Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1ensayo 39-1 PDF
1ensayo 39-1 PDF
Abstract
Rsum
Introduccin
La respuesta empresarial en una economa global requiere rapidez y
eficiencia en la toma de decisiones dada la exacerbada competencia
provocada por la integracin de mercados y el desarrollo tecnolgico
(comunicacin, electrnica e informtica). En este panorama, para que
la decisin sea efectiva, debe ser racional.
Los fines u objetivos de la empresa pueden ser mltiples, mantener
competitividad, absorber nuevos segmentos de mercados, modernizarse,
etc. Para lograr lo anterior se debe de interpretar de manera operativa
a la empresa mediante la consecucin de valores aadidos en sentido
financiero, que se relacionan con la rentabilidad-seguridad y la solvenciaestabilidad, que se derivan de las razones financieras o comparacin
por cociente de valores con significado para la empresa que sirven para
la toma de decisiones. El anlisis con base en razones tambin puede
utilizarse para determinar probabilidades y tendencias; sealar los puntos
* Profesores Investigadores de la
Universidad Tecnolgica de la
Mixteca
vol. 13
nmero 39
pp 3 - 12
Yi = xit + i ,
xi
se denomina
es decir,
Yi = 1 , y el
Yi = 0 .
Yi
se puede
Yi = 1
Yi = {0,1}, y se pretende
prximos a uno).
x i , un vector de dimensin k.
E (Yi | xi ) = xit
Yi = 1 y
Yi
Yi = 0 .
es
Yi ~ Ber ( Pi ) ,
1- Pi es la probabilidad de que
La distribucin de
E ( i ) = 0 .
(1)
donde
f ( y i ) = Pi yi (1 Pi )1 yi
Ensayos
para yi =0,1.
Yi = 1 , i = 1 xit y cuando Yi = 0 ,
i = xit , entonces no podemos suponer que los
cuando
(2)
E (Yi | xi ) = Pi
Aunque
E ( i ) = 0 y E ( i j ) = 0 para i j , no se
Yi .
Yi
0 P(Yi ) 1
0 P(Yi )
Pi
1 xit
adems,
Probabilidad
1- Pi
xit
P(Yi = y i ) + P(Yi y i ) = 1
Por definicin
entonces
Var ( i ) = E [ i E ( i )]
P(Yi = y i ) = 1 P(Yi y i )
= E[ i2 2 i E ( i ) + E 2 ( i )] = E ( i2),
),
0 P(Yi y i ) ,
por lo tanto
E ( i2 ) = 12 P ( 1 ) + 22 P ( 2 ) ,
P(Yi = y i ) 1 .
pero
Yi
dado
xi
= ( xit ) 2 (1 Pi ) + (1 xit ) 2 Pi
0 E (Yi | xi ) 1 .
E ( i2 ) = ( x it )( 1 x it ) x it + 1 x it
= ( x it )( 1 x it )
por lo tanto
= Pi (1 Pi )
los
Yi ,
depende
i = Yi xit
0 E (Yi | xi ) 1
Dado que
E (Y | x)
Yi , los
E (Y | x) , cumplan necesariamente
estimadores de
Yi
= 0 + 1 x1 + 2 x 2 = x t
al intervalo [0,1].
Yi
se encuentran
entre 0 y 1
Pi ( i ) = F ( xit )
b) Disear una tcnica de estimacin que garantice que las probabilidades condicionales
estimadas estn entre 0 y 1.
D. Valor cuestionable del R2 como medida de la
en donde
F ()
y rango [0,1].
Yi = F ( xit ) + i ,
con
i = E (Yi | xi ) F ( xit ) .
Pi = E (Y = 1 | x)
x , lo cual implica que el
Pi = E (Y = 1 | x)
F ( xit ) :
F () ?
F () .
F () como la distribucin
1
i = ( x ) =
2
t
i
xit
Z2
dZ
Z ~ N (0,1) .
i = ( xit ) 1 ( ) = xit .
()
se produce el
i = ( xit ) =
xit
In
ln i = Inln 1 + e
1
1 i
1 1 x t
1+ e i
e xi
1+ e xit
= Inln 1
1+ e xit
1
t
1 + e xi
e xi
dZ
= ln(e xi ) = xit
1 + e xi
normal y logstica.
i
1
i
i =1
Yi
[ ( )] [1 (x )]
L= x
t
i
t
i
1Yi
valores extremos, 0 y 1.
es, simplemente,
( xit )
dependiendo de que
1 ( xit ) ,
. Por tanto,
In
ln
L = Yi In
ln ( xit ) + (1 Yi ) In
ln 1 ( xit )
i =1
, se
tienen que
n
n
f ( xit )
f ( xit )
ln L
= Yi
+
(
1
)
x
Y
= 0 una variable dependiente que no es cuantitativa,
i
i
( xit )
1 ( xit )
i =1
i =1
es decir, no tiene un valor concreto, sino que es
f ( xit ) = ( xit )
donde
o, equivalentemente
n
i =1
Yi ( x )
f ( xit ) xi = 0
t
t
( xi ) 1 ( xi )
t
i
1
Yi =
0
travs de la ecuacin:
L=
F ( x ) [1 F ( x )] =
t
i
t
i
Yi =1
Yi = 0
i =1Yi ( xit )
n
(1 + e )
n
xit
i =1
Yi = xit +
o, lo que es lo mismo:
In
ln
i =1
i =1
L = Yi ( xit ) Ln
L
n (1 + e xi )
n
= (Yi x ) L
n (1 + e
i =1
(Y = 1) = xit
t
i
xit
y denotando por
Zt =
se tiene:
Yi xit
In
ln
L=Z
t
i =1
Ln
L
n
(1 + e
xit
),
i =1
Yi = 1 + 2 x1i + 3 x 2i + i
n
y,
x e
i
xit
ln L
= Z Lni =1 xt = 0 .
1+ e i
donde:
x1i
Ensayos
x 2i
Yi
existencia de liquidez
es una variable estocstica.
2 y
de autocorrelacin.
sustentar la validez:
A. Estimaciones no acotadas
se muestra en la figura 2.
i = Pi (1 Pi )
White Heteroskedasticity Test:
F-statistic
Obs*R-
se produce lo siguiente:
squared
8.489506
Probability
0.0001299
18.08668
Probability
0.001187
explicativas pa y ventas.
distribuye segn
Series: RESID
Sample 1999:1 2007:1
Observations 33
8
7
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6
5
4
3
2
Jarque-Bera
Probability
1
0
-0.6
-0.4
-0.2
0.0
0.2
0.4
2.86E-17
-0.018978
0.585091
-0.503184
0.272449
0.596590
2.975031
1.958416
0.375609
0.6
10
Ensayos
con dos
) es
un buen modelo.
t
t
t
( y xi ) ( y xi )
2
R = 1
n
( yi y) 2
i =1
1 ( i ) = 2.709290 + 1.60
1.60 E 0.6 * vtas
por lo tanto
i = (2.709290 + 1.60
1.60 E 0.6 * vtas )
4. Conclusiones
son:
e(-4.604140+1.7E-06*vtas)
log itit ( i ) = e ((-4.604140+1.7E-06*vtas)
11+
+ ee 4.604140+1.7 E 06 *vtas )
11
Bibliografa
Akaike, H
1973
Kiada: Budapest.
Finney, D.J.
1971
Gujarati, D. N.
1995
Intriligator, M.D.
1990
M o de lo s E co n o m t r ico s, T cn ica s y
S.A. Mxico.
Lawrence J. Gitman
2003
Novales, A.
1993
2000
Pulido, A.
1989
12
Ensayos