simular la evolución de un portafolio de inversión Alejandro Bianchi,CFA
|
|
- Eva María Navarro Castellanos
- hace 5 años
- Vistas:
Transcripción
1 Simulación de Montecarlo La simulación de montecarlo aplicada a un caso de la vida real para simular la evolución de un portafolio de inversión Alejandro Bianchi,CFA abianchi@ahorraronline.com
2 Bullet Points del Workshop Repaso de números aleatorios Ejemplo simple Repaso de probabilidad Ejemplo en excel de simulación de dos CF con Variables aleatorias de distribución uniforme Confección de un portafolio eficiente y uso de la herramienta de Montecarlo para simular los escenarios de rendimiento futuro Universidad del CEMA
3 Aplicaciones Universidad del CEMA
4 Ejemplo Planificación de Inversiones usando Simulación Cuando planificamos, manejamos factores sobre los que no tenemos certidumbre respecto del valor que tendrán a futuro. Un número aleatorio es aquel obtenido al azar, es decir, que todo número tenga la misma probabilidad de ser elegido y que la elección de uno no dependa de la elección del otro. El ejemplo clásico más utilizado para generarlos es el lanzamiento repetitivo de una moneda o dado ideal no trucado Universidad del CEMA
5 Métodos de generación de números aleatorios o o o o Métodos manuales, lanzamiento de monedas, lanzamientos de dados, dispositivos mecánicos, dispositivos electrónicos Métodos de computación analógica, son métodos que dependen de ciertos procesos físicos aleatorios, por ejemplo, el comportamiento de una corriente eléctrica. Métodos de computación digital, cuando se usa el ordenador digital. Tablas de bibliotecas, son números aleatorios que se han publicado; de los cuales podemos encontrar listas en los libros de probabilidad y tablas de matemáticas. Estos números fueron generados por alguno de los métodos de computación analógica Universidad del CEMA
6 Cómo obtenemos un número aleatorio con una pc En las computadoras es fácil simular la generación de números aleatorios, mediante mecanismos de generación de números pseudoaleatorios, que, sin ser aleatorios (siguen una fórmula), lo aparentan. QUÉ SON LOS NÚMEROS PSEUDOALEATORIOS? Son unos números generados por medio de una función (determinista, no aleatoria) y que aparentan ser aleatorios. Estos números pseudoaleatorios se generan a partir de un valor inicial aplicando iterativamente la función. La sucesión de números pseudoaleatorios es sometida a diversos tests para medir hasta qué punto se asemeja a una sucesión aleatoria Universidad del CEMA
7 Ejemplo Generación de un número pseudoaleatorio con Excel Lineal Congruential Generator (LCG): Responde a la siguiente función: =RESIDUO DE (B* semilla + A) DIVIDIDO POR m Semilla: del que parto para iniciar la serie de números aleatorios B: multiplicador A: incremento m: número divisor Problema: son pseudoaleatorios, ya que, al responder a una fórmula son fácilmente pronosticables. Ejemplo en excel de confección de un número aleatorio Universidad del CEMA
8 Limitantes del cálculo de aleatorios LCG La limitante de LCG, es que existe correlación lineal entre los sucesivos números aleatorios por eso es que si uno los grafica en 3D, aparecen en vectores hyperplanos (líneas) Universidad del CEMA
9 Tres formas de cálculos de números pseudoaleatorios Usando fórmula Random() del excel 97 Random de VBA Excel's RAND Visual Basic's Rnd Barreto Random Barreto/Howland's Random (FMRG) Si bien el sistema de Barreto-Holwland mantiene la aleatoriedad, no significa que sea perfecto. Sino que exhibirá una estructura de dependencia a grandes dimensiones Universidad del CEMA
10 Ejemplo Planificación de Inversiones usando Simulación Los seres humanos vivimos en un medio aleatorio y nuestro comportamiento lo es también. Si deseamos predecir el comportamiento de un material, de un fenómeno climatológico o de un grupo humano podemos inferir a partir de datos estadísticos. Para lograr una mejor aproximación a la realidad nuestra herramienta predictiva debe funcionar de manera similar: aleatoriamente. De esa necesidad surgieron los modelos de simulación Universidad del CEMA
11 Funciones de distribución Un número aleatorio es un resultado de una variable al azar especificada por una función de distribución. Cuando no se especifica ninguna distribución, se presupone que se utiliza la distribución uniforme continua en el intervalo [0,1). Ejemplo en excel de simulación de dos CF con Variables aleatorias de distribución uniforme Universidad del CEMA
12 DISTRIBUCIONES DE PROBABILIDAD Universidad del CEMA
13 Puedo definir 1 o más variables en cada momento del tiempo HOY Variable a predecir Impacto en un Cash Flow a futuro Variables a predecir HOY Impacto en un Cash Flow a futuro en función de lo que valga la variable mes a mes Universidad del CEMA
14 En este escenario deberíamos pensar si quisiéramos simular el comportamiento de un portafolio a futuro HOY Variables a predecir Múltiples variables En cada momento del tiempo Con una distribución para cada variable Y una correlación con las otras variables Universidad del CEMA
15 Aplicación a un portafolio de inversión Universidad del CEMA
16 Un modelo empírico Elección del portafolio: Un cliente nos ha solicitado la construcción de un portafolio. En base a las características del cliente y de los parámetros de retorno esperado, varianza y correlación del universo de activos se han seleccionado los siguientes: Cada uno de estos activos tendrá un porcentaje de participación determinado por el portfolio manager en la cartera. Con las series de estos activos construiremos la posible evolución de los fondos de nuestro cliente en el tiempo Universidad del CEMA
17 Un modelo empírico Formato de las series: * La compresión de los datos que fue utilizada es de carácter mensual. Se optó por dicho período para evitar problemas en el cálculo de las correlaciones con otras series por feriados distintos entre países y para tener suficiente confianza estadística por el tamaño de las series. A su vez la elección desde el punto de vista empírico estuvo basada en la inexistencia de series homogéneas de largo plazo de compresión semanal. * De acuerdo a datos obtenidos de la Reserva Federal es posible medir la distancia entre los picos de los ciclos económicos norteamericanos. La misma, en los últimos 40 años, ha durado aproximadamente 10 años (del 60 al 70 - del 70 al 80 (con interrupciones) - del 81 al 91 - del 90 al a 07). En función al ciclo americano es que el modelo buscará en la práctica incrementar las series hasta alcanzar 3 ciclos para dar sustentabilidad al modelo (30 años de datos). * El modelo es de naturaleza empírica, con lo cual, las series del estudio se actualizarán todos los años para seguir teniendo vigencia. La actualización debe correr antes de la fecha de rebalanceo del portafolio de los clientes. Las series tendrán siempre 30 años de datos, de manera que al pasar un año se elimina el primer dato de la serie y se agrega el dato del año más reciente. Sin embargo, por una restricción puramente empírica el modelo comenzará con 20 años de datos históricos e irá sumando año a año datos a la serie hasta alcanzar los 30 años de datos Universidad del CEMA
18 Algunas consideraciones preliminares * Uno de los supuestos más fuertes del modelo es que los rendimientos futuros de los activos a futuro tendrán una distribución similar al rendimiento rolling anual de los últimos 20 años. * Desde el punto de vista empírico está demostrado que el S&P 500 no ha dado rendimientos negativos por más de dos años consecutivos. Esto determinará el mínimo plazo de inversión para diversificar una cartera en acciones. El portafolio del cliente estará invertido a no menos de 3 años de plazo Universidad del CEMA
19 Las acciones en Estados Unidos subieron 2 de cada 3 días de operatoria en los últimos 100 años Universidad del CEMA
20 Construcción de las series del modelo *Cada una de las series consideradas en el modelo es "Net Total Return", es decir, tiene en cuenta los dividendos que se hubieran obtenido así como las ganancias de capital y los gastos de administración e impuestos incurridos. *Las series de precios de los activos considerados en el modelo son convertidas a series de rendimiento logarítmico rolling anuales. * Ajustamiento de las series. A cada serie, en base a su rendimiento histórico se le asigna una distribución de probabilidades. Dicha distribución surge de la función Fitting del Universidad del CEMA
21 Por qué usar series logarítmicas? S&P500 stock index, valores mensuales desde 1971 hasta Aplicando una tranformación logarítmica (LOG(SP500)) obtenemos un patrón de crecimiento más lineal. Calculando la primera diferencia de la serie, se obtiene un serie cuya varianza crece a medida que aumenta el nivel de la variable original mientras pasa el tiempo (serie heteroscedástica). Al calcular la primera diferencia de la serie DIFF(LOG(SP500)), se logra una estabilización de la varianza Universidad del CEMA
22 Se busca la distribución de cada una de las series Universidad del CEMA
23 El programa hace el best fit de la serie y nos arroja una distribución Universidad del CEMA
24 Para cada valor simulado en base a la distribución le agregamos que además tenga en cuenta la correlación con otros activos para que no arroje valores de laboratorio Matriz de Correlaciones: El objetivo de esta matriz es captar la correlación (que indica la fuerza y la dirección de una relación lineal entre dos variables aleatorias) existente entre los distintos índices de manera que al simular los rendimientos, los mismos no sean generados solo en base a su distribución de probabilidades sino que también tenga en cuenta la relación con otros activos Universidad del CEMA
25 Evolución de los fondos en base a la simulación de montecarlo Simulación de Montecarlo: Basados en la series ajustadas, las distribuciones obtenidas con el programa "@Risk" y las correlaciones de los activos entre si se realizó una simulación de montecarlo para obtener distintas rentabilidades aleatorias, generando así como outputs del modelo 500 caminos de rendimientos Universidad del CEMA
MÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE
Programa de Capacitación y Actualización de las Mejores Prácticas en Materia de Asociaciones Público Privadas MÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE MÉXICO DF, MÉXICO, OCTUBRE, 2013 ÍNDICE
Más detallesUniversidad Católica de Valparaíso Facultad de Ingeniería Escuela de Ingeniería de Transporte
1. NÚMEROS ALEATORIOS 1.0 INTRODUCCIÓN El papel que desempeñan las variables aleatorias uniformemente distribuidas en la generación de variables aleatorias tomadas de otras distribuciones de probabilidad,
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 detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática - Curso 2 Pablo Candela Departamento de Matemáticas (despacho 212) Universidad Autónoma de Madrid pablo.candela@uam.es Introducción 1 / 8 Organización
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesEXPOSICIÓN UNIDAD II
SIMULACIÓN EQUIPO: 4 2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD CABRERA HERNÁNDEZ TERESA ELIZABETH 1 DE MARZO DEL 2011 2.1 GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS
Más detallesTEMA 12 RIESGO E INCERTIDUMBRE EN PROYECTOS MINEROS
TEMA 12 RIESGO E INCERTIDUMBRE EN PROYECTOS MINEROS 1 Riesgo e incertidumbre en proyectos mineros Cuantificación de factores de riesgo e incertidumbre Análisis Probabilístico La necesidad surge porque
Más detallesCAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS
CAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS SOFTWARE PARA LA GESTIÓN DE PRODUCCIÓN Y OPERACIONES 10MO IPO LOS NÚMEROS PSEUDOALEATORIOS Para poder realizar una simulación que incluya variabilidad dentro de sus
Más detallesAnálisis de Decisiones II. Tema 17 Generación de números al azar. Objetivo de aprendizaje del tema
Tema 17 Generación de números al azar Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Obtener números aleatorios a partir de un proceso de generación. Validar las características
Más detallesEJERCICIOS DE SIMULACION MONTECARLO
EJERCICIOS DE SIMULACION MONTECARLO Aplicaciones a los Costos y a las Finanzas 11 de julio de 2008 El analisis de riesgo es el proceso de predecir el resultado de una decision frente a la incertidumbre.
Más detallesTransformada Z en el diseño de Sistemas de tiempo Discretos
Transformada Z en el diseño de Sistemas de tiempo Discretos Cardozo Jorge Silvio Estudiante de Ingeniería en Sistemas de Computación Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca,
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesSimulación. pseudoalealeatorios
Generación n de números n aleatorios La aplicación de los números aleatorios se remonta a los tiempos de la primera revolución industrial, cuando los procesos manuales tuvieron que reemplazarse por procesos
Más detallesSIMULACION SCD NUMEROS PSEUDO ALEATORIOS. los números pseudo aleatorios
SIMULACION SCD- 1022 1.- NUMEROS PSEUDO ALEATORIOS los números pseudo aleatorios para poder realizar una simulación que incluya variabilidad dentro de sus eventos, es preciso generar una serie de números
Más detallesModelos de Simulación en Excel
Modelos de Simulación en Excel DIANA COBOS DEL ANGEL El tiempo que transcurre entre la llegada de ciertas piezas a una estación de inspección sigue una distribución exponencial con media de 5 minutos/pieza.
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más detallesSimulación Computacional Tema 1: Generación de números aleatorios
Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle Contenido 1 Introducción 2 3 4 ?Porqué números aleatorios? Uso
Más detallesINTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES PENALIZADAS
Cristina Cuesta Gonzalo Marí Nicolás Zino Instituto de Investigaciones Teóricas y Aplicadas en Estadística (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES
Más detallesFINANCIEROS MODELOS. Programa de la Materia FINANCIEROS 05/08/2013. Daniel Semyraz. Unidad 3 ADMINISTRACIÓN DEL RIESGO
Daniel Semyraz Licenciado en Economía - Magíster en Dirección de Empresas Bea tri z Ga l i nd o 1817 - Bº Va l l e d el C erro - X5009KMG C órd ob a T.E.: ++54 +351 4823040 / ++54 +9351 (15)6603185 - e-mail:
Más detalles1. Regla para los valores esperados en variables aleatorias
Valores esperados, varianza y desviación estándar para variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla para los valores esperados en variables aleatorias
Más detallesGUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA. Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO
GUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO Qué es la Simulación? Una definición más formal, es que la simulación es el proceso de diseñar
Más detallesAnalista de Sistemas de Computación. Simulación
Analista de Sistemas de Computación 1er.Cuatrimestre 2005 MATERIA: Simulación V1.0-11 - PLANIFICACION de la MATERIA Carrera: ANALISTA DE SISTEMAS DE COMPUTACION Año / Ciclo : 2º 2º Materia: SIMULACIÓN
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesAnálisis Estadístico en Simulaciones. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Análisis Estadístico en Simulaciones UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En una simulación las variables aleatorias son la entrada para
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesEDICIONES ACADÉMICAS
VÍCTOR HERNÁNDEZ R Y EDUARDO RAMOS ILDEFONSO YÁÑEZ PROBABILIDAD Y SUS APLICACIONES EN INGENIERÍA INFORMÁTICA Segunda edición EDICIONES ACADÉMICAS Primera edición: noviembre de 2005 Segunda edición: octubre
Más detallesIntroducción a la Simulación
Taller de Informática I Introducción a la Simulación Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 1er. Cuatrimestre 2016 Enrique Carlos Segura Introducción
Más detallesCAPÍTULO 8 SIMULACIÓN DE ESCENARIOS
CAPÍTULO 8 SIMULACIÓN DE ESCENARIOS Simulación es el proceso de diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propósito de entender
Más detallesCAPÍTULO III. METODOLOGÍA. Con el fin cumplir y tener en claro lo que son en sí cada uno de los procesos enumerados
CAPÍTULO III. METODOLOGÍA III.1 Definición de Procesos. Con el fin cumplir y tener en claro lo que son en sí cada uno de los procesos enumerados en los objetivos específicos, se dará una descripción detallada
Más detallesExamen Final A Total puntos: /100. Buena suerte y éxito! Utilice la siguiente información para responder a las preguntas 1 al 5.
Universidad de Puerto Rico, Recinto de Río Piedras Instituto de Estadística y Sistemas Computarizados de Información Estadísticas para administración de empresas (ESTA 3041) Nombre: Número de estudiante:
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detallesESTADOS Y FLUJOS ECONÓMICOS Y FINANCIEROS 7. Contenido PARTE I. RENTABILIDAD ECONÓMICA Y FINANCIERA
ESTADOS Y FLUJOS ECONÓMICOS Y FINANCIEROS 7 Contenido PRESENTACIÓN 17 INTRODUCCIÓN 19 PARTE I. RENTABILIDAD ECONÓMICA Y FINANCIERA CAPÍTULO 1. Estados y flujos económicos y financieros 25 01. El caso de
Más detallesFUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS NÚMEROS ALEATORIOS UNIFORMES
FUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS Hay muchos problemas de ingeniería que requieren números aleatorios para obtener una solución. En algunos casos, esos números sirven para crear una simulación
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesUNIVERSIDAD BLAS PASCAL. Trabajo Práctico de Aplicación
Unidad 1 - Introducción 1) Linealización de funciones no lineales 2) Análisis de regresión y correlación 3) Desestacionalización de series de tiempo 4) Cálculo de Índices de Estacionalidad 5) Comparación
Más detallesAnálisis de Decisiones
Análisis de Decisiones Facultad de Ciencias Exactas UNCPBA Mg. María Rosa Dos Reis Ambientes de Decisión Toma de decisiones bajo certidumbre: los datos se conocen en forma determinista. P ij = 1 Toma de
Más detallesOPTIMIZACION DETERMINISTICA
OPTIMIZACION DETERMINISTICA 1 PROBLEMA GENERAL Además de analizar los flujos de caja de las las alternativas de inversión, también se debe analizar la forma como se asignan recursos limitados entre actividades
Más detallesSe puede repetir la misma secuencia de números.
SIMULACION El término simulación se refiere a la construcción de una representación simplificada de un proceso o un sistema físico con el fin de facilitar su análisis, se caracteriza por el hecho de no
Más detallesDerechos Reservados Centro de Investigación en Geografía y Geomática "Ing. Jorge L. Tamayo", A.C.
Patrones puntuales Autor: M. en G. Camilo A. Caudillo Cos Introducción Uno de los objetivos principales del análisis de datos puntuales es detectar patrones. En particular, un conjunto de posiciones observadas
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesEl riesgo en los proyectos
El riesgo en los proyectos por Gabriel Pruneda El riesgo de un proyecto se define como la posibilidad de tener diferencias o bien, variabilidad, entre los flujos de cajas reales respecto a los flujos estimados.
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del
Más detallesPráctica de variables aleatorias (modelos)
Grados en Ingeniería en Tecnologías Industriales, Ingeniería Eléctrica, Ingeniería en Electrónica Industrial y Automática e Ingeniería Mecánica Práctica de variables aleatorias (modelos) 1. OBJETIVOS En
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesSimulación computacional de cadenas de Markov
Simulación computacional de cadenas de Markov Presentación basada en el capítulo 3 de Finite Markov Chains and Algorithmic Applications (Häggström, 2002) Sebastián Castro Seminario de Probabilidad y Estadística
Más detallesSIMULACIÓN EN EXCEL DE VARIABLES ALEATORIAS DISCRETAS
SIMULACIÓN EN ECEL DE VARIABLES ALEATORIAS DISCRETAS Giovanni Sanabria Brenes gsanabriab@yahoo.com Instituto Tecnológico de Costa Rica Universidad de Costa Rica, Costa Rica Tema: V.5 - TIC y Matemática.
Más detallesAnálisis introductorio del VaR
1 Análisis introductorio del VaR Universidad de San Carlos de Guatemala, Facultad de Ciencias Económicas Escuela de Estudios de Postgrado Maestrando en Administración Financiera Hector Alfredo Martinez
Más detallesCOMPUTACIÓN ALEATORIZADA
Conferencia magistral COMPUTACIÓN ALEATORIZADA Probabilidad y algoritmos Dra. Elisa Schaeffer Profesora del Posgrado de Ing. de Sistemas (PISIS) en la Facultad de Ing. Mecánica y Eléctrica (FIME), Coordinador
Más detallesa) Definir un espacio muestral S apropiado para este experimento. b) Consideremos la variable aleatoria
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesMATEMÁTICAS II. 15 de septiembre al 6 de octubre ESTÁNDARES DE APRENDIZAJE EVALUABLES
MATEMÁTICAS II CONTENIDOS TEMA 1: Matrices. Tablas y matrices. Clasificación. Suma de matrices. Producto de una matriz por un número real. Producto de matrices. Matriz inversa. Dependencia lineal. Rango.
Más detallesVARIABLES ALEATORIAS
VARIABLES ALEATORIAS Ejemplo: lanzar dos dados y sumar lo que sale en las dos caras. El espacio muestral está formado por los 36 resultados posibles (de lanzar los dados) Y el resultado del experimento
Más detallesMANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) DR. JORGE ACUÑA 1
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) 1 ADMINISTRACION DEL news MANTENIMIENTO ( QUE ES? Mantenimiento: operación mediante la cual los sistemas están sometidos a rutinas de revisión, reparación
Más detallesGeneradores pseudoaleatorios
Generadores pseudoaleatorios Elvira Mayordomo Universidad de Zaragoza 30 de noviembre de 2015 Elvira Mayordomo (Universidad de Zaragoza) Generadores pseudoaleatorios 30 de noviembre de 2015 1 / 25 Contenido
Más detallesEl Var y los activos de la cartera
El Var y los activos de la cartera Estrella Perotti, Mg. Dirección de Informaciones & Estudios Económicos, BCR eperotti@bcr.com.ar El VaR es una medida que resume en un único número el riesgo de una cartera,
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesGeneradores pseudoaleatorios
Generadores pseudoaleatorios Elvira Mayordomo Universidad de Zaragoza 13 de noviembre de 2017 Elvira Mayordomo (Universidad de Zaragoza) Generadores pseudoaleatorios 13 de noviembre de 2017 1 / 28 Contenido
Más detalles( ) Estadística. Grado en Informática. Curso Departamento de Estadística. Escuela Politécnica Superior Examen Final, 1ª parte.
Estadística. Grado en nformática. Curso 010-11 Departamento de Estadística. Escuela Politécnica Superior Examen Final, 1ª parte. Febrero 011 Respuestas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 a b c Marcar la
Más detallesTEMA 4 Modelos discretos elementales. Ecuaciones en diferencias
TEMA 4 Modelos discretos elementales. Ecuaciones en diferencias Chelo Ferreira González Avicenna (980-1037) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y
Más detallesEvaluación de Proyectos de Inversión
Evaluación de Proyectos de Inversión Sesión #10: Estudio financiero (7) Periodo de recuperación de la inversión y Evaluación del riesgo del proyecto de inversión Contextualización Con la evaluación económica
Más detallesPara llevar a cabo una simulación, se requiere implementar las siguientes etapas:
SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones
Más detallesAPARTADO A. Objeto. Seleccionar cuatro casillas de cada distrito electoral local mediante el esquema de muestreo aleatorio simple.
APARTADO A PROCEDIMIENTO INFORMÁTICO PARA SELECCIONAR LAS MUESTRAS DE CASILLAS QUE SE UTILIZARÁN EN LA VERIFICACIÓN DE LAS MEDIDAS DE SEGURIDAD DE LAS BOLETAS Y ACTAS DE CASILLA PARA EL PROCESO ELECTORAL
Más detallesFiltro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia
Filtro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia luca@tsc.uc3m.es jsantaella@gmail.com INDICE 1. Introducción...3
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesQue es Crystal Ball?
Francisco Parodi Que es Crystal Ball? Crystal Ball está Orientado hacia el manejo y administración de riesgo. Dirigido hacia personas vinculadas a procesos de decisiones sujetos a incertidumbre. Dirigido
Más detallesLaboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN
Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesANÁLISIS DE RIESGO EN PROYECTOS DE INVERSIÓN CON LA APLICACIÓN DE RISK SIMULATOR, APOYADOS EN LA SIMULACIÓN DE MONTECARLO Y EL ANALISIS TORNADO
ANÁLISIS DE RIESGO EN PROYECTOS DE INVERSIÓN CON LA APLICACIÓN DE RISK SIMULATOR, APOYADOS EN LA SIMULACIÓN DE MONTECARLO Y EL ANALISIS TORNADO Autora: Doris Amalia Alba Sánchez, Directora de curso Matemática
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesPRUEBA EXTRAORDINARIA SEPTIEMBRE º Bachillerato SP (Matemáticas I) (LOE)
PRUEBA EXTRAORDINARIA SEPTIEMBRE 2016 1º Bachillerato SP (Matemáticas I) (LOE) - La prueba consta de 10 preguntas. - Cada una de las preguntas tiene una puntuación de 1 punto. Números reales Ecuaciones,
Más detallesCapítulo 2. Números pseudoaleatorios
Capítulo 2 Números pseudoaleatorios 2.1 Los números pseudoaleatorios 2.2 Generación de números pseudoaleatorios 2.3 Propiedades de los números pseudoaleatorios entre 0 y 1 2.4 Pruebas estadísticas para
Más detallesExcel 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
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 4 Variables aleatorias Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las características de las variables aleatorias discretas y continuas.
Más detallesMuestreo y Distribuciones en el Muestreo
Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo
Más detallesRÚBRICAS POR ÁREA. Matemáticas Aplicadas a las Cien. Soc.II 2014/2015
Criterio [BAII02C01]: Utilizar el lenguaje matricial como instrumento para organizar y codificar la información proveniente de situaciones con datos estructurados en forma de tablas o grafos, y aplicar
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesSelectividad Septiembre 2007 SEPTIEMBRE 2007
Bloque A SEPTIEMBRE 2007 1.- Cada instalación de una televisión analógica necesita 10 metros de cable y cada instalación de televisión digital necesita 20 metros. Cada televisión analógica necesita 20
Más detallesTécnicas de Muestreo I
1 / 20 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2017 Números aleatorios 2 / 20 3 / 20 Qué son los números aleatorios? Es una secuencia
Más detallesPráctica 2. Números y variables aleatorias
Práctica. Números y variables aleatorias OBJETIVOS DE LA PRÁCTICA 1. Realizar varios contrastes empíricos sobre la bondad de ajuste de generadores de números aleatorios. Analizar la aleatoriedad de un
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS SEMESTRE ASIGNATURA 8vo TEORÍA DE DECISIONES CÓDIGO HORAS MAT-31314
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesLos fenómenos aleatorios en Estadística Izaskun Alvarez Meaza Cuaderno del estudiante IKD baliabideak 4 (2012)
Los fenómenos aleatorios en Estadística Izaskun Alvarez Meaza Cuaderno del estudiante IKD baliabideak 4 (2012) INDICE CONTEXTO DEL PROBLEMA PROPUESTO... 3 1) Características generales de la asignatura...
Más detallesSelección de Indicadores a aplicar a series sintéticas Énfasis en propiedades de memoria larga
Selección de Indicadores a aplicar a series sintéticas Énfasis en propiedades de memoria larga Los modelos de optimización usados para despacho y planificación energética requieren de un modelo que represente
Más detallesEstimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado
Estimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado Contenido Qué vamos a ver? Introducción Antecedentes Objetivos
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detalles1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva... 16
ÏNDICE Indice... 3 Prólogo... 11 Capítulo 1 14 1.1. Introducción... 16 1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva.... 16 1.2.1. La gestión activa.... 17
Más detallesDEFINICIÓN 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
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Aplicar las técnicas estudiadas para desarrollar
Más detallesNormalidad. y si no qué pasa? por: Aarón O. Lemus Bernal
Normalidad y si no qué pasa? por: Aarón O. Lemus Bernal Marzo 2010 Introducción Cuando en un proyecto de mejora nos encontramos con variables de tipo continuo, la mayoría de las veces necesitamos aplicar
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Técnicas Cuantitativas para el Management y los Negocios Contador Público Módulo I: ESTADÍSTICA DESCRIPTIVA Contenidos Módulo I Unidad 1. Introducción y conceptos básicos Conceptos básicos de Estadística.
Más detalles