Caracterización de la incertidumbre del precio futuro del cobre
|
|
- Marina Arroyo Rivas
- hace 6 años
- Vistas:
Transcripción
1 USc/lb Caracterización de la incertidumbre del precio futuro del cobre La incertidumbre en un modelo de programación estocástica debe tener la estructura de árbol de escenarios, como se muestra en la Figura 1. La razón de esto es que la estructura de árbol asegura que se cumplirá el principio de no-anticipatividad, las decisiones que entregará el modelo en cada etapa de decisión sólo dependerán de información pasada Período Figura 1. Ejemplo de árbol de precios futuros para representar la incertidumbre en un modelo de programación estocástica. A la izquierda se muestra como gráfico y a la derecha como nodos. Árbol de 8 escenarios y 9 períodos. En la industria minera es práctica habitual representar la incertidumbre en el precio futuro del cobre utilizando modelos con reversión a la media. Este tipo de modelos de incertidumbre tiene la particularidad de que el precio oscilará en torno a un valor medio, definido a priori. La lógica de este tipo de comportamiento es de carácter económico: Si el precio del cobre está por sobre la media, se abrirán operaciones mineras, aumentando la oferta y por consecuencia disminuyendo el precio de mercado; si el precio del cobre está por debajo de la media, se cerrarán operaciones mineras, disminuyendo la oferta y por consecuencia aumentando el precio de mercado. En la literatura existen diversos modelos brownianos con reversión a la media, a modo preliminar se propone utilizar el modelo de Shwartz, 1997 por ser un modelo clásico ampliamente estudiado.
2 Se propone entonces que el precio futuro del cobre,s t, sigue un movimiento browniano con reversión a la media y responde a la siguiente ecuación diferencial estocástica: Donde ds t = κ μ ln S t S t dt + σs t dz t (0.1) µ es el valor de largo plazo o de equilibrio. es la velocidad de reversión al valor de equilibrio. z t representa un movimiento browniano estándar σ es una medida para la volatilidad del proceso Al momento se tiene una caracterización analítica de la incertidumbre del precio futuro del cobre, sin embargo el modelo recién descrito no es compatible con el modelo de planificación, porque el precio se modela a tiempo continuo y el modelo de planificación flexible está definido a tiempo discreto, en etapas. A continuación se muestra una metodología para realizar simulaciones a tiempo discreto de este proceso, lo cual será de utilidad para generar un árbol de escenarios. Se comienza definiendo X t : = ln S t. Luego, aplicando el Lema de Ito, el logaritmo del precio del cobre puede representarse por un modelo del tipo Ornstein-Uhlenbeck: dx t = κ μ σ2 X t dt + σdz t (0.2) Se tiene entonces que X t tiene distribución normal, con esperanza y varianza E X t = e κδt X e κt μ σ2 Var X t = σ2 1 e t Dixit & Pindyck y Gillespie publican las ecuaciones que permiten simular el proceso de X t en un ambiente a tiempo discreto, con intervalos Δt: X t = X t 1 e κδt + 1 e κδ t μ σ2 + σ 1 e Δ t N 0,1 (0.3) El coeficiente N(0,1) representa la realización de un número aleatorio con distribución normal de media 0 y varianza 1. Combinando la ecuación 1.3 con la relación X t : = ln S t se obtiene la fórmula para simular a tiempo discreto el precio futuro del cobre, S t : S t = EXP ln S t 1 e κδt + 1 e κδ t μ σ2 + σ 1 e Δ t N(0,1) (0.4)
3 La ecuación (1.5) para simular el precio futuro a tiempo discreto permite aplicar diversas técnicas para la generación de un árbol de escenarios. En esta oportunidad a modo de laboratorio se aplicó la técnica de ajuste de momentos para generar el árbol de escenarios Uso de Ajuste de omentos para generar el árbol de escenarios El modelo de precios es una variable a tiempo continuo, la cual tiene que ser transformada a un árbol de escenarios para así compatibilizar con el modelo de planificación flexible. La metodología para generar un árbol de escenarios se basa en el principio de ajustar de la mejor forma una distribución discreta a una distribución continua. El principal supuesto de este método es que la calidad de ajuste entre una distribución discreta y una distribución continua se mide con la similitud que tienen sus momentos. La calidad de ajuste se calculará como la diferencia cuadrática entre los momentos de las distribuciones. Se entiende por momentos la Esperanza, Varianza, Asimetría, Kurtosis, etc. Con el método de ajuste de momentos va construyendo el árbol de escenarios desde la raíz hasta las hojas. Se comienza definiendo cuántos hijos tendrá cada nodo del árbol. Comenzando desde la raíz, se calcula el precio y probabilidad de sus nodos hijos. Lo anterior se repite con los hijos, hasta completar todos los períodos del horizonte de planificación. A continuación se describe en detalle la metodología. 1. Se comienza definiendo Número de períodos a considerar, T Número de ramificaciones que tendrá el árbol en cada período N T 1 t t=1. La variable aleatoria que se pretende ajustar. En este caso será el modelo que responde a la ecuación diferencial estocástica Para el nodo raíz, se define el precio inicial S 0, conocido. 3. El nodo raíz tendrá N 1 hijos que pertenecerán al período 2, con precios S = S 1, S 2,.., S N 1 y sus correspondientes probabilidades p = p 1, p 2,.., p N1. El desafío en este momento es decidir los vectores S y p de forma de representar de la mejor forma la distribución de probabilidades del modelo 1.1 para el período 2. Tanto el modelo de precios como la distribución (S,p) tienen su propia esperanza, varianza, asimetría y kurtosis los cuales se utilizarán como medida de similitud. La función que se utilizará para medir la calidad del ajuste será la suma cuadrática de la diferencia de estas magnitudes. Para formalizar lo anterior, sea VAL 1 la esperanza del movimiento browniano para el período 2. VAL 2 la varianza del movimiento browniano para el período 2. VAL 3 la asimetría del movimiento browniano para el período 2. VAL 4 la kurtosis del movimiento browniano para el período 2. f 1 la esperanza de la distribución (S,p). f 2 la varianza de la distribución (S,p). f 3 la asimetría de la distribución (S,p). f 4 la kurtosis de la distribución (S,p). α j coeficiente de relevancia del momento j-ésimo en la función objetivo, con j=1,..,4 Se resuelve el modelo de ajuste de momentos para el segundo período:
4 min S,p 4 α j f j S, p VAL j 2 j =1 S i 0 i = 1,.., N 1 p i 0 i = 1,.., N 1 N 1 i=1 p i = 1 (0.5) El modelo 1.5 entregará los precios y las probabilidades de los N 1 nodos para el período El mecanismo anterior se repite para calcular los hijos de los N 1 nodos recién definidos. Se deben actualizar los valores VAL j j = 1,..,4 según el período que se esté calculando y el precio del nodo padre. Este proceso se repite hasta llegar a las hojas del árbol en el período T. Las magnitudes VAL j j = 1,..,4 que alimentan el modelo 1.5 se debieron actualizar constantemente. Cada vez que fue necesario actualizar, se simuló una muestra de realizaciones con la ecuación 1.4 y sobre ello se calcularon los momentos con las fórmulas conocidas de estadística. Si la muestra se define como S = s m, entonces VAL 1 = 1 VAL 2 = 1 VAL 3 = 1 VAL 4 = 1 s m s m VAL 1 2 VAL 3/2 2 s m VAL 1 3 s m VAL 4 1 VAL El horizonte de planificación para el modelo implementado es de 9 períodos. El número de ramificaciones en cada período se muestran en la Tabla 1, el cual entrega un total de 960 escenarios. A mayor el número de ramificaciones, mayor el detalle que tendrá el modelo para representar la incertidumbre del precio futuro. Se decide hacer más ramificaciones en los primeros períodos porque es donde el planificador querrá más precisión para tomar las decisiones de en el futuro cercano. Se debe tener cuidado con el número de ramificaciones porque esto impacta directamente en el tamaño del árbol y por consiguiente el tamaño del modelo de planificación flexible. El problema de tamaño es relevante porque los modelos de programación estocástica se caracterizan por ser de gran tamaño y dificultades en su implementación.
5 N t Período t P P P P P P P P P Tabla 1. Número de hijos que tendrá cada nodo de árbol de precios según el período de planificación. A modo de experimento, se utilizaron los siguientes parámetros para simular el precio futuro del cobre con la ecuación 1.4 Parámetro Valor S 0 2,00 μ 0,5 κ 0,4 σ 0,3 Tabla 2. Parámetros experimentales para simular el precio futuro del cobre, los cuales alimentan el modelo de precios de la ecuación (1.1) Al analizar los resultados del método de ajuste de momentos, se encontró que el árbol resultante no cubre de buena forma el dominio de precios futuros. Se decidió fijar a priori los precios del árbol, con el objetivo de cubrir de buena forma el espacio de precios futuros. Cada vez que se resuelve el modelo (1.5), se fija el vector S de acuerdo a los precios del árbol fijado y se optimizan sólo en función de las probabilidades con el vector p. Por ejemplo, para los nodos del segundo período, se fijaron los 5 nodos a los precios {291,246,200,154,109}, y el modelo (1.5) entregó las probabilidades {0,1; 0,1; 0,6; 0,1; 0,1}. Finalmente se desarrolló un árbol de precios de 9 períodos y 960 precios, el que se muestra en el Anexo 1. La masa de probabilidades resultante se muestra en el Anexo 2.
6 Anexos Anexo 1. Árbol de precios futuros del cobre
7 Anexo 2. Distribución de la masa de probabilidades 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% Rango de Precios
Movimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesPASEO ALEATORIO. MOVIMIENTO BROWNIANO
PASEO ALEATORIO. MOVIMIENTO BROWNIANO Jorge Estévez Grupo ER El movimiento browniano es el movimiento aleatorio que se observa en algunas partículas microscópicas que se hallan en un medio fluido (por
Más detallesSecuencias Aleatorias
Caminantes aleatorios. Secuencias Aleatorias Contenidos. Secuencias aleatorias. Caminantes aleatorios. Movimiento Browniano. La hipótesis de eficiencia de los mercados implica que la cotización de un título
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesEstimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado
Estimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado Contenido Qué vamos a ver? Introducción Antecedentes Objetivos
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesInstituto de Matemática Aplicada del Litoral
PROBLEMAS DE BARRERA EN PROCESOS ESTOCÁSTICOS Ernesto Mordecki http://www.cmat.edu.uy/ mordecki mordecki@cmat.edu.uy Facultad de Ciencias Montevideo, Uruguay. Instituto de Matemática Aplicada del Litoral
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
Más detalles2º INGENIERÍA INDUSTRIAL TEORÍA DE CIRCUITOS Y SISTEMAS
2º INGENIERÍA INDUSTRIAL TEORÍA DE CIRCUITOS Y SISTEMAS PRÁCTICA 5 SISTEMAS. ANÁLISIS DE SISTEMAS DISCRETOS. PLANTEAMIENTO DEL PROBLEMA El sistema a analizar es una fundición. El esquema de funcionamiento
Más detallesDistribución Exponencial
Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces
Más detallesUniversidad Tecnológica Nacional Facultad Regional San Francisco. Licenciatura en Administración Rural. Estadística
Universidad Tecnológica Nacional Facultad Regional San Francisco Licenciatura en Administración Rural Estadística PLANIFICACIÓN CICLO LECTIVO 2008 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN...
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesDeducción de las fórmulas de Black-Scholes mediante valor esperado del pago futuro
Deducción de las fórmulas de Black-Scholes mediante valor esperado del pago futuro Alexis Sánchez Tello de Meneses 4 Septiembre 04 Abstract Se desarrollará a partir del modelo de evolución log-normal para
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Aplicar las técnicas estudiadas para desarrollar
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesDistribución Gaussiana o normal
FLUCTUACIONES ESTADÍSTICAS Los postulados fundamentales de la teoría estadística de errores establecen que, dado un conjunto de medidas, todas efectuadas en idénticas condiciones, suficientemente grande
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesDisponible en el sitio OCW de la Universidad Nacional de Córdoba.
OCW - UNC OpenCourseWare I UNC Curso: Estadística I U 4. Variables Aleatorias Autora: Rosanna Casini Cómo citar el material: Disponible en el sitio OCW de la Universidad Nacional de Córdoba. Casini, Rosanna
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesEcuaciones de Langevin y Fokker-Planck
Capítulo 3 Ecuaciones de Langevin y Fokker-Planck Sea x una variable estocástica para la cual la ecuación de Langevin general tiene la forma [13] ẋ = A(x, t) + B(x, t)γ(t), (3.1) donde el punto denota
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesComputación Aplicada. Universidad de Las Américas. Aula virtual de Computación Aplicada. Módulo de Excel 2013 LIBRO 6
Computación Aplicada Universidad de Las Américas Aula virtual de Computación Aplicada Módulo de Excel 2013 LIBRO 6 Contenido FORMA DE HACER CÁLCULOS... 3 QUÉ SON LAS FÓRMULAS Y QUÉ LAS FUNCIONES?... 4
Más detallesModelo de cambios de régimen en el traspaso de las tasas de interés
Modelo de cambios de régimen en el traspaso de las tasas de interés (Regime switching in interest rate pass-through and dynamic bank modelling with risks) Alberto Humala XXIII Encuentro de Economistas
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesCIMPA Summer School on Inverse Problems on its Application ECUACIÓN DIFERENCIAL PARCIAL QUE ORIGINA EL MODELO DE BLACK - SCHOLES
CIMPA Summer School on Inverse Problems on its Applications ECUACIÓN DIFERENCIAL PARCIAL QUE ORIGINA EL MODELO DE BLACK - SCHOLES 11 de enero de 2010 El modelo de Black -Scholes, permite la valoración
Más detallesA qué nos referimos con medidas de dispersión?
Estadística 1 Sesión No. 4 Nombre: Medidas de dispersión. Contextualización A qué nos referimos con medidas de dispersión? En esta sesión aprenderás a calcular las medidas estadísticas de dispersión, tal
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesExamen Extraordinario de Estadística I, 22 de Junio de Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER.
Examen Extraordinario de Estadística I, de Junio de 1. Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER. NORMAS: 1 Entregar cada problema en un cuadernillo distinto, aunque esté en blanco. Realizar
Más detallesPÉNDULO SIMPLE 2 (2) ( ) y el péndulo realizará oscilaciones armónicas simples (MAS) de período
PÉNDULO SIMPLE 1.- OBJETIVOS 1) Estudio experimental de la ecuación de movimiento del péndulo simple. ) Cálculo de la aceleración de la gravedad terrestre..- FUNDAMENTO TEÓRICO Una masa m cuelga verticalmente
Más detallesREACCIONES COMPLEJAS
RECCIONES COMPLEJS Hasta ahora hemos considerado principalmente reacciones que incluyen un solo paso, sin embargo, la mayoría de los procesos son complejos, e.d., están constituidos por varias reacciones
Más detallesAPÉNDICE I. Calibración de la señal cromatográfica como función de la concentración: Sistema Ternario
APÉNDICE I Calibración de la señal cromatográfica como función de la concentración: Sistema Ternario En este apéndice se muestra la información correspondiente a la elaboración de las diferentes curvas
Más detallesGRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 2009-2010 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad y a las variables aleatorias 1. Probabilidad 1. Simular 1000
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detalles1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva... 16
ÏNDICE Indice... 3 Prólogo... 11 Capítulo 1 14 1.1. Introducción... 16 1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva.... 16 1.2.1. La gestión activa.... 17
Más detallesProbabilidades y Estadística
Universidad Tecnológica Nacional Facultad Regional San Francisco Licenciatura en Administración Rural PLANIFICACIÓN CICLO LECTIVO 2015 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN... 4
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesSimulación III. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación III Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Comentario: generación de v.a. exponenciales Generación de v.a. normales Método de convolución:
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesSimulación de Series Temporales: Una Aplicación al Precio del Petróleo
1 Simulación de Series Temporales: Una Aplicación al Precio del Petróleo Dr. Ricardo A. Queralt (CUNEF) Lorena Zaragozá (CEPSA) 2 INDICE 1 Introducción 2 Modelos de Series Temporales y @Risk 3 Precios
Más detallesLa economía y las ecuaciones diferenciales: La fórmula de Black-Scholes. David Torcal y Andrea Santamaría 16 de Diciembre 2010
La economía y las ecuaciones diferenciales: La fórmula de Black-Scholes David Torcal y Andrea Santamaría 16 de Diciembre 2010 Objetivo del estudio Extender los conceptos aprendidos sobre la resolución
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesSimulación de eventos discretos.
Simulación de eventos discretos http://humberto-r-alvarez-a.webs.com Qué es simulación? Consiste en diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentalmente con
Más detallesCálculo Integral Enero 2015
Cálculo Integral Enero 015 Laboratorio # 1 Antiderivadas I.- Halle las siguientes integrales indefinidas. 10) ) 6) 1 1 1 1 16) 1 8) 9) 18) II.- Calcule 1.. 1 Cálculo Integral Enero 015 Laboratorio # Aplicaciones
Más detallesCapítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante
Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables
Más detallesEcuaciones diferenciales estocásticas: ejemplos
Ecuaciones diferenciales estocásticas: ejemplos Curso Procesos Estocásticos Programa de Doctorado de Sistemas Complejos Juan M.R. Parrondo Dept. Física Atómica, Molecular y Nuclear, Universidad Complutense
Más detallesTeoría de errores. 4 Otro de estos ejemplos pueden ser el de la medición de la densidad de un compuesto sólido o la velocidad de la luz.
1. Preliminar Cuando se realizan mediciones siempre estamos sujetos a los errores, puesto que ninguna medida es perfecta. Es por ello, que nunca se podrá saber con certeza cual es la medida real de ningún
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detallesINTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRES DE ENSAYO
INTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRES DE ENSAYO 1. Introducción 2. Error e incertidumbre 3. Exactitud y precisión de medida 4. Tipos de medidas 5. Incertidumbre típica o de medida 6. Incertidumbre
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesPROBABILIDAD Y ESTADISTICAS. Propósito del curso : Ingeniería Ingeniería en Sistemas. Hardware. Clave de la materia: 503
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICAS DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesPROGRAMA DE MATEMÁTICA NÚCLEO COMÚN - SEGUNDO DE BACHILLERATO REFORMULACIÓN AJUSTE 2010 INTRODUCCIÓN
PROGRAMA DE MATEMÁTICA NÚCLEO COMÚN - SEGUNDO DE BACHILLERATO REFORMULACIÓN 2006 - AJUSTE 2010 INTRODUCCIÓN El programa se estructura sobre cuatro Bloques temáticos: Geometría, Funciones, Números y Probabilidad,
Más detallesIntroducción a Modelos de Recompensas en Sistemas semi-marko. aplicación a las Ciencias Actuariales
Introducción a Modelos de Recompensas en Sistemas semi-markovianos No Homogéneos, Una aplicación a las Ciencias Actuariales Universidad Autónoma de Chiapas, Facultad de Ciencias en Física y Matemáticas
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detalles1- Aplicar los conceptos básicos de Estadística para el análisis del comportamiento de la rentabilidad de una acción.
SEMINARIO FINANZAS - RIESGO UNIDAD 2 - MEDICION DEL RIESGO SEMANA 3. GUIA DE TALLER: ANALISIS ESTADISTICO DE UN ACTIVO RIESGOSO - Rentabilidad y Riesgo. PROPOSITOS: Este taller tiene como propósitos: 1-
Más detallesGobierno de La Rioja MATEMÁTICAS CONTENIDOS
CONTENIDOS MATEMÁTICAS 1.- Números reales Distintas ampliaciones de los conjuntos numéricos: números enteros, números racionales y números reales. Representaciones de los números racionales. Forma fraccionaria.
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesCOEFICIENTES DE DILATACIÓN
PRÁCTICA 3 COEFICIENTES DE DILATACIÓN OBJETIVO Determinación del coeficiente de dilatación del agua a temperatura ambiente utilizando un picnómetro. Determinación del coeficiente de dilatación lineal de
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Estructuras determinísticas y estocásticas tendencia y la estacionalidad Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 2. Medidas de Tendencia Central y Dispersión Pedro Elosegui Medidas de Descripción del Conjunto de Datos -Estadísticas sumarias que permiten describir
Más detallesGRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática)
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 2008-2009 PRACTICA 2. VARIABLES ALEATORIAS OBJETIVOS: Introducción a las variables aleatorias:
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesProbabilidad y Verosimilitud
Probabilidad y Verosimilitud Clase Teórica 8 Alexandre Aires-da-Silva Comisión Interamericana del Atún Tropical (CIAT) Curso de introducción a modelos de dinámica poblacional y evaluación de recursos marinos
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesAnalista de Sistemas de Computación. Simulación
Analista de Sistemas de Computación 1er.Cuatrimestre 2005 MATERIA: Simulación V1.0-11 - PLANIFICACION de la MATERIA Carrera: ANALISTA DE SISTEMAS DE COMPUTACION Año / Ciclo : 2º 2º Materia: SIMULACIÓN
Más detallesEstadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesMétodo de Mínimos Cuadrados Recursivo
Control Avanzado Práctica 4 Método de Mínimos Cuadrados Recursivo José Gerardo Gomez Mendez Abril 27, 25 Resumen El presente trabajo presenta un sistema de un circuito RLC, donde se utiliza el método de
Más detallesAnálisis de Decisiones
Análisis de Decisiones Facultad de Ciencias Exactas UNCPBA Mg. María Rosa Dos Reis Ambientes de Decisión Toma de decisiones bajo certidumbre: los datos se conocen en forma determinista. P ij = 1 Toma de
Más detallesMediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detalles6 Variables aleatorias independientes
6 Variables aleatorias independientes Edgar Acuna ESMA 4 Edgar Acuna Dos variables aleatorias son independientes si para todo a b P[
Más detallesCALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
Más detallesPrácticas de laboratorio (Física I y Física II) Realización de prácticas y presentación de resultados
Prácticas de laboratorio (Física I y Física II) Antonio González Fernández Departamento de Física Aplicada III Universidad de Sevilla Realización de prácticas y presentación de resultados Partes de una
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesTEMA 2: DISTRIBUCIÓN DE PROBABILIDAD
TEMA 2: DISTRIBUCIÓN DE PROBABILIDAD A partir de un experimento aleatorio cualquiera, se obtiene su espacio muestral E. Se llama variable aleatoria a una ley (o función) que a cada elemento del espacio
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detalles1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES
1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES 1.- INTRODUCCIÓN AL NÚMERO REAL Realización de operaciones con números reales. Ordenación de los
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesOndas estacionarias en una cuerda tensa
FS-00 Física General II UNAH Objetivos Universidad Nacional Autónoma de Honduras Facultad de Ciencias Escuela de Física Ondas estacionarias en una cuerda tensa Actualizada y corregida por Fis. Ricardo
Más detallesMedición de la aceleración de la gravedad con un péndulo simple
Universidad Nacional del Centro de la Provincia de Bs. As. Facultad Cs. Exactas Física experimental I Medición de la aceleración de la gravedad con un péndulo simple Achaga, Romina Prado, Patricio Romy_achaga@hotmail.com
Más detallesPuntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth
1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito
Más detalles