Valoración del riesgo de demanda. Expositor: Ec. Marcelo Pérez

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

Download "Valoración del riesgo de demanda. Expositor: Ec. Marcelo Pérez"

Transcripción

1 Valoración del riesgo de demanda Expositor: Ec. Marcelo Pérez México DF, Abril 2014

2 CONTENIDO Procesos estocásticos Valoración del riesgo de demanda Análisis de demanda 2

3 PROCESOS ESTOCÁSTICOS 5 0 Ruido blanco (White noise) x(t ) White noise Random walk t Estacionaria Paseo aleatorio (Random walk) No estacionaria

4 y t = y t-1 + u t u t ~ iid(0,σ 2 ) x t = x t-1 + v t v t ~ iid(0,σ 2 ) Two Random Walks RW1 RW2

5 PRIMERA DIFERENCIA (TC t - TC t-1 ) RW con Tendencia () 0,2 0,15 0,1 0,05 0-0, ,1

6 MOVIMIENTO BROWNIANO En el año 1827 el Botánico Escocés, Robert Brown observó movimiento aleatorio de granos de polen suspendidos en agua. Inicialmente pensaba que se debía al hecho que los granos tenían vida. Este movimiento se llama Movimiento Browniano En el año 1905, una de las tres publicaciones de Einstein tenía el título Sobre el movimiento de partículas pequeñas suspendidas en líquidos estacionarios requerido por la teoría cinética del calor. En este artículo propuso una prueba de su teoría. El dijo que si unas partículas pequeñas se suspenden en un líquido, las partículas se moverán en una forma errática y aleatoria

7 El movimiento Browniano se debe al choque de la partícula mas grande (por ejemplo el grano de polen en el experimento original de Brown) por los átomos y moléculas del gas o líquido en que esta se encuentra. La teoría de Einstein era tan impresionante porque fue capaz de calcular algunas consecuencias del movimiento browniano, como por ejemplo el desplazamiento promedio de la partícula grande como función del tiempo (varía como la raíz del tiempo)

8 PROCESOS ESTOCÁSTICOS PARA VALORACIÓN DE RIESGOS Modelo Browniano Geométrico ρ i,t = ρ 0 exp μ σ2 2 t + σb i,t Modelo en Tasa de Crecimiento i ρ i,t = ρ 0 j=1 1 + B j,t 8

9 MOVIMIENTO BROWNIANO GEOMÉTRICO ρ i,t = ρ 0 exp μ σ2 2 t + σb i,t Cuando se tenga evidencia que la variable a modelar crece exponencialmente con el tiempo, se procede a modelarlo mediante el Movimiento Browniano Geométrico. Suponiendo que cualquier obra de infraestructura se diseña y licita para que su saturación o congestión ocurran, en este caso, al final de cada período de concesión, el factor de descuento atenúa el crecimiento final y la aproximación a variables como tráfico es razonable. 9

10 MODELO EN TASA DE CRECIMIENTO ρ i,t = ρ 0 i j=1 1 + B j,t Se asume un valor para la elasticidad, de tal manera que sea posible predecir los ingresos de la demanda a través de la proyección del crecimiento del PIB. Se asumirá que la elasticidad de los ingresos es igual a 1. Dado la distribución de probabilidad de la tasa de crecimiento del PIB, por medio del método de Montecarlo se obtiene una tasa de crecimiento del PIB (λ PIB ) y por lo tanto una tasa de crecimiento de los ingresos de demanda (ρ), dado que: ρ j = η λ j 10

11 Geometric Brownian Motion S S t t S t S t S La variable S representa el cambio en el valor del activo subyacente S en un intervalo de tiempo t. La expresión es una variable aleatoria estandarizada Normal (0,1). es la tasa de retorno esperada (media) por unidad de tiempo del activo subyacente. El parámetro es la volatilidad del valor del activo subyacente. Activos subyacentes: tasa de interés, precios de las materias primas, metales y metales preciosos, tipo de cambio, entre otros.

12 Geometric Brownian Motion S S t t S t S t S

13 Ejercicio de determinación de Simulación de Montecarlo para la trayectoria del valor del activos subyacente Supongamos que el retorno esperado del valor del activo es 14% por año y la desviación estándar del retorno es igual a 20% por año t 0.01 (3.65) S t S t S S S S S S S

14 VALORACIÓN DEL RIESGO 14

15 VALORACIÓN DEL RIESGO DE LA DEMANDA Para la valoración del riesgo de la demanda, se compara los perfiles de los ingresos estimados con respecto al perfil de los ingresos modelados. Donde, se considerará la desviación por debajo de los ingresos estimados, es decir, el riesgo. Desde el punto de vista del inversionista, el riesgo es la probabilidad de perder dinero (o de obtener menos de lo estimado). 15

16 INGRESO ESTIMADOS Para la cuantificación del valor del riesgo de demanda se considera los Ingresos Estimados (Ingresos de Terceras Fuentes ) del proyecto, para un periodo dado T, el cual puede ser representado como una secuencia de los ingresos iniciales I 0 a una tasa de crecimiento ρ 0 : T I 0 ρ 0 T I k = I ρ i k 0 16 k=1 : Ingresos iniciales estimados : Tasa de crecimiento de los Ingresos Estimados : Número de períodos del proyecto

17 EVOLUCIÓN DE LOS INGRESOS ESTIMADOS 17

18 INGRESOS MODELADOS El perfil de los ingresos modelados se calcula mediante la siguiente expresión: T i I = I ρ i,t i=1 t=1 ρ i,t : Tasa estocástica al año t en la i-ésima simulación. A partir de este expresión se puede estimar el perfil de ingresos para todo el horizonte del proyecto. De tal manera, si el periodo establecido para un proyecto es T años, entonces estos deben de ser comparados con el perfil de ingresos estimados a la tasa ρ 0 18

19 OBSERVACIÓN Para efectos de la valoración del riesgo de la demanda, se asume que el grado de aversión al riesgo del gobierno es mayor que en el caso de los riesgos de sobrecosto, porque los riesgos de demanda ocurren durante todo el período del contrato, por consiguiente, son de largo plazo. Que 19

20 COMPARACIÓN DE LOS INGRESOS ESTIMADOS Y LOS INGRESOS MODELADOS E CRI = I m T 0 m k=1 i=1 max i 1 + ρ k i 0 j=1 1 + r i k 1 + ρ j,ik, 0 E CRI : Costo del Riesgo de los Ingresos Esperados I 0 ρ 0 ρ j,ik T : Ingresos iniciales estimados : Tasa de crecimiento del PIB correspondiente al período de evaluación : Tasa de crecimiento para el año j, del período i en la simulación k. : Período del proyecto m : Número de simulaciones o iteraciones de Montecarlo 20

21 COMPARACIÓN DE LOS INGRESOS ESTIMADOS Y LOS INGRESOS MODELADOS Detalle de la comparación de los perfiles de ingreso: ε 1 ε 2 ε 3 ε T MBG ρ 1,k ρ 2,k ρ 3,k ρ T,k I 0 max 1 + ρ ρ 1,k, 0 I 0 max I 0 max I 0 max 1 + ρ j=1 1 + ρ j,k, ρ j=1 1 + ρ j,k, ρ 2 T 0 j=1 1 + ρ j,k, 0 E CRI 1 E CRI 2 E CRI 3 E CRI T 21

22 COMPARACIÓN ENTRE LOS INGRESOS ESTIMADOS Y INGRESOS MODELADOS La comparación de los Ingresos Modelados (IM) y los Ingresos Estimados (IE), a menudo se le conoce como una garantía, la cual tiene la siguiente interpretación: Si IM<IE la entidad pública contratante paga al contratista la suma IE-IM. Es decir, el contratista es dueño de una Opción de Venta de sus deudas con respecto al IE. 22

23 ANÁLISIS DE LA DEMANDA 23

24 VALOR ESPERADO DEL COSTO DEL RIESGO DE LOS INGRESOS E CRIN El grado de aversión al riesgo del gobierno es mayor que en el caso de los riesgos de sobrecostos, que de manera principal ocurren en la etapa de construcción del proyecto, ya que los riesgos de demanda ocurren durante todo el período del contrato, y por lo tanto son de largo plazo. Por lo tanto, el costo del riesgo es un valor igual al máximo valor entre de la diferencia de las expresiones y cero : m E CRIN = I 0 m k=1 T i=1 24 max 1 + ρ i k i 0 j=1 1 + r i k 1 + ρ j,ik, 0

25 COSTO DE RIESGO DE DEMANDA E CRIN = I m 0 m k=1 T i=1 max i 1 + ρ k i 0 j=1 1 + r i k 1 + ρ j,ik, 0 E CRIN I 0 ρ 0 ρ j,ik T m : Valor esperado del costo del riesgo de los ingresos de terceras fuentes del proyecto : Ingresos anuales que percibirá el sector público en el periodo 0 de la evaluación : Tasa de crecimiento del PIB correspondiente al período de presentación del Comparador : Tasa de crecimiento obtenida por el método de Monte Carlo para el año j, del período i en la simulación k. : Período del proyecto : Número de simulaciones o iteraciones de Monte Carlo 25

26 MODELACIÓN DE RIESGO DE LA DEMANDA Modelación del E CRIN 26

Análisis de Riesgo en APP

Análisis de Riesgo en APP TALLER DE INDUCCIÓN EN ANÁLISIS COSTO-BENEFICIO PARA PROYECTOS DE ASOCIACIONES PÚBLICO-PRIVADAS Análisis de Riesgo en APP Expositor: Heinz Roque MSc hroque@ikonscorp.com México DF, Abril 2014 VALOR POR

Más detalles

PASEO ALEATORIO. MOVIMIENTO BROWNIANO

PASEO ALEATORIO. MOVIMIENTO BROWNIANO PASEO ALEATORIO. MOVIMIENTO BROWNIANO Jorge Estévez Grupo ER El movimiento browniano es el movimiento aleatorio que se observa en algunas partículas microscópicas que se hallan en un medio fluido (por

Más detalles

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria

Más detalles

Cálculo estocástico: una introducción

Cálculo estocástico: una introducción Departamento de Matemática y Estadística Universidad Politécnica de Cartagena Murcia, Marzo 2010 Guión 1 Movimiento Browniano Reseñas históricas Modelización y propiedades básicas. 2 Integrales estocásticas

Más detalles

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria

Más detalles

Capacitación Opciones Valoración

Capacitación Opciones Valoración Capacitación Opciones Valoración Juego de Probabilidades En el juego de la Roulette, el derecho de escoger un número cuesta $1. Existen 38 números disponibles, es decir 38 oportunidades. Si al jugar, mi

Más detalles

TEORÍA DE PORTAFOLIOS

TEORÍA DE PORTAFOLIOS TEORÍA DE PORTAFOLIOS Jorge Fregoso Lara 1. Introducción La mayoría de los instrumentos financieros tienen rendimientos inciertos, por lo que son activos riesgosos. El principal problema que enfrenta un

Más detalles

Ingeniería en Instrumentos Derivados. Opciones 1

Ingeniería en Instrumentos Derivados. Opciones 1 Ingeniería en Instrumentos Derivados Opciones 1 Alvaro Díaz Valenzuela Dottore in Matematica Magíster en Ciencias de la Ingeniería 12 de noviembre de 2010 Índice Opciones Definiciones Estrategias con Opciones

Más detalles

El manejo de la contabilidad gubernamental de pasivos contingentes: La experiencia de Perú

El manejo de la contabilidad gubernamental de pasivos contingentes: La experiencia de Perú CUARTO ENCUENTRO TÉCNICO EN MATERIA ESTRUCTURACIÓN DE PROYECTOS DE ASOCIACIÓN PÚBLICO-PRIVADA El manejo de la contabilidad gubernamental de pasivos contingentes: La experiencia de Perú Carlos Casas Tragodara

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

Distribuciones de probabilidad Discretas

Distribuciones de probabilidad Discretas Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene

Más detalles

Pérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.

Pérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado. Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento

Más detalles

Procesamiento de la Señal

Procesamiento de la Señal Filtrado I: Ruido 8 de abril de 2013 Repaso: Teoría de la Información La teoría de la información tiene por objeto la determinación de la manera más eciente de codicar un mensaje para su correcta entrega

Más detalles

1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva... 16

1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva... 16 ÏNDICE Indice... 3 Prólogo... 11 Capítulo 1 14 1.1. Introducción... 16 1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva.... 16 1.2.1. La gestión activa.... 17

Más detalles

FINANZAS CORPORATIVAS

FINANZAS CORPORATIVAS FINANZAS CORPORATIVAS RIESGO Y RENDIMIENTO JOSÉ IGNACIO A. PÉREZ HIDALGO Licenciado en Ciencias en la Administración de Empresas Universidad de Valparaíso, Chile TOMA DE DECISIONES Certeza: resultado real

Más detalles

COMPORTAMIENTO DE SISTEMAS MACROSCOPICOS

COMPORTAMIENTO DE SISTEMAS MACROSCOPICOS COMPORTAMIENTO DE SISTEMAS MACROSCOPICOS Estimaciones numéricas de n, ε, v, l. Procesos reversibles e irreversibles (entropía) FI2004-1, Sr. L. Campusano: Marzo, 2009 Astrónomos utilizan las escalas de

Más detalles

Instituto de Matemática Aplicada del Litoral

Instituto de Matemática Aplicada del Litoral PROBLEMAS DE BARRERA EN PROCESOS ESTOCÁSTICOS Ernesto Mordecki http://www.cmat.edu.uy/ mordecki mordecki@cmat.edu.uy Facultad de Ciencias Montevideo, Uruguay. Instituto de Matemática Aplicada del Litoral

Más detalles

Simulación a Eventos Discretos. Clase 8: Análisis de resultados

Simulación a Eventos Discretos. Clase 8: Análisis de resultados Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.

Más detalles

Clase 3B: Modelo RBC en Dynare

Clase 3B: Modelo RBC en Dynare Macrodinámica I Junio - Agosto 2015 Bosquejo de la clase I 1 2 3 El modelo El modelo en Función Impulso Respuesta (IRFs) Que es? Que es? es un pre-procesador y colección de rutinas de Matlab, el cual resuelve,

Más detalles

El Movimiento Browniano en la modelización del par EUR/USD

El Movimiento Browniano en la modelización del par EUR/USD MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés

Más detalles

Procesos estocásticos. Definición

Procesos estocásticos. Definición Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier

Más detalles

PROCESOS ESTOCÁSTICOS: S: EL PROCESO DE WIENER

PROCESOS ESTOCÁSTICOS: S: EL PROCESO DE WIENER PROCESOS ESTOCÁSTICOS: S: EL PROCESO DE WIENER Universidad Complutense de Madrid Juan Mascareñas Universidad Complutense de Madrid Versión inicial: marzo 2008 - Última versión: abril 2013!!!"#$"%&'()*'"+)",-).)&!"#"

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

FINANCIEROS MODELOS. Programa de la Materia FINANCIEROS 05/08/2013. Daniel Semyraz. Unidad 3 ADMINISTRACIÓN DEL RIESGO

FINANCIEROS MODELOS. Programa de la Materia FINANCIEROS 05/08/2013. Daniel Semyraz. Unidad 3 ADMINISTRACIÓN DEL RIESGO Daniel Semyraz Licenciado en Economía - Magíster en Dirección de Empresas Bea tri z Ga l i nd o 1817 - Bº Va l l e d el C erro - X5009KMG C órd ob a T.E.: ++54 +351 4823040 / ++54 +9351 (15)6603185 - e-mail:

Más detalles

MODELO DSGE - REAL BUSINESS CYCLE (RBC)

MODELO DSGE - REAL BUSINESS CYCLE (RBC) MODELO DSGE - REAL BUSINESS CYCLE (RBC PERCY HUAMÁN PALOMINO June 12, 214 La macroeconomía moderna sigue avanzando a grandes pasos, cada vez que surgen nuevas crísis, nacen teorías o mejoran los modelos

Más detalles

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo

Más detalles

MOVIMIENTO BROWNIANO Rosario Romera Febrero 2009

MOVIMIENTO BROWNIANO Rosario Romera Febrero 2009 1 MOVIMIENTO BROWNIANO Rosario Romera Febrero 2009 1. Historia En 1827, el botánico Robert Brown (1773-1858) observó, a través del microscopio que pequeñísimas partículas, originadas a partir de granos

Más detalles

Movimiento Browniano o proceso de Wiener

Movimiento Browniano o proceso de Wiener 1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),

Más detalles

ESTADOS Y FLUJOS ECONÓMICOS Y FINANCIEROS 7. Contenido PARTE I. RENTABILIDAD ECONÓMICA Y FINANCIERA

ESTADOS Y FLUJOS ECONÓMICOS Y FINANCIEROS 7. Contenido PARTE I. RENTABILIDAD ECONÓMICA Y FINANCIERA ESTADOS Y FLUJOS ECONÓMICOS Y FINANCIEROS 7 Contenido PRESENTACIÓN 17 INTRODUCCIÓN 19 PARTE I. RENTABILIDAD ECONÓMICA Y FINANCIERA CAPÍTULO 1. Estados y flujos económicos y financieros 25 01. El caso de

Más detalles

Probabilidad Condicional. Teorema de Bayes para probabilidades condicionales:

Probabilidad Condicional. Teorema de Bayes para probabilidades condicionales: Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Variables aleatorias Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es

Más detalles

UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD

UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.

Más detalles

Dinámica poblacional. Caso: Una población

Dinámica poblacional. Caso: Una población Dinámica poblacional. Caso: Una población Jesús López Estrada última revisión Febrero de 25 Resumen Se estudía la evolución del crecimiento de una población bajo distintos supuestos de modelación, lo que

Más detalles

Esperanza Condicional

Esperanza Condicional Esperanza Condicional Podemos obtener la esperanza de una distribución condicional de la misma manera que para el caso unidimensional: 129 Caso 2 v.a. discretas X e Y: Caso 2 v.a. continuas X e Y: Percentiles

Más detalles

Introducción a riesgo e incertidumbre

Introducción a riesgo e incertidumbre Introducción a riesgo e incertidumbre Dos Conceptos: Riesgo:» Información de naturaleza aleatórea, las probabilidades de ocurrencia de eventos son conocidas. Incertidumbre:» Las probabilidades de ocurrencia

Más detalles

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo

Más detalles

Unidad Temática 3: Probabilidad y Variables Aleatorias

Unidad Temática 3: Probabilidad y Variables Aleatorias Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento

Más detalles

Caracterización de la incertidumbre del precio futuro del cobre

Caracterización de la incertidumbre del precio futuro del cobre USc/lb Caracterización de la incertidumbre del precio futuro del cobre La incertidumbre en un modelo de programación estocástica debe tener la estructura de árbol de escenarios, como se muestra en la Figura

Más detalles

1.1. Distribución exponencial. Definición y propiedades

1.1. Distribución exponencial. Definición y propiedades CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -

Más detalles

Notas de clase Economía Internacional. Determinación de la cuenta corriente Parte de mayo 2009

Notas de clase Economía Internacional. Determinación de la cuenta corriente Parte de mayo 2009 Notas de clase Economía Internacional Determinación de la cuenta corriente Parte 2 20 de mayo 2009 1. Dinámica comparativa (Análisis de shocks a la CC El problema de optimización dado por (5 se puede resolver

Más detalles

Variables Aleatorias y Principios de Simulación.

Variables Aleatorias y Principios de Simulación. Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos

Más detalles

Probabilidad Condicional

Probabilidad Condicional Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:

Más detalles

Técnicas de Predicción Solución Examen Final

Técnicas de Predicción Solución Examen Final Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas

Más detalles

El momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,

El momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir, 1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo

Más detalles

Funciones generadoras de probabilidad

Funciones generadoras de probabilidad Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados

Más detalles

CBR RIESGOS TÉCNICOS. AP y SALUD. Superintendencia de Valores y Seguros. 8 de Abril de 2014

CBR RIESGOS TÉCNICOS. AP y SALUD. Superintendencia de Valores y Seguros. 8 de Abril de 2014 CBR RIESGOS TÉCNICOS AP y SALUD Superintendencia de Valores y Seguros 8 de Abril de 2014 CBR Riesgos Técnicos Los riesgos técnicos se refieren fundamentalmente a las potenciales pérdidas que las aseguradoras

Más detalles

Rendimiento de un activo

Rendimiento de un activo Rendimiento de un activo Es la ganancia o pérdida total que experimenta el propietario de una inversión en un periodo de tiempo específico. Se obtiene como el cambio en el valor del activo más cualquier

Más detalles

Fundamentos para la inferencia. Estadística Prof. Tamara Burdisso

Fundamentos para la inferencia. Estadística Prof. Tamara Burdisso Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una

Más detalles

Procesos de Poisson. 21 de marzo, FaMAF 1 / 25

Procesos de Poisson. 21 de marzo, FaMAF 1 / 25 Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial

Más detalles

Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica:

Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica: Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente

Más detalles

Índice general. Lista de símbolos. Índice de figuras. Índice de tablas

Índice general. Lista de símbolos. Índice de figuras. Índice de tablas Índice general Lista de símbolos Índice de figuras Índice de tablas XVII XIX XXI 1. Introducción 1 1.1. Motivación............................ 1 1.2. Objetivos............................. 2 1.2.1. Objetivo

Más detalles

Manual de Prácticas de Laboratorio de [ECOLOGIA] [UNIDAD II] Página Crecimiento poblacional: Modelos de crecimiento poblacional.

Manual de Prácticas de Laboratorio de [ECOLOGIA] [UNIDAD II] Página Crecimiento poblacional: Modelos de crecimiento poblacional. [UNIDAD II] Página 33.5. Crecimiento poblacional: Modelos de crecimiento poblacional. La ausencia de evidencia no es evidencia de ausencia.5.1. Introducción Carl Sagan Las poblaciones silvestres de plantas

Más detalles

Distribución Chi (o Ji) cuadrada (χ( 2 )

Distribución Chi (o Ji) cuadrada (χ( 2 ) Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably

Más detalles

Percentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:

Percentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función

Más detalles

Movimiento Browniano Comentarios históricos

Movimiento Browniano Comentarios históricos Capítulo 2 Movimiento Browniano En este capítulo presentamos los conceptos básicos asociados al movimiento Browniano. Estos conceptos van a ser útiles para el desarrollo de los capítulos posteriores. 2.1.

Más detalles

PRÁCTICA 4: TEORÍA DE COLAS

PRÁCTICA 4: TEORÍA DE COLAS I.T. INFORMÁTICA DE GESTIÓN Departamento de Estadística Asignatura: Investigación Operativa Curso: 2007/2008 Relación número 4 de prácticas PRÁCTICA 4: TEORÍA DE COLAS Las largas colas de espera en los

Más detalles

Modelo de Greenwood, Hercowitz y Huffman

Modelo de Greenwood, Hercowitz y Huffman Macrodinámica I Junio - Agosto 2015 Outline 1 2 3 Household Firm Condición de equilibrio y choque Ecuaciones principales del modelo 4 5 6 7 I 1 El paper se basa en la perspectiva de Keynes sobre la fuente

Más detalles

Ms. C. Marco Vinicio Rodríguez

Ms. C. Marco Vinicio Rodríguez Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:

Más detalles

Capítulo 5 Introducción a la Elaboración Proyecciones Financieras

Capítulo 5 Introducción a la Elaboración Proyecciones Financieras Capítulo 5 Introducción a la Elaboración Proyecciones Financieras Objetivo Identificar los principios que rigen la proyección financiera, así como los criterios que se utilizan para la elaboración de flujos

Más detalles

Distribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides

Distribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico

Más detalles

5. Movimiento Browniano y caminatas al azar.

5. Movimiento Browniano y caminatas al azar. Física ByG do cuatrimestre 1 5. Movimiento Browniano y caminatas al azar. Material de lectura sugerido: Capítulo 4 de Física Biológica. Energía, información y vida, Philip Nelson. Random Walks in Biology,

Más detalles

Selección de distribuciones de probabilidad

Selección de distribuciones de probabilidad Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación

Más detalles

PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA

PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función

Más detalles

Inferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD.

Inferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD. Inferencia estadística: Prueba de Hipótesis Jhon Jairo Padilla A., PhD. Justificación Es una etapa de análisis de datos de un experimento comparativo: Se compara un parámetro de una v.a. con un valor dado.

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la

Más detalles

Cálculo de Probabilidades II Preguntas Tema 2

Cálculo de Probabilidades II Preguntas Tema 2 Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución

Más detalles

Modelo de cambios de régimen en el traspaso de las tasas de interés

Modelo de cambios de régimen en el traspaso de las tasas de interés Modelo de cambios de régimen en el traspaso de las tasas de interés (Regime switching in interest rate pass-through and dynamic bank modelling with risks) Alberto Humala XXIII Encuentro de Economistas

Más detalles

Distribución de Probabilidad

Distribución de Probabilidad Distribución de Probabilidad Variables continuas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Distribuciones de probabilidad continuas

Más detalles

Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2

Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido

Más detalles

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010) Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los

Más detalles

MODELO DE HANSEN (1985) - TRABAJO INDIVISIBLE

MODELO DE HANSEN (1985) - TRABAJO INDIVISIBLE MODELO DE HANSEN (98) - TRABAJO INDIVISIBLE PERCY HUAMÁN PALOMINO June, Abstract El trabajo es considerado de horario completo, no exiten part time y las fluctuaciones económicas es generado por el número

Más detalles

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos

Más detalles

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por

Más detalles

Inf In e f re r ncia est es adís t t adís ica: ic Prueba de Hipótesis Jhon Jairo Jair Pa P dilla a A., PhD. PhD

Inf In e f re r ncia est es adís t t adís ica: ic Prueba de Hipótesis Jhon Jairo Jair Pa P dilla a A., PhD. PhD Inferencia estadística: Prueba de Hipótesis Jhon Jairo Padilla A., PhD. Justificación Es una etapa de análisis i de datos de un experimento comparativo: Se compara un parámetro de una va v.a. con un valor

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Qué tan rápido viajan las moléculas de nitrógeno y oxígeno en el aire?

Qué tan rápido viajan las moléculas de nitrógeno y oxígeno en el aire? Grado 10 Ciencias naturales Unidad 2 De qué está hecho todo lo que nos rodea? Título del objeto Qué tan rápido viajan las moléculas de nitrógeno y oxígeno en el aire? relacionados (Pre clase) Grado: 10

Más detalles

MÓDULO I. TEORÍA DE LA PROBABILIDAD

MÓDULO I. TEORÍA DE LA PROBABILIDAD UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:

Más detalles

Inferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia

Inferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia Inferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia Ignacio Vidal G.. ividal@utalca.cl Universidad de Talca, Chile. Seminario FONDEF-D08I1054, Santiago

Más detalles

Por: Dra. Victoria Serrano

Por: Dra. Victoria Serrano Por: Dra. Victoria Serrano Una variable aleatoria es una función que asigna un número real X ζ a cada resultado ζ en el espacio muestral S de un experimento aleatorio S X ζ = x ζ x línea real S X Una moneda

Más detalles

Estadística Espacial

Estadística Espacial Kenneth Roy Cabrera Torres 16 de febrero de 2018 1 / 25 Definición Datos de elevación Campos aleatorios Terminología y notación Funciones 2 / 25 Definición Datos de elevación Campos aleatorios Terminología

Más detalles

Introducción a Sistemas Anidados en Análisis de Portafolios de Inversión. Mat. Elda Janeth López

Introducción a Sistemas Anidados en Análisis de Portafolios de Inversión. Mat. Elda Janeth López Introducción a Sistemas Anidados en Análisis de Portafolios de Inversión. Mat. Elda Janeth López Agenda de la Presentación Definición del Problema Métodos Tradicionales. Modelo Propuesto. Análisis de Caso.

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

Más detalles

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión

Más detalles

Tema 8: Métodos de cadenas de Markov Monte Carlo

Tema 8: Métodos de cadenas de Markov Monte Carlo Tema 8: Métodos de cadenas de Markov Monte Carlo Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Introducción Los métodos de cadenas

Más detalles

Especialidad en Preparación y Evaluación de Proyectos

Especialidad en Preparación y Evaluación de Proyectos Especialidad en Preparación y Evaluación de Proyectos TEMARIO FASE TEÓRICA 1. Análisis contable para la evaluación de proyectos Proporcionar a los participantes las habilidades y capacidades para aplicar

Más detalles

Tema 4 - Introducción

Tema 4 - Introducción Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema

Más detalles

Probabilidad Frecuentista

Probabilidad Frecuentista Probabilidad Frecuentista 1. El principio de regularidad de las frecuencias relativas El primer intento de formalizar las ideas y conceptos de probabilidad, surge de la experiencia y práctica directa de

Más detalles

SELECCION Y EVALUACION DE CARTERAS. Docente: MsC. Javier Gil Antelo

SELECCION Y EVALUACION DE CARTERAS. Docente: MsC. Javier Gil Antelo SELECCION Y EVALUACION DE CARTERAS Docente: MsC. Javier Gil Antelo 1 Modelo de Fijación de Precios de Activos de Capital (C.A.P.M.) 2 Tipos de riesgo Riesgo diversificable: Es la porción del riesgo de

Más detalles

La economía y las ecuaciones diferenciales: La fórmula de Black-Scholes. David Torcal y Andrea Santamaría 16 de Diciembre 2010

La economía y las ecuaciones diferenciales: La fórmula de Black-Scholes. David Torcal y Andrea Santamaría 16 de Diciembre 2010 La economía y las ecuaciones diferenciales: La fórmula de Black-Scholes David Torcal y Andrea Santamaría 16 de Diciembre 2010 Objetivo del estudio Extender los conceptos aprendidos sobre la resolución

Más detalles

XVIII.- INTERCAMBIADORES DE CALOR MÉTODO DE LA EFICIENCIA

XVIII.- INTERCAMBIADORES DE CALOR MÉTODO DE LA EFICIENCIA XVIII.- INTERCAMBIADORES DE CALOR MÉTODO DE LA EFICIENCIA XVIII..- EFICACIA DE LOS INTERCAMBIADORES DE CALOR En muchas situaciones lo único que se conoce es la descripción física del intercambiador, como

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo

Más detalles

Part VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones

Part VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos

Más detalles

28 de marzo del 2012 Curso: Teoría del Riesgo. Tarea 1

28 de marzo del 2012 Curso: Teoría del Riesgo. Tarea 1 Tarea 1 Facultad de ciencias. UNAM. Profesor: Angel Manuel Godoy Aguilar Grupo: 6134 Instrucciones: Resuelva los siguientes ejercicios de manera clara, ordenada y con buena presentación. La parte correspondiente

Más detalles

Procesos de Lévy y transformada de Fourier aplicados a la valoración de opciones financieras

Procesos de Lévy y transformada de Fourier aplicados a la valoración de opciones financieras Procesos de Lévy y transformada de Fourier aplicados a la valoración de opciones financieras John Freddy Moreno Trujillo* Docente investigador Universidad Externado de Colombia Magister en matemática aplicada.

Más detalles

PROCESOS ALEATORIOS. Capítulo AXIOMAS DE PROBABILIDAD

PROCESOS ALEATORIOS. Capítulo AXIOMAS DE PROBABILIDAD Capítulo 2 PROCESOS ALEATORIOS Los procesos aleatorios son importantes porque en casi todos los aspectos de la vida se presentan este tipo de situaciones en donde el comportamiento de un fenómeno o evento

Más detalles

Econometría II - examen (SOLUCION)

Econometría II - examen (SOLUCION) Econometría II - examen (SOLUCION) 4 de septiembre de 2006 Nombre y Apellidos: ID: Grupo: Lea cuidadosamente cada pregunta Responda muy claramente dentro del espacio asignado El valor de cada pregunta

Más detalles

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema: Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz

Más detalles

1. Regla para los valores esperados en variables aleatorias

1. Regla para los valores esperados en variables aleatorias Valores esperados, varianza y desviación estándar para variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla para los valores esperados en variables aleatorias

Más detalles

Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data

Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión

Más detalles

Capítulo 9 Estructura y Administración de Portafolios de Inversión

Capítulo 9 Estructura y Administración de Portafolios de Inversión Capítulo 9 Estructura y Administración de Portafolios de Inversión Objetivo Presentar los conceptos básicos y el proceso vinculado a la administración de portafolios de inversión Parte I CONCEPTOS BÁSICOS

Más detalles