Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)

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

Download "Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)"

Transcripción

1 Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y C. Smó Uversdad de Los Ades. Facultad de Igeería. Escuela de Sstemas Departameto de Ivestgacó de Operacoes Mérda 50, Veezuela *dcot@ula.ve A. Rodríguez Uversdad de Los Ades. Cetro de Ivestgacó y Desarrollo Empresaral Mérda 50, Veezuela Resume La relacó etre resgo y gaaca es fudametal e el dseño de portafolos de versó. La dversfcacó e los portafolos de versó persgue obteer la combacó óptma de actvos que maxmce la gaaca mmzado el resgo. Bajo esta premsa, la vestgacó aborda la teoría clásca de las carteras de versó adcoado a ésta crteros heurístcos y estadístcos co patroes de seleccó obtedos co redes euroales artfcales (RNA). E ua prmera fase de aplcacó y prueba se pretede delmtar el estudo a la factbldad de las RNA para la coformacó de portafolos de versó co los actvos que cotza e el mercado bursátl veezolao. Se cofrota la teoría clásca (modelo de programacó cuadrátca de Markowtz) versus el efoque alteratvo de las RNA comparado los portafolos obtedos co ambas téccas. Falmete, se recomeda la optmzacó de la arqutectura de las RNA para estudos a posteror y se propoe la cotudad del tópco usado otras téccas de la Itelgeca Artfcal y la Ivestgacó de Operacoes aplcables al campo de las fazas. Palabras claves: Teoría de carteras de versó, vestgacó de operacoes, programacó cuadrátca, modelo de Markowtz, redes euroales. Abstract The relatoshp betwee rsk ad ga has a vtal mportace the desg of vestmet portfolos. The dversfcato pursues to obta a optmal combato of assets that maxmzes the ga mmzg the rsk. Uder ths premse, ths paper approach the classc theory of the vestmet portfolo by addg to ths theory a set of heurstc ad statstcal techques that are related wth selecto patters obtaed from eural etworks (RNA). I a frst phase of expermetato, t s sought to defe the study to the feasblty of the RNA for the coformato of vestmet portfolo wth the assets that quote the Veezuela stock exchage. The classc theory s cofroted (quadratc programmg model proposed by Markowtz) versus the alteratve approach of the RNA by comparg the results of the vestmet portfolos that are gotte wth both techques. Fally, the optmzato of the RNA archtecture s recommeded for posteror studes, as well as, to solve ths problem by usg other Artfcal Itellgece techques wth Operatos Research methods that are appled to the feld of face ad maagemet of vestmet portfolos. Key words: Ivestmet portfolo theory, operatos research, quadratc programmg, Markowtz model, eural computg. Revsta Ceca e Igeería. Vol. 6 No.. 005

2 36 Itroduccó Cuado se decde realzar versoes faceras resulta ecesaro y vtal tomar e cueta dos factores prmordales: la retabldad y el resgo; etedédose por gaaca o retabldad los beefcos que se obtee por la versó y por resgo la certdumbre respecto al resultado futuro de ua versó. Coocdos los factores que fluye e ua versó facera, se defe ua cartera de versó como ua combacó de actvos o títulos dvduales (etre ellos se cosdera las accoes, boos, etc.) de modo tal que ua combacó de títulos dvduales cas sempre sea meos resgosa que cualquer título dvdual. La mayoría de las téccas para la costruccó y admstracó de carteras de versó está basada e la Teoría de la Seleccó de Cartera, desarrollada por el gaador del Premo Nobel de Ecoomía de 990 Harry Markowtz (Baley y Stebach). Esta teoría afrma que la geeracó de ua cartera óptma de versó supoe más que ua combacó deseable etre el resgo y la gaaca de los actvos que la puede compoer, lo más mportate es realzar u aálss metculoso de la relacó etre ellos. La teoría explora cómo los versostas costruye carteras para optmzar el resgo cotra los redmetos esperados, es decr, mde como la cartera de u versosta puede beefcarse por medo de la dversfcacó. Esta vestgacó se cetra e la aplcacó del Modelo de programacó matemátca (programacó o leal) propuesto por Harry Markowtz e actvos que cotza e la Bolsa de Valores de Caracas (BVC) (Bolsa de Valores de Caracas) para geerar carteras de versó efcetes. De maera paralela se cofrota este efoque clásco co la aplcacó de téccas de Itelgeca Artfcal, putualmete co Redes Neuroales Artfcales (RNA) para medr su efceca e el área de las carteras de versó. El efoque co las RNA es cal y servrá de base para el establecmeto de patroes a futuro co otras téccas emergetes como algortmos geétcos. Se propoe cofguracoes báscas de redes euroales que srva para aalzar e forma comparatva la teoría clásca de Markowtz versus las RNA e el establecmeto de portafolos dámcos basados e las accoes que cotza e el Ídce Bursátl Caracas (IBC) y su desempeño durate los años 00 y 003. Fudametos teórcos. Crteros para la evaluacó de carteras de versó Exste dos crteros para evaluar las carteras de versó. El prmero, es medr el redmeto e fucó de la gaaca esperada y el segudo medr el resgo e fucó de la varaza. Redmeto e fucó de la gaaca esperada: la gaaca esperada de u actvo cualquera está defda como: [ ] E R P P Cot y col f = (.) P dode, P f y P represeta el preco fal y el preco cal del actvo respectvamete. Como u portafolo de versó está compuesto por varos actvos, se defe la gaaca esperada de ua cartera como: E N [ R ] w E[ R ] p = (.) = dode, w represeta la proporcó de la cartera vertda e la accó y E[R ] es la gaaca esperada de la accó. Resgo e fucó de la varaza: la varaza para ua accó partcular esta defda como Var(R) = σ = E [R ] E [R ] (.3) Este resgo meddo e fucó de la varaza dca el grado de dspersó o varabldad e relacó co la esperaza sobre el redmeto de dcha accó durate u arco de tempo determado. U valor alto de varaza o su desvacó típca (superor a la E[R ]) dca el alto grado de volatldad e el redmeto de dcha accó. Para ua cartera de versó, la cual está compuesta por varos actvos, la varaza de todo el portafolo queda defda de la sguete maera: σ C = = x σ + x x σ (.4) = j= + dode x, x j represeta la proporcó vertda e el actvo y e el actvo j, σ j es la covaraza etre el actvo y j y σ σ j, es la desvacó estádar del actvo y j. La Ec. (.4) provee de la estadístca clásca que dca que la varaza de dos varables x, y se defe como: v(x+y) = v(x) + v(y) + cov(x,y).. Importaca de la dversfcacó La vetaja de teer ua cartera de versó dversfcada mplca segú Markowtz (Baley) la reduccó e el resgo, ya que la pérdda e algú sector accoaro puede compesarse co las gaacas de otro sector que éste presete detro de la composcó de la cartera. La dversfcacó depede del coefcete de correlacó (o covaraza) etre las gaacas de los actvos que comprede la cartera. El coefcete de correlacó represeta la dreccó y fuerza de la relacó etre dos actvos, y éste puede tomar valores etre - y. j j Revsta Ceca e Igeería. Vol. 6 No.. 005

3 Teoría de carteras de versó para la dversfcacó del resgo E la dversfcacó se persgue que el coefcete de correlacó etre los actvos se egatvo o cercao a cero (covaraza egatva), ya que esto hace que se reduzca el resgo del portafolo y se compese las pérddas co las gaacas de otras accoes presetes e la cartera..3 Admstracó de carteras de versó La admstracó de carteras de versó mplca el uso de formacó ecoómca y bursátl. Se persgue obteer ua relacó equlbrada etre la retabldad esperada sobre la versó y la capacdad para tolerar el resgo de ésta. Esto trae cosgo el ejecutar ua determada estratega de versó, tegrar la polítca de versoes co las expectatvas de los versostas, reaccoar a tempo a la certdumbre de los mercados y la capacdad para determar dóde se ecuetra las oportudades de versó más retables..4 Redes euroales Por la efceca de los procesos llevados a cabo por el cerebro se ha desarrollado la teoría de las Redes Neuroales Artfcales (RNA), las cuales emula el comportameto de las redes euroales bológcas, y que so utlzadas para apreder estrategas de solucó basadas e ejemplos de comportameto típco de patroes. E la Fg. se muestra el modelo de ua euroa artfcal, dode ua euroa k vee descrta por las expresoes.5 y.6, que represeta la acumulacó y la fucó de actvacó respectvamete. = p k 0 X = Γ( ) V W (.5) Y k V k k = (.6) Así: X 0, X, X,, X p so las etradas a la euroa k; W 0k, W k,, W pk so los pesos de la euroa k; V k es la suma de las etradas multplcadas por los pesos correspodetes; Γ k represeta la fucó de actvacó Y k es la salda de la euroa k. Característcas de las RNA Las RNA se caracterza por su topología, el mecasmo de apredzaje, tpo de asocacó realzada etre la formacó de etrada y salda y la forma de represetacó de estas formacoes. Al hablar de topología o arqutectura de red se refere a la forma o estructura de la red. Los compoetes que tegra dcha topología so las etradas, capas y las saldas. La coformacó de la terrelacó de las euroas depede de la tercoexó y la dreccó de la red. Esta dreccó se refere haca dode va drgda la formacó de la red, e este caso so redes de almetacó adelatada. E N T R A D A S X0 = X X Xp W W W. W Pesos Suma Poderada Г(.) Fg. Modelo de ua euroa El apredzaje cosste e la presetacó de patroes a la red; es decr, el proceso por el cual ua red euroal modfca sus pesos e respuesta a ua formacó de etrada. Ua de las clasfcacoes acata el Tpo de Apredzaje, e el cual se puede dstgur Apredzaje supervsado y No supervsado, e dode la dfereca prcpal radca e la exsteca o o de u agete extero/experto (supervsor) que cotrole el proceso de apredzaje. Luego e la geeralzacó o prueba, la red deberá estar e capacdad de proveer saldas próxmas a los valores deseados cuado se le proporcoa uevos ejemplos; es decr, etradas que o perteece al cojuto de etreameto, so que forma parte de patroes de prueba. 3 Herrametas de vestgacó de operacoes para la optmzacó de carteras de versó La prcpal meta de la teoría de la cartera es optmzar la asgacó de dsttos actvos e ua versó. La optmzacó Meda-Varaza, es ua herrameta cuattatva de programacó o leal que permte realzar esta asgacó cosderado el tercambo etre la gaaca y el resgo; cuyo prcpal objetvo es maxmzar la gaaca esperada sujeta a u vel dado de resgo o mmzar el resgo para ua gaaca esperada predetermada. Esto se realza medate la determacó de la frotera efcete, es decr, del cojuto de combacoes de actvos que maxmza la gaaca esperada para u vel determado de resgo o be mmza el resgo soportado para u vel determado de gaaca esperada. Para hallar la frotera efcete, se propoe u problema de programacó matemátca o leal (Modelo de Markowtz), específcamete u problema de programacó cuadrátca (e el caso que se desea mmzar el resgo para ua gaaca determada). El modelo se refere a las Ecs. (.7), (.8) y (.9) Al aplcar este método se debe cumplr co las sguetes codcoes: Gaacas esperadas y varazas ftas. Todos los actvos o tee la msma gaaca esperada. Matrz de covarazas defda postva (Sea H ua matrz smétrca x. H se dce defda postva s X HX > 0 para todo X, esto co el objeto que el mímo que se halle sea u mímo global) V Fucó de Actvacó Salda Yk Revsta Ceca e Igeería. Vol. 6 No.. 005

4 38 Cartera compuesta solo por actvos resgosos M σ c Sujeto a: = = x σ + E(Rp) = * x E(R) = R = x = = x 0 = j= + x x σ j j (.8) dode, E(R p ) es la gaaca esperada de la cartera, σ c represeta la varaza de la cartera, E(R ) es la gaaca esperada del actvo, x es la proporcó de la versó total e el actvo y σ j mde la covaraza etre las accoes,j. Esta covaraza está estrechamete lgada a la correlacó etre las accoes,j. La prmera restrccó hace refereca a la gaaca objetvo (target) que vee dada por R * (Ec..7), co la seguda restrccó (Ec..8) se asegura que la suma de las proporcoes vertdas e las accoes que forma el portafolo sea gual a uo (00%) y la tercera (Ec..9) tee como fucó garatzar que los pesos sea postvos. Al solucoar este modelo para dsttas gaacas objetvo, estas da como resultado la frotera efcete. La forma de ambas froteras se preseta e la Fg.. Fg. Forma de la frotera efcete (.7) (.9) E esta frotera, el puto Z represeta la cartera de míma varaza. Esta posee la característca de ofrecer al versosta el meor resgo dspoble co el cojuto de actvos que puede coformar la cartera de versó, ya que para obteerla se maxmza la dversfcacó, y cosecuetemete se cosgue la combacó que produce el meor vel de resgo. 3. Seleccó de las accoes Cot y col Para seleccoar las accoes se hace uso de crteros heurístcos y de expertca facera. Su escogeca permte setar las codcoes cales para la aplcacó del modelo clásco de Markowtz. La prmera preseleccó se basa e escoger las accoes, deomado Top y so las accoes que posee el mayor moto egocado y la mayor gaaca etre las 63 accoes dspobles e el ídce bursátl de Caracas (IBC). Ua codcó ecesara para el modelo radca e que la matrz de covaraza etre las accoes sea defda postva; para el caso del Top, dcha matrz o cumple co esta codcó. Para cumplr co la codcó, se decde escoger aquellas accoes que posee ua alta partcpacó detro de la bolsa. Se seleccoa las accoes que compoe el ídce bursátl de Caracas (IBC) para el año 00 y 003 y otras dos accoes que tee la msma característca obteedo así u grupo de 8 accoes (Top 8). Las matrces de covaraza correspodete a este grupo de accoes s cumple co la codcó de ser defda postva. A pesar de esto y por la ecesdad de u úmero mayor de datos, se decde hacer u redmeto tr-semaal de las accoes; e este caso y partedo de las 8 accoes aterores se escoge las accoes co mayor partcpacó trsemaal, obteedo u grupo de trece accoes (Top 3 Tabla ). Se cueta co 3 perodos (tr-semaales): 9 para los datos etre el y para el año 003. Se apreca además la composcó varada del portafolo de la Tabla, ya que hay accoes perteecetes a dferetes sectores de la ecoomía. Tabla. Top 3 Baco Provcal (BPV) Veezolao De Crédto (BVE) 3 C.A. Nacoal Teléfoos de Veezuela (TDV.D) 4 Cemex Veezuela. Tpo I (VCM.) 5 Cemex Veezuela S.A.C.A. TIPO II (VCM.) 6 Cormo - Clase A (CRM.A) 7 La Electrcdad de Caracas (EDC) 8 Fodo de Valores Imoblaros, - Clase B (FVI B ) 9 Maufacturas de Papel (MPA) 0 Mercatl Servcos Faceros, C.A. - Clase A (MVZ A) Mercatl Servcos Faceros, C.A. - Clase B (MVZ B) Sderurgca Veezolaa (SIVENSA), S.A. (SVS) 3 Vecred, S.A. (VCR) Revsta Ceca e Igeería. Vol. 6 No.. 005

5 Teoría de carteras de versó para la dversfcacó del resgo Formulacó del modelo Se platea u modelo geeral e el que se mmza el resgo co u redmeto prevamete aceptado, segú el método de Meda-Varaza: Sea: R el redmeto de la accó ; X la proporcó (peso) vertda e la accó ; σ la varaza para la accó y σ,+ la covaraza etre la accó e +; co =,, 3,, 3. X : BPV X 5 :VCM. X 9 :MPA X 3 :VCR X :BVE X 6 :CRM.A X 0 :MVZ.A X 3 :TDV.D X 7 :EDC X :MVX.B X 4 :VCM. X 8 :FBI X :SVS M Z = X σ + X σ + X 3 σ 3 + X 4 σ 4 + X 5 σ 5 + X 6 σ 6 + X 7 σ 7 + X 8 σ 8 + X 9 σ 9 + X 0 σ 0 + X σ + X σ + X 3 σ 3 + *(X X σ, + X X 3 σ,3 + X X 4 σ,4 + X X 5 σ,5 + X X 6 σ,6 + X X 7 σ,7 + X X 8 σ,8 + X X 9 σ,9 + X X 0 σ,0 + X X σ, + X X σ, + X X 3 σ,3 + X X 3 σ,3 + X X 4 σ,4 + X X 5 σ,5 + X X 6 σ,6 + X X 7 σ,7 + X X 8 σ,8 + X X 9 σ,9 + X X 0 σ,0 + X X σ, + X X σ, + X X 3 σ,3 + X 3 X 4 σ 3,4 + X 3 X 5 σ 3,5 + X 3 X 6 σ 3,6 + X 3 X 7 σ 3,7 + X 3 X 8 σ 3,8 + X 3 X 9 σ 3,9 + X 3 X 0 σ 3,0 + X 3 X σ 3, + X 3 X σ 3, + X 3 X 3 σ 3,3 + X 4 X 5 σ 4,5 + X 4 X 6 σ 4,6 + X 4 X 7 σ 4,7 + X 4 X 8 σ 4,8 + X 4 X 9 σ 4,9 + X 4 X 0 σ 4,0 + X 4 X σ 4, + X 4 X σ 4, + X 4 X 3 σ 4,3 + X 5 X 6 σ 5,6 + X 5 X 7 σ 5,7 + X 5 X 8 σ 5,8 + X 5 X 9 σ 5,9 + X 5 X 0 σ 5,0 + X 5 X σ 5, + X 5 X σ 5, + X 5 X 3 σ 5,3 + X 6 X 7 σ 6,7 + X 6 X 8 σ 6,8 + X 6 X 9 σ 6,9 + X 6 X 0 σ 6,0 + X 6 X σ 6, + X 6 X σ 6, + X 6 X 3 σ 6,3 + X 7 X 8 σ 7,8 + X 7 X 9 σ 7,9 + X 7 X 0 σ 7,0 + X 7 X σ 7, + X 7 X σ 7, + X 7 X 3 σ 7,3 + X 8 X 9 σ 8,9 + X 8 X 0 σ 8,0 + X 8 X σ 8, + X 8 X σ 8, + X 8 X 3 σ 8,3 + X 9 X 0 σ 9,0 + X 9 X σ 9, + X 9 X σ 9, + X 9 X 3 σ 9,3 + X 0 X σ 0, + X 0 X σ 0, + X 0 X 3 σ 0,3 + X X σ, + X X 3 σ,3 + X X 3 σ,3 ) Sujeto a: 3 = X = RX + RX + R3X3 + R4X4 + R5X5 + R6X6 + R7X7 + R8X8 + R9X9 + R0X0 + RX + RX + R3X3 RC dode RC es la flacó e ese tervalo de tempo que vara depededo del año (e este caso se utlza ua tasa de flacó promedo mesual para cada año). X 0 =,, 3, 3. 4 Expermetacó - Metodologías propuestas Para dar solucó al modelo plateado, se tomará dos efoques dferetes: el prmero preseta la solucó de la cartera efcete por medo del Método de Meda-Varaza propuesto por Harry Markowtz. E el segudo caso se utlza Redes Neuroales para la seleccó de las accoes a coformar la cartera de versó y establecer u cuadro comparatvo etre ambos efoques de solucó. 4. Efoque de la Meda Varaza Se busca la Frotera Efcete para el cojuto de accoes que coforma el Top 3, y luego esta cartera es admstrada durate el año 003; es decr, trsemaalmete el porcetaje a vertr e cada accó del portafolo es ajustado a las exgecas de cada perodo. Para resolver los modelos de programacó cuadrátca se hace uso del software The Premu Solver Plataform, dseñado por Frotle Systems, Ic. Tabla. Carteras de míma varaza Top 3 Gaaca esperada (%) Resgo (%) La Tabla muestra el resume de los resultados obtedos de la admstracó de la cartera co el método de la Meda-Varaza para cada uo de los doce perodos que represeta el año 003. Luego las carteras de míma varaza ofrece u promedo trsemaal de: Tabla 3. Promedo trsemaal. Meda-varaza Gaaca esperada Resgo promedo promedo (%) (%) Efoque por redes euroales: Para etrear la RN se utlza el paquete STATISTICA Neural Network (SNN) 4.0 de la StatSoft Ic., este paquete geera los pesos cales de los odos de las capas. Luego para la salda de la red se codfcó u programa e leguaje base C++ que realza el cálculo de los pesos co las etradas, geerado la salda requerda para cada expermeto. Revsta Ceca e Igeería. Vol. 6 No.. 005

6 40 El dseño hecho para las redes euroales utlza expermetos co 4 sub-expermetos cada uo. Se busca que las redes euroales tega la msma formacó que utlza el modelo de la meda-varaza para resolver el modelo, por esto la formacó de etrada para las redes tee la sguete cofguracó: Expermeto : Este expermeto utlza 70 valores de etrada e su cofguracó; de los cuales 69 valores correspode a la matrz de varaza-covaraza (pues esta es ua matrz 3x3) y u valor para el redmeto deseado (represetado por R C e la ecuacó.7). A su vez este expermeto tee 4 sub-expermetos que varía de acuerdo a la salda deseada: 6 saldas: Se utlza ua sola red que tee la sguete cofguracó: 70 etradas y 6 saldas; dode las trece prmeras saldas correspode a la clasfcacó de las 3 accoes, co u patró de etreameto de y 0 ( cuado la accó es seleccoada para coformar la cartera e ese perodo y 0 e caso cotraro). Las otras trece saldas geera ua predccó de la proporcó a vertr e cada accó. 3 saldas: Utlza gualmete ua sola red co 70 etradas y 3 saldas. Esta salda represeta la clasfcacó de las accoes como la prmera parte del caso ateror. saldas: Este expermeto utlza trece redes dferetes ua para cada ua de las trece accoes; es decr, cada accó preseta ua cofguracó tera dferete. La prmera salda de cada red da ua predccó del peso co que esta accó etra e la cartera (e caso de etrar); y el segudo valor de la salda preseta la clasfcacó. Al fal se tee trece redes cada ua co 70 etradas y dos saldas. salda: Este utlza gualmete trece redes co la úca dfereca que la salda es solo el valor de la clasfcacó de cada accó. Expermeto : Este expermeto varía respecto al ateror solamete e la cofguracó de etrada, pues ahora se le adcoa a la etrada de cada red los redmetos de las accoes. Estos redmetos varía e cada perodo, pues se debe recordar que para el etreameto de la red se seleccoaro 9 perodos co redmetos semaales. Etoces, de acuerdo a cada sub-expermeto, la etrada varía de la sguete maera: 6 saldas y 3 saldas: Estas redes utlza 83 etradas, dode los trece valores extra correspode a los redmetos que preseta cada accó. saldas y salda: A cada ua de las trece redes se le adcoa el valor del redmeto de la accó, quedado cada ua co 7 valores de etrada, por ejemplo la prmera de las trece redes represeta la prmera accó, e este caso BPV, a esta red se le añade como etrada el valor del redmeto que esta accó preseta e cada perodo. Para cada RN se tee 57 casos de etreameto: 9 casos geerados por cada perodo y e cada uo se vara R C tres veces. Cot y col Patroes de etreameto y prueba: La data total comprede u total de 3 perodos, los que so dvddos de la sguete maera: Patroes de etreameto: del perodo al 9 (compreddos del 03/0/00 al 07/0/003), que represeta u 6.9 % Patroes de prueba: del perodo 0 al 3 (que va desde el 0/0/003 hasta 7/0/003), lo que equvale al 38.7% Característcas de la RN Todas las Redes Neuroales que se prueba so redes moocapa, de almetacó adelatada, totalmete coectadas, co ua capa oculta, u odo adcoal tato e la capa de etrada como e la capa oculta co valor costate. La fucó de actvacó e los odos de la capa oculta depede del tpo de expermeto y e los odos de la capa de salda la fucó de actvacó es leal (la fucó de actvacó es asgada por el SNN). Seleccó de los pesos Para cada expermeto se geera los pesos hasta ecotrar el mejor desempeño y error mímo para esa RN; aproxmadamete se geera los pesos e el meor de los casos 0 veces y e el mayor 50 veces. Resultados de las redes euroales y comparacó La RN clasfca etre las trece accoes que coforma el Top 3, a cuales se les va a asgar u porcetaje de versó. El promedo de la gaaca esperada y resgo que mostraro las carteras para cada perodo e cada uo de los expermetos se muestra e la Tabla 4. Tabla 4. Gaaca esperada y resgo promedo para los dos expermetos EXPERIMENTO G Esp. (%) Resgo (%) Sub-Exp Sub-Exp Sub-Exp Sub-Exp EXPERIMENTO G Esp.(%) Resgo(%) Sub-Exp Sub-Exp Sub-Exp Sub-Exp Tabla 5. Gaaca esperada y resgo promedo por el método medavaraza Meda-Varaza La prcpal dfereca etre el expermeto y está e la cofguracó de etrada de cada uo; recuerde que el expermeto tee como etrada adcoal el redmeto de cada accó. A pesar de esto se observa semejaza etre los resultados; lo que coduce a decr que el expermeto, Revsta Ceca e Igeería. Vol. 6 No.. 005

7 Teoría de carteras de versó para la dversfcacó del resgo Sub-Exp Sub-Exp Sub-Exp 3 Sub-Exp 4 SOLVER G Esp. promedo Resgo promedo Fg. 3. Gaaca esperada y resgo promedo. Expermeto aú cuado tee meos formacó para su ejecucó que el expermeto, o requere de esta para lograr u bue desempeño. Se observa homogeedad etre los resultados de la RN y el método Meda-Varaza resuelto por el solver, y e alguos casos la RN muestra superordad e el redmeto de la cartera. Estos resultados so útles e el caso de teer dsttos tpos de versostas: Para u versosta adverso al resgo se ofrece carteras de versó como las proveetes del sub-expermeto co expermeto, que tee u redmeto promedo (e tres semaas) del 6.47% y u resgo de 0.87 %, esta cartera es u poco mas resgosa que la que provee el solver pero co más redmeto. Para u versosta amate al resgo, se le ofrece la cartera geerada por el sub-expermeto 4 co expermeto, dode el resgo promedo es del 0.98 % (ua varacó absoluta de 0.4% más que el resgo del solver) y el redmeto promedo que provee esta cartera es del 8.6% (.7% mas que la cartera del solver). Resultados como los obtedos e el sub-expermeto 3 co expermeto, puede ser útles para el tpo de versosta que es moderado al resgo, e el que para u redmeto promedo del 7.44% tee u resgo promedo de 0.93%; tee ta solo ua dfereca de 0.06% co respecto al resgo que tee la cartera ofrecda para versostas adversos y tee cas u puto adcoal de gaaca. La cartera de versó arrojada por el modelo de la Meda-Varaza muestra e promedo el meor resgo etre todas las carteras propuestas, que comparádola co la cartera meos resgosa preseta ua varacó absoluta del 0.56%. Aquí es mportate recordar el cocepto de dversfcacó estudado, puesto que al troducr ua mayor catdad de actvos al portafolo de versoes se logra reducr el resgo de la cartera. Partedo de este puto, e u msmo perodo, el cojuto de accoes que utlza el modelo de la Meda-Varaza es mayor al usado por la RN para resolver el modelo, y es debdo a esto que este método geera meor resgo. 5. Coclusoes Sub-Exp Sub-Exp Sub-Exp 3 Sub-Exp 4 SOLVER G Esp. promedo Resgo promedo Fg. 4. Gaaca esperada y resgo promedo. Expermeto Los resultados decddamete geeraro carteras o portafolos accoaros de alto redmeto sguedo la tedeca de IBC durate el año 003. Además se debe recordar que hacer ua versó e dode o se recbe redmetos superores al porcetaje de flacó ocasoa descaptalzacó y esto es justamete lo que ocurre al vertr e strumetos de versó del mercado moetaro covecoal, por esta razó las persoas y empresas segurá vrtedo e el mercado accoaro como ua de las pocas opcoes retables de versó. De los resultados obtedos utlzado el método de la Meda-Varaza y comparádolos co los arrojados por la metodología propuesta co RN se observa gra homogeedad, se demuestra etoces a prmera vsta ua certa efceca de las RN para clasfcar las accoes que coforma u portafolo de versó. No obstate, esta homogeedad e los dversos expermetos obtedos o garatza la robustez de las RN utlzadas, ya que el úmero de patroes empleados e la fase de expermetacó o es sufcete para establecer afrmacoes cocluyetes de efceca, s embargo, la vestgacó susteta e u prmer paso el uso de las RN como técca alteratva para la geeracó de carteras de versó. A los fes de optmzar el estudo se recomeda redseñar los expermetos o cambar las estructuras de las RN propuestas y someterlas a ua mayor catdad de patroes de etreameto para evtar problemas de maldcó de dmesoaldad (curse of dmesoalty) (Bofaco y Mola). Smlarmete, se propoe platear el efoque del problema co téccas alteratvas de algortmos geétcos. De esta maera, la vestgacó plateada abre el camo para futuros esayos y proyectos referdos al área de la Itelgeca Artfcal y la Ivestgacó de Operacoes aplcada a las fazas. De los expermetos que se utlza e la RN se obtee carteras de versó para dsttos tpos de versostas, ya sea adverso, moderado o amate al resgo. Para u versosta adverso se le sugere carteras como las geeradas por el sub-expermeto co expermeto, e promedo estas carteras geera el meor resgo y u bue redmeto. Ahora be, s se desea aceptar u poco más de resgo se recomeda carteras como las ofrecdas por el sub-expermeto 3 co expermeto, pero s se es más amate al resgo el sub-expermeto 4 co expermeto Revsta Ceca e Igeería. Vol. 6 No.. 005

8 4 ofrece e promedo el mayor redmeto etre todos los expermetos. Uo de los aspectos más mportates e la costruccó de carteras de versó está e ua buea dversfcacó, gracas a esto se logra reducr el resgo de la cartera. El método de la Meda-Varaza geera e promedo el meor resgo etre todos los portafolos ofrecdos y esto se debe a que este sempre utlza u mayor úmero de accoes que los que utlza la RN al mometo de geerar la cartera de versó, pues debe recordarse que la RN realza ua seguda seleccó de las accoes que coforma la cartera. E alguos casos se demuestra que au cuado se utlza meos accoes se puede geerar el msmo resgo, pero e geeral se obtee carteras de versó meos resgosas cuado se cueta co más accoes. Esto ratfca la cogrueca y robustez del efoque matemátco plateado por Markowtz. Al prcpo se señaló el hecho del alza del IBC para el año 003, esto dca que los redmetos de las accoes para este msmo año subero de maera voleta. Para el patró de prueba de la RN se utlzó el año 003; co esto se pretede justfcar posbles errores y varacoes e los resultados de la RN a futuro. Referecas Aragure SM. y Muzachod SL, Redes Neuroales y algortmos telgetes, Captulo VII, Dspoble e: Cot y col Baley RE, Portfolo selecto: The mea-varace model. Dspoble e: Cola E. y Rvas F, 998, Itroduccó a la telgeca artfcal Collates YV, 00, Predccó co redes euroales: Comparacó co las metodologías de Box y Jeks Cordero M. y Orellaa K, Efceca de las versoes de los fodos de pesoes del sstema provsoal chleo, Dspoble e : Ferruz L, Teoría de Carteras, Dspoble e: Martí B. y Saz A, Redes euroales y sstemas borrosos, ª edcó amplada y actualzada, Uversdad de Zaragoza, Edtoral RAMA. Stebach MC, Markowtz revsted: Mea-varace models facal portfolo aalyss. Dspoble e: Westo F. y Copelad T, Teoría de la cartera: Toma de decsoes e certdumbre, fazas e admstracó, Octava Edcó, Mc-Graw-Hll. Bolsa de Valores de Caracas, Dspoble e: Característcas prcpales de las redes euroales, Captulo, Dspoble e: Redes Neuroales, Dspoble e: Revsta Ceca e Igeería. Vol. 6 No.. 005

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE

Más detalles

ASIGNATURA: MATEMATICAS FINANCIERAS

ASIGNATURA: MATEMATICAS FINANCIERAS PUNTES DOCENTES SIGNTUR: MTEMTICS FINNCIERS PROFESORES: MRIN JIMES CRLOS JVIER SRMIENTO LUIS JIME DEPRTMENTO DE CIENCIS BÁSICS VERSION: 2-20 QUÉ ES MTEMÁTICS FINNCIERS? Hace alguos años éste era u tema

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines Resume Predccó del Cumplmeto de Pago de u Crédto para Mcroempresaros Agrícolas Utlzado Pealzed Support Vector Maches El Isttuto de Desarrollo Agropecuaro (INDAP) es el prcpal orgasmo del Estado de Chle

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO RESOLUCIÓN OENO 0/005 GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO LA ASAMBLEA GENERAL, Vsto el artículo, párrafo

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Elaborado por: Ing. Rubén Toyama U. 1

Elaborado por: Ing. Rubén Toyama U. 1 CONTENIDO IDENTIFICACIÓN... 2 PLANIFICACIÓN DE LOS ENCUENTROS... 2 PROGRAMA ANALITICO... 3 ORIENTACIONES METODOLÓGICAS... 8. - Itroduccó.... 8..- Objetvos Geerales.... 9 2.- Desarrollo... 9 Prmer ecuetro...

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

Método de semivarianza y varianza para la selección de un portafolio óptimo. Semivariance and variance method for selecting an optimal portfolio

Método de semivarianza y varianza para la selección de un portafolio óptimo. Semivariance and variance method for selecting an optimal portfolio Método de sevaraza y varaza para la seleccó de u portaolo ópto Sevarace ad varace ethod or selectg a optal portolo Lzbeth María de Jesús Urbe, Mguel Ágel Martíez Daá, Gustavo aírez Valverde ESUMEN E los

Más detalles

INSTITUTO SUPERIOR TECNOLÓGICO ESTATAL NUEVA ESPERANZA

INSTITUTO SUPERIOR TECNOLÓGICO ESTATAL NUEVA ESPERANZA SILABUS DE CABLEADO ESTRUCTURADO I. INFORMACION GENERAL CARRERA PROFESIONAL : ELECTRONICA INDUSTRIAL MODULO PROFESIONAL : SISTEMAS DE CONTROL DE PROCESOS INDUSTRIALES Y COMUNICACIONES. UNIDAD DIDACTICA

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

EJERCICIOS RESUELTOS TEMA 3.

EJERCICIOS RESUELTOS TEMA 3. INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004 Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles