PROCESOS ESTOCÁSTICOS: S: EL PROCESO DE WIENER
|
|
- Héctor Alcaraz Ayala
- hace 7 años
- Vistas:
Transcripción
1 PROCESOS ESTOCÁSTICOS: S: EL PROCESO DE WIENER Universidad Complutense de Madrid Juan Mascareñas Universidad Complutense de Madrid Versión inicial: marzo Última versión: abril 2013!!!"#$"%&'()*'"+)",-).)&!"#" $"/&'()*'"+)",-).)&"0).)&1$-21+'3"4'5-6-).7'"8&'9.-1.'"('." 7).+).(-1:";! $"#$"('6%'&716-).7'"+)"$'*"%&)(-'*"<=&*>7-$)*:"?" $!@)5-*-A."+)$"6'+)$':"BC" $!4'+)$-21.+'"$'*"*=()*'*"&1&'*:"BC!
2 1. El Proceso de Wiener 1 El proceso de Wiener es un proceso estocástico de tiempo continuo que se caracteriza por tener tres propiedades importantes: 1. Es un proceso de Markov. Lo que significa que la distribución de probabilidad de todos los valores futuros del proceso depende únicamente de su valor actual, no siendo afectada por sus valores pasados, ni por ninguna otra información actual. Por tanto, el valor actual del proceso es la única información necesaria para realizar la mejor estimación de su valor futuro. El proceso de Wiener es un tipo de proceso de Markov con una media nula y una varianza anual igual a la unidad!!(0,1) 2. Tiene incrementos independientes. Lo que significa que la distribución de probabilidad de los cambios en el proceso en cualquier intervalo temporal es independiente de la de cualquier otro intervalo. Así pues, si la variable aleatoria z sigue un proceso de Wiener sus variaciones ("z) para cualesquiera dos pequeños intervalos de tiempo ("t) son independientes. 3. Las variaciones en el proceso ("z) producidas en un intervalo finito de tiempo ("t) se distribuyen normalmente, con una varianza que aumenta linealmente con el tamaño del intervalo temporal. Por tanto, "z = # # es una variable aleatoria del tipo![0,1]) (donde El proceso de Markov implica que sólo la información actual es importante a la hora de establecer los valores futuros esperados del proceso. Así, por ejemplo, los precios de las acciones se pueden modelizar como un proceso de Markov desde el momento en que la información pública es incorporada rápidamente en el precio actual del título, lo que implica que la evolución histórica de los precios no tiene ningún interés de cara a predecir su comportamiento futuro (esta es la base de la denominada forma débil de eficiencia del mercado ). El hecho de que un proceso de Wiener tenga incrementos independientes implica que podamos considerarlo como una versión en tiempo continuo de un recorrido aleatorio. A fin de cuentas el proceso de Wiener se obtiene como el límite de la suma de variables aleatorias independientes distribuidas idénticamente; por ello, tiene una distribución normal 2. 1 Según Finnegan (2005): En 1827 el botánico escocés Robert Brown observó a través de un microscopio el movimiento aleatorio de las partículas de polen en el agua. A este fenómeno se le denomina Movimiento Browniano. Cuando en el siglo XX se descubrió que el proceso de Wiener era un instrumento matemático útil no sólo para modelizar el comportamiento de las partículas de polen sino también los movimientos de los precios bursátiles se le denominó Movimiento Browniano Geométrico. De esta manera Movimiento Browniano se utiliza como expresión coloquial que se aplica a cualquier tipo de fenómeno aleatorio. Técnicamente hablando el modelo de recorrido aleatorio de los precios de las acciones se basa en el proceso de Wiener, que es un caso particular de los procesos aleatorios. 2 También se puede aproximar el proceso de Wiener a una martingala continua cuadrado integrable. Según el teorema de Levy, al caracterizarse por ser un proceso continuo, con varianza finita e incrementos impredecibles, éstos se distribuyen normalmente con una media nula y desviación típica " #t. 1
3 Cuando nos referimos a los precios de las acciones no parece razonable suponer que las variaciones en los precios sigan una distribución normal, entre otras cosas, porque el precio nunca podrá ser inferior a cero. Parece más lógico suponer que los cambios en los precios (los rendimientos) siguen una distribución logarítmico-normal o logonormal, es decir, que los cambios en los logaritmos de los precios se distribuyen según una normal. Lo que significa modelizar el logaritmo del precio como un proceso de Wiener en lugar del propio precio. De esta manera el proceso de Wiener se convierte en una pieza básica del rompecabezas que nos va a servir para modelizar un gran número de variables que varían continuamente o estocásticamente a través del tiempo. Vamos a ver las propiedades del proceso de Wiener más formalmente. Si z(t) sigue un proceso de Wiener, entonces cualquier variación en z ("z) correspondiente a un intervalo temporal "t, satisfará las condiciones siguientes: 1. La relación entre "z y "t viene dada por: donde # t es una variable aleatoria normalmente distribuida con una media nula y una desviación típica igual a la unidad. 2. La variable aleatoria # t no está autocorrelacionada, esto es, E[# t # s ] = 0 para t s. De tal manera que los valores de "z para dos diferentes intervalos de tiempo son independientes entre sí (así z(t) sigue un proceso de Markov con incrementos independientes). Ahora vamos a ver qué implican estas dos condiciones con relación a los posibles cambios esperados en el valor de z a lo largo de un intervalo finito de tiempo T. Subdividiremos el intervalo T en n unidades temporales cuya longitud es "t y, por tanto, n = T / "t. Entonces la variación en el valor de z a lo largo de este intervalo viene dada por: (1) z(s + T) z(s) = Como los # i son independientes entre sí, podemos aplicar el Teorema del Límite Central a su suma y decir que la variación z(s + T) z(s) está distribuida normalmente con una media nula y una varianza igual a T (porque la varianza 3 es igual a n "t = T). Obsérvese que la varianza de los cambios en un proceso de Wiener crece linealmente con el horizonte temporal (porque "z depende de y no de "t). Ejemplo: Supongamos que la variable z, que sigue un proceso de Wiener, toma un valor de 20, lo que significa que dentro de un año su valor estará normalmente distribuido con una media de 20 y una desviación típica de 1. 3 La varianza de un producto formado por una variable aleatoria (#$) y una constante ( ) es igual a la varianza de la variable aleatoria (1) por el cuadrado de la constante ("t). Como hay n subperíodos la varianza del período T es igual a n "t que, a su vez, es igual a T. 2
4 Transcurridos cinco años su valor medio esperado seguirá siendo 20 pero su desviación típica será 1 x o 2,236. El proceso de Wiener no es estacionario porque a largo plazo su varianza tenderá a infinito. Si "t tiende a ser infinitamente pequeño ("t! 0), el incremento en el proceso de Wiener, dz, en tiempo continuo es igual a: (2) Como # t tiene una media nula y una desviación típica unitaria, entonces E[dz] será igual a cero y su varianza será % 2 [dz] = 1 x dt = dt. El proceso de Wiener no tiene una derivada convencional con respecto al tiempo: "z/"t = # t ("t) -1/2, que tiende a infinito conforme "t se aproxime a cero 4. Si tuviésemos que trabajar con dos o más procesos de Wiener deberíamos tener en cuenta sus covarianzas. Así, por ejemplo, si tenemos los procesos z 1 (t) y z 2 (t), E(dz 1 dz 2 ) = & 12 dt, donde & 12 es el coeficiente de correlación entre ambos procesos. Debido a que el proceso de Wiener tiene una varianza y una desviación típica iguales a 1 por unidad de tiempo, dicho coeficiente de correlación también será el valor de la covarianza por unidad de tiempo para ambos procesos Proceso de Wiener generalizado: Movimiento Browniano con tendencia Este tipo de proceso de Wiener es la generalización más simple de la ecuación 2: (3) dx = a dt + b dz donde a y b son constantes. Para comprender la ecuación 3 comencemos centrándonos en el componente a dt, que implica que x tiene una tasa de tendencia esperada a por unidad de tiempo. Así que la ecuación 3, sin el segundo sumando, sería dx = a dt! a = dx / dt " x t = x 0 + a t 4 Si! "z/"t = # t "t /"t = # t / "t 5 Si z1(t) y z 2(t) son variables aleatorias, su coeficiente de correlación será igual a & 12 = Cov(z 1, z 2) / (% z1 % z2) y como, en este caso, % z1 = % z2 = 1 entonces & 12 = Cov(z 1, z 2). 3
5 así que si x 0 = 10! y a = 3 el valor esperado de x 5 = x 5 = 25!. Generalizando para t = 1, 2, 3, 4 y 5 tendríamos los valores mostrados en la tabla 1. t x t-1 a x t Tabla 1 Por otro lado, el segundo componente b dz puede contemplarse como el ruido añadido al primer componente, es decir, la variabilidad del sendero seguido por los valores de la variable x. La cantidad de ruido o variabilidad es b veces un proceso de Wiener. Un proceso de este tipo tiene una desviación típica igual a la unidad, por lo que b veces un proceso de Wiener tendrá una desviación típica igual a b. Para un intervalo de tiempo muy pequeño ("t), la variación de x ("x) será igual a: (4) "x = a "t + b # Por tanto "x tiene una distribución normal cuya media es igual a: a "T, una distribución típica igual a: b, y una varianza igual a: b 2 "t. O para un intervalo de longitud T, que esté normalmente distribuido, su media sería igual a: a T, su desviación típica es: b y su varianza b 2 T. En resumen, el proceso de Wiener generalizado mostrado en la ecuación 3 tiene una tendencia por unidad de tiempo de a y una varianza por unidad de tiempo de b 2. En la figura 1 se muestran tres ejemplos de la ecuación 3 con una tendencia anual de a = 0,2 y una desviación típica anual b = 1. El gráfico abarca los años que van desde 1950 al 2000 aunque la simulación se ha realizado con intervalos "t equivalentes a un mes; por eso los parámetros a y b han sido expresados en términos mensuales (0,2/12 y, respectivamente). La ecuación que gobierna la evolución de x(t) es (el valor de x 1950 = 0): (5) x t = x t-1 + a dt + b dz = x t
6 Fig. 1 Ejemplos de proceso de Wiener con tendencia En la ecuación 5, en cada instante del tiempo t, # t viene caracterizado por una distribución normal de media nula y desviación típica igual a 1. La recta inclinada que aparece en la figura 1 es una línea de tendencia que se obtiene aplicando la ecuación 5 con un valor de # t = 0. Fig. 2 Previsión óptima del proceso de Wiener con tendencia En la figura 2 se muestra la misma ecuación 5 pero sólo hasta el final del año 1974, a partir del cual se calcula la previsión óptima de dicho proceso estocástico desde 1975 hasta Dicha previsión se basa en el último valor alcanzado, porque según la propiedad de Markov sólo el valor de x(t) para diciembre de 1974 es nece- 5
7 sario para construir la previsión. El valor previsto de x para T meses más allá de diciembre de 1974 viene dado por la ecuación: Las figura 3a y 3b son similares a la anterior pero en ella se muestra un sólo ejemplo de proceso de Wiener. Se ha calculado la previsión óptima al final de 1974 pero, además, se han incluido dos intervalos de confianza para la trayectoria prevista de x(t) del 68,26% (±1 desviación típica) y del 95% (±1,96 desviaciones típicas). Recuérdese que la varianza de un proceso de Wiener crece linealmente con el horizonte temporal (T), la desviación típica crece con la raíz cuadrada del horizonte temporal ( ). Por tanto, el intervalo de confianza del 68,26% para T meses en el futuro viene dado por: Fig. 3a Previsión óptima del proceso de Wiener con tendencia e intervalos de confianza del 68,26% y del 95% En las figuras 1, 2 y 3 se puede observar como a largo plazo la tendencia es la variable determinante del proceso de Wiener, mientras que a corto plazo lo es la volatilidad del proceso. Lo que proviene del hecho de que la media de la diferencia (x t x o ) es igual a: a t, y la desviación típica es: b ; si t es grande << t, mientras que si es pequeña ocurre lo contrario. Otra forma de ver esto es considerar la probabilidad de que x t < x o cuando a > 0. La probabilidad es muy pequeña para tamaños grandes de t, pero sólo el 50% para valores pequeños. 6
8 Fig. 3b Previsión óptima del proceso de Wiener con tendencia e intervalos de confianza del 68,26% y del 95% Ejemplo. El saldo de tesorería de una empresa, medido en miles de euros, sigue un proceso de Wiener con una tendencia de 20 por año y una varianza de 900 por año. El saldo inicial es de 100. Al final del año el saldo de tesorería tendrá un valor medio esperado de 120 sujeto a una desviación típica de 30. Al final del segundo año el valor medio esperado será de 140 y su desviación típica será de 42,43% (30 2 ). Mientras que al final de los próximos tres meses tendrá un valor esperado de 105 con una desviación típica de 30 = 15. Como se aprecia en el ejemplo y en la figura 4, cuando t es más grande! (un año, dos años) y la tendencia es positiva (a>0), entonces P[x t < x o ] es más pequeña que cuanto t es pequeño (tres meses); a partir del año 3 x t es siempre superior a x 0. Fig.4 Evolución temporal de X t (± 1 desviación típica) 7
9 2.1 El proceso de Ito Es un proceso de Wiener generalizado en el que los parámetros a y b son, a su vez, funciones del valor de la propia variable y del tiempo, es decir, de x y de t. (6) dx =a(x,t) dt + b(x,t) dz De hecho, la tendencia esperada y la varianza del proceso de Ito varían a lo largo del tiempo. Para pequeñas variaciones temporales ("t) el valor de la variable pasa de x a x+"x, donde: "x = a(x,t) "t + b(x,t) # Ejemplo: En la figura 5 se pueden ver tres gráficas generadas por un proceso de Ito. Para ello se ha supuesto que en el instante t: a) El parámetro a es: a t = 0,1 x t-1 (0,1 x t-1 1) Min (t/x t-1 ; 0,5) b) El parámetro b es: (x t-1 /t) 0,1 c) x 0 = 10 d) x t = x t-1 + a dt + b dz (donde dz es del tipo![0,1]) Fig. 5 Proceso de Ito 3. El comportamiento de los precios bursátiles Vamos a modelizar el movimiento de los precios bursátiles de las acciones (sin dividendos). Se supone que los precios siguen un proceso de Wiener generalizado, es decir, que tienen una tendencia y una varianza constantes. Sin embargo, el modelo no contiene un aspecto clave: la tasa de rendimiento mínima exigida por los inversores para un activo cualquiera no depende de su precio. Es decir, si exigen un 8
10 12% anual a una acción cuyo precio es 10! también se lo exigirían, si todo lo demás no varía, si su precio fuese 20!. Por tanto, el supuesto de la tendencia constante debe ser sustituido por la tasa de rendimiento esperada (es decir, la tendencia esperada en valor absoluto dividida por el precio de la acción). Así, si S t es el precio en el momento t, la tendencia esperada para S t debería ser µs t ; donde µ indica la tasa de rendimiento esperada del activo. Por tanto, para un corto intervalo de tiempo ("t), el incremento esperado será µs t "t. Si la volatilidad del precio de la acción fuese cero, entonces el incremento en el valor del precio ("S t ) sería igual a µs t "t; y si "t! 0 entonces: ds = µ S t dt o también ds/s t = µ dt " S T = S 0 e µ T donde S T y S 0 indican el precio de la acción en el momento 0 y en el T. Así, pues, si la varianza es nula el precio de la acción crecerá continuamente a una tasa compuesta µ por unidad de tiempo. En la práctica, la volatilidad no es nula. Un supuesto razonable es que la variabilidad del rendimiento esperado en un corto plazo de tiempo ("t) es la misma sin importar el precio del activo. Dicho de otra manera, desde el punto de vista del inversor, la incertidumbre sobre el rendimiento esperado es la misma tanto si el precio es de 10! como de 20!. Esto implica que la desviación típica de la variación del rendimiento, en un corto plazo de tiempo ("t), debe ser proporcional al precio de la acción. Luego el modelo puede expresarse así: (7) ds = µ S dt + % S dz = S[µ dt + % dz] O también: (8) ds/s = µ dt + % dz Esta última ecuación es habitualmente empleada para modelizar el comportamiento esperado del precio de las acciones. Ejemplo: Un título que no paga dividendos tiene una volatilidad del 30% anual proporcionando una rentabilidad anual esperada del 15%. El comportamiento futuro de su precio viene dado por: ds/s = 0,15 dt + 0,30 dz Si S t es el precio del activo en el instante t y "S es el aumento del precio durante el intervalo "t: 9
11 "S/S = 0,15 "t + 0,30 # Si el intervalo de tiempo fuese de una semana 0,01923 años y el precio en el momento t es de 10!: "S/10 = 0,15 x 0, ,30 # "S = 0, ,04149 # O lo que es lo mismo, el aumento del precio en una semana es una variable aleatoria distribuida según una normal de media 0,0288! y de 0,04149! de desviación típica (véase en la figura 6 tres simulaciones). Fig.6 Tres ejemplos del comportamiento del precio de la acción durante un año Es necesario hacer un pequeño comentario sobre la expresión 8. Como ya se dijo anteriormente µ indica la tasa de rendimiento esperada del activo para el próximo año sin tener en cuenta el pago de dividendos. A esto se le conoce en finanzas corporativas como g, es decir, el rendimiento esperado por ganancias de capital. Éste es igual al producto del ROE 6 por la tasa de retención de beneficios b. Si suponemos que ésta última es constante entonces es el ROE el que es una variable aleatoria. Por tanto, teniendo en cuenta que la varianza del producto de una constante por una variable aleatoria es igual a la constante al cuadrado por la varianza de la variable aleatoria, la volatilidad de g medida por su desviación típica será igual a: (9) %(g) = b x %(ROE) # Este producto es la % de la ecuación 8 Ahora imaginemos un nuevo escenario. Deseamos modelizar la tasa de crecimiento de los ingresos de una empresa a lo largo de los próximos diez años. Para ello utili- 6 El ROE, rendimiento sobre fondos propios, es igual a dividir el beneficio después de intereses e impuestos (BN) entre el valor contable medio de los fondos propios a lo largo del último año (E). 10
12 zaremos una tasa de crecimiento que irá decreciendo con respecto al tiempo según la ecuación siguiente: g t = 12 1,5 t + 0,7 t 2 hasta alcanzar un valor igual 1,5 que se mantendrá constante. La racionalidad de que la tasa de crecimiento de los ingresos tienda hacia un valor de crecimiento bajo a largo plazo estriba en que se supone que la competencia se encargará de reducir dicha tasa de crecimiento hasta un valor de equilibrio que será menor que la tasa media de crecimiento del PIB hasta el infinito. En nuestro ejemplo, el valor de g tiene una desviación típica anual del 30%. La ecuación que modeliza la tasa de crecimiento es: (10) "I/I = g t = Max (12 1,5 t + 0,7 t 2 ; 1,5) "t + 0,30 # Otra forma de modelizar lo anterior es a través de un modelo de reversión a la media 7 en la que ésta tome como base la ecuación de g t vista en el párrafo anterior, es decir, la media va descendiendo de valor según la ecuación mencionada: (11) "I/I = g t = Max [I t-1 b x (I t-1 (12 1,5 t + 0,7 t 2 )) ; 1,5] "t + 0,30 # donde b es la velocidad del ajuste (aquí b = 0,5), e I t-1 es el valor de los ingresos del período anterior (I 0 = 12) En la figura 7 se ve una simulación de ambas ecuaciones (la 10 es la línea azul y la 11 es la roja). Ambas ecuaciones coinciden si la velocidad del ajuste toma un valor de b = 1. Fig. 7 La ecuación (11) modeliza la línea roja (la superior) mientras que la inferior azul- es el resultado de la ecuación (10). 7 Véase Mascareñas, Juan (2013): Procesos estocásticos: Introducción. Monografías de Juan Mascareñas sobre Finanzas Corporativas nº
13 4. Revisión del modelo Al modelo mostrado en el epígrafe anterior se le denomina, a veces, movimiento browniano geométrico. Su versión en tiempo discreto es: (12) "S/S = µ "t + % # o, también (13) "S = µ S "t + % S # dónde la variable "S indica la variación en el precio del activo (S) en un intervalo de tiempo ("t) y # es una variable aleatoria que se distribuye según una normal (0,1). La tasa de rendimiento esperada por unidad de tiempo del activo es µ y la volatilidad del activo viene representada por %. Se supone que estos dos últimos parámetros son constantes. El lado izquierdo de la ecuación 12 muestra el rendimiento proporcionado por el activo en un corto intervalo temporal ("t). El término µ "t indica el valor esperado de este rendimiento, y el término % # es el componente estocástico de dicho rendimiento. La varianza del componente estocástico (y, por ende, del rendimiento) es % 2 "t; y, por tanto, % es la desviación típica del rendimiento en un corto plazo de tiempo ("t). En conclusión, "S/S está normalmente distribuida con una media µ "t y una desviación típica % : (14) "S/S!!(µ "t ; % ) 5. Modelizando los sucesos raros. El proceso de Wiener es un proceso estocástico continuo que no puede reflejar comportamientos raros porque éstos implican una discontinuidad y no dependen del tamaño de intervalo temporal tomado como base. Los sucesos normales se caracterizan porque siguen un proceso estocástico continuo de tal manera que cuanto más se reduzca el valor del mínimo intervalo temporal (t) más se reducirá el tamaño de dichos sucesos 8 (!S); así, en un mes podemos ver muchos cambios normales, en un día veremos menos cambios y un segundo 8 %&'"()*+,-.!"/+0"1,.*+*&/&2+2(0"2(".34,,('3&+"2("/.0"1.0&*/(0"5+/.,(0"2("/.0"043(0.0"0(")+'6('2,7'"3.'06+'6(0" 1.,84("'."2(1('2('"2(/"6+)+9."2("6: 12
14 muchísimos menos. Por tanto, si t! 0 el "S! 0. El proceso de Wiener, como hemos visto, es la herramienta que nos permite modelizar este tipo de procesos. Los sucesos raros son diferentes porque ocurren de forma muy poco frecuente luego siguen un proceso discontinuo o a saltos -. Por supuesto, si se reduce el intervalo temporal de observación (t), la probabilidad de ocurrencia del suceso raro se reducirá pero su tamaño no variará. Es decir, en un segundo se puede producir un salto del mismo tamaño que el observado en un periodo de un mes; lo que sí varía es la probabilidad de ocurrencia porque, en un mes se podrán producir muchos más saltos que en un segundo. Para modelizar estos procesos se utiliza el proceso de Poisson. Si necesitamos modelizar un proceso estocástico continuo que adolece de tener esporádicas discontinuidades ( saltos ) necesitamos combinar ambos procesos. El proceso de Wiener ya lo conocemos así que vamos a ver las características del de Poisson. 5.1 El proceso de Poisson Imagine que N t indica el número de saltos que pueden ocurrir en un proceso aleatorio de manera imprevista hasta el momento t. Los incrementos de N t pueden tomar sólo dos posibles valores: a) 0, es decir, no hay salto y este valor tiene una gran probabilidad de ocurrencia, y b) 1, es decir, hay un salto pero su probabilidad de ocurrencia es muy pequeña. Si tomamos un intervalo temporal infinitesimal (dt) la variación N t que se produce en él (dn t ) tendrá las siguientes características: 1 con probabilidad 'dt 0 con probabilidad 1- 'dt donde ' es la tasa de ocurrencia de los saltos en el periodo dt. El proceso de Poisson tiene las siguientes propiedades: a) Durante un pequeño intervalo de tiempo (!t), en el mejor de los casos puede ocurrir un suceso con probabilidad cercana a 1. b) La información existente en el momento t no sirve para predecir si se va a producir un suceso en el siguiente instante (t+!t) c) Los sucesos ocurren a una tasa constante '. Sin embargo, para poder utilizarlo en la modelización de discontinuidades necesitamos realizarle dos modificaciones. La primera es que ' pueda variar a lo largo del tiempo y la segunda es que los incrementos de N t deben tener una media nula, lo que no ocurre en el proceso de Poisson. 13
15 La ecuación diferencial estocástica que modeliza este proceso que combina sucesos normales y raros quedará de la siguiente forma: (15) ds t = µ S dt + % 1 S dz + % 2 S dj ds t /S = µ dt + % 1 dz + % 2 dj donde µ dt es la tendencia o deriva del proceso (por ejemplo, el rendimiento medio esperado por unidad de tiempo); % 1 dz indica la variación estocástica de dicha tendencia que es proporcional al tiempo (recuerde dz = #, donde # se distribuye según una normal"(0,1)); y, % 2 dj modeliza los impredecibles saltos del proceso (J t = N t 't ; de tal manera que dj tendrá una media nula y, además, será impredecible). Por otra parte, dz y dj son estadísticamente independientes entre sí en cada instante t, de tal manera que conforme los intervalos temporales sean más pequeños, el tamaño de los sucesos normales se reduce mientras se mantiene el de los raros (por eso su correlación debe ser nula). En la figura 8 se muestra un ejemplo de los dos procesos trabajando conjuntamente. Se puede apreciar el comportamiento continuo y aleatorio del proceso de Wiener y los saltos del proceso de Poisson. En el ejemplo se ha modelizado el comportamiento diario del precio de una acción a lo largo de un año. El precio inicial es 15 euros, el rendimiento anual esperado es el 10% sujeto a una desviación típica del 30% anual, mientras que el tamaño del salto se ha fijado en el 20% con una desviación típica del 20% y una tasa de ocurrencia por periodo (') del 1%. ;&-4,+"<:"=.)1.,6+)&('6."2&+,&."2(/"1,(3&."2("4'+"+33&>'").2(/&?+2.")(2&+'6("4'+"3.)*&'+3&>'"2(/"/.0" 1,.3(0."2("@&('(,"A"B.&00.'" 14
16 Bibliografía CHANCE, Don (2005): A Non-Technical Introduction To Brownian Motion. Financial Engineering News. Mar-abril nº teach_notes/teaching-notes.html DIXIT, Avinash y PINDYCK, Robert (1994): Investment under Uncertainty. Princeton University Press. Princeton (NJ). Pp.: FINNEGAN, Jim (2005): Geometric Brownian Motion: Using Excel to Understand the Math Behind the Random Walk of Stock Prices. Financial Engineering News. Mar-abril nº back_to_basics.htm HULL, John (2000): Options, Futures, & Other Derivatives. Prentice Hall. Englewood Cliffs (NJ) (4ª ed.) NEFTCI, Salih (1996): An Introduction to the Mathematics of Financial Derivatives. Academic Press. San Diego. California. 15
Econometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detalles- Procesos estocásticos, 2
PROCESOS ESTOCÁSTICOS: INTRODUCCIÓN Juan Mascareñas Universidad Complutense de Madrid Versión inicial: febrero 2006 - Última versión: marzo 2008 - Procesos estocásticos, 2 - Recorrido aleatorio de estado
Más detallesAgenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
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 detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
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 detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
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 detallesEsperanza Matemática. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
speranza Matemática UCR CCI CI-135 Probabilidad y stadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Media de una Variable Aleatoria Sea una variable aleatoria con distribución de probabilidad f().
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
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detalles1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesFINANZAS CORPORATIVAS
FINANZAS CORPORATIVAS RIESGO Y RENDIMIENTO JOSÉ IGNACIO A. PÉREZ HIDALGO Licenciado en Ciencias en la Administración de Empresas Universidad de Valparaíso, Chile TOMA DE DECISIONES Certeza: resultado real
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
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 detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesPE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS 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 una respuesta
Más detallesANEXO 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
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesTeoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Más detallesNº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00
U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria
Más detallesCORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS
CORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS: MATEMATICAS ACTIVIDAD ACADEMICA: ESTADISTICA DE LA PROBABILIDAD DOCENTE: LIC- ING: ROSMIRO FUENTES ROCHA UNIDAD
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
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 detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesSEPTIEMBRE Opción A
Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos
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 detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesRIESGO SISTEMÁTICO Y RIESGO NO SISTEMÁTICO. TEORÍA DEL EQUILIBRIO EN EL MERCADO DE CAPITALES
RIESGO SISTEMÁTICO Y RIESGO NO SISTEMÁTICO. TEORÍA DEL EQUILIBRIO EN EL MERCADO DE CAPITALES 1 Riesgo Sistemático y Riesgo no Sistemático. Teoría del Equilibrio en el Mercado de Capitales http://ciberconta.unizar.es/leccion/fin004/120.htm
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
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 detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesTema 6. Variables Aleatorias Discretas
Presentación y Objetivos. Tema 6. Variables Aleatorias Discretas En esta unidad se presentan algunos ejemplos estándar de variables aleatorias discretas relacionadas de diversas formas dependiendo de su
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detalles1.1.-TIPOLOGIA DE ACCIONES ACCIONES PREFERENTES.
1.1.-TIPOLOGIA DE ACCIONES. 1.1.1.- ACCIONES PREFERENTES. Podemos decir que las acciones preferentes o privilegiadas son como valores híbridos ya que tienen características comunes con las acciones ordinarias
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesDerivada y diferencial
Derivada y diferencial Una cuestión, que aparece en cualquier disciplina científica, es la necesidad de obtener información sobre el cambio o la variación de determinadas cantidades con respecto al tiempo
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detallesNOCIONES PRELIMINARES (*) 1
CONJUNTOS NOCIONES PRELIMINARES (*) 1 Conjunto no es un término definible, pero da idea de una reunión de cosas ( elementos ) que tienen algo en común. En matemática los conjuntos se designan con letras
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
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 detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesFundamentos de la Teoría de la Probabilidad. Ing. Eduardo Cruz Romero
Fundamentos de la Teoría de la Probabilidad Ing. Eduardo Cruz Romero www.tics-tlapa.com Teoría elemental de la probabilidad (1/3) El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos
Más detallesIntroducción. Flujo Eléctrico.
Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una
Más detallesClase 3. Procesos estocásticos en Teoría de la señal.
1 Introducción Clase 3. Procesos estocásticos en Teoría de la señal. Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier transmisión de telecomunicación. El ruido es una
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 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 detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesFormulación 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
Más detallesTema 7: Derivada de una función
Tema 7: Derivada de una función Antes de dar la definición de derivada de una función en un punto, vamos a introducir dos ejemplos o motivaciones iniciales que nos van a dar la medida de la importancia
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesEl estudio del movimiento de los cuerpos generalmente se divide en dos fases, por conveniencia: la cinemática y la dinámica.
Tema 1: Cinemática. Introducción. Describir el movimiento de objetos es una cuestión fundamental en la mecánica. Para describir el movimiento es necesario recurrir a una base de conceptos o ideas, sobre
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesUNIDAD Nº4. Ejemplo.- Dados los Gastos de publicidad en los meses enero a julio, los cuales generan los sgts. Ingresos:
UNIDAD Nº4 TEORÍA DE REGRESIÓN Y CORRELACIÓN 1.- Teoría de Regresión.- En términos de estadística los conceptos de regresión y ajuste con líneas paralelas son sinónimos lo cual resulta estimar los valores
Más detallesSESIÓN 6 INTERPRETACION GEOMETRICA DE LA DERIVADA, REGLA GENERAL PARA DERIVACIÓN, REGLAS PARA DERIVAR FUNCIONES ALGEBRAICAS.
SESIÓN 6 INTERPRETACION GEOMETRICA DE LA DERIVADA, REGLA GENERAL PARA DERIVACIÓN, REGLAS PARA DERIVAR FUNCIONES ALGEBRAICAS. I. CONTENIDOS: 1. Interpretación geométrica de la derivada 2. Regla general
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detallesPreliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL
INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos
Más detallesAlgunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesLos lugares geométricos de todos los puntos del espacio en los cuales la magnitud escalar tiene un mismo valor.
2. 2. Introducción A lo largo del estudio de la Física surgen una serie de propiedades, tanto de magnitudes escalares como vectoriales, que se expresan por medio de nuevos conceptos tales como gradiente,
Más detallesLa probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda es. 2) (2) (2) "it^g) = 64
Las distribuciones binomial, normal y de Poisson CAPITULO 7 Wmmr LA DISTRIBUCION B I N O M I A L Si p es la probabilidad de que cualquier evento ocurra en un solo ensayo (denominada probabilidad de éxito)
Más detallesMATEMÁTICAS APLICADAS A LAS CC. SOCIALES I. Examen de la tercera evaluación. Nombre y apellidos Fecha: 10 de junio de 2010
IES ATENEA San Sebastián de los Rees MATEMÁTICAS APLICADAS A LAS CC. SOCIALES I Eamen de la tercera evaluación Nombre apellidos Fecha: 0 de junio de 00.- (, 5 puntos) En seis modelos de zapatillas deportivas
Más detallesBLOQUE 4. CÁLCULO DIFERENCIAL DE FUNCIONES REALES DE UNA VARIABLE
BLOQUE 4. CÁLCULO DIFERENCIAL DE FUNCIONES REALES DE UNA VARIABLE El concepto de derivada. Relación entre continuidad y derivabilidad. Función derivada. Operaciones con derivadas. Derivación de las funciones
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO CURSO 2012-2013 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detalles