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

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

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

Transcripción

1 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 LA BOLSA ESPAÑOLA Rafael Caballero Ferádez, Mercedes Gozález Lozao, Marao Luque Gallego, Rafael Rodríguez Avlés. Uversdad de Málaga RESUMEN E este trabajo aplcamos dversos métodos multobjetvo teractvos a datos reales de la bolsa española, e cocreto datos semaales del perodo E uestro modelo cosderamos 5 fucoes objetvo relacoadas co el deseo del decsor de maxmzar la retabldad obteda soportado el meor resgo posble. Así, tratamos de maxmzar la retabldad, mmzar la beta de la cartera como represetate del resgo sstemátco, mmzar la desvacó estádar y la covaraza las cuales recoge el resgo global soportado y, por últmo, mmzar la varaza de los resduos como represetate del resgo específco. Tras obteer ua solucó medate el método teractvo G-D-F, y tras solctar formacó sobre sus preferecas al decsor, vamos cambado de método para aprovechar las vetajas de cada uo hasta obteer ua solucó aceptada por el decsor. XII Joradas de ASEPUMA

2 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R.. INTRODUCCIÓN Es de todos coocdo que la seleccó de carteras es ua de la pezas agulares de la modera gestó de actvos faceros. E los últmos tempos se ha producdo u aumeto de las versoes e artículos bursátles exstedo varas razoes que justfca la formacó de ua cartera, tato para u partcular como para ua empresa o sttucó, pudédose destacar la obtecó de ua retabldad y lqudez aceptables de recursos ocosos evetualmete, cosegur a largo plazo que los excedetes permaetes os proporcoe ua reta complemetara al térmo de uestra vda laboral, como es el caso de los fodos de pesoes, o adqurr las partcpacoes ecesaras e ua compañía para poder ejercer u cotrol efectvo sobre su gestó. E este trabajo vamos a formular u modelo que tete dar respuesta a uestro decsor, u agete prvado que desea vertr e bolsa. E cocreto desea cosegur ua cartera de valores que cotce e el mercado cotuo español formado, aproxmadamete, por 30 títulos, depededo, la eleccó de los títulos y catdad que se va a vertr e ellos, de cuáles sea las preferecas de uestro decsor. Como es lógco deseará aquellos que proporcoe ua mayor retabldad pero, ormalmete, so los que preseta más resgo, o so los meos líqudos,... Luego, debemos evaluar dversas alteratvas segú el valor que alcaza e ellas dversos crteros e coflcto. Por tato, desde el puto de vsta matemátco debemos de utlzar téccas que tega e cueta o sólo u crtero so varos y, por cosguete, el óptmo de uo o va a cocdr co el óptmo de otro. Por todo ello, vemos que la formulacó de uestro modelo requere la utlzacó de las téccas de programacó multobjetvo. De hecho el modelo poero de Markowtz (952) de seleccó de carteras es u problema bobjetvo. Además exste múltples ejemplos de la aplcacó de téccas multobjetvo a la seleccó de carteras como so los trabajos de Lee y Lerro (973), Lee y Chesser (980), y Powell y Premachadra (998). E cocreto, e este trabajo, vamos a aplcar las téccas teractvas e las que, a través de ua teraccó cotua e teratva co el decsor, para que éste explcte preferecas sobre carteras que le so mostradas, se cosgue que el decsor se acerque a ua solucó acorde co dchas preferecas sedo el esfuerzo por reflejar las preferecas del decsor fudametal, tato e el método a emplear como e el proceso de resolucó. 2 XII Joradas de ASEPUMA

3 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos PLANTEAMIENTO DEL MODELO Ya hemos dcado que uestro propósto es seleccoar ua cartera formada por títulos del mercado bursátl español. Para ello cotamos co datos reales de la bolsa española, e cocreto datos semaales que va desde eero de 995 hasta septembre de 2002, perodo largo e el que se puede cosderar tres tpos de escearo: estable, crecmeto y decrecmeto, segú los valores alcazados por el ídce geeral de la bolsa de Madrd (IGBM). Es evdete que la coducta racoal de u versor e bolsa cosste e buscar aquella composcó de la cartera que haga máxmo su redmeto soportado el meor resgo posble. Por ello, a la hora de formular uestro modelo debemos teer e cueta como fucó objetvo, e prmer lugar la retabldad de la cartera, la cual vee dada por la meda de la retabldad de cada título poderada por su partcpacó e la cartera, sedo la retabldad de cada título la retabldad meda de las retabldades, e uestro caso, semaales, calculadas como el logartmo del cocete etre el preco del cerre de u mometo y el msmo e el mometo ateror. No cosderamos los dvdedos como medda de retabldad porque e el mercado español se da muy esporádcamete y además co ua perodcdad muy varable. E segudo lugar, teemos que teer e cueta meddas de resgo. Nosotros clumos la covaraza de la cartera, que represeta el resgo global de esta, calculada como el producto del vector traspuesto de las proporcoes por la matrz de covarazas por dcho vector, co lo cual teemos ua fucó cuadrátca desde el puto de vsta matemátco. Por otra parte, para aumetar la prudeca de la versó, evaluamos la desvacó estádar de la cartera, como la meda de las desvacoes estádares de las retabldades de los títulos poderadas por su proporcoes. Además se suele cosderar otros dos tpos de resgo, el sstemátco y el específco. El prmero, que recoge las flueca de la evolucó de la bolsa sobre los títulos, se mde medate la beta de la cartera, o producto escalar del vector de proporcoes por el vector de betas sedo este últmo el vector de coefcetes de regresó etre las retabldades de cada título y la retabldad del ídce geeral de la bolsa. El segudo, que recoge la volatldad propa de cada título, depedetemete de la evolucó del mercado, se calcula medate el producto escalar del vector de proporcoes por el vector de varazas resduales del ateror aálss de regresó. Por lo tato, os ecotramos XII Joradas de ASEPUMA 3

4 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. co 5 fucoes objetvo, las cuales pasamos a formular: Max Retabldad M Beta M Desv.Estadar M Covarazas Max M M M = x = x = = j= x r β σ x x σ j j M Resduos M Respecto a las restrccoes del modelo debemos señalar, e prmer lugar, la presupuestara, esto es, que la suma de las catdades que se verte e cada título, las varables del modelo, debe ser gual al presupuesto de versó, que osotros estableceremos e la udad, ya que o sabemos, a pror, cuál será dcho presupuesto, co lo que uestras varables reflejará el tato por uo que se debe vertr e cada título. = 2 x σ 2 e x = = Por otra parte, se suele clur e los modelos de seleccó de carteras cotas superores sobre las varables, be por razoes legales be para asegurar ua míma dversfcacó. També es frecuete clur cotas ferores, o sea, vertr ua catdad míma e determados títulos, como será uestro caso para las cco empresas más mportates de uestra bolsa, de forma que podamos rastrear, e certa medda, a uestra cartera de refereca, el IBEX35. l x Por últmo, dcar la codcó de o egatvdad de las varables puesto que o vamos a teer e cueta la veta a corto. x u 0 4 XII Joradas de ASEPUMA

5 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos RESOLUCIÓN DEL PROBLEMA Ua vez plateado el problema, os efretamos co u problema multoobjetvo el cual puede resolverse por dversas téccas. Co el propósto de que el decsor se seta más mplcado e el proceso de seleccó de su cartera, decdmos la aplcacó de téccas teractvas utlzado para resolver los problemas correspodetes el programa Promo (Caballero y otros (2002)). Ates de empezar la resolucó, sempre es coveete mostrar al decsor los deales y atdeales de las fucoes objetvo, para saber por que valores se está movedo las fucoes objetvo. E cocreto, para el escearo estable, y para uestros datos semaales, so: Retabldad: f z = m = Beta: f z = m = Desv. Estádar: f z = m = Covarazas: f z = m = Resduos: f z = m z = represetado el valor deal del objetvo -ésmo y el valor atdeal de dcho objetvo. Detro de la varedad de métodos teractvos que posee la mplemetacó, y partedo del modelo que queremos resolver, a la hora de aplcar los métodos teractvos, le cosultamos al decsor qué preferecas quería mafestar de partda. Él os cometó que le gustaría teer ua solucó de partda y que le resultaría cómodo proporcoar los pesos o mportaca locales de las fucoes objetvo, o lo que es gual, los tradeoffs locales etre objetvos (catdad que está el decsor dspuesto a sacrfcar, a cambo de empeorar otra catdad e otro objetvo). E base a esto decdmos utlzar e la prmera teracó, el método G-D-F (972) que por sus característcas correspode a este tpo de preferecas (está detro del grupo de los métodos teractvos basados e tradeoffs o pesos locales). El método G-D-F fue publcado por Geoffro, Dyer, y Feberg e 972. De partda, se asume que las preferecas del decsor puede ser descrtas por ua fucó de utldad cócava y dferecable (evdetemete es decrecete e los objetvos para problemas de mmzacó) y es aplcable a problemas multobjetvo o leales. m XII Joradas de ASEPUMA 5

6 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. Etre las prcpales vetajas que cueta este método está que posee covergeca matemátca probada (véase Geoffro et al., 972) e el setdo s exste la fucó de utldad mplícta del decsor, se llega a u puto que maxmza la utldad, y está també, el hecho que, desde el puto de vsta práctco, se tee la posbldad de 'volver haca atrás' ate errores cometdos e las preferecas. Etre los coveetes está que la solucó fal o tee por qué ser efcete. Esto hace que o sea recomedable falzar el proceso de resolucó co este método. Vemos cómo para la resolucó ecestamos ua solucó cal la cual la hemos obtedo cosderado el problema de poderacó co todos los pesos guales: Retabldad Beta Desv. Estádar Covarazas Resduos Estos valores forma el vector: f 0 = f ( x 0 ) = ( , , , ) Como puto cal podría haberse tomado cualquer otro puto, como, por ejemplo, uo de los deales de las fucoes objetvo. E base a los valores e los objetvos, el decsor os mafestó que quería darle bastate peso local a la retabldad co respecto al resto de objetvos. E cocreto os comucó que quería darle ua peso local de 7 a Retabldad, frete a u peso local de 0.2 a Beta, 0.2 a Desv. Estádar, 0.2 a Covarazas y 0.2 a Resduos. Estos valores sgfca que está dspuesto a sacrfcar 7 udades de Beta a cambo de mejorar 0.2 udades de Retabldad, que també está dspuesto a sacrfcar 7 udades de Desvacó Estádar a cambo de mejorar 0.2 udades de Retabldad, etc. Co estos valores formamos el sguete vector de pesos locales: w = ( 7, 0.2, 0.2, 0.2, 0.2) Co estos pesos, el método G-D-F maxmza e la dreccó del gradete de la fucó de utldad, obteedo ua dreccó de búsqueda que srve para geerar varas solucoes, de las cuales el decsor elgó la sguete: 6 XII Joradas de ASEPUMA

7 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... Retabldad Beta Desv. Estádar Covarazas Resduos f = f ( x ) = ( , , , , ) Para estos valores logrados, el decsor os cometó que o había cosegudo u valor e la retabldad sufcete y que desearía cambar sólo uo de los pesos locales y geerar ua ueva solucó. Así, el uevo vector de pesos fue: w 2 = (, 0.2, 0.2, 0.2, 0.2) que colocado e el G-D-F os geera varas solucoes, de las cuales el decsor elgó la sguete: Retabldad Beta Desv. Estádar Covarazas Resduos f 2 = f ( x 2 ) = ( , , , , ) Vedo que el decsor o coseguía los valores persegudos, le cometamos que exstía u método, el método STEM (97), el cual podría mejorar uo o varos objetvos, a cambo de relajar otros, pudedo troducr topes máxmos para las fucoes a empeorar. Esta maera de mafestar las preferecas le agradó bastate al decsor, a partr de los valores e los objetvos que se había cosegudo. El método STEM (STEp Method) es el método teractvo poero y fue publcado e 97 por los autores R. Beayou, J. De Motgolfer, J. Tergy y O. Lartchev. Está basado e la mmzacó de la dstaca respecto del puto deal, co modfcacoes e los parámetros de la dstaca y e la regó factble, orgadas por las preferecas del decsor, a partr de cada solucó que se va obteedo. La dstaca utlzada desde el subcojuto del espaco objetvo al puto deal es la métrca de Tchebychev. E cada teracó, las preferecas so reflejadas e la relajacó de algú XII Joradas de ASEPUMA 7

8 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. objetvo satsfactoro de forma que se permta mejorar algú otro objetvo aú o satsfactoro. Además, el decsor debe especfcar la catdad máxma que está dspuesto a sacrfcar (empeorar) del objetvo cosderado satsfactoro, auque s ecesdad de proporcoar la tasa de tercambo o tradeoff etre objetvos. E la msma líea, se tee la posbldad de, e cada teracó, cosderar fucoes objetvo e las cuales el decsor desea mateer los valores alcazados, pero o desea empeorarlos. Estas fucoes estaría detro de las fucoes objetvo a relajar dode el tope máxmo a relajar valdría cero. El prcpal coveete de este método es la formacó solctada del decsor, e cocreto, las catdades máxmas a relajar de los objetvos satsfactoros (objetvos que permtmos que empeore para mejorar los o satsfactoros). Esta dfcultad e el sumstro de estas catdades puede orgar e el procedmeto de resolucó dsttas osclacoes, ocasoado u aumeto cosderable del úmero teracoes. A pesar todo esto y de ser el prmer método teractvo, el STEM ha tedo ua gra aceptacó, sobre todo práctca, debdo a que el método proporcoa al decsor ua formacó bastate útl, e el objetvo de dlucdar sus preferecas. Además, se caracterza porque el decsor puede volver haca atrás ate errores cometdos e sus preferecas. Estos hechos ha orgado que, auque o posee covergeca matemátca, se revele como ua gra técca teractva. Volvedo a uestro caso, el decsor os mafesta que quere mejorar más la retabldad. A cambo esta dspuesto a sacrfcar el resto de las fucoes. E cocreto, las preferecas que mafestó el decsor fuero las sguetes: Retabldad Fucó a mejorar. Beta Fucó a relajar co u valor máxmo permtdo de Desv. Estádar Fucó a relajar co u valor máxmo permtdo de Covarazas Fucó a relajar co u valor máxmo permtdo de Resduos Fucó a relajar co u valor máxmo permtdo de A partr de estas preferecas, se obtuvo la sguete solucó: 8 XII Joradas de ASEPUMA

9 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... Retabldad Beta Desv. Estádar Covarazas Resduos El decsor estaba bastate satsfecho co esta solucó. Nos djo que los veles para Desv. Estádar, Covarazas y Resduos estaba be y que ta solo os cometó de qué teía uos veles algo dferetes e su mete para Retabldad y Beta. Esto os hzo pesar a osotros como aalstas, que e este caso sería mejor utlzar u método e el que se pudera troducr los veles exactos a cosegur para las fucoes objetvo, los cuales podría ser alcazables o o alcazables, pero que el método e cuestó debería cosegur ua solucó cuyos valores e los objetvos se parecera lo máxmo a los veles proporcoados por el decsor. Es por ello que decdmos utlzar u método de puto de refereca, que recoge muy be este tpo de preferecas y los cuales puede reflejar muy be este tpo de preferecas. Vamos a cometar este tpo de métodos y más cocretamete el método usado, el de Werzbck (980), que es el del creador de esta metodología, basada e ua fucó també creada por él coocda co el ombre de fucó escalarzada de logro. La utlzacó e los métodos teractvos de la fucó escalarzada de logro, es bastate cosderable, posblemete más que e cualquer otro campo de la programacó multobjetvo. Esto se debe, sobre todo, a que dcha fucó depede de dos parámetros los cuales puede reflejar de forma drecta las preferecas del decsor, que so, los pesos de la fucó y el puto de refereca, que está formado por los valores o veles de refereca e los objetvos que se pretede cosegur. Es e estos veles de refereca, dode la mayoría de estos métodos tee la teraccó co el decsor. El decsor tee que proporcoar los valores que desea lograr e los objetvos y éstos forma el llamado puto de refereca de la fucó escalarzada de logro. La dea de este método cosste, e cada teracó, obteer dsttas solucoes efcetes, medate la mmzacó de la fucó escalarzada de logro para el puto de refereca proporcoado por el decsor (veles e los objetvos que desea cosegur el decsor), y otros putos de refereca que dfere del proporcoado e ua sola coordeada. Etre los coveetes destacamos, que e ocasoes, por las característcas XII Joradas de ASEPUMA 9

10 Caballero, R.., Gozález, M., Luque, M. y Rodríguez, R. del problema, las solucoes que se obtee o se acerca todo lo que se desea a los veles de refereca que se pretedía cosegur. Etre las vetajas, tee buea aceptacó práctca, motvado sobre todo por el carácter tutvo e la formacó requerda al decsor y la posbldad de 'volver haca atrás' ate errores cometdos e las preferecas del decsor. Además e el caso cocreto del método de Werzbck, por la fucó escalarzada de logro cosderada, las solucoes que se obtee so efcetes. Volvedo a uestro problema, pasamos a señalar las preferecas mafestadas e este caso por el decsor, el cual, partedo de los veles que había cosegudo e los objetvos, deseaba mateer los veles de Desv. Estádar, Covarazas y Resduos e los actuales, pero desearía teer ua retabldad de y ua beta de 0.9. Co estos valores formamos el puto de refereca y os dspusmos a aplcar el método de Werzbck. El método geeró varas solucoes, de las cuales el decsor elgó la sguete: Retabldad Beta Desv. Estádar Covarazas Resduos Co dcha solucó el decsor quedó totalmete satsfecho, habédose cumpldo sus expectatvas y quedado falzado por tato el proceso de resolucó. De la msma maera actuamos e el perodo de crecmeto y decrecmeto, obteédose otras solucoes aceptadas por el decsor. Como coclusó vemos cómo las solucoes obtedas e estos métodos depede de las preferecas del decsor co lo cual este se puede setr sufcetemete mplcado e el proceso de seleccó de su cartera de valores. 4. REFERENCIAS BIBLIOGRÁFICAS BENAYOUN, R., MONTGOLFIER, J., TERGNY, J. ad LARITCHEV, O. (97). Lear programmg wth multple objectve fuctos: Step Method (STEM). Mathematcal Programmg,, pp CABALLERO, R., LUQUE, M., MOLINA, J. ad RUIZ, F. (2002). PROMOIN: 0 XII Joradas de ASEPUMA

11 Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... a teractve system for multobjectve programmg. Iteratoal Joural of Iformato Techology ad Decso Makg,, pp GEOFFRION, A.M., DYER, J.S. ad FEINBERG, A. (972). A teractve approach for mult-crtero optmzato, wth a applcato to the operato of a academc departmet. Maagemet Scece, 9, 4, Part I, pp LEE, S.M. ad CHESSER, D.L. (980). Goal programmg for portfolo selecto. The Joural of Portfolo Maagemet, prmavera, pp LEE, S.M. ad LERRO, A.J. (973). Optmzg the portfolo selecto for mutual fuds. The Joural of Face, XXVIII, december, pp MARKOWITZ, H. (952). Portfolo selecto. Joural of Face, 7, 2, pp POWELL, J.G. ad PREMACHANDRA, I.M. (998). Accommodatg dverse sttutoal vestmet objectves a costrats usg o-lear goal programmg. Europea Joural of Operatoal Research, 05, pp WIERZBICKI, A.P. (980). The use of referece objectves multobjectve optmzato. Multple Crtera Decso Makg Theory ad Applcato, Lecture Notes Ecoomcs ad Mathematcas Systems 77, Edted by Fadel, G. ad Gal, T., Sprger-Verlag, Hedelberg, pp XII Joradas de ASEPUMA

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

(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

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

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

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

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

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

-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

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

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

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

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

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

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

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

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

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

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

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

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

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

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

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

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

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

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

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

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

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

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

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

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

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

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

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

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

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

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

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

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS HERRAIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS Dr. J. Iñak De La Peña Curso de Postgrado Especalsta e Cotabldad y aplcacó de las Normas Iteracoales de Cotabldad Facera Departameto de Ecoomía Facera

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

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

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

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

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

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

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA . INTRODUCCIÓN 2. SITUACIÓN ACTUAL 2.. Telefoía fja 2.2. Telefoía móvl 3. OBJETO

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

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

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

Suficiencia de Capital y Riesgo de Crédito en Carteras de Préstamos Bancarios

Suficiencia de Capital y Riesgo de Crédito en Carteras de Préstamos Bancarios Sufceca de Captal y Resgo de Crédto e Carteras de Préstamos Bacaros U modelo de mpago que relacoa la sufceca de captal co el resgo de crédto, mde el resgo de cocetracó, y determa límtes dvduales para los

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión Eerccos Resueltos de Estadístca: Tema : Descrpcoes bvarates regresó . E u estudo de la egurdad e Hgee e el Trabao se cotrastó la cdeca del tabaqusmo e la gravedad de los accdetes laborales. Cosderado ua

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

A2.1 SUMA PRESENTE A SUMA FUTURA

A2.1 SUMA PRESENTE A SUMA FUTURA A2. APÉNDICE MATEMÁTICAS FINANCIERAS E este apédce se preseta las fórmulas tradcoales para hallar las sumas equvaletes e el tempo y ua coleccó de fórmulas para equvaleca de tasas omales y efectvas. Para

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

PROGRAMACIÓN MATEMÁTICA: MODELOS DE OPTIMIZACIÓN

PROGRAMACIÓN MATEMÁTICA: MODELOS DE OPTIMIZACIÓN PROGRAMACIÓN MATEMÁTICA: MODELOS DE OPTIMIZACIÓN Begoña Vtorao bvtorao@mat.ucm.es www.mat.ucm.es/~bvtora Facultad CC. Matemátcas, Uversdad Complutese, Pza. Cecas 3, 28040 Madrd http://www.mat.ucm.es ÍNDICE

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

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

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión

REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN... 3. REPREENTATIVIDAD DE LA CURVA DE REGREIÓN... 3 3.. Poder explcatvo del modelo... 3 3.. Poder explcatvo frete a poder predctvo...

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

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

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS 5 ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS María C. Paz Sabogal Profesor Auxlar. Uversdad del Valle, Escuela de Igeería Idustral Estadístca, Cal. karo.paz@gmal.com

Más detalles

Cuadernos del CIMBAGE ISSN: 1666-5112 cimbage@econ.uba.ar Facultad de Ciencias Económicas Argentina

Cuadernos del CIMBAGE ISSN: 1666-5112 cimbage@econ.uba.ar Facultad de Ciencias Económicas Argentina Cuaderos del CIMBAGE ISSN: 666-5 cmbage@eco.uba.ar Facultad de Cecas Ecoómcas Argeta Adrés Sáchez, Jorge de; erceño Gómez, Atoo Aplcacoes actuarales de la eoría de los Subcojutos Borrosos Cuaderos del

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

Teoría de Juegos Aplicada a Problemas de Bancarrota

Teoría de Juegos Aplicada a Problemas de Bancarrota Teoría de Juegos Aplcada a Problemas de Bacarrota Dra. Flor María Guerrero Casas Dr. Mguel Ágel Hojosa Ramos Fracsca Jesús Sáchez Sáchez Departameto de Ecoomía y Empresa. Uversdad Pablo de Olavde. Ctra.

Más detalles

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT Mguel Ágel Taracó Morá Doctor e CC Ecoómcas y Empresarales Profesor Asocado de Ecoometría Uversdad de Castlla La Macha Toledo, Marzo de 2003 Título: Téccas de

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007 OMNTARIOS Y ANÁLISIS DL FATOR D PRODUTIVIDAD PROPUSTO POR OSIPTL PARA L PLAN D RGULAIÓN POR PRIOS TOP 2004 2007 APLIAIÓN D LA VARIABL M por Davd. M. Sappgto RSUMN JUTIVO ste forme preseta ua evaluacó de

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

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

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

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

INICIACIÓN TEORICO-PRÁCTICA A LAS MATEMÁTICAS FINANCIERAS I : CAPITALIZACIÓN Y RENTAS

INICIACIÓN TEORICO-PRÁCTICA A LAS MATEMÁTICAS FINANCIERAS I : CAPITALIZACIÓN Y RENTAS INIIAIÓN TEORIO-PRÁTIA A LAS MATEMÁTIAS FINANIERAS I: APITALIZAIÓN Y RENTAS INIIAIÓN TEORIO-PRÁTIA A LAS MATEMÁTIAS FINANIERAS I : APITALIZAIÓN Y RENTAS Autor: Profesor de la Uversdad de Graada (Dpto.

Más detalles

Un modelo de la APT en la selección de portafolios accionarios en el mercado mexicano *

Un modelo de la APT en la selección de portafolios accionarios en el mercado mexicano * U modelo de la ATP e la seleccó de portafolos accoaros e el mercado mecao 9 U modelo de la APT e la seleccó de portafolos accoaros e el mercado mecao * racsco López Herrera Ivestgador de la Dvsó de Ivestgacó

Más detalles

3 Regresión lineal múltiple: estimación y propiedades

3 Regresión lineal múltiple: estimación y propiedades 3 Regresó leal múltple: estmacó y propedades Ezequel Urel Uversdad de Valeca Versó 09-013 3.1 El modelo de regresó leal múltple 1 3.1.1 Modelo de regresó poblacoal y fucó de regresó poblacoal 3.1. Fucó

Más detalles

Capitalización, actualización y equivalencia financiera en capitalización compuesta

Capitalización, actualización y equivalencia financiera en capitalización compuesta Captalzacó, actualzacó y equvaleca facera e captalzacó compueta 5 E eta Udad aprederá a: 2 3 4 5 Decrbr lo efecto eecale de la captalzacó compueta. Reolver problema facero e captalzacó compueta. Dferecar

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

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

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

CIRO MARTINEZ BENCARDINO

CIRO MARTINEZ BENCARDINO CIRO MARTINEZ BENCARDINO Nacdo e Covecó (Norte de Satader - Colomba). Ecoomsta de la Uversdad Jorge Tadeo Lozao de Bogotá, D.C. Bo-estadístca (Uversdad de los Ades, Bogotá, D.C.). Téccas Estadístcas (CIENES-Satago

Más detalles