Descriptiva DEDUCTIVA
Inferencial
INDUCTIVA
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.
Tipos de Datos
Variable Variable
Cualitativa Cuantitativa
Respuestas Respuestas
categricas numricas
Estadstica Aplicada a las Finanzas
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.
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?
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
x es un estimador de
Estadstica Aplicada a las Finanzas
wamacias@espol.edu.ec 10
Estadstica Descriptiva
(variables cuantitativas)
Estadstica Aplicada a las Finanzas
11
wamacias@espol.edu.ec
Medidas descriptivas
Ejemplos:
Ventas (DatosDescriptivos.xls)
Retornos de ndice burstil
Volatilidad
Diagrama de riesgo-retorno
Problema 1.9 WR (pg. 47)
Problema 1.69 WR (pg. 60)
Histograma, Ejemplo 1.17 (pg. 25)
Coeficiente de Variacin
Problema 1.69 WR (pg. 60)
Cuantiles
Ejemplo VaR
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.
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
VaR
El rea a la izquierda de
cualquiera de los retornos
del eje x, es la
probabilidad de obtener
retornos menores a dicho
valor.
VaR
Sesgo (Skewness), Sk
Curtosis (Kurtosis), K
Sk<0 Sk>0
K>3 K<3
Diagramas de dispersin
Covarianza
Correlacin
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:
Ejercicios propuestos
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.
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.
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
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
Aplicacin
Portafolios de inversin, escenarios y rentabilidades
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.
Series de Tiempo
Informacin de corte transversal
Informacin combinada
Y 1 2 X e
Y 1 2 X
e (Y
i 1
2
i
i 1
i Yi ) 2
n
(Yi 1 2 X i ) 2
i 1
Ilustracin: Priscila
Barriga Toala
n X i Yi X i Yi
2
n X i2 X i
2
1
Y i
X i
2
n n
La herramienta
ms utilizada
para su
estimacin es la
Regresin Lineal
por Mnimos
Cuadrados
Ordinarios.
Ri * RM
Estadstica Aplicada a las Finanzas
59
wamacias@espol.edu.ec
Ejemplo
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.
y yi ei
2
i
2 2
En definitiva:
STC=SEC+SRC
r R2
r
x y i i
x y
2
i
2
i
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
Estadstica Aplicada a las Finanzas
67
wamacias@espol.edu.ec
Prueba F en regresin simple
SEC
F
SRC /( n 2)
2 1
var( j )
j j
x 2
1 R 2
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
( SRC R SRC NR ) /( k 1)
F
SRC NR /( n1 n2 k 1)
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.
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.
Estacionariedad
Definicin:
El proceso estocstico que gener la serie de
tiempo es invariable con respecto al tiempo, es
decir, estacionario.
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
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:
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
Estadstica Aplicada a las Finanzas
92
wamacias@espol.edu.ec
Propiedades de las Series de Tiempo Estocsticas
Series no estacionarias
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.
Series no estacionarias
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.
Series no estacionarias
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.
Series no estacionarias
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.
Pt = Pt - Pt-1
yt 0 1 yt 1 ... p yt p 1 t 1 ... q t q t
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.
La serie de precios de
INTEL no es
estacionaria, pero su
primera diferencia s.
VTASt c t
t 1 t 1 t