Estadistica Aplicada Finanzas

Qu es la estadstica?
La estadstica tiene que ver con el estudio de mtodos cientficos para:

Recolectar
Organizar
Resumir Datos
Presentar, y
Analizar
Realizar conclusiones sobre la base del anlisis.
Estadstica Aplicada a las Finanzas

1
wamacias@espol.edu.ec
Maestra en Finanzas
Mdulo: Estadstica aplicada a las
Finanzas
Washington Macas Rendn

Octubre-Noviembre 2011

2
Divisiones de la Estadstica
Descriptiva DEDUCTIVA
Inferencial
INDUCTIVA

3
Definiciones
Poblacin y Muestra
Ejemplo: Se quiere examinar algunas caractersticas
de las empresas de servicios, como por ejemplo,
activos, deuda/activos, ROA.
Poblacin: todas las empresas de servicios
Muestra: un subconjunto de empresas.
Muchas veces resulta imprctico examinar a toda la

poblacin en estudio.

4
Definiciones
Tipos de Datos
Variable Variable
Cualitativa Cuantitativa
Ordinales Nominales Discreta Continua
Proceso de Conteo Proceso de Medicin

Categora de Tipo de cuntas casas
crdito vivienda PIB
vende por mes?
Respuestas Respuestas
categricas numricas
wamacias@espol.edu.ec 5
Variables cualitativas
Variables nominales
Distintas categoras que no representan ningn orden
Variables ordinales
Distintas categoras ordenadas segn el valor incremental que
representan.

6
Variables cuantitativas
Variables discretas
El valor de estas variables proviene de un proceso de conteo
A cuntas revistas est suscrito?
cuntas casas vende por mes?
cuntos sujetos entraron en default en el mes?

7
Variables cuantitativas
Variables continuas
Su valor proviene de un proceso de medicin
Dependiendo de la exactitud, el universo posible de valores puede ser
infinito.
La estatura
El PIB del Ecuador
Las ventas anuales (en $) de una empresa
El valor de mercado de un portafolio

8
Definiciones
Parmetro, medida calculada a

Poblacin partir de la poblacin
Estadstico, medida calculada a

partir de la muestra
Muestra
Es un estimador del parmetro

Ejemplo: parmetro vs. estadstico
Parmetro: , promedio del

Todas las empresas ratio ROA de todas las empresas
de servicios de servicios.
Estadstico: x promedio del ratio

Subconjunto ROA de las empresas de la
de empresas muestra.
x es un estimador de
Estadstica Descriptiva
(variables cuantitativas)
11
Medidas descriptivas
Medidas de tendencia central

Media
Mediana
Moda
Medidas de dispersin
Varianza y desviacin estndar
Rango
Distribuciones, histogramas y polgonos de frecuencia

12
Ejemplos:
Ventas (DatosDescriptivos.xls)
Retornos de ndice burstil
Volatilidad
Diagrama de riesgo-retorno
Problema 1.9 WR (pg. 47)
Histograma, Ejemplo 1.17 (pg. 25)

13
Coeficiente de Variacin
Cuantiles
Ejemplo VaR

14
Ejemplo: histogramas y cuantiles
VaR
Estimacin del Value at Risk (VaR) de un portafolio de inversin.
El VaR resume la prdida mxima esperada a lo largo de un horizonte de
tiempo objetivo con un nivel de confianza dado.

15
VaR
Considere los
rendimientos
mensuales (cambios de
precio %) de un
portafolio de bonos
(periodo 1953-1995)
Grafique un histograma
de frecuencia con los
rendimientos del activo

16
VaR
El rea a la izquierda de
cualquiera de los retornos
del eje x, es la
probabilidad de obtener
retornos menores a dicho
valor.
O se puede fijar una

probabilidad determinada,
por ej. 5% y hallar el retorno
mnimo (o prdida mxima)
dada dicha probabilidad.
En este caso 1,7%.
17
VaR
Es equivalente decir que

hay un 95% de confianza
que los rendimientos sern
- 1,7%.
Si el valor de mercado del

portafolio es de $100MM, la
prdida mxima del
portafolio en un periodo de 1
mes sera $1,7MM.
Este es el VaR de dicho

portafolio.
18
Ejercicio
Suponga que Ud tiene un portafolio que replica el S&P. Basndose en los

retornos histricos, determine el VaR de dicho portafolio.

19
Otros momentos del conjunto de datos
Sesgo (Skewness), Sk
Curtosis (Kurtosis), K
Sk<0 Sk>0
K>3 K<3

20
Medidas descriptivas: relacin entre dos variables
Diagramas de dispersin
Covarianza
Correlacin

21
Introduccin a la Probabilidad

22
Definiciones
Un experimento es una situacin que puede tener distintos resultados -o

puntos muestrales- cada uno con su respectiva probabilidad de
ocurrencia.
El conjunto de todos los posibles puntos muestrales se conoce como el
espacio muestral.
Un evento es un subconjunto del espacio muestral; puede estar
conformado por uno o varios puntos muestrales.
Una particin es el conjunto de eventos mutuamente excluyentes que,
unidos, conforman la totalidad del espacio muestral.

23
Relaciones entre eventos
Unin de dos eventos: A U B, es el conjunto formado por los elementos

que pertenecen a A, a B, o a ambos.
Interseccin entre dos eventos: A B, es el conjunto formado por los
elementos que pertenecen a A y a B, simultneamente.
Se dice que dos eventos son mutuamente excluyentes si: A B = (vaco)

Ms general:
Los eventos A1, A2, , An son mutuamente excluyentes si:
Ai Aj = , para todo i j
Ver diagramas de Venn, pg. 75

24
Probabilidad de un evento
Si un experimento puede arrojar n distintos resultados, igualmente

probables, de los cuales a resultados corresponden al evento A, entonces
la probabilidad de ocurrencia de dicho evento es:
p(A)=a/n
La probabilidad de que el evento no ocurra es q=1-p(A)
Tambin conocido como probabilidad del complemento, A
Si un evento E ocurre de manera inevitable se dice que p(E)=1.
Si un evento E es improbable, p(E)=0.

25
Ejemplo
Los resultados al lanzar un dado pueden ser

cualesquiera de los nmeros del 1 al 6.
Todos los resultados tienen igual probabilidad de
ocurrencia.
Sea el evento A definido como la obtencin de un
nmero par, entonces la probabilidad de A es:
Resultados que pertenecen al evento A: 2,4,6. a=3.
Resultados totales del experimento, n=6.
p(A) = a/n = 3/6 = 0,5.

26
Distribucin de probabilidad de variables discretas
Es una funcin, tabla o grfico, que asigna un valor de probabilidad, P( ), a

cada punto muestral, si
Tiene las siguientes propiedades:
Funcin de probabilidad emprica.

Es la funcin estimada a partir de la distribucin de frecuencias de una
variable determinada.

27
Axiomas de probabilidad
Para dos eventos mutuamente excluyentes, A y B, P(A U B) = P(A) + P(B)

De lo anterior se deduce que 1= P(A) + P(A)
Para dos eventos cualesquiera A y B, P(A U B) = P(A) + P(B) P(B A)
Para cada par de eventos A y B, P(B) = P(B A) + P(B A)
Ejemplo 2.16, pg. 83

28
Probabilidad condicional y Teorema de Bayes
Sean A y B dos eventos arbitrarios con P(B) > 0. La probabilidad

condicional del evento A, dado que B ha ocurrido (probabilidad de A dado
B) est definida como:

29
Probabilidad condicional y Teorema de Bayes
Teorema de Bayes
Sean los eventos A1, A2, . . . , An una particin del espacio muestral S y sea
B un evento arbitrario que satisfaga la condicin P(B) > 0. Entonces:

30
Distribuciones conjuntas
Funcin, tabla o grfico que asigna la probabilidad de ocurrencia de los

valores (o categoras) de dos variables simultneamente.
Permite obtener:
Distribucin de probabilidad condicional
Distribucin de probabilidad marginal
Ejercicio: cosecha y lluvia

31
Independencia
Se dice que los eventos A y B son probabilsticamente independientes si se

cumple que: P(A B) = P(A) P(B)
Ejercicios propuestos

32
Distribuciones de probabilidad conocidas - Discretas
Distribucin Uniforme Discreta

Todos los resultados de la variable aleatoria tienen la misma probabilidad
de ocurrir. Este es el caso de los resultados del dado.
Distribucin Poisson
Tiene muchas aplicaciones prcticas importantes. Es un modelo de ciertos
eventos independientes que ocurren en un tiempo o espacio fijo. Por
ejemplo:
Nmero de llamadas por hora recibidas en la central telefnica de una
estacin de polica.
Nmero de defectos por lote en un proceso de produccin.
Nmero de carreras por entrada en un partido de bisbol.

33
Distribuciones de probabilidad conocidas - Discretas
Distribucin de Bernoulli
Es una distribucin de probabilidad discreta, para una variable que toma
valor 1 con probabilidad de xito (p) y valor 0 con probabilidad de
fracaso (q = 1 p).
Distribucin Binomial
Distribucin de probabilidad discreta que mide el nmero de xitos en una
secuencia de n ensayos independientes de Bernoulli con una probabilidad
fija p de ocurrencia del xito entre los ensayos.

34
Distribuciones de probabilidad conocidas - Continuas
Dado que el universo de posibles valores tiende a infinito, la probabilidad

de que una variable continua tome un valor especfico es cero.
Al contrario, lo que es til es determinar la probabilidad de que la
variable aleatoria continua est dentro de cierto rango de valores.
Distribucin Uniforme continua

La probabilidad entre dos valores se distribuye uniformemente.

35
Distribuciones de probabilidad conocidas - Continuas
Distribucin Normal
La distribucin normal es de vital importancia una de las razones es que
muchos fenmenos continuos parecen tomar su forma o se los aproxima por
medio de esta.
Esta distribucin cumple con ciertas propiedades; tiene forma de campana y
es de apariencia simtrica.
Distribuciones derivadas de la normal:

Distribucin normal estndar
Distribucin t-student
Distribucin lognormal (ejemplo de retornos)
36
Valor Esperado
Una variable puede tomar los valores x1, x2,., xk, con probabilidades p1,
p2,., pk.
El valor esperado es:
k
E ( X ) xi pi
i 1

37
Ejemplo
Suponga que una empresa estima los siguientes escenarios para sus
utilidades del prximo ao:
Escenario Utilidad Probabilidad
Optimista $250,000 0.25
Ms Probable $180,000 0.55
Pesimista $90,000 0.2
Calcule la utilidad esperada.

Las utilidades del ao pasado alcanzaron los $200,000. Cul es la
probabilidad de tener utilidades menores a las del ao pasado?

38
Varianza, Covarianza a partir de funciones de probabilidad
discretas
Aplicacin
Portafolios de inversin, escenarios y rentabilidades

39
Teorema central del lmite
Suma de variables aleatorias independientes e idnticamente

distribuidas
Una muestra aleatoria de tamao n, tomada de una distribucin F, es una
secuencia de n variables aleatorias mutuamente independientes X1, . . . ,
Xn con una funcin de distribucin comn: F(x) = P(Xi x), i = 1, 2, . . . , n.
Teorema central del lmite

En condiciones muy generales, si Sn es la suma de n variables
aleatorias independientes, entonces la funcin de distribucin de Sn se
aproxima bien a una distribucin normal.
El teorema asegura que esto ocurre cuando la suma de estas variables
aleatorias e independientes es lo suficientemente grande.

40
Inferencia Estadstica

41
Intervalos de confianza
Intervalo de confianza para la media

Si X proviene de una distribucin normal
Donde z() es el valor crtico de la distribucin normal estandar

El intervalo tambin se puede expresar as:

42
Intervalo de confianza para la media (un lado)

El intervalo [L,) contiene a con probabilidad 1 , donde:
Aplicacin: VaR paramtrico

43
Intervalo de confianza para la media (varianza desconocida)
Donde s es la desviacin estndar muestral, y tn1 corresponde a la

distribucin t-student con n 1 grados de libertad.
Otra forma de expresar el intervalo es:

44
Si no se puede sostener el supuesto de que X proviene de una distribucin

normal, pero el tamao de la muestra es suficientemente grande ( 30),
entonces:
Donde z es el valor de una distribucin normal estndar.

Si la varianza es desconocida, se reemplaza por el error estndar
estimado, s, y el intervalo sera:
Revisar: intervalo de confianza para la varianza.

45
Regresin Lineal

46
Regresin Lineal
Simple:
Analiza la relacin lineal entre una variable dependiente y
una variable independiente, donde ambas son mtricas
Mltiple:
La diferencia es que hay varias variables independientes.
Eventualmente se pueden incluir variables cualitativas por

medio de variables dicotmicas (dummies).

47
Regresin Lineal: uso para la prediccin
Una vez determinada la relacin entre las variables, se podrn utilizar

valores conocidos de las variables independientes para predecir o estimar
la variable dependiente.

48
Regresin Lineal: uso en relaciones no lineales
La transformacin de variables permite estimar algunas relaciones que

originalmente no son lineales.

49
Tipos de Datos
Series de Tiempo
Informacin de corte transversal
Informacin combinada

50
Regresin Lineal Simple
Matemticamente: la Funcin de Regresin Poblacional

Y = 1 + 2X +
Grficamente: la Curva de Regresin Poblacional
1 + 2X

51
Regresin Lineal Simple: Estimacin
Matemticamente: la Funcin de Regresin Muestral:
Y 1 2 X e
Y 1 2 X
Grficamente: la Recta de Regresin Muestral

52
Mtodo de Mnimos Cuadrados Ordinarios (MCO)
El mtodo ms utilizado para estimar los betas es el mtodo de

Mnimos Cuadrados Ordinarios
Estima la relacin lineal entre la variable dependiente y la
independiente, es decir estima los parmetros 1 y 2 de la FRP de tal
forma que la RRM se ajuste de mejor manera a los datos.
Qu significa ajustarse mejor? Que la suma de todos los errores
elevados al cuadrado sea lo menor posible.

53
Matemticamente, lo que busca el mtodo de MCO es:

Min
n n
e (Y
i 1
2
i
i 1
i Yi ) 2
n
(Yi 1 2 X i ) 2
i 1

54
Ilustracin: Priscila
Barriga Toala

55
Sacando derivadas parciales con respecto a los s, igualando a cero y

despejando 1 y 2 se obtienen las Ecuaciones Normales, a
partir de las cuales se llega a:
n X i Yi X i Yi
2
n X i2 X i
2
1
Y i

X i
2
n n

56
Interpretacin de Betas
1 es el valor que tomara la variable dependiente

si la variable explicativa tuviera un valor de cero.
Esta interpretacin a veces no tiene sentido ya que
hay casos en los la variable explicativa no toma
valores de cero.
2 es el cambio en la variable dependiente ante un
cambio (aumento) unitario en la variable
explicativa. Es decir, un 2= -1,5 implica que si X
aumenta una unidad (a partir de un valor
cualquiera) Y disminuye en 1,5 unidades.

57
Ejemplo
Riesgo de Mercado: Beta

El beta es una medida de riesgo de un ttulo (por ej. acciones) con
relacin a los movimientos del mercado.
cmo se mueven los retornos de la accin j con respecto a los
retornos de un ndice burstil?

58
Ejemplo
La herramienta
ms utilizada
para su
estimacin es la
Regresin Lineal
por Mnimos
Cuadrados
Ordinarios.
Ri * RM
59
Ejemplo

Los betas de los ttulos son usados luego para conformar portafolios de
inversin con un riesgo determinado (beta de portafolio).

60
Anlisis de Varianza (ANOVA)
Recuerde que: Yi Yi ei
O expresado en funcin de sus medias: yi y i ei
Elevando al cuadrado: yi2 y i2 ei2
Llamaremos a la variacin de Y como STC: Suma total de los
cuadrados
Llamaremos a la variacin de Y estimado como SEC: Suma
explicada de los cuadrados, es decir la parte de STC que es
explicada por la regresin.
Finalmente, llamaremos a la variacin del error como SRC:
Suma de los residuos al cuadrado.

61
y yi ei
2
i
2 2
En definitiva:
STC=SEC+SRC

62
A partir del anlisis de varianza se puede determinar:

El ajuste del modelo.
La significancia de Beta 2.

63
Coeficiente de Determinacin R2: una medida de la bondad
del ajuste
Es una medida de qu tan bien se ajusta la recta de

regresin a los datos.
Si todas las observaciones (la muestra) cayeran justo en la
recta habra un ajuste perfecto, pero en la prctica habr
errores positivos y negativos.
R2=SEC/STC=1-(SRC/STC)
Nos dar un nmero entre 0 y 1. Es la porcin de las
variaciones de la variable dependiente que es
explicada por la variacin de la regresin.

64
Coeficiente de Correlacin
Es una medida de asociacin lineal entre dos

variables. Puede ser estimado a partir del
coeficiente de determinacin de la regresin simple,
o a travs de su definicin:
r R2
r
x y i i
x y
2
i
2
i

65
Inferencia Estadstica en Regresin

66
Prueba de Hiptesis sobre los parmetros
Prueba general para una hiptesis nula de que el parmetro

es igual a un valor hipottico.
Estadstico de prueba t el cual sigue una distribucin t-student con n-
2 grados de libertad bajo la hiptesis nula:
2 2*
t
ee 2
Prueba de significancia: se est pidiendo especficamente
probar la hiptesis nula de que el coeficiente es igual a cero.
2
t
ee 2
67
Prueba F en regresin simple
Lleva a la misma conclusin que la prueba de significancia t para Beta 2, y

se calcula a partir de la Tabla ANOVA.

68
Prueba F en regresin simple
SEC
F
SRC /( n 2)
Si la variable explicativa influye significativamente en

Y, entonces F ser alto.
Regla de decisin: Si F>Fcrtico (, 1, n-2) entonces
rechazo H0.

Regresin Mltiple
Es el modelo de regresion con dos o mas variables

independientes. Es una extension del modelo de
regresion simple.
La forma general del modelo de regresion multiple es:
Yi 1 2 X 1i 3 X 2i ... K 1 X Ki i
Donde hay K variables independientes y K+1
coeficientes o parametros betas.

Coeficiente de Determinacin Mltiple, R2
La definicin dada en regresin simple puede extenderse

fcilmente a los modelos de regresin mltiple.
El coeficiente de determinacin mltiple nos muestra la
proporcin de la variacin de Y que es explicado por la
variacin de las variables explicativas.
R2=SEC/STC=1-(SRC/STC)
Un problema de este estimador es que nunca decrece al
aumentar ms variables al modelo.

71
Varianza de los estimadores de los s
Vamos a realizar el siguiente anlisis para entender qu cosas

influyen en la varianza de los estimadores.
La varianza de un estimador puede ser expresada de la
siguiente forma:
2
1
var( j )
j j
x 2
1 R 2
Donde R2j es el R2 de una regresin entre Xj contra el resto de

Xs.

72
Varianza de los estimadores de los s
2 1
var( j )
j j
x 2
1 R 2
De la expresin anterior se puede concluir que:

La varianza de los estimadores aumenta a medida que
aumenta la varianza del error, 2.
La varianza de un estimador aumenta a medida que
aumenta el grado de ajuste lineal entre la variable que
acompaa con respecto a las otras variables explicativas,
R2j.
La varianza de un estimador disminuye a medida que
aumenta el rango de la variable X a la que acompaa.

73
R2 ajustado
Al comparar entre dos modelos con la misma variable

dependiente, pero uno de los modelos tiene ms variables
explicativas que el otro, se debe tener cuidado en el momento
de elegir cul es el mejor. El R2 no sera una buena
herramienta de eleccin.
Podemos evitar este problema con el R2 ajustado:
n 1
R 2 1 (1 R 2 )
n k 1
En este caso k representa el nmero de variables explicativas.
Este estimador castiga la inclusin de ms variables en el
modelo.
Puede utilizarse, en parte, para elegir entre modelos
alternativos

74
Ejemplo. Interpretacin de Resultados
Considere el siguiente modelo de demanda de bebidas gaseosas en una

tienda de la ciudad:
QGi 0 1 * PGi 2 * INGi 3 * PAi i
Donde:
QGi es la cantidad de bebidas gaseosas vendidas en el periodo i.
PGi es el precio de venta (en dlares) de cada bebida gaseosa durante el
periodo i.
INGi es el ingreso medio (en dlares) mensual de los consumidores
durante el periodo i.
PAi es el precio (en dlares) de cada botella de agua durante el periodo i.
i es un trmino aleatorio con valor esperado igual a cero.

75
Ejemplo. Interpretacin de Resultados
Dependent Variable: QG
Method: Least Squares
Date: 02/09/04 Time: 11:12
Sample: 1999:01 2000:12
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C 3717.987 206.4593 18.00833 0.0000
PG -3159.477 334.6618 -9.440807 0.0000
ING 14.16840 2.027821 6.987006 0.0000
PA 3284.314 809.0344 4.059548 0.0006
R-squared 0.916601 Mean dependent var 5991.250
Adjusted R-squared 0.904091 S.D. dependent var 131.9194
S.E. of regression 40.85424 Akaike info criterion 10.40891
Sum squared resid 33381.37 Schwarz criterion 10.60525
Log likelihood -120.9069 F-statistic 73.27063
Durbin-Watson stat 1.793493 Prob(F-statistic) 0.000000

76
Pruebas t y F
Test t: H0: i=* (dos colas)

Test t: H0: i>* o H0: i<* (una cola)
Prueba de significancia conjunta, Prueba F

H0: 2=3==k+1=0 SEC / k
F
SRC /( n k 1)
Si las variables explicativas realmente influyen en Y, es decir, si sus s son
distintos de cero, entonces F ser alto.
Regla de decisin: Si F>Fcrtico (, k, n-k-1) entonces rechazo H0.

Pruebas sobre restricciones lineales: Mnimos
Cuadrados Restringidos
La siguiente prueba F sirve para probar el tipo de hiptesis

mencionadas:
( SRC R SRC NR ) / m
F
SRC NR /( n k 1)
Donde m es el nmero de restricciones lineales y k es el
nmero de variables explicativas en la regresin no
restringida.
Si las hiptesis son incorrectas el valor de F ser alto.
Regla de decisin: Si F>Fcrtico (, m, n-k-1) entonces rechazo
H0.

Test de Wald, W
Se puede usar cuando las restricciones no son lineales. 2=1/3

No asume normalidad en los errores ni en los betas, por lo tanto,
lo puedo usar en lugar de los tests t y F cuando los errores no se
distribuyen normal.
El test sigue asintticamente una distribucin chi-cuadrado con q
grados de libertad, donde q es el nmero de restricciones
planteadas en la hiptesis nula.
Asintticamente: cuando el tamao de la muestra tiende a infinito
el test sigue alguna distribucin especfica.
Sin embargo, hay autores que sostienen que: debido a que
generalmente se manejan muestras pequeas, no hay necesidad
de utilizar W y otros tests asintticos, incluso aunque los errores
no sean normales, ya que no se gana informacin adicional.
79
Test de Estabilidad de Parmetros, Test de Chow
En series de tiempo, tal vez suceda que haya un cambio

estructural en la relacin entre Y y las Xs.
Es decir, los parmetros del modelo no son constantes en el
tiempo.
Modelo No Restringido
Submuestra 1 Yi 1 2 X 1i 3 X 2i ... K 1 X Ki NR1i
Submuestra 2 Yi 1 2X 1i 3X 2i ... K 1 X Ki NR 2 i
Modelo Restringido (muestra completa)
Yi 1 2 X 1i 3 X 2i ... K 1 X Ki R i

Test de Estabilidad de Parmetros, Test de Chow
( SRC R SRC NR ) /( k 1)
F
SRC NR /( n1 n2 k 1)
Donde k es el nmero de variables explicativas, n1 y

n2 son los tamaos de las submuestras 1 y 2,
respectivamente y SRCNR es la suma de SRC de las
submuestras 1 y 2.
La hiptesis nula que se prueba es que no hay
quiebre estructural.
Test asinttico alternativo: Likelihood Ratio
Supuestos del Modelo: No Multicolinealidad
Es la relacin lineal fuerte entre variables explicativas.

Prdida de eficiencia:
El problema es que nos produce errores estndar grandes para los betas.
Un caso particular es multicolinealidad perfecta, la cual hace que los betas
sean indeterminados y la varianza de los mismos infinita.

82
Supuestos del Modelo: Homocedasticidad
Problema: Heterocedasticidad
La varianza del error no es constante a travs de los distintos valores de X.
Ej. Gasto Familiar vs. Ingreso
A medida que aumenta el ingreso el gasto se hace ms variable.
El problema de la heterocedasticidad es que los estimadores siguen
siendo insesgados pero no tienen varianza mnima.
Las pruebas t y F nos pueden dar resultados imprecisos.

83
Supuestos del Modelo: No Autocorrelacin
Autocorrelacin
Existe generalmente en los estudios de series de tiempo y tiene que ver
con la correlacin del error con sus valores rezagados.
Es decir, los errores pasados tienen cierto poder para explicar los valores
actuales de la variable dependiente.
No afecta al insesgamiento pero s a la varianza mnima.

84
Supuestos del Modelo y Propiedades de los estimadores
Dados estos supuestos, los estimadores MCO de los coeficientes de

regresin parcial son lineales, insesgados y tienen varianza mnima entre
todos los estimadores lineales insesgados, es decir, son MELI.

85
Introduccin a las Series de Tiempo

86
Objetivo
Los modelos de series de tiempo tienen como objetivo predecir el

movimiento futuro de una variable y(t) relacionndola con el
comportamiento pasado de esa misma variable y, eventualmente, de otras
variables explicativas.

87
Supuesto sobre las Series de Tiempo
La construccin de los modelos que se vern de aqu

en adelante se basa en el supuesto de que las series
de tiempo que se van a pronosticar, se han generado
por un proceso estocstico (o aleatorio).
Se buscar construir un modelo simplificado que

explique la aleatoriedad de una serie estudiada de
manera que sea til para pronosticarla.

88
Propiedades de las Series de Tiempo Estocsticas
Estacionariedad
Definicin:
El proceso estocstico que gener la serie de
tiempo es invariable con respecto al tiempo, es
decir, estacionario.
Si el proceso no fuera estacionario, no podra

construir fcilmente un modelo basndose en
valores pasados de la serie de tiempo con el
objetivo de pronosticar valores futuros.

89
Estacionariedad
Propiedades de una serie de tiempo estacionaria:
1. La media y varianza deben ser constantes en el tiempo.
E(yt)=E(yt+k)=
E[(yt - )2]= E[(yt+k - )2]= y2

90
Estacionariedad
Propiedades de una serie de tiempo estacionaria:
2. La covarianza entre dos periodos depende solamente de la distancia
entre ellos y no del momento en que se ha medido:
E[(yt - )(yt+k - )]= E[(yt+s - )(yt+s+k - )]= k

para cualquier t, k y s

91
Series no estacionarias
Caminatas Aleatorias (Random Walk) sin variaciones:
Cada cambio sucesivo de yt es extrado de forma
independiente de una distribucin de probabilidad con
media 0.
yt=yt-1+t
con E(t)=0 y E(tS)=0 para t distinto a s.
t es RUIDO BLANCO, iid.
El pronstico est dado por:
yT 1 yT E( T 1 ) yT
92
Caminatas aleatorias con variaciones:
yt= 1 + yt-1+t
La variacin en y est dada por:
yt = 1 +t
Es decir, y sigue una tendencia denominada tendencia estocstica.

93
Tendencia Determinista:
yt= 1 + 2t + t
Se dar cuenta que su media no es constante, sino que depende de
t, pero su varianza s lo es.
Si se resta la media de yt la serie resultante s es estacionaria. Por
eso a este proceso suele llamrselo como tendencia estacionaria.

94
Cmo diferencio grficamente la tendencia estocstica, de la
tendencia determinista?
Simulacin en Excel:
yt= 1 + yt-1+ t
yt= 1t + t
Asuma que el error se distribuye normal estndar.

95
Raz Unitaria
La no estacionariedad suele conocerse como problema de raz
unitaria. Es decir, se suele utilizar como sinnimos los trminos:
caminata aleatoria, serie no estacionaria o raz unitaria.

96
Series no estacionarias pero diferenciables

Es probable que pocas series de tiempo sean estacionarias.
Sin embargo, muchas se pueden diferenciar d veces hasta
convertirse en estacionarias.
Por ejemplo, caminata aleatoria sin variaciones se puede
diferenciar una vez y la serie resultante es estacionaria.
Serie integrada de orden 1.
En general, si una serie se diferencia d veces

hasta convertirse en estacionaria se denomina
integrada de orden d, I(d).
97
Pruebas de Estacionariedad
1. Anlisis del correlograma:

Autocorrelacin con el rezago k (K):
K = covarianza con el rezago k / varianza
La funcin de autocorrelacin deber caer hasta

cero conforme el nmero de rezagos se hace
grande.
En series no estacionarias, la funcin de
autocorrelacin no decae, o lo hace tarde.

98
Pruebas de Estacionariedad
2. Prueba de Dickey Fuller:

Tomando como referencia el caso ms general de no
estacionariedad
yt= 1 + 2t + yt-1+t
las hiptesis nula y alternativa son:
Hiptesis Nula: =1 (hay raz unitaria, no hay
estacionariedad)
Hiptesis Alternativa: <1 (ya que el caso de >1 no tiene
sentido ya que la serie sera explosiva)
La regla de decisin es: Si DF < Valor Crtico () rechazo H0.

99
Correlograma: Precio de Intel

100
Correlograma: Variaciones de Precio de Intel (Primeras
diferencias)
Pt = Pt - Pt-1

101
Forma general de un modelo de series de tiempo
ARMA (p,q)
yt 0 1 yt 1 ... p yt p 1 t 1 ... q t q t
La parte que incluye rezagos de la misma variable y, se

denomina la parte autorregresiva, AR(p)
La parte que incluye rezagos de los errores, se denomina la

parte de medias mviles (moving average), MA (q)

102
Modelos Lineales de Series de Tiempo
Modelos Autorregresivos
(AR)
Si la funcin de auto
correlacin decrece a una
tasa geomtrica y la auto
correlacin parcial es cero
despus del rezago p,
entonces estamos
hablando de un proceso
auto regresivo de orden
p.

Modelos de Medias
Mviles, Moving Average
(MA)
De forma inversa, si la
funcin de auto
correlacin es cero
despus del rezago q, y la
auto correlacin parcial
decrece a una tasa
geomtrica, el proceso de
medias mviles de orden q
seria el apropiado.

Si las auto correlaciones aparentan un patrn cclico, esto sugerira la

presencia de un ARMA estacional.
Modelos Autorregresivos y de Medias Mviles (ARMA)
Los modelos ARMA son una combinacin de un AR(p) con un MA(q).
AC y PAC decrecen exponencialmente.

105
Modelos ARIMA (p,d,q)

Se expresa as, cuando a una serie fue necesario diferenciarla d veces
hasta que sea estacionaria, y poder modelarla con un modelo ARMA
(p,q). Ej:
ARIMA (2,1,1): integrada de orden 1, que sigue un modelo
ARMA(2,1)
ARIMA (1,1,0): integrada de orden 1, que sigue un modelo AR(1).

106
Identificacin del Modelo: Box-Jenkins
La serie de precios de
INTEL no es
estacionaria, pero su
primera diferencia s.

Estimacin en E-Views: Ejemplo Ventas
Para un AR(1) es normal pensar que la expresin a ingresar

en el software sera la siguiente:
VTAS C AR(1)
Sin embargo, Eviews asume siempre que hay un modelo
estructural para la variable dependiente (representado por
las variables que se coloquen a su derecha) y que el error
de este modelo es el que sigue los procesos AR, MA o
ARMA.
Es decir, con el comando VTAS C AR(1), Eviews interpretara
y estimara el siguiente modelo:
VTASt c t
t 1 t 1 t

108
Estimacin en E-Views: Ejemplo Ventas
Variable Coefficient Std. Error t-Statistic Prob.
C 332437.2 8714.351 38.14824 0.0000

AR(1) 0.551529 0.283654 1.944374 0.0837
Es decir: VTASt 332.437,2 t

t 0,551529 t 1 t
Reagrupando:
VTASt 332.437,2 t
t 0,551529VTASt 1 332.437,2 t
VTASt 332.437,21 0,551529 0,551529VTASt 1 t
VTASt 149.088,44 0,551529VTASt 1 t
109
Verificacin de diagnstico
Cmo sabe que el modelo estimado tiene buen ajuste?

Residuos Ruido Blanco
Comparacin con otros modelos a travs de Akaike, Schwartz, R2 Ajustado.

110
Pronstico
Si se ha hecho un modelo con las primeras diferencias, pero lo que me

interesa es pronosticar la variable, recuerde que:
dYt = Yt Yt-1
dYt = ARMA
Yt = Yt-1 + ARMA

111
Cointegracin
Modelos con series no estacionarias pueden dar

resultados aparentemente buenos, pero en
realidad no lo son!!! - Regresin espuria.
Pero puede darse el caso en que dos series que no
son estacionarias s puedan utilizarse en un modelo
que las relacione (sin diferenciarlas) pero siempre y
cuando la combinacin lineal de las mismas sea
estacionaria. En este caso, las series cointegran.

112
Cointegracin
La prueba de cointegracin consiste en una prueba de raz unitaria para

los errores del modelo entre las dos series no estacionarias.
Recuerde que los errores pueden ser expresados como una
combinacin lineal de la variable dependiente con sus variables
explicativas.

113
Gracias!!

114

Estadistica Aplicada Finanzas

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Estadistica Aplicada Finanzas

Diunggah oleh

Hak Cipta:

Format Tersedia

Qu es la estadstica?

La estadstica tiene que ver con el estudio de mtodos cientficos para:

Realizar conclusiones sobre la base del anlisis.

Estadstica Aplicada a las Finanzas

Washington Macas Rendn

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Muchas veces resulta imprctico examinar a toda la

Estadstica Aplicada a las Finanzas

Ordinales Nominales Discreta Continua

Proceso de Conteo Proceso de Medicin

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Parmetro, medida calculada a

Estadstico, medida calculada a

Estadstica Aplicada a las Finanzas

Parmetro: , promedio del

Estadstico: x promedio del ratio

Medidas de tendencia central

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

O se puede fijar una

Es equivalente decir que

Si el valor de mercado del

Este es el VaR de dicho

Suponga que Ud tiene un portafolio que replica el S&P. Basndose en los

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Un experimento es una situacin que puede tener distintos resultados -o

Estadstica Aplicada a las Finanzas

Unin de dos eventos: A U B, es el conjunto formado por los elementos

Se dice que dos eventos son mutuamente excluyentes si: A B = (vaco)

Ver diagramas de Venn, pg. 75

Estadstica Aplicada a las Finanzas

Si un experimento puede arrojar n distintos resultados, igualmente

Estadstica Aplicada a las Finanzas

Los resultados al lanzar un dado pueden ser

Estadstica Aplicada a las Finanzas

Es una funcin, tabla o grfico, que asigna un valor de probabilidad, P( ), a

Funcin de probabilidad emprica.

Estadstica Aplicada a las Finanzas

Para dos eventos mutuamente excluyentes, A y B, P(A U B) = P(A) + P(B)

Ejemplo 2.16, pg. 83

Estadstica Aplicada a las Finanzas

Sean A y B dos eventos arbitrarios con P(B) > 0. La probabilidad

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Funcin, tabla o grfico que asigna la probabilidad de ocurrencia de los

Ejercicio: cosecha y lluvia

Estadstica Aplicada a las Finanzas

Se dice que los eventos A y B son probabilsticamente independientes si se

Estadstica Aplicada a las Finanzas

Distribucin Uniforme Discreta

Estadstica Aplicada a las Finanzas

Estadstica Aplicada a las Finanzas

Dado que el universo de posibles valores tiende a infinito, la probabilidad

Distribucin Uniforme continua