UNA APLICACIÓN DE LA TEORÍA DE VALORES EXTREMOS AL CÁLCULO DEL VALOR EN RIESGO

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

Download "UNA APLICACIÓN DE LA TEORÍA DE VALORES EXTREMOS AL CÁLCULO DEL VALOR EN RIESGO"

Transcripción

1 UNA APLICACIÓN DE LA TEORÍA DE VALORES EXTREMOS AL CÁLCULO DEL VALOR EN RIESGO Joaquín Aranda Gallego - J. Alberto de Luca Martínez - Universidad de Murcia Reservados todos los derechos. Este documento ha sido extraído del CD Rom Anales de Economía Aplicada. XIV Reunión ASEPELT-España. Oviedo, 22 y 23 de Junio de ISBN:

2 Una aplicación de la Teoría de Valores Extremos al cálculo del Valor en Riesgo Aranda Gallego, Joaquín De Luca Martínez, J. Alberto Dpto. de Métodos Cuantitativos para la Economía Universidad de Murcia Ponencia Abril 2000 Resumen: El Valor en Riesgo, VaR, constituye en la actualidad la herramienta básica de todo gestor de riesgos financieros así como el referente más reciente de la aplicación masiva de las técnicas estadísticas al campo de las Finanzas. Desde su incorporación al instrumental básico de la práctica financiera, han sido múltiples las caracterizaciones y propuestas de cómputo que se han venido realizando. Sin embargo, en la mayoría de las ocasiones, entendemos que se ha perdido la perspectiva del verdadero problema: la mayor parte de estos planteamientos olvida el hecho de que VaR es un cuantil extremo y así, en lugar de hacer uso de las herramientas que la Estadística ofrece para el estudio de estos sucesos de baja probabilidad, recurren a métodos típicos de inferencia que, si bien son apropiados para determinar los valores centrales de una distribución, son poco eficaces para recoger el comportamiento en las colas. En nuestro trabajo, proponemos una aproximación al cálculo del VaR basada en la Teoría de Valores Extremos, una rama de la Teoría de la Probabilidad cuyo objetivo es, precisamente, analizar los extremos observados de una distribución y predecir más allá de estos. Palabras clave: Riesgo de Mercado, VaR, Teoría de Valores Extremos Área: G2. Métodos de estadística económica Correos electrónicos:

3 1 1 Fundamentos del Valor en Riesgo El progresivo acortamiento de los márgenes de intermediación del negocio bancario tradicional, vivido en los últimos 20 años, ha provocado que las entidades financieras se vuelvan cada vez más hacia los mercados financieros como forma de complementar sus cuentas de resultados. De esta manera, las entidades de crédito a nivel mundial comenzaron a verse potencialmente afectadas, no sólo por el tradicional riesgo de que sus acreditados no devolvieran los créditos, sino también, y de una forma cada vez mayor, por los riesgos derivados de los cambios de los precios de los activos financieros en los que invertían. Dicho de otra forma, los sistemas bancarios a nivel internacional se exponían de forma importante, no solo al tradicional riesgo de crédito, sino también al de mercado, entendido éste, según la definición del Banco Internacional de Pagos de Basilea, BIS (1988), como El riesgo de pérdidas en las posiciones de dentro y fuera de balance derivadas de movimientos en los precios de mercado Las instituciones supervisoras, conscientes de esta situación, fueron emitiendo normativas nacionales tendentes a incluir, de una forma u otra, el riesgo de mercado en los requisitos de capital de las entidades financieras y fue surgiendo la necesidad, en un entorno financiero cada vez más globalizado, de que se llegara a un consenso a nivel internacional sobre esta cuestión. Así, en Abril de 1993, el Comité de Basilea de Supervisión Bancaria emitió una recomendación donde se recogía un conjunto de sistemas de cómputo de la exposición al riesgo de mercado de las entidades financieras, conformando lo que se conoce como modelo estándar. Apenas dos meses después de la quiebra de Barings PCL, en Abril de 1995, dicho Comité publicó tres documentos adicionales, BIS (1995a, 1995b, 1995c), anticipando sus intenciones de modificar el Acuerdo de Capital de Finalmente, en enero de 1996 se emitió la Enmienda al Acuerdo de Capital para incorporar el riesgo de mercado, BIS (1996), la cual establecía que, a más tardar el 1 de enero de 1998, se debería incluir el riesgo de mercado en el computo de los requerimientos de recursos propios de las entidades. Si bien la propia Enmienda recogía una ampliación del modelo estándar, su principal novedad radicó en que permitía a las entidades la utilización de sus propios modelos internos de determinación del

4 2 riesgo de mercado para la cuantificación de los requerimientos mínimos de recursos propios. No obstante, el acuerdo del BIS estableció que las entidades que se acogieran a la opción de utilizar sus modelos internos habían de considerar en ellos una serie de requisitos mínimos tanto de carácter cualitativo (existencia de una unidad independiente de control de riesgo, emisión de informes diarios...) como cuantitativo. En la definición de estos últimos tomaban una gran importancia dos conceptos que resultan complementarios, el Value-at-Risk (VaR), que trata de cuantificar el riesgo que asume una entidad usualmente por su participación en los mercados, y el Stress Testing, un ejercicio que tiene por objeto evaluar el riesgo en que se incurre en situaciones excepcionales. Ambas técnicas, no obstante, ya se estaban empezando a implantar en una parte de la industria financiera, sobre todo a medida que se generalizaba la operativa con productos derivados. Como una primera aproximación, siguiendo a Jorion (1997), se puede definir el VaR como un método de cálculo del riesgo de mercado que utiliza técnicas estadísticas estándar para medir la peor pérdida previsible del valor de una cartera de activos ( V ) en un intervalo de tiempo ( h ) bajo condiciones normales de mercado a un nivel de confianza dado ( u ). Esto es, el VaR sería aquel valor tal que Pr V Vt VaR I t 1u th siendo I t el conjunto de información disponible en t. Así pues, si el VaR diario de una cartera al 99% es de 10 millones de euros, se tiene una confianza de que solo el 1% de los días la variación diaria de los precios de mercado hará perder a la entidad más de 10 millones de euros. Alternativamente, el VaR puede entenderse, como apunta Prisker (1996), como el volumen de capital que la entidad requeriría para absorber las pérdidas registradas por su cartera en casi todas las circunstancias. La Enmienda concretaba, de una forma un tanto confusa, que cuando el VaR fuera a servir de base para la determinación del los requerimientos mínimos de capital de una entidad, se debía computar diariamente, a un nivel del confianza del 99% y para un periodo de mantenimiento de los activos de 10 días.

5 3 Así, la obtención del VaR se limita a algo que, a priori, parece de gran sencillez: calcular diariamente el percentil de orden 0,01 de la distribución de incrementos decenales del valor de la cartera. Computado este percentil, tras algunos ajustes, se determinaría el nivel de capital necesario para hacer frente al riesgo de mercado. Sin embargo, llegados a este punto aparecen tres dificultades básicas a la hora de calcular el VaR. En primer lugar tendríamos que determinar el origen del riesgo al que se enfrenta la cartera o, desde un punto de vista más operativo, el conjunto de factores de riesgo que alteran los precios de mercado de los activos. Por ejemplo, en el caso de instrumentos cuyos precios dependen de los tipos de interés, el BIS propone que se identifiquen un mínimo de seis factores de riesgo que den cuenta de los movimientos de la estructura temporal de los tipos de interés; para riesgo de cambio, el BIS propone que se consideren como factores de riesgo todos los tipos de cambio que pueden afectan al valor de la cartera... Definidos los factores de riesgo, el siguiente paso en el proceso de medición de riesgos consiste en determinar la forma en que aquéllos afectan a los precios y, por último, encontrar la distribución que siguen los factores de riesgo 1. Desgraciadamente, ninguna de estas tareas es sencilla y ambas pueden ser fuente de errores importantes en la estimación del riesgo. Precisamente ha sido en estas cuestiones en las que se ha centrado la investigación en los últimos cinco años dando a un gran número de propuestas alternativas de cálculo del VaR que difieren, básicamente, en las últimas dos circunstancias: en el uso o no de aproximaciones para el cálculo de las variaciones en el valor de las carteras y en el tipo de distribución que se asume para los factores de riesgo. Atendiendo a la primera, pueden distinguirse, muy someramente, dos grandes categorías de métodos: los métodos delta y delta-gamma y los métodos de valoración completa (o full valuation). Los primeros proponen aproximar el cambio en el valor de la cartera mediante un desarrollo en serie de Taylor de orden uno (los métodos delta) 1 Con mayor precisión, la distribución de las variaciones de los factores de riesgo, pues son éstas la que originan los cambios en los precios. A partir de ahora, entiéndase que al hablar de factores de riesgo como fuente del riesgo de mercado, nos referimos a sus variaciones.

6 4 o de orden dos (los métodos deltagamma) en el cambio en los factores de riesgo. Los segundos, mucho más lentos pero más exactos, sobre todo para posiciones con fuertes no linealidades como es el caso de los activos con opcionalidad, simulan posibles trayectorias de los factores de riesgo a lo largo del tiempo y proceden a la valoración exacta de los activos de la cartera en cada escenario. En un gran número de métodos, y éste es el tercero de los problemas, es necesario disponer de una distribución para los rendimientos de los factores de riesgo. Ante este problema, es común asumir una distribución normal para los rendimientos, supuesto éste, que si bien facilita enormemente los cálculos y desarrollos, no parece muy realista a la vista de las principales referencias sobre distribuciones de rendimientos de activos financieros 2. En todas ellas se rechaza la hipótesis de normalidad y, aunque no se alcanza un consenso sobre la distribución exacta que subyace a los rendimientos, todos coinciden en que la distribución ha de tener colas gruesas. La detección de colas gruesas no hace más que complicar el problema a que nos enfrentamos ya que, como indican Jansen y De Vries (1991), hay una considerable controversia en relación con la masa exacta de probabilidad que reside en las colas de la distribución, cuando precisamente el VaR se define como un cuantil extremo. Esta misma circunstancia es la que hace no recomendable el uso de los métodos de ajuste estadístico habituales. Diebold (1998) hace referencia explícitamente a esta cuestión: [Los] métodos paramétricos implícitamente se centran en realizar un buen ajuste en las regiones donde están la mayoría de los datos [...], incluso sofisticados métodos no paramétricos [...] es bien conocido que realizan un ajuste pobre en las colas. Pero es que es más, el escaso número de observaciones extremas hace muy difícil encontrar un método que, sobre la base exclusivamente de esta información, sea capaz de ofrecer estimaciones fiables para futuros eventos extremos. Ambas apreciaciones nos llevan a pensar que la estimación de una función de densidad completa no parece la mejor forma de aproximarnos al problema de la estimación de extremos, el caso que aquí nos ocupa. En este sentido, las recientes aplica- 2 Puede verse, por citar solo las más significativas, Mandelbrot (1963, 67), Fama (1965), Praetz (1972), Blattberg et al. (1974), Kon (1984), Boothe y Glassman (1987) o Mittnik y Rachev (1993).

7 5 ciones de la Teoría de Valores Extremos, EVT en adelante, al campo de las Finanzas parecen ofrecer un punto de vista novedoso y, a priori, bien fundamentado desde un punto de vista estadístico, con el que realizar la estimación de medidas del riesgo de mercado. Esto es así porque la EVT se centra en el estudio de los extremos de una distribución, de los sucesos de baja probabilidad, desarrollando un conjunto de herramientas a partir de las cuales es posible determinar los cuantiles extremos de una distribución sin necesidad de conocer la distribución completa. Siendo nuestro objetivo ilustrar la aplicación de la EVT al cálculo del VaR, organizamos lo que resta del presente trabajo de la siguiente forma: en el epígrafe segundo realizamos una breve reseña de los principales desarrollos teóricos y de estimación de la Teoría de Valores Extremos orientando nuestra reseña hacia el estudio de información financiera; en el tercero, realizamos una aplicación al cálculo del VaR de una posición en divisas, haciendo especial hincapié en su comparación con los métodos normales de cálculo del VaR; finalizaremos con unas breves conclusiones. 2 Teoría de Valores Extremos Si bien los orígenes de esta disciplina podemos encontrarlos en el siglo XVIII, su desarrollo se ha producido básicamente en los últimos 100 años. De hecho, no fue sino hasta 1958 cuando E. J. Gumbel publicó Estadísticos de extremos, el primer libro dedicado íntegramente a la EVT. En esta publicación se define el objetivo de la EVT como [...] analizar los extremos observados y predecir más allá de éstos. Este objetivo, aunque ambicioso, es alcanzable, en la medida que, tal como reseña Gumbel Los extremos no son constantes sino que son nuevas variables estadísticas que dependen de la distribución inicial y del tamaño de la muestra. No obstante, se pueden alcanzar resultados ciertos que no dependen de la distribución inicial. En la breve reseña teórica que realizamos a continuación nos centraremos en los desarrollos de distribuciones asintóticas del máximo 3 de un conjunto de variables 3 Nos centramos, por comodidad, en el caso del máximo, lo cual no supone una pérdida de generali- min X, X,, X max X, X,, X. dad en la medida que, como es conocido, n n

8 6 aleatorias, pues ésta es la base para lograr plantear una versión estimada de la función de distribución de las variables originales, válida únicamente en los extremos, a partir de la cual estimar los cuantiles extremos deseados. 2.1 Distribución asintótica del máximo de un conjunto de variables aleatorias Partimos de un conjunto X, X,, X, 1 2 n de variables aleatorias no degeneradas, independientes e idénticamente distribuidas con función de distribución desconocida, F y estadísticos de orden X X X y estamos interesados en estudiar la 1: n 2: n nn : distribución del máximo, X, que vendrá dada por 1: n F ( x ) Pr X x Pr max,,, ( ) 1: 1: X X X x 1 2 F x n n n n ahora bien, la utilidad práctica de esta expresión es muy limitada en nuestro caso en la medida que requiere conocer la distribución de las variables aleatorias de partida que, por hipótesis, es desconocida. Ante esto, se puede realizar un planteamiento alternativo, inspirado en el Teorema Central del Límite, y que consiste en estudiar la distribución asintótica del máximo de un conjunto de variables aleatorias con el objetivo de que nos sirva de aproximación para analizar la distribución del máximo de un número lo suficientemente alto de variables aleatorias. Dicho de otro modo, estamos interesados en estudiar bajo qué condiciones existen las constantes cn 0 y d n tal que se verifica que cn( X d ) 1: n n tiende en Ley a alguna variable aleatoria no degenerada, cuáles son las posibles leyes límite y bajo qué condiciones dicha convergencia tiene lugar hacia una distribución límite concreta. El Teorema de Tipos Extremos, uno de los resultados fundamentales de la EVT, da respuesta a la pregunta anterior en tanto que establece que, si existen las constantes de normalización, únicamente pueden existir tres tipos de leyes que pueden jugar el papel de variables límite, los llamados tipos extremos.

9 7 Teorema 1. Teorema de Tipos Extremos 4 Sea X, X,, X 1 2 n una sucesión de variables aleatorias, independientes e idénticamente distribuidas con función de distribución F y sea X X X sus 1: n 2: n nn : estadísticos de orden. Si existen las constantes de normalización cn 0 y d n tal que se verifica L c X d G (1) n 1: n n siendo G una variable aleatoria límite no degenerada, entonces G pertenece a alguno de los tres tipos de valores extremos siguientes: Fréchet Tipo 1 Weibull Tipo 2 Gumbel Tipo 3 0 x 0 G ( x) 1, exp x x 0 exp x x 0 G ( x) 2, 0 x 0 G ( x) expexpx x 3, siendo 0 el índice de cola de la distribución. Inversamente, cada uno de los tres tipos puede aparecer como distribución límite en (1) y de hecho aparece cuando G es la distribución de las variables X. En definitiva, partiendo del supuesto de que el máximo debidamente normalizado de una sucesión de variables aleatorias tiene una distribución límite no degenerada, este teorema garantiza su atracción hacia alguno de los tres tipos extremos (esto es, su pertenencia al dominio máximo de atracción del tipo que corresponda). Hemos de indicar que este resultado, como otros que seguirán, no depende crucialmente de la verificación del supuesto de independencia e igualdad de distribución de las variables de partida sino que es generalizable, con leves modificaciones, a sucesiones dependientes 5. 4 Puede verse la demostración en Resnick (1987). 5 Una excelente referencia para consultar esta cuestión es Leadbetter et al. (1983); también puede consultarse en Galambos (1978).

10 8 Por último, es de interés reseñar que existe una representación alternativa de los tipos extremos, debida a Jenkinson y von Mises que resulta de gran utilidad en la medida que representa los tres tipos en una única familia de funciones de distribución dependientes de un parámetro que guarda una estrecha relación con. Definición 2. Tipo generalizado de valores extremos Definimos el tipo generalizado de valores extremos, G ξ, como 1/ exp (1 x) 0 G ( x) expexp( x ) 0 con y tal que 1 x 0. Se puede fácilmente comprobar que esta función, dependiendo de los valores de 1, puede dar lugar a los tres tipos extremos. De hecho, si 0, se tiene el tipo 1 Fréchet, cuando 0, se obtiene el tipo Weibull y el caso 0, es, trivialmente, el Gumbel. 2.2 Colas de la distribución original y dominios de atracción La principal aportación del Teorema de Tipos Extremos es que facilita una especificación funcional aproximada con la que estudiar la distribución del máximo de un número lo suficientemente alto de rendimientos haciendo innecesario conocer, al menos en principio, la distribución completa de la variable aleatoria original. Ahora bien, este resultado sobre la distribución asintótica del máximo aparentemente parece que tiene poco que ver con nuestro objetivo original: estimar el VaR, un cuantil extremo de una distribución de rendimientos, no de su máximo. Sin embargo existe una estrecha relación entre la distribución asintótica del máximo y el comportamiento en la cola de la distribución original. Intuitivamente parece claro, el máximo es un suceso que, por definición, pertenece a la cola derecha de la distribución y, por tanto, la distribución asintótica del máximo debería estar estrechamente relacionada con la distribución de la variable aleatoria original cuando nos situamos en su cola. El siguiente Teorema y su Corolario permiten centrar definitivamente esta cuestión.

11 9 Teorema 3. Aproximación de Poisson 6 Sea { X n } una sucesión de variables aleatorias independientes e idénticamente distribuidas con función de distribución F. Sea 0 y supongamos que existe una sucesión (no decreciente) de números reales { u n } tal que se verifica lim n1 F( u ) n n (2) entonces lim PrX u exp( ) (3) n nn : n La inversa también es cierta. Nótese que, a partir de la aproximación de Poisson, particularizando adecuadamente el valor de para cada x, podemos llegar fácilmente al Teorema 1. La aproximación de Poisson no hace más que justificar la intuición anterior sobre la relación entre la cola y el máximo, ya que si se cumple la ecuación (2), 1 Fu ( n ) ha de ser extremadamente pequeño, lo cual implica que estamos en la cola de la distribución original y, por tanto, en ese caso y solo en ese caso, podemos pasar a (3). Precisamente esta relación entre la cola y el máximo, unida al Teorema 1 permite caracterizar los dominios de atracción de los tres tipos de valores extremos a partir del comportamiento en la cola de la distribución original. Corolario 4. Condición alternativa de convergencia 7 La función de distribución F pertenece al dominio máximo de atracción de algún tipo de valores extremos, G, con constantes de normalización cn 0 y b n si y solo si lim n 1 F x / c ln ( ) n dn G x n entendiendo que cuando Gx ( ) 0 el límite es infinito. Así, dicho al contrario, si estimamos el índice de cola de la distribución asintótica del máximo tendremos absolutamente determinada la parte derecha de la expre- 6 La demostración puede consultarse en Leadbetter et al. (1983). 7 Puede verse la demostración, por ejemplo, en Embrechts et al. (1997).

12 10 sión anterior y, por tanto, podremos utilizarla, bajo ciertas condiciones, para realizar una aproximación 8 a la cola de la distribución de la variable aleatoria original, que era el objetivo buscado. 2.3 Variaciones regulares y tipos extremos Ante una muestra de datos financieros concreta y asumiendo que las premisas del Teorema de Tipos Extremos se cumplen, surge ahora una nueva pregunta qué tipo extremo es el relevante para esa muestra? Analizando esta cuestión desde un punto de vista estrictamente teórico, existe un amplio conjunto de condiciones necesarias y/o suficientes que ha de cumplir la variable aleatoria original para pertenecer a cada uno de los dominios de atracción 9. En cualquier caso, al aplicar la Teoría de Valores Extremos al análisis de rendimientos financieros el problema de la elección del tipo extremo se simplifica bastante al ser posible analizar las condiciones de pertenencia a los dominios de atracción a la luz de las regularidades estadísticas de las variables financieras. Concretamente, como se ha comentado anteriormente, la principal constante de los últimos 30 años en la modelización de rendimientos es que las distribuciones no son normales y que presentan colas gruesas. Si bien es cierto que a nivel estadístico no existe una definición unívoca sobre lo que se entiende por una distribución de cola gruesa no lo es menos que si nos centramos en la literatura financiera reciente el consenso es prácticamente generalizado 10, por no decir total: una distribución tiene colas gruesas si 1 Fx ( ) varía regularmente 11 en infinito con índice a 0, condición ésta que nos permite seleccionar el dominio 8 Es muy importante destacar que la aproximación sólo es válida cuando estamos muy a la derecha de la distribución original, esto es cuando ( ) 1 Fx. 9 Una referencia muy útil para consultar la amplia gama de condiciones de convergencia para cada tipo de valores extremos es Embrechts et al. (1997). 10 Vease, por ejemplo, Jansen y De Vries (1991), Hols y De Vries (1991), Longin (1996), Lux (1996), Bassi et al. (1997), Dannielson y De Vries (1997a), Dannielson y De Vries (1997b), Embrechts et al. (1997), Kearns y Pagan (1997), Resnick (1997), Dannielson et al. (1998), Diebold et al. (1998), Resnick y Starica (1998), Dewachter y Gielens (1999), McNeil (1999). 11 Puede consultarse este concepto y algunas de sus propiedades en Feller (1971).

13 11 máximo de atracción del tipo Fréchet en virtud del siguiente Teorema debido a Gnedenko (1943): Teorema 5 Condición necesaria y suficiente de pertenencia al dominio máximo de atracción del tipo Fréchet Una función de distribución F pertenece al dominio máximo de atracción del tipo Fréchet si y solo si se verifica que xf sup x; F( x) 1 1 Ftx ( ) lim x t 1 Ft ( ) 0 x 0 en este caso, las constantes de normalización de la convergencia vendrán dadas por c n F n dn 0 Dicho de otro modo, una función de distribución pertenece al dominio máximo de atracción del tipo Fréchet si, no teniendo punto final a la derecha, varía regularmente con índice Técnicas de estimación Existen, al menos desde un punto de vista histórico, dos métodos para enfrentarnos al problema de la estimación del índice de cola de un tipo extremo: la estimación paramétrica, planteada inicialmente por Gumbel (1958), y que actualmente se encuentra en desuso a nivel financiero, y la estimación que se puede denominar de Dominio Máximo de Atracción, MDA, que parte de los artículos de Pickands (1975) y Hill (1975) y que actualmente es, prácticamente, la única que se utiliza en nuestro campo. Las técnicas de estimación MDA parten del supuesto de que se dispone de un conjunto de variables aleatorias, X 1, X 2,, Xn, no degeneradas, independientes e idénticamente distribuidas según una función de distribución, F, desconocida que pertenece al dominio máximo de atracción de algún tipo extremo y con estadísticos de orden X X X. 1: n 2: n nn : Mediante la aplicación de alguna de las propiedades asintóticas derivadas de la pertenencia a los dominios máximos de atracción, estas técnicas consiguen obtener una versión paramétrica o semiparamétrica de la distribución original, válida para los ma-

14 12 yores valores de la variable, a partir de la cual realizar la estimación del índice de cola. En función de la propiedad utilizada aparecen los diferentes estimadores del índice de cola, por orden cronológico, Pickands (1975), Hill (1975), De Haan y Resnick (1980), Smith (1987), Decker et al. (1989), Leabetter (1991) y Kratz y Resnick (1995). En cualquiera de los casos, merece la pena destacar que el verdadero nexo de unión entre estas técnicas se encuentra, desde nuestro punto de vista, en el hecho de que solamente se cumplen sus supuestos cuando x o, dicho de otra forma, cuando se quiere conocer el comportamiento de la variable para valores de la variable suficientemente altos. Es por ello que, como decíamos, sólo utilizan una parte de la información de la muestra original, en particular, las mayores observaciones, para realizar la estimación. La idea intuitiva que subyace a estos métodos de estimación es utilizar únicamente la información que pertenece (presumiblemente) a la cola de la distribución, puesto que se desea realizar inferencia sobre el máximo (la cola) de ésta, eliminando así la información central de la muestra que, a nuestros efectos, es irrelevante. Es por ello que este tipo de métodos estadísticos también se conocen bajo el acrónimo de Let the tails speaks for themselves También es importante destacar que, en lo que sigue, utilizaremos indistintamente las dos notaciones introducidas con anterioridad para el índice de cola, esto es, su notación habitual,, y la notación inversa, teniendo en cuenta que en el caso Fréchet, 1. El estimador de Hill En este trabajo utilizaremos el estimador propuesto por Bruce M. Hill en 1975 en su artículo A simple general approach to inference about the tail of a distribution que, sin duda alguna, es el estimador del índice de cola más importante y extendido en el campo de las Finanzas. Su expresión viene dada por 1 m H mn : ln X ln X in : mn : m i1 1 (4) siendo m el número de estadísticos de orden que entran a formar parte de la estimación.

15 13 El estimador de Hill es, bajo ciertas condiciones sobre n y m, débilmente consistencia, Mason (1982), fuertemente consistente, Deheuvels et al. (1988), y, tal como puede verse en Hall (1982), Goldie y Smith (1987) o De Haan y Resnick (1996) m H L 2 mn : N0, Es crucial destacar que no se utilizan todas las observaciones disponibles en la muestra para estimar el índice de cola sino únicamente las m superiores surgiendo, así, el principal problema de estos métodos de estimación: la elección de m. Si lo analizamos desde un punto de vista ligado a la inferencia, podemos hacer la siguiente reflexión informal, para un tamaño de muestra fijo: por una parte nos interesa elegir un m lo suficientemente alto como para que, al incrementarse el número de datos con el que realizamos la estimación, se consiga que la distribución y varianza del estimador se acerquen lo más posible a sus versiones asintóticas. pero, por otra parte, también interesa elegir un m suficientemente bajo, ya que un m demasiado alto implica salirnos del conjunto de observaciones que, presumiblemente, cumplen las condiciones de la estimación. Existe, por tanto, un claro trade-off entre varianza y sesgo. Conforme se consigue disminuir la varianza de la estimación se aumenta su sesgo y viceversa: el objetivo fundamental de cualquier técnica de selección de m ha de ser establecer un equilibrio adecuado entre ambas fuerzas. Desafortunadamente no existe ningún procedimiento óptimo de elección de m, si bien una de las herramienta más extendida son los llamados gráficos de Hill (o del estimador de que se trate) que representan los valores del índice de cola estimado como función del número de estadísticos de orden que entran a formar parte de la estimación, esto es m, mn :, 1 m n, m La idea intuitiva que subyace a la utilización del gráfico es que conforme se incrementa m, la varianza del estimador va disminuyendo y el sesgo aumentando y, por

16 14 tanto, es de prever que exista en el gráfico una zona intermedia para la cual se observe un relativo equilibrio entre ambas fuerzas y el estimador permanezca estable. 2.5 Cálculo del VaR Una vez que se dispone de una estimación del índice de cola de la distribución de los factores de riesgo, el último paso para calcular el VaR es construir la versión estimada de la cola de dicha distribución. Se puede demostrar fácilmente 12, a partir de los planteamientos anteriores, que ésta vendrá dada por m x Fx ( ) 1 n x mn : H mn : y, por tanto, la expresión del cuantil de orden p, p 1, será n x p xm: n (1 p) m H 1/ mn : siendo muy importante destacar, aún a riesgo de ser reiterativos, que esta expresión solo es válida para calcular cuantiles extremos de la distribución original y, en ningún caso, se puede tomar como una expresión general de los cuantiles de dicha distribución. En definitiva, si nuestras variables son los rendimientos de los factores de riesgo de una determinada cartera, la expresión anterior permite, disponiendo de una estimación del índice de cola, calcular los cuantiles extremos de dicha distribución y, por tanto, utilizando cualquier modelo que relacione los rendimientos de los factores de riesgo con el valor de la cartera, calcular el VaR. 12 Vease, por ejemplo, Embrechts et al. (1997).

17 15 3 Una aplicación de la EVT al cálculo del VaR En este epígrafe vamos a aplicar los desarrollos anteriores a un caso de cálculo del VaR de una posición simple en divisas (straight FX) de dólares estadounidenses, USD, frente a yenes japoneses, JPY. La elección de este tipo de posición no es arbitraria sino que responde al hecho de buscar un activo con el que fuera posible calcular el VaR fácilmente para así centrar nuestra atención en los efectos y consecuencias de la estimación de valores extremos más que en la propia problemática usual del cálculo del Valor en Riesgo. Así, se ha buscado un activo para el cual el factor de riesgo, según indica el Banco Internacional de Pagos, es el propio rendimiento del activo y que se relaciona linealmente con la variación de valor de la cartera. Por tanto, el VaR vendría dado, simplemente, por el producto del valor al contado de la cartera de USD, valorado en JPY, y el cuantil que corresponda de la distribución de rendimientos del tipo de cambio JPY/USD. La muestra original consiste en los promedios bidask de los tipos de cambio interbancarios diarios JPY/USD tomados todos los miércoles desde el 3 de enero de 1990 hasta el 29 de diciembre de 1999, en total 522 observaciones. Si llamamos x t al tipo de cambio del día t, el factor de riesgo vendría dado por la tasa de variación semanal, en porcentaje, del tipo de cambio, esto es, f 100( x / x 1). 7 t t t En el Apéndice presentamos la representación gráfica de ambas series así como sus principales estadísticos descriptivos; únicamente destacar el valor del coeficiente de curtosis del factor de riesgo que claramente supera el registro de la distribución normal. Evidentemente, con la información disponible, podemos calcular tanto el VaR de una posición larga al contado en USD como el de una posición corta, que corresponderían, respectivamente a los cuantiles de orden 0,01 y 0,99 de la distribución del factor de riesgo.

18 Estimación de los índices de cola Puesto que nos interesa calcular el VaR de las dos posiciones vamos a realizar el análisis de las colas de la distribución de rendimientos por separado, evitando así el apriorístico supuesto, por lo demás habitual, de que son simétricas. Para ello, dividimos la muestra original del factor de riesgo en dos submuestras: la de valores positivos, 253 observaciones, y la de valores negativos, 268 observaciones. Como hemos visto con anterioridad, el principal problema de la estimación del índice de cola radica en determinar dónde comienza exactamente la cola de la distribución y, por tanto, seleccionar, cara a realizar la estimación, únicamente aquellas observaciones de la muestra original que pertenecen a la cola de la distribución. Ante la inexistencia de un procedimiento bien fundamentado de selección del m óptimo que reseñábamos con anterioridad, hemos optado por realizar la selección basándonos en el gráfico de Hill, aun a pesar de la subjetividad que conlleva. Para ello, hemos calculado el valor del estimador de Hill, de acuerdo a nuestra ecuación (4), para los 125 primeros estadísticos de orden de cada cola y construidos los gráficos de Hill correspondientes, que se presentan en la Figura 1. 6,0 5,0 4,0 3,0 2,0 1,0 0,0 6,0 5,0 4,0 3,0 2,0 1,0 0, Cola izquierda Cola derecha Figura 1. Gráficos de Hill del tipo de cambio JPY/USD La primera característica que hemos de destacar de los gráficos es que, para los valores de m relevantes, las estimaciones índice de cola son claramente positivas, dando, de alguna forma, verosimilitud, junto con la fuerte leptocurtosis del factor, a nuestro supuesto de partida de que la distribución pertenecía al dominio máximo de atracción del tipo Frechet.

19 17 Por otra parte, centrándonos ya en el propio gráfico, entendemos que en ambos casos se sigue razonablemente el comportamiento usual que reseñábamos en el epígrafe anterior para esta herramienta. Así, en la zona en la que m es bajo, los valores estimados del parámetro experimentan fuertes oscilaciones, debido a que los valores estimados por el estimador de Hill, como consecuencia del escaso número de estadísticos de orden que entran a formar parte de su cálculo, es muy sensible a una entrada adicional y, por tanto, varía fuertemente ante la entrada de nueva información. Conforme se van incorporando más observaciones en su cálculo, los valores estimados se van estabilizando alcanzando una cierta estabilidad en las zonas indicadas que, presumiblemente, son aquéllas en las cuales se produce el deseado equilibrio entre sesgo y varianza. Finalmente, al ir entrando progresivamente estadísticos de orden que claramente no pertenecen a la cola de la distribución, los valores estimados se van sesgando registrando una tendencia descendente. Pasando ya al estudio detallado de las zonas estables del gráfico de Hill de la cola izquierda, hemos decidido seleccionar la primera zona relativamente estable que aparece en el gráfico y que se encontraría entre m 29 y m 38 donde el valor estimado se mueve en torno a 2,7612. El principal motivo que nos lleva esta elección es elegir un valor de m (un conjunto de valores, estrictamente hablando) que, cumpliendo el requisito de estabilidad del gráfico, sea lo más bajo posible para asegurar que los valores observados que entran a formar parte de la estimación pertenezcan a la cola de la distribución. Se podría objetar a esta elección que aparecen otras zonas estables a partir de m 40 pero entendemos que éstas se encuentran incluidas dentro de la zona en la que presumiblemente el sesgo comienza a incrementarse (aunque nótese que se va produciendo a saltos, lo que podría deberse a otro tipo de consideraciones fuera del ámbito de este análisis). Al analizar la zona estable de la cola derecha, observamos que es necesario seleccionar valores algo altos de m para encontrar una zona donde el estimador se mantenga relativamente estable en un intervalo de valores de m de una amplitud relevante. La primera zona estable aparece, desde nuestro punto de vista, desde m 46 hasta m 76 en torno a un valor estimado de 2,4227. En este caso, sí se observa con mayor claridad cómo al finalizar la zona de estabilidad los valores estimados van sesgándose de forma lenta pero progresiva.

20 18 Ante la necesidad de elegir un valor concreto de m para proceder a la estimación del índice de cola, hemos decidido seleccionar aquel m que hace que valor estimado del índice de cola sea el que más se acerca a su valor medio en la zona. En cualquier caso, esta elección concreta tiene escasa relevancia en los resultados finales ya que, por la propia construcción del estimador, tanto los valores del índice de cola estimado como los del último estadístico de orden utilizado son, dentro de cada zona, muy similares. La estimación final del índice de cola y los estadísticos relevantes de cada cola los resumimos en la Tabla 1. Valores estimados Cola izquierda Cola derecha n m xmn : -2,3524 1,4245 2,7603 2,4210 mn : Tabla 1. Estimaciones del índice de cola JPY/USD 3.2 Cálculo del VaR Una vez que disponemos de ambas estimaciones del índice de cola, por aplicación directa de las fórmulas expuestas en 2.5 podemos calcular los cuantiles extremos de la distribución del factor de riesgo. Así, en la tabla siguiente recogemos el cuantil del 1% de la distribución de los incrementos porcentuales del factor, válido para calcular el VaR de una posición larga en USD y el del 99%, útil para calcular el de la posición corta. Cola izquierda Posición Larga Cola derecha Posición Corta Estimaciones bajo EVT -6,0932% 5,3506% Estimaciones bajo normalidad -3,5723% 3,5723% Tabla 2. Cuantiles del factor de riesgo JPY/USD Para calcular el VaR bastaría con cambiar de signo el producto del valor de la cartera de USD, expresado en JPY, por los cuantiles anteriores. Si el valor de la cartera lo fijamos en 100 JPY, el Valor en Riesgo de la cartera de USD sería de 6,0932 JPY para la posición larga y de 5,3506 JPY para la corta. Merece la pena destacar que el cuantil izquierdo registra un valor algo superior al derecho, dando lugar a pen-

Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR

Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR Juan Mascareñas Universidad Complutense de Madrid Versión inicial: mayo 1998 - Última versión: mayo 2008 - El valor en riesgo (VaR), 2 - El método histórico, 3 - El método varianza-covarianza, 6 - El método

Más detalles

ECONOMÍA FINANCIERA II (Gerencia Cuantitativa del Riesgo) Profesor: JORGE MARIO URIBE GIL

ECONOMÍA FINANCIERA II (Gerencia Cuantitativa del Riesgo) Profesor: JORGE MARIO URIBE GIL ECONOMÍA FINANCIERA II (Gerencia Cuantitativa del Riesgo) Profesor: JORGE MARIO URIBE GIL Introducción. El curso de Economía Financiera II está diseñado para aquellos estudiantes que estén interesados

Más detalles

Métodos clave para calcular el Valor en Riesgo

Métodos clave para calcular el Valor en Riesgo [.estrategiafinanciera.es ] Caso de Estudio Métodos clave para calcular el Valor en Riesgo La actividad tesorera es especialmente susceptible al riesgo de mercado llegando a provocar en los últimos tiempos

Más detalles

PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT

PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT Ángel Solano García Mª Isabel González Martínez Universidad de Murcia ABSTRACT Es bien sabido por el futuro

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

GRADO EN FINANZAS, BANCA Y SEGUROS TERCER CURSO

GRADO EN FINANZAS, BANCA Y SEGUROS TERCER CURSO Facultad de Ciencias Económicas y Empresariales GRADO EN FINANZAS, BANCA Y SEGUROS TERCER CURSO Asignatura Medición de riesgos Código 804985 Módulo Análisis Económico de entidades financieras y de seguros

Más detalles

Reducción de la ambigüedad generada por el indicador media móvil en los mercados financieros.

Reducción de la ambigüedad generada por el indicador media móvil en los mercados financieros. 5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Reducción de la ambigüedad generada por

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

FONDOS DE INVERSIÓN: MANEJO ACTIVO VS. PASIVO

FONDOS DE INVERSIÓN: MANEJO ACTIVO VS. PASIVO PONTIFICIA UNIVERSIDAD CATOLICA ARGENTINA FACULTAD DE CIENCIAS SOCIALES Y ECONOMICAS LICENCIATURA EN ECONOMIA TESIS DE GRADO FONDOS DE INVERSIÓN: MANEJO ACTIVO VS. PASIVO MARIA ALEJANDRA PERNICONE Registro:

Más detalles

Medidas de concordancia: el índice de Kappa

Medidas de concordancia: el índice de Kappa Investigación: Medidas de concordancia: el índice de Kappa 1/5 Medidas de concordancia: el índice de Kappa Autores: López de Ullibarri Galparsoro I, Pita Fernández, S. Unidad de Epidemiología Clínica y

Más detalles

MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES MULTINOMIAL MODELS: AN ANALISYS OF THEIR PROPERTIES

MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES MULTINOMIAL MODELS: AN ANALISYS OF THEIR PROPERTIES MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES Arlen Yahir Guarin Galeano *, Andrés Ramírez Hassan ** y Juan Felipe Torres *** RESUMEN En el presente trabajo se desarrolla un análisis de las propiedades

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

SVR II SISTEMA DE VALORACIÓN DE RIESGO. VERSIÓN II.

SVR II SISTEMA DE VALORACIÓN DE RIESGO. VERSIÓN II. SVR II SISTEMA DE VALORACIÓN DE RIESGO. VERSIÓN II. CONTENIDO 1. Introducción...1 2. Antecedentes y Objetivos...1 3. Aspectos Conceptuales y Aplicación del...2 3.1 Diferencias...3 3.2 Márgenes Ordinarios...4

Más detalles

Análisis bayesiano de modelos de riesgo en compañías de seguros

Análisis bayesiano de modelos de riesgo en compañías de seguros Análisis bayesiano de modelos de riesgo en compañías de seguros M. Concepción Ausín, Departamento de Estadística e Investigación Operativa, Universidad Complutense de Madrid. Trabajo conjunto con Juan

Más detalles

CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES

CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES Para la valuación de opciones hay dos modelos ampliamente reconocidos como son el modelo binomial y el modelo de Black

Más detalles

CURSO DE GESTIÓN DEL RIESGO EN LOS MERCADOS FINANCIEROS. Visión Práctica de la Gestión del Riesgo de Mercado en una entidad bancaria 12 diciembre 2013

CURSO DE GESTIÓN DEL RIESGO EN LOS MERCADOS FINANCIEROS. Visión Práctica de la Gestión del Riesgo de Mercado en una entidad bancaria 12 diciembre 2013 CURSO DE GESTIÓN DEL RIESGO EN LOS MERCADOS FINANCIEROS Visión Práctica de la Gestión del Riesgo de Mercado en una entidad bancaria 12 diciembre 2013 Índice 1. Introducción 2. Riesgo de Mercado Visión

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO "FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO" José Miguel Navarro Azorín Dpto. de Métodos Cuantitativos para la Economía Universidad de Murcia (versión preliminar)

Más detalles

Lean SEIS SIGMA Área Temática: Logística

Lean SEIS SIGMA Área Temática: Logística Proyecto fin de Master Hito 3 Ejercicio Nº 1 Lean SEIS SIGMA Área Temática: Logística www.formatoedu.com 1 Enunciado Lean Seis Sigma es una metodología eficaz para reducir sistemáticamente todas las deficiencias

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Colección Mercados M-2

Colección Mercados M-2 El VaR Pablo García Estévez Diciembre 2008. M-2 1. Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. El VaR es una

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

JUSTIFICACIÓN DIRIGIDO A

JUSTIFICACIÓN DIRIGIDO A JUSTIFICACIÓN En los últimos años, las sociedades han iniciado procesos de globalización e integración de los mercados, procesos que merecen toda la rigurosidad por parte de la academia para analizarlos,

Más detalles

Indicadores matemáticos para el análisis técnico de precios

Indicadores matemáticos para el análisis técnico de precios ANÁLISIS TÉCNICO DE PRECIOS Nota técnica Joaquín Arias Segura Ph.D i Especialista Regional en Políticas y Negociaciones Comerciales para la Región Andina Instituto Interamericano de Cooperación para la

Más detalles

LA TEORÍA DEL VALOR EXTREMO EN EL MERCADO DE LAS ASEGURADORAS NÉSTOR DUARTE VELASCO. Monografía para optar al título de. Economista.

LA TEORÍA DEL VALOR EXTREMO EN EL MERCADO DE LAS ASEGURADORAS NÉSTOR DUARTE VELASCO. Monografía para optar al título de. Economista. LA TEORÍA DEL VALOR EXTREMO EN EL MERCADO DE LAS ASEGURADORAS NÉSTOR DUARTE VELASCO Monografía para optar al título de Economista Director GUSTAVO ADOLFO DÍAZ UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD

Más detalles

Introducción a la Teoría de Valores Extremos. 4. Tópicos Adicionales, Software y Casos de Estudio

Introducción a la Teoría de Valores Extremos. 4. Tópicos Adicionales, Software y Casos de Estudio Introducción a la Teoría de Valores Extremos 4. Tópicos Adicionales, Software y Casos de Estudio Joaquín Ortega Sánchez jortega@cimat.mx Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto.,

Más detalles

V Seminario Nacional de Investigación en Modelos Financieros

V Seminario Nacional de Investigación en Modelos Financieros V Seminario Nacional de Investigación en Modelos Financieros Gestión de Activos y Pasivos: una introducción al Riesgo de Tasa de Interés Josefina Arias, Mauro Speranza y Darío Bacchini De qué se trata

Más detalles

PROGRAMACIÓN ESTOCÁSTICA CON FUNCIÓN OBJETIVO FRACTIL. UNA APLICACIÓN A LA PLANIFICACIÓN DE TESORERÍA

PROGRAMACIÓN ESTOCÁSTICA CON FUNCIÓN OBJETIVO FRACTIL. UNA APLICACIÓN A LA PLANIFICACIÓN DE TESORERÍA PROGRAMACIÓN ESTOCÁSTICA CON FUNCIÓN OBJETIVO FRACTIL. UNA APLICACIÓN A LA PLANIFICACIÓN DE TESORERÍA Antonio Cardona Rodríguez - efpcaroa@lg.ehu.es Universidad del País Vasco (UPV/EHU) Reservados todos

Más detalles

Profesor: Javier Bonza

Profesor: Javier Bonza ANÁLISIS ECONOMÉTRICO DE LOS MERCADOS FINANCIEROS Profesor: Javier Bonza Este es un curso de nivel intermedio, que se centra en la aplicación de métodos econométricos en los mercados financieros. Durante

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Uso de cópulas en la estimación del capital económico

Uso de cópulas en la estimación del capital económico www.pwc.es Uso de cópulas en la estimación del capital económico Centre de Recerca Matèmatica, CRM Bellaterra, Barcelona 22 de febrero de 2.013 Índice 1.- Capital regulatorio: modelo de Merton 2.- Capital

Más detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Una de las primeras necesidades que surgen en las Ciencias Experimentales es la de poder expresar los valores

Más detalles

Como construir carteras eficientes a medida

Como construir carteras eficientes a medida Un caso práctico desarrollado por el programa EFE 2000 de la empresa SciEcon Como construir carteras eficientes a medida El diseño de carteras eficientes involucra siempre un proceso de optimización. Si

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

Más detalles

TEMA 6: La valoración de opciones y futuros

TEMA 6: La valoración de opciones y futuros TEMA 6: La valoración de opciones y futuros Índice 1. Introducción 2. Definición de futuros y opciones 2.1. Elementos en un contrato de opciones 2.2. Tipos de opciones 3. Funcionamiento de las opciones

Más detalles

Duración del Proyecto e Incertidumbre

Duración del Proyecto e Incertidumbre 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Duración del Proyecto e Incertidumbre Project Duration

Más detalles

Rho-Works Advanced Analytical Systems. CVaR E pert. Información sobre el producto

Rho-Works Advanced Analytical Systems. CVaR E pert. Información sobre el producto Advanced Analytical Systems CVaR E pert Información sobre el producto Introducción Value-at-Risk (VaR) es la medida más conocida para cuantificar el riesgo de mercado de un activo o portafolio. El Conditional

Más detalles

TABLAS DINAMICAS DE MORTALIDAD Y SUPERVIVENCIA

TABLAS DINAMICAS DE MORTALIDAD Y SUPERVIVENCIA TABLAS DINAMICAS DE MORTALIDAD Y SUPERVIVENCIA Ana Debón 1 Ramón Sala 2 Universitat de Valencia Resumen: Es una realidad que la esperanza de vida está aumentando en todos los países desarrollados. Así

Más detalles

Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero.

Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero. Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Asignatura: ECO Análisis avanzado de datos Semestre: Primero Econometría [1] Asignatura: ECO Análisis avanzadas de datos Formación: Obligatoria

Más detalles

Técnicas de regresión: Regresión Lineal Múltiple

Técnicas de regresión: Regresión Lineal Múltiple Investigación: Técnicas de regresión: regresión lineal múltiple 1/1 Técnicas de regresión: Regresión Lineal Múltiple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística.

Más detalles

EL RIESGO CAMBIARIO Y SU COBERTURA FINANCIERA

EL RIESGO CAMBIARIO Y SU COBERTURA FINANCIERA EL RIESGO CAMBIARIO Y SU COBERTURA FINANCIERA MARÍA MILAGROS VIVEL BÚA Universidad de Santiago de Compostela Recibido: 14 de diciembre de 2009 Aceptado: 24 de marzo de 2010 En la global y competitiva economía

Más detalles

Seminarios de Matemática Financiera Instituto MEFF RiskLab-Madrid. The two-factor. model for credit risk. A comparison with the BIS II one-factor

Seminarios de Matemática Financiera Instituto MEFF RiskLab-Madrid. The two-factor. model for credit risk. A comparison with the BIS II one-factor Seminarios de Matemática Financiera Instituto MEFF RiskLab-Madrid Miércoles 7 de noviembre del 00 The two-factor model for credit risk A comparison with the BIS II one-factor model Juan Carlos García Céspedes

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

T. 5 Inferencia estadística acerca de la relación entre variables

T. 5 Inferencia estadística acerca de la relación entre variables T. 5 Inferencia estadística acerca de la relación entre variables 1. El caso de dos variables categóricas 2. El caso de una variable categórica y una variable cuantitativa 3. El caso de dos variables cuantitativas

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

Límite de una función

Límite de una función Límite de una función Idea intuitiva de límite El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes (las y) cuando los originales (las x) se acercan al valor x 0. Es

Más detalles

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE 1. Fórmulas utilizadas en la simulación de la evolución del precio de una acción

Más detalles

Tema 7: Estadística y probabilidad

Tema 7: Estadística y probabilidad Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro

Más detalles

Estudio comparativo de los currículos de probabilidad y estadística español y americano

Estudio comparativo de los currículos de probabilidad y estadística español y americano Estudio comparativo de los currículos de probabilidad y estadística español y americano Jaldo Ruiz, Pilar Universidad de Granada Resumen Adquiere las mismas capacidades en Probabilidad y Estadística un

Más detalles

Aspectos Cualitativos Relacionados con la Administración Integral de Riesgos

Aspectos Cualitativos Relacionados con la Administración Integral de Riesgos 31 de Agosto de 2015 Aspectos Cualitativos Relacionados con la Administración Integral de Riesgos Las debilidades en el sistema financiero de un país pueden amenazar su estabilidad financiera y económica.

Más detalles

Control de calidad del Hormigón

Control de calidad del Hormigón Control de calidad del Hormigón Calidad Hay muchos factores involucrados en la producción del hormigón, desde los materiales, la dosificación de la mezcla, el transporte, la colocación, el curado y los

Más detalles

ANALISIS DE DATOS I Programa de la asignatura; curso 2012/13

ANALISIS DE DATOS I Programa de la asignatura; curso 2012/13 1 ANALISIS DE DATOS I Programa de la asignatura; curso 2012/13 A.- OBJETIVOS DE LA ASIGNATURA El objetivo principal de la asignatura Análisis de Datos I es contribuir a familiarizar al estudiante con las

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Variables aleatorias. Función de distribución y características asociadas

Variables aleatorias. Función de distribución y características asociadas Índice 3 Variables aleatorias. Función de distribución y características asociadas 3.1 3.1 Introducción.......................................... 3.1 3.2 Concepto de variable aleatoria................................

Más detalles

Programa de Asignatura : Modelación de Riesgos Financieros

Programa de Asignatura : Modelación de Riesgos Financieros Programa de Asignatura : Modelación de Riesgos Financieros Carrera : INGENIERÍA FINANCIERA Nivel : Semestre VIII Área : Economía y Finanzas Requisito : Administración y Control de Riesgos Horas semanales

Más detalles

Porqué varían los resultados analíticos?

Porqué varían los resultados analíticos? ESTADÍSTICA BÁSICA I 1. La estadística y sus objetivos. Aplicación de la Estadística en Química Analítica 3. Variabilidad analítica. Distribución normal 4. Otros conceptos básicos. Intervalos de confianza

Más detalles

Francisco J. López Lubián* y Carlos Berastain** Valoracion fundamental en entidades financieras

Francisco J. López Lubián* y Carlos Berastain** Valoracion fundamental en entidades financieras 05 Francisco:Francisco 30/7/10 08:07 Página 58 58 ANÁLISIS FINANCIERO Francisco J. López Lubián* y Carlos Berastain** Valoracion fundamental en entidades financieras RESUMEN En este artículo se desarrolla

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

NOTA TÉCNICA 44 UNA APROXIMACION AL METODO GENERALIZADO DE LOS MOMENTOS Y SUS LIMITACIONES

NOTA TÉCNICA 44 UNA APROXIMACION AL METODO GENERALIZADO DE LOS MOMENTOS Y SUS LIMITACIONES NOTA TÉCNICA 44 Preparada por Wilson Pérez Oviedo UNA APROXIMACION AL METODO GENERALIZADO DE LOS MOMENTOS Y SUS LIMITACIONES 1. Introducción El método generalizado de los momentos (GMM) es un poderoso

Más detalles

ASOCIACIÓN LATINOAMERICANA DE INSTITUCIONES FINANCIERAS PARA EL DESARROLLO (ALIDE)

ASOCIACIÓN LATINOAMERICANA DE INSTITUCIONES FINANCIERAS PARA EL DESARROLLO (ALIDE) ASOCIACIÓN LATINOAMERICANA DE INSTITUCIONES FINANCIERAS PARA EL DESARROLLO (ALIDE) FIDEICOMISOS INSTITUIDOS EN RELACIÓN CON LA AGRICULTURA (FIRA) - BANCO DE MÉXICO Curso Taller in-house Riesgo Operativo

Más detalles

NUEVAS ESTRATEGIAS EN CONTROL DE LA VARIABILIDAD DE PROCESOS

NUEVAS ESTRATEGIAS EN CONTROL DE LA VARIABILIDAD DE PROCESOS Decimonovenas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística. Noviembre de 014. Lignini, Maira Barbiero, Cristina Flury, Maria Isabel Quaglino, Marta Instituto de Investigaciones

Más detalles

Dependencia no lineal del Índice de Precios y Cotizaciones de la Bolsa Mexicana de Valores

Dependencia no lineal del Índice de Precios y Cotizaciones de la Bolsa Mexicana de Valores Dependencia no lineal del Índice de Precios y Cotizaciones de la... Dependencia no lineal del Índice de Precios y Cotizaciones de la Bolsa Mexicana de Valores Semei L. Coronado Ramírez* Francisco Venegas-Martínez**

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

Informe preliminar sobre el recuento de individuos presentes en lavia Lliure 2015. Grupo OEC, SCC Septiembre 2015

Informe preliminar sobre el recuento de individuos presentes en lavia Lliure 2015. Grupo OEC, SCC Septiembre 2015 Informe preliminar sobre el recuento de individuos presentes en lavia Lliure 2015 Grupo OEC, SCC Septiembre 2015 Resumen Es de dominio público que el 11 de septiembre de 2015 en Cataluña se organizó un

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

Cuando algún tipo de conocimiento es aceptado, pero no enseñado con la profusión que merece, se debe pensar que

Cuando algún tipo de conocimiento es aceptado, pero no enseñado con la profusión que merece, se debe pensar que UN MÉTODO PARA HALLAR LA TASA DE RENTABILIDAD DE PROYECTOS NO- SIMPLES DE INVERSIÓN Edgar Achong V. Facultad de Ciencias Económicas y Sociales Universidad de los Andes Resumen.- El cálculo de la rentabilidad

Más detalles

PROBLEMAS ORIGINADOS POR LA NO RESPUESTA EN INVESTIGACIÓN SOCIAL: DEFINICIÓN, CONTROL Y TRATAMIENTO.

PROBLEMAS ORIGINADOS POR LA NO RESPUESTA EN INVESTIGACIÓN SOCIAL: DEFINICIÓN, CONTROL Y TRATAMIENTO. PROBLEMAS ORIGINADOS POR LA NO RESPUESTA EN INVESTIGACIÓN SOCIAL: DEFINICIÓN, CONTROL Y TRATAMIENTO. Presentamos un trabajo sobre la calidad en la recogida de datos mediante encuestas, en un momento en

Más detalles

ACCESO A LA FINANCIACIÓN EXTERNA Y CRECIMIENTO EMPRESARIAL: UN ANÁLISIS PARA EL ÁREA DEL EURO

ACCESO A LA FINANCIACIÓN EXTERNA Y CRECIMIENTO EMPRESARIAL: UN ANÁLISIS PARA EL ÁREA DEL EURO ACCESO A LA FINANCIACIÓN EXTERNA Y CRECIMIENTO EMPRESARIAL: UN ANÁLISIS PARA EL ÁREA DEL EURO Acceso a la financiación externa y crecimiento empresarial: un análisis para el área del euro Este artículo

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Informe sobre el Cálculo de Errores de Muestreo. Encuesta de la Sociedad de la Información (ESI- Empresas)

Informe sobre el Cálculo de Errores de Muestreo. Encuesta de la Sociedad de la Información (ESI- Empresas) Informe sobre el Cálculo de Errores de Muestreo Encuesta de la Sociedad de la Información (ESI- Empresas) EUSKAL ESTATISTIKA ERAKUNDA INDICE 1. Introducción...3 2. Método de expansión de Taylor...3 3.

Más detalles

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas INDICE Prefacio 1 Introducción 1-1 Preámbulo 1-2 Reseña histórica 1-3 Subdivisiones de la estadística 1-4 Estrategia, suposiciones y enfoque 2 Organizaciones de los datos para que transmitan un significado:

Más detalles

Gestión del Riesgo en Tesorería: Modelo VaR

Gestión del Riesgo en Tesorería: Modelo VaR Gestión del Riesgo en Tesorería: Modelo VaR La creciente volatilidad e integración de los mercados internacionales hace necesaria una evaluación cada vez más exacta de las pérdidas potenciales en las que

Más detalles

TEMA 1. Introducción al análisis empírico de variables económicas.

TEMA 1. Introducción al análisis empírico de variables económicas. TEMA 1. Introducción al análisis empírico de variables económicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos Económicos Introducción Tipos de Datos. Tratamiento

Más detalles

Operational Risk Revision to the simpler approaches (Consultative document)

Operational Risk Revision to the simpler approaches (Consultative document) Management Solutions 2014. Todos los derechos reservados Operational Risk Revision to the simpler approaches (Consultative document) Basel Committee on Banking Supervision www.managementsolutions.com Investigación

Más detalles

Estimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón

Estimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón Estimación puntual Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1 ESTIMACIÓN PUNTUAL Tras hacernos a la idea en el tema anterior de lo que la inferencia estadística es y persigue,

Más detalles

NT8. El Valor en Riesgo (VaR)

NT8. El Valor en Riesgo (VaR) NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo

Más detalles

UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS

UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS Lic. Marina Pecar 1 1-Análisis Monte Carlo Al proceso utilizado para aproximar soluciones de un modelo mediante la aplicación repetitiva

Más detalles

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD Curso Asignatura 2009/2010 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1º Comentarios acerca del programa del segundo curso del Bachillerato, en relación con la Prueba de Acceso a la Universidad INTRODUCCIÓN

Más detalles

Matriz de Riesgo, Evaluación y Gestión de Riesgos

Matriz de Riesgo, Evaluación y Gestión de Riesgos Matriz de Riesgo, Evaluación y Gestión de Riesgos Cualquier actividad que el ser humano realice está expuesta a riesgos de diversa índole los cuales influyen de distinta forma en los resultados esperados.

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

LA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT

LA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT LA DISTRIBUCIÓN TRAPEZOIDAL COMO MODELO PROBABILÍSTICO PARA LA METODOLOGÍA PERT JOSÉ CALLEJÓN CÉSPEDES EDUARDO PÉREZ RODRÍGUEZ ANTONIO RAMOS RODRÍGUEZ Facultad de Ciencias Económicas y Empresariales Universidad

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones

Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica

Más detalles

Boletín Asesoría Gerencial*

Boletín Asesoría Gerencial* Boletín Asesoría Gerencial* 2008 - Número 2 Gestión de : *connectedthinking Gestión de : Se debe reconocer que el riesgo operacional no es un hecho reciente. Lo que si puede considerarse reciente es la

Más detalles

Las técnicas muestrales, los métodos prospectivos y el diseño de estadísticas en desarrollo local

Las técnicas muestrales, los métodos prospectivos y el diseño de estadísticas en desarrollo local 21 Las técnicas muestrales, los métodos prospectivos y el diseño de estadísticas en desarrollo local Victoria Jiménez González Introducción La Estadística es considerada actualmente una herramienta indispensable

Más detalles

Polinomios de Taylor.

Polinomios de Taylor. Tema 7 Polinomios de Taylor. 7.1 Polinomios de Taylor. Definición 7.1 Recibe el nombre de polinomio de Taylor de grado n para la función f en el punto a, denotado por P n,a, el polinomio: P n,a (x) = f(a)

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

I1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales

I1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales 1 2 3 4 5 6 ESQUEMA DEL CURSO ESTADÍSTICA BÁSICA DISEÑO DE EXPERIMENTOS CURSO DE ESTADÍSTICA STICA BÁSICAB ESTADÍSTICA DESCRIPTIVA TIPOS DE VARIABLES MEDIDAS DE POSICIÓN CENTRAL Y DE DISPERSIÓN TABLAS

Más detalles

PROBABILIDAD Y ESTADISTICA II. Propósito del Curso : Al final del curso el estudiante: Ingeniería Ingeniería en Sistemas. Hardware

PROBABILIDAD Y ESTADISTICA II. Propósito del Curso : Al final del curso el estudiante: Ingeniería Ingeniería en Sistemas. Hardware UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICA II DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. DIAGRAMA DE FLECHAS 1.- INTRODUCCIÓN Este documento sirve de guía para el proceso de planificación de proyectos. Describe desde la visualización de la secuencia de acciones a desarrollar en dichos proyectos

Más detalles

Empresa bajo incertidumbre en el precio: modelo con dos destinos y un mercado de futuros

Empresa bajo incertidumbre en el precio: modelo con dos destinos y un mercado de futuros Empresa bajo incertidumbre en el precio: modelo con dos destinos y un mercado de futuros Rodríguez Puerta, Inmaculada (irodriguez@ceade.es) Dpto. de Métodos Cuantitativos CEADE Álvarez López, Alberto A.

Más detalles

Análisis causal de la sensibilidad de las estructuras patrimonial y financiera.

Análisis causal de la sensibilidad de las estructuras patrimonial y financiera. ANÁLISIS COMPARATIVO DE LA SENSIBILIDAD A LOS TIPOS DE INTERÉS DE LAS CAJAS DE AHORRO ANDALUZAS. Francisco Javier Ortega Navarro Algunas aclaraciones respecto al riesgo de tipo de interés. Podemos definir

Más detalles