Analitika Vol 3

www.inec.gob.ec www.ecuadorencifras.
com
ISSN 1390-6208
Nmero 3 - 2012
Analti a
k
volumen
Revista de Anlisis Estadstico
Journal of Statistical Analysis
3

CONSTANCIA
Propsito cumplido y encaminado para alcanzar el
xito
Analtika 3 Enero 2012, revista semestral de anlisis estadstico, Instituto Nacional de Estadstica y Censos, Ecuador. Publicacin
internacional bilinge dedicada a estudios relacionados con ciencias sociales, econmica, anlisis estadstico y de datos. Las ideas y
opiniones expresadas en las colaboraciones, son de exclusividad de las autoras y los autores.
Livino Armijos
DIRECTOR DE LA REVISTA
DIRECTOR DE ESTUDIOS ANALTICOS ESTADSTICOS
Pal Medina Ph.D.
EDITOR - DIRECTOR CIENTFICO DE LA REVISTA
COMIT EDITORIAL INTERNACIONAL
APOYO EDITORIAL
COMIT EDITORIAL NACIONAL
Byron Sosa
DISEO Y DIAGRAMACIN PORTADA Y SEPARATAS
Directorio Revista Directorio INEC
Byron Antonio Villacs Cruz
DIRECTOR EJECUTIVO
Jamile Fenicia Campozano Vsquez
DIRECTOR DE PLANIFICACIN
Csar Oswaldo Zanafria Niquinga
DIRECTOR DE ASESORA JURDICA
Brenda Semprtegui Vanegas
DIRECTORA DE COMUNICACIN SOCIAL
Marco Villavicencio Ortz
AUDITOR INTERNO
Rossman Ramiro Camacho Carrin
DIRECTOR ADMINISTRATIVO FINANCIERO
Ruth Elena Puyol Cordero
DIRECTORA DE ADMINISTRACIN DEL TALENTO HUMANO
Csar Roberto Morales Pez
SECRETARIO GENERAL Y GESTIN DOCUMENTAL
Elizabeth Geoconda Ocampo Gavilanez
DIRECTORA DE TECNOLOGAS DE LA INFORMACIN Y COMUNICACIN
Jorge Eduardo Garca Guerrero
COORDINADOR TCNICO GENERAL
David Gonzalo Vera Alcivar
NORMATIVAS Y METODOLOGAS DEL SEN
Rosa Catalina Valle Piuela
DIRECTORA DE INFORMACIN CARTOGRFICA ESTADSTICA
Dalia Magaly Paredes Bao
DIRECTOR DE ESTADSTICAS ECONMICAS

Jorge Luis Gmez Palacios
DIRECTOR DE ESTADSTICAS SOCIODEMOGRFICAS
Jennifer Nathaly Marcillo Chasy
DIRECTORA DE ESTADSTICAS AMBIENTALES
Livino Manuel Armijos Toro
DIRECTOR DE ESTUDIOS ANALTICOS ESTADSTICOS

PROCESOS A NIVEL REGIONAL

Shyrley Jacqueline Padilla Proa
DIRECTORA REGIONAL DEL NORTE
Juana Noem Gamboa Vargas
DIRECTORA REGIONAL DEL CENTRO
Oswaldo Uyaguari Quezada
DIRECTOR REGIONAL DEL SUR, (Enc)
Jssica Alexandra Menndez Campos
DIRECTORA REGIONAL DEL LITORAL
3
Nmero 3 - 2012
3
Diego Chamorro Ph.D. ( U . d' Evry - Val- d'Essone -
Francia) Silviu Glavan Ph. D. ( U. Navarro - Espaa)
Adriana Uquillas Ph. D. ( Banco Itau - Unibanco- Brazil)
Ana Molina M.Sc., Ph.D.(c) (IUIOG Espaa)
Borys Alvarez Ph. D. (UCE - Ecuador)
Juan Mayorga Ph. D. (UI .- Ecuador)
Juan Garca M.Sc. (UDLA - Ecuador)
Sergio Castllo M.Sc. (ESPE - Ecuador)
Andrs Merino (Edicin en )
Giovanny Quimbiulco
Lilia Quituisaca
REVISIN DE ESTILO Y REDACCIN
Presentacin
Estimados lectores,
Me complace en presentar el tercer nmero de la revista Analtika del Instituto Nacional de
Estadsticas y Censos (INEC).
La revista Analtika, dedicada a la publicacin de estudios e investigaciones en las reas
estadsticas, financieras, econmicas y sociolgicas, es una muestra del know-how cientfico de
investigadores nacionales e internacionales. La presente revista contiene cuatro artculos de una
excelente calidad cientfica. Dos de ellos, dedicados al Anlisis de la estructura ocupacional y el
bono demogrfico de Ecuador y La modelacin de series econmicas mediante mtodos
automticos de regresin difusa; son investigaciones netamente nacionales. Los otros dos
artculos, Herramientas matemticas para la economa y las finanzas: el movimiento Browniano y
la integral de Wiener y La distribucin regional de los prstamos en la Argentina por sector
econmico, 20002010. Una aplicacin del anlisis de cluster, son contribuciones de
investigadores de Francia y Argentina , respectivamente.
Estas contribuciones internacionales son un indicador que prueba el grado de difusin que la
revista Analtika est adquiriendo, no slo dentro de Ecuador, sino tambin a nivel internacional.
Adicionalmente, se debe mencionar que el estudio Anlisis de la estructura ocupacional y el bono
demogrfico de Ecuador, fue presentado en la V Semana Internacional de la Estadstica y la
Probabilidad, organizado por la Benemrita Universidad Autnoma de Puebla, Puebla Mxico y
en el II Congreso Latinoamericano de Estudiantes de Estadstica, II COLEEST, organizado por el
Instituto Tecnolgico Metropolitano (Institucin Universitaria Adscrita al Municipio de Medelln),
Medelln Colombia. Cabe indicar que ambos eventos acadmicos fueron arbitrados, esto es, los
trabajos seleccionados para su presentacin, fueron examinados por expertos investigadores de
reconocido prestigio internacional.
En el nmero anterior de la revista nos fue grato anunciar que la misma haba sido indexada en
LATINDEX, sistema de informacin sobre revistas cientficas de los pases de Amrica Latina, el
Caribe, Espaa y Portugal. Con el presente nmero les anunciamos que la revista Analtika est
postulando para ingresar en los sistemas de indexacin de revistas SCIELO y REDALYC, lo que
supondra un mayor reconocimiento y prestigio de la calidad cientfica de la revista y una mayor
proyeccin nacional e internacional, aspecto que marcara un hito entre las publicaciones
realizadas en nuestro pas.
Animo, por tanto, a nuestros investigadores nacionales, as como a investigadores internacionales
a difundir sus artculos y contribuir al conocimiento cientfico mediante nuestra revista.
Sin ms, deseando que la revista sea de su agrado,
Byron Villacs
Director Ejecutivo
Contenido
1.- Algunas herramientas matemticas para la economa y las finanzas:
el movimiento Browniano y la integral de Wiener ................................................................3
Mathematical tools for Economics and Finance:
Brownian motion and the Wiener integral
Diego Chamorro
2.- Modelacin de series econmicas mediante mtodos automticos de regresin difusa........19
Modeling of economic time series using automated fuzzy regression methods
Rodrigo Cajamarca - Hermann Mena
3.- Un estudio sobre la distribucin regional de los prstamos en la Argentina
por sector econmico, 20002010. Una aplicacin del anlisis de cluster. .........................43
A study on the regional distribution of loans by economic sector in Argentina,
20002010. An application of cluster analysis
Adrin Gutirrez Cabello - Andrs Salama
4.- Estructura ocupacional y bono demogrfico en el Ecuador ..................................................69
Demographic and occupational structure in Ecuador
Yannira Chvez - Pal Medina
Diego Chamorro
www.inec.gob.ec www.ecuadorencifras.com
Analti a
k
Algunas herramientas matemticas para la economa y
las finanzas: el movimiento Browniano y la integral de
Wiener
Mathematical tools for Economics and Finance:
Brownian motion and the Wiener integral
Algunas herramientas matemticas para la economa y las nanzas. . .
Algunas herramientas matemticas para la economa y las
nanzas: el movimiento Browniano y la integral de Wiener
Mathematical tools for Economics and Finance: Brownian
motion and the Wiener integral
Diego Chamorro
Laboratoire dAnalyse et de Probabilits, Universit dEvry Val dEssonne, Paris, Francia
diego.chamorro@univ-evry.fr
Recibido: 13 de diciembre de 2011 Aceptado: 6 de febrero de 2012
Resumen
El objetivo de este artculo es mostrar algunos de los aspectos matemticos que se encuentran detrs de los modelos
realizados para describir fenmenos econmicos y nancieros. Nos concentraremos en particular en las dos herramientas
de base que son el movimiento Browniano y la integral de Wiener, y mostraremos algunas de sus principales propiedades
y caractersticas.
Palabras clave: Movimiento Browniano, integral de Wiener.
Abstract
This article aims to show some of the mathematical aspects behind the models used for describing economic and
nancial phenomena. It focuses on two basic tools: Brownian motion and the Wiener integral, showing some of their
properties and characteristics.
Keywords: Brownian motion, Wiener integral.
Cdigo JEL: C02, C19, C58.
1 Introduccin
El Ecuador produce una gran variedad de materias pri-
mas como cacao, banano, petrleo, etc. cuyo precio se
negocia en las bolsas de valores internacionales, en funcin
de la oferta y la demanda. Diversos factores (econmicos,
polticos, tecnolgicos, meteorolgicos, etc.) intervienen en
la variacin de los precios de estas materias primas, de ma-
nera que tanto los productores como los compradores de-
ben realizar detallados estudios de mercado para poder po-
sicionarse (a corto, mediano y largo plazo) en funcin de
estas uctuaciones.
Un primer paso simple para tratar de comprender la
evolucin del precio de estas materias primas consiste en
gracar las uctuaciones pasadas a partir de las informa-
ciones disponibles. En los grcos de la gura 1, mostrare-
mos la variacin del precio del cacao y del barril de petr-
leo durante el perodo 1994-2007.
Visualmente, la primera observacin que podemos ha-
cer es que la funcin que representa la evolucin, duran-
te los aos 1994-2007, del precio de estas materias primas
no es muy regular: presenta picos, oscilaciones y variaciones
muy rpidas. Notamos tambin que, a partir de un cierto
tiempo t (digamos enero 2000, para jar las ideas), es muy
difcil predecir, a la luz de las informaciones pasadas, el
precio al instante t +
1
o t +
2
(digamos enero 2001 y enero
2002). Finalmente, podemos razonablemente suponer que
la evolucin futura tendr un comportamiento similar (pi-
cos, oscilaciones y variaciones bruscas). Muchas de las pre-
visiones econmicas y nancieras se construyen por me-
Analti k a, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 3
Diego Chamorro
dio de modelos que buscan replicar, o reproducir, estas ob-
servaciones en el futuro. As por ejemplo, buena parte del
presupuesto general del estado ecuatoriano se basa en la
evolucin del precio del petrleo, y en la manera en que
su venta ha sido negociada. Esta negociacin se realiza so-
bre la base de modelos matemticos sosticados; por ello,
es fundamental comprender las herramientas matemticas
subyacentes.
Figura 1. Fluctuaciones del precio del cacao y del petrleo duran-
te el perodo 1994-2007. Fuente: internet.
Una de las primeras etapas en el uso de esta caja de he-
rramientas matemticas consiste en tratar de reproducir o mo-
delar, por medio de objetos matemticos, los grcos ante-
riores. Es posible realizar esto por medio de un proceso es-
tocstico muy particular llamado el movimiento Browniano.
Podemos observar que este objeto matemtico compar-
te, al menos visualmente, muchas de las propiedades de
los grcos de la gura 1: picos, oscilaciones y variacio-
nes bruscas. En realidad, este es un ejemplo de uno de los
objetos matemticos de base para una buena parte de las
matemticas nancieras.
Pero, qu es el movimiento Browniano y porqu este
nombre? Este pequeo texto est dedicado a responder a
estas inquietudes.
El plan del artculo es el siguiente. En la seccin 2, expli-
caremos cmo obtener el movimiento Browniano estndar
a partir de caminatas aleatorias y mostraremos una serie
de propiedades interesantes de este objeto matemtico. En
la seccin 3, discutiremos algunos aspectos relativos a la
integral de Riemann-Stieltjes, cuando la funcin contra la
cual se desea integrar es justamente un movimiento Brow-
niano. Esto conducir a la construccin de la integral de
Wiener. En todas estas secciones nuestras principales refe-
rencias son [6] y [7]. Finalmente, en la seccin 4 veremos
cmo intervienen estos objetos en la modelizacin nan-
ciera por medio de un ejemplo concreto. En el apndice 5,
se incluyen los cdigos en SCILAB que permiten hacer una
modelizacin informtica de las trayectorias de un movi-
miento Browniano.
Figura 2. Dos ocurrencias de un movimiento Browniano. Fuente:
cdigo del autor.
2 El movimiento Browniano
El movimiento Browniano es un buen ejemplo de inter-
accin entre diferentes disciplinas cientcas. En efecto, en
1827, el bilogo escocs Robert Brown observa en el micros-
copio el movimiento errtico de ciertas partculas de una
planta en un lquido; esto pareca concordar con la idea, vi-
gente en esa poca, que consideraba este tipo de movimien-
to desordenado como consecuencia de algn uido vital.
Sin embargo, esta hiptesis fue rechazada por Brown cuan-
do, en 1828, observ el mismo tipo de movimiento cati-
co con partculas inorgnicas de tamao similar. Aos ms
tarde, en 1901, el matemtico francs Louis Bachelier utili-
4 Analti k a, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315
z este movimiento para explicar las uctuaciones de los
mercados nancieros y este fue el inicio de una larga tra-
dicin en las matemticas nancieras, pero hubo que es-
perar al matemtico norteamericano Norbert Wiener para
obtener una denicin matemtica formal de este objeto en
1923.
2.1 Procesos estocsticos y caminatas aleato-
rias
El movimiento Browniano es un caso muy particular
de un proceso estocstico cuya denicin general damos a
continuacin.
DEFINICIN 1 (Proceso estocstico). Sea (, F, P) un espa-
cio de probabilidades, sea (E, E ) un espacio medible y sea I un
conjunto de ndices (en la prctica se tiene I = R
+
o I = N).
Un proceso estocstico es entonces una coleccin de variables
aleatorias (X
t
)
tI
denidas sobre el espacio (, F, P) a valores
sobre el espacio (E, E ).
Demos un ejemplo que ser de utilidad posteriormen-
te. Sea (
t
)
tN
una sucesin de variables aleatorias inde-
pendientes de Bernoulli de ley de probabilidad dada por
P(
t
= 1) = P(
t
= 1) = 1/2. Denimos entonces
un proceso estocstico, llamado caminata aleatoria, de la si-
guiente forma:
_
X
0
= 0,
X
t+1
= X
t
+
t
.
(1)
Figura 3. Una caminata aleatoria. Fuente: cdigo del autor.
Los puntos obtenidos por medio de este proceso entre t
y t +1 son juntados linealmente para obtener la gura 3.
Visualmente podemos apreciar cierta similitud entre el
grco de esta caminata aleatoria y los de la gura 1. Pero
esta modelizacin deja mucho que desear; por esta razn,
vamos a imponer ciertas condiciones que harn que el ob-
jeto matemtico correspondiente se acerque ms a las uc-
tuaciones del precio de las materias primas observadas.
Estas condiciones pueden parecer arbitrarias, pero se-
rn justicadas al construir el movimento Browniano.
DEFINICIN 2 (Movimiento Browniano estndar). Un pro-
ceso estocstico B(t, ) es un movimiento Browniano estn-
dar si satisface las siguientes condiciones:
1) El proceso comienza en cero: P
_
: B(0, ) = 0
_
= 1
2) Para todo 0 s < t, la variable aleatoria B(t) B(s)
es normalmente distribuida con media cero y de varianza
t s:
B(t) B(s) A(0, t s),
es decir, para todo a < b , se tiene:
P(a B(t) B(s) b) =
1
_
2(t s)
_
b
a
e
x
2
2(ts)
dx.
3) El proceso B(t, ) tiene incrementos independientes: para
todo 0 t
1
< t
2
< . . . < t
n
las variables aleatorias
B(t
1
), B(t
2
) B(t
1
), . . . , B(t
n
) B(t
n1
),
son independientes.
4) Casi todos los caminos de B(t, ) son funciones continuas:
P
_
: B(, ) es continua
_
= 1.
Por comodidad, el proceso estocstico B(t, ) ser nota-
do B(t) o B
t
.
DEFINICIN 3. Una realizacin para un jado t B(t, )
de un movimiento Browniano es llamada una Trayectoria.
Figura 4. Dos trayectorias de un movimiento Browniano en 2D y
3D. Fuente: cdigo del autor.
Diego Chamorro
2.2 Construccin del Movimiento Browniano
La caminata aleatoria denida en la pgina anterior
cumple con algunos de los puntos anteriores pero, en par-
ticular, no cumple con la condicin 2). Sin embargo la idea
de caminatas aleatorias es muy til para una construccin
simple y rpida del movimiento Browniano.
Empecemos con una variante del proceso estocstico
dado en (1) y consideremos una caminata aleatoria que em-
pieza en el punto cero, con saltos de amplitud a y a de
igual probabilidad de ocurrencia en los tiempos , 2, . . .
en donde s, son dos nmeros positivos. Ms formalmen-
te, sea (
n
)
nN
una sucesin de variables aleatorias inde-
pendientes idnticamente distribuidas tales que
P(
n
= a) = P(
n
= a) =
1
2
.
Construimos a partir de esto una caminata aleatoria Y
a,
escribiendo
_
Y
a,
(0) = 0,
Y
a,
(n) =
1
+
2
+ +
n
.
(2)
Luego, para todo tiempo t tal que n < t < (n +1) junta-
mos linealmente los extremos de esta manera:
Y
a,
(t) =
(n +1) t
Y
a,
(n) +
t n
Y
a,
((n +1)).
La cantidad Y
a,
(t) representa la posicin de la camina-
ta aleatoria en el tiempo t; y es a partir de esta camina-
ta aleatoria que vamos a obtener el movimiento Brow-
niano haciendo tender a y hacia cero, es decir B(t) =
lm
a,0
Y
a,
(t). Pero antes de lanzarnos en el clculo de es-
te lmite, conviene estudiar la funcin caracterstica:
E[exp(iY
a,
(t))] con R.
Vamos a ver que muchas de las propiedades del proceso es-
tocstico lmite se pueden obtener al comprender esta fun-
cin caracterstica.
Por simplicidad, vamos a suponer que t = n, de ma-
nera que n = t/; esto ser suciente para nuestros prop-
sitos inmediatos. Por construccin de Y
a,
y por las propie-
dades de las variables aleatorias (
n
)
nN
se tiene
E[exp(iY
s,
(t))] = E
_
exp
_
i
n
j=1
j
__
=
n
j=1
E
_
exp(i
j
)
= E[exp(i
1
)]
n
=
_
1
2
e
ia
+
1
2
e
ia
_
n
= cos(a)
n
= cos(a)
t/
. (3)
A partir de este pequeo clculo, observamos que, para y
t jados, el lmite de la cantidad E[exp(iY
a,
(t))] cuando
a y tienden independientemente hacia cero no existe. Pa-
ra vericarlo basta hacer un desarrollo limitado de la can-
tidad cos(a)
t/
: en efecto, si a y son muy pequeos se
tiene
cos(a)
t/
1
t
2
2
a
2
.
Vemos por ejemplo que, si a x y si x
3
, entonces hay
un verdadero problema en la frmula anterior si se hace
a, 0. Esto muestra que se debe jar con cuidado la re-
lacin entre a y para que el lmite exista. Sin embargo, la
existencia del lmite de la cantidad E[exp(iY
a,
(t))] cuan-
do a, 0 no es suciente para obtener una caminata
aleatoria con las propiedades buscadas. Si jamos ahora a
y tales que
a
2
0 si 0, se obtiene que
lm
a,0
E[exp(iY
a,
(t))] = 1.
Esto implica que el proceso estocstico X(t) denido por
X(t) = lm
a,0
Y
a,
(t) existe, pero se tiene que X(t) 0.
Para obtener el movimiento Browniano es convien-
te, antes de hacer un desarrollo limitado, escribir x =
ln(cos(a)
t/
). Se tiene entonces que x =
t
ln(cos(a)) y,
si a es muy pequeo, tenemos cos(a) 1

2
2
a
2
. Ahora,
dado que ln(1 + ) , si es pequeo podemos escribir
ln(cos(a)
t/
) ln(1

2
2
a
2
)
2
2
a
2
.
De esta forma observamos que, si a y son muy peque-
os, se tiene x
t
2
2
a
2
y entonces cos(a)
t/
e
t
2
2
a
2
.
Por lo tanto, volviendo a la expresin (3), si a y son muy
pequeos, obtenemos la aproximacin
E[exp(iY
a,
(t))] e
t
2
2
a
2
.
En particular si jamos a
2
= entonces podemos escribir
lm
a,0
E[exp(iY
a,
(t))] = e
t
2
2
, R.
El lector observar que esta funcin caracterstica corres-
ponde a una distribucin gaussiana centrada de varianza
igual a t. Estas observaciones nos permiten enunciar nues-
tro primer teorema:
TEOREMA 1. Sea Y
a,
(t) una caminata aleatoria que empieza en
cero, con saltos equiprobables de amplitud a y a en los tiempos
, 2, . . .. Si suponemos que a
2
= , entonces para todo tiempo
t 0 el lmite
B(t) = lm
a,0
Y
a,
(t) existe.
Se tiene adems que
E
_
e
iB(t)
_
= e
t
2
2
, R, (4)
y el proceso estocstico B(t) es un movimiento Browniano estn-
dar.
Demostracin. Con los clculos de las lneas precedentes
hemos vericado la existencia del proceso estocstico B(t)
y la validez de la frmula (4). Por construccin de la ca-
minata aleatoria Y
a,
(t), se tiene que el proceso estocstico
B(t) comienza en cero. Para vericar que la variable aleato-
ria B(t) B(s) es normalmente distribuida con media cero
y de varianza t s, aplicamos la frmula (4) para obtener
E
_
e
i[B(t)B(s)]
_
= e
(ts)
2
2
de donde se deduce que B(t) B(s) A(0, t s). La in-
dependencia de los incrementos es una consecuencia de
la independencia de las variables aleatorias (
n
)
nN
que
ayudaron a construir el proceso estocstico B(t). Con esto
hemos comprobado los puntos 1), 2) y 3) de la denicin
2. Pero falta el punto 4). La continuidad del movimiento
Browniano es un poco ms delicada y, para ello, necesitare-
mos introducir la siguiente nocin y vericar un resultado
dado en la proposicin 1:
DEFINICIN 4. Sean (X
t
)
tI
y (
X
t
)
tI
dos procesos estocsti-
cos denidos sobre el mismo espacio de probabilidades. Decimos
que

X
t
es una modicacin de X
t
, si para todo t I se tiene la
identidad
X
t
=

X
t
casi en todas partes.
PROPOSICIN 1 (Teorema de Kolmogorov-

Centsov). Sean
(X
t
)
t[0,1[
d un proceso estocstico y tres constantes estrictamen-
te positivas , c, tales que
E[[X
t
X
s
[
] c[t s[
d+
.
Entonces, existe una modicacin

X
t
de X
t
tal que
E
__
sup
s,=t
[
X
t

X
s
[
[t s[
_
< + (5)
para todo [0, /[.
Demostracin de la proposicin 1. Para m N, denimos
el conjunto D
m
como la coleccin de d-uplas s =
(2
m
k
1
, . . . , 2
m
k
d
), en donde cada k
i
es un entero en el
intervalo [0, 2
m
], y denimos D =
_
mN
D
m
. Denimos ade-
ms el conjunto
m
de parejas (s, t) D
m
tales que [s t[ =
2
m
. Notemos que hay un poco menos que 2
(m+1)d
de es-
te tipo de parejas. tambin diremos para todo s, t D que
s t si cada componente de s es menor o igual que el com-
ponente correspondiente de t.
Denamos ahora K
j
= sup
(s,t)
m
[X
t
X
s
[. La hipte-
sis de la proposicin nos asegura que existe una constante
tal que
E[K
j
]

(s,t)
m
E[[X
t
X
s
[
]
2
(m+1)d
c2
m(d+)
= 2
m
.
Por construccin del conjunto D, para todo punto s D
existe una sucesin creciente (s
n
)
nN
D tal que s
n
D
n
y tal que s
n
s con s
n
= t a partir de un cierto n su-
cientemente grande. Sea ahora s, t D con la condicin
que [s t[ 2
m
. Se tiene entonces o que s
m
= t
m
o que
(s
m
, t
m
)
m
y en ambos casos podemos escribir:
X
s
X
t
=
+
j=m
(X
s
j+1
X
s
j
) + X
s
m
X
t
m
+
+
j=m
(X
t
j
X
t
j+1
)
en donde las series precedentes son en realidad sumas ni-
tas. De esta identidad se deduce que
[X
s
X
t
[ K
m
+2
+
j=m+1
K
j
2
+
j=m
K
j
.
Denimos ahora el conjunto M
= sup
s,tD,s,=t
_
[X
t
X
s
[
[ts[
_
. Te-
nemos entonces que
M
sup
mN
_
2
(m+1)
sup
[ts[2
m
[X
t
X
s
[ : s, t D, s ,= t
_
sup
mN
_
2
(m+1)+1
+
j=m
K
j
_
2
+1
+
j=0
2
i
K
j
.
Ahora, para 1 y para /, obtenemos con
= 2
+1
1/
que
|M
|
L
2
+1
+
j=0
2
j
|K
j
|
L

j=0
2
j(/)
< +,
en dnde hemos notado | |
L
la norma usual en los espa-
cios L
.
Si 0 < < 1, el mismo razonamiento se aplica a la can-
tidad E[M
] en lugar de |M
|
L
. Se obtiene entonces que
para casi todo , X
t
es uniformemente continuo sobre D y
podemos denir sin ambigedad
X
t
() = lm
st
sD
X
s
().
Finalmente, aplicando el Lema de Fatou a este lmite, y co-
mo se tiene que

X
t
= X
t
casi en todas partes, se obtiene
que

X
t
es la modicacin buscada.
Fin de la demostracin del teorema 1. Se tiene, por las pro-
piedades anteriormente vericadas, que B(t) B(s)
Diego Chamorro
A(0, t s) =
t s A(0, 1). Se obtiene entonces, para

todo entero n 1, que
E[[B(t) B(s)[
2n
] = E[[
t s A(0, 1)[
2n
]
= [t s[
n
E[A(0, 1)
2n
].
Calculemos ahora E[A(0, 1)
2n
], para ello estudiamos la
funcin caracterstica de la variable aleatoria A(0, 1)
2n
:
E[e
iA(0,1)
2n
] = E
_
+
k=1
1
k!
(i)
k
k
G
2nk
_
=
+
k=1
1
k!
(i)
k
k
E
_
G
2nk
_
,
en donde G es una gaussiana normalizada. Dado que todos
los momentos impares de las gaussianas son nulos, se tie-
ne que solo los k momentos pares intervienen en esta suma.
As, se obtiene que
E[e
iA(0,1)
2n
] = e
c
n

2
2
y, por lo tanto, que E[A(0, 1)
2n
] = c
n
. Es decir que se veri-
ca la hiptesis de la proposicin 1 con = 2n y = n 1:
E[[B(t) B(s)[
2n
] = c
n
[t s[
n
. (6)
Entonces, la expresin (5) implica que existe una modi-
cacin

B(t) de B(t) que es continua y por lo tanto resulta
que
P
_
: B(, ) es continua
_
= 1.
Con esto se tiene el punto 4) de la denicin de movimiento
Browniano y terminamos, de esta manera, la demostracin
del teorema 1.
2.3 Algunas propiedades del movimiento
Browniano
Una vez que hemos construido el movimiento Brow-
niano estndar y que se dispone de la identidad
E
_
e
iB(t)
_
= e
t
2
2
, es posible determinar una serie de pro-
piedades que detallamos a continuacin:
PROPOSICIN 2. Sea (B
t
)
tR
+ un movimiento Browniano es-
tndar. Entonces
1) para todo t > 0, B(t) es una variable aleatoria normal-
mente distribuida de media cero y de varianza t.
2) para todo s, t 0, se tiene E[B
t
B
s
] = mns, t.
Demostracin. Por el primer punto de la denicin 2 se tie-
ne que B(t) = B(t) B(0) mientras que, por el segundo
punto, se tiene que B(t) B(0) A(0, t) de donde se
deduce la primera asercin de esta proposicin. Ntese en
particular que se tiene la frmula
Var(B(t)) = E[B(t)
2
] = t,
puesto que E[B(t)] = 0.
Para mostrar la segunda parte podemos suponer, sin
prdida de generalidad que s < t; entonces por los pun-
tos 2) y 3) de la denicin 2 podemos escribir
E[B(s)B(t)] = E[B(s)(B(t) B(s)) + B(s)
2
]
= E[B(s)(B(t) B(s))] +E[B(s)
2
]
= E[B(s)]E[B(t) B(s)] +E[B(s)
2
]
= 0 + s = s;
es decir que E[B
t
B
s
] = mns, t.
PROPOSICIN 3. Sea t
0
0 un real. Entonces, el proceso esto-
cstico

B(t) denido por la frmula
B(t) = B(t + t
0
) B(t
0
)
es un movimiento Browniano estndar.
Demostracin. Hay que vericar que el proceso estocstico
B(t) cumple con las cuatro condiciones de la denicin 2.

Vemos, pues, que se tienen los puntos 1) y 4). Ahora,
para todo s < t escribimos
B(t)

B(s) = B(t + t
0
) B(s + t
0
), (7)
pero como B(t) es un movimiento Browniano se tiene que
B(t +t
0
) B(s +t
0
) es una variable aleatoria normalmente
distribuida con media cero y varianza (t + t
0
) (s + t
0
) =
t s. De esta manera se obtiene que

B(t) verica la con-
dicin 2). Finalmente, para el punto 3), podemos suponer
que t
0
> 0; en ese caso, para toda sucesin 0 t
1
<
t
2
< < t
n
se tiene 0 < t
0
< t
0
+ t
1
< < t
0
+ t
n
.
Aplicamos entonces el punto 3) a B(t) para obtener que
B(t), B(t
k
+ t
0
) B(t
k1
+ t
0
), k = 1, . . . , n son variables
aleatorias independientes. Por la frmula (7) se tiene en-
tonces que las variables aleatorias

B(t
k
)

B(t
k1
) son in-
dependientes de manera que se obtiene la condicin 3).
PROPOSICIN 4. Para todo nmero real > 0, el proceso es-
tocstico

B(t) = B(t)/
es un movimiento Browniano es-

tndar.
Demostracin. Las condiciones 1), 3) y 4) son inmediatas.
Para vericar 2), observamos que para todo s < t se tiene
B(t)

B(s) =
1
(B(t) B(s)).
Esto muestra que la variable aleatoria

B(t)

B(s) es nor-
malmente distribuida, de media cero y de varianza
1
(t
s) = t s. De donde se deduce la condicin 2) y se termi-
na la vericacin de esta proposicin.
Este hecho nos explica que si agrandamos el movimien-
to Browniano por medio de una lupa, seguiremos obser-
vando, a todas las escalas, un movimiento Browniano.
Nos interesamos ahora en estudiar la regularidad de es-
te objeto matemtico. Por denicin, sabemos que es un
objeto continuo, pero es posible decir un poco ms? Pa-
ra hacernos una idea de la situacin, vamos a volver a la
caminata aleatoria Y
a,
denida en (2) que nos ha servido
para la construccin del movimiento Browniano. En efecto,
si jamos por un instante a y , vemos que entre cada eta-
pa de la caminata aleatoria Y
a,
se tiene que la pendiente es
igual, en valor absoluto, a
a
. Dado que, para la obtencin

del movimiento Browniano, hemos jado a =
, la pen-
diente entre estas dos etapas de la caminata aleatoria es del
orden de
1

0
+. Esto muestra, heursticamente, que
es posible que el movimiento Browniano no sea un objeto
derivable. En este sentido tenemos el importante teorema
siguiente:
TEOREMA 2 (Paley, Wiener, Zygmund). Sea (B
t
)
tR
+
un
movimiento Browniano estndar, entonces, para todo ,
las trayectorias B
t
() no son derivables en ningn punto.
Este resultado, demostrado en 1933, es de gran impor-
tancia pues brinda un ejemplo de funciones que no son
derivables en ningn punto pero sobre todo muestra que
estas funciones no son nicamente artefactos matemticos,
sino que aparecen en las observaciones de la naturaleza. La
demostracin de este teorema puede encontrarse en [6].
Tenemos pues una funcin continua que no es deriva-
ble en ningn punto es decir que para una trayectoria da-
da se tiene que B(t, ) / (
1
(R). Vamos a ver que es posible
detallar un poco ms la nocin de regularidad y para ello
introducimos el siguiente espacio de funciones.
DEFINICIN 5 (Espacios de Hlder). Sea 0 < < 1. De-
nimos el espacio de Hlder homogneo

(
(R) como el conjunto

de funciones (mdulo las constantes) f : R R tales que la
cantidad
|f |

(
= sup
x,=y
[ f (x) f (y)[
[x y[
sea nita. (8)

Los espacios de Hlder

(
(R) con 0 < < 1 son ge-

neralizaciones fraccionarias de los espacios de funciones a
derivadas continuas (
k
(R) con k N.
Por el teorema 1 sabemos que el movimiento Brow-
niano B
t
admite una modicacin que pertenece al espa-
cio (
0
(R) de funciones continuas, pero por el teorema 2
se tiene que B
t
/ (
1
(R). Gracias a los espacios de Hlder
podemos anar esta informacin:
TEOREMA 3. Sea (B
t
)
tR
+
un movimiento Browniano estn-
dar, entonces existe una modicacin

B(t) continua de B(t) tal
que casi todas sus trayectorias poseen una regularidad Hlderia-
na de orden con 0 < < 1/2.
Demostracin. La vericacin de este hecho es inmediata
una vez que se tiene el teorema de Kolmogorov-

C enun-
ciado en la proposicin 1. En efecto, dado que se tiene la
frmula (6):
E[[B(t) B(s)[
2n
] = c
n
[t s[
n
se puede aplicar el teorema de Kolmogorov-

Centsov con
= 2n y = n 1, entonces se obtiene que el movimiento
Browniano B(t) admite una modicacin continua que es
Hlder regular con ndice de regularidad 0 < <
n1
2n
. As
se obtiene que el movimiento Browniano posee una regu-
laridad Hlderiana de orden 0 < < 1/2.
OBSERVACIN 1. Es importante notar que se tiene la esti-
macin estricta en el ndice de regularidad y que se puede
mostrar que el movimiento Browniano estndar no es Hl-
der regular de orden 1/2.
3 Integral de Wiener
El objetivo de esta seccin es dar un sentido a la siguien-
te expresin:
I( f ) =
_
b
a
f (t)dB(t, ), (9)
en dnde f es una funcin determinstica (que no depen-
de de ) y B(t, ) es un movimiento Browniano estndar.
Antes de dar los detalles de la construccin de esta inte-
gral, llamada la integral de Wiener, vamos a mostrar algu-
nos puntos que hay que tener en consideracin.
Empecemos con dos funciones f , g : [a, b] R conti-
nuas y acotadas. Recordemos que f es Riemann-Stieltjes con
respecto a g, si el siguiente lmite existe:
_
b
a
f (x)dg(x) = lm
|
n
|0
n
i=1
f (
i
)
_
g(x
i
) g(x
i+1
)
_
(10)
en donde
n
= x
0
, . . . , x
n
es una particin del inter-
valo [a, b] con la convencin a = x
0
< < x
n
= b,
|
n
| = m ax
1in
(x
i
x
i1
) y
i
es un punto de evaluacin
dentro del intervalo [x
i1
, x
i
].
Sin embargo, hay que tener un poco de cuidado con la
denicin de la integral
_
b
a
f (x)dg(x). Consideremos el ca-
so particular en donde f = g; notaremos I
n
y D
n
las sumas
de Riemann correspondientes con los puntos de evaluacin
i
= x
i1
y
i
= x
i
respectivamente:
I
n
=
n
i=1
f (x
i1
)
_
f (x
i
) f (x
i1
)
_
D
n
=
n
i=1
f (x
i
)
_
f (x
i
) f (x
i1
)
_
.
Calculamos ahora D
n
I
n
y D
n
+ I
n
, para obtener
D
n
I
n
=
n
i=1
_
f (x
i
) f (x
i1
)
_
2
(11)
Diego Chamorro
D
n
+ I
n
=
n
i=1
f (x
i
)
_
f (x
i
)
2
f (x
2
i1
)
_
= f (b)
2
f (a)
2
. (12)
El lmite cuando |
n
| 0 de la expresin (11) es llama-
do la variacin cuadrtica de la funcin f . Evidentemente, se
tiene lm
|
n
|0
D
n
,= lm
|
n
|0
I
n
si y solo si la variacin cua-
drtica de f es diferente de cero. En este caso, la denicin
de la integral (10) es problemtica pues el resultado depende
del punto de evaluacin
i
. Esto muestra que hay que tener
un poco de cuidado cuando se trata de denir una integral
por medio de la expresin (10). Existen varias formas de
contornar esta dicultad aparente y, en este artculo, nos
concentraremos en la integral de Wiener.
3.1 Construccin de la integral de Wiener
Empezamos, pues, la construccin de la integral de
Wiener con funciones simples f =
n
i=1
a
i
1
[t
i
,t
i+1
[
(x), en
dnde t
0
= a y t
n
= b. Denimos entonces
I( f )() =
n
i=1
a
i
(B(t
i
, ) B(t
i1
, )) . (13)
Se tiene, evidentemente, I( f + g)() = I( f )() +
I(g)(), para todo , R y f , g dos funciones simples,
de manera que el operador I es lineal.
LEMA 1. Para una funcin simple f , la variable aleatoria I( f )
es una gaussiana con media cero y de varianza
E[I( f )
2
] =
_
b
a
f (t)
2
dt.
Demostracin. Recordemos que una combinacin lineal de
variables aleatorias gaussianas independientes sigue sien-
do una variable aleatoria gaussiana. Por la construccin da-
da en (13), se tiene que I( f ) es una variable aleatoria gaus-
siana.
Veriquemos que la media de I( f ) es nula. Para ello es-
cribimos:
E[I( f )] = E
_
n
i=1
a
i
_
B
t
i
B
t
i1
_
_
=
n
i=1
a
i
_
E[B
t
i
] E[B
t
i1
]
_
= 0
por las propiedades del movimiento Browniano dadas en
la proposicin 2. Calculemos ahora la varianza; por deni-
cin, tenemos
2
= E[I( f )
2
] = E
_
_
_
n
i=1
a
i
(B
t
i
B
t
i1
)
_
2
_
_
. (14)
Observemos ahora dos puntos:
1. Primeramente:
E
_
_
B
t
i
B
t
i1
_
2
_
= t
i
t
i1
. (15)
En efecto, desarrollando esta expresin tenemos
E
_
_
B
t
i
B
t
i1
_
2
_
= E[B
2
t
i
] 2E[B
t
i
B
t
i1
] +E[B
2
t
i1
]
= t
i
2 mnt
i
, t
i1
+ t
i1
= t
i
t
i1
.
2. Adems se tiene, cuando i ,= j, que
E
_
_
B
t
i
B
t
j
_
2
_
= 0.
Supongamos, sin prdida de generalidad, que j < i,
entonces
E
_
_
B
t
i
B
t
j
_
2
_
= E[B
t
i
B
t
j
] E[B
t
i1
B
t
j
]
E[B
t
i
B
t
j1
] +E[B
t
i1
B
t
j1
]
= mnt
i
, t
j
mnt
i1
, t
j
mnt
i
, t
j1
+mnt
i1
, t
j1
.
Lo que permite obtener el resultado deseado.
Finalmente, gracias a estas dos observaciones, tenemos que
la ecuacin (14) se reduce a
2
=
n
i=1
a
2
i
(t
i
t
i1
) =
_
b
a
f
2
(t)dt,
lo que termina la demostracin del lema.
Vamos ahora a aplicar la integral denida con la frmu-
la (13) a funciones ms generales que las funciones simples.
Para ello introducimos un poco de notaciones y considera-
remos L
2
() el espacio de Hilbert formado por el conjun-
to de variables aleatorias de cuadrado integrable denidas
sobre . Para este espacio de Hilbert, el producto interno
estar dado por la frmula:
X, Y = E[XY]. (16)
Sea ahora f una funcin determinista tal que f L
2
([a, b])
y jemos una sucesin de funciones simples ( f
j
)
jN
tal que
f
n
f en L
2
[a, b]. Por el lema 1 se tiene que la sucesin
(I( f
n
))
nN
es de Cauchy en L
2
(), de manera que conver-
ge en L
2
(). Esto nos permite entonces denir la siguiente
cantidad
I( f ) = lm
n+
I( f
n
), en L
2
(). (17)
Aqu debemos vericar que la frmula dada por (17) est
bien denida. Para ello vamos a mostrar que el lmite de es-
ta expresin es independiente de la sucesin de funciones
( f
n
)
nN
considerada. Sea entonces (g
n
)
nN
otra sucesin
tal que g
n

n+
f en L
2
([a, b]). Escribimos, gracias al le-
ma 1
E[[I( f
n
) I(g
n
)[
2
] = E[[I( f
n
g
n
)[
2
] =
_
b
a
( f
n
g
n
)
2
dt.
Puesto que
_
b
a
( f
n
g
n
)
2
dt 2
_
b
a
( f
n
f )
2
+ (g
n
f )
2
dt
y que cada una de estas partes tiende a cero cuando n
+, concluimos que
lm
n+
I( f
n
) = lm
n+
I(g
n
), en L
2
(),
y esto muestra que no hay ambigedad al considerar I( f ).
DEFINICIN 6. Sea f L
2
([a, b]), el lmite I( f ) denido por
la ecuacin (17) es la integral de Wiener de f . Notaremos la in-
tegral de Wiener de f de la siguiente forma:
I( f )() =
_
_
b
a
f (t)dB(t)
_
(), . (18)
La integral de Wiener es entonces un operador denido de
L
2
([a, b]) en L
2
().
Observemos que la integral de Wiener es un operador
lineal: en efecto, para todo f , g L
2
([a, b]) se tiene, por
construccin, que I( f + g) = I( f ) + (g).
TEOREMA 4. Para todo f L
2
([a, b]), la integral de Wiener
_
b
a
f (t)dB(t, ) es una variable aleatoria gaussiana de media ce-
ro y de varianza igual a |f |
2
L
2
, es decir:
_
b
a
f (t)dB(t, ) A(0, |f |
2
L
2
). (19)
Demostracin. Por el lema 1, se tiene esta propiedad cuan-
do f es una funcin simple. Para una funcin general de
L
2
([a, b]), se obtiene el resultado como consecuencia del si-
guiente hecho general: si X
n
es una variable aleatoria gaus-
siana de media
n
y de varianza
2
n
y, si X
n
converge en
L
2
() hacia una variable aleatoria X, entonces X es una
variable aleatoria gaussiana de media = lm
n+
n
y de
varianza
2
= lm
n+
2
n
.
Demos un par de ejemplos de clculo de integrales de
Wiener.
Sea f 1 sobre el intervalo [0, 1], entonces,
I( f ) =
_
1
0
f (t)dB(t) =
_
1
0
dB(t)
es una variable aleatoria gaussiana, de media cero y de
varianza igual a 1, es decir I( f ) A(0, 1).
Sea g(t) = t
2
sobre [1, 2], entonces
I( f ) =
_
2
1
g(t)dB(t) =
_
2
1
t dB(t)
es una variable aleatoria gaussiana, de media cero y
de varianza igual a
_
2
1
t
2
dt = 7/3; es decir I( f )
A(0, 7/3).
Estudiemos ahora la relacin entre la integral de Wiener
y la estructura de los espacios de Hilbert subyacentes.
PROPOSICIN 5. Sean f , g L
2
([a, b]) dos funciones, enton-
ces
E[I( f )I(g)] =
_
b
a
f (t)g(t)dt. (20)
En particular, si f y g son ortogonales; entonces, las variables
aleatorias gaussianas I( f ) y I(g) son independientes.
Demostracin. Escribimos, por un lado, que:
E
_
(I( f ) + I(g))
2
_
= E
_
(I( f + g))
2
_
=
_
b
a
( f + g)
2
dt
por linealidad de la integral y por el lema 1. Es decir,
E
_
(I( f ) + I(g))
2
_
=
_
b
a
f
2
(t)dt +2
_
b
a
f (t)g(t)dt
+
_
b
a
g(t)
2
dt. (21)
Por otro lado, se tiene
E
_
(I( f ) + I(g))
2
_
= E
_
I( f )
2
+2I( f )I(g) + I(g)
2
_
= E
_
I( f )
2
_
+ 2E[I( f )I(g)]
+E
_
I(g)
2
_
=
_
b
a
f
2
(t)dt +2E[I( f )I(g)]
+
_
b
a
g
2
(t)dt (22)
por el lema 1. Para concluir, es suciente comparar (21) con
(22).
3.2 Desarrollo en serie de la integral de Wie-
ner
Vamos a ver que existe una relacin muy particular en-
tre la integral de Wiener y el movimiento Browniano. Te-
nemos el siguiente teorema:
TEOREMA 5. Sea (
n
)
nN
una base ortonormal de L
2
([a, b]);
entonces, para toda funcin f L
2
([a, b]), la integral de Wiener
de f se descompone en una serie de la forma siguiente:
_
b
a
f (t)dB
t
=
+
n=1
f ,
n
_
b
a
n
(t)dB
t
, (23)
con probabilidad 1 y en donde la suma aleatoria converge casi
seguramente.
Diego Chamorro
Demostracin. Empecemos jando una funcin f
L
2
([a, b]) y una base ortonormal (
n
)
nN
de L
2
([a, b]). Te-
nemos entonces
f =
+
n=0
f ,
n
n
,
luego, integramos ambos lados de la expresin anterior con
respecto a dB
t
para obtener
_
b
a
f (t)dB
t
=
_
b
a
+
n=0
f ,
n
n
dB
t
=
+
n=0
f ,
n
_
b
a
n
dB
t
.
(24)
Veriquemos que se tiene esta identidad en L
2
; para ello
vamos a calcular la expresin
E
_
_
b
a
f (t)dB
t
n=0
f ,
n
_
b
a
n
dB
t
_
2
, (25)
en donde N N. Desarrollamos el cuadrado y se tiene
E
_
_
_
b
a
f (t)dB
t
_
2
2
_
b
a
f (t)dB
t
N
n=0
f ,
n
_
b
a
n
dB
t
+
_
N
n=0
f ,
n
_
b
a
n
dB
t
_
2
_
_
= E
_
_
_
b
a
f (t)dB
t
_
2
_
2E
_
_
b
a
f (t)dB
t
N
n=0
f ,
n
_
b
a
n
dB
t
_
+E
_
_
_
N
n=0
f ,
n
_
b
a
n
dB
t
_
2
_
_
=
_
b
a
f
2
(t)dt 2
N
n=0
f ,
n
E
_
_
b
a
f (t)dB
t
_
b
a
n
dB
t
_
+
N
n=0
f ,
n
2
E
_
_
_
b
a
n
dB
t
_
2
_
Utilizamos ahora el resultado (20) para obtener
=
_
b
a
f
2
(t)dt
N
n=0
f ,
n
2
,
lo que tiende a cero si N +. Hemos, pues, vericado
que se tiene la identidad (24) en L
2
puesto que la cantidad
(25) tiende a cero.
Veamos ahora la relacin anunciada entre la integral de
Wiener y el movimiento Browniano. En efecto, en particu-
lar si escogemos f = 1
[0,t[
en la expresin (23), se tiene:
_
1
0
1
[0,t[
(s)dB
s
= B
t
=
+
n=1
_
_
t
0
n
(s)ds
__
_
1
0
n
(s)dB
s
_
B
t
() =
+
n=1
n
()
_
t
0
n
(s)ds,
en donde
n
son variables aleatorias i.i.d. A(0, 1). Esto
nos permite denir de una manera diferente el movimiento
Browniano.
4 Una aplicacin del movimiento
Browniano y de la integral de Wie-
ner
Como hemos visto en la introduccin, en la modeliza-
cin de los precios de las materias primas puede utilizar-
se el movimiento Browniano. Ms concretamente, una se-
rie cronolgica -dada por la evolucin de los precios en el
tiempo- se descompone generalmente en dos partes: una
tendencia general a la cual se aade variaciones aleatorias; de
esta forma se obtiene el modelo matemtico para trabajar
en matemticas nancieras. As, la evolucin de los precios
de un activo nanciero estar dada por medio de la frmu-
la siguiente
dX
t
= f dt + dB
t
(26)
Expliquemos un poco esta expresin. Aqu, dX
t
representa
la variacin en el tiempo de los precios de un cierto activo
nanciero X
t
, f es la tendencia general, mientras que es
la intensidad de las variaciones aleatorias que estn dadas
por un movimiento Browniano estndar B
t
.
En el mayor grado de generalidad, las funciones f y
son funciones medibles que dependen del tiempo t y de
los precios X
t
. Es decir, f = f (t, X
t
) y = (t, X
t
); pero
en una primera aproximacin, podemos suponer que, tan-
to f como , dependen nicamente del tiempo: f = f (t)
y = (t). Con esta simplicacin, la ecuacin diferencial
(26) debe ser interpretada en el siguiente sentido:
X
t
= X
0
+
_
t
0
f (s)ds +
_
t
0
(s)dB(s) (27)
Diremos que (27) es la versin integral de la ecuacin dife-
rencial estocstica (26).
Gracias a la integral de Wiener y a la descripcin del
movimiento Browniano que acabamos de considerar en las
secciones anteriores, la expresin (27) tiene un sentido muy
concreto.
En cuanto a la resolucin de este problema, tenemos el
teorema a continuacin:
TEOREMA 6. Consideremos la ecuacin diferencial estocstica
_
_
dX
t
=
_
f (t)X
t
+ g(t)
dt +
_
(t)X
t
+ (t)
dB(t),
X
0
= x.
(28)
Entonces, su solucin est dada por el proceso estocstico
X
t
= xe
Y
t
+
_
t
0
e
Y
t
Y
s
[g(s) (s)(s)]ds
+
_
t
0
e
Y
t
Y
s
(s)dBs
en donde
Y
t
=
_
t
0
[ f (s)
1
2
(s)
2
]ds +
_
t
0
(s)dB(s).
Ntese que este teorema permite estudiar ecuaciones
ms generales que las consideradas en la frmula (26). La
principal diferencia radica en la presencia del trmino X
t
en la parte derecha de la ecuacin (28). Podemos darnos
cuenta que para realizar la demostracin de este problema,
es necesario considerar una integral ms general que la in-
tegral de Wiener: en efecto, en la denicin de esta integral
dada en la frmula (18), slo habamos considerado inte-
grales de la forma
_
b
a
f (t)dB(t),
en donde f era una funcin determinista. Es, por lo tanto,
necesario generalizar la nocin de integral de Wiener. El
objeto matemtico que corresponde a esta generalizacin
es la integral de It y se puede encontrar una descripcin
detallada de esta integral en [6] o [7]. Consideramos que
la integral de Wiener es suciente para un primer contacto
con los objetos matemticos que intervienen en la modeli-
zacin nanciera.
Tenemos, gracias al teorema 6, una descripcin de la
dinmica seguida por variables econmicas, como son los
precios del petrleo, cacao, ores o banano. Pero los merca-
dos nancieros van mucho ms all y utilizan estas varia-
bles como elementos de base para la construccin de nue-
vos productos.
Vamos a dar ahora un ejemplo que nos permitir pre-
cisar el uso de las ecuaciones diferenciales estocsticas en
las actividades econmicas. Supongamos que una empresa
de transporte aro A desea planicar sus tarifas de boletos
para el verano 2012. Evidentemente, el precio de los bole-
tos depender del precio del petrleo, y es natural que la
empresa A desee protegerse ante una subida repentina de
los precios de los combustibles.
Existen mecanismos nancieros para lograr este objeti-
vo: la empresa A puede buscar un banco B y comprar un
producto nanciero con las siguientes caractersticas:
Duracin del producto: empieza el 1ero de enero 2012
y termina el 1ero de junio 2012.
Descripcin del producto: la empresa A tiene la opcin,
y no la obligacin, de comprar el 1ero de junio al banco
B una cantidad determinada N de barriles de petr-
leo a un precio jo K llamado el strike del producto.
Precio del producto: Este producto tiene un precio que
notaremos P. Este precio de la cobertura depende de
muchos factores: tiempo t, strike K, valor del precio
del producto subyacente X
t
, etc. Notaremos, enton-
ces, P = P(X
t
, t).
De esta manera, la empresa A se protege de una subida re-
pentina de los precios del combustible pues ha negociado
por adelantado comprar su combustible a un cierto precio
K. Este tipo de producto nanciero es muy comn y es de-
nominado un Call.
Qu sucede el 1ero de junio? Para verlo, notamos X
t
la evolucin del precio del petrleo y sea X
T
el precio del
barril en el tiempo nal T=1ero de junio.
Si X
T
> K: El precio del barril de crudo, el 1ero de
junio, es mayor que el precio negociado K. La empre-
sa A tiene entonces todo inters en ejercer su opcin:
comprar N barriles al precio K, que es inferior al pre-
cio observado en el mercado, y de esta forma se ha
protegido de una fuerte alza de los precios de esta
materia prima.
Si X
T
< K: El precio del barril de petrleo, el 1ero
de junio, es menor que el precio negociado K. En este
caso la empresa A no tiene inters en comprar al ban-
co B algo que est ms barato si lo puede conseguir
directamente en el mercado. Al no ejercer su opcin,
la empresa pierde la cantidad P que ha pagado para
cubrirse de la alza de precios.
Es interesante notar que, en ambos casos, la empresa A se
ha protegido de las uctaciones del precio del petrleo.
Observemos que la situacin el 1er de junio es la si-
guiente:
P(X
T
, T) = m axX
T
K; 0
y sta es la condicin al lmite cuando t = T.
Indiquemos que, mientras ms elevado sea el precio -
nal X
T
, mayor ser el ahorro realizado por la empresa A,
mientras que mayor ser el riesgo del banco B quien ten-
dr que comprar a un precio elevado los barriles de petr-
leo para venderlos a un precio ms bajo a la empresa A.
En los dos grcos de la gura 5 se muestra la situa-
cin de la empresa A a la izquierda (Short Call), y del banco
B a la derecha (Long Call). El Premium corresponde al pre-
cio de la cobertura; se observa claramente que si el precio
del barril comienza a aumentar, el ahorro y el riesgo gene-
rados por este producto pueden ser substanciales. Es por
esta razn que es muy importante conocer, en todo tiempo
0 < t < T, el precio de la cobertura P.
En efecto, contrariamente a los seguros para autos, es-
tos seguros de tipo Call pueden venderse y comprarse en
los mercados nancieros internacionales en los que inter-
vienen una gran cantidad de actores distintos. Como los
bancos no poseen reservas de barriles de petrleos, para
cumplir el contrato el banco B est obligado a comprar en
Diego Chamorro
el mercado los N barriles de petrleo. Esta transaccin pue-
de realizarse en cualquier momento antes del nal del con-
trato, y esto permite la compra-venta de estos productos -
nancieros a otras entidades. Esta compra-venta de barriles
por parte del banco debe efectuarse de tal manera que anu-
le el riesgo producido por el Call. De esta manera, se crea
un mercado secundario de productos nancieros adosados
a materias primas (por oposicin al mercado primario en
donde se negocia el precio de estas materias primas) y, co-
mo hemos visto con este ejemplo, este mercado secundario
corresponde a una necesidad muy real de las empresas.
Figura 5. Evolucin del ahorro y del riesgo en funcin de la evo-
lucin del precio del subyacente. Fuente: internet.
Para comprender lo que sucede con la dinmica del
precio de la cobertura durante el tiempo 0 < t < T,
y poder anular el riesgo generado es necesario conside-
rar la siguiente ecuacin diferencial estocstica llamada la
ecuacin de Black-Scholes. En este modelo se asume que el
producto subyacente X
t
-el precio del petrleo en nuestro
ejemplo- sigue una dinmica de la forma
dX
t
= X
t
dt + X
t
dB
t
,
mientras que el precio de la cobertura debe vericar la
ecuacin de Black-Scholes
P(X
t
, t)
t
+
1
2
2
X
2
t
2
P(X
t
, t)
X
2
t
+ rX
t
P(X
t
, t)
X
t
rP(X
t
, t) = 0 (29)
en dnde r es la taza de inters del mercado. Esta ecuacin
es consecuencia de un gran nmero de hiptesis simpli-
cadoras y su obtencin puede encontrarse en detalle en [8]
o ms rpidamente en [3].
La solucin de esta ecuacin diferencial estocstica est
dada por la frmula de Black-Scholes
P(X
t
, t) = X
t
A(0, d
1
) Ke
rt
A(0, d
2
) (30)
en dnde A(0, d
1
) y A(0, d
2
) son dos leyes normales de
varianza d
1
=
1
t
_
ln
_
X
0
K
_
+
_
r +
1
2
2
_
t
_
y d
2
= d
1

t.
Es importante recalcar que es por medio de la ecuacin
de Black-Scholes (29) y del estudio de su solucin (30) que
se obtiene un mecanismo de cobertura ecaz que permi-
te al banco B vender este producto nanciero anulando su
riesgo intrnseco.
El clculo exacto de la solucin (30), as como las es-
trategias utilizadas para la anulacin del riesgo estn fue-
ra del alcance de este pequeo artculo. Hemos preferido
concentrarnos en una exposicin de las propiedades de los
objetos de base que permiten construir las ecuaciones de
Black-Scholes.
Estas frmulas muestran la importancia econmica de
conocer correctamente las herramientas matemticas que
intervienen en la modelizacin de los mercados nancie-
ros.
5 Un poco de SCILAB
Damos aqu los cdigos en SCILAB que sirvieron para
realizar los grcos de las guras 2 y 4. Las ventajas de usar
SCILAB radican en que es un programa libre y gratuito que
est especialmente concebido para clculos matriciales.
Hemos visto en la seccin 2 que es posible modelizar el
movimiento Browniano en una dimensin por medio de
una caminata aleatoria. Vamos a seguir esta idea para el
cdigo informtico:
function []= browniano1d(N)
X=zeros(N+1, 1);
X(1)=0;
for k=2:(N+1)
X(k)=X(k-1)+(1/sqrt(N))*rand(1,1,"norm");
end;
clf();
plot(X)
endfunction
Para el movimiento Browniano en tres dimensiones, se
utiliz el siguiente cdigo.
function []=browniano3d(N)
// inicializacion de los vectores
X=zeros(N+1,1); X(1)=0;
Y=zeros(N+1,1); Y(1)=0;
Z=zeros(N+1,1); Z(1)=0;
//construccion de los vectores
for k=2:(N+1)
X(k)=X(k-1)+(1/sqrt(N))*rand(1,1,"norm");
end;
for k=2:(N+1)
Y(k)=Y(k-1)+(1/sqrt(N))*rand(1,1,"norm");
end;
for k=2:(N+1)
Z(k)=Z(k-1)+(1/sqrt(N))*rand(1,1,"norm");
end;
clf();
plot3d(X,Y,Z)
endfunction
En ambos casos N representa la longitud de la caminata
aleatoria. Visualmente, se obtienen buenas aproximaciones
a partir de N > 1000. Evidentemente esto no es ms que
una aproximacin del movimiento Browniano, pero es su-
ciente para tener una primera idea de sus trayectorias.
6 Conclusiones
Este pequeo artculo muestra algunas de las herra-
mientas matemticas clsicas utilizadas en matemticas -
nancieras. No debe tomarse en absoluto este texto como
un compendio de estas herramientas sino ms bien como
una invitacin a investigar las matemticas que intervie-
nen en estos conceptos nancieros. Para el lector que desea
saber un poco ms, he recopilado un poco de bibliografa
clsica sobre estos temas. En el libro [8] se encontrar una
completa descripcin, muy pedaggica, de los conceptos
nancieros y econmicos mientras que en el libro [10] se
har mayor nfasis en la modelizacin matemtica de es-
tos conceptos. El texto [7] es una estupenda introduccin
a la integracin estocstica y el libro [9] explica de forma
muy clara cmo estudiar las ecuaciones en derivadas par-
ciales estocsticas. El lector que desea tener ms detalles
matemticos sobre los procesos estocsticos est invitado a
consultar [6]. El libro [11] muestra en cambio aplicaciones
nancieras de objetos matemticos sosticados. Finalmen-
te, el libro [5] puede servir de base para los rudimentos de
teora de la medida e integracin.
Recomiendo adems leer la entrevista de Lorenzo Ber-
gomi [4] en donde se explica la actividad matemtica reali-
zada en los bancos de inversiones.
Referencias
[1] P. Baldi, L. Mazliak & P. Priouret. Martingales et chanes
de Markov. Hermann (2000).
[2] N. Bouleau. Processus Stochastiques et applications. Her-
mann (2000).
[3] E. Cepeda. Portafolio de consumo, Problema de Merton.
Sometido a la revista Analitika (2011).
[4] D. Chamorro. Entrevista a Lorenzo Bergomi. Asociacin
Amarun- www.amarun.org (2010).
[5] D. Chamorro. Espacios de Lebesgue y de Lorentz. Vol. I.
Cuadernos de Matemtica de la Escuela Politcnica
Nacional, No 4 (2010).
[6] I. Karatzas & S. E. Shreve. Brownian Motion and Sto-
chastic Calculus, segunda edicin, GTM 113. Springer
Verlag (1998).
[7] H.H. Kuo. Introduction to Stochastic Integration. Univer-
sitext. Springer Verlag (2006).
[8] J. Hull. Options, Futures and ohter Derivatives, sexta edi-
cin traducida al francs. Pearson (2007).
[9] B. Oksendal. Stochastic Diferential Equations, sexta edi-
cin, Universitext. Springer Verlag (2003).
[10] D. Lamberton & B. Lapeyre. Introduction au Calcul Sto-
chastique appliqu la Finance. Editions Ellipses (1997).
[11] P. Malliavin & A. Thalmaier. Stochastic Calculus of Va-
riations in Mathematical Finance. Springer (2006).
Rodrigo Cajamarca - Hermann Mena
Analti a
k
Modelacin de series econmicas mediante mtodos
automticos de regresin difusa
Modeling of economic time series using automated fuzzy
regression methods
Modelacin de series econmicas mediante mtodos automticos de regresin difusa
Modelacin de series econmicas mediante mtodos
automticos de regresin difusa
Modeling of economic time series using automated fuzzy
regression methods
Rodrigo Cajamarca
y Hermann Mena
Ministerio de Educacin, QuitoEcuador
Departamento de Matemtica, Escuela Politcnica Nacional, Quito - Ecuador
rpaulcajamarca@hotmail.com,

hermann.mena@epn.edu.ec
Recibido: 20 de octubre de 2011 Aceptado: 8 de diciembre de 2011
Resumen
Este trabajo se desarrolla en un contexto donde Estadstica e Inteligencia Computacional convergen: la Regresin
Difusa. La idea fundamental de esta tcnica es generalizar conceptos de regresin tradicional a conjuntos difusos. Con-
cretamente, se investigar el potencial de aplicar los mtodos automticos de regresin difusa a cierto tipo de series
econmicas. En particular, se estudian los siguientes mtodos: mnimos cuadrados por lotes, mnimos cuadrados recur-
sivo, aprendizaje desde el ejemplo modicado y agrupamiento difuso combinado. Adicionalmente, se propone el mtodo
de mnimos cuadrados recursivo combinado, el cual es una de las principales contribuciones de este trabajo. Cada uno
de estos mtodos ha sido descrito e implementado en R para el caso unidimensional y se generaliza para el caso de
entradas y salidas mltiples. Finalmente, se muestran resultados numricos de la Reserva Internacional de Libre Dispo-
nibilidad y un ndice de liquidez nanciera, en las cuales se visualiza el comportamiento y desempeo de los mtodos
comparndolos con modelos SARIMA.
Palabras clave: Conjuntos difusos, funciones de pertenencia, lgica difusa, mtodos automticos de regresin difusa.
Abstract
This document works in a context where Statistics and Computational Intelligence converge: Fuzzy Regression. The
idea of this technique is to generalize concepts from statistic regression into fuzzy sets; more precisely, to research the
possibility of applying automated fuzzy regression methods for modeling economic data. It discusses the Batch Least
Squares, Recursive Least Squares, Learning by Example and Combined Clustering methods. The main theoretical con-
tribution of this research is the proposal of a novel method: the Combined Recursive Least Squares. All the methods
are described and implemented in R for the one-dimensional case and generalized for the multiple input/output case.
To conclude, numerical tests from the Free Liquidity International Reserve (RILD) and a nancial index show the good
performance of these methods compared to SARIMA models.
Keywords: Fuzzy sets, Membership Functions, Fuzzy Logic, Automated Fuzzy Regression.
Cdigo JEL: C02, C22, C32.
Rodrigo Cajamarca y Hermann Mena
1 Introduccin
Actualmente, existen muchos mtodos y tcnicas di-
seadas para modelar fenmenos econmicos. Lamenta-
blemente, muchos de estos mtodos no han dado buenos
resultados debido, sobre todo, a la presencia de incerti-
dumbre en los datos; este es el caso de varias tcnicas tra-
dicionales, e.g., regresin clsica. En general, la falta de
conocimiento del sistema, conanza en la informacin, o
la presencia de datos incompletos/imputados constituyen
los obstculos ms grandes que los mtodos de modeliza-
cin deben enfrentar. Afortunadamente, en situaciones co-
mo esta la modelacin difusa constituye una opcin real y
competitiva. [9, 15].
La idea fundamental de la regresin difusa es genera-
lizar conceptos de la regresin tradicional a datos que se
pueden modelar con conjuntos difusos. Estos conjuntos,
en general, describen de mejor manera los fenmenos in-
mersos en el sistema. La regresin probabilstica solamente
puede modelar el fenmeno de la incertidumbre median-
te la inclusin de intervalos de conanza. La aleatoriedad
puede considerarse como uno de los componentes de la
vaguedad, junto a la imprecisin. Otras formas de incer-
tidumbre se pueden encontrar en la ambigedad, la incon-
gruencia, problemas de especicacin y factores no consi-
derados por la alta complejidad del sistema. En algunos
casos, es posible incorporar estas restricciones a ciertos mo-
delos de regresin probabilstica. Sin embargo, la inclusin
de estas restricciones implica que algunos supuestos reque-
ridos por la teora ya no se satisfagan, e.g., que el valor es-
perado de los residuos sea cero [6]. Esto no ocurre en la re-
gresin difusa, mtodo en el que la presencia de un nmero
mayor de restricciones no constituye un impedimento para
su aplicacin, puesto que las desviaciones entre los valores
de pertenencia observados y los valores de pertenencia es-
timados se asumen dependientes de la incertidumbre.
Este trabajo est orientado a revisar y extender algunas
propuestas que se han formulado en la literatura sobre la
regresin difusa, con el objetivo de proporcionar un instru-
mento metodolgico a problemas reales en los cuales los
datos disponibles se ven afectados por factores como la im-
precisin e incertidumbre. En particular, nos enfocamos en
los mtodos automticos de regresin difusa. En la Seccin
2 se revisan algunas deniciones y los mtodos de mni-
mos cuadrados por lotes, mnimos cuadrados recursivo,
aprendizaje desde el ejemplo modicado, agrupamiento
difuso combinado; adems, se propone el mtodo de m-
nimos cuadrados recursivo combinado. Cada uno de estos
mtodos ha sido descrito e implementado para el caso uni-
dimensional, y generalizado para el caso de entradas y
salidas mltiples. En la Seccin 3, se muestran resultados
numricos de la Reserva Internacional de Libre Disponi-
bilidad (RILD) y un ndice de liquidez nanciera, en los
cuales se visualiza el comportamiento y desempeo de los
mtodos. Finalmente, en la Seccin 4 se presentan algunas
consideraciones sobre lo analizado y planteamientos para
trabajos futuros.
2 Metodologa
2.1 Principales deniciones
La teora de conjuntos difusos fue propuesta original-
mente por Lot Zadeh [18] para describir matemticamen-
te la imprecisin y la vaguedad que se presentan en el len-
guaje diario. Formalmente, un conjunto difuso

A en el con-
junto universo X, est caracterizado por una funcin de per-
tenencia
A
que toma valores en el intervalo [0, 1], [18]. En
este sentido, un conjunto difuso es una generalizacin de
un conjunto clsico pues la funcin de pertenencia permi-
te que tome valores en el intervalo [0, 1] en lugar de solo
{0, 1} (no pertenece o pertenece, respectivamente). Concre-
tamente, el conjunto

A se representa como el conjunto de
pares,
A = {(x,
A
(x)) | x X}
donde
A
: X [0, 1] es la funcin de pertenencia para

A;
para ms detalles ver [5].
Sea g :

X

Y;

X R
n
y

Y R, la funcin que des-
cribe el sistema en estudio; se quiere construir un sistema
difuso representado por la funcin f : X Y ; X

X y
Y

Y, mediante la eleccin de un vector de parmetros .
Se espera aproximar la funcin g de la forma:
g(x) = f (x | ) + e(x), (1)
para todo x = [x
1
, x
2
, . . . , x
n
]
X; donde e(x) represen-

ta el error aproximacin. La i-sima entrada-salida de la
funcin g se nota como (x
i
, y
i
) donde x
i
X, y
i
Y con
y
i
= g(x
i
), para i = 1, . . . , M. Luego x
i
= [x
i
1
, x
i
2
, . . . , x
i
n
]
corresponde el vector de entradas para el i-simo par de

datos. El conjunto de parejas ordenadas de entrada-salida
del sistema se conoce como conjunto de datos de entrenamien-
to y se nota
G = {(x
1
, y
1
), . . . , (x
M
, y
M
)} X Y (2)
donde M es la cardinalidad de G.
Los mtodos automticos presentados en este trabajo
generan reglas base, i.e., reglas que describen la relacin
que existe entre las variables de entrada y salida, o en su
defecto, usan una regla base predeterminada para modelar
el sistema. En cualquier caso, las reglas estn compuestas
por antecedentes y consecuentes, i.e.,
SI antecedente ENTONCES consecuente,
las reglas permiten predecir y/o gobernar la salida del sis-
tema con conocimiento a priori de sus entradas [12].
En los mtodos que se revisan a continuacin, tanto las
variables de entrada como las de salida se deben descri-
bir con funciones de pertenencia especcas. En la mayo-
ra de mtodos se incorporan las funciones de pertenencia
Gaussianas para las variables de entrada, pues describen
una amplia gama de fenmenos y la funcin de pertenen-
cia Delta para las variables de salida. Cabe sealar que los
mtodos pueden ser modicados para cualquier tipo de
funcin de pertenencia de entrada o salida.
2.2 Mnimos cuadrados por lotes (MCL)
Este mtodo aplica el estimador de mnimos cuadra-
dos ordinarios a conjuntos difusos. Para ello, es necesario
caracterizar el comportamiento del sistema mediante una
regla-base (centros y dispersiones de las funciones de per-
tenencia para las variables de entrada y salida). En los ca-
sos en los cuales se desconoce el comportamiento del sis-
tema, es posible utilizar otros algoritmos con la capacidad
de formar reglas, como los mtodos de aprendizaje desde
el ejemplo; ver [15].
Para aplicar los mnimos cuadrados, se utiliza el siste-
ma
f (x
i
| ) =
R
l=1
b
l
il
R
l=1
il
i = 1, . . . , M (3)
donde,
il
=
n
j=1
exp
_
_
1
2
_
x
i
j
c
l
j
l
j
_
2
_
_
l = 1, . . . , R (4)
R representa el nmero de reglas en la regla-base y n es la
dimensin del vector x. Es importante sealar que el par-
metro R se desconoce para algunos mtodos. En ciertos ca-
sos, este parmetro es determinado por el algoritmo direc-
tamente e.g., aprendizaje desde el ejemplo modicado. Los
b
l
son los centros de las funciones de pertenencia de salida
y los c
l
j
,
l
j
son los centros y dispersiones de las funciones de
pertenencia de entrada, respectivamente. Hay que sealar
que la dispersin relativa
l
j
> 0 para todo l y j. Los centros
y dispersiones de las funciones de pertenencia de entrada
se pueden inicializar utilizando un proceso heurstico, tal
que,
l
j
= > 0 l = 1, . . . , R, j = 1, . . . , n (5)
Luego por (3)
f (x
i
| ) =
b
1
i1
R
l=1
il
+
b
2
i2
R
l=1
il
+ +
b
R
iR
R
l=1
il
i = 1, . . . , M
si se nota:
il
=

il
R
l=1
il
l = 1, . . . , R,
entonces,
f (x
i
| ) = b
1
i1
+ b
2
i2
+ + b
R
iR
es decir,
y
i
= f (x
i
| ) =
i
(6)
donde:
=
_
_
b
1
b
2
.
.
.
b
R
_
_
y
i
=
_
i
1
i
2
.
.
.
i
R
_
_
i = 1, . . . , M.
Se puede apreciar que (6) es similar al modelo de regre-
sin lineal [6]. La diferencia radica en que, en lugar de la
matriz X, se consideran los nmeros difusos de la matriz
, de dimensin R M, es decir, son los lotes o particiones
formadas por las funciones de pertenencia de las variables
de entrada [13].
Finalmente, si se nota = y se aplica el mtodo de
mnimos cuadrados el estimador est dado por
= (
)
1
y (7)
El mtodo de mnimos cuadrados por lotes ha probado
ser muy eciente para una gran variedad de aplicaciones.
Sin embargo, la matriz
podra ser mal condicionada.

Una generalizacin de este mtodo para el caso de entrada-
salida mltiple se presenta en el Algoritmo 1.
Algoritmo 1 Mnimos cuadrados por lotes entrada-
salida mltiple
Entrada: X
Mn
matriz de las variables de entrada
Y
MH
matriz de las variables de salida
> 0
1: R M1
2: c
l
j
x
l
j
+
1
2
(x
l+1
j
x
l
j
) l = 1, . . . , R, j = 1, . . . , n
3:
l
j
l = 1, . . . , R, j = 1, . . . , n
4: para i 1, M hacer
5: para l 1, R hacer
6:
il

n
j=1
exp
_
_
1
2
_
x
i
j
c
l
j
l
j
_
2
_
_
7: n para
8:
il

il
R
l=1

il
9: n para
10: (x)
11: para h 1, H hacer
12:

h

_
_
1
y
h
13: devolver f
h
(x |

h
)

(x)
14: n para
2.3 Mnimos cuadrados recursivo (MCR)
El mtodo de mnimos cuadrados recursivo es, como
su nombre lo indica, una versin recursiva del mtodo de
mnimos cuadrados por lotes. Este mtodo utiliza en cada
iteracin una parte del conjunto de entrenamiento y no re-
quiere el clculo de la inversa de
; de esta manera su
desempeo es ms eciente que el MCL. El algoritmo cal-
cula

(k) mediante

(k 1), x
k
, y y
k
; donde k representa un
ciclo sobre el conjunto de entrenamiento G, la iteracin se
repite K veces; para ms detalles ver [11].
Al igual que para el MCL, se utiliza la funcin de per-
tenencia Gaussiana para las entradas y una funcin Delta
para las salidas. Los parmetros b
l
, c
l
j
y
l
j
> 0 se denen
como en el mtodo anterior.
Sea P(k) la matriz n n denida como
P(k) =
_
_
1
=
_
k
i=1
x
i
(x
i
)
_
1
, (8)
se obtiene
P(k) = P(k 1) P(k 1)x
k
(I + (x
k
)
P(k 1)x
k
)
1
(x
k
)
P(k 1), (9)

y
(k) =

(k 1) + P(k)x
k
(y
k
(x
k
)
(k 1)). (10)
Si se aplica el lema de la matriz inversa, se evita la in-
versin de una matriz; y, en su lugar, nicamente se calcula
el inverso del escalar (I + (x
k
)
P(k 1)x
k
)
1
. Las ecuacio-
nes (9) y (10) caracterizan P(k) y

(k) y permiten describir
el mtodo de mnimos cuadrados recursivo.
Para inicializar el algoritmo, se emplean generalmente
(0) = 0 y P(0) = P
0
= I para algn > 0. Otra opcin
es utilizar una aproximacin heurstica.
Adems se puede usar el mtodo de mnimos cuadra-
dos recursivo ponderado. En este caso se utiliza un factor
0 < 1 que se conoce como un factor de prdida de
memoria y sirve para dar mayor peso a la informacin
mas reciente. Si = 1 se obtiene el mtodo MCR original.
En el mtodo de mnimos cuadrados recursivo P(k) se de-
ne como:
P(k) =
1
(I P(k 1)x
k
(I + (x
k
)
P(k 1)x
k
)
1
(x
k
)
)P(k 1)
(k) =

(k 1) + P(k)x
k
(y
k
(x
k
)
(k 1))
(11)
Si en el sistema difuso (3), se reemplaza x
k
con (x
k
) en
(11) se obtiene
P(k) =
1
_
I P(k 1)(x
k
)
_
I + ((x
k
))
P(k 1)(x
k
)
_
1
((x
k
))
_
P(k 1)
(k) =

(k 1) + P(k)(x
k
)
_
y
k
((x
k
))
(k 1)
_
Al igual que en la seccin anterior, se generaliz este
mtodo para el caso de entrada-salida mltiple; ver Algo-
ritmo 2.
2.4 Aprendizaje desde el ejemplo modicado
(AEM)
Este mtodo tiene un enfoque muy intuitivo para la
construccin de un sistema difuso el cual se basa en tc-
nicas de optimizacin para determinar los parmetros del
sistema. En el AEM se generan automticamente reglas y
funciones de pertenencia; por esta razn, este mtodo es
una alternativa viable a problemas en los cuales se carece
de informacin a priori del sistema. De manera anloga a
la seccin anterior, se consideran funciones de pertenencia
Gaussiana y Delta; el mtodo se describe de la siguiente
manera:
1. Construccin de un sistema difuso inicial: dados el par
de datos de entrada y salida (x
i
, y
j
) G, i = 1, . . . , M,
se forma un sistema difuso inicial con (x
1
, y
1
) y se ini-
cializa el nmero de reglas R = 1
f (x
i
| ) = b
1
(12)
para c
1
j
= x
1
j
,
1
j
=
0
(parmetros de las funciones de
pertenencia de las variables de entrada) y b
1
= y
1
(pa-
rmetro de la funcin de pertenencia de la variable de
salida), para todo j = 1, . . . , n.
2. Evaluacin de los datos de entrenamiento: se utiliza un
factor de tolerancia
f
que determina el error. Para cada
(x
i
, y
j
) G se evala:
si | f (x
i
| ) y
i
|
f
, entonces el sistema difuso f
representa correctamente (x
i
, y
i
), y por lo tanto, no
es necesario aadir ninguna regla. Se repite este pa-
so, con el siguiente par de datos de entrenamiento.
si | f (x
i
| ) y
i
| >
f
, entonces se aade una regla
para representar (x
i
, y
i
) modicando los parmetros
de las funciones de pertenencia; continuar al Paso 3
3. Codicacin de parmetros del sistema difuso: si no se
cumple la condicin del Paso 2, se aade una nueva re-
gla R = R + 1, b
R
= y
i
y c
i
j
= x
i
j
, para todo j = 1, . . . , n.
La modicacin de los
i
j
para i = R se realiza utili-
zando los centros de las funciones de pertenencia de la
forma;
n
j
= arg mn{|c
i
j
c
i
j
| : i
= 1, 2, . . . , R, i
= i},
Algoritmo 2 Mnimos cuadrados recursivo entrada-salida mltiple
Entrada: X
Mn
Y
MH
K nmero de iteraciones del algoritmo
> 0, > 0, 0 < 1
1:

(0) 0
2: P(0) I
3: c
l
j
x
l
j
+
1
2
(x
l+1
j
x
l
j
) l = 1, . . . , R, j = 1, . . . , n
4:
l
j
l = 1, . . . , R, j = 1, . . . , n
7:
il

n
j=1
exp
_
_
1
2
_
x
i
j
c
l
j
l
j
_
2
_
_
8: n para
9:
il

il
R
l=1

il
10: n para
12: s 0 contador auxiliar
13: para k 1, K M hacer
14: si s M entonces
15: s s + 1
16: si no
17: s 1
18: n si
19: P
h
(k)
1
_
I P
h
(k 1)(x
s
)
_
I + ((x
s
))
P
h
(k 1)(x
s
)
_
1
((x
s
))
_
P
h
(k 1)
20:

h
(k)

h
(k 1) + P
h
(k)(x
s
)
_
y
s
h
((x
s
))
h
(k 1)
_
21: n para
22: devolver f
h
(x |

h
)

(x)
23: n para
donde j = 1, 2, . . . , n y c
i
j
es jo. Finalmente se actualiza
los
i
j
para i = R, i.e.,
i
j
=
1
| c
i
j
c
n
j
j
| j = 1, 2, . . . , n, (13)
donde es un factor que determina la sobreposicin
de las funciones de pertenencia. Se puede observar en
(13) que el factor de ponderacin y la dispersin
i
j
tienen una relacin inversa, i.e., para un ms grande
hay una menor sobreposicin. Una vez que el Paso 3 se
ha completado, se repite el Paso 2 hasta que el nmero
de datos de entrenamiento (x
i
, y
i
) G se haya termi-
nado.
Dado que el parmetro
f
caracteriza la exactitud con la
que opera el sistema difuso, la eleccin de
f
determina el
nmero de reglas. Una de las partes ms importantes en la
construccin de sistemas difusos es la eleccin del nme-
ro de reglas difusas R, para lo cual es necesario el criterio
de expertos [8]. Algunas aplicaciones particulares limitan
el nmero de reglas del sistema, ya sea por las caractersti-
cas especcas del fenmeno o por su costo computacional.
En general, existe una compensacin entre la complejidad
computacional y la capacidad funcional basada en el n-
mero de reglas difusas R. La generalizacin para el caso de
entrada-salida mltiple de este mtodo se presenta en el
Algoritmo 3.
2.5 Agrupamiento difuso combinado (ADC)
Este mtodo se compone de dos etapas. En la primera,
se identican las reglas del sistema mediante el algoritmo
c-medias difuso, el cual particiona los datos de entrada en
conjuntos difusos datos similares [4]. En la segunda etapa,
se aplica mnimos cuadrados para caracterizar el conjunto
de salida.
El agrupamiento difuso c-medias permite que los ele-
mentos de los grupos tengan diferentes grados de perte-
nencia. Estos grados de pertenencia
il
y los centros de cla-
se v
l
se determinan de manera iterativa minimizando la si-
guiente funcin objetivo,
J =
M
i=1
R
l=1
(
il
)
m
|x
i
v
l
|
2
, (14)
Algoritmo 3 Aprendizaje desde el ejemplo modicado
entrada-salida mltiple
Entrada: X
Mn
Y
MH
f
> 0, > 0
1: R 1
2: b
1
y
1
3:

b
4: c
1
j
x
1
j
j = 1, . . . , n
8:
il

n
j=1
exp
_
_
1
2
_
x
i
j
c
l
j
l
j
_
2
_
_
9: n para
10:
il

il
R
l=1

il
11: f
l
(x)

(x)
12: si | f
l
h
(x) y
l
h
| >
f
entonces
13: R R + 1
14: b
R
y
l
h
15:

h
b
16: c
R
j
x
l
j
j = 1, . . . , n
17: n
j
arg mn{|c
l
j
c
l
j
| : l
= 1, 2, . . . , R, l
= l}
18:
l
j

1
| c
l
j
c
n
j
j
|
19: n si
20: n para
21: devolver f
h
(x |

h
)

h
(x)
22: n para
donde m > 1 es un parmetro que sirve para determi-
nar la sobreposicin entre las clases, M es el nmero de
pares de entrada-salida (x
i
, y
i
) en el conjunto de entrena-
miento G, R es el nmero de reglas que se quiere calcular
(clases o grupos), v
l
= [v
l
1
, v
l
2
, . . . , v
l
n
]
para l = 1, . . . , R
es el vector de centros de clases y
il
para i = 1, . . . , M y
l = 1, . . . , R es el grado de pertenencia de x
i
en el l-simo
grupo, |x| =
x, [17].
El sistema difuso considera que la salida es una funcin
lineal de las entradas, i.e.,
Si H
l
entonces g
l
(x) = a
l,0
+ a
l,1
x
1
+ + a
l,n
x
n
, (15)
donde n es el nmero de entradas y H
l
es un conjunto di-
fuso de entrada dado por
H
l
= {(x,
H
l (x)) : x X
1
X
n
},
X
i
es el i-simo universo y
H
l (x) es la funcin de per-
tenencia asociada a H
l
, la cual representa la premisa pa-
ra la regla l y g
l
(x) = a
l
x; a
l
= [a
l,0
, a
l,1
x
1
, . . . , a
l,n
x
n
] y
x = [1, x
para l = 1, . . . , R. El sistema difuso resultante

es el promedio ponderado de las salidas g
l
(x) y esta de-
nido por
f (x | ) =
R
l=1
g
l
(x)
H
l (x)
R
l=1
H
l (x)
, (16)
donde R es el nmero de reglas en la regla-base. El algorit-
mo funciona de la siguiente manera:
1) inicializacin de parmetros: se especica el factor de
solapamiento m. Si m > 1 los puntos con menor gra-
do de pertenencia tienen menor inuencia en el clculo
de un nuevo centro. Luego, se especica el nmero de
grupos (clases) R que se desea calcular; el cual es igual
al nmero de reglas en la regla base y debe ser menor
o igual al nmero de datos en el conjunto de entrena-
miento G, i.e., R M. Entonces, se especica la toleran-
cia
c
> 0 que determina el error permitido en el clculo
para los centros de los grupos. Finalmente, se procede a
inicializar los centros de los grupos v
l
0
.
2) clculode los nuevos centros: se utilizan los centros ini-
ciales v
l
0
de manera que la funcin objetivo (14) sea mi-
nimizada. Las condiciones para la minimizacin J estn
dadas por:
v
l
new
=
M
i=1
x
i
(
new
il
)
m
M
i=1
(
new
il
)
m
, (17)
donde,
new
il
=
_
R
k=1
_
|x
i
v
l
old
|
2
|x
i
v
k
old
|
2
_
1
m1
_
1
, (18)
para i = 1, 2, . . . , M y l = 1, 2, . . . , R y
R
l=1
new
il
= 1
3) evaluacin: se compara la distancia entre los centros
nuevos de los grupos v
l
new
y los centros previos v
l
old
me-
diante,
|v
l
new
v
l
old
| <
c
l = 1, 2, . . . , R (19)
si se cumple (19) signica que los centros v
l
new
represen-
tan correctamente a los datos, el algoritmo de agrupa-
miento termina y se procede con la decodicacin de la
salida (Paso 4). Caso contrario, se continua iterando me-
diante (17) y (18) hasta que los nuevos centros satisfagan
(19).
4) decodicacin de la salida: se calcula la funcin
g
l
(x) = a
l
( x), l = 1, 2, . . . , R para cada regla, es de-
cir para cada centro de grupo v
l
, se minimiza la funcin
J
l
J
l
=
M
i=1
(
il
)
2
(y
i
( x
i
)
a
l
)
2
(20)
donde, l = 1, 2, . . . , R, y
i
es la parte de la salida del i-
simo par de datos d
(i)
= (x
i
, y
i
) y el producto entre
( x
i
)
y a
l
dene la salida asociada con la l-sima regla
para el i-simo punto de datos de entrenamiento, [4]. Al
observar (20), se puede notar que la minimizacin de
J
l
respecto a a
l
corresponde a un problema de mnimos
cuadrados ponderados, cuya solucin es:
a
l
= (

X
D
2
l

X)
1

X
D
2
l
Y,
donde,
X =
_
1 . . . 1
x
1
. . . x
M
_
,
Y = [y
1
, . . . , y
m
]
,
D
2
l
= (diag[
1l
, . . . ,
Ml
])
2
.
Una descripcin detallada de este mtodo generalizado
al caso entrada-salida mltiple, se encuentra en el Algorit-
mo 4.
Algoritmo 4 Agrupamiento difuso combinado
entrada-salida mltiple
Entrada: X
Mn
Y
MH
R nmero de reglas (clases o grupos)
c
> 0, m > 1
1: X
mn
mn{x
j
, j = 1, . . . , n}
2: X
m ax
m ax{x
j
, j = 1, . . . , n}
3: v
l
0j
X
mn,j
+ l
_
X
m ax,j
X
mn,j
R + 1
_
j = 1, . . . , n ,
l = 1, . . . , R
4: v
l
new
v
l
0
l = 1, . . . , R
5: mientras |v
l
new
v
l
old
| >
c
i 1, . . . , M, l 1, . . . , R
hacer
6:
new
il

_
R
k=1
_
|x
i
v
l
old
|
2
|x
i
v
k
old
|
2
_ 1
m1
_
1
7: v
l
new

M
i=1
x
i
(
new
il
)
m
M
i=1
(
new
il
)
m
8: n mientras
10: x
i
[1, x
i
]
11: n para
12:

X x
13: Y [y
1
, . . . , y
m
]
14: D
2
l
(diag[
1l
, . . . ,
Ml
])
2
17: a
lh
(

X
D
2
l
X)
1

X
D
2
l
Y
h
18: devolver g
lh
(x) a
lh
x
19: n para
20: n para
2.6 Mnimos cuadrados recursivo combinado
(MCRC)
Hasta ahora se han descrito y generalizado los mtodos
automticos de regresin difusa que se encuentran en la li-
teratura, [13, 15]. En esta seccin, se propone el mtodo de
mnimos cuadrados recursivo combinado, el cual constitu-
ye el principal aporte terico de este trabajo. Este mtodo
se compone de dos etapas; en primer lugar, se utiliza el al-
goritmo c-medias difuso para la identicacin de las reglas
del sistema; luego, se aplica el mtodo de mnimos cuadra-
dos recursivo para caracterizar el conjunto de salida [2].
Los resultados numricos demuestran el buen desempeo
de este mtodo, como se ver en la Seccin 3.
El mtodo de mnimos cuadrados recursivo, requiere
que la regla-base del sistema est completamente especi-
cada, i.e., nmero de reglas, centros de funciones de per-
tenencia, etc. Puesto que las reglas del sistema en los m-
todos automticos se encargan de predecir y/o gobernar
las salidas de los sistemas difusos, es necesario un algorit-
mo que permita una adecuada especicacin de reglas. El
algoritmo c-medias difuso especica ecientemente las re-
glas del sistema; y luego, se procede a la aplicacin del m-
todo de mnimos cuadrados recursivo. Este mtodo posee
caractersticas muy tiles para ser implementado:
no requiere la inversin de una matriz, como en el
caso de los mnimos cuadrados por lotes y agrupa-
miento difuso combinado. En su lugar, se calcula ni-
camente el inverso de un escalar,
los mnimos cuadrados recursivos son ms ecientes
para incluir las reglas del sistema [13],
la convergencia del mtodo es competitiva respecto a
otras tcnicas [7].
Estas razones justican la implementacin del mtodo
de mnimos cuadrados recursivo.
El mtodo MCRC se describe a continuacin:
1. Determinar el nmero de centros: se inicializa R,
R = c,
v
l
new
= v
l
0
l = 1, . . . , R
para lo cual se aplica algn mtodo heurstico.
2. Calcular una particin de los datos: se asigna cada pun-
to al grupo ms cercano utilizando la funcin de perte-
nencia
new
il
=
_
R
k=1
_
|x
i
v
l
old
|
2
|x
i
v
k
old
|
2
_ 1
m1
_
1
,
3. Calcular los nuevos centros: mediante
v
l
new
=
M
i=1
x
i
(
new
il
)
m
M
i=1
(
new
il
)
m
,
4. Evaluar: si |v
l
new
v
l
old
|
c
para i = 1, . . . , M, l =
1, . . . , R la particin es estable, el proceso se detiene. Ca-
so contrario, se regresa al Paso 2.
5. Inicializar los parmetros del MCR:

(0) = 0, P(0) =
I
6. Calcular los grados de pertenencia: utilizando los cen-
tros, i = 1, . . . , M y l = 1, . . . , R
il
=
n
j=1
exp
_
_
1
2
_
x
i
j
v
l
j
l
j
_
2
_
_
il
=

il
R
l=1
il
7. Aplicar el MCR
P(k) =
1
_
I P(k 1)(x
k
)
_
I + ((x
k
))
P(k 1)(x
k
)
_
1
((x
k
))
_
P(k 1)
(k) =

(k 1) + P(k)(x
k
)
_
y
k
((x
k
))
(k 1)
_
Al aplicar el algoritmo c-medias difuso, se debe iniciali-
zar el nmero de reglas R (grupos o clases) y los valores de
los centros de las clases cuidadosamente, ya que los resul-
tados son sensibles a la eleccin de estos valores iniciales.
La generalizacin al caso de entrada-salida mltiple de este
mtodo se encuentra en el Algoritmo 5.
3 Aplicacin
En esta seccin, se presentan resultados de las pruebas
numricas realizadas con informacin de la Reserva Inter-
nacional de libre Disponibilidad (RILD) de Ecuador
1
y un
ndice de liquidez nanciera
2
. El objetivo de validar los
mtodos y analizar su comportamiento.
Los resultados para cada una de las aplicaciones num-
ricas fueron obtenidos mediante una aplicacin desarrolla-
da en R [3]. Para ello se implementar los mtodos:
mnimos cuadrados por lotes (MCL),
mnimos cuadrados recursivo (MCR),
aprendizaje desde el ejemplo modicado (AEM),
agrupamiento difuso combinado (ADC),
mnimos cuadrados recursivo combinado (MCRC).
Estos mtodos fueron implementados utilizando fun-
ciones de pertenencia Gaussianas y Triangulares. nica-
mente en el caso del agrupamiento difuso combinado no
se implement estas funciones, debido a que este mtodo
dene especcamente su funcin de pertenencia.
Para visualizar de mejor manera el desempeo de ca-
da mtodo, se estandarizaron los datos, i.e., se utiliz una
escala porcentual o, en su defecto, se normalizaron y es-
tandarizaron las variables, [10]. Se dividi al conjunto de
datos en un conjunto de entrenamiento y un conjunto de
pruebas (back testing); adems, para contrastar los resulta-
dos se calcularon modelos de series de tiempo (SARIMA)
para las aplicaciones de estudio, utilizando el paquete es-
tadstico forecast y la funcin auto.arima del software R [14].
3.1 Reserva Internacional de Libre Disponibi-
lidad (RILD) de Ecuador
La administracin de las reservas internacionales re-
quiere de objetivos claros, sistemas de control fuertes y una
apreciacin realista de las limitaciones que se tienen. Un
manejo eciente de estas reservas implica una administra-
cin macroeconmica exitosa para un pas. La mayor parte
de los bancos centrales tienden a mantener reservas en for-
ma de bonos, los cuales devengan intereses de bajo riesgo,
o de otros activos de riesgo similar en algn tipo de divisa.
Lo anterior constituye un intento de asegurar los valores
de mercado de sus activos externos, los cuales son suscep-
tibles a sufrir variaciones, de manera que sean siempre ma-
yores que el valor de los pasivos monetarios.
Es de gran importancia para un pas asegurar y forta-
lecer su capacidad para afrontar acontecimientos inespe-
rados, como son los choques nancieros exgenos. Estra-
tegias sanas de manejo de reservas conllevan una amplia
gama de objetivos de poltica, tales como:
asegurar un alto nivel de conanza en las polticas
monetaria y cambiaria de la economa, particular-
mente en regmenes de tipo de cambio jo;
mantener divisas lquidas durante los ataques de los
choques externos;
darle conanza a la comunidad internacional de que
la economa es capaz de cumplir con sus obligaciones
externas.
Particularmente, los depsitos realizados en el Banco
Central del Ecuador por instituciones del sector pblico y
del sistema nanciero privado, por ser exigibles a la vis-
ta, estn respaldados por la Reserva Internacional de Li-
bre Disponibilidad (RILD). sta, por su carcter de activo
de reserva del pas y por su tamao, es el componente de
mayor importancia entre los activos del Banco Central del
Ecuador.
1
Informacin proveniente de la Direccin de Estudios del Banco Central de Ecuador.
2
Informacin correspondiente a los Boletines Financieros publicados mensualmente por la Superintendencia de Bancos y Seguros.
Los recursos de la RILD son invertidos, por mandato
legal, en los mercados nancieros internacionales, bajo los
principios de seguridad, liquidez y rentabilidad. Una par-
te de los rendimientos obtenidos se revierte al Presupuesto
General del Estado y otra parte es transferida mensualmen-
te al Instituto Ecuatoriano de Seguridad Social (IESS), para
mejorar las prestaciones a favor de sus aliados. Bsica-
mente, la RILD corresponde al monto de activos externos
de alta liquidez que tienen una contrapartida en los pasi-
vos del balance del Banco Central del Ecuador
3
.
Algoritmo 5 Mnimos cuadrados recursivo combinado entrada-salida mltiple
Entrada: X
Mn
matriz las variables de entrada
Y
MH
K nmero de iteraciones del algoritmo
R nmero de reglas (clases o grupos)
c
> 0, m > 1, 0 < 1
1: X
mn
mn{x
j
, j = 1, . . . , n}
2: X
m ax
m ax{x
j
, j = 1, . . . , n}
3: v
l
0j
X
mn,j
+ l
_
X
m ax,j
X
mn,j
R + 1
_
j = 1, . . . , n , l = 1, . . . , R
4: v
l
new
v
l
0
l 1, . . . , R
5: mientras |v
l
new
v
l
old
| >
c
i 1, . . . , M, l 1, . . . , R hacer
6:
new
il

_
R
k=1
_
|x
i
v
l
old
|
2
|x
i
v
k
old
|
2
_ 1
m1
_
1
7: v
l
new

M
i=1
x
i
(
new
il
)
m
M
i=1
(
new
il
)
m
8: n mientras
9:

(0) 0
10: P(0) I
11:
l
j
j = 1, . . . , n
14:
il

n
j=1
exp
_
_
1
2
_
x
i
j
v
l
j
l
j
_
2
_
_
15: n para
16:
il

il
R
l=1

il
17: n para
19: s 0 contador auxiliar
20: para k 1, K M hacer
21: si s M entonces
22: s s +1
23: si no
24: s 1
25: n si
26: P
h
(k)
1
_
I P
h
(k 1)(x
s
)
_
I + ((x
s
))
P
h
(k 1)(x
s
)
_
1
((x
s
))
_
P
h
(k 1)
27:

h
(k)

h
(k 1) + P
h
(k)(x
s
)
_
y
s
h
((x
s
))
h
(k 1)
_
28: n para
29: devolver f
h
(x |

h
)

(x)
30: n para
3
Antes de adoptar la dolarizacin en la economa ecuatoriana, el concepto que se manejaba era el de Reserva Monetaria Internacional, el mismo
que representaba el saldo entre activos y pasivos externos, y est sujeto al control de las autoridades econmicas del pas; sus componentes eran: el
oro monetario, los derechos especiales de giro, la posicin y uso de la reserva en el Fondo Monetario Internacional (FMI), los activos en divisas y otros
ttulos de crdito.
El Banco Central del Ecuador calcula la reserva moneta-
ria de libre disponibilidad que sirve de base para mantener
los sistemas de canje, reserva nanciera y otras operaciones
del Banco Central del Ecuador, [1].
Se propone modelar la RILD, considerando las varia-
bles:
Variable Descripcin
Y Reserva Internacional de Libre Disponi-
bilidad (RILD) de Ecuador
X
1
Ingresos al sistema nanciero
X
2
Egresos del sistema nanciero
X
3
Exportaciones de petrleo
X
4
Importaciones de derivados de petrleo
La informacin corresponde a series mensuales del pe-
rodo enero 2007 - agosto 2010. Para este caso, se considera
como conjunto de entrenamiento al perodo comprendido
enero 2007 - diciembre 2009 y, como conjunto de pruebas,
(back testing) al perodo enero 2010 - agosto 2010.
Jun07 Dic07 Jun08 Dic08 Jun09 Dic09 Jun10
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCLGaussiana
Back testing
(a) Funcin gaussiana
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCLTriangular
Back testing
(b) Funcin triangular
Figura 1. RILD, mnimos cuadrados por lotes (MCL)
La Figura 1 muestra el ajuste para el mtodo de m-
nimos cuadrados por lotes, con funciones de pertenencia
Gaussiana y Triangular, se observa que el ajuste en el con-
junto de entrenamiento es bueno para ambas series; sin em-
bargo, en el back testing; los pronsticos para ambas series
se tornan voltiles.
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCR 100Gaussiana
Back testing
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCR 100Triangular
Back testing
Figura 2. RILD, mnimos cuadrados recursivo 100 iteraciones
(MCR)
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCR 500Gaussiana
Back testing
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCR 500Triangular
Back testing
Figura 3. RILD, mnimos cuadrados recursivo 500 iteraciones
(MCR)
En el caso del mtodo de mnimos cuadrados recursivo
con 100 y 500 iteraciones (Figura 2 y Figura 3 respectiva-
mente), para la funcin Gaussiana (Figura 2a y Figura 3a),
el ajuste en el entrenamiento es un tanto voltil, an cuan-
do existe una similitud en el comportamiento entre la serie
entrenada y la serie original. Al analizar el back testing, se
nota cierta semejanza con los valores reales de la RILD. En
el caso de la funcin de pertenencia Triangular (Figura 2b
y Figura 3b), se observa que el entrenamiento es superior,
pero los pronsticos no se asemejan a los de la serie origi-
nal.
Para el agrupamiento difuso combinado, se utilizaron
12 y 24 centros, los resultados se pueden observar en la Fi-
gura 4. En el caso en el cual se utiliza 12 centros (Figura 4a)
en el conjunto de entrenamiento, se aprecia una semejanza
con la serie original; algo similar ocurre en el back testing.
Cuando se aumenta a 24 centros (Figura 4b), se observa
una mejora muy signicativa, tanto en el conjunto de en-
trenamiento como en el back testing, capturndose de mejor
manera los cambios de tendencia.
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
ADC 12
Back testing
(a) Centros c = 12
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
ADC 24
Back testing
(b) Centros c = 24
Figura 4. RILD, agrupamiento difuso combinado (ADC)
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
MCRC 12 100Gaussiana
Back testing
(a) Centros c = 12
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
Back testing
(b) Centros c = 24
Figura 5. RILD, mnimos cuadrados recursivo combinado 100 ite-
raciones (MCRC) Gaussiana
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
Back testing
(a) Centros c = 12
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
Mes
RILD
Back testing
(b) Centros c = 24
Figura 6. RILD, mnimos cuadrados recursivo combinado 500 ite-
raciones (MCRC) Gaussiana
En el mtodo de mnimos cuadrados recursivo combi-
nado con 100 y 500 iteraciones (Figura 5 y Figura 6), se uti-
lizaron 12 y 24 centros. Con 100 iteraciones, el ajuste del
conjunto de entrenamiento es similar para 12 y 24 centros;
pero cuando se calculan los pronsticos, hay mejores re-
sultados con 12 centros; ver Figura 5a. Lo mismo sucede
cuando se incrementa a 500 iteraciones, i.e., con 12 centros
los pronsticos se asemejan mucho ms a la serie real (Fi-
gura 6a).
La Figura 7 presenta, para cada uno de los mtodos,
la suma de errores del modelo y back testing. Los mejores
mtodos, segn estos criterios, son mnimos cuadrados por
lotes, agrupamiento difuso combinado 24 (24 grupos) y m-
nimos cuadrados recursivo combinado 12-100 (12 centros,
100 iteraciones).
Con el objetivo de comparar los resultados de los m-
todos automticos, se calcul un modelo SARIMA para la
RILD, utilizando el mismo conjunto de entrenamiento. Los
resultados del modelo SARIMA muestran que el modelo
ms apropiado para su estimacin y pronstico es un SA-
RIMA(3, 0, 0)(1, 0, 0). Estos resultados son comparados con
los mejores mtodos automticos en la Figura 8. Se puede
apreciar que los mtodos de mnimos cuadrados por lotes,
agrupamiento difuso combinado 24 y el modelo SARIMA
son los mejores cuando se ejecuta el entrenamiento (resi-
duos de los modelos); pero, cuando se calculan los prons-
ticos, los mtodos de agrupamiento difuso combinado 24 y
mnimos cuadrados recursivo combinado 12-100 son ms
competitivos.
ADC12 ADC24 MCL G MCL T MCR G 100MCR G 500 MCR T 100 MCR T 500MCRC12100MCRC12500MCRC24100MCRC24500
0
2
4
6
8
10
12
14
16
18
Modelos
(a) Residuos de los modelos
ADC12 ADC24 MCL G MCL T MCR G 100MCR G 500 MCR T 100 MCR T 500MCRC12100MCRC12500MCRC24100MCRC24500
0
2
4
6
8
10
12
14
16
18
Modelos
(b) Residuos del back testing
Figura 7. RILD, residuos de los mtodos automticos y back testing
3.2 ndice de Liquidez de Instituciones Finan-
cieras
En este apartado se aplican los mtodos descritos para
un ndice de liquidez de los bancos: Pichincha, Internacio-
nal y Amazonas, en ejemplos del caso de entrada y salida
mltiple.
La liquidez de una institucin nanciera ser reere a su
capacidad de contar con los fondos necesarios para:
cumplir oportunamente con los compromisos nan-
cieros adquiridos, cubrir retiros de depsitos a la vis-
ta, pagar una deuda, o pagar a proveedores;
aprovechar oportunidades de negocio, i.e., compra de
cartera, inversin a tasa atractiva, etc.
Cuando una institucin enfrenta una escasez de fondos
para cumplir con sus obligaciones, tiene la necesidad de
conseguir recursos alternativos o de vender activos en con-
diciones desfavorables, con un alto costo nanciero o una
elevada tasa de descuento incurriendo en prdidas de valo-
racin; por esta razn, una institucin debe establecer e im-
plementar polticas y procedimientos idneos que le per-
mitan una adecuada administracin de su liquidez, consi-
derando la complejidad y el volumen de las operaciones
que realiza. Dichas polticas y procedimientos deben tener
en cuenta los posibles escenarios y la forma en la que la ins-
titucin respondera, en el caso de que tales eventos sean
reales [16]. Sin embargo, la preferencia por la liquidez pue-
de ser contraproducente para la economa general; e.g., si
hay incertidumbre o los precios decaen, la poblacin en ge-
neral puede preferir mantener sus activos, tendencia que,
si se generaliza, puede llevar a una gran disminucin de la
demanda.
El siguiente modelo considera el ndice denido como:
Liquidez =
Fondos disponibles
Total de depsitos a corto plazo
,
por lo que se consideraron las siguientes variables:
Variable Descripcin
Y
1
ndice de liquidez Banco Pichincha
Y
2
ndice de liquidez Banco Internacional
Y
3
ndice de liquidez Banco Amazonas
X
1
ndice de precios al consumidor
X
2
Inacin
La informacin corresponde a las series mensuales del
perodo enero 2006 - octubre 2010. Como conjunto de en-
trenamiento se consider al perodo enero 2006 - diciem-
bre 2009 y, como conjunto de back testing, al perodo enero
2010- octubre 2010.
3
2
1
0
1
2
3
Mes
RILD ADC 24 BT ADC 24 MCL G BT MCL G MCRC 12100 BT MCRC 12100 SARIMA BT SARIMA
(a) Contraste
ADC24 MCL G MCRC12100 SARIMA
0
2
4
6
8
10
12
14
16
18
Modelos
(b) Residuos de los modelos
ADC24 MCL G MCRC12100 SARIMA
0
0.5
1
1.5
2
2.5
3
3.5
4
Modelos
(c) Residuos del back testing
Figura 8. RILD, contraste
Jun06 Dic06 Jun07 Dic07 Jun08 Dic08 Jun09 Dic09 Jun10
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
MCR 100Gaussiana
Back testing
(a) 100 iteraciones
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
MCR 500Gaussiana
Back testing
(b) 500 iteraciones
Figura 9. Banco Pichincha, mnimos cuadrados recursivo (MCR)
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
ADC 12
Back testing
(a) Centros c = 12
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
ADC 24
Back testing
(b) Centros c = 24
Figura 10. Banco Pichincha, agrupamiento difuso combinado
(ADC)
Acontinuacin, se presentan los resultados de los mto-
dos de mnimos cuadrados recursivo, agrupamiento difu-
so combinado y mnimos cuadrados recursivo combinado
para el Banco Pichincha.
La Figura 9 muestra el ajuste para el mtodo de mni-
mos cuadrados recursivo con 100 y 500 iteraciones y con
funcin de pertenencia Gaussiana. Se observa que el ajuste
en el conjunto de entrenamiento recoge la tendencia de la
serie original. Sin embargo, el back testing no se asemeja a
los valores observados.
Para el agrupamiento difuso combinado, se aplic 12 y
24 centros; los resultados se observan en la Figura 10. Con
12 centros (Figura 10a) en el conjunto de entrenamiento, se
aprecia una semejanza con la serie original; algo similar su-
cede con los pronsticos en el back testing. Pero cuando se
incrementa a 24 centros (Figura 10b), se aprecia una mejora
signicativa tanto en el conjunto de entrenamiento como
en el back testing.
nado con 100 y 500 iteraciones (Figura 11 y Figura 12), se
utilizaron 12 y 24 centros. Con 100 iteraciones el ajuste del
conjunto de entrenamiento es muy parecido para 12 y 24
centros; lo mismo ocurre cuando se calcula los pronsticos;
en estos casos no se asemejan a la serie del ndice de liqui-
dez; ver Figura 11a. Un fenmeno similar ocurre cuando se
aumenta a 500 iteraciones (Figura 12a). Esto podra deberse
a que el comportamiento de este indicador es muy voltil.
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
MCRC 12 100
Back testing
(a) Centros c = 12
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
MCRC 24 100
Back testing
(b) Centros c = 24
Figura 11. Banco Pichincha, mnimos cuadrados recursivo combi-
nado 100 iteraciones (MCRC) Gaussiana
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
MCRC 12 500
Back testing
(a) Centros c = 12
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Pichincha
MCRC 24 500
Back testing
(b) Centros c = 24
Figura 12. Banco Pichincha, mnimos cuadrados recursivo combi-
nado 500 iteraciones (MCRC) Gaussiana
ADC12 ADC24 MCR 100 MCR 500 MCRC12100 MCRC12500 MCRC24100 MCRC24500
0
5
10
15
20
25
30
Modelos
0
2
4
6
8
10
12
14
Modelos
Figura 13. Banco Pichincha, residuos de los mtodos automticos
y back testing
3
2
1
0
1
2
3
Mes
Liquidez Pichincha ADC 24 BT ADC 24 MCRC 12 500 BT MCRC 12 500 SARIMA BT SARIMA
(a) Contraste
ADC24 MCRC12500 SARIMA
0
5
10
15
20
25
30
Modelos
0
5
10
15
20
25
Modelos
Figura 14. Banco Pichincha contraste
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Internacional
MCR 100Gaussiana
Back testing
(a) 100 iteraciones
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
MCR 500Gaussiana
Back testing
(b) 500 iteraciones
Figura 15. Banco Internacional, mnimos cuadrados recursivo
(MCR)
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
ADC 12
Back testing
(a) Centros c = 12
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
ADC 24
Back testing
(b) Centros c = 24
Figura 16. Banco Internacional, agrupamiento difuso combinado
(ADC)
La Figura 13 presenta para cada uno de los mtodos
la suma de errores del modelo y back testing. Los mejores
mtodos, segn estos criterios, son agrupamiento difuso
combinado 24 (24 grupos) y mnimos cuadrados recursivo
combinado 12-500 (12 centros, 500 iteraciones).
Finalmente, se calcul el modelo SARIMA para el n-
dice de liquidez del Banco Pichincha utilizando el mismo
conjunto de entrenamiento; estos resultados muestran que
el modelo ms apropiado para su estimacin y pronstico
es un SARIMA(0, 1, 0)(2, 0, 0). Este modelo es comparado
con los mejores mtodos automticos en la Figura 14. El
mtodo de agrupamiento difuso combinado 24 y el mode-
lo SARIMA son los mejores al momento de la estimacin
(residuos de los modelos); si se evalan los pronsticos, los
mtodos de agrupamiento difuso combinado 24 y mnimos
cuadrados recursivo combinado 12-500 son ms competiti-
vos.
para el Banco Internacional.
La Figura 15 muestra el mtodo de mnimos cuadrados
recursivo con 100 y 500 iteraciones con funcin de perte-
nencia Gaussiana. Se observa que el ajuste en el conjunto
de entrenamiento recoge la tendencia de la serie original,
y lo mismo ocurre cuando se ejecuta el back testing. En este
caso no se aprecia ninguna diferencia signicativa cuando
se varia el nmero de iteraciones.
Para el mtodo de agrupamiento difuso combinado, se
aplic 12 y 24 centros; los resultados se observan en la Figu-
ra 16. Con 12 centros (Figura 16a) en el conjunto de entre-
namiento, se aprecia una semejanza con la serie original; lo
mismo sucede con el back testing. Al incrementar a 24 cen-
tros (Figura 16b), se observa una mejora muy signicativa
en el back testing, capturando de manera ms adecuada la
tendencia de la serie original.
nado con 100 y 500 iteraciones (Figura 17 y Figura 18) se
utilizaron 12 y 24 centros. Con 100 iteraciones, el ajuste del
centros; lo mismo ocurre cuando se calcula los pronsticos,
ver Figura 17a. De la misma forma, cuando se aumenta a
500 iteraciones, no se observa una mejora signicativa (Fi-
gura 18a). Aun si el ajuste no se asemeja a la serie, este m-
todo modela la tendencia del fenmeno.
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
MCRC 12 100
Back testing
(a) Centros c = 12
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
MCRC 24 100
Back testing
(b) Centros c = 24
combinado 100 iteraciones (MCRC) Gaussiana
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
MCRC 12 500
Back testing
(a) Centros c = 12
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
MCRC 24 500
Back testing
(b) Centros c = 24
combinado 500 iteraciones (MCRC) Gaussiana
2.5
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
Mes
Liquidez Internacional ADC 24 BT ADC 24 MCRC 12 500 BT MCRC 12 500 SARIMA BT SARIMA
(a) Contraste
0
5
10
15
20
25
Modelos
0
1
2
3
4
5
6
Modelos
Figura 19. Banco Internacional, contraste
0
5
10
15
20
25
Modelos
0
2
4
6
8
10
12
14
Modelos
Figura 20. Banco Internacional, residuos de los mtodos autom-
ticos y back testing
La Figura 20 presenta para cada uno de los mtodos
la suma de errores del modelo y el back testing. Los mejo-
res mtodos segn estos criterios son agrupamiento difuso
combinado 24 (24 grupos) y mnimos cuadrados recursivo
combinado 12-500 (12 centros, 500 iteraciones).
Nuevamente, se calcul un modelo SARIMA para el n-
dice de liquidez del Banco Internacional, utilizando el mis-
mo conjunto de entrenamiento, estos resultados muestran
que el modelo ms apropiado para su estimacin y pro-
nstico es un SARIMA(0, 1, 0)(0, 0, 2). Este modelo es com-
parado con los mejores mtodos automticos en la Figura
19. Al igual que al calcular el ndice de liquidez de Banco
Pichincha, se aprecia que el mtodo de agrupamiento difu-
so combinado 24 y el modelo SARIMA son los mejores al
momento de la estimacin (residuos de los modelos); pa-
ra calcular los pronsticos, el mtodo mnimos cuadrados
recursivo combinado 12-500 es ms competitivo.
para el Banco Amazonas.
En la Figura 21 se observa el mtodo de mnimos cua-
drados recursivo con 100 y 500 iteraciones con funcin de
pertenencia Gaussiana. El ajuste en el conjunto de entrena-
miento recoge la tendencia de la serie original; lo mismo
ocurre cuando se ejecuta el back testing; nuevamente no se
aprecia ninguna diferencia signicativa cuando se varia el
nmero de iteraciones.
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
MCR 100Gaussiana
Back testing
(a) 100 iteraciones
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
MCR 500Gaussiana
Back testing
(b) 500 iteraciones
Figura 21. Banco Amazonas, mnimos cuadrados recursivo
(MCR)
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
ADC 12
Back testing
(a) Centros c = 12
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
ADC 24
Back testing
(b) Centros c = 24
Figura 22. Banco Amazonas, agrupamiento difuso combinado
(ADC)
Para el agrupamiento difuso combinado, se utiliz 12 y
24 centros (Figura 22). En este caso se observa que, al incre-
mentar el nmero de centros a 24, se logra un mejor ajuste
en el entrenamiento; ello se reeja en los pronsticos, cuan-
do se aplica el back testing.
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
MCRC 12 100
Back testing
(a) Centros c = 12
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
MCRC 24 100
Back testing
(b) Centros c = 24
Figura 23. Banco Amazonas, mnimos cuadrados recursivo com-
binado 100 iteraciones (MCRC) Gaussiana
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
MCRC 12 500
Back testing
(a) Centros c = 12
3
2
1
0
1
2
3
4
Mes
Liquidez Amazonas
MCRC 24 500
Back testing
(b) Centros c = 24
Figura 24. Banco Amazonas, mnimos cuadrados recursivo com-
binado 500 iteraciones (MCRC) Gaussiana
nado con 100 y 500 iteraciones (Figura 17 y Figura 18), se
utilizaron 12 y 24 centros. Con 100 iteraciones, el ajuste del
centros; lo mismo ocurre cuando se calcula los pronsti-
cos, el modelo logra ajustar adecuadamente la tendencia
de la serie: ver Figura 17a. De la misma forma, cuando se
aumenta a 500 iteraciones; no se observa ninguna mejora,
Figura 18a.
La Figura 25 presenta para cada uno de los mtodos,
la suma de errores del modelo, y el back testing. Los mejo-
res mtodos, segn estos criterios, son agrupamiento difu-
so combinado 24 (24 grupos) y mnimos cuadrados recur-
sivo combinado 12-500 (12 centros, 500 iteraciones).
Al igual que en el caso anterior, se calcula un modelo
SARIMA para el ndice de liquidez del Banco Amazonas
utilizando el mismo conjunto de entrenamiento, estos re-
sultados muestran que el modelo ms apropiado para su
estimacin y pronstico es un SARIMA(2, 1, 1)(0, 0, 0), este
modelo se compara con los mejores mtodos automticos,
ver Figura 26. Se puede notar que el mtodo de agrupa-
miento difuso combinado 24 y el modelo SARIMA son los
mejores al momento de la estimacin (residuos de los mo-
delos); pero cuando se calculan los pronsticos (residuos
del back testing), al igual que el ndice de liquidez del Inter-
nacional, el mtodo mnimos cuadrados recursivo combi-
nado 12-500 es ms competitivo.
0
5
10
15
20
25
Modelos
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Modelos
Figura 25. Banco Amazonas, residuos de los mtodos automti-
cos y back testing
4 Conclusiones
En este trabajo se describen los mtodos automticos de
regresin difusa: mnimos cuadrados por lotes, mnimos
cuadrados recursivo, aprendizaje desde el ejemplo modi-
cado y agrupamiento difuso combinado. Se generalizan los
mtodos al caso de entrada y salida mltiple, que permite
aplicarlos a una gama ms amplia de problemas. Adems,
se propone un nuevo mtodo, mnimos cuadrados recursivo
combinado, el cual ha mostrado un gran desempeo, tal co-
mo se puede observar en las pruebas numricas realiza-
das. En general, los resultados obtenidos corresponden a
una medida cuantitativa del potencial de estos mtodos en
aplicaciones econmicas, con resultados muy alentadores.
Como se visualiza en las pruebas numricas, con un
mayor nmero de observaciones (RILD e ndice de liqui-
dez), existe mayor eciencia al caracterizar la tendencia y
sobre todo el back testing en los mtodos automticos y, so-
bre todo, en los mtodos combinados y el mtodo propues-
to. Esto se debe a que una mayor cantidad de informacin
contribuye al mejoramiento en la construccin de reglas del
sistema, lo que caracteriza de mejor manera al fenmeno de
estudio. En general, el back testing del mtodo propuesto
proporciona estimaciones muy competitivas, comparadas
con los modelos SARIMA y los mtodos de la literatura.
Finalmente, cabe sealar que la precisin requerida y
el costo computacional son parmetros que se deben tener
en cuenta al momento de decidir que mtodo aplicar, e.g.,
el mtodo de mnimos cuadrados recursivo no requiere la
inversin de una matriz y, por tanto, es ms estable num-
ricamente. Sin embargo, su costo computacional es eleva-
do comparado con el mtodo de mnimos cuadrados por
lotes. Por otra parte, la escala de los datos puede causar
inestabilidad en los algoritmos. Por esta razn, en general
es recomendable estandarizar los datos.
Referencias
[1] Banco Central del Ecuador http://www.bce.n.ec/.
[2] R. Cajamarca. Regresin automtica difusa aplicada a
datos econmicos. Escuela Politcnica Nacional Tesis,
(2011).
[3] R. Cajamarca y H. Mena. Mtodos automti-
cos de regresin difusa - SCRIPT mard para R.
http://www.math.epn.edu.ec/hmena/, seccin
Software, (2011).
[4] J. Bezdek, J. Keller and R. Krisnapuram. Fuzzy Models
and Algorithms for Pattern Recognition and Image Proces-
sing. Springer Science Business Media, (2005).
[5] D. Dubois and H. Prade. Fuzzy Sets and Systems: Theory
and Applications. Mathematics in Science and Enginee-
ring, Volume 144, (1980).
6
4
2
0
2
4
6
Mes
Liquidez Amazonas ADC 24 BT ADC 24 MCRC 12 100 BT MCRC 12 100 SARIMA BT SARIMA
(a) Contraste
0
5
10
15
20
25
30
Modelos
0
0.5
1
1.5
2
2.5
3
3.5
Modelos
Figura 26. Banco Amazonas, contraste
[6] F. Hayashi. Econometrics. Princeton University Press,
(2000).
[7] M. Hayes. Statistical Digital Signal Processing and Mo-
deling. John Wiley and Sons, Inc., (1996).
[8] E. Laukonen and K. Passino. Training Fuzzy Systems to
Perform Estimation and Identication. Engineering Ap-
plications Articial Intelligence Vol. 8 No. 5 pp. 499-
514. Elsevier Science Ltd. Printed in Great Britain,
(1995).
[9] S. Medina and G. Paniagua. Fuzzy Inference Systems to
Creditworthiness Analysis. Dyna, Ao 75, No. 154, pp.
215-229, (2006).
[10] D. Montgomery and G. Runger. Applied Statistics and
Probability for Engineers. Third Edition, John Wiley and
Sons, Inc., (2003).
[11] R. Nagamune. Intelligent Control. Department of Me-
chanical Engineering, University of British Columbia,
(2008).
[12] A. Palit and D. Popovic. Computational Intelligence in
Time Series Forecasting, Theory and Engineering Applica-
tions. Springer-Verlag, (2005).
[13] K. Passino and S. Yurkovich. Fuzzy Control. Addison
Wesley Longman, (1998).
[14] R Project for Statistical Computing, www.r-
project.org/.
[15] T. Ross. Fuzzy logic with engineering applications. Se-
cond Edition. Wiley, England, (2004).
[16] Superintendencia de Bancos y Seguros. Normas Gene-
rales para la Aplicacin de la Ley General de Instituciones
del Sistema Financiero. Libro I, Ttulo X, Captulo IV,
(2003).
[17] R. Xu and D. Wunsch II. Clustering. John Wiley and
Sons, Inc., (2009).
[18] L. Zadeh. Fuzzy Sets. University of California, Berke-
ley, California, (1965).
Adrin Gutirrez Cabello - Andrs Salama
Analti a
k
Un estudio sobre la distribucin regional de los
prstamos en la Argentina por sector econmico,
20002010. Una aplicacin del anlisis de cluster
A study on the regional distribution of loans by economic
sector in Argentina, 20002010. An application of cluster
analysis
Un estudio sobre la distribucin regional de los prstamos en la Argentina. . .
Un estudio sobre la distribucin regional de los prstamos
en la Argentina por sector econmico, 20002010. Una
aplicacin del anlisis de cluster
A study on the regional distribution of loans by economic
sector in Argentina, 20002010. An application of cluster
analysis
Adrin Gutirrez Cabello
y Andrs Salama
Universidad Nacional de San Martn
acabello@unsam.edu.ar,

andres.salama@unsam.edu.ar
Recibido: 29 de septiembre de 2011 Aceptado: 23 de diciembre de 2011
Resumen
En este trabajo, analizaremos el tipo de actividades nanciadas por los prstamos en la Argentina en el perodo 2000
2010. Estudiaremos adems como fue la distribucin de los prstamos en el pas y en las provincias de acuerdo al
sector productivo que nanciaron; as tambin determinaremos si hay diferencias signicativas entre las provincias en
esta distribucin. Para eso, utilizaremos la metodologa de anlisis de clster de acuerdo al Mtodo de Ward.
Como resultado de nuestra investigacin, encontramos que existen considerables diferencias entre las distintas pro-
vincias en los rubros a los que se dirigen sus prstamos. Se puede observar adems un fenmeno que podemos denomi-
nar la falta de un Federalismo Financiero, esto es, la elevada concentracin del crdito en la Ciudad de Buenos Aires;
ello podra ser factor de alteracin en la posibilidad de aplicar polticas pblicas de desarrollo a la actividad productiva.
El elevado porcentaje de crditos otorgados a personas fsicas explica que gran parte del crdito bancario tiene como
destino el fomento del consumo, en perjuicio de la actividad productiva. Adems esto puede explicarse por el escaso
desarrollo de la banca privada en el interior del pas, especialmente en las provincias con bajos nivel de crecimiento o
escasa poblacin; las excepciones son algunas provincias con economas regionales desarrolladas como lo pueden ser
Crdoba y Santa Fe, en las cuales se observa claramente cmo se canaliza el crdito de las entidades locales.
Palabras clave: sector bancario, clusters, crdito.
Abstract
This paper analyzes some of the activities nanced by loans in Argentina, from2000 to 2010. It studies the distribution
of loans in Argentinean provinces, according to the economic sector they had nanced; and whether there were signicant
differences between provinces in such distribution, employing cluster analysis, according to Wards method.
The research concludes there are considerable differences among Argentinas provinces, regarding the activities that
were nanced by loans. Another observed phenomenon is the lack of nancial federalism -the high concentration of
credit in Buenos Aires could impede applying public policies for the development of productive activities. The high
percentage of credits given to natural persons explains how a large fraction of bank loans are destined to personal con-
sumption, rather to productive investment. This could also be explained by the low growth in private banking in the
interior of the country, especially in less developed provinces or with scarce population; this with the exception of few
provinces having more developed regional economies, such as Cordoba and Santa Fe, that clearly show the local place-
ment of credit.
Keywords: banking sector, clusters, credit.
Cdigo JEL: G21, C02, C10, C13, C58, E20, E41.
Adrin Gutirrez Cabello y Andrs Salama

1 Introduccin
En este trabajo, se analiza el tipo de actividades que -
nancian los prstamos en la Argentina. Concretamente, se
busca ver como es la distribucin de los prstamos en el
pas y en las provincias de acuerdo al sector productivo que
nancian; as tambin determinar si hay diferencias signi-
cativas entre las provincias en esta distribucin. Para eso,
utilizaremos la metodologa de anlisis de clster de acuer-
do al Mtodo de Ward.
2 Marco Terico o Metodologa utili-
zada
El anlisis de clster o conglomerados es una tcnica di-
seada para clasicar distintas observaciones en grupos de
tal forma que,
1. Cada grupo (conglomerados o clster) sea homog-
neo respecto a las variables utilizadas para caracte-
rizarlos; es decir, que cada observacin contenida en
l sea parecida a todas las que estn incluidas en ese
grupo.
2. Que los grupos sean lo ms distintos posibles unos
de otros, respecto a las variables consideradas.
El anlisis establece dichos grupos basndose en la simili-
tud que presenta un conjunto de entidades respecto de una
serie de caractersticas que el investigador ha especicado
previamente. Al nal, se extrae los grupos de sujetos y sus
caractersticas denitorias: nmero de segmentos, nmero
de integrantes de cada segmento. Si las variables de aglo-
meracin estn en escalas muy diferentes, ser necesario
estandarizarlas previamente. Es necesario observar tam-
bin los valores atpicos y desaparecidos, porque los m-
todos jerrquicos no tienen solucin con valores perdidos,
y porque los valores atpicos deforman distancias y pro-
ducen clster unitarios. Es perjudicial la presencia de va-
riables correlacionadas, por lo que es conveniente realizar
primero un anlisis de multicolinealidad. Los conglomera-
dos deben tener sentido conceptual y no variar mucho al
cambiar la muestra o mtodo de aglomeracin.
Para la formacin de clster en este trabajo se utiliz
la tcnica de Anlisis de Clster Jerrquico, con el Mtodo
de Ward, que tiene por objeto maximizar la homogeneidad
dentro de cada conglomerado. Para ello, plantea todas las
posibles combinaciones de observaciones para el nmero
de grupos que se est considerando en cada etapa concre-
ta.
Este mtodo, propuesto por Ward en 1963 es uno de los
ms utilizados en la prctica; posee casi todas las ventajas
del mtodo de la media, y suele ser ms discriminativo en
la determinacin de los niveles de agrupacin. Este mto-
do, adems, es capaz de encontrar mejor una clasicacin
ptima en comparacin con otros mtodos.
1
Ward propuso que la prdida de informacin que se
produce al integrar los distintos individuos en clsteres
puede medirse a base de la suma total de los cuadrados
de las desviaciones entre cada punto (individuo) y la me-
dia del clster en el que se integra. Para que el proceso de
clusterizacin resultara ptimo, en el sentido de que los
grupos formados no distorsionen los datos originales, pro-
pona la siguiente estrategia: en cada paso del anlisis, con-
siderar la posibilidad de la unin de cada par de grupos y
optar por la fusin de aquellos dos grupos que menos in-
crementasen la suma de los cuadrados de las desviaciones
al unirse.
La ventaja del mtodo de Ward es que no deja ningn
tipo de cabos sueltos. No quedan formados grupos que
tengan uno o muy pocos elementos. Todos los datos se
agrupan en clsteres que tienen varios elementos. As, las
principales ventajas del mtodo de Ward son: la formacin
de clsteres ms compactos y de similar tamao y la mi-
nimizacin de la prdida de informacin en el proceso de
organizacin de los conglomerados.
La medida de similitud a base de la cual se formaron
los grupos fue la distancia, esto es, las distintas medidas en-
tre los puntos del espacio denido por los individuos. La
distancia eucldea al cuadrado es la medida utilizada para la
formacin de conglomerados en este trabajo y se expresa:
distancia eucldea al cuadrado d(i, j)
2
=
k
(x
ik
x
jk
)
2
.
Se observa que la distancia eucldea al cuadrado entre dos
individuos se dene como la suma de los cuadrados de las
diferencias de todas las coordenadas de los dos puntos. Pa-
ra la determinacin de los grupos se hace uso del grco
denominado dendograma, que puede emplearse para eva-
luar la cohesin de los conglomerados que se han formado
y proporcionar informacin sobre el nmero adecuado de
conglomerados que deben conservarse.
El tipo de variable utilizada en este trabajo es mtri-
ca y es la participacin de cada sector econmico, a nivel
provincial en la demanda de crditos bancarios. El softwa-
re utilizado para realizar los conglomerados y el resto del
anlisis fue el SPSS.
3 Aplicacin o Resultados
3.1 La demanda de crdito
El destino del crdito puede dividirse en tres categoras.
La primera es el capital necesario para montar un nuevo
negocio o para expandir considerablemente las lneas de
produccin existentes: El mercado de crdito que satisface
estas necesidades se denomina de capital jo: capital que se
1
Ver [11].
destina a la compra y organizacin de factores jos, como
fbricas, procesos de produccin, mquinas o depsitos.
En segundo lugar, est el crdito para realizar una ac-
tividad productiva que est en marcha. ste es necesario
porque suelen existir desfases entre los gastos que exige la
produccin normal, y los ingresos generados por las ven-
tas. Cuando el producto est terminado con la venta se can-
cela el prstamo. Este mercado se denomina de capital cir-
culante, o de capital de trabajo.
Finalmente, un tercer tipo de crdito es el de consumo
(que incluye al crdito hipotecario); normalmente es soli-
citado por las personas cuando tienen un aumento en sus
necesidades de consumo.
Aunque el crdito para adquirir capital jo inuye con-
siderablemente en el crecimiento global de la economa, el
crdito para adquirir capital circulante y el de consumo son
fundamentales para comprender cmo ayuda la economa
a las personas. Por ejemplo, la estacionalidad que tiene la
actividad agropecuaria, aumenta la importancia del capital
circulante en la produccin.
3.2 Prstamos y actividad econmica
Comparando los aos 2000 y 2010 se observan impor-
tantes diferencias en las estructuras, tanto de Producto Bru-
to Interno (PBI) como de la composicin de los prstamos
por actividad y la participacin de los mismos en cada uno
de los sectores econmicos.
Analizando el PBI real entre esos aos, la economa cre-
ci el 53 %; pero si se considera la etapa 2002-2010, este in-
dicador se increment el 79 %, debido a la fuerte cada que
tuvo la actividad econmica en los aos 2001 y 2002, y que
provoc el n del rgimen de Convertibilidad.
El PBI
2
en el ao 2000 alcanz los 284 mil millones de
pesos corrientes. Analizando la estructura productiva na-
cional a partir del valor agregado por cada actividad, se
observa que la industria fue el sector ms importante, ya
que gener el 17,5 % de la produccin de bienes y servi-
cios; le siguen los servicios inmobiliarios, empresariales y
de alquiler (16,6 %). En conjunto, los sectores productores
de bienes agrupaban cerca de un tercio del valor agrega-
do y las actividades ligadas a la agricultura sumaban cerca
del 5 %.
Pasada una dcada, en el ao 2010, hubo cierto cam-
bio en la participacin de los distintos sectores econmicos
en la generacin de valor agregado, medido a precios co-
rrientes. La industria pas a representar un quinto de la
economa; la actividad agropecuaria a partir de la combi-
nacin de los efectos precios y cantidades, ve duplicada su
participacin (9,8 %). El segundo sector en importancia, co-
rresponde a servicios inmobiliarios, empresariales y de al-
quiler (10,6 %).
Como se observa tras la salida de la Convertibilidad,
los cambios en los precios relativos favorecieron al sector
productor de bienes, aunque tambin hubo un importante
crecimiento (superior a la media en este conjunto de activi-
dades econmicas).
En relacin a los prstamos, se observa que, en el ao
2000, stos ascendan aproximadamente a 81.000 millones
de pesos, siendo la relacin prstamos/PBI de 0,285. En el
ao 2010 midiendo todas las variables a precios corrientes,
se observa que el stock de prstamos fue de 169.523 millo-
nes de pesos, en tanto que la relacin prstamos/depsitos
descendi sensiblemente a 0,118.
De esto se deriva que la economa sufri un proceso de
alejamiento del sistema bancario en la bsqueda de nan-
ciamiento. Como efecto de la crisis de los aos 2001 y 2002,
con la aplicacin de la pesicacin de los prstamos y de-
psitos, sumados a la imposibilidad de retirar los ahorros
y el reemplazo compulsivo de estos, principalmente los de
moneda extranjera, por bonos a diez aos.
4,8%
0,2%
2,7%
17,5%
2,5%
5,0%
13,5%
2,9%
9,0%
4,3%
16,6%
6,7%
9,0%
5,4% Agricultura, ganadera, caza y silvicultura
Pesca, explotacin de criaderos de peces
Explotacion de minas y canteras
Industria manufacturera
Electricidad, gas y agua
Construccin
Comercio al por mayor y al por menor
Hotelera y restaurantes
Transportes, almacenamiento y comunicaciones
Intermediacin financiera y otros servicios financieros
Inmobiliarios, empresariales y de alquiler
Administracin pblica, defensa y seguridad social
Enseanza, servicios sociales y de salud
Otros
Figura 1. Participacin por actividad en el Valor Agregado Ao 2000 (Elaboracin propia en base a INDEC).
2
El PBI incluye el valor agregado de las actividades ms el Impuesto al Valor Agregado e Impuestos a las Importaciones.

9,8%
0,2%
3,6%
20,5%
1,2%
5,6%
12,2%
2,5%
8,1%
5,8%
10,6%
6,9%
8,8%
4,2%
Agricultura, ganadera, caza y silvicultura
Construccin
Otros
Figura 2. Participacin por actividad en el Valor Agregado Ao 2010 (propia en base a INDEC).

3,6%
24,5%
7,6%
0,1%
0,8%
13,5%
1,7% 3,8%
8,8%
0,3%
1,8%
6,2%
1,5%
14,2%
0,6%
10,8%
No identificada
Personas fsicas en relacin de dependencia laboral
Construccin
Otros
Figura 3. Participacin de los prstamos por sector Ao 2000 (Elaboracin propia en base a INDEC).

3,3%
33,1%
10,3%
0,1%
2,0%
15,3%
1,5%
2,4%
6,1%
0,2%
1,6%
4,0%
1,9%
11,5%
0,8%
6,0%
No identificada
Personas fsicas en relacin de dependencia laboral
Construccin
Otros
Figura 4. Participacin de los prstamos por sector Ao 2010 (Elaboracin propia en base a INDEC).
Por lo tanto. si bien a precios corrientes se duplic la
masa crediticia, deactando los prstamos por el ndice de
Precios Implcitos del PBI, aquella cay en trminos reales
el 37 %.
Es posible inferir que los sectores productivos desde el
2002 reemplazan el nanciamiento bancario, por otros me-
canismos, tales como mercado de capitales, proveedores o
a travs de recursos propios.
En el ao 2000, los principales destinatarios de los cr-
ditos eran las personas fsicas en relacin de dependencia
laboral, con casi un cuarto del volumen de prstamos. Se
ubicaban en segundo lugar, como demandantes de crdi-
tos, la administracin pblica, los organismos de defensa y
la seguridad social (14,2 %). Entre los sectores productores
de bienes, se encontraban: la industria manufacturera con
el 13,2 %, y el agropecuario con el 7,6 %. Entre los secto-
res productores de servicios, se destacan el comercio al por
mayor y al por menor (8,8 %), la intermediacin nanciera
y otros servicios nancieros (6,2 %).
Para el ao 2010 se observan algunos cambios en la
composicin de la cartera de crditos del sistema banca-
rio. Los sectores productores de bienes incrementaron su
participacin especialmente los de agricultura, ganadera,
caza y silvicultura, con alrededor del 10 %, y la industria
manufacturera el 15 %.
Como se observa al igual que el PBI, el stock de crditos
se vio modicado en trminos relativos por los cambios de
los precios relativos y la mayor actividad que se registra en
los sectores productores de bienes. En el ao 2000, los prs-
tamos personales eran 24,53 %del total de prstamos, indi-
cando que subieron 11 puntos porcentuales en diez aos.
Los prstamos a la produccin primaria ascendieron tam-
bin 4 puntos porcentuales, ya que estaba en un 8,53 % en
el ao 2000. La industria manufacturera vio como los prs-
tamos que le eran destinados subieron dos puntos porcen-
tuales durante la dcada (del 13 % al 15 %).
Los prstamos al sector servicios, en cambio, bajaron ca-
si diez puntos porcentuales en estos diez aos, del 35,46 %
al 26,04 %. De modo similar, los prstamos a las empresas
dedicadas al comercio bajaron casi tres puntos porcentua-
les en la dcada pasada, de casi un 9 % del total de prsta-
mos al 6 %. Vemos esta evolucin de los distintos sectores
en el siguiente grco:

0%
10%
20%
30%
40%
50%
60%
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
P
a
r
t
i
c
i
p
a
c
i
n
No identificada Personales Produccion primaria
Industria manufacturera Electricidad, gas y agua Construccin
Comercio al por mayor y menor Servicios
Figura 5. Evolucin de los prstamos a distintos sectores en trminos porcentuales, perodo 20002010 (Elaboracin propia fuen-
te BCRA).
Se observa cmo han cado los prstamos al sector ser-
vicios; han subido casi diez puntos porcentuales los prs-
tamos personales, despus de bajar en los aos inmediata-
mente posteriores al n de la convertibilidad; por otra par-
te, han subido ligeramente los prstamos a la produccin
primaria y a la industria manufacturera. Los dems rubros
se mantuvieron en porcentajes menores al 10 %y en niveles
relativamente similares.
Tambin querramos saber si la distribucin de los prs-
tamos entre los distintos sectores es parecida en todas las
provincias. Si vemos la distribucin de los prstamos en
el principal distrito del pas, la provincia de Buenos Aires,
tendremos los porcentajes que se observan en la siguiente
tabla.
Sector 2010
No identicada 3,07 %
Personales 54,08 %
Produccin Primaria 12,35 %
Industria Manufacturera 9,75 %
Electricidad, gas y agua 0,20 %
Construccin 0,77 %
Comercio al por mayor y menor 6,82 %
Servicios 12,97 %
Total
100,00 %
Tabla 1. Destino prstamos por n sectorial provincia Buenos Ai-
res, ao 2010 (Elaboracin propia fuente BCRA).
Vemos aqu que los prstamos personales en la provin-
cia de Buenos Aires son superiores al promedio nacional
en el ao 2010; los prstamos a la produccin primaria es-
tn aproximadamente en el mismo nivel; los prstamos a
la industria manufacturera son inferiores (un 9,75 % en la
provincia de Buenos Aires contra el 15 % nacional), lo mis-
mo que los prstamos al sector servicios (son casi el 13 %
en la provincia de Buenos Aires, contra el 26 % a nivel na-
cional).
Otro territorio interesante de analizar, en cuanto a los
prstamos recibidos, es la ciudad de Buenos Aires. Veamos
cuales han sido el porcentaje de prstamos en la Tabla 2.
Sector 2010
No identicada 4,48 %
Personales 22,05 %
Produccin Primaria 9,82 %
Industria Manufacturera 19,10 %
Electricidad, gas y agua 2,24 %
Construccin 2,22 %
Comercio al por mayor y menor 5,04 %
Servicios 35,04 %
Total
100,00 %
Tabla 2. Destino prstamos por n sectorial en la ciudad de Bue-
nos Aires, ao 2010 (Elaboracin propia fuente BCRA).
Se aprecia que el 22 % de los prstamos se destinaron a
los prstamos personales (bastante menos que en el pas y
en la provincia de Buenos Aires). Es de destacar tambin
que el 9 % de los prstamos se destin a la produccin pri-
maria, ligeramente menor al 12 % del resto del pas y de la
provincia de Buenos Aires.
Este dato puede resultar curioso, ya que la ciudad de
Buenos Aires, un territorio enteramente urbanizado, no tie-
ne produccin primaria. Sin embargo, ello se explica por-
que muchas de las casas centrales de empresas que se dedi-
can a la produccin primaria se encuentran radicadas en la
ciudad de Buenos Aires, con lo cual los prstamos aparecen
correspondientes a esta ciudad. 19 % de ellos se destinaron
a empresas manufactureras, porcentaje mayor al visto en el
pas y en la provincia de Buenos Aires. Esto no es de extra-
ar, ya que muchas empresas industriales tambin tienen
su sede central en la ciudad capital del pas, aunque sus
plantas se encuentren en otros lugares. Un 35 %de los prs-
tamos se destinan a las empresas del sector servicios. Esta
cifra es similar a la que se observa en la provincia de Bue-
nos Aires, pero es mayor al porcentaje para todo el pas. La
proporcin de prstamos que reciben las empresas dedica-
das al comercio (un 5 %) es ligeramente menor al 6 % que
se observa en el pas y en la provincia de Buenos Aires.
Nos gustara saber qu provincias se destacan por tener
la mayor proporcin y la menor proporcin de prstamos a
cada sector. En 2010, por ejemplo, la mayor proporcin de
prstamos a la industria manufacturera se dio en la ciudad
de Buenos Aires, con el 19,10 % de todos los prstamos; la
menor en Formosa, con el 0,75 %. Este resultado es natu-
ral, si uno considera que la ciudad de Buenos Aires es sede
de muchas empresas manufactureras (an si las plantas es-
tn ubicadas en otros territorios), mientras que un Formosa
ocupa un lugar marginal en cuanto a su relevancia econ-
mica.
La mayor proporcin de prstamos a la produccin pri-
maria se dio en la provincia de La Pampa, con el 33,91 %
de ellos. Tal resultado no es demasiado sorprendente, ya
que la economa de La Pampa se basa en gran parte en la
produccin agropecuaria. El menor porcentaje de prsta-
mos a la produccin primaria se dio en Formosa, con el
1,33 %. Formosa tuvo tambin el mayor porcentaje de prs-
tamos personales (el 88,29 % de todos los prstamos). Este
monto elevado sugiere que en esa provincia, muchas em-
presas sacan prstamos a nombre de sus dueos. El menor
porcentaje de prstamos personales se dio en la ciudad de
Buenos Aires, donde estos fueron el 22,05 % del total. Esto
puede sugerir una operatoria bancaria mas transparente en
la capital del pas, ya que no hay necesidad de simular el
destino de los prstamos.
Otros datos curiosos muestran que el mayor porcenta-
je de prstamos a la construccin se dio en la provincia de
Santa Cruz, con el 25,46 % del total dirigido a este sector.
Esto puede sugerir de un boom inmobiliario en esa provin-
cia. El menor porcentaje de prstamos a la construccin se
dio en la provincia de Buenos Aires, con el 0,77 % de todos
los prstamos.
El mayor porcentaje de prstamos destinados al sec-
tor servicios se dio en la ciudad de Buenos Aires, con el
35,04 %; el menor porcentaje otorgado fue en la provincia
de Catamarca, con el 3,94 %.
3.3 Formacin de conglomerados
Se dijo que el objetivo del trabajo era determinar si hay
diferencias entre provincias argentinas en la participacin
del destino de los prstamos bancarios, de acuerdo a la ac-
tividad econmica. Se formaron los clusters a partir de los
datos suministrados por el Banco Central de la Repblica
Argentina (B.C.R.A.) para el primer trimestre de 2010; las
variables que se utilizaron, fueron el destino de los prsta-
mos por actividad econmica, como se detallan a continua-
cin:
No identicada.
Personas fsicas en relacin de dependencia laboral.
Agricultura, ganadera, caza y silvicultura.
Pesca, explotacin de criaderos de peces.
Explotacin de minas y canteras.
Industria manufacturera.
Electricidad, gas y agua.
Construccin.
Comercio al por mayor y al por menor.
Hotelera y restaurantes.
Transportes, almacenamiento y comunicaciones.
Intermediacin nanciera y otros servicios nancie-
ros.
Inmobiliarios, empresariales y de alquiler.
Administracin pblica, defensa y seguridad social.
Enseanza, servicios sociales y de salud.
Otros.
Para cada provincia, se tiene cual es la participacin de
estos sectores. Los grupos formados son los ms homog-
neos posible, por lo tanto las provincias o regiones que lo
conforman son muy parecidas en la estructura crediticia
por sector econmico. En el anexo, se observa el promedio
simple de la participacin de cada sector en los conglome-
rados. Se aprecia que el principal destino de los prstamos
bancario es el nanciamiento a personas fsicas en relacin
de dependencia laboral.

Figura 6. Dendograma que utiliza una vinculacin de Ward (Elaboracin propia).
El anlisis de los promedios simples de las participa-
ciones permite determinar el grado de homogeneidad que
tienen los grupos, medido a travs del coeciente de varia-
cin, y denido como:
Coeciente de variacin cv =

x
donde:
= desvo estndar, (1)
x = media. (2)
Los datos para Provincia de Buenos Aires estn divididos
en Conurbano e Interior; dadas las distintas caractersti-
cas que tienen ambas zonas, en el proceso de conformacin
de los conjuntos la informacin es procesada por regiones,
sin considerar la provincia en su conjunto. Las diferencias
mencionadas entre el Conurbano y el Interior de Buenos
Aires quedan en evidencia al ver que estn en distintos
conglomerados.
3.4 Nmero de conglomerados
El anlisis jerrquico de conglomerados da la posibili-
dad de elegir el nmero de soluciones nal de grupos que
se pueden formar; ese nmero vara desde cada observa-
cin. Su puede congurar desde un grupo hasta un solo
conglomerado que incluya al total de los elementos.
Existen varias herramientas para decidir cul es el n-
mero ptimo de clsteres; una de ellas es el dendograma,
que es una representacin grca en forma de rbol que
resume el proceso de agrupacin en un anlisis de clste-
res. Los objetos similares se conectan mediante enlaces cu-
ya posicin en el diagrama est determinada por el nivel
de similitud/disimilitud entre los objetos. De este modo,
se reeja el historial de conglomeracin, que indica como
cada individuo que forma un grupo independiente se va
agrupando con los ms cercanos hasta forman un solo gru-
po.
El software SPSS propone el dendograma como medio
para determinar el nmero de clsteres en forma directa.
Otra forma de hacerlo es mediante el clculo de la tasa de
variacin entre los coecientes conglomeracin que se ob-
tienen en las distintas etapas en las que se fusionan los gru-
pos. Este mtodo, propuesto por Hair, Anderson, Tatham
y Black, sugiere que el momento de detener las fusiones es
cuando la tasa de variacin sea signicativamente superior
a la anterior.
Si se analiza el dendograma, se observa que se inicia
con nueve conglomerados que se van fusionando, hasta
que a una distancia de 25 se forma un solo grupo. En es-
te punto, la literatura
3
sugiere que haciendo un corte a una
distancia de 13 unidades, quedan determinados dos gru-
pos; sin embargo, tambin se puede apreciar que tres es
una solucin posible, dado el importante salto que se ob-
serva despus de la formacin de tres conglomerados.
Aplicando la tcnica de determinacin de nmeros con-
glomerados, de acuerdo al historial de conglomeracin, se
puede inferir que el nmero de grupos es dos, dado que
el mayor salto en la tasa de variacin de los coecientes es
entre la etapa 23 y 24, donde se forman dos clsteres.
Si bien en la primera etapa hay una variacin importan-
te en la tasa de variacin, esto supondra que cada provin-
cia o regin formara un clster.
Etapa Coecientes
Tasa de
variacin
Grupos
1 13,8 170,7 % 24
2 37,4 72,1 % 23
3 64,4 58,7 % 22
4 102,1 39,8 % 21
5 142,8 29,5 % 20
6 184,9 24,2 % 19
7 229,6 24,0 % 18
8 284,8 21,2 % 17
9 345,3 20,5 % 16
10 415,9 17,2 % 15
11 487,6 15,0 % 14
12 560,8 20,0 % 13
13 673,0 17,9 % 12
14 793,3 19,7 % 11
15 949,7 19,2 % 10
16 1132,1 23,6 % 9
17 1399,6 19,3 % 8
18 1670,4 29,1 % 7
19 2156,0 25,6 % 6
20 2708,7 27,2 % 5
21 3444,3 23,0 % 4
22 4235,1 44,5 % 3
23 6121,0 81,6 % 2
24 11115,6 1
Tabla 3. Historial de conglomeracin
Si bien desde el punto de vista estadstico el nmero de
conglomerados sera dos, es importante destacar que, pa-
ra los nes analticos del presente trabajo se consideraron
nueve (los primeros grupos que muestra el dendograma)
dadas las caractersticas sociales y econmicas de la Rep-
blica Argentina, en la cual la Ciudad Autnoma de Buenos
Aires tiene particularidades que la diferencian claramente
del resto del pas.
Junto con lo anterior, la formacin de estos conglome-
rados (con mayor desagregacin), permitir comparar la
estructura productiva de cada uno, medido como la con-
tribucin de los sectores econmico en el Producto Bruto
Geogrco provincial, con la participacin de cada activi-
dad en la demanda de crdito bancario.
3
Ver por ejemplo [10].
3.5 Anlisis por conglomerado
La Ciudad de Buenos Aires es el nico integrante del
primer conglomerado, por ser la sede del gobierno nacio-
nal y de las casas matrices de las principales empresas. Por
tanto, gran parte del crdito comercial se concentra all,
aunque las actividades econmicas no se realicen en ese
distrito, tal como se mencion anteriormente. El promedio
de prstamos por habitante es treinta y tres mil pesos.
Concentraba el 56 % del total de prstamos del sistema
al primer trimestre de 2010. Es particularmente importante
la representatividad que tiene en actividades tales como la
minera (91 %), aunque haya que aclarar que all es nula la
actividad extractiva. Siete de cada diez pesos destinados a
nanciar la industria provienen tambin de este clster.
De modo similar, un tercio del crdito bancario desti-
nado al sector agropecuario surge de all. Adems, tienen
gran relevancia los sectores de: electricidad, gas y agua, in-
termediacin nanciera y otros servicios nancieros, admi-
nistracin pblica, defensa y seguridad social.
Clster Provincia
1 Capital Federal
2
Catamar
Formosa
3
Cordoba
Santa Fe
4
Corrientes
Chubut
Juyuy
Neuquen
Santiago del Estero
Tierra del Fuego
5
Chaco
San Luis
Santa Cruz
6
Entre Rios
La Pampa
7 La Rioja
8
Mendoza
Rio Negro
Salta
Tucuman
Interior Buenos Aires
9
Misiones
San Juan
Conurbano Buenos Aires
Tabla 4. Historial de conglomeracin
Los prstamos destinados a personas fsicas en relacin
de dependencia laboral implican el 22 % de la cartera de
crditos del conglomerado y el 37 % del total nacional en
este rubro, con una poblacin ligeramente superior al 7 %
del pas; esto obedece principalmente a la importante mo-
vilidad laboral entre la Ciudad Autnoma de Buenos Aires
y los veinticuatro municipios del Conurbano
4
. Por lo tanto
a habitantes de la Provincia de Buenos Aires les son otor-
gados prstamos en entidades bancarias de la ex Capital
Federal.
Adems, el ingreso promedio de la Ciudad de Buenos
Aires es signicativamente mayor, por lo tanto los montos
que se nancian tambin son mayores. El segundo conglo-
merado lo forman las provincias de Catamarca y Formo-
sa, que reciben el 0,4 % del total de prstamos del sistema
bancario. El promedio por habitante es de setecientos cin-
cuenta y dos pesos, el ms bajo de los nueve clsteres. Si lo
comparamos con el anterior, ste es cuarenta y cuatro veces
menor.
Casi el 85 % del nanciamiento se destina a personas f-
sicas en relacin de dependencia laboral, y slo el 3,6 % a la
actividad productiva (sector agropecuario e industrial). El
comercio y los servicios renen uno de cada diez pesos y la
construccin el 1,4 %. Estos distritos, en especial Formosa,
son los de menores ingresos a nivel nacional, de acuerdo
a la Encuesta Permanente de Hogares
5
. El nanciamiento
medio a este sector es de seiscientos treinta y seis pesos por
habitante.
El tercer conglomerado est compuesto por las provin-
cias de Crdoba y Santa Fe, en las cuales tiene un impor-
tante desarrollo la actividad agropecuaria e industrial. En
conjunto, suman el 12 % del total de crditos, con un pro-
medio de tres mil ciento veinte pesos por habitante, el se-
gundo entre los nueve conglomerados.
El 41 % del crdito se destina a las principales activida-
des productivas de la provincia (26,3 % al sector agrope-
cuario y 14,3 % a la industria); a nivel nacional, stas dos
provincias concentran algo ms del 30 % del crdito al sec-
tor primario y el 11 % del manufacturero. El 28 % tiene co-
mo n el comercio y los servicios; en particular, el primero
representa uno de cada diez pesos.
Los prstamos a personas fsicas en relacin de depen-
dencia laboral son casi el 28 % del conjunto de crditos
del conglomerado, representando el 10 % a nivel nacional.
El nanciamiento medio a este sector por habitante es de
ochocientos sesenta y cuatro pesos. De este grupo de pro-
vincias, se puede inferir que el crdito solicitado dentro de
sus lmites se destina en parte signicativa al nanciamien-
to de la produccin de bienes.
En el cuarto conglomerado, se observa cierta heteroge-
neidad entre las caractersticas de las provincias, pero tie-
nen una estructura crediticia similar. El 4,3 % de los crdi-
tos nacionales se destinan en esta regin.
Dos tercios de los prstamos se canalizan a personas f-
sicas en relacin de dependencia laboral. El mayor valor se
observa en la Jujuy con el 76 %; en segundo lugar se ubica
Santiago del Estero con el 69 %. Existen indicios que existe
una correlacin negativa entre el ingreso de la poblacin y
la participacin de este sector dentro del complejo.
4
La Ciudad Autnoma de Buenos Aires y el Conurbano forman el Gran Buenos Aires.
5
De acuerdo a datos del cuarto trimestre de 2010 conglomerados Gran Catamarca y Formosa.
La agricultura y la industria reciben, cada una, el 5,2 %,
con un mximo del 12 % en Corrientes en el primer sec-
tor y el 10 % en Tierra del Fuego en el manufacturero. Las
actividades relacionadas con la explotacin de recursos na-
turales es casi el 1 % del total. Este porcentaje resulta con-
siderablemente bajo, si tomamos en cuenta que, en cuatro
de estas seis provincias, el sector minero (en especial, la ex-
traccin de hidrocarburos y gas) es un sector con impor-
tante participacin en el Producto Bruto Geogrco (PBG).
En las provincias de Chubut y Tierra del Fuego implican el
2,15 % y el 1,15 %, respectivamente.
La pesca es una actividad importante en las provincias
mencionadas en el prrafo anterior; en ellas, representa el
3,6 % en Tierra del Fuego y 2 % en Chubut. Esto evidencia
lo que se mencion con anterioridad: que no siempre la lo-
calizacin del otorgamiento del crdito coincide en donde
se realiza la actividad econmica. Uno de cada cinco pesos
se destina al comercio y los servicios.
La heterogeneidad mencionada anteriormente tambin
hace referencia a los dispares niveles de ingresos que tienen
los habitantes de las provincias que conforman este conglo-
merado; ello implica que la relacin prstamos/personas
alcance aqu sus valores extremos: Corrientes, con cuatro-
cientos noventa y tres pesos y Tierra del Fuego, cuatro mil
doscientos pesos, una diferencia de ocho a uno.
El quinto estrato est formado por tres provincias que
geogrcamente estn ubicadas al norte, centro y sur del
pas: Chaco, San Luis y Santa Cruz respectivamente. En
conjunto, rene el 1,8 % de la masa total crediticia del pas.
El principal componente de similitud entre los prsta-
mos es el otorgado a personas fsicas en relacin de de-
pendencia laboral, con el 54 % de participacin promedio
ponderado. Existen importantes diferencias en el nivel de
ingreso de la poblacin de estas tres provincias, pero, en
trminos de estructura crediticia, estas disimilitudes no se
maniestan en forma signicativa. Agrupan el 13 % de los
crditos destinados al sector de la construccin, siendo la
provincia patagnica el caso ms relevante, pues all uno
de cada cuatro pesos de la cartera crediticia nancia a este
rubro. Pese a la importante actividad petrolera y minera en
Santa Cruz, los crditos otorgados a este sector no alcanzan
al 1 % del total provincial.
El nanciamiento a la actividad agropecuaria tiene cier-
ta relevancia en las provincias de Chaco y San Luis; en esta
ltima provincia, el sector industrial slo recibe aproxima-
damente el 4 % de los prstamos. En conjunto los sectores
productores de bienes explican cerca del 7 % del volumen
de crditos.
El crdito por habitante es de mil setecientos cincuenta
y cinco pesos y novecientos cuarenta y seis para personas
fsicas en relacin de dependencia laboral; es casi ocho ve-
ces menos al observado para la Ciudad Autnoma de Bue-
nos Aires. Dentro de este clster se observa que la diferen-
cia del ingreso de la poblacin incide en que los crditos a
este sector en la provincia de Santa Cruz (dos mil cien pe-
sos per cpita) sean tres veces superiores a los registrados
en Chaco y San Luis.
El sexto grupo lo forman Entre Ros y La Pampa, en el
cual ambas aportan el 2,2 % del stock de crditos para el
perodo analizado. Los sectores productores de bienes de-
mandan el 36,4 %del total de prstamos del conglomerado,
siendo el agropecuario el ms importante, con el 29 %; en
el caso de La Pampa, este porcentaje asciende al 34 %. En
conjunto estas provincias tienen un peso importante en el
nanciamiento al sector agropecuario, dado que reciben el
6,3 % de stock de crditos a nivel nacional
La industria tiene una baja incidencia en el promedio
ponderado, se destaca este sector en la provincia de Entre
Ros con el 8,6 %, triplicando al registrado en el otro distri-
to. El resto de las actividades productoras de bienes (tran-
sables o no) tienen una participacin marginal. Por ltimo,
el comercio y los servicios absorbieron menos de un quinto
de los prstamos otorgados.
En Entre Ros y La Pampa, coinciden la participacin
de los crditos destinados a las personas fsicas en relacin
de dependencia laboral (39,7 %); pero al analizarlo por ha-
bitante, el de La Pampa duplica al observado en Entre Ros
(aproximadamente dos mil cien pesos y mil cuatrocientos
pesos per cpita). De acuerdo a la EPH, el ingreso de los
conglomerados pertenecientes a la provincia mesopotmi-
ca son alrededor de un 25 % inferior.
El sptimo conglomerado lo forma nicamente la pro-
vincia de La Rioja que, en ningn sector productivo tie-
ne relevancia a nivel nacional. Representa apenas el 0,34 %
del total de crditos nacionales. El principal destino de los
prstamos es el nanciar a personas fsicas en relacin de
dependencia laboral (55 % del stock de crditos), con un
promedio per cpita de novecientos cuarenta y siete pesos.
El segundo sector en importancia es el crdito destina-
do a la administracin pblica, defensa y seguridad social
de la provincia, dado que concentra uno de cada cuatro
pesos otorgados en prstamos dentro del territorio provin-
cial. Agrupando los rubros de comercio y servicios, estos
explican un tercio del crdito.
Las actividades productivas (de bienes transables) tie-
nen una escasa participacin en el nanciamiento local: s-
lo el 9,3 %; de este, los dos tercios le corresponden a la in-
dustria manufacturera. La minera tiene una participacin
marginal.
El octavo conglomerado lo forman Mendoza, Ro Ne-
gro, Salta, Tucumn e Interior de la provincia de Buenos Ai-
res, siendo el segundo en importancia por la participacin
a nivel nacional, que alcanza al 13,7 %. Las personas fsicas
en relacin de dependencia laboral demandan un quinto
de los prstamos otorgados a nivel nacional; a su vez, este
sector explica la mitad del nanciamiento del clster; con
porcentajes que varan del 45 % en Mendoza a 56 % en Tu-
cumn.
El promedio por habitante es de mil ochenta pesos, y no
se aprecian diferencias de importancia entre las cinco pro-
vincias; los valores ms bajos se encuentran en Mendoza,
Ro Negro y Salta con alrededor de novecientos diez pesos
per cpita; en el Interior de Buenos Aires, el mayor con el
algo ms de mil doscientos pesos.
El crdito otorgado a los sectores primarios y secunda-
rios productores de bienes alcanzan a uno de cada cua-
tro pesos otorgados; dos tercios de estos le corresponden
al sector agropecuario. Vale aclarar que en el Interior de
Buenos Aires se concentra una parte muy importante de
la produccin agrcola ganadera nacional. La participacin
mnima se ubica en Mendoza (6,5 %), y la mxima en el In-
terior de Buenos Aires, con el 20 %. La industria tiene ma-
yor importancia en Mendoza, con el 14,9 %, y en Ro Negro
el 5,3 %. El comercio y los servicios renen el 20 %del stock
de crditos para el perodo analizado.
El noveno conglomerado se forma con las provincias de
Misiones, San Juan y el Conurbano de Buenos Aires; desde
aqu se demandan el 9 % del volumen de prstamos otor-
gados. En trminos per cpita, es la segunda regin con
menor nivel de prstamos (mil trescientos diecisiete pesos);
esto puede obedecer, como se indic anteriormente, a que
habitantes y empresas del Conurbano Bonaerense tramiten
las solicitudes crediticias en la Ciudad Autnoma de Bue-
nos Aires.
El 58 % del nanciamiento tiene como destinatario a
personas fsicas en relacin de dependencia laboral. El pro-
medio por habitante de este sector alcanz setecientos se-
tenta y tres pesos. Entre las actividades productores de bie-
nes se destaca el nanciamiento a la industria manufactu-
rera, con el 14 %. En conjunto agrupan al 18 % del crdito
otorgado. En la provincia de San Juan, tiene cierta relevan-
cia el nanciamiento a la actividad minera. Los sectores li-
gados a la agricultura son ms importantes en Misiones y
San Juan, (7,3 % y 6,6 % respectivamente).
El comercio y servicios concentran alrededor del 18 %;
de ste porcentaje, un tercio le corresponde al comercio al
por mayor y al por menor.
3.6 Anlisis de ANOVA
Mediante un seudoanlisis de la varianza como lo de-
nomina Uriel,
6
se puede establecer si los valores medios
que toman las variables en cada uno de los grupos son di-
ferentes o no. A partir de los datos (ver tabla 7 en anexo)
se puede observar que existen diferencias en las medias de
cada variable por conglomerado especialmente en las que
tienen mayor representatividad, como son los prstamos
destinados a personas fsicas, sector manufacturero, agri-
cultura y ganadera.
En cambio, aquellos sectores que tienen una participa-
cin marginal en el stock de crditos, como son la pesca y
sus actividades conexas, hotelera y restaurantes, no mues-
tran evidencias de diferencias signicativas entre los nueve
grupos seleccionados.
Esto dara indicios de que los sectores con baja repre-
sentatividad se podran fusionar con otros con los que tu-
vieran alguna anidad, como son las actividades econmi-
cas que, en conjunto, forman el sector servicios.
4 Conclusiones
El principal tipo de prstamos en el pas, en los ltimos
aos, es el de prstamos personales (33 % en el 2010). Pe-
ro este dato es para tomar con pinzas, es posible que mu-
chos prstamos destinados a empresas hayan sido emitidos
a nombre de sus titulares.
El principal sector al que se destinaron los prstamos
en la mayor parte de los aos de la dcada pasada (hasta el
ao 2007) fue al sector servicios.
Hay considerable diferencia entre las distintas provin-
cias en los sectores a los que se dirigen sus prstamos. Esto
no debe sorprendernos, si se considera que los prstamos
se relacionan mucho con la estructura productiva de cada
provincia. As, la Ciudad de Buenos Aires destina gran par-
te de sus prstamos a la industria manufacturera, mientras
que una provincia como La Pampa, a su produccin pri-
maria.
Con referencia al anlisis de clster, esto fue un abor-
daje exploratorio para empezar estudiar algn patrn de
comportamiento en la estructura crediticia de las provin-
cias.
Se puede observar claramente un fenmeno que pode-
mos denominar la falta de Federalismo Financiero, esto
es, la elevada concentracin del crdito en la Ciudad Au-
tnoma de Buenos Aires, puede ser un factor que altere
la posibilidad de aplicar polticas pblicas de desarrollo a
la actividad productiva. El elevado porcentaje de crditos
otorgados a personas fsicas explica que gran parte del cr-
dito bancario tenga como destino el fomento al consumo,
en perjuicio de la actividad productiva. Adems, esto pue-
de explicarse por el escaso desarrollo de la banca privada
en el interior del pas, especialmente en las provincias que
no tienen altos niveles de desarrollo o escasa poblacin. La
excepcin a esta armacin se da en algunas provincias
con economas regionales desarrolladas, como lo pueden
ser Crdoba y Santa Fe, en las cuales se observa claramen-
te como se canaliza el crdito de las entidades locales.
Referencias
[1] Anastasi Alejandra, Bebczuk Ricardo, Elosegui Pedro
y Sangiacomo Mximo, Diversicacin geogrca, pro-
ductiva y por deudores y su efecto sobre la calidad de la car-
tera crediticia en Argentina, Banco Central de la Repu-
blica Argentina, Documento de trabajo N
o
36, (2008).
6
Ver [10], pgina 63.
[2] Debraj Ray, Economa del Desarrollo, Antoni Bosch Edi-
tor, Barcelona, (2002).
[3] Gutirrez Cabello Adrin y Salama Andrs, Las Pymes
Industriales del Partido de General San Martn: Relaciones
entre Empleo, Inversin y Exportacin presentado en el
5to Congreso Internacional sobre las Micro, Pequeas
y Medianas Empresas del Siglo XXI llevado a cabo en
Mlaga, Espaa (Enero 2010)
[4] Gutirrez Cabello, Adrin y Salama Andrs, Relacin
entre la estructura productiva de una regin y la evolu-
cin de sus variables monetarias: una aplicacin del anlisis
multivariado a la provincia de Buenos Aires en Panorama
Econmico y Financiero N
64, pginas 53 66, Sep-

tiembre 2010; Universidad Nacional de San Martn.
[5] Gutirrez Cabello Adrin y Salama Andrs, Anlisis
regional de la estructura productiva de la Provincia de Bue-
nos Aires y su impacto sobre las variables monetarias pre-
sentado en la Primera Reunin Anual de la Sociedad
Argentina de Economa Regional llevada a cabo en la
Universidad de San Martn en noviembre de 2010.
[6] Lliteras Miguel y Salloum Damin, El mecanismo de
transmisin monetaria en la Argentina bajo racionamien-
to de crdito, Universidad Nacional del Sur, (2002).
[7] Ministerio de Economa y Finanzas Pblicas de la Re-
pblica Argentina, Distribucin regional y sectorial del
crdito bancario en la post convertibilidad, Nota tcnica
N
o
28, (2010).
[8] Prez Cesar, Econometra avanzada. Tcnicas y herra-
mientas, Pearson, (2008).
[9] Sala i Martn Xavier, Apuntes de crecimiento econmico,
Antoni Bosch Editor, (2002).
[10] Uriel Ezequiel y Alds Joaqun, Anlisis Multivariante
Aplicado, Thomson, (2005).
[11] Proyecto Ceades, Contenedor Hipermedia de Estadsticas
Aplicadas a la Economa y Ciencias Sociales, Universidad
de Valencia, 2007.
C
o
n
g
l
o
m
e
r
a
d
o
D
a
t
o
s
N
o
i
d
e
n
t
i
-
c
a
d
a
P
e
r
s
o
n
a
s
f
s
i
c
a
s
e
n
r
e
l
a
c
i
n
d
e
d
e
p
e
n
d
e
n
c
i
a
l
a
b
o
r
a
l
A
g
r
i
c
u
l
t
u
r
a
,
g
a
n
a
d
e
r
a
,
c
a
z
a
y
s
i
l
v
i
c
u
l
t
u
r
a
P
e
s
c
a
,
e
x
p
l
o
t
a
c
i
n
d
e
c
r
i
a
d
e
r
o
s
d
e
p
e
c
e
s
E
x
p
l
o
t
a
c
i
n
d
e
m
i
n
a
s
y
c
a
n
t
e
r
a
s
I
n
d
u
s
t
r
i
a
m
a
n
u
f
a
c
t
u
-
r
e
r
a
E
l
e
c
t
r
i
c
i
d
a
d
,
g
a
s
y
a
g
u
a
C
o
n
s
t
r
u
c
-
c
i
n
C
o
m
e
r
c
i
o
a
l
p
o
r
m
a
y
o
r
y
a
l
p
o
r
m
e
n
o
r
1
M
e
d
i
a
4
,
4
8
2
2
2
,
0
5
3
6
,
5
9
0
0
,
0
5
3
3
,
1
7
6
1
9
,
1
0
2
2
,
2
4
3
2
,
2
1
8
5
,
0
4
4
D
e
s
v
.
t
p
.
.
.
.
.
.
.
.
.
.
2
M
e
d
i
a
0
,
3
5
2
8
4
,
5
2
4
2
,
2
1
7
0
,
0
0
0
0
,
2
3
6
1
,
3
5
7
0
,
0
0
5
1
,
4
2
8
3
,
4
9
0
D
e
s
v
.
t
p
.
0
,
2
6
1
1
,
0
8
7
1
,
4
6
6
0
,
0
0
0
0
,
1
1
8
0
,
8
6
3
0
,
0
0
7
0
,
1
9
4
1
,
6
4
7
3
M
e
d
i
a
0
,
6
8
7
2
7
,
7
4
2
2
6
,
4
5
8
0
,
0
0
4
0
,
3
0
2
1
4
,
1
7
8
1
,
0
6
2
1
,
4
8
7
9
,
9
2
4
D
e
s
v
.
t
p
.
0
,
2
3
5
1
,
2
8
5
4
,
8
6
1
0
,
0
0
1
0
,
1
7
6
2
,
5
6
1
0
,
1
6
6
0
,
4
4
1
1
,
4
6
8
4
M
e
d
i
a
0
,
6
4
0
6
7
,
8
4
5
5
,
5
3
0
0
,
9
3
8
0
,
6
5
5
5
,
1
2
5
0
,
7
8
0
3
,
2
8
3
5
,
4
1
8
D
e
s
v
.
t
p
.
0
,
5
8
2
4
,
3
4
4
3
,
7
8
5
1
,
5
1
8
0
,
8
3
5
2
,
9
5
4
0
,
4
7
0
2
,
7
4
4
1
,
8
7
2
5
M
e
d
i
a
0
,
4
0
8
5
4
,
8
5
4
4
,
2
6
9
0
,
0
0
4
0
,
2
7
2
2
,
6
9
9
0
,
0
7
3
1
6
,
8
1
2
5
,
6
7
9
D
e
s
v
.
t
p
.
0
,
2
1
3
3
,
2
2
1
2
,
7
7
4
0
,
0
0
3
0
,
3
9
5
1
,
1
3
1
0
,
0
4
0
7
,
4
9
8
4
,
5
4
9
6
M
e
d
i
a
0
,
1
9
6
3
9
,
6
8
3
3
0
,
2
9
5
0
,
0
0
3
0
,
4
8
1
5
,
7
2
3
0
,
2
6
2
2
,
1
9
4
9
,
0
0
3
D
e
s
v
.
t
p
.
0
,
1
1
6
0
,
0
1
8
4
,
7
4
1
0
,
0
0
4
0
,
3
1
3
4
,
0
3
9
0
,
1
7
1
0
,
5
3
5
0
,
8
3
9
7
M
e
d
i
a
0
,
1
3
6
5
4
,
5
4
9
2
,
8
9
3
0
,
0
0
0
0
,
0
0
5
6
,
4
2
1
0
,
7
0
5
0
,
7
8
1
1
,
7
9
0
D
e
s
v
.
t
p
.
.
.
.
.
.
.
.
.
.
8
M
e
d
i
a
1
,
9
2
5
5
0
,
9
1
2
1
2
,
7
5
0
0
,
1
2
6
0
,
5
6
6
8
,
9
7
8
0
,
4
3
4
3
,
9
0
7
6
,
5
3
0
D
e
s
v
.
t
p
.
0
,
6
0
0
4
,
1
7
8
5
,
0
3
3
0
,
2
7
6
0
,
5
1
2
3
,
7
5
2
0
,
4
5
6
3
,
2
3
6
1
,
9
6
8
9
M
e
d
i
a
1
,
9
5
5
5
8
,
1
2
5
5
,
6
5
9
0
,
0
2
2
1
,
4
5
7
1
4
,
2
2
6
0
,
4
6
2
1
,
7
4
1
5
,
9
0
6
D
e
s
v
.
t
p
.
2
,
4
2
0
1
,
1
9
9
2
,
2
7
3
0
,
0
2
8
2
,
0
8
0
3
,
7
1
7
0
,
3
7
2
1
,
6
7
1
0
,
3
8
8
T
a
b
l
a
5
.
P
a
r
t
i
c
i
p
a
c
i
n
d
e
l
o
s
c
r
d
i
t
o
s
p
o
r
s
e
c
t
o
r
,
p
r
o
m
e
d
i
o
s
i
m
p
l
e
(
E
l
a
b
o
r
a
c
i
n
p
r
o
p
i
a
)
.
c
o
n
t
.
C
o
n
g
l
o
m
e
r
a
d
o
H
o
t
e
l
e
r
a
y
r
e
s
t
a
u
r
a
n
t
e
s
T
r
a
n
s
p
o
r
t
e
s
,
a
l
-
m
a
c
e
n
a
m
i
e
n
t
o
y
c
o
m
u
n
i
c
a
c
i
o
n
e
s
I
n
t
e
r
m
e
d
i
a
c
i
n
a
n
c
i
e
r
a
y
o
t
r
o
s
s
e
r
v
i
c
i
o
s
n
a
n
c
i
e
r
o
s
I
n
m
o
b
i
l
i
a
r
i
o
s
,
e
m
p
r
e
s
a
r
i
a
l
e
s
y
d
e
a
l
q
u
i
l
e
r
A
d
m
i
n
i
s
t
r
a
c
i
n
p
b
l
i
c
a
,
d
e
f
e
n
s
a
y
s
e
g
u
r
i
d
a
d
s
o
c
i
a
l
E
n
s
e
a
n
z
a
,
s
e
r
v
i
c
i
o
s
s
o
c
i
a
l
e
s
y
d
e
s
a
l
u
d
O
t
r
o
s
1
0
,
1
5
3
2
,
2
2
0
6
,
2
2
9
1
,
6
0
7
1
8
,
4
0
1
0
,
6
0
9
5
,
8
2
1
.
.
.
.
.
.
.
2
0
,
0
1
5
0
,
4
0
2
3
,
2
1
3
0
,
1
4
3
0
,
0
7
1
0
,
3
5
6
2
,
1
9
1
0
,
0
2
1
0
,
5
0
0
4
,
4
4
2
0
,
0
7
6
0
,
0
7
3
0
,
0
8
0
0
,
2
2
3
3
0
,
1
9
0
1
,
1
3
3
1
,
0
6
5
2
,
2
6
9
2
,
9
7
1
0
,
7
4
2
9
,
7
8
6
0
,
1
9
3
0
,
3
0
9
0
,
8
5
1
1
,
1
2
6
0
,
1
2
6
0
,
1
7
3
4
,
8
9
8
4
0
,
2
9
6
0
,
9
5
9
1
,
2
3
6
1
,
3
6
2
0
,
9
5
5
0
,
5
8
2
4
,
3
9
5
0
,
3
2
2
0
,
5
5
8
2
,
0
1
7
0
,
6
9
6
0
,
9
4
4
0
,
1
8
9
1
,
4
6
8
5
0
,
1
8
7
1
,
1
4
2
0
,
7
2
3
1
,
0
4
9
6
,
1
3
0
0
,
3
6
1
5
,
3
3
8
0
,
2
1
5
0
,
5
6
4
1
,
0
5
7
0
,
7
3
9
3
,
3
2
2
0
,
3
2
1
2
,
2
6
8
6
0
,
0
1
7
0
,
4
5
8
2
,
2
1
7
1
,
1
8
8
3
,
9
2
7
0
,
2
4
8
4
,
1
0
1
0
,
0
0
9
0
,
4
5
7
3
,
1
3
1
0
,
2
5
0
2
,
2
5
0
0
,
0
1
0
0
,
3
0
5
7
0
,
0
0
1
0
,
0
2
3
3
,
4
7
2
0
,
1
5
2
2
6
,
8
3
9
0
,
0
4
4
2
,
1
8
9
.
.
.
.
.
.
.
8
0
,
2
3
0
0
,
9
4
2
0
,
4
5
9
2
,
2
7
4
3
,
4
1
4
0
,
6
7
8
5
,
8
7
3
0
,
2
7
5
0
,
4
6
2
0
,
1
5
9
0
,
6
7
8
3
,
4
4
4
0
,
4
6
9
2
,
1
6
8
9
0
,
0
4
8
1
,
0
9
2
0
,
9
0
3
1
,
6
3
0
0
,
6
7
5
0
,
8
9
8
5
,
2
0
2
0
,
0
4
2
0
,
5
8
9
1
,
1
9
6
1
,
3
1
1
0
,
3
5
0
0
,
8
2
2
1
,
1
1
0
T
a
b
l
a
6
.
P
a
r
t
i
c
i
p
a
c
i
n
d
e
l
o
s
c
r
d
i
t
o
s
p
o
r
s
e
c
t
o
r
,
p
r
o
m
e
d
i
o
s
i
m
p
l
e
(
E
l
a
b
o
r
a
c
i
n
p
r
o
p
i
a
)
.
Suma de
cuadrados
gl
Media
cuadrtica
F Sig.
No identicada Intergrupos 23,753 8 2,969 3,151 0,024
Intragrupos 15,075 16 0,942
Total 38,828 24
Personas fsicas en relacin de dependencia Intergrupos 5885,699 8 735,712 61,754 0,000
laboral Intragrupos 190,617 16 11,914
Total 6076,316 24
Agricultura, ganadera, caza y silvicultura Intergrupos 1860,885 8 232,611 15,072 0,000
Intragrupos 246,938 16 15,434
Total 2107,823 24
Pesca, explotacin de criaderos de peces Intergrupos 3,724 8 0,465 0,630 0,742
Total 15,553 24
Explotacin de minas y canteras Intergrupos 9,825 8 1,228 1,440 0,254
Total 23,468 24
Industria manufacturera Intergrupos 554,418 8 69,302 7,212 0,000
Intragrupos 153,759 16 9,610
Total 708,178 24
Electricidad, gas y agua Intergrupos 5,258 8 0,657 4,623 0,004
Total 7,533 24
Construccin Intergrupos 554,158 8 69,270 5,595 0,002
Intragrupos 198,089 16 12,381
Total 752,246 24
Comercio al por mayor y al por menor Intergrupos 83,758 8 10,470 2,087 0,100
Total 164,030 24
Hotelera y restaurantes Intergrupos 0,282 8 0,035 0,592 0,771
Total 1,236 24
Transportes, almacenamiento y Intergrupos 3,790 8 0,474 1,764 0,159
comunicaciones Intragrupos 4,296 16 0,269
Total 8,086 24
Intermediacin nanciera y otros servicios Intergrupos 42,241 8 5,280 1,514 0,228
nancieros Intragrupos 55,798 16 3,487
Total 98,039 24
Inmobiliarios, empresariales y de alquiler Intergrupos 10,626 8 1,328 2,099 0,098
Total 20,748 24
Administracin pblica, defensa y seguridad Intergrupos 865,899 8 108,237 21,836 0,000
social Intragrupos 79,309 16 4,957
Total 945,208 24
Enseanza, servicios sociales y de salud Intergrupos 1,1466 8 0,143 0,865 0,564
Total 3,797 24
Otros Intergrupos 78,000 8 9,750 2,347 0,070
Total 144,462 24
Tabla 7. Anlisis de la ANOVA (Elaboracin propia).
Yannira Chvez - Pal Medina
Analti a
k
Estructura ocupacional y bono demogrfico en el
Ecuador
Estructura ocupacional y bono demogrco en el Ecuador
Yannira Chvez
y Pal Medina
Direccin de Estudios Analticos Estadsticos, Instituto Nacional de Estadstica y Censos, Quito, Ecuador
Universidad Estatal de Milagro, Milagro, Ecuador
Instituto Gregorio Milln, Universidad Carlos III de Madrid, Madrid, Espaa
yannira_chavez@inec.gob.ec, yaniris.mericita@gmail.com,

pmedinavz@gmail.com
Recibido: 2 de febrero de 2012 Aceptado: 15 de abril de 2012
Resumen
Entre los aos 1990 y 2012 Ecuador ha experimentado cambios demogrcos y socio-econmicos profundos, que han
afectado al mercado laboral, es decir, a su Poblacin en Edad de Trabajar (PET) y a su Poblacin Econmicamente Activa
e Inactiva (PEA, PEI respectivamente). Por tal motivo, este documento investiga el efecto que las tendencias demogrcas
y las condiciones laborales han tenido sobre estos parmetros. Para estos nes, se utilizan datos de las Estadsticas Vitales
desde el ao 1990 hasta el ao 2010; la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) en el mismo
perodo; y los Censos de Poblacin y Vivienda de 1990, 2001 y 2010. Se analiza de qu manera los cambios demogrcos de
los grupos en edad productiva afectan a la estructura ocupacional.
Palabras clave: mercado laboral, poblacin econmicamente activa, poblacin econmicamente inactiva, poblacin en
edad de trabajar, cambios demogrcos.
Abstract
From 1990 to 2012, Ecuador has experienced profound demographic and socio-economic changes that have affected
the labor market, that is, the Working-Age Population (WAP), Economically Active Population (EAP) and Economically
Inactive Population (EIP). This paper researches the effect that demographic trends and working conditions have on these
parameters, using data from the Vital Statistics1990-2010, Labor Force National Surveys 1990-2010 (Employment, Unem-
ployment and Underemployment ENEMDU) and Population and Housing Census (1990, 2001 and 2010). It analyzes
how demographic changes in working-age population affect the occupational structure.
Keywords: labor market, economically active population, economically inactive population, working-age population,
demographic changes.
Cdigo JEL: J00, J11, J24. MSC2000: 00A72, 11K45.
1 Introduccin
Durante la dcada pasada Ecuador experiment cam-
bios en el comportamiento de los patrones demogrcos
en los cuales, la natalidad, mortalidad y fecundidad jue-
gan un papel preponderante. Por ejemplo, en 1990 la tasa
de mortalidad era de 5 por mil habitantes; veinte aos ms
tarde, disminuy a 4 por mil habitantes [8]. Actualmente,
la esperanza de vida al nacer de una persona supera los 75
aos, mientras que en 1990 era de 69 aos, segn UNICEF
[9]. Por otra parte, la tasa de natalidad pas de un 3 % a
un 1,5 % y, la tasa de fecundidad, del 11 % al 5,17 %, en el
mismo perodo [8].
Al realizar una estimacin de los volmenes de pobla-
cin para conocer la futura demanda de servicios de edu-
cacin, de salud, de vivienda, o de puestos de trabajo, entre
Yannira Chvez y Pal Medina

otras, resulta especialmente relevante estimar las formas
en que la poblacin se incorpora a un modelo econmico
en el cual la accin del Estado, como agente productivo, se
reduce cada vez ms y el mercado se convierte en el meca-
nismo regulador de la actividad econmica [17]. Entonces,
los cambios demogrcos en la poblacin ecuatoriana afec-
tan de forma directa el crecimiento econmico; en particu-
lar, la produccin de bienes y servicios pues, al cambiar el
crecimiento poblacional por estructura etaria, esas modi-
caciones son capaces de producir modicaciones signica-
tivas en la estructura ocupacional, absorcin productiva y
movilidad estructural.
La evolucin de la estructura por edad, -en otras pala-
bras la dinmica poblacional- permite explicar cambios en
el mercado laboral en el mediano y largo plazo. En Ecua-
dor, al presentarse una disminucin de la natalidad y au-
mento de la esperanza de vida (como se detalla en la gura
4), existe una menor proporcin de la poblacin econmi-
camente dependiente (menores de 15 aos y mayores de 65
aos), mientras que la poblacin en edad de trabajar (15 a
64 aos de edad) alcanza su mximo histrico. Al existir es-
tas combinaciones demogrcas segn Welti [17] se consti-
tuye el denominado bono demogrco; ste, segn Flores
[6] brinda al pas la oportunidad irrepetible de invertir en
capital humano, para enfrentar los retos del desarrollo y
hacer frente al envejecimiento demogrco.
Por lo expuesto, el objetivo del artculo es mostrar las
caractersticas del crecimiento y la estructura demogrca
en el Ecuador, con sus implicaciones para el mercado labo-
ral. As, la dinmica poblacional que se ha presentado en
las ltimas dos dcadas, ha mostrado relevantes transfor-
maciones en su estructura por edad. En trminos generales,
Ecuador se encuentra en la fase tres de la transicin demo-
grca [2, 3], conocida como el nal de la transicin, que
se caracteriza por un proceso en el cual la tasa de natalidad
inicia un proceso de descenso.
El artculo se estructura como sigue: en la seccin 2 se
exponen aspectos tericos necesarios para el planteamien-
to del problema. En la seccin 3 se presentan los principales
resultados del estudio. En la seccin 4 se sealan las conclu-
siones ms relevantes y, al nal, en la seccin 5 se presentan
las recomendaciones.
2 Aspectos Tericos
Dado que la demografa aporta conocimientos para la
solucin de problemas sociales y discute su importancia
para la aplicacin de polticas sociales y econmicas [7], en
esta seccin se presentan algunas deniciones demogr-
cas utilizadas a lo largo del estudio.
DEFINICIN 1 (Transicin Demogrca, TD). Es un esque-
ma analtico a travs del cual se describen las etapas por las cua-
les una sociedad pasa de un rgimen demogrco tradicional a
uno moderno [17].
OBSERVACIN 1. La diferencia entre una sociedad y otra se de-
termina por la existencia de condiciones institucionales, trans-
formaciones culturales, y desarrollos tecnolgicos que permiten
una disminucin de la mortalidad y fecundidad.
Figura 1. Fases de la Transicin Demogrca. Fase 1: Antiguo r-
gimen demogrco; Fase 2: Comienzo de la transicin; Fase 3: Fi-
nal de la transicin; Fase 4: Rgimen demogrco moderno; Fase
5: Crecimiento cero. Fuente: Fecundidad en el Ecuador [9].
DEFINICIN 2 (Tasa de crecimiento natural, TCN). Es la di-
ferencia entre la tasa de natalidad (TN) y la tasa de mortalidad
(TM) que ocurre en un determinado lugar. Algebraicamente se
puede representar la relacin como
TCN = TN TM. (1)
OBSERVACIN 2. La diferencia ser positiva en el caso que exis-
ta mayor nmero de nacimientos que de muertes y negativa en el
caso contrario.
OBSERVACIN 3. La tasa de crecimiento natural se considera
alta si supera el 2 %, moderada si se encuentra entre el 1 % y el
2 %, y baja si es inferior al 1 % [12].
DEFINICIN 3 (Relacin de dependencia poblacional, RD).
Se dene como la razn entre la poblacin dependiente es decir,
poblacin mayor a 65 aos (P
65
) ms la poblacin menor a 15
aos (P
15
) y la poblacin en edad de trabajar; esta ltima se en-
cuentra entre los 15 y 64 aos (PET) [9]. Algebraicamente se
puede representar la relacin como
RD =
P
65
+ P
15
PET
. (2)
De la ecuacin (2), se derivan tres casos.
i) Si RD < 1, se tiene que
P
65
+ P
15
< PET. (3)
ii) Si RD = 1, se tiene que
P
65
+ P
15
= PET. (4)
iii) Si RD > 1, se tiene que
P
65
+ P
15
> PET. (5)
DEFINICIN 4 (Bono demogrco, BD). El bono demogr-
co, en una sociedad, se presenta cuando la relacin de depen-
dencia poblacional (RD) es menor a 1. En otras palabras se debe
cumplir la desigualdad (3).
OBSERVACIN 4. Cuando la poblacin dependiente (P
65
+P
15
)
es igual a la poblacin en edad de trabajar (PET), existe un punto
de corte, que indicara el inicio o n del bono demogrco.
OBSERVACIN 5. Cuando la poblacin dependiente (P
65
+P
15
)
es mayor que la poblacin en edad de trabajar (PET), no existe la
posibilidad de bono demogrco.
Dentro de la dinmica de poblaciones existen varios
modelos para representar y estudiar el comportamiento
poblacional [1, 5].
Los precursores de los estudios de la dinmica de po-
blaciones aplicando modelos matemticos se remontan a
Malthus [11] y Verhults [13] quines vivieron en el siglo
XVIII y XIX respectivamente y a Lotka [10] y Volterra [15]
los trabajos de estos ltimos se publicaron en los aos 20 y
30 del siglo pasado. Ms recientemente se han desarrolla-
do varios/nuevos modelos para representar y estudiar el
comportamiento poblacional [1, 5]. Sin embargo, el modelo
representado por la ecuacin logstica de poblacin [13, 16]
es uno de los ms aceptados y utilizados para realizar apro-
ximaciones del tamao poblacional. Por tal motivo, en el
presente estudio se utiliza dicho modelo.
DEFINICIN 5 (Ecuacin Logstica de la Poblacin). Si P
representa el tamao de la poblacin y t representa el tiempo, la
ecuacin logstica de la poblacin, queda formalizada por la si-
guiente ecuacin diferencial
dP
dt
= P(a bP), (6)
donde a corresponde a la tasa de natalidad y b a la tasa de morta-
lidad.
OBSERVACIN 6. Si se cumple la relacin b << a, de tal mo-
do que si P no es demasiado grande, entonces el trmino bP
2
es insignicante comparado con aP, de donde se deduce que la
poblacin crece exponencialmente [16].
OBSERVACIN 7. Al utilizar la ecuacin (6) para predecir el
crecimiento futuro de una poblacin aislada, si P
0
es la pobla-
cin en el tiempo t
0
, entonces P(t) la poblacin en el tiempo t,
cumplir que
P(t
0
) = P
0
. (7)
A la igualdad (7) se la conoce como condicin inicial para la ecua-
cin (6).
OBSERVACIN 8. La ecuacin (6) junto con la condicin inicial
(7), denen un problema de valor inicial, cuya solucin es [9]
P(t) =
aP
0
bP
0
+ (a bP
0
)e
at
0
. (8)
Tras revisar los conceptos que pueden ayudar a enten-
der los cambios poblacionales e implicaciones sociales, se
hace necesario observar la evolucin poblacional por es-
tructura de edad. Para ello, se necesita obtener una pro-
yeccin de las tasas de natalidad y mortalidad ya que los
cambios, concretamente, resultan de una disminucin de la
natalidad y un aumento en la esperanza de vida.
Por un lado, para la proyeccin de la tasa de natalidad,
se hace uso de la Simulacin de Monte Carlo, pues es apli-
cable a problemas estocsticos o determinsticos, a partir
de analizar distribuciones de variables aleatorias usando
simulacin de nmeros aleatorios. Por otro lado, para la ta-
sa de mortalidad no se realiza una proyeccin, sino que se
toma el ltimo dato real como la mejor aproximacin, pues
en los ltimos 17 aos la tasa de mortalidad se ha manteni-
do en el rango de 0,0047 a 0,0042.
2.1 Construccin del Bono Demogrco
En primer lugar, se hace uso de la ecuacin (8) para ob-
tener las proyecciones de la poblacin hasta el ao 2055,
con la que se obtiene el nmero global de la poblacin. En
segundo lugar, para la obtencin de las proyecciones por
estructura de edad es necesario realizar una estimacin de
la poblacin por rango de edades, es decir, de 0 a 14 aos,
de 15 a 64 aos y de 65 en adelante. Para ello, se realiza
una distribucin de la poblacin por rangos de edades, y
se proyecta a travs de la estimacin de la tasa de natali-
dad, realizada mediante una Simulacin Monte Carlo, y el
valor de la tasa de mortalidad del ao 2010. Por ltimo,
se determina la relacin de dependencia poblacional, RD,
establecida en la ecuacin 2.
El procedimiento que seguimos para obtener una pro-
yeccin por rango de edad bsicamente se basa en dos fa-
ses, las cuales se explican a continuacin:
Fase 1 Aqu se detallan los pasos para alcanzar la proyec-
cin de la poblacin total, anualmente.
(a) Obtener datos histricos del perodo 1990 -
2010 sobre el valor de la poblacin total y las
tasa de natalidad y mortalidad.
(b) Tomar de referencia los datos correspondien-
tes al ao de 1990, esto es, P
0
= 9 648 189, a=
32 por mil habitantes, b= 5 por mil habitantes.
Se proyecta la poblacin total anualmente, a
travs de la ecuacin (8), hasta el ao 2000.
(c) Actualizar los parmetros (P
0
,a,b), conside-
rando los datos arrojados por el censo de po-
blacin y vivienda del ao 2001. Se proyecta la
poblacin total anualmente hasta el ao 2009.
(d) Actualizar nuevamente los parmetros
(P
0
,a,b) para el ao 2011, considerando los
datos arrojados por el censo de poblacin y
vivienda del 2010. Se proyecta la poblacin
total anualmente hasta el ao 2055, y
(e) Mostrar que las proyecciones son consistentes
con el clculo del error relativo; con ello, se ve-
rica la calidad de las estimaciones; ste es de
0,05 y 0,02 para el ao 2001 y 2010 respectiva-
mente.
Fase 2 En esta fase se detalla el procedimiento para ob-
tener la proyeccin de la poblacin por rango de
edades, anualmente.
(a) A partir de la distribucin por edad del ao
1990, se realiza la proyeccin por edades para
los aos 1995 y 2000. Esto se basa en el valor
de la poblacin total obtenido en la Fase 1 y en
los nacimientos y muertes.
(b) Se actualiza la distribucin por edades en los
aos 2001 y 2010, con los datos que propor-
cionan los respectivos censos de poblacin y
vivienda.
(c) Se hace necesario conocer el nmero de naci-
mientos que hubo y habr desde el ao 2010
hasta 2055. Para ello, se estima tal cifra de
nacimientos mediante una Simulacin Monte
Carlo.
(d) Al conocer el nmero de nacimientos por pe-
rodo y la proporcin de muertes por rango
de edad, es posible estimar el nmero de per-
sonas por cada rango, a travs de un proceso
iterativo.
3 Resultados
En esta seccin, se presenta los principales resultados,
que nos permiten conocer los cambios demogrcos del
Ecuador, as como su relacin con el mercado laboral.
3.1 Transicin Demogrca
La evolucin de la tasa de natalidad y mortalidad en el
Ecuador (ver gura 2) ha presentado cambios que afectan
a la estructura poblacional. Se puede observar un descen-
so importante de la tasa de natalidad, desde el ao 1990
hasta el ao 2010. Esto podra explicarse por las transfor-
maciones sociales: el acceso a medidas anticonceptivas, la
priorizacin de los estudios por parte de sta, y el aumento
en la edad media para contraer matrimonio. Por otro lado,
en la tasa de mortalidad se puede observar un descenso
muy suave, incluso se podra manifestar que no ha varia-
do gran medida, un factor determinante para ello sera el
aumento de la esperanza de vida o supervivencia de los
individuos, al disminuir las muertes por enfermedades in-
fecciosas, principalmente.
Figura 2. Evolucin de la tasa de natalidad y mortalidad en el
Ecuador. Fuente: elaboracin propia a partir de la encuesta de na-
cimientos y defunciones.
De acuerdo con la teora de la transicin demogrca
de Warren [2, 3], el Ecuador se encontrara en la tercera
etapa; est se caracteriza por un importante descenso de la
tasa de natalidad (TN) y una tasa de mortalidad mantenida
en el tiempo (TM) (ver gura 1). La combinacin de bajas
tasas de natalidad y mortalidad dan como resultado una
tasa de crecimiento natural de alrededor del dos por ciento
anual (ver gura 3), la cual, de mantenerse, implicara que
la poblacin del pas se duplicar en poco ms de 35 aos.
Figura 3. Tasa de crecimiento Natural en el Ecuador. Fuente: ela-
boracin propia a partir de la encuesta de nacimientos y defun-
ciones.
3.2 Bono demogrco
En el caso de sociedades con una elevada tasa de creci-
miento natural, como era el caso de Ecuador en la dcada
de los 90 el descenso de la fecundidad es responsable de
la modicacin de la distribucin por edad. Como resulta-
do de esta transicin demogrca, la estructura etaria de la
poblacin ecuatoriana ha cambiado sustancialmente, como
se puede evidenciar en la gura 4; ello corresponde al bono
demogrco.
Figura 4. Bono demogrco en el Ecuador. Fuente: elaboracin
propia.
Se puede observar en la gura 4, relevantes transforma-
ciones en la estructura por edad. Dos de ellas son: la dismi-
nucin de la proporcin del grupo de nios (0-14 aos) y el
acelerado crecimiento de la poblacin en edad de trabajar
(15-64 aos); ambos han formado el llamado bono demo-
grco que, de acuerdo a los resultados encontrados para
el Ecuador, rige desde el ao 2009 hasta 2049.
Al existir una relacin favorable entre poblacin pro-
ductiva (los adultos) y poblacin no productiva (los nios
y ancianos), signicara la disminucin de la carga econ-
mica por productor y por tanto, la posibilidad de una mejor
distribucin de los bienes econmicos [4].
3.3 Migracin de la PEA y la PEI en los lti-
mos 5 aos
El aumento del bono demogrco y de la poblacin en
edad de trabajar no se traducen directamente en un aumen-
to del nmero de personas que ingresan en el mercado la-
boral o que se encuentren como Poblacin Econmicamen-
te Activa. En los ltimos cinco aos un gran porcentaje de
la poblacin comprendida entre los 15 a 25 aos de edad
se ha orientado a estudiar, evidenciado por los datos de in-
greso en los tres niveles educativos (bsica, bachillerato y
superior). De esta forma, en las guras 5, 6 y 7 se puede
observar que en los ltimos 5 aos la evolucin de la la Po-
blacin Econmicamente Inactiva es creciente, para los tres
niveles educativos (Bsica. Bachillerato, Superior). Ello evi-
dencia que un gran porcentaje de la poblacin comprendi-
da entre los 15 a 25 aos de edad se ha orientado a estudiar;
es decir, que ha migrado del mercado laboral, siendo sta
una razn por la que la Poblacin Econmicamente Activa
no aumenta en la misma proporcin que las personas en
edad de trabajar.
Figura 5. Educacin General Bsica de 5 a 14 aos de edad. Fuen-
te: elaboracin propia a partir de la ENEMDU.
En la gura 5 se puede observar que la PEA presen-
ta una tendencia a la baja; ello signican que existe una
menor participacin de nios (5 a 14 aos de edad) que
realizan trabajos remunerativos. Del mismo modo, la lnea
continua (PEI) es superior a la lnea discontinua (PEA), in-
dicando que el mayor porcentaje de individuos con Educa-
cin General Bsica se ubica dentro de la PEI.
Figura 6. Bachillerato de 15 a 18 aos de edad. Fuente: elaboracin
propia a partir de la ENEMDU.
En la gura 6 se puede observar que la PEA presenta
una tendencia a la baja, lo que signica que existe una me-
nor participacin de jvenes entre 15 y 18 aos de edad en
trabajos remunerativos. De modo similar, la lnea continua
(PEI) es superior a la lnea discontinua (PEA), indicando
que el mayor porcentaje de individuos con Bachillerato se
ubican en la PEI.
En la gura 7 se puede observar que la PEA presenta
una tendencia a la baja, lo que signica que existe una me-
nor participacin de jvenes entre 19 y 25 aos de edad en
trabajos remunerativos. De modo similar, la lnea disconti-
nua (PEA) es superior a la lnea continua (PEI), indicando
que el mayor porcentaje de individuos con Educacin Su-
perior se ubican en la PEA.
Figura 7. Superior de 19 a 25 aos de edad. Fuente: elaboracin
propia a partir de la ENEMDU.
4 Conclusiones
El cambio en la estructura por edad, presentar bene-
cios tangibles al generar una ventana de oportuni-
dad o bono demogrco, debido a una relacin cada
vez ms favorable entre la menor poblacin en edad
dependiente y la mayor poblacin en edad producti-
va.
Al existir una reduccin en el nmero de nacimien-
tos, a nivel agregado tiene un efecto positivo en el
corto y mediano plazo; ello se debe a que, al cambiar
la relacin de dependencia, se requerir gastar me-
nos para cubrir las necesidades de la poblacin de-
pendiente.
El aumento de personas entre 15 y 25 aos que estu-
dian, en los diferentes niveles educativos, es un fac-
tor que, en el momento actual, hace que la Pobla-
cin Econmicamente Activa no aumente en la mis-
ma proporcin que la Poblacin en Edad de Trabajar.
5 Recomendaciones
Como el bono demogrco permanecer vigente en
las cuatro prximas dcadas, se deber estimular un
crculo virtuoso entre empleo, ahorro e inversin, pa-
ra mejorar la productividad del pas.
En el Ecuador, el aumento absoluto y relativo de la
poblacin en edad de trabajar continuar durante las
prximas cuatro dcadas. Ser necesario ampliar la
planta productiva para contribuir al desarrollo y sol-
ventar la fuerte demanda de empleo. Al mismo tiem-
po se necesitarn establecer medidas scales y pol-
ticas sociales para el creciente grupo de la poblacin
mayor de 65 aos de edad.
Es necesario considerar la dinmica poblacional, la
distribucin por edades y sexo de la poblacin, junto
con el sistema econmico, para llevar a cabo la pla-
neacin econmica, social y demogrca del pas.
Referencias
[1] F. Brauer and C. Castillo, (2000), Mathematical
Models in Population Biology and Epidemiology,
Springer-Verlag, pp. 1-48.
[2] H. Cabeza, (2008), Teora de la Transicin Demogr-
ca, Per, pp. 1-20.
[3] L. Campos, (1999), La transicin demogrca en el
primer tercio del siglo XX, Universidad de Mlaga,
pp. 1-96.
[4] Y. Chvez y P. Medina, (2012), Determinantes de la
Temporalidad en el Mercado laboral ecuatoriano, Re-
vista de Mtodos Cuantitativos para la Economa y la
Empresa, ISSN: 1886-516X. D.L: SEP-2927-06, pp.24-
53.
[5] H. Freedman, (1980), Deterministic Mathematical
Models in Population Ecology, Marcel Dekker, Uni-
versidad de California, ISBN: 0824766539, pp. 1-76.
[6] M. Flores, (2008), Bono Demogrco en Honduras,
Crdoba, Argentina, pp.1-18.
[7] M.Gandsegui, (2003), Papeles de poblacin, Uni-
versidad Autnoma del Estado de Mxico, Centro de
Investigacin y Estudios Avanzados de la Poblacin,
N0. 36, ISNN 1405-7425, pp. 10-19.
[8] Instituto Nacional de Estadsticas y Censos del Ecua-
dor, (2007-2010) Estadsticas de Empleo, Merca-
do Laboral, Estadsticas Vitales, Censos. Dispo-
nible en: www.ecuadorencifras.com/cifras--inec
/bancInf.html.
[9] C. Lanchinba y P. Medina, (2011), Fecundidad en el
Ecuador y su relacin con el entorno social y evolu-
tivo, Revista Analitika, Volumen 1, ISNN 13906208,
pp. 27-51.
[10] A. J. Lotka, (1920), Analytical Note on Certain Rhyth-
mic in Organic Systems, Proc. Natl. Acad. Sci. U.S., 6,
pp. 410-415.
[11] T. Malthus, (1798), An Essay on the Principle of Po-
pulation, Minerva Ediciones, Madrid, pp. 1-23.
[12] I. Romero, (2009), Geografa de la poblacin,
disponible en olmo.pntic.mec.es/trog0003/
index_archivos /geografia/demografia.htm.
[13] P. Verhulst, (1838), Notice sur la loi que la popu-
lation poursuit dans son accroissement, Correspon-
dance mathmatique et physique, 10, pp. 113-121.
[14] S. Vera, (2008), Estructura ocupacional y bono demo-
grco, Economa Actual, Mxico, pp.1-3.
[15] V. Volterra, (1926), Variazioni e uttuazioni del nu-
mero dindividui in specie animali conviventi, Mem.
Acad. Lincei Roma, 2, pp. 31-113.
[16] D. Zill, (1997), Ecuaciones Diferenciales con aplica-
ciones de modelado, Primera edicin, International
Thomson Editores, Mxico, pp. 36-70.
[17] C. Welti, (1999), Los procesos demogrcos en Mxi-
co en la poca del neoliberalismo, Centre dEstudis
Demogrcs, pp. 1-21.
Analti a
k
Normas para la presentacin de trabajos
Norms for submission of papers
Normas para la presentacin de trabajos
Los autores estn invitados a enviar sus trabajos a la re-
vista Analti k a, ya sea en espaol o en ingls.
Para la publicacin de los diferentes trabajos, los auto-
res deben seguir los siguientes lineamientos:
1 Originalidad
El trabajo presentado se entender que es indito y ori-
ginal. En el caso de que el trabajo haya sido publicado en
otra revista, impresa o digital, ste deber tener el permi-
so o autorizacin de la revista, detallando el nuevo aporte
o modicacin correspondiente. Despus de la aceptacin,
la autorizacin deber ser enviada al editor de la revista
Analti k a.
2 Presentacin
Los trabajos debern ser presentados en formato digi-
tal, el cual puede ser .pdf o .doc. Comprometindose el au-
tor o los autores, a proporcionar el trabajo en formato .tex,
si el mismo es aceptado para su publicacin.
Toda la documentacin correspondiente debe remitirse
al editor de la revista Analti k a, al siguiente correo electr-
nico: analitika@inec.gob.ec.
3 Requerimientos tcnicos
Para ser sometidos a revisin, los trabajos debern cum-
plir los siguientes requerimientos tcnicos:
Las ilustraciones y tablas deben estar numeradas secuen-
cialmente, incluyendo una descripcin explicativa para
cada una.
Las guras deben tener formato .eps, de preferencia, o
formato .jpg, o .png de alta resolucin.
El texto en las guras y mapas debe escribirse con letras
fcilmente legibles.
Diferentes elementos de un grco deben contener sus
correspondientes explicaciones. Por ejemplo, en un gr-
co de pastel se deber especicar qu representa cada
color.
Asegrese de que las inscripciones o detalles, as como
las lneas, tengan tamaos y grosores adecuados; de tal
manera que sean legibles (nmeros, letras y smbolos).
Las fotografas deben grabarse con alto contraste y en
alta resolucin. Recuerde que las fotografas frecuente-
mente pierden contraste en el proceso de la impresin.
No combine fotografas y dibujos en la misma gura.
Si las guras, grcos, ilustraciones o fotografas inclui-
das en el trabajo tienen derecho de autor, es responsa-
bilidad del autor que presenta el trabajo a evaluacin,
obtener el permiso correspondiente para su uso.
Los grcos, ilustraciones y fotografas incluidas en el
trabajo deben ser enviados en una carpeta exclusiva, la
cual debe llevar el nombre:
Gracos_ (las dos primeras iniciales del ttulo
del artculo en maysculas).
Por ejemplo, si el trabajo tiene como ttulo: Densidad
poblacional del Ecuador continental, el nombre de la
carpeta debe ser:
Gracos_DP.
El formato general para la etiquetas identicativas de los
diversos ambientes deber ser:
Para tablas:
\label{DP_tab:001}
Para figuras
\label{DP_fig:001}
Para ecuaciones
\label{DP_eq:001}
Para definiciones
\label{DP_def:001}
Para teoremas
\label{DP_teo:001}
etc.
4 Estructura y formato
La estructura del documento ser de la siguiente forma:
Obligatorias Opcionales
Ttulo Agradecimientos
Resumen Recomendaciones
Palabras claves Futuros trabajos
Abstract Anexos
Keywords
Clasicacin
Introduccin
Marco Terico o Metodologa
Aplicacin o Resultados
Conclusiones
Referencias
Tabla 1. Estructura del documento a ser evaluado.
69
4.1 Formato del documento
Detallaremos las particularidades a considerar, para al-
gunos de los componentes del documento.
Ttulo. El ttulo debe incluir la siguiente informacin: t-
tulo del artculo, nombre completo del autor o de los au-
tores, direccin del autor o de los autores, incluyendo su
correo electrnico.
Resumen (Abstract). El Resumen debe ser en espaol y
en ingls. El Resumen debe ser corto y conciso (mximo
250 palabras) y en el mismo se debe expresar los resul-
tados relevantes del estudio. Debe ser informativo y no
indicativo; por ejemplo, diga:
En este trabajo se analiza el papel que desem-
pean las caractersticas individuales, familia-
res y laborales en la probabilidad de tener un
contrato temporal frente a un contrato inde-
nido,
lo cual es informativo. No diga
La probabilidad de tener un contrato tempo-
ral frente a un contrato indenido es discutido
y aceptado,
lo cual es indicativo.
Palabras claves (Keywords). Las palabras claves deben
ser de tres a seis y representarn los principales temas
del artculo. Debern ser colocadas al nal del resumen
y del abstract, respectivamente.
Clasicacin Se debe incluir el sistema de clasicacin
del Journal of Economic Literature, JEL
http://www.aeaweb.org/journal/
jel_class_system.php#C.
Referencias. La seccin de referencias debe incluir todas
las publicaciones citadas en el texto. No se debe incluir
reportes no publicados u otro tipo de informacin que
no es posible vericar. Las tesis deben citarse nicamen-
te cuando estn disponibles para consulta en una biblio-
teca fsica o virtual. Las referencias deben ir en orden
alfabtico y deben seguir el sistema inicial del nombre
apellido". Las referencias de portales electrnicos deben
seguir un esquema similar al de las publicaciones, pero,
adicionalmente, se deber incluir la fecha de consulta. A
continuacin se muestra un ejemplo:
Referencias
[1] M. Aguayo, y E. Lore, Cmo hacer una Regresin
Logstica binaria paso a paso II anlisis multivarian-
te,"Fundacin Andalucia Beturia para la Investiga-
cin en Salud, Dot. N
o
0702013, (2007).
[2] C. Gamero,Satisfaccin Laboral y tipo de contrato
en Espaa, Investigative Radiology 34, Vol. 10, 636
- 642, (1999).
[3] Ley No. 100,Cdigo de la niez y adolescencia, Re-
gistro Ocial 737, Enero, (2003).
[4] Scientic Instrument Services, Inc.
2006. MASS Spectral Library. En lnea:
http://www.sisweb.com/software/ ms/nist.htm,
Consulta: 10 de abril del 2010.
Agradecimientos. Los agradecimientos podrn incluirse
como una seccin, la cual deber estar al nal del artcu-
lo y constar de un prrafo.
5 Procedimiento editorial
Cuando el trabajo ha sido recibido por el editor, ste
pasa por dos procesos de calicacin. El primero, se lleva
acabo dentro de un consejo editorial interno que determi-
nar la pertinencia y solvencia cientca y, el segundo, es la
evaluacin por expertos nacionales o extranjeros, conside-
rando el mtodo blind review.
Si el manuscrito es aceptado para su publicacin, ste
pasar por las siguientes etapas:
1. El editor enviar al autor principal las observaciones
realizadas por los evaluadores para que ste realice las
correcciones y cambios necesarios. El tiempo asignado
para esto no ser mayor a un mes.
2. Cuando el trabajo corregido es regresado al editor, este
har la copia-edicin y empezar el proceso de forma-
to. Despus de que el trabajo ha sido formateado para la
publicacin, una prueba de impresin (page proofs)
ser enviada al autor para corregir posibles errores. En
este punto, no ser posible hacer cambios en el docu-
mento, sino solamente corregir errores de edicin o for-
mato. El autor debe retornar la prueba de impresin al
editor con sus observaciones, si las hubiere, mximo en
una semana despus de haberla recibido.
3. Finalmente, el documento corregido ser archivado has-
ta que la revista empiece su proceso de impresin.
Cuando esto ocurra, se enviar una copia impresa y una
digital de la revista al autor.
Si el trabajo no es aceptado para su publicacin, ser
devuelto al autor noticando el motivo.
6 Comentarios nales
La publicacin del volumen de la revista depende de
la colaboracin entre los autores, los revisores, la imprenta
y el editor. La colaboracin y cumplimiento de los plazos
establecidos es fundamental.
La revista Analti k a publica dos volmenes por ao.
70
Administracin Central
Quito
Juan Larrea N15-36 y Jos Riofro
Telfonos: (593) 22544 326 - 22544 561
Fax: (593) 22509 836 Casilla postal: 135C
correo-e: planta_central@inec.gob.ec
analitika@inec.gob.ec
Analti a
k
ISSN 1390-6208
Nmero 3 - 2012
volumen
Revista de Anlisis Estadstico
Journal of Statistical Analysis
3

Analitika Vol 3

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analitika Vol 3

Uploaded by

Copyright:

Available Formats

www.inec.gob.ec www.ecuadorencifras.

t s A(0, 1). Se obtiene entonces, para

B(t) cumple con las cuatro condiciones de la denicin 2.

es un movimiento Browniano es-

. Dado que, para la obtencin

(R) como el conjunto

sea nita. (8)

(R) con 0 < < 1 son ge-

Ministerio de Educacin, QuitoEcuador

Departamento de Matemtica, Escuela Politcnica Nacional, Quito - Ecuador

X; donde e(x) represen-

corresponde el vector de entradas para el i-simo par de

podra ser mal condicionada.

P(k 1), (9)

para l = 1, . . . , R. El sistema difuso resultante

Universidad Nacional de San Martn

Adrin Gutirrez Cabello y Andrs Salama

64, pginas 53 66, Sep-

Universidad Estatal de Milagro, Milagro, Ecuador

Instituto Gregorio Milln, Universidad Carlos III de Madrid, Madrid, Espaa

Yannira Chvez y Pal Medina

You might also like