Métodos Cuantitativos avanzados

Preguntas tipo examen

Tema 1

Preguntas cortas:

1. Explique las diferencias entre una variable aleatoria discreta y una variable aleatoria
continua.

Una variable aleatoria es cualquier característica medible que toma distintos valores. Una
variable aleatoria discreta toma valores aislados en un intervalo, cada uno con una
probabilidad asignada. Mientras que una variable aleatoria continua toma cualquier valor en
un itntervalo (infinitos valores). En este caso la probabilidad de tomar algún valor es cero (0)
por lo que la probabilidad se estima como el área bajo la curva de distribución de
probabilidades.

2. Proponga un ejemplo de Distribuciones de probabilidad discretas y otro de

distribución de probabilidad continua y explíquelos brevemente.

La distribución de probabilidad discreta especifica todos los valores posibles de la variable y

sus probabilidades. Ejm. Probabilidad de que el equipo de futbol gane o pierda un partido.

La distribución de probabilidad continua permite determinar las probabilidades

correspondientes a subintervalos de valores (probabilidad acumulada). Es una función
matemática. Ejm. Los niveles de ingreso del Ecuador.

Ejercicios:

3. El número de personas que llegan a una oficina bancaria cada hora sigue una
distribución de Poisson con media 5. ¿Cuál es la probabilidad de que la próxima
lleguen 3 personas? ¿Y la de que lleguen 8 personas?

λ x e−λ
P ( X )=
X!
3 −5
( ) 5 e
P 3= =0,1404
3!

58 e−5
P ( 8 )= =0,0653
8!
Tema 2

4. Explique las diferencias entre Población y Muestra y explique el porqué de trabajar

con muestras.

La población hace referencia a la totalidad de observaciones. Una muestra es un subconjunto

de observaciones seleccionadas de una población.

Dado que el proceso de estudio de una población resulta muchas veces imposible, además de
costoso, es preferible trabajar con una muestra (tomada adecuadamente) de la población. La
misma debe ser representativa, por lo que debe ser tomada al azar.
 5. Describa que es un intervalo de confianza y para qué sirve.

Un intervalo de confianza permite expresar el grado de incertidumbre asociado a una

estimación puntual. Este intervalo contiene entre sus límites inferior y superior, ( l ) y (u) al
estimador puntual del parámetro poblacional.

(l ≤θ ≤ u)

Ejercicios:

6.  Demostrar que la media muestral es un estimador insesgado de la media

poblacional.

X = variable aleatoria N = tamaño poblacional μ = media poblacional

E ( X ) =E [ 1
n
∗∑ X i ]
1
E ( X )= E [∑ Xi]
n
1
E ( X )=
n
∑ E( X ¿¿ i)¿
1
E ( X )=
n
{ E ( X 1 )+ E ( X 2 ) +…+ E ( X n ) }
1
E ( X ) = ∗n∗μ
n
E ( X ) =μ
Tema 3

7. Defina que es la probabilidad.

(Laplace) la probabilidad de ocurrencia de un evento es el cociente entre el número de casos

favorables y el número total de casos posibles. Ésta está entre 0 y 1. Así, la suma de
probabilidades será igual a 1.

Ejercicios:

8. Si la probabilidad de sacar más de cinco en un caso práctico es del 70 % y la

probabilidad de la intersección entre aprobar un examen y sacar más de cinco
puntos en el caso práctico es del 35 %, ¿cuál es la probabilidad de aprobar un
examen dado que se ha sacado más de cinco puntos en el caso práctico?

P( A)=70 % probabilidad de sacar más de cinco en un caso práctico

P( A ∩ B)= 35 % probabilidad de la intersección entre aprobar un examen y sacar más de

cinco puntos en el caso práctico,
 P ( A|B ¿ = probabilidad de aprobar un examen dado que se ha sacado más de cinco
puntos en el caso práctico

P ( A ∩ B ) 0.35
P ( A|B )= = =0.50
P (B ) 0.70

Tema 4

9. ¿Qué es un red bayesiana?

Es un modelo probabilístico que relaciona variables aleatorias mediante un grafo. Son redes
graficas que representan variables aleatorias y las relaciones de probabilidad existentes entre
ellas.

F1 F2

10. Una empresa está revisando su política de retribuciones. La empresa conoce que los
sueldos pagados a sus empleados se distribuyen de forma normal con una desviación
estándar de 100 euros. El sueldo medio μ, por experiencia propia de la persona
designada para hacer el estudio, es un valor de una variable aleatoria normal con
media  μ0=  800 euros y desviación estándar  σ0=  10 euros. Para realizar el estudio la
empresa ha recogido una muestra de 25 personas con un sueldo promedio de 780
euros (X´). ¿Cuál es el intervalo bayesiano de μ al 95 %?
2
σ

√
2
¿ σ o n ¿ σ 2o∗σ 2
μ= X+ μ0 σ=
2 σ2 2 σ2 n σ 2o + σ 2
σo+ σ o+
n n

μ¿ −Z∗σ ¿ ≤ μ ≤ μ ¿ + Z∗σ ¿
La media y desviación estándar son:

100 2
2 ∗800
10 ∗780 25
μ¿ = 2
+ 2
=796
2 100 2 100
10 + 10 +
25 25

√
2 2
10 ∗100
σ ¿= =8.94
25∗10 2+100 2

El valor Z para el 95% se debe buscar en la tabla 0,475, el valor es 1,96

796−1.96∗8.94 ≤ μ ≤ 796+1.96∗8.94

778.48 ≤ μ ≤ 813.52
Tema 5
 11. Defina y explique cómo calcular el coeficiente de correlación de Pearson.

Es un índice que mide el grado de COVARIACIÓN de dos variables relacionadas LINEALMENTE.

Toma valores entre 1 y -1.

ρ xy =
σ xy
=
∑ ( X i−X )(Y i−Y )
σ x∗σ y ( X i −X )
2
( Y i−Y )
2

∑ n−1
∗∑
n−1

12. ¿Son sinónimos correlación y causalidad? Justifique detalladamente su respuesta.

No son sinónimos, la correlación indica que dos variables comparten información, variabilidad
entre sí. Por otro lado, la causalidad indica que el origen de la variabilidad en una variable, es
la variabilidad de la otra. Esta causalidad es difícil de determinar, pero puede hacerse a través
un estudio de campo o en un contexto experimental.

Ejercicios

13. Dada la siguiente muestra aleatoria de las variables

aleatorias X e Y, ¿cuál es su covarianza muestral?

x y x-`x y-`y (x-`x)(y-`y)

1 14 -4 0.4 -1.6
3 12 -2 -1.6 3.2
5 8 0 -5.6 0
7 14 2 0.4 0.8
9 20 4 6.4 25.6
media 5.00 13.60 28
covarianza
desv est 3.16 4.34 muestral 7

Tema 6

14. Explique las ventajas y desventajas del modelo de cotizaciones históricas para
predecir la volatilidad.

VENTAJAS DESVENTAJAS
Simplicidad operativa No hay un criterio para elegir la ventana temporal adecuada. Un número
reducido de la amplitud de la ventana provocara una tendencia errática en la
serie de volatilidad, una muy grande minimiza el nivel de volatilidad
Permite generar una No funciona como predictor de la volatilidad futura, solo refleja el
predicción el nivel de comportamiento reciente y
volatilidad al cierre del reacciona con retraso ante incrementos de la volatilidad
mercado diario Pondera igual todas las observaciones diarias.

15.  Explique brevemente que es el modelo GARCH(1,1) y para qué sirve.

Este modelo permite predecir la volatilidad del próximo día a partir de la volatilidad prevista
para hoy y la de la rentabilidad observada al cierre del mercado.
 2 2 2
σ t+1 =w+ β∗σ t +α∗r t

Donde: α + β< 1 w=δ∗σ

2

w
σ 2= volatilidad de largo plazo; α mide la tasa a la que responde el modelo
1−α −β
frente a rentabilidades pasadas; β mide la respuesta del modelo ante la volatilidad del día
anterior

Ejercicios:

16. Al cierre de un día de mercado la varianza es 1 % y la rentabilidad diaria el 3 %. Un

analista predice que la varianza del día siguiente será del 1,4 %. Sabiendo que la
predicción se ha hecho con un modelo EWMA, ¿cuál es el valor del parámetro λ?

El modelo histórico predice la volatilidad con la varianza muestral, esto es malo porque otorga
a cada observación la misma ponderación, cosa que no es deseable en mercados financieros.

El modelo de suavizado exponencial o modelo EWMA subsana esta restricción asignando un

peso a cada rentabilidad. El modelo EWMA calcula la varianza como media ponderada de las
rentabilidades al cuadrado.

σ t+1 =∑ α i∗r t −i
2 2

i
Con α i=λ

Para calcular el lambda partimos de:

σ t+1 =( 1−λ )∗∑ λ ∗r t −i=λ∗σ t + ( 1−λ )∗r t

2 i 2 2 2

2 2
Con: σ t =0.01 , σ t+1 =0.014, r t =0.03
2
0.014=λ∗0.01+ ( 1− λ )∗0.03
λ=1.43956

Tema 7

17. Explique en que consiste el modelo CAPM (Capital Asset Pricing Model).

Basado en la teoría de diversificación de activos, este modelo busca calcular la rentabilidad

esperada en función de la cantidad de RIESGO asumida.

Este modelo pone precios a los activos y a carteras de activos. Da respuesta a cuál es la
rentabilidad exigida por el inversor, lo cual equivale al concepto de coste de capital. También
permite comparar activos o carteras en base a la rentabilidad esperada para la cantidad de
riesgo asumida.
 E( r i)=r f + β ℑ∗[ E(r m)−r f ]

r f tasa de rentabilidad libre de riesgo

E( r i) rendimiento esperado para la cartera o activo i

r m rentabilidad esperada por el mercado

Cov ( r i , r m )
β ℑ= beta o riesgo asumido
Var ( r m )

E( r m)−r f ∗E( r m)−r f prima de riesgo de mercado

18. Explique qué es el modelo VaR (Value at Risk).

Concepto estándar para la cuantificación del riesgo de mercado. El VaR es una estimación
estadística que mide la perdida máxima asociada a un nivel de confianza y en un horizonte
temporal dado.

El modelo permite:

- Calcular los requisitos de capital fijados por los reguladores

- Informar a la dirección el nivel de riesgo de mercado
- Establecer límites de gestión y decidir la asignación del capital
- Evaluar la gestión y resultados y comparar riesgos

Ejercicios

19. Un gestor de carteras estudia incorporar a su cartera de renta variable una empresa
de telecomunicaciones que cotiza en el IBEX 35. Proponga un ejemplo de riesgo
sistemático, riesgo específico y riesgo diversificable.

el riesgo sistemático es aquel que no se puede gestionar, no es diversificable. Por ejemplo, la

caída en el PIB del país, la pandemia por Covid 19.

El riesgo especifico es aquel que solo afecta al activo de renta variable en estudio. Por ejemplo,
la caída en los ingresos de la empresa.

El riesgo diversificable es aquel que se puede gestionar y reducir con estrategias financieras.
Por ejemplo, con una subida en los impuestos al sector de telecomunicaciones, la empresa
puede diversificar el riesgo al adquirir un activo con correlación negativa con los impuestos.

20. De un activo conocemos que su ratio de Sharpe es igual a 0,8. La rentabilidad

esperada por el inversor para este activo es 9 %=r i con una varianza del 1 %. ¿Qué
rentabilidad para el activo libre de riesgo estima el consenso de mercado?

El ratio de Sharpe relaciona la rentabilidad media sobre el activo libre de riesgo con la volatilidad
del activo o cartera

ri – r f
Ratio de Sharpe=
σ
 0.09 – r f
0.8=
0.1
r f =0.01

Tema 8

21. Defina qué el la multicolinealidad y ponga un ejemplo de ello. ¿Cómo puede

detectarse? Y si se detecta ¿Podemos corregirlo?

Hace referencia a la existencia/ausencia de correlación lineal entre los regresores. Esto afecta
a la precisión y al valor de los estimadores de los regresores. Ejemplo: calificación obtenida en
materia “X” y afinidad con materia “X”.

La colinealidad entre dos regresores aparece cuando el coeficiente de determinación R2 1

Esto causa varianza de estimadores muy grande, y mayor sesgo de estimación. En un contraste
de hipótesis hay más riesgo de error tipo I.

1
Se detecta con el FAV = 2 Si el FAV>10 hay alta colinealidad
1−R
Para dar tratamiento:

- eliminar los regresores afectados (puede aumentar el sesgo del estimador)

- aumentar el tamaño muestral
- utilizar ratios para variables dependiente e independientes

Ejercicios:

22. Sea el modelo de regresión simple: y i=β 0 + β 1 x 1 i +ui. ¿Qué elemento será la
pendiente y como podría estimarse?

β 0 es el intercepto, β 1 es la pendiente, se estima por MCO.

n∗b o+ b1∗∑ x i=∑ y i

b o∗∑ x i +b1∗∑ x i =∑ x i y i
2

Tema 9

23. Explique qué es una serie temporal y proponga un par de ejemplos.

Es una sucesión de observaciones ordenadas y equidistantes cronológicamente de una variable

tomada en diferentes instantes de tiempo

Ejemplo: PIB trimestral del Ecuador para el periodo 2000-2020

Tasa de inflación de los países de la CAN para el periodo 2005-2015

24. ¿Qué es un proceso estocástico?

Es una secuencia de variables aleatorias, ordenadas y equidistantes cronológicamente,

referidas a una o varias características de una unidad observable en diferentes momentos
temporales. La serie temporal es un subconjunto muestral del proceso estocástico.

Tema 10
 25. Explique en que consiste la teoría de la simulación y para qué se utiliza.

Es un experimento con un modelo detallado de un sistema real para determinar cuál será la
respuesta del sistema a cambios en sus condiciones estructurales o cambios en el entorno.

En la industria financiera las técnicas de simulación permiten gestionar y cuantificar riesgos

financieros.