Simulación de Series Temporales: Una Aplicación al Precio del Petróleo

PALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID Ricardo A. Queralt

PALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID 1 Estructura de costes empresariales y umbral de rentabilidad Prof. Dr. Ricardo A. Queralt PALISADE - Foro de Análisis de

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 = + ),

Curso de nivelación Estadística y Matemática

Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo

Deducción 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

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada

1. Introducción Antecedentes y Motivación Sobre esta tesis Por qué un sistema de pensiones?... 5

Tabla de contenido 1. Introducción 1 1.1. Antecedentes y Motivación................................ 1 1.2. Sobre esta tesis....................................... 3 1.3. Por qué un sistema de pensiones?............................

MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA

MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA Modelización Económica II Referencias: Mills y Markellos (2008) "The Econometric Modelling of Financial Time Series", Cambridge University Press.

Computación científica aplicada a Finanzas

César Sánchez de Lucas (jcsanchd@banesto.es) Sábado, 13 de Marzo de 2010 Introducción La Matemática financiera conlleva de forma inherente el uso y desarrollo de técnicas numéricas para la solución de

Entrenamiento Especializado: Fundamentación en Administración de Riesgo con apoyo de Risk Simulator

Entrenamiento Especializado: Fundamentación en Administración de Riesgo con apoyo de Risk Simulator Dirigido a Este módulo está dirigido a personas interesadas en temas de control de riesgo y modelación

ANÁLISIS EN EL DOMINIO DEL TIEMPO

Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos

Replicación aproximada de derivados de electricidad en mercados incompletos

Replicación aproximada de derivados de electricidad en mercados incompletos Seminario DERIVEX Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Octubre 24 de 2012 Alvaro J. Riascos Villegas

PASEO 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

El 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

Modelo 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

Series de tiempo. Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo.

Series de tiempo Introducción Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo. Una característica intrínseca muy importante de las series de tiempo,

Part III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:

Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).

Ingeniería en Instrumentos Derivados. Opciones 1

Ingeniería en Instrumentos Derivados Opciones 1 Alvaro Díaz Valenzuela Dottore in Matematica Magíster en Ciencias de la Ingeniería 12 de noviembre de 2010 Índice Opciones Definiciones Estrategias con Opciones

Excel Intermedio: Aplicado a Finanzas, Riesgo y Proyectos

Excel Intermedio: Aplicado a Finanzas, Riesgo y Proyectos Introducción: Actualmente, el Excel es uno de los software más utilizados por muchas instituciones y empresas en sus áreas de Finanzas, Riesgos

Caracterización de la incertidumbre del precio futuro del cobre

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

Ejercicios de Procesos Estocásticos

Ejercicios de Procesos Estocásticos Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Ejemplo Considerar

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación

Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA

Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA Técnicas en Predicción Administración y Dirección de Empresas Departamento de Estadísitica

Cálculo estocástico: una introducción

Departamento de Matemática y Estadística Universidad Politécnica de Cartagena Murcia, Marzo 2010 Guión 1 Movimiento Browniano Reseñas históricas Modelización y propiedades básicas. 2 Integrales estocásticas

Modelo discreto Binomial.

Modelo discreto Binomial. Uniperíodo (con derecho a eercer en un sólo paso Consideremos una Call europea (con opción a eercer finalizado el período C, con strike K, se tienen dos posibles estados a tiempo

FIRST INTERNATIONAL COMPARATIVE STUDY OF LANGUAGE AND MATHEMATICS of students that achieved. of students that achieved. Language: Percentage

I II I II 95 77 57 99 93 78 87 55 30 91 70 46 95 80 54 98 93 72 93 71 49 97 86 67 89 59 35 97 81 56 77 52 30 83 64 42 87 55 29 94 73 44 89 58 38 96 84 65 88 60 37 93 75 54 86 55 29 94 78 54 88 59 38 91

Mogens Bladt 14/04/2010

14/04/2010 1 2 3 4 5 6 Problemas básicos en finanzas y actuaría Opciones, derivados, cobertura y manejo de riesgo Cálculo de primas, riesgos y de solvencia. Relación entre los dos enfoques diferentes:

Secuencias 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

MACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat

MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Conceptos fundamentales: Esperanzas condicionales

Introducción a las Finanzas Cuantitativas Parte II

Introducción a las Finanzas Cuantitativas Parte II Manuel Maurette Profesor Invitado, Instituto de Cálculo, FCEN, UBA. Noviembre de 2017 - IC, FCEN, UBA Hoja de ruta semana pasada Qué es un quant? Por

Series temporales. 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1

Series temporales 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1 Introducción Introducción Serie temporal: Conjunto de observaciones z t, cada

Series de tiempo con aplicaciones: Enfoque temporal

Series de tiempo con aplicaciones: Enfoque temporal Gladys E. Salcedo E. 25o Simposio Internacional de Estadística Agosto 6,7 de 2015 Armenia, Quindío Datos 1: Series igualmente espaciadas Turbiedad 20

AYUDANTÍA 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

Análisis de series temporales: Modelos ARIMA

Análisis de series temporales: Modelos ARIMA ISBN: 978-84-692-384- María Pilar González Casimiro 4-9 Análisis de Series Temporales: Modelos ARIMA Pilar González Casimiro Departamento de Economía Aplicada

Ejercicio 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

Tema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.

Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores

Conceptos básicos sobre Series de Tiempo

Conceptos básicos sobre Series de Tiempo Jorge Hans Alayo Gamarra 27 de junio de 2014 En el presente reporte se presentan los conceptos básicos sobre series de tiempo. 1. Enfoque para modelar series de

Introducción a la inferencia estadística

M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución

Modelos Box-Jenkins. Presentamos a continuación un ejemplo con datos reales en el que se hace uso de gran parte de lo expuesto hasta este momento.

: Presentamos a continuación un ejemplo con en el que se hace uso de gran parte de lo expuesto hasta este momento. La serie de tiempo que analizaremos se corresponde con la producción anual de tabaco en

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo

Tema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II

Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema

Medición y gestión del riesgo de cambio

Medición y gestión del riesgo de cambio Israel Pérez Corrales Madrid, 16 de diciembre de 2004 Gestión Global del Riesgo, BBVA Definición del Riesgo de Cambio Metodología de medición Modelos para la gestión

DEFINICIÓN DE VALOR EN RIESGO (VAR) UNIDAD 3: VALOR EN RIESGO Profesor: Alvaro Vollmers H. PASOS PARA CALCULAR VAR VAR PARAMÉTRICO

DEFINICIÓN DE VALOR EN RIESGO (VAR) UNIDAD 3: VALOR EN RIESGO Profesor: Alvaro Vollmers H. La mayor pérdida probable sobre un horizonte objetivo, tal que la probabilidad de que ocurra una pérdida mayor

Econometría Aplicada

Econometría Aplicada Series de Tiempo Víctor Medina Series de Tiempo Series de Tiempo Series de Tiempo Introducción En esta parte del curso veremos análisis de series de tiempo y procesos estocásticos.

Aplicaciones de Cálculo Estocástico

Aplicaciones de Cálculo Estocástico en la gestión de productos financieros Manuel Menéndez Sánchez (mmenensa@banesto.es) Jueves, 11 de Marzo de 2010 Índice 1. Introducción...3 1.1 Productos financieros...4

Procesos polinomiales y sus aplicaciones en matemáticas financieras 1/22

Procesos polinomiales y sus aplicaciones en matemáticas financieras II-ConMate-P Sergio Pulido LaMME ENSIIE/ Université d Evry Val d Essonne 15 de abril, 2016 Procesos polinomiales y sus aplicaciones en

Valoración del riesgo de demanda. Expositor: Ec. Marcelo Pérez

Valoración del riesgo de demanda Expositor: Ec. Marcelo Pérez México DF, Abril 2014 CONTENIDO Procesos estocásticos Valoración del riesgo de demanda Análisis de demanda 2 PROCESOS ESTOCÁSTICOS 5 0 Ruido

CAPÍTULO 2. RESISTENCIAS PASIVAS

CAÍTULO 2. RESISTENCIAS ASIVAS 2.1. Introducción Son aquellas internas o externas a los elementos que constituyen un mecanismo, que de una forma u otra, se oponen al movimiento relativo de los mismos.

3. Método de Rayleigh-Ritz

3. Método de Rayleigh-Ritz La solución del problema de elasticidad consiste en encontrar la función desplazamiento u válida para todo el dominio y que verifique las condiciones de contorno. El método de

Apuntes de Series Temporales

Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,

Abstract. Keywords: Econometric Models Human Rights Basic Areas of Law JEL: C5, R15, K1

Modelos de series de tiempo aplicados a los expedientes de la Comisión de Derechos Humanos del Distrito Federal Time series models applied to the records of the Human Rights Commission of the Federal District

ANÁLISIS DE MUONES CÓSMICOS CON EL DETECTOR DE MUONES DEL EXPERIMENTO CMS DEL ACELERADOR LHC

ANÁLISIS DE MUONES CÓSMICOS CON EL DETECTOR DE MUONES DEL EXPERIMENTO CMS DEL ACELERADOR LHC Máster en Física Fundamental Javier Santaolalla Camino CIEMAT Junio de 2008 Facultad de Ciencias Físicas Universidad

AMENAZA, VULNERABILIDAD Y RIESGO. Luis Esteva

AMENAZA, VULNERABILIDAD Y RIESGO Luis Esteva AMENAZAS NATURALES Sismo Viento Oleaje Inundación uego SISTEMAS EXPUESTOS CONCENTRADOS Inmuebles y contenidos Obras de ingeniería Monumentos históricos Personas

CBR RIESGOS TÉCNICOS. AP y SALUD. Superintendencia de Valores y Seguros. 8 de Abril de 2014

CBR RIESGOS TÉCNICOS AP y SALUD Superintendencia de Valores y Seguros 8 de Abril de 2014 CBR Riesgos Técnicos Los riesgos técnicos se refieren fundamentalmente a las potenciales pérdidas que las aseguradoras

Cálculo del Valor en Riesgo con el Modelo de Cadenas de Markov con Simulación Monte Carlo-Edición Única

Cálculo del Valor en Riesgo con el Modelo de Cadenas de Markov con Simulación Monte Carlo-Edición Única Title Cálculo del Valor en Riesgo con el Modelo de Cadenas de Markov con Simulación Monte Carlo-Edición

Política Monetaria, Cambios de Régimen e Incertidumbre de la Inflación en Perú ( )

Política Monetaria, Cambios de Régimen e Incertidumbre de la Inflación en Perú (1949 2006) Paúl Castillo, Alberto Humala, Vicente Tuesta XXIV Encuentro de Economistas Gerencia de Estudios Económicos 13

Disponible 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

Nombre: Distribuciones de probabilidad discreta. Primera parte. En qué consiste la variable aleatoria?

Estadística 1 Sesión No. 8 Nombre: Distribuciones de probabilidad discreta. Primera parte. Contextualización En qué consiste la variable aleatoria? En la presente sesión seguiremos con el estudio de la

Econometria con Series Temporales

May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones

Capítulo 10. Rotación de un Cuerpo Rígido

Capítulo 10 Rotación de un Cuerpo Rígido Contenido Velocidad angular y aceleración angular Cinemática rotacional Relaciones angulares y lineales Energía rotacional Cálculo de los momentos de inercia Teorema

Segundo Examen Parcial Cálculo Vectorial Abril 23 de x = r cos θ, y = r sen θ, z = r,

egundo Examen Parial Cálulo etorial Abril de 16 Este es un examen individual, no se permite el uso de libros, apuntes, aluladoras o ualquier otro medio eletrónio. Reuerde apagar y guardar su teléfono elular.

Tópicos avanzados en Finanzas Empíricas I. Curso para Central Bankers - Febrero 2005 Centro de estudios Gerzensee - Suiza

ópicos avanzados en Finanzas Empíricas I urso para entral Bankers - Febrero 005 entro de estudios Gerzensee - uiza emario ontenido informacional de productos derivados: distribuciones neutrales al riesgo

Escuela de Graduados Facultad de Ciencias Económicas Universidad Nacional de Córdoba

DOCTORADO EN CIENCIAS ECONÓMICAS Escuela de Graduados Facultad de Ciencias Económicas Universidad Nacional de Córdoba Doctorado Materia Ciencias Económicas mención Ciencias Empresariales Aplicaciones econométricas

Estadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación

Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media

Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica:

Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente

2 Variables Aleatorias y Distribuciones de Probabilidad

2 Variables Aleatorias y Distribuciones de Probabilidad Problemas. El abdomen del cangrejo de mar común Carcinus moenas) está integrado por siete segmentos dispuestos paralelamente. En los machos se suelen

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE ECONOMÍA GUIA DE MODELOS ECONOMETRICOS ( ) ( ) ( ) (0.08)

GUIA DE MODELOS ECONOMETRICOS Se estimó el siguiente modelo de inversión: Fbk t = 31032550-92480.81r t + 6537785t + 0.79FBK t-1 (25993807) (674994.4) (2596703) (0.08) R 2 = 0.99 DW = 2.081 n = 53 R 2 ajustada

1. Estimación. f(y) = θ e y θ, y > 0 0, en otro punto

1. Estimación Definición: Un estimador es una regla que indica cómo calcular el valor de una estimación con base en las mediciones que contien una muestra. Definición: Si ˆθ es un estimador puntual de

PRIIPs: Productos de inversión minorista empaquetados y los productos de inversión basados en seguros

PRIIPs: Productos de inversión minorista empaquetados y los productos de inversión basados en seguros www.afspricing.com 1 Reglamento UE/1286/2014 El Reglamento UE/1286/2014 establece un nuevo documento

I. Fundamentos matemáticos. ticos. Campos Electromagnéticos. ticos. 5. Divergencia y rotacional. Ingeniero de Telecomunicación

I. Fundamentos matemá 5. Divergencia y rotacional Gabriel Cano Gómez, G 2009/10 Dpto. Física F Aplicada III (U. Sevilla Campos Electromagné Ingeniero de Telecomunicación I. Fundamentos matemá 1. Coordenadas

m 2 g A partir de los DCLs escribimos las ecuaciones de Newton (1 punto) por plantear el sistema

Problema 1: El sistema de la figura está formado por dos masas entre las que existe un rozamiento. La masa m 1 descansa sobre el suelo sin rozamiento. Inicialmente las dos masas están en reposo cuando

Licenciatura en Ingeniería Industrial

Licenciatura en Ingeniería Industrial Asignatura LOGÍSTICA Y CADENA DE SUMINISTROS Tema: 5.1 Modelos para evaluar inventarios Tipo: Lectura Electrónica Profesor(es): Carlos Manuel Pérez Ramírez Periodo

Ecuaciones del movimiento de un fluido

Ecuaciones del movimiento de un fluido 1 Foma fundamental El tenso de tensiones Relación constitutiva paa un fluido Newtoniano La ecuación de Navie-Stokes El tenso de tensiones paa flujos incompesibles

Sesión 1. Simulación numérica multifísica

Sesión 1. Simulación numérica multifísica M. Meis y F. Varas Departamento de Matemática Aplicada II Universidad de Vigo Introducción a Elmer, sofware libre de simulación numérica multifísica A Coruña,

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)

Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los

Finanzas para Mercados Emergentes: Aprovechando y Potenciando Oportunidades de Inversión

EDUCACIÓN EJECUTIVA Capitalice en el escenario actual de negocios SEMINARIO Finanzas para Mercados Emergentes: Aprovechando y Potenciando Oportunidades de Inversión Durante las últimas dos décadas se ha

Resumen (i) Introducción. Dinámica del campo magnetostático. Qué es la electrodinámica? Magnetismo y electricidad: cargas en movimiento

ELECTRODINÁMICA Resumen (i) Introducción Qué es la electrodinámica? Magnetismo y electricidad: cargas en movimiento Dinámica del campo magnetostático Fuentes del campo magnetostático: corrientes estacionarias

CAPÍTULO 4 DESARROLLO DE LA INVESTIGACIÓN. En este capítulo se aplicarán los métodos seleccionados a la información. Primero se

37 CAPÍTULO 4 DESARROLLO DE LA INVESTIGACIÓN En este capítulo se aplicarán los métodos seleccionados a la información. Primero se describirá la teoría necesaria para cada uno de los métodos y enseguida

SERIES DE TIEMPO. Definición 2 : Es una sucesión de observaciones generadas por un proceso estocástico indizado con relación al tiempo.

SERIES DE TIEMPO 1 Serie de Tiempo En los capítulos anteriores mostramos que el análisis de regresión con datos de series de tiempo viola el supuestos de exogeneidad estricta. En este capítulo pretendemos

Tema 4. El Modelo de Regresión Lineal con Series Temporales.

Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias

Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2

Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido

1.2. 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

Capítulo 9 Estructura y Administración de Portafolios de Inversión

Capítulo 9 Estructura y Administración de Portafolios de Inversión Objetivo Presentar los conceptos básicos y el proceso vinculado a la administración de portafolios de inversión Parte I CONCEPTOS BÁSICOS

Series de Tiempo Estacionarias

Series de Tiempo Estacionarias Pablo Lavado Universidad del Pacíco April 2, 2013 Lavado (Universidad del Pacíco) Econometría II April 2, 2013 1 / 1 Procesos Estocásticos Discretos (PED) Un PED es una sucesión

Motivación del documento de investigación

Resumen Investigación: Se valuan proyectos de inversión utilizando opciones reales Vinculado al valor de la flexibilidad administrativa, es decir, utilizar la opción con el objeto de tomar nuevas decisiones

Procesos de media móvil y ARMA

Capítulo 5 Procesos de media móvil y ARMA Herman Wold (1908-1992) Estadístico y económetra sueco. Desarrolló la representacion general de procesos estacionarios y la metodología econométrica estudiando

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

Técnicas Cuantitativas

Seminario sobre los aspectos económicos y financieros de las telecomunicaciones Técnicas Cuantitativas Denis R. Villalobos Araya Ph.D Lima Perú Junio 2009 Grupo Regional de la Comisión n de Estudio 3 para

RENTABILIDAD Y RIESGO

RENTABILIDAD Y RIESGO 1. MEDICIONES 1. SITUACIÓN La rentabilidad que tienen que entregar las inversiones, no solo involucran el beneficio natural que debe otorgar al capital por su utilización, sino la

Tema 3: Teoría media varianza de selección de carteras. 3.1: Medidas de riesgo y rendimiento de carteras de inversión.

Tema 3: Teoría media varianza de selección de carteras. 3.1: Medidas de riesgo y rendimiento de carteras de inversión. Por Act. Martín Galván Mendoza Última actualización: 29/03/17 En la introducción se

9 APROXIMACIONES DE LA BINOMIAL

9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X

CLASE9. Calibracion de la volatilidad.

CLASE9. Calibracion de la volatilidad. El modelo Binomial: una caminata aleatoria exponencial. En el modelo Binomial pasamos del tiempo 0 al tiempo 1 = t con un choque aleatorio: S 1 = H 0 donde H 0 tiene

Procesos autorregresivos

Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo

LADE y DER-LADE. Primer evaluación parcial

ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3

VARIABLES ALEATORIAS. Ing. Andrés Álvarez Cid

VARIABLES ALEATORIAS Ing. Andrés Álvarez Cid VALOR ESPERADO CASO DISCRETO Sea X una variable aleatoria discreta con un conjunto de valores posibles D y una función de probabilidad p(x). El valor esperado

Tópicos en Series de Tiempo

Tópicos en Series de Tiempo Autor: Grisel M. Britos Directora: Dra. Silvia María Ojeda Córdoba, Diciembre de 2012 Agradecimientos A mi familia por la paciencia, la comprensión y tanto que me han dado

Intervalos de conanza

M. Wiper Estadística 1 / 13 Intervalos de conanza Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 13 Objetivo Ilustrar como calcular intervalos de conanza

Índice Dificultades Analíticas Potencial de Simulación y Optimización Estocástica Modelo de Crédito Riesgos Financieros Globales Complejos Porque Riesgos Complejos? Tipo de Riesgo Segundo Momento (Varianza)

Formulación y Evaluación de Proyectos de Inversión

Formulación y Evaluación de Proyectos de Inversión FORMULACIÓN Y EVALUACIÓN DE PROYECTOS DE INVERSIÓN 1 Sesión No. 12 Nombre: Evaluación de proyecto. Segunda parte. Contextualización En la última sesión