño Castillo, MBA
DISTRIBUCIÓN POISSON λ = Landa (media aritmética = np) x = Requerimiento n = Total de casos Ejemplo Ing. Carlos Pazmiño Castillo, MBA
39
Ing. Carlos Pazmiño Castillo, MBA
DISTRIBUCIÓN NORMAL z = Variable Normal = Observaciones (Media Muestral) µ = Media Poblacional = Desviación Típica o standard Ejemplo Ing. Carlos Pazmiño Castillo, MBA
40
Ing. Carlos Pazmiño Castillo, MBA
Aplicaciones de la Distribución NORMAL Taller Nº 5 Ing. Carlos Pazmiño Castillo, MBA
41
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 6 Módulo VI: PRUEBA DE HIPÓTESIS Trabajo grupal # 6 Ing. Carlos Pazmiño Castillo, MBA
42
Ing. Carlos Pazmiño Castillo, MBA
PRUEBA DE HIPÓTESIS Es la aseveración o afirmación que se hace con respecto a la validez de un parámetro poblacional, apoyándose en la información muestral. Las pruebas de hipótesis pueden clasificarse de la siguiente forma: Una población Dos poblaciones Otras pruebas de hipótesis Ing. Carlos Pazmiño Castillo, MBA
43
Prueba de Hipótesis: Una Población
Medias Proporciones Ing. Carlos Pazmiño Castillo, MBA
44
PROCESO DE SOLUCIÓN DE UNA PRUEBA DE HIPÓTESIS
Planteamiento correcto de la Prueba Identificar la distribución de muestreo adecuada: Calcular el valor zp o tp, según corresponda. Utilizar el nivel de significancia adecuado para indicar el índice de confianza. Toma de Decisión. Ing. Carlos Pazmiño Castillo, MBA
45
PLANTEAMIENTO DE LA PRUEBA DE HIPÓTESIS
Hipótesis Nula Hn Hipótesis Alternativa Ha NOTA: Las 2 pruebas suman el total de resultados posibles Ing. Carlos Pazmiño Castillo, MBA
46
CLASES DE PRUEBAS DE HIPÓTESIS
BILATERALES Dos colas UNILATERALES Una cola: Mínimo Máximo Ing. Carlos Pazmiño Castillo, MBA
47
Identificar la distribución de muestreo adecuada:
Uso de distribuciones z ó t Ing. Carlos Pazmiño Castillo, MBA
48
Cálculo de Valores Prueba
Ing. Carlos Pazmiño Castillo, MBA
49
Nivel de Significancia
Conocido como alfa, por lo general se encuentra entre el 1 y el 10%. Se lo conoce también como Porcentaje de error. El índice de confianza (IC) es la diferencia entre el 100% y alfa. Cuando no se lo proporciona (alfa), se asume un 5%. Permite encontrar los valores críticos: zc ó tc Ing. Carlos Pazmiño Castillo, MBA
50
Ing. Carlos Pazmiño Castillo, MBA
Toma de Decisión zp & zc tp & tc Ing. Carlos Pazmiño Castillo, MBA
51
Aplicaciones y Taller Nº 6
SOLUCIONARIO HIPÓTESIS EJERCICIOS Ing. Carlos Pazmiño Castillo, MBA
52
Ing. Carlos Pazmiño Castillo, MBA
MÓDULO 7 Módulo VII: ANÁLISIS DE VARIANZA Trabajo grupal # 7 Ing. Carlos Pazmiño Castillo, MBA
53
Análisis de Varianza ANOVA
Su origen viene del uso que se le dio en la agricultura: tratamientos de fertilización. Comparación de 2 ó más poblaciones. Determina si las poblaciones estudiadas tienen o no las mismas medias. Ing. Carlos Pazmiño Castillo, MBA
54
Ing. Carlos Pazmiño Castillo, MBA
ANOVA: Elementos Las Unidades Experimentadas: Objetos que reciben el tratamiento. El Factor: Variable cuyo impacto en las unidades experimentadas se quiere probar. Los Tratamientos: Niveles del factor. Ing. Carlos Pazmiño Castillo, MBA
55
Ing. Carlos Pazmiño Castillo, MBA
ANOVA: Modelos Modelos de efectos fijos: Se seleccionan tratamientos específicos antes del estudio. Modelos de efectos aleatorios: Los tratamientos usados en el estudio se seleccionan aleatoriamente de una población de niveles posibles. Ing. Carlos Pazmiño Castillo, MBA
56
Ing. Carlos Pazmiño Castillo, MBA
ANOVA: Supuestos Todas las poblaciones involucradas son normales. Todas las poblaciones tienen la misma varianza. Las muestras se seleccionan aleatoriamente. Taller Nº 7 Ejemplo: Ing. Carlos Pazmiño Castillo, MBA
57
Ing. Carlos Pazmiño Castillo, MBA
Fórmulas Población Infinita para n> Población Finita Ing. Carlos Pazmiño Castillo, MBA
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.