FDJ

Además de conocer donde están centrados los datos (con las medidas de tendencia central), debemos conocer la dispersión que tienen (en torno a la media).  En finanzas, es común asociar dispersión con riesgo. Medidas de dispersión:   Rango, Desviación, Varianza, Coeficiente de variación, Ratio de Sharpe. 1) Rango .  Es la diferencia entre el valor máximo y el valor mínimo en un set de datos. Rango = Máximo valor - Mínimo valor Posee como ventaja la facilidad de cómputo, pero como desventaja que utiliza únicamente dos piezas de la información de la distribución.   2) Desviación media absoluta .  Las medidas de dispersión pueden contemplar en sus cálculos todas las observaciones en la distribución (más allá del valor máximo y mínimo, como utiliza el rango).  La pregunta es ¿Cómo medimos la dispersión? Una noción básica es la distancia de una observación en torno a la media (Xi - X raya).  La desviación media absoluta se basa en tomar el p...

En el curso estaremos utilizando Anaconda, es una variante de Python que ya tiene instalada todo lo necesario para comenzar. Python, como cualquier otro lenguaje de programación, necesita de algún tipo de editor de texto para desarrollar el código.  Los IDEs (o editores de texto) son herramientas útiles, ya que realizan verificaciones de sintaxis, proveen ayuda sobre funciones/paquetes, etc.  Los que usaremos son: PyCharm, Spyder y Jupyter Notebook (Spyder y Jupyter Notebook están pre-instalados en Anaconda). Una de las ventajas de Python es su ecosistema .  Esto se refiere a a la cantidad y variedad de módulos open-source que posee, además de su Standard Library.  Algunos módulos que utilizaremos son:   numpy, scipy, pandas, matplotlib, statsmodels, xlwings, openpyxl  y arch. Para obtener ayuda acerca de una función o módulo:  import math  # Se importa el módulo llamado 'math' help(math)    Esta función help , está dentro...

Asimetría (o Skewness) Nos permite identificar si los datos se distribuyen de forma uniforme alrededor de la media aritmética.    Se mide a través del coeficiente de asimetría o de Fisher.   Figura A                             Figura B La figura A exhibe datos distribuidos normalmente, que por definición denotan simetría.  Al dibujar una línea por el medio del histograma, puede verificarse que un lado es el reflejo del otro.  La figura B es también simétrica, a pesar de que dista de ser normal.  Los datos simétricos reflejan un coeficiente de asimetría o de Fisher igual a cero. Distribuciones asimétricas positivas o hacia la derecha Los datos con asimetría positiva o hacia la derecha se llaman así porque la "cola" de la distribución apunta hacia la derecha y porque el valor de la asimetría es mayor a 0 (medido a través del coeficiente de asimetría o de Fisher)....