Frontera de Eficiencia de Futuros de Energía
|
|
- Gustavo Prado Araya
- hace 8 años
- Vistas:
Transcripción
1 Frontera de Eficiencia de Futuros de Energía Eléctrica Mayo
2 Plan de la presentación 1 La Aproximación Bayesiana a la Estadística 2 3 4
3 La Aproximación Bayesiana a la Estadística Sea Θ un espacio de parámetros o estados de la naturaleza y Ξ un espacio de datos observables. En términos de funciones de densidad el teorema se puede expresar como: f(θ y) = f (y θ)f (θ) f (y) donde f (y) es la distribución marginal de la variable aleatoria Y (o distribución marginal de los datos): f (y) = f (y θ)f (θ)dθ, Θ
4 La Aproximación Bayesiana a la Estadística f (θ y) es la distribución expost (posterior) del parámetro θ dado los datos observados y, f (y θ) es la distribución muestral.
5 La función L(θ y )= f (y θ), como función de θ se llama la función de verosimilitud. f (θ) es la distribución inicial (prior) sobre los parámetros. Obsérvese que no se ha hecho ninguna hipótesis sobre la forma de la distribución muestral. En general suponemos que y es un vector de obsrevaciones y f (y θ) es la distribución conjunta o distribución del vector aleatorio Y.
6 El modelo de Black y Litterman con Reducción de Dimensión Suponga que el espacio de parámetros son los factores de riesgo de mercado X. Por ejemplo los retornos logarítmicos de un conjunto de acciones. En general vamos a modelar X mediante un modelo de factores: X t = B t F t + ɛ t Es importante que el modelo estático anterior se pueda estimar razonablemente, que se pueda hacer un buen modelo dinámico de F t y que B t sea una matriz de carga determinística. Sea f (x) la distribución inicial de X. La idea es deducir esta distribución del modelo de factores. El administrador tiene opiniones que expresa como una variable aleatoria V condicional a las observaciones del parámetro X.
7 El modelo de Black y Litterman con Reducción de Dimensión Supongamos que X N(µ, Σ), g(x ) = PX donde P es una matriz que selecciona los activos (o combinación) en los cuales el experto tiene una expectativa. V g(x ) N(g(X ), Ω), donde Ω representa la confianza que el experto tiene en sus expectativas. La distribución V g(x ) es la distribución muestral. La interpretación es que dado g(x ) el experto genera sus expectativas usando una distribucion N(g(X ), Ω). Un caso particular es cuando Ω = ( 1 c 1) PΣP T, c un escalar positivo. Obsérvese que PΣP T significa que el experto evalua la incertidumbre de g(x ) utilizando la distribución estimada de los factores de riesgo.
8 El modelo de Black y Litterman con Reducción de Dimensión El factor ( 1 c 1) lo que hace es disminuirla o aumentarla proporcionalmente. Si c 0 el experto tiene expectativas muy inciertas (la confianza en el experto es baja y la prior y posterior son similares). Entre más cerca a 1 esté c, menos inciertas son las expectativas del experto (la confianza en el experto es mayor y la prior y posterior son menos parecidas). En conclusion, cuando la confianza en el experto es alta, la prior y la posterior se distancian y cuando es baja la prior y la posterior son parecidas.
9 El modelo de Black y Litterman con Reducción de Dimensión Supongamos que el experto tiene expectativas V = v. Obsérvese que las expectativas son sobre un combinación lineal de los factores de riesgo. Se puede demostrar que: donde: X v N(µ BL, Σ BL ) µ BL (v, Ω) = µ + ΣP T (PΣP T + Ω) 1 (v Pµ) (1) Σ BL = Σ ΣP T (PΣP T + Ω) 1 PΣ. (2) Obsérvese que en este caso particular Σ BL no depende de v.
10 El modelo de Black y Litterman con Reducción de Dimensión Ahora si F N(µ F, Σ F ) entonces X N(Bµ F, B T Σ F B) desconociendo el papel de ɛ. Si V = PX entonces V = PBF desconociendo el papel de ɛ. Supongamos que los views se expresar de la forma: V PBF N(PBµ F, ( 1 c 1)(PB)T Σ F PB). Entonces V PBF N( Pµ F, Ω) donde Ω = ( 1 c 1)(PB)T Σ F PB. Luego el modelo BL en términos de la distribución de los factores y con views sobre las variables observables X es:
11 El modelo de Black y Litterman con Reducción de Dimensión Sustituir P por P, Ω por Ω y donde v es un view sobre PX F v N(µ BL, Σ BL ) donde: µ BL (v, Ω) = µ + ΣP T (PΣP T + Ω) 1 (v Pµ) (3) Σ BL = Σ ΣP T (PΣP T + Ω) 1 PΣ. (4)
12 El modelo de Black y Litterman con Reducción de Dimensión Ahora con la distribución posterior para los factores Fv N(µ BL, Σ BL ) se puede ahora calcular la distribución posterior para los factores de riesgo: X v N(Bµ BL, B T Σ BL B) (5) Con esta distribución expost de los factores de riesgo construimos la frontera de eficiencia de los factores X.
13 Un modelo de factores semiparamétrico (Borak - Weron 2008) Curva forward típica que queremos modelar Price [NOK/MWh] Price [NOK/MWh] Maturity [Days] Maturity [Days] Price [NOK/MWh] Price [NOK/MWh] Maturity [Days] Maturity [Days]
14 Un modelo de factores semiparamétrico (Borak - Weron 2008) En el modelo que se propone a continuación se mantiene la misma notación de Borak y Weron. Sin embargo, la forma de reintepretarlo para implementarlo como una aplicación del modelo de Black y Litterman con reducción de dimensión es: 1 Y X 2 Z F 3 X Z Obsérvese que Z no aprece en el modelo de BL luego su introducción aquí es simplemente como covariantes adicionales (en este caso específico son variables determinísticas predecibles).
15 Un modelo de factores semiparamétrico (Borak - Weron 2008) El modelo propuesto es: donde Y t,j = m 0 (X j ) + L Z t,l m l (X j ) + ɛ t,j (6) l=1 Y t = (Y t,1,..., Y t,jt ) es la observación en t de la curva forward con vencimientos j = 1,...J t. Z t,l son los factores comúnes (no observables). X j son covariantes observables. m l (X j ) es un B-spline. Obsérvese que tiene la forma: Y t = B t Z t + ɛ t, donde B t son covariantes determinísticos en esta aplicación y Z t son factores no observados que se estiman a continuación.
16 Un modelo de factores semiparamétrico (Borak - Weron 2008) Las funciones B-splines son de la forma: m l (X j ) = K a l,k ϕ k (X j ) (7) k=1 donde K es el númerto de nodos, ϕ k son funciones spline y a l,k son coeficientes.
17 Un modelo de factores semiparamétrico (Borak - Weron 2008) Para determinar los factores no observables Z t,l y los coeficientes a l,k se resuleve el siguiente problema: T t=1 j=1 { J Y t,j L K Z t,l l=1 k=1 a l,k ϕ k (X j ) } (8)
18 Un modelo de factores semiparamétrico (Borak - Weron 2008) El modelo se calibró en el periodo mencionado utilizando L = 2, 4, 5, 6, T = 500 días hábiles, X j = 15, 15,5, 16, 16,5,..., 730 representa los días al vencimiento. la siguiente figura muestra la serie de tiempo de factores no observables y loading coefficients.
19 Un modelo de factores semiparamétrico (Borak - Weron 2008) coincides with the highest volatility at the short end of the curve and the lowest at the Z t,1 Z t,2 Z t, Z t,1 Z t,2 Z t,3 Jan00 Jan01 Jan02 Jan m 1 m 2 m m 1 m 2 m Fig. 2. Estimated time series Ẑt,l (upper panels) and loadings ml(xj) (lower panels) for the DSFM of order L = 3 and Xj = 15, 15.5, 16,..., 730 days (the functions m0 are not displayed). The data sample covering the period June 3rd, 1999 June 17th, 2003 is divided into two adjacent time intervals: until June 11th, 2001 (left panels) and after (and including) June 12th, 2001 (right panels). The structure of the loading functions seems to be stable throughout the sample, however, the time series Ẑt,l vary considerably between the periods.
20 Un modelo de factores semiparamétrico (Borak - Weron 2008) Price [NOK/MWh] Price [NOK/MWh] Maturity [Days] Maturity [Days] Price [NOK/MWh] Price [NOK/MWh] Maturity [Days] Maturity [Days] Fig. 3. The term structure of electricity prices and the estimated forward curves (for L = 3) observed on the same four days as in Figure h] h]
21 Un modelo de factores semiparamétrico (Borak - Weron 2008) Tres factores (L = 3) parecen ser suficientes para capturar gran parte de la dinámica. La funcion m 1 es relativamente plana y puede intepretarse como el nivel de la curva. Z t,1 Representa la tendencia de la curva. Los otros dos factores representan comportamientos periódicos. El período es aproximadamente un año.
22 Se mantien la misma notación de los artículos originales. Para implementarlo como un modelo BL con reducción de dimensión cambiamos: 1 Y X 2 X Z
23 Supóngase que Y t es la serie a predecir y sea X t un objeto de N series de tiempo las cuales se cree predicen Y t. Ahora suponemos que el proceso de (X t, Y t ) se puede representar como: X t = ΛF t + e t (9) Y t+h = β F F t + β w w t + ɛ t+h (10) donde Λ es una matriz, β F y β w son vectores, e t es un vector de N 1 errores indiosincráticos, w es un vector de m rezagos de Y t, h es el horizonte del pronóstico y ɛ t+h es el error del pronóstico.
Frontera de Eficiencia de Futuros de Energía
La Aproximación Bayesiana a la Estadística El modelo de Black y Litterman con Reducción de Dimensión Un modelo de factores semiparamétrico (Borak - Weron 2008) CP usando muchos predictores (Stock y Watson
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesQue permite las proyecciones..
1 PROYECCION DE ESTADOS FINANCIEROS Que permite las proyecciones.. 1) Evaluar si el futuro desempeño de la firma cumplirá con los objetivos definidos. 2) Anticiparse a las futuras necesidades de financiamiento
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesConceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones
Más detallesSimulación de Curvas de Rendimiento empleando Componentes Principales: Una aplicación para los Fondos de Pensiones. Banco Central de Reserva del Perú
Simulación de Curvas de Rendimiento empleando Componentes Principales: Una aplicación para los Fondos de Pensiones Banco Central de Reserva del Perú - Gonzalo Chávez - Paul Zanabria 1 Introducción La proyección
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesSIMULACIÓN MCMC. Dr. Holger Capa Santos
SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador
Más detallesMODULO 4 CARTERAS DE INVERSIÓN CLASE 4 APLICACIONES DE LA TEORIA DE CARTERAS DE INVERSIÓN
MODULO 4 CARTERAS DE INVERSIÓN CLASE 4 APLICACIONES DE LA TEORIA DE CARTERAS DE INVERSIÓN Diversificación Internacional Cuáles son los riesgos involucrados en inversiones financieras extranjeras? Cómo
Más detallesMETODOS ESTADISTICOS.
AREA DE ESTADISTICA E INVESTIGACION DE OPERACIONES PROGRAMA: METODOS ESTADISTICOS. PROYECTO: SERVICIO DE CONSULTORIA ESTADISTICA. SERVICIO DE CONSULTORIA ESTADISTICA. Diseño con propósitos de un posterior
Más detallesInferencia Estadística
Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesTeoría Clásica de Optimización de Carteras
Teoría Clásica de Optimización de Carteras Los inversores deben elegir estrategias de inversión y de consumo óptimas. Dado capital inicial, deben componer cartera para maximizar su utilidad esperada. El
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesDATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT
DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza
Más detallesMacroeconomía II EAE 211B
Macroeconomía II EAE 211B Pontificia Universidad Católica de Chile Instituto de Economía Juan Ignacio Urquiza Primer Semestre 2012 Ciclos Económicos Esquema: Introducción a los ciclos: Rol de las rigideces
Más detallesSemana de dieta (X) 1 2 3 4 5 Peso en Kg (Y) 88.5 87 84 82.5 79
. Una persona se somete a una dieta de adelgazamiento durante cinco semanas. A continuación se detalla su peso al término de cada una de esas semanas: Semana de dieta X) 2 3 4 Peso en Kg Y) 88. 87 84 82.
Más detallesConceptos básicos de estadística para clínicos
Conceptos básicos de estadística para clínicos Víctor Abraira A Coruña. Noviembre 2008 Programa Valor p : qué significa? Aleatorización Pruebas de hipótesis para variables continuas Pruebas de hipótesis
Más detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesPuedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):
Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesCONTENIDOS MÍNIMOS BACHILLERATO
CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesIntroducción a la Econometría
Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Página 75 REFLEXIONA Y RESUELVE Lanzamiento de varios dados Comprueba en la tabla anterior ue: DESV. TÍPICA PARA n DADOS n = 8 1,71 1,1 n = 3 8 1,71 3 0,98
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación
Más detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98
Más detallesCAPÍTULO 10 Aplicaciones de la Derivada a Funciones Económicas
CAPÍTULO 10 Aplicaciones de la Derivada a Funciones Económicas Introducción En la economía, la variación de alguna cantidad con respecto a otra puede ser descrita por un concepto promedio o por un concepto
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS
Estudio Financiero ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Medir cuan sensible es la evaluación financiera a través de variaciones en las principales variables críticas del proyecto, de forma que
Más detallesLa perspectiva humana tiene mucha importancia en la gestión empresarial
24 La inteligencia emocional, una habilidad para el éxito de los directivos globales Simon L. Dolan Catedrático de recursos humanos de la Universitat Ramon Llull y director científico del Instituto de
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesEstimación de una probabilidad
Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento
Más detallesPARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS
OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)
Más detallesDirectrices sobre los parámetros específicos de la empresa
EIOPA-BoS-14/178 ES Directrices sobre los parámetros específicos de la empresa EIOPA Westhafen Tower, Westhafenplatz 1-60327 Frankfurt Germany - Tel. + 49 69-951119-20; Fax. + 49 69-951119-19; email: info@eiopa.europa.eu
Más detallesProblemas. Intervalos de Confianza y Contrastes de Hipótesis
Problemas. Intervalos de Confianza y Contrastes de Hipótesis Ejemplos resueltos y propuestos Intervalos de Confianza Variable Nomal en la población Se selecciona una muestra de tamaño n de una población
Más detallesCadenas de Markov y Perron-Frobenius
Cadenas de Markov y Perron-Frobenius Pablo Lessa 10 de octubre de 2014 1. Cadenas de Markov En 1996 Larry Page y Sergey Brin, en ese momento en Stanford, inventaron una manera de asignar un ranking de
Más detallesMétodos Estadísticos de la Ingeniería Tema 5: Cálculo de Probabilidades Grupo B
Métodos Estadísticos de la Ingeniería Tema 5: Cálculo de Probabilidades Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2010 Contenidos...............................................................
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesIntroducción al @RISK 5.7
Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»
Más detallesGestión de Riesgos en Proyectos
GRUPO VISIÓN PROSPECTIVA MÉXICO 2030 Gestión de Riesgos en Proyectos Mauricio Jessurun Solomou mjess@unisolmexico.com Luis Miguel Arroyo lmarroyoi@emsi.com.mx Julio, 2015 Gestión de Riesgos en Proyectos
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2012-2013
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2012-2013 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO OBJETIVO GENERAL El curso es de un nivel matemático intermedio y tiene
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es
Más detallesLas Griegas de las Opciones
ANÁLISIS Y OPINIÓN Las Griegas de las Opciones 134 Mtro. Sergio García Quintana, Integrante de la Comisión de Finanzas y Sistema Financiero del Colegio de Contadores Públicos de México, A.C. Son medidas
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesUNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS (SOLUCIONES )
UNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS (SOLUCIONES ) HOJA : Límites continuidad de funciones en R n. -. Dibuja cada uno de los subconjuntos de R siguientes. Dibuja su
Más detallesEstadística aplicada y modelización. 10 de septiembre de 2005
Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla
Más detallesMATEMÁTICA NM4 4º EM
MATEMÁTICA NM4 4º EM UNIDADES TEMÁTICAS UNIDAD Nº 01: ESTADÍSTICA Y PROBABILIDAD Conceptos generales : Población, muestra, parámetro y estadístico Variables y su clasificación Medición y escalas Organización
Más detallesT.3 ESTIMACIÓN PUNTUAL
T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan
Más detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detalles13. Técnicas de simulación mediante el método de Montecarlo
13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesModelos estadísticos aplicados en administración de negocios que generan ventajas competitivas
Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Videoconferencias semana de estadística Universidad Latina, Campus Heredia Costa Rica Universidad del Valle
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesCAPÍTULO 4 ESTUDIO DE MERCADO. en el mercado. Por medio de la ley de la demanda, se determina que al subir el precio de un
CAPÍTULO 4 ESTUDIO DE MERCADO 4.1. DEMANDA DEL PROYECTO La demanda es la cantidad de bienes o servicios que los compradores intentan adquirir en el mercado. Por medio de la ley de la demanda, se determina
Más detallesAmpliación de Matemáticas. Integrales de línea
Ampliación de Matemáticas Integrales de línea En Física la idea intuitiva de trabajo queda recogida en la fórmula Trabajo = Fuerza x Espacio Si f(x) es la fuerza aplicada, a lo largo del eje x, a un objeto
Más detallesNecesidades de financiación con Presto
Necesidades de financiación con Presto No intente hacer esto con su hoja de cálculo! El flujo de caja de la promoción o de la ejecución obra es fundamental para analizar la viabilidad del proyecto y determinar
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Conteo con reemplazamiento Considerando ahora un experimento en que una bola, seleccionada de una caja con n bolas, se regresa a la misma caja. Si se hace un total de k selecciones
Más detalles6 Anexos: 6.1 Definición de Rup:
6 Anexos: 6.1 Definición de Rup: Es un producto del proceso de ingeniería de software que proporciona un enfoque disciplinado para asignar tareas y responsabilidades dentro de una organización del desarrollo.
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesResultados del tercer trimestre del 2015
Resultados del tercer trimestre del 2015 INDICADOR DE CONFIANZA DEL SECTOR DE LA HOSTELERÍA ESPAÑOLA UNIVERSIDAD NEBRIJA - FEHR Justificación y objetivos La hostelería es un importante sector para la economía
Más detallesAnálisis Dinámico: Integración
Análisis Dinámico: Integración Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Análisis Dinámico: Integración 1 / 57 Integración indefinida
Más detallesAula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
Más detallesLos pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:
TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos
Más detallesAplicaciones Lineales
Tema 3 Aplicaciones Lineales 3.1 Introducción Se presentan en este tema las aplicaciones entre espacios vectoriales, particularmente las aplicaciones lineales, que de una manera informal pueden definirse
Más detallesEJEMPLO DE REPORTE DE LIBERTAD FINANCIERA
EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA 1. Introduccio n El propósito de este reporte es describir de manera detallada un diagnóstico de su habilidad para generar ingresos pasivos, es decir, ingresos
Más detallesNOCIONES BÁSICAS DE ESTADÍSTICA ACTUARIAL VIDA
NOCIONES BÁSICAS DE ESTADÍSTICA ACTUARIAL VIDA A NTONIO F ERNÁNDEZ M ORALES MÁLAGA, 2006 Nociones Básicas de Estadística Actuarial Vida Antonio Fernández Morales Málaga, 2006 Nociones Básicas de Estadística
Más detallesANALISIS DE DATOS EN PSICOLOGIA I (Grupos 12, 13, 14, 16 y 17) Programa de la asignatura; curso 2006/07
1 ANALISIS DE DATOS EN PSICOLOGIA I (Grupos 12, 13, 14, 16 y 17) Programa de la asignatura; curso 2006/07 A.- OBJETIVOS DE LA ASIGNATURA El objetivo principal de esta asignatura es contribuir a familiarizar
Más detallesAplicación de los modelos de credit scoring para instituciones microfinacieras.
Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar
Más detallesPRUEBAS DE HIPÓTESIS
PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe
Más detallesEspacios vectoriales y aplicaciones lineales.
Práctica 2 Espacios vectoriales y aplicaciones lineales. Contenido: Localizar bases de espacios vectoriales. Suma directa. Bases y dimensiones. Cambio de base. Aplicaciones lineales. Matriz asociada en
Más detallesPRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos.
PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) PRUEBAS NO PARAMÉTRICAS F(X) es la función de distribución que hipotetizamos. Fs(X) es la probabilidad o proporción teórica de
Más detallesCAPÍTULO III ANÁLISIS DE INVERSIONES GANADERAS
CAPÍTULO III ANÁLISIS DE INVERSIONES GANADERAS 1. Concepto de inversión. Según Pierre Masse la inversión es el acto mediante el cual se cambia la posibilidad de una satisfacción inmediata y cierta a la
Más detalles7.1 Mercados de Deuda Pública
Informe Económico Mercados Monetarios y Financieros 7.1 Mercados de Deuda Pública En el ICAE efectuamos un seguimiento del mercado de deuda español, estimando curvas diarias cupón cero mediante el método
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE AUTOEVALUACIÓN 1._MODULO 1_RESUELTO 1. Un mercado de acciones presenta una desviación típica mensual con respecto a su rentabilidad igual al 3%. Cuál de los valores
Más detallesTest de hipótesis. Si H0 es cierta el estadístico. sigue una distribución t de Student con n grados de libertad: s n
Un diseño experimental que se utiliza muy a menudo es el de un grupo control y uno de tratamiento. En el caso de que los datos sean cuantitativos y sigan una distribución normal, la hipótesis de interés
Más detallesANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D.
UNIVERSIDAD DE PUERTO RICO FACULTAD DE ADMINISTRACION DE EMPRESAS INSTITUTO DE ESTADISTICA ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus, Ph.D. Presentación Este curso ofrece al estudiante, la posibilidad
Más detallesNombre...Apellidos... Grado en:...grupo:...
ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 003 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3,
Más detallesPronósticos de ventas de autos "limpios Arte ó Ciencia? por Rogerio Domenge y Mariatna Padilla
Pronósticos de ventas de autos "limpios Arte ó Ciencia? por Rogerio Domenge y Mariatna Padilla Pronosticar la difusión futura que tendrá algún nuevo producto, y por lo tanto su nivel de éxito, se ha caracterizado,
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesCURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL
MANAGEMENT CONSULTORES CURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL Cnel. Ramón L. Falcón 1435 1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202
Más detallesMERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
Más detallesPRESENTACIÓN DE LA TESIS 1 1. INTRODUCCIÓN 4 2. ESTRUCTURA Y METODOLOGÍA DE LA TESIS 8
Índice ÍNDICE PRESENTACIÓN DE LA TESIS 1 1. INTRODUCCIÓN 4 2. ESTRUCTURA Y METODOLOGÍA DE LA TESIS 8 PARTE I: INSTRUMENTOS MATEMÁTICOS DE LA TEORÍA DE LOS SUBCONJUNTOS BORROSOS 19 CAPÍTULO 1: ELEMENTOS
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesListas de vectores y conjuntos de vectores
Listas de vectores y conjuntos de vectores La explicación de los temas Dependencia lineal y Bases en el curso de Álgebra Lineal se puede basar en uno de los siguientes dos conceptos (o en ambos): ) listas
Más detallesCurso Gestión de Portafolios de Inversión de Reservas y Fondos Públicos. Valoración de instrumentos de renta fija
Mayo 18 a 28 2010 Curso Gestión de Portafolios de Inversión de Reservas y Fondos Públicos Valoración de instrumentos de renta fija Javier Bonza Director de Investigación y Desarrollo jbonza@flar.net Enfoque
Más detallesMÓDULO 1: FUNDAMENTOS DE LA INVERSIÓN
MÓDULO 1: FUNDAMENTOS DE LA INVERSIÓN TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay
Más detallesMATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1
IES Fco Ayala de Granada Sobrantes 010 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 a 1 1 1 3 Sean las matrices
Más detallesEL FILTRO DE KALMAN. Resumen
EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro
Más detalles