Anda di halaman 1dari 68

Estadística para

DERIVADOS

Lic. María Eugenia Fernández de Luco


2019
Temario

 Medidas de posición y dispersión.


 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.

Estadística para Derivados


Medidas descriptivas

Media aritmética
 Medidas de posición
Mediana

Moda

Percentiles

Desvío estándar / Varianza


 Medidas de dispersión
Rango

Rango intercuartílico
Coeficiente de variación

Estadística para Derivados


Medidas de posición

 La media puede definirse como la suma ponderada de todos


los valores posibles de la variable aleatoria:
1 n
x   xi
n i 1

 La mediana es el valor de la variable que, una vez ordenados


los datos, deja el mismo número de datos antes y después
que él. De acuerdo con esta definición el conjunto de datos
menores o iguales que la mediana representarán el 50% de
los datos, y los que sean mayores que la mediana
representarán el otro 50% del total de datos de la muestra.

Estadística para Derivados


Medidas de posición

 Aunque la media es la medida de posición más utilizada, en


algunos casos se prefiere la mediana, ya que la media se ve
influida por valores extremos, tanto muy pequeños como
muy grandes.

 La moda es el valor con una mayor frecuencia en un conjunto


de datos. Una distribución puede tener mas de una moda o
no tener ninguna.

Estadística para Derivados


Medidas de posición

 Los percentiles son los 99 valores que dividen la serie de


datos en 100 partes iguales. Generalizando, el percentil p es
un valor tal que por lo menos p porciento de las
observaciones son menores o iguales que él, y por lo menos
el (100-p) porciento son mayores o iguales que él.
 P50 coincide con la mediana.
 Como un caso particular, los cuartiles son los tres valores de
la variable que dividen a un conjunto de datos ordenados en
cuatro partes iguales. Q1 y Q3 determinan los valores
correspondientes al 25% y al 75% de los datos.

Estadística para Derivados


Medidas de dispersión

 El rango intercuartil es la diferencia entre el tercer y el primer


cuartil de una distribución.
 La varianza mide la dispersión alrededor de la media:
1 n
S 
2

n  1 i 1
( xi  x ) 2

 El desvío estándar es la raíz cuadrada de la varianza.


 El coeficiente de variación: Su fórmula expresa la desviación
estándar como porcentaje de la media aritmética, mostrando
una interpretación relativa del grado de variabilidad,
independiente de la escala de la variable. 𝐶𝑉 = 𝑆
𝑥

Estadística para Derivados


Cálculo con Excel

 Excel cuenta con funciones para el cálculo de todas las


medidas de posición y dispersión:

*PROMEDIO (rango)
*MEDIANA(rango)
*MODA (rango)
*Q1: CUARTIL(rango;1) = PERCENTIL (rango; 0,25)
*Q3: CUARTIL(rango;3) = PERCENTIL (rango; 0,75)
*DESVEST (rango de datos)

Estadística para Derivados


Cálculo con Excel

 Por otra parte, en el módulo “Análisis de Datos”, se puede


seleccionar la opción “Estadística Descriptiva”.

Estadística para Derivados


Temario

 Medidas de posición y dispersión.


 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.

Estadística para Derivados


Variables aleatorias

 Una variable aleatoria es una función que asigna un valor


numérico a cada elemento del espacio muestral.

Variable
Aleatoria

Discreta Continua

Función de
probabilidad Función de densidad

Ejemplo: Binomial Ejemplo: Normal

Estadística para Derivados


Función de probabilidad

 En el caso de variables discretas, la función de probabilidad


es una función que asocia a cada punto de su espacio
muestral la probabilidad de que ésta lo asuma.
 La función de probabilidad P asociada a X es P( xi )  pi donde pi
es la probabilidad del suceso X=xi.
 Ejemplo:

pi  0i
p
i
i 1

Estadística para Derivados


Función de densidad

 Para variables continuas, la función de densidad es una


función o curva que describe la forma general de una
distribución. Se la denomina f(x).
 Es una función no negativa: f ( x)  0x 

 El área total debajo de la curva completa es igual a 1:  f ( x)dx  1



 La probabilidad de que X tome un valor en el intervalo [a,b]
es la integral definida en dicho intervalo (área bajo la curva
de la función de densidad en ese intervalo):
b
P(a  X  b)   f ( x)dx
a

Estadística para Derivados


Función de distribución

 La función de distribución de una variable aleatoria es la


función que asocia:
F ( x)  P( X  x)
 La probabilidad de que X tome un valor en el intervalo [a,b]
es: P(a  X  b)  F (b)  F (a)
 En variables aleatorias discretas, se define como:
F ( x)   p( x )
i / xi  x
i

 En variables aleatoria continuas, puede definirse como:


x
F ( x)   f (u )du


Estadística para Derivados


Temario

 Medidas de posición y dispersión.


 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.

Estadística para Derivados


Curtosis

 La curtosis es una medida de la forma o apuntamiento de las


distribuciones de variables continuas.

Estadística para Derivados


Asimetría
 La asimetría permite identificar si los datos se distribuyen de forma
uniforme alrededor de la media aritmética.
 Se dice que la asimetría es negativa o a la izquierda cuando la
mayoría de los datos se encuentran por encima del valor de la
media aritmética, la curva es simétrica cuando se distribuyen
aproximadamente la misma cantidad de valores en ambos lados de
la media y se conoce como asimetría positiva o a la derecha
cuando la mayor cantidad de datos se aglomeran en los valores
menores que la media.

Estadística para Derivados


Medidas de distribución

 El coeficiente de asimetría indica lo siguiente:


 Si es mayor a 0, la distribución es asimétrica positiva o a la derecha.
 Si es igual a 0, la distribución es simétrica.
 Si g1 menor a 0, la distribución es asimétrica negativa o a la izquierda.

 El Coeficiente de Curtosis pretende comparar la curva de una


distribución con la curva de la distribución Normal.
 En una distribución Leptocúrtica (más apuntada que la Normal) el
coeficiente de curtosis es positivo.
 En una distribución Platicúrtica (menos apuntada que la Normal) el
coeficiente es negativo.

Estadística para Derivados


Cálculo con Excel

 Se puede obtener ambos coeficientes con las siguientes


funciones:
*COEFICIENTE.ASIMETRIA(rango)
* CURTOSIS(rango)

 Otra manera es a través de la opción “Estadística descriptiva”


dentro de “Análisis de datos”.

Estadística para Derivados


Temario

 Medidas de posición y dispersión.


 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.

Estadística para Derivados


Distribución Binomial
 Ensayo de Bermoulli:
 Sea una experiencia con solo dos posibles resultados, identificados
como éxito y fracaso.
 La probabilidad de ambos resultados es conocida y constante de
repetición en repetición. La probabilidad de éxito se denomina p, y la
de fracaso q=1-p.
 El resultado de cada prueba es independiente de los resultados
obtenidos en pruebas anteriores.
 Se define la variable Y como la cantidad de éxitos en n
repeticiones independientes. Esta variable tiene distribución
Binomial con parámetros n y p: Y ~ Bi (n, p )
n k n!
P(Y  k)    p (1  p ) n  k  p k (1  p) n  k
k k!(n  k )!
Estadística para Derivados
Distribución Binomial

 Ejemplo: Una empresa informa que el 20% de las cuentas por


cobrar están vencidas. El contador escoge al azar 5 cuentas.
¿Cuál es la probabilidad de que ninguna de las cuentas esté
vencida?
 Se define Y: Número de cuentas vencidas en una muestra de
tamaño 5.
Y ~ Bi (n  5, p  0,20)

Estadística para Derivados


Cálculo en Excel

 Las probabilidades para la distribución Binomial pueden ser


calculadas en Excel, con la función estadística DISTR.BINOM,
de la siguiente forma:

Estadística para Derivados


Aplicación: Modelo Binomial

 Se supone que el precio de un activo hoy es P. En el período


siguiente puede aumentar un U% con probabilidad p, y
disminuir un D% con probabilidad (1-p). Por lo tanto, el precio
del activo es una variable Bermoulli.

 U 
Probabilidad=p P  1   P  uP
 100 

Precio hoy: P

Probabilidad=1-p  D 
P  1   P  dP
 100 

Estadística para Derivados


Aplicación: Modelo Binomial

 Se extiende el modelo a más períodos, considerando a cada


período como un ensayo independiente, con probabilidad de
aumento p, y probabilidad de disminución (1-p). Se obtiene el
siguiente árbol binomial:

t=0 t=1 t=2 t=3

Estadística para Derivados


Aplicación: Modelo Binomial

 En el momento t=3, hay cuatro resultados posibles. La


probabilidad de que el precio sea igual a alguno de estos
cuatro valores se calcula a través de la distribución binomial.
 Por ejemplo, hay 3 secuencias de movimientos que resultan
en un precio de u2dP, que incluyen dos aumentos en tres
movimientos. Por lo tanto, la probabilidad de que el precio
sea P3= u2dP es:
3  2
P( P3  u dP)    p (1  p)  3 p 2 (1  p)
2

 2
 La variable binomial es entonces el número de aumentos.

Estadística para Derivados


Aplicación: Modelo Binomial

 Ejemplo de un modelo de un período: Se supone tener una


acción que hoy cuesta 100, y que con una probabilidad del
80% aumentará a 120 dentro de un mes, o bien disminuirá a
80 con una probabilidad del 20%. Se desea determinar la
ganancia de un call con precio de ejercicio K=110.
 De acuerdo a las suposiciones, se obtiene al final por la
posición del call un pago de 10 con probabilidad 80%, y en
caso contrario no se obtiene ningún pago. Se obtiene la
siguiente liquidación esperada:
Prob= Precio: 120
0,80
Ganancia: 10
Precio hoy: 100
Prob=
Precio: 80
0,20 Ganancia: 0
Estadística para Derivados
Distribución Normal

 Una función de densidad normal es simétrica, campanular y


centrada en la media μ.
 Debido a que las densidades normales son simétricas y
unimodales, la media, la mediana y la moda coinciden.
 La dispersión de la curva de densidad normal está
determinada por el desvío estándar σ.
 El coeficiente de asimetría es igual a 0 y la curtosis es igual a
3.

Estadística para Derivados


Distribución Normal

 La regla del 68-95-99.7 para cualquier Distribución Normal:


 68% de las observaciones caen en (μ- σ, μ+ σ)
 95% de las observaciones caen en (μ- 2σ, μ+ 2σ)
 99.7% de las observaciones caen en (μ- 3σ, μ+ 3σ)

Estadística para Derivados


Distribución Normal Estándar

 La distribución normal con media 0 y desvío estándar 1 se


llama distribución normal estándar.

 Cualquier distribución normal se puede transformar


directamente en una distribución normal estándar mediante
la siguiente transformación :

Estadística para Derivados


Cálculo en Excel

 Las probabilidades para la distribución normal pueden ser


calculadas en Excel con las funciones (estadísticas)
DISTR.NORM.INV y DISTR.NORM. de la siguiente forma:

Estadística para Derivados


Cálculo en Excel

 Las probabilidades para la distribución N(0,1) pueden ser


calculadas en Excel, con las funciones (estadísticas)
DISTR.NORM.ESTAND.INV y DISTR.NORM.ESTAND de la
siguiente forma:

Estadística para Derivados


Aplicación: Fórmulas de Black-Scholes

 Las fórmulas de Black-Scholes para determinar el precio de las


opciones son:
call  S 0 N ( d1)  XN ( d 2) e  rt put  N (  d 2) Xe  rt  S 0 N (  d1)

 S0   2 
con ln    r  t
X   2  d 2  d1   t
d1 
 t
Donde:
 X: precio de ejercicio
 S0: el precio de contado del subyacente
 t: el tiempo expresado en años que aún faltan por transcurrir en la opción
 σ: volatilidad
 r: tasa de interés
 N: función de distribución acumulada de la distribución normal estándar
Estadística para Derivados
Pruebas de normalidad

Si bien existen técnicas objetivas de probar la normalidad de


conjunto de datos (como gráficos específicos y test de
hipótesis), con los temas incluidos en el curso se puede
evaluar si la distribución de los datos se aproxima a una
normal.
 Obtener las medidas descriptivas y analizar si la media, la
mediana y la moda toman valores similares.
 Evaluar la curtosis y la asimetría: ambas medidas deben ser
próximas a 0.
 Aplicar la regla del 68-95-99.7.
 Obtener el histograma de los datos y analizar su forma.

Estadística para Derivados


Histograma

 Un histograma es una representación gráfica de una variable


en forma de barras, donde la superficie de cada barra es
proporcional a la frecuencia de los valores representados. En
el eje vertical se representan las frecuencias, y en el eje
horizontal los valores de las variables, agrupados en
intervalos.

Estadística para Derivados


Histograma con Excel

Estadística para Derivados


Histograma con Excel

 Una vez obtenido el gráfico, hay que realizar algunos cambios

Estadística para Derivados


Distribución Log-normal

 Una variable X sigue una distribución log-normal si los


logaritmos neperianos de sus valores están normalmente
distribuidos, es decir, si la variable Y=ln(X) es N(µ,σ).
 Dicho de otra manera, si Y se distribuye N(µ,σ), X=exp(Y)
tiene una distribución log-normal.

Estadística para Derivados


Temario

 Medidas de posición y dispersión.


 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.

Estadística para Derivados


Cálculo de retornos de activos financieros

 Sea Pt la cotización de un cierto activo en el momento t, se


supone que P se observa en los momentos t=1,2,…,n.
 La rentabilidad de un activo es una variable aleatoria. Para
algunos modelos, se supone que los retornos son
independientes y están idénticamente distribuidos.
 Existen dos formas de calcular los retornos (o tasa de cambio)
de un determinado activo o factor de riesgo:

Retornos

Cálculo discreto Cálculo continuo

Estadística para Derivados


Cálculo Discreto

 Un retorno discreto o aritmético en el momento t se define


como:

Pt  Pt 1 Pt
Rt   1 Pt  Pt 1 ( Rt  1)
Pt 1 Pt 1

 Rt representa la tasa de rentabilidad de un cierto activo,


adquirido por Pt-1 y vendido por Pt.

Estadística para Derivados


Cálculo Discreto

 Un retorno entre períodos se calcula de la siguiente manera:

Pt Pt Pt 1 Pt  m 1
Rt (m)  1  ... 1
Pt  m Pt 1 Pt  2 Pt  m

 Pt  Pt 1   Pt  m 1 
 1   11   1...1   1  1
 Pt 1  Pt  2   Pt  m 

 1  Rt 1  Rt 1 ...1  Rt  m 1   1 
t

 (1  Rj )  1
j t  m 1

Estadística para Derivados


Cálculo Continuo

 Un retorno continuo o logarítmico de una inversión en el


momento t se define como:

 Pt 
rt  ln( Pt )  ln( Pt 1 )  ln   Pt  Pt 1e rt
 Pt 1 

 La relación entre los retornos calculados de ambas maneras


es:
 Pt   Pt 
rt  ln    ln   1  1  ln( Rt  1)
 Pt 1   Pt 1 

Estadística para Derivados


Cálculo Continuo

 Un retorno entre períodos se calcula de la siguiente manera:

 Pt 
rt (m)  ln    ln( Pt )  ln( Pt m )
 Pt m 

 ln( Pt )  ln( Pt 1 )  ln( Pt 1 )  .....  ln( Pt  m 1 )  ln( Pt  m 1 )  ln( Pt  m )

t
 rt  rt 1  rt 2  ...  rt m1  r
j t  m 1
j

Estadística para Derivados


Comparación

 Emplear interés continuo no es la forma más intuitiva de


calcular la variación de precios. Sin embargo, resulta
conveniente al momento de describir el comportamiento de
los retornos o variaciones de precios de los activos.

 Para datos diarios o semanales se puede asumir que Rt  rt .

 Los retornos discretos pueden llevar a conclusiones erróneas,


ya que pueden provocar un precio negativo. En el caso de
r
cálculo continuo, no existe esta posibilidad ya que Pe t es
siempre positivo por definición.
Estadística para Derivados
Comparación

 Los retornos continuos multiperíodos son aditivos, mientras


que los discretos no lo son, por lo que son más fáciles de
modelar.

 Si se considera que los retornost continuos se distribuyen


N(µ,σ2), entonces ln( Pt )  ln( Po )   rj se distribuye N(tµ, tσ2).
j 1
Esto no ocurre con los retornos discretos.

Estadística para Derivados


Aplicación: Volatilidad

 La volatilidad es una medida de la frecuencia e intensidad de


los cambios del precio de un activo.
 Se utiliza para cuantificar el riesgo del activo.

 Se calcula mediante el desvío estándar de los rendimientos

de los precios en un horizonte temporal específico.


 En los informes económicos, análisis técnicos y mercados de

opciones, se expresa anualizada y en porcentaje.


 Los supuestos implícitos son:

El rendimiento de un activo es una variable aleatoria.

Los retornos son independientes y están idénticamente


distribuidos.
Estadística para Derivados
Aplicación: Volatilidad

 Si el desvío estándar es alto, esto significa que las


rentabilidades del activo se han desviado significativamente
con respecto a la rentabilidad media, y por tanto podemos
deducir que se trata de un activo con un riesgo alto.
 Para interpretarla, también se puede aplicar la regla del 68-
95-99.7. Por ejemplo: Suponiendo que la soja cotiza a u$s
400/ton, con una volatilidad semanal del 2%, esperaríamos
que dentro de una semana cotice aproximadamente entre:
 u$s 392 y u$s 408 con una probabilidad del 68%
 u$s 384 y u$s 416 con una probabilidad del 95%
 u$s 376 y u$s 424 con una probabilidad del 99,7%

Estadística para Derivados


Ejemplo (Distribución Normal y Volatilidad)

 Se desea conocer la probabilidad de que un portfolio registre


un rendimiento de -2%, siendo que el rendimiento promedio
es 0,11% y la volatilidad de 1.76%.
𝑃(𝑋 ≤ −2) = 0,115

Estadística para Derivados


Ejemplo (Distribución Normal y Volatilidad)

 Por otra parte, se puede determinar una probabilidad, y a


partir de éste definir el rendimiento asociado a dicha
probabilidad. En base al ejemplo anterior, se desea calcular el
rendimiento de la cola inferior que se encuentra asociado al
1% de probabilidad.
𝑃(𝑋 ≤ 𝑥) = 0,01

Con una probabilidad del 1%,


el rendimiento negativo será
mayor que 3,98%.

Estadística para Derivados


Temario

 Medidas de posición y dispersión.


 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.

Estadística para Derivados


Correlación y Regresión lineal

 Ambas técnicas se pueden aplicar cuando hay interés en la


relación entre variables. Si lo que se quiere es obtener un
estadístico que exprese el grado de relación entre dos
variables, se habla de correlación. Si se busca hacer
predicciones de una variable en función de otra, se habla de
regresión.
 Cuando se cuenta con datos de dos variables, la forma más
sencilla para obtener una primera idea de la relación entre
ambas es obtener un gráfico de dispersión.

Estadística para Derivados


Gráfico de dispersión

Fuerte relación
Fuerte relación negativa entre x e y, un
positiva, a medida aumento de x
que x aumenta, y corresponde a una
también. disminución de y.

No hay ninguna
relación entre las Existe una relación
variables, no hay entre x e y, pero no
una tendencia de y es lineal.
con respecto a x

Estadística para Derivados


Gráfico de dispersión con Excel

 Para obtener un grafico de dispersión, hay que seleccionar


los dos conjuntos de datos, y elegir la opción Gráfico de
dispersión, dentro de los Gráficos disponibles.

Estadística para Derivados


Correlación
 El principal objetivo consiste en determinar qué tan intensa
es la relación lineal entre dos variables. Una medida de esta
relación es el coeficiente de correlación. Hay varios
coeficientes, pero el más común es el coeficiente de
correlación de Pearson.
 Este coeficiente toma valores entre -1 y 1. La interpretación
depende del valor y del signo: el signo indica la dirección de
la relación, y el valor indica la fuerza.

Estadística para Derivados


Cálculo con Excel

 Se puede obtener el coeficiente de correlación a través de la


función COEF.DE.CORREL:

 Otra manera es a través de la opción “Coeficiente de


Correlación” dentro de “Análisis de datos”.

Estadística para Derivados


Regresión Lineal Simple

 Un modelo de regresión lineal simple entre una variable X,


llamada independiente o explicativa, y una variable Y, llamada
variable dependiente o respuesta , tiene la siguiente forma :
Y    X  
donde:
*α es el valor de la ordenada donde la línea de regresión se
intercepta con el eje Y
*β es el coeficiente de regresión (pendiente de la línea recta)
*ε es el término de error. Se supone que es una variable
aleatoria que se distribuye N(0,σ2).

Estadística para Derivados


Ecuación de Regresión estimada
 Se cuenta con n observaciones de las variables X e Y. El
objetivo es estimar los valores de α y  que producen la
función lineal que mejor se ajusta a los datos, es decir, la
ecuación para la cual los valores estimados de y sean los más
próximos posibles a los valores de y (errores mínimos).
yˆ  a  bx

 b indica el número de unidades en que varía en promedio Y


cuando se produce un cambio de una unidad en X.

Estadística para Derivados


Ejemplo

 Se cuenta con datos de la duración de la cosecha de soja en


días y el rendimiento de la cosecha en toneladas por
hectárea.
2,5

y = -0,0342x + 5,2068
1,5

0,5

0
80 90 100 110 120 130 140 150

Estadística para Derivados


Coeficiente de Determinación

 La medida más importante de qué tan bien ajusta la línea de


regresión estimada en los datos muestrales en los que se
basa es el coeficiente de determinación, que es igual a la
proporción de la variación total de los valores de la variable
dependiente que puede explicarse por medio de la variable
independiente. Se lo denomina R2.

 La raíz cuadrada de R2 equivale al coeficiente de correlación.

Estadística para Derivados


Test de hipótesis

 La hipótesis son:
H0) No existe relación lineal entre x e y  H0) =0
H1) Existe relación lineal entre x e y  H1) ≠0

b
 Se realiza un test t con el siguiente estadístico: t 
Sb

 Se rechaza H0 si la probabilidad asociada es menor o igual al


nivel de significación establecido (generalmente 0,05).

Estadística para Derivados


Supuestos de la Regresión

 Normalidad
Se exige la normalidad de la distribución de los errores. El recurso
que brinda Excel para verificar este supuesto es el Gráfico de
Probabilidad Normal. La idea básica de este gráfico consiste en
representar la proporción acumulada de los datos observados,
frente a la proporción acumulada que se espera si la muestra se
obtuviera de una distribución normal teórica.
Si la muestra se ha obtenido de una distribución normal, los puntos
se agruparán en torno a una línea recta. Es frecuente observar una
mayor variabilidad (separación) en los extremos.

Estadística para Derivados


Supuestos de la Regresión

 Varianza constante (Homocedasticidad)


El supuesto de Homocedasticidad exige que para todo el recorrido
de la variable X la variación de los residuos sea constante. Se
espera, a priori, que no exista ningún patrón de comportamiento
sistemático de los errores alrededor de su valor esperado (cero) y
se distribuyan uniformemente presentado “la misma dispersión”.
El recurso gráfico que presenta Excel para comprobar este supuesto
es el de los valores de X versus los residuos. Lo que se busca es que
no haya evidencia de un mayor grosor de la nube de puntos en
alguna dirección.

Estadística para Derivados


Cálculo con Excel

Estadística para Derivados


Ejemplo (continuación)

Estadísticas de la regresión
Coeficiente de correlación múltiple 0,93964874 La duración de la cosecha
Coeficiente de determinación R^2 0,88293976 explica el 89% de la
variabilidad del rendimiento.
R^2 ajustado 0,86830723
Error típico 0,20442726
Observaciones 10

Coeficientes Error típico Estadístico t Probabilidad


Intercepción 5,206833798 0,471351896 11,04659565 4,01845E-06
Duración -0,034215413 0,004404696 -7,767939302 5,39409E-05 Se rechaza la hipótesis
nula, existe relación lineal
entre la duración y el
El rendimiento se reduce en rendimiento.
promedio en 0,03 toneladas
ante un aumento de un día en
la duración de la cosecha.

Por último, debe hacerse un análisis de los residuos, comprobando los supuestos
de normalidad y varianza constante.

Estadística para Derivados


Aplicación: Modelo de Mercado

 Una importante aplicación de la regresión lineal simple es el


Modelo de Mercado. Este modelo supone que la tasa de
retorno de una acción está linealmente relacionada con la
tasa de retorno de todo el mercado. El modelo es:
R j    RM  
donde:
*Rj es el retorno de la acción j
*RM es el retorno de un conjunto de acciones, medido a través
de un índice.
*β=coeficiente Beta (coeficiente de volatilidad).

Estadística para Derivados


Aplicación: Modelo de Mercado-Coeficiente Beta

 Mide los cambios esperados en el retorno de la acción en


función de los cambios en el mercado.
 Por ejemplo, si β es mayor que uno, la tasa de retorno de la
acción es más sensible a cambios del mercado que el
promedio de las acciones. Si β =2, un incremento del 1% en el
índice del mercado ocasiona un aumento promedio del 2% en
el retorno de la acción.
 Una acción con un coeficiente beta mayor que uno tiende a
ser más volátil que el mercado.

Estadística para Derivados


MUCHAS GRACIAS