Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
INVESTIGACIÓN OPERATIVA Programación No Lineal Ingeniería en Sistemas de Información Mgter. Norma Torrent UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL ROSARIO PROGRAMACIÓN NO LINEAL Introducción. Clasificación de los problemas de programación no lineal. Métodos de solución. Formas cuadráticas. Funciones convexas y cóncavas. Programación cuadrática. Solución de problemas de programación cuadrática mediante Solver. Ejemplo de aplicación: Selección de una cartera de inversiones. 1 INTRODUCCIÓN Programación No Lineal Norma Torrent Un problema de programación no lineal (PNL) es un problema de programación matemática en el que tanto la función objetivo como las que intervienen en las restricciones, pueden ser no lineales. Las típicas áreas de aplicación son procesos químicos, evaluación de proyectos, problemas de diseño estructural, ajuste de curvas, asignación de recursos, diseño de procesos, localización de instalaciones y selección de cartera de inversiones, entre otros. La estructura de tales problemas así como también sus características y propiedades son tan amplias que no existe método alguno que permita resolverlos a todos. En su lugar, se han desarrollado algoritmos específicos para abordar situaciones particulares. CLASIFICACIÓN DE LOS PROBLEMAS DE PNL Programación No Lineal Norma Torrent Optimización no restringida. La función objetivo es sencillamente Max (o Min) f(xi), sobre todos los valores xi con i = 1, 2, …, n. No existen restricciones. Optimización linealmente restringida. Todas las restricciones son lineales. Programación cuadrática. Las restricciones son lineales, pero la función objetivo es la suma de una forma lineal más una forma cuadrática. Constituye un caso especial de la optimización linealmente restringida. Programación convexa. Abarca una amplia gama de problemas en los que la función objetivo es convexa (o cóncava), el conjunto de soluciones factibles es convexo y las variables son no negativas. Entre ellos, como casos especiales, se encuentran los tipos anteriores. Programación separable. Es un caso especial de programación convexa con la suposición adicional de que, tanto la función objetivo como las restricciones son funciones separables. 2 CLASIFICACIÓN DE LOS PROBLEMAS DE PNL Programación No Lineal Norma Torrent Una función es separable si se puede expresar como la suma de n funciones de una sola variable, por ejemplo, f(x1, x2) = 9x1 + 23x2 – x12 puede expresarse como f(x1) + f(x2), con f(x1) = 9x1 – x12 y f(x2) = 23x2. Programación no convexa. Incluye todos los problemas de programación no lineal que no satisfacen las suposiciones de programación convexa. Programación geométrica. La función objetivo y las restricciones toman la forma: signoen oirrestrict ay finito es N 0,c n ..., 2, 1,jdonde ijj xc U U)x(fz n 1i aij ijj N 1j j MÉTODOS DE SOLUCIÓN Programación No Lineal Norma Torrent Para problemas de PNL no restringidos los métodos de gradiente permiten encarar la optimización de funciones convexas. La optimización linealmente restringida cuenta con varios algoritmos especiales de solución basados en una extensión del método Simplex. La programación cuadrática es muy importante, en parte porque las formulaciones de este tipo surgen de manera natural en muchas aplicaciones. Sin embargo, otra razón por la que es importante es que al resolver problemas generales de optimización linealmente restringida se puede obtener la solución de una sucesión de aproximaciones de programación cuadrática. Se han desarrollado diversos algoritmos para resolver problemas cuadráticos, con la suposición adicional de que la función objetivo es cóncava. Las suposiciones de la programación convexa son suficientes para asegurar que un máximo local es un máximo global. La condiciones necesarias y suficientes para obtener tal solución óptima son una generalización natural de la condiciones que se acaban de exponer para la optimización no restringida y su extensión a la inclusión de restricciones de no negatividad. 3 MÉTODOS DE SOLUCIÓN Programación No Lineal Norma Torrent Cualquier problema de programación separable puede aproximarse mediante uno de programación lineal siendo entonces aplicable el método Simplex. En el caso de problemas de programación no convexa, aún cuando se tenga éxito en encontrar un máximo local, no hay garantía de que este sea también un máximo global. No se dispone de un método que garantice encontrar una solución óptima para todos estos problemas. Existen algunos algoritmos para encontrar máximos locales, en especial cuando las formas de las funciones no lineales no se desvían demasiado de las que se supusieron para programación convexa. Los problemas de programación geométrica no son por regla general problemas de optimización convexa. No obstante, mediante un cambio de variables, pueden trasformarse en ellos cuando todas las funciones son polinomios positivos generalizados y el objetivo es de minimización. MÉTODOS DE SOLUCIÓN Programación No Lineal Norma Torrent Como acabamos de ver, son diversos los métodos utilizados para resolver programas no lineales así como también, sus niveles de complejidad y posibilidad de arribar a una solución. No será nuestro objetivo encarar el estudio de los mismos. En este capítulo nos ocuparemos exclusivamente del problema de programación cuadrática cuando la función objetivo es estrictamente convexa y encararemos su solución mediante la herramienta Solver de Excel. 4 FORMAS CUADRÁTICAS Programación No Lineal Norma Torrent Dadas: nn2n1n n22221 n11211 T n21 n 3 2 1 q...qq ............ q...qq q...qq Qy x..., , x,x x ... x x x x la función se denomina forma cuadrática. Siempre se puede suponer que la matriz Q es simétrica porque cada elemento de cada par de coeficientes qij y qji (con i j) puede reemplazarse por (qij qji)/2 sin cambiar a F(x). Por ejemplo, la forma cuadrática n 1i n 1j jiij T xxqx QxF(x) 3 2 1 321 x x x 203 672 1 0 1 ) x, x,x()x(F donde Q es no simétrica, es igual a FORMAS CUADRÁTICAS Programación No Lineal Norma Torrent Definida positiva si F(x) 0 para todo x 0. Semidefinida positiva si F(x) 0 para todo x 0 y existe un x 0 tal que F(x) = 0. Definida negativa si –F(x) es definida positiva. Semidefinida negativa si –F(x) es semidefinida positiva. Indefinida en los demás casos. 3 2 1 321 x x x 232 371 2 1 1 ) x, x,x()x(F Supondremos en adelante que Q es siempre simétrica. Se dice que la forma cuadrática es: Designando con Qi al i-ésimo determinante menor principal de Qn x n, es decir, 5 FORMAS CUADRÁTICAS Programación No Lineal Norma Torrent n ..., 2, 1, i , q...qq ............ q...qq q...qq ii2i1i i22221 i11211 F(x) es definida positiva si Qi 0 para todo i = 1, 2, …, n. En este caso se dice que Q es definida positiva. F(x) es semidefinida positiva si Qi 0 para todo i = 1, 2, …, n. En este caso se dice que Q es semidefinida positiva. F(x) es definida negativa si (–1)iQi > 0 para todo i = 1, 2, …, n. En este caso se dice que Q es definida negativa. F(x) es semidefinida negativa si Qi = 0 o tiene el signo (–1)iQi > 0 para todo i = 1, 2, …, n. Indefinida en cualquier otro caso. se puede demostrar que las condiciones necesarias y suficientes para la ocurrencia de los casos anteriores son FUNCIONES CONVEXAS Y CÓNCAVAS Programación No Lineal Norma Torrent Una función G(x) es convexa si para dos puntos cualesquiera xu y xv, G(xu (1 – )xv) G(xu) (1 – )G(xv) con 0 1 Decimos convexidad estricta si el signo es para 0 1 Una función G(x)es estrictamente cóncava si –G(x) es estrictamente convexa. Un caso especial de la función convexa (cóncava) es la función: F(x) = cx +xTQ x Q c simétrica y constantes devector con q...qq ............ q...qq q...qq Q ),c ..., ,c ,(c c , x..., , x,x x ... x x x x nn2n1n n22221 n11211 n21 T n21 n 3 2 1 Se puede demostrar que F(x) es estrictamente convexa (cóncava) si Q es definida positiva (negativa). donde 6 FUNCIONES CONVEXAS Y CÓNCAVAS Programación No Lineal Norma Torrent FUNCIONES CONVEXAS Y CÓNCAVAS Programación No Lineal Norma Torrent Puesto que, en breve, las funciones del tipo F(x) = xTQ x (forma cuadrática) y F(x) = cx xTQ x (forma lineal más forma cuadrática) ocuparán nuestro interés, veamos cómo encarar el estudio de convexidad (concavidad) de las mismas, cuando no se hallan en su formato matricial. Para obtener la forma cuadrática cuando se dispone de un n 1i n 1j jiij T xxqx Qx polinomio de segundo grado, debemos tener en cuenta que los coeficientes de los términos al cuadrado son los elementos diagonales de la matriz Q. Los coeficientes de los términos no cuadráticos son el doble de los elementos fuera de la diagonal. Dado que la matriz Q es simétrica, sólo tendremos que fijarnos en los términos situados por encima de la diagonal. Así por ejemplo, 3 2 1 321321 323121 2 3 2 2 2 1321 x x x 11 1 1 112 125 )x,x,(x)x,x,F(x xx2xx2xx4x11x5x)x,x,F(x 7 FUNCIONES CONVEXAS Y CÓNCAVAS Programación No Lineal Norma Torrent Luego, para estudiar el signo de F(x) calculamos los valores de los determinantes menores principales de Q. por lo tanto Q es definida positiva y F(x) es estrictamente convexa. Similarmente deberíamos proceder si F(x) fuese la suma de una forma lineal más una forma cuadrática. La única diferencia es que hay que adicionar la forma lineal. Por ejemplo, 01 11 1 1 112 125 Q 0112 2 5Q ,055Q 321 y 2 1 21 2 1 21 2 221 2 12121 x x 2 1 12)x,(xx x)6 ,4()x,F(x x2xx2x2x6x4)x,F(x Q1 = – 2 0 y Q2 = 3 0, resultando Q definida negativa y F(x) estrictamente cóncava. EJERCICIOS PROPUESTOS Programación No Lineal Norma Torrent Estudiar el signo de las formas cuadráticas siguientes: a) F(x, y, z) = –x2 – 2y2 – z2 + 2xy + 2yz b) F(x, y, z) = –x2 – 3y2 – 3z2 + 4yz c) d) e) 2 331 2 221 2 1321 3xx8x x x4x 7x) x, x,x(F 2 221 2 121 x5xx4x)x ,x(F 2 221 2 121 xxx4x4)x ,x(F 8 PROGRAMACIÓN CUADRÁTICA Programación No Lineal Norma Torrent Un modelo de programación cuadrática puede definirse como con Se supone que Q es simétrica y definida negativa por lo cual z es estrictamente cóncava. (Resulta trivial cambiar la formulación para el caso de minimización). 0 x bAx :a .s xQxcxzMax T )b ..., ,b ,(b b),c ..., ,c ,(c c , x..., , x,x x ... x x x x m21n21 T n21 n 3 2 1 nm2n1n m22221 m11211 nn2n1n n22221 n11211 a...aa ............ a...aa a...aa A , q...qq ............ q...qq q...qq Q PROGRAMACIÓN CUADRÁTICA Programación No Lineal Norma Torrent Las restricciones son lineales, lo que garantiza que el espacio de soluciones es convexo. Luego, por las condiciones de Kuhn–Tucker, el óptimo, si existe, es un máximo global (único). En un problema de minimización Q debería ser definida positiva para que F(x) resultase estrictamente convexa y el mínimo fuese único. Las condiciones de Kuhn-Tucker son condiciones necesarias y suficientes de óptimo para los problemas de Programación Convexa.1 Tales condiciones caracterizan completamente a la solución óptima pero, como contrapartida, no proveen un método para hallarla. Para el caso de la programación cuadrática existen diferentes algoritmos específicos de solución (software de programación cuadrática). No obstante, también pueden emplearse algoritmos generales de PNL, como el utilizado por Solver de Excel. Enfocaremos nuestra atención en la aplicación de este último. 1 El lector interesado en su demostración podrá consultar H. Taha, Investigación de Operaciones, 7a ed., México: Pearson Educación, 2004, capítulo 20. 9 PROGRAMACIÓN CUADRÁTICA: Ejemplo Gráfico Programación No Lineal Norma Torrent Los modelos de programación cuadrática tienen la importante propiedad de concavidad (convexidad) que evita las dificultades de optimización inherentes a los modelos de PNL más generalizados. Veamos el siguiente ejemplo sencillo y su correspondiente solución gráfica. 0 x;x 10 5x8x 3x2x a .s )2x()2x(Min w 21 21 21 2 2 2 1 decir es , es cuadrática forma La 8x x 1 0 0 1)x,(xx x)4 ,4(8x4xx4xw 2 1 21 2 1 2 2 21 2 1 0x ,x 0xxx x 1 0 0 1)x,(x 21 2 2 2 1 2 1 21 definida positiva. En consecuencia z es estrictamente cóncava y el mínimo es único. PROGRAMACIÓN CUADRÁTICA: Ejemplo Gráfico Programación No Lineal Norma Torrent Dado que (x1 – 2)2 (x2 – 2)2 = r2 representa la ecuación de una circunferencia de radio r con centro en el punto (2, 2), podemos interpretar la función objetivo como un conjunto de círculos concéntricos en torno a dicho punto. r 0 x;x 10 5x8x 3x2x a .s )2x()2x(Min w 21 21 21 2 2 2 1 Una observación importante con respecto a los problemas de programación cuadrática es que, si bien el conjunto de soluciones posibles es un conjunto convexo cerrado, al igual que en los programas lineales, deja de ser válida la propiedad de que el óptimo se encuentra en al menos un punto extremo. 10 PROGRAMACIÓN CUADRÁTICA : Ejemplo Gráfico Programación No Lineal Norma Torrent En estos problemas la solución óptima puede estar en un punto extremo, en un punto no extremo de la frontera o en un punto interior del conjunto de soluciones factibles. En nuestro ejemplo vemos que el mínimo valor de r que verifica las restricciones se produce donde la circunferencia toca por primera vez el conjunto factible (punto de tangencia), es decir en el punto de intersección entre la perpendicular desde el punto (2, 2) a la recta dada por x1 + 2x2 = 3. Luego, x1* = 7/5, x2* = 4/5 y w*= 1,8. PROGRAMACIÓN CUADRÁTICA: USO DE SOLVER Programación No Lineal Norma Torrent El algoritmo utilizado por Solver para resolver problemas de PNL es el del Gradiente Reducido Generalizado (GRG) que al igual que otros muchos algoritmos, calcula valores de la primera derivada parcial de la función objetivo y de las restricciones en cada iteración.. Básicamente, parte de una solución posible inicial e intenta moverse, en una dirección a través de la región factible, de modo que el valor de la función objetivo mejore. Se pasa entonces a una nueva solución factible mejorada y el proceso se repite hasta que el algoritmo alcanza un punto en el cual no existe una dirección factible para moverse que mejore el valor actual de la función objetivo. Cuando no hay posibilidad de mejora, o el potencial para tal mejora es arbitrariamente pequeño, el algoritmo finaliza. Ahora bien, en ese momento la solución es un óptimo local, y por tanto no necesariamente global. En tal sentido, es preciso tener en cuenta dos características de las soluciones obtenidas al resolver un programa no lineal con Solver: • El algoritmo puede finalizar en un óptimo local que puede no ser el óptimo global del problema. 11 PROGRAMACIÓN CUADRÁTICA: USO DE SOLVER Programación No Lineal Norma Torrent Desgraciadamente, en los programas no lineales no se puede determinar fácilmente el grado de alejamiento entreel óptimo local y el global. No obstante, muchos programas no lineales tienen óptimos locales únicos que, por definición, necesariamente deben ser globales. Así por ejemplo, las siguientes condiciones garantizan, si existe, que el óptimo es global: • Función objetivo de máximo y cóncava, o el logaritmo de la función objetivo cóncava, con restricciones lineales. • Función objetivo de mínimo y convexa, con restricciones lineales. Dado el carácter de las soluciones de los programas no lineales es importante tener en cuenta los mensajes que proporciona el Solver: • El óptimo local en que finaliza el algoritmo depende del punto inicial. • Solver ha encontrado la solución. Todas las restricciones y condiciones de optimalidad están satisfechas. En este caso habrá encontrado un óptimo local, que no necesariamente será global. PROGRAMACIÓN CUADRÁTICA: USO DE SOLVER Programación No Lineal Norma Torrent Matemáticamente, este mensaje indica que las condiciones de Kuhn-Tucker para óptimos locales han sido satisfechas. Salvo en un problema con un solo óptimo global (programas cuadráticos), se debería ejecutar Solver desde diferentes puntos iniciales para incrementar la seguridad sobre la globalidad del óptimo. • Solver ha convergido hacia la solución actual. Todas las restricciones están satisfechas. En este caso el valor de la función objetivo cambia muy lentamente en las últimas iteraciones. La opción Convergencia controla este proceso. El algoritmo termina si el cambio relativo en el valor de la función objetivo durante varias iteraciones es menor que el factor de convergencia. Si se intuye que Solver finaliza demasiado rápido o que el punto obtenido no es óptimo, será preciso reducir la convergencia para evitar soluciones subóptimas. • Solver no puede mejorar la solución actual. Todas las restricciones están satisfechas. Este mensaje indica que el modelo presenta degeneración y que el algoritmo ha entrado en un ciclo. 12 PROGRAMACIÓN CUADRÁTICA: USO DE SOLVER Programación No Lineal Norma Torrent La degeneración puede ser evitada en muchos casos eliminando restricciones redundantes. Finalmente cabe acotar que la versión de Solver comercialmente disponible, Solver Premium Edition, cuenta con un optimizador de PNL y un optimizador cuadrático especializado. FUENTE: SÁNCHEZ ALVAREZ, Isidro (isanchez@econo.uniovi.es) LÓPEZ ARES, Susana (slopez@econo.uniovi.es) Departamento de Economía Cuantitativa - Universidad de Oviedo PROGRAMACIÓN CUADRÁTICA: USO DE SOLVER Programación No Lineal Norma Torrent Las figuras siguientes muestran el modelo ingresado (similar al empleado para programas lineales), el cuadro de diálogo de Parámetros de Solver y el cuadro de Opciones, para el ejemplo que hemos resuelto gráficamente. 13 PROGRAMACIÓN CUADRÁTICA: USO DE SOLVER Programación No Lineal Norma Torrent Los resultados devueltos por Solver se exponen a continuación. SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent Las decisiones bajo riesgo económico y financiero se abordan generalmente mediante modelos de programación cuadrática. Un ejemplo simplificado de ello es la selección de carteras bursátiles. Supongamos que un inversionista quiere saber qué porcentaje de su capital debe invertir en cada uno de los tres activos de las empresas AT&T, General Motors y USX-U.S. STEEL. Para ello cuenta con la información de los rendimientos de las acciones durante los últimos 12 años. El inversionista desea una cartera que le brinde un buen rendimiento esperado y que implique bajo riesgo. Tales objetivos son antagónicos ya que, por lo general, las carteras con buen rendimiento esperado implican también un elevado riesgo. Si una inversión de Di dólares fue colocada en un activo i y al cabo de cierto período especificado se obtienen 1,3Di dólares, el rendimiento en el período es 0,3. Adaptado de: Eppen, G., F. Gould, C. Schmidt, J. Moore, y L. Weatherford, Investigación de Operaciones en la Ciencia Administrativa, 5a ed., México: Prentice-Hall Hispanoamericana, S.A., 2000, pp 357-364. 14 SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent El concepto de riesgo viene reflejado por la volatilidad de los rendimientos bursátiles, y esa volatilidad se mide por medio de la varianza del rendimiento producido por la cartera. Este concepto es congruente con la forma en que la mayoría de analistas de cartera acostumbra a medir el riesgo. Ahora bien, puesto que el propósito de un administrador de carteras es reducir el riesgo y elevar el rendimiento esperado , una forma de plantear este modelo consiste en minimizar la varianza del rendimiento (es decir, minimizar el riesgo) dentro de un determinado límite o cota inferior para el rendimiento esperado. También puede haber restricciones de políticas sobre la proporción de la cartera que podrá destinarse a ciertas acciones en particular. En nuestro ejemplo, aspira obtener un rendimiento anual mayor o igual al 15% y no desea colocar más del 75% en cada una de las tres acciones. El modelo aplicable a la situación planteada resulta ser un modelo de programación cuadrática y adopta la forma 322331132112 2 3 2 3 2 2 2 2 2 1 2 1 xx2xx2xx2xxxw Min SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent Donde: xi con i = 1, 2, 3, son las fracciones de las acciones correspondientes a AT&T, General Motors y STEEL, respectivamente. Ei con i = 1, 2, 3, son los respectivos rendimientos esperados anuales de las acciones. i 2 con i = 1, 2, 3, son las respectivas varianzas los rendimientos anuales de las acciones. ij, las covarianzas de los rendimientos anuales de las acciones. 0x,x,x 75,0x 75,0x 75,0x 15,0xExExE 1xxx a .s 321 3 2 1 332211 321 15 SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent donde Pit indica el precio del activo financiero i al final del período t; Pt-1 es el precio del activo al comienzo del período t; Rit el rendimiento del título i en el período t; y dit el dividendo recibido durante el período. El rendimiento realmente obtenido de un activo financiero (ex-post), Rit, será conocido con certeza. El rendimiento esperado es el beneficio anticipado para la inversión realizada; es decir, el rendimiento previsto (ex-ante), Eit. Luego, para cuantificar el rendimiento de un título en condiciones de incertidumbre tendremos que echar mano de las probabilidades, ya sean éstas objetivas o subjetivas. El rendimiento del título i en el año t vendrá definido por la siguiente expresión: 1- ti 1- ti ti 1- ti ti 1- ti 1- ti ti ti ti P PP P d P PPd R SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent Una vez que disponemos de la distribución de probabilidad de los posibles rendimientos de un título determinado, calcularemos su valor esperado utilizando la esperanza matemática. En el ejemplo planteado dado que conocemos los rendimientos de los tres activos en los últimos 12 años, el rendimiento esperado de cada uno de ellos se calculará promediando los respectivos datos históricos. Así resultan, E1 = 0,0891, E2 = 0,2137 y E3 = 0,2346. La herramienta estadística utilizada para medir el riesgo de un título es la desviación típica (o la varianza), debido a tres razones: • El rendimiento esperado y su desviación típica son las dos medidas necesarias para describir una distribución normal de probabilidad de los títulos (si estos se ajustan a dicha distribución). • Los estudios empíricos realizados demuestran que las distribuciones de frecuencia de la mayoría de los títulos siguen una distribución normal o muy próxima a la misma. • Es fácil de calcular. 16 SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent De esta forma cuanto mayor sea la desviación típica o la varianza del rendimiento de un título,mayor será su riesgo. La varianza es la suma de los cuadrados de las dispersiones alrededor del rendimiento esperado, ponderados por sus probabilidades, Si la distribución es normal sabemos que la probabilidad de que el rendimiento obtenido caiga en el intervalo formado por la media más, o menos, una vez su desviación típica es del 68%; será del 95% si el intervalo se agranda a dos veces la desviación típica y al 99,7% si se agranda a tres veces. En base a los datos disponibles, estimaremos la varianza del rendimiento del i- ésimo activo mediante la fórmula . Una vez que el inversor ha obtenido el rendimiento y el riesgo de cada valor en particular, podrá pasar a calcular el rendimiento y el riesgo de las diversas combinaciones que haga de los mismos, es decir, de las carteras que pueda formar. 2 i 12 1t t i 2 i )E(R112 1σ SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent El riesgo de una cartera se medirá. a través de la varianza del rendimiento esperado de la misma, de la siguiente forma: q1qq ,1q 322331132112 2 q 2 q 2 3 2 3 2 2 2 2 2 1 2 1 xx2... xx2xx2xx2x...xxx σij es la covarianza del rendimiento del activo i con el del rendimiento del activo j. Recordemos que la covarianza es una medida estadística de la relación entre dos variables aleatorias cualesquiera, esto es, mide de qué manera dos variables aleatorias, tales como los rendimientos de dos activos, se “mueven conjuntamente”. Un valor positivo de la covarianza indicará que ambos rendimientos tienden a moverse en el mismo sentido, mientras que uno negativo indicará que se mueven en sentidos opuestos. Por otro lado, un valor próximo a cero indicará una posible ausencia de relación entre ambos rendimientos. La covarianza σij es igual al E[(Rit – Eit) ·(Rjt – Ejt]. 17 SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent Con los datos históricos que disponemos estimaremos σij mediante la fórmula . Los resultados obtenidos pueden expresarse mediante una matriz de covarianza: )E)(RE(R 112 1σ jtj i 12 1t t iij donde las diagonales son las varianzas de cada título mientras que las covarianzas que se encuentran encima de dicha diagonal son las mismas que las que están debajo de ella, es decir, los dos lados de la matriz son simétricos (puesto que σ13= σ31); por ello, no hará falta calcular las seis covarianzas sino sólo tres de ellas. Luego, la función objetivo del problema planteado puede formularse como xTijx, siendo x = (x1, x2, x3)T y ij la matriz de covarianza. 2 33231 23 2 221 1312 2 1 ij SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent Los valores de la matriz de covarianza obtenidos mediante la hoja de cálculo Excel así como también la solución del problema a través de Solver se muestran a continuación. Observación. El cálculo de i2 y σij mediante la función covarianza de Excel (COVAR()) introduce un leve sesgo en las estimaciones ya que no toma en cuenta los grados de libertad perdidos (utiliza n es vez de n – 1). 18 SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent La recomendación es entonces una cartera de aproximadamente 53.00% en AT&T, 35.64% en G. M. y 11.35% en S. STEEL. El mínimo de la varianza del rendimiento anual es de 0,02054595. SELECCIÓN DE UNA CARTERA DE INVERSIONES Programación No Lineal Norma Torrent Por último observemos que si quisiésemos formar una cartera integrada por k acciones ordinarias cotizadas en un mercado según el procedimiento anterior, tendríamos que estimar k esperanzas matemáticas del rendimiento, k varianzas y (k2- k)/2 covarianzas. El ejemplo presentado constituye sólo una breve introducción para el estudio del análisis de carteras.
Compartir