Spelling suggestions: "subject:"series dde tiempo"" "subject:"series dee tiempo""
31 |
Estadística aplicada 2 (MA145), ciclo 2013-2Cuadros, Gonzalo, Cárdenas Solís, Celia, Ramírez Infante, Raúl, Tarazona, Enver 19 July 2013 (has links)
El curso de Estadística Aplicada 2 para estudiantes de Ingeniería Industrial e Ingeniería de Sistemas, comprende el estudio de diversos métodos de Estadística Inferencial que sirven de apoyo en el proceso de toma de decisiones a partir de información proveniente de las diferentes ramas de la ingeniería. Contenido: Muestreo -- Pruebas de hipótesis -- Uso de la distribución Ji Cuadrada -- Uso de la distribución Ji cuadrada -- Diseños experimentales -- Análisis de regresión lineal simple -- Regresión Múltiple -- Análisis -- Series de tiempo -- Método de Atenuación Exponencial.
|
32 |
Estadística Aplicada 2 (MA145), ciclo 2014-0Cuadros, Gonzalo, Cárdenas Solís, Celia, Ramírez Infante, Raúl, Tarazona, Enver 02 December 2013 (has links)
El curso de Estadística Aplicada 2 para estudiantes de Ingeniería Industrial e Ingeniería de Sistemas, comprende el estudio de diversos métodos de Estadística Inferencial que sirven de apoyo en el proceso de toma de decisiones a partir de información proveniente de las diferentes ramas de la ingeniería. Contenido: Muestreo -- Pruebas de hipótesis -- Uso de la distribución Ji Cuadrada -- Diseños experimentales -- Análisis de regresión lineal simple -- Regresión Múltiple -- Series de tiempo -- Método de Atenuación Exponencial.
|
33 |
Estadística Aplicada 2 (MA145), ciclo 2014-1Cuadros, Gonzalo, Cárdenas Solís, Celia, Ramírez Infante, Raúl 10 March 2014 (has links)
Este cuaderno de trabajo constituye un material de apoyo para el desarrollo del curso. El curso de Estadística Aplicada 2 se dicta para estudiantes de Ingeniería Industrial. Contenido: Pruebas de hipótesis -- Uso de la distribución Ji Cuadrada -- Diseños experimentales -- Análisis de regresión lineal simple -- Regresión Múltiple -- Series de tiempo -- Atenuación Exponencial -- Control estadístico de procesos.
|
34 |
Estadística Aplicada 2 (MA145), ciclo 2014-2Cárdenas, Celia, Aviles, Rafael, Melgar, Freud, Ramírez, Raúl 05 August 2014 (has links)
El curso de Estadística Aplicada 2 para estudiantes de Ingeniería Industrial e Ingeniería de Sistemas, comprende el estudio de diversos métodos de Estadística Inferencial que sirven de apoyo en el proceso de toma de decisiones a partir de información proveniente de las diferentes ramas de la ingeniería. Contenido: Muestreo -- Pruebas de hipótesis -- Uso de la distribución Ji Cuadrada -- Uso de la distribución Ji cuadrada -- Diseños experimentales -- Análisis de regresión lineal simple -- Regresión Múltiple -- Análisis -- Series de tiempo -- Método de Atenuación Exponencial.
|
35 |
[en] THE INFLUENCE OF THE SAMPLING INTERVAL IN THE LONG MEMORY ESTIMATION IN TIME SERIES / [es] INFLUENCIA DEL INTERVALO DE OBSERVACIÓN EN LA ESTIMACIÓN DE LA MEMORIA PROLONGADA / [pt] INFLUÊNCIA DO INTERVALO DE OBSERVAÇÃO NA ESTIMAÇÃO DA MEMÓRIA LONGALEONARDO ROCHA SOUZA 06 April 2001 (has links)
[pt] Esta tese de doutorado relaciona a estimação da
diferenciação fracionária, como medida de
memória longa, com o intervalo de tempo entre observações
contíguas de uma série temporal. Em
teoria, o grau de diferenciação é constante em relação à
diminuição da freqüência de observação, não
importando se para diminuir a freqüência de observação
ignore-se as observações intermediárias ou
agregue-se as observações temporalmente. Entretanto, para o
caso de se obter séries amostradas a uma
freqüência mais baixa através de se ignorar observações
intermediárias, observamos nesta tese, através
de simulações Monte Carlo, um corportamento diverso.
Quando se amostra toda n-ésima observação de uma série,
n>1, nota-se um considerável vício
de estimação do grau de diferenciação (ou parâmetro de
memória longa). O viés é em direção de zero,
sendo positivo para valores negativos do parâmetro de
memória longa e negativo para valores
positivos do parâmetro de memória longa, d. Para valores
positivos de d, o viés tem natureza
aproximadamente quadrática, diminuindo para valores de d
próximos de zero ou 0,5 e sendo mais
intenso para valores em torno de 0,25. Para valores
negativos de d, o viés é tal que a estimativa fica
sempre bem próxima de zero, ou seja, é da magnitude de d.
Ao considerarmos o efeito de aliasing (em que componentes
de período menor que o intervalo
de observação são observados como se tivessem freqüências
mais baixas) conseguimos fórmulas
heurísticas que explicam satisfatoriamente esse vício,
produzindo resultados bastante semelhantes ao
verificado nas simulações Monte Carlo.
Por outro lado, se a diminuição na freqüência de observação
é induzida por agregação
temporal, não há vício considerável na estimação, como
também mostramos atrvés de simulações
Monte Carlo.
Propõe-se nesta tese ainda uma maneira de melhorar a
estimação da memória longa através da
combinação de estimativas da série amostrada a diferentes
freqüências. Em alguns casos, consegue-se
reduções de até 30% no desvio-padrão da estimativa
combinada em relação à original, sem causar viés
significativo. / [en] This thesis investigates the relationship between the
estimation of the fractional integration, as a measure of
long memory, and the time interval between observations of
a time series. In theory, the fractional integration is
invariant to the frequency of observation. However, skip-
sampling induces a considerable bias in the estimation, as
shown by Monte Carlo simulations. The aliasing effect
explains the bias and suggests formulas for it, which yield
results very close to the simulated ones. On the other
hand, temporal aggregation does not induce relevant bias to
the long memory estimation. In addition, a combination of
estimates from the same data sampled at different rates is
proposed, achieving in some cases reduction of 30% in the
root mean squared estimation error. / [es] Esta tesis de doctorado relaciona la estimación de la
diferenciación fraccionaria, como medida de memoria
prolongada, con el intervalo de tiempo entre observaciones
contíguas de una serie de tiempo. En teoría, el grado de
diferenciación es constante en relación a la disminución de
la frecuencia de observación, sin importar que para
disminuir la frecuencia de observación se ignoren las
observaciones intermedias o se agreguen observaciones
temporalmente. Sin embargo, en esta tesis se observa, a
través de simulaciones Monte Carlo, un comportamiento
diverso en el caso de obtener series muestreadas a una
frecuencia más baja ignorando observaciones intermedias.
Cuando se muestrea la n-ésima observación de una serie,
n>1, se nota un considerable sesgo de estimación del grado
de diferenciación (o parámetro de memoria longa). El sesgo
está en dirección de cero, siendo positivo para valores
negativos del parámetro de memoria prolongada y negativo
para valores positivos del parámetro de memoria prolongada,
d. Para valores positivos de d, el sesgo tiene una
naturaleza aproximadamente cuadrática, disminuyendo para
valores de d próximos de cero o 0,5 y siendo más intenso
para valores en torno de 0,25. Para valores negativos de d,
el sesgo es tal que la estimativa está siempre bien próxima
de cero, o sea, es de la magnitude de d. Al considerar el
efecto de aliasing (en que componentes de período menor que
el intervalo de observación son observados como se tuvieran
frecuencias más bajas) conseguimos fórmulas heurísticas que
explican satisfactoriamente ese sesgo, produciendo
resultados bastante semejantes a los obtenidos en las
simulaciones Monte Carlo. Por otro lado, si la disminución
en la frecuencia de observación se induce por agregación
temporal, no hay sesgo considerable en la estimación, como
también mostramos a través de simulaciones Monte Carlo. Se
propone en esta tesis una forma de mejorar la estimación de
la memoria prolongada a través de la combinación de
estimativas de la serie amostrada a diferentes frecuencias.
En algunos casos, se consiguen reducciones de hasta 30% en
la desviación estándar de la estimativa combinada en
relación a la original, sin causar sesgo significativo.
|
36 |
[en] STATISTICAL MODEL FOR PREDICTING THE SUPPLY OF HIGHER EDUCATION: 2015-2035 / [es] MODELO ESTADÍSTICO PARA LA PROYECCIÓN DE OFERTA DE EDUCACIÓN SUPERIOR: 2015-2035 / [pt] MODELO ESTATÍSTICO PARA A PROJEÇÃO DA OFERTA DE ENSINO SUPERIOR: 2015-2035CLARENA PATRICIA ARRIETA ARRIETA 03 October 2018 (has links)
[pt] Segundo o INEP/MEC, nos últimos 20 anos, o número de matrículas da educação superior de graduação no Brasil cresceu mais de duas vezes, com uma taxa de crescimento anual verificada a partir de 2001 em torno de 5,7 por cento ao ano. Ainda segundo esta instituição, em 2008 houve o ingresso de 1.505.819
novos estudantes nos cursos presenciais, ao mesmo tempo em que 1.479.318 vagas não foram ocupadas, sendo que 54,6 por cento do total de vagas ofertadas pelo setor privado. Tendo em conta que São Paulo é o maior estado do Brasil, é muito importante que o Ministério da Educação tome conhecimento de como
se dará a dinâmica da oferta de educação superior nos próximos 20 anos para que suas ações (políticas públicas, sobretudo) possam ser realizadas com êxito. O objetivo deste trabalho é aplicar modelagem estatística para estimar a oferta do ensino superior do Estado de São Paulo no período de 2015 a 2035, considerando dados da INEP de educação superior. A motivação para este trabalho é melhorar o planejamento da oferta de curso superior e fazer a replicação do modelo preditivo para outros estados do Brasil. A metodologia usada é modelagem estatística (modelos de regressão linear) e séries temporais
(Holt). Como resultado, têm-se as áreas e/os cursos onde o governo federal deve investir no futuro aprimorando seu planejamento. / [en] According to INEP/MEC, in the last 20 years, the number of
undergraduate higher education enrollments in Brazil has grown more than
twice, with an annual growth rate of 5,7 percent per year since 2001. According
to this institution, in 2008 there were 1.505.819 new students enrolled in
presential courses, while 1.479.318 vacancies were not filled, with 54.6 percent of the
total number of vacancies offered by the private sector. Given that São Paulo is
the largest state in Brazil, it is very important that the Ministry of Education
becomes aware of the dynamics of the offer of higher education in the next 20
years so that its actions (mainly public policies) can be successfully executed.
The objective of this study is to apply statistical modeling to estimate the
offer of higher education in the State of São Paulo in the period from 2015
to 2035, considering data from INEP about higher education. The motivation
for this work is to improve the planning of the offer of higher education and
to replicate the predictive model for other Brazilian states. The methodology
used concerns statistical modeling (linear regression models) and time series
(Holt). As a result, it is obtained the areas and/or courses where the federal
government should invest in the future, improving its planning. / [es] Según el INEP/MEC, en los últimos 20 años, el número de matrículas de educación superior en Brasil creció más de dos veces, con una tasa de crecimiento anual verificada a partir de 2001 en torno al 5,7 por ciento por año. Según esta institución, en 2008 hubo un ingreso de 1.505.819 nuevos estudiantes en los cursos presenciales, al mismo tiempo que 1.479.318 vacantes no fueron ocupadas, siendo el 54,6 por ciento del total de vacantes ofrecidas por el sector privado. Dado que São Paulo es el mayor estado de Brasil, es muy importante que el Ministerio de Educación tome conocimiento de cómo se dará la dinámica de la oferta de educación superior en los próximos 20 años para que sus acciones (políticas públicas, sobre todo) puedan realizarse con éxito. El objetivo de este trabajo es aplicar modelos estadísticos para estimar la oferta de educación superior del Estado de São Paulo en el período de 2015 a 2035, considerando datos de INEP de educación superior. La motivación para este trabajo es mejorar la planificación de la oferta de curso superior y hacer replicación del modelo predictivo para otros estados de Brasil. La metodología utilizada es
modelos estadístico (modelos de regresión lineal) y series tiempo (Holt). Como resultado, se tienen las áreas y/o cursos donde el gobierno federal debe invertir en el futuro mejorando su planificación.
|
Page generated in 0.0481 seconds