https://hdl.handle.net/20.500.12008/25555 Incluye las pasantías en Estadística, requisito para obtener el grado en las diferentes orientaciones: Económica, Tecnológica, Administrativa o Actuarial y Demográfica. 2026-05-15T15:37:49Z https://hdl.handle.net/20.500.12008/54890 Título: Problemas de parada óptima Autor: Silva Vázquez, Joaquín Resumen: Este trabajo estudia los problemas de parada óptima en el contexto de procesos estocásticos, con un enfoque particular en difusiones de Itô. El objetivo es determinar el tiempo de parada óptimo que maximiza el valor esperado de una función de pago que depende de la trayectoria del proceso. Partiendo de la formulación clásica introducida en el análisis secuencial, la monografía desarrolla el marco teórico necesario para analizar estos problemas en tiempo continuo. El estudio comienza con el caso de funciones de pago homogéneas en el tiempo, no negativas y continuas, estableciendo conceptos clave como tiempos de parada, filtraciones y funciones superarmónicas (supermeanvalued). Un resultado central muestra que la función valor del problema de parada óptima coincide con el menor mayorante superarmónico de la función de pago. El trabajo proporciona métodos constructivos para obtener este mayorante y demuestra resultados de existencia y aproximación mediante tiempos de parada ε-óptimos. La teoría se extiende luego a contextos más generales, incluyendo funciones de pago no homogéneas y problemas que involucran funcionales integrales. Se presenta un teorema de verificación para caracterizar la optimalidad, y se discuten condiciones de existencia y unicidad de tiempos de parada óptimos. La monografía también destaca casos en los que el tiempo de parada óptimo no existe. Finalmente, se exploran métodos de simulación para ilustrar los resultados teóricos y proporcionar intuición numérica sobre estrategias de parada óptima. Descripción: Tribunal integrado por: Ernesto Mordecki, Andres Sosa y Marco Scavino. 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/54583 Título: Aprendizaje estadístico supervisado basado en núcleos Autor: Vallejo, Sebastián Resumen: Este trabajo explora varias técnicas de aprendizaje automático y sus elementos subyacentes de la teoría del aprendizaje estadístico, con un énfasis específico en el aprendizaje supervisado basado en kernels. La investigación se centra en un problema de regresión aplicado a datos quimiométricos, logrando resultados competitivos con publicaciones recientes en el campo. Se explora la transición de la minimización del riesgo empírico (ERM) a métodos de regularización como las máquinas de vectores de soporte (SVM) y los mínimos cuadrados regularizados kernel (KRLS). En una aplicación práctica, la investigación aplica diferentes técnicas de aprendizaje automático a un conjunto de datos proporcionado por un laboratorio en Montevideo, con el objetivo de predecir los valores de los componentes químicos a partir de datos de espectroscopia de infrarrojo cercano (NIRS). El objetivo es desarrollar un sistema capaz de predecir automáticamente valores químicos basados en datos NIRS, con un coeficiente de determinación objetivo (R²) de 0,92 establecido por expertos de campo que proporcionaron los datos. Los resultados muestran que al eliminar el ruido y reducir la dimensionalidad mediante coeficientes wavelet, SVM logra valores de R² que superan el objetivo.; This paper explores various machine learning techniques and their underlying statistical learning theory elements, with a specific emphasis on kernel-based supervised learning. The research focuses on a regression problem applied to chemometric data, achieving results competitive with recent publications in the eld. It explores the transition from Empirical Risk Minimization (ERM) to regularization methods like Support Vector Machines (SVM) and Kernel Regularized Least Squares (KRLS). In a practical application, the research applies diferent machine learning techniques to a dataset provided by a laboratory in Montevideo, aiming to predict chemical component values from Near-Infrared Spectroscopy (NIRS) data. The goal is to develop a system capable of automatically predicting chemical values based on NIRS data, with a target coefficient of determination (R²) of 0.92 set by field experts. The results show that by eliminating noise and reducing dimensionality using wavelet coefficients, SVM achieves R² values exceeding the target for both training and test data. Descripción: Tribunal integrado por: Ricardo Fraiman, Leonardo Moreno y Marco Scavino. 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/52059 Título: Inferencia bayesiana en modelos de volatilidad estocástica Autor: Garrido, Luciano; Altamiranda, Diego Resumen: En los modelos de volatilidad estocástica, la volatilidad es un proceso latente no observable directamente, lo que complica tanto la estimación de sus parámetros como su inferencia en tiempo real. El objetivo principal de este trabajo es presentar un esquema de inferencia eficiente para estos modelos, abordando tanto la estimación de los parámetros como la predicción del estado latente de la volatilidad. Para ello, se adopta un enfoque basado en un modelo bayesiano jerárquico, en el que la volatilidad sigue una estructura probabilística multinivel. En este marco, se implementa un método de muestreo de Gibbs dentro de un esquema cadena de Markov Monte Carlo (MCMC), lo que permite obtener estimaciones consistentes de los parámetros del modelo. Sin embargo, debido a la naturaleza batch del muestreo MCMC, este método no resulta óptimo para realizar predicciones en línea. Para superar esta limitación, se introduce un filtro de partículas, que permite estimar y actualizar la volatilidad en tiempo real a medida que se observan nuevos datos. Para ilustrar la aplicación de las técnicas propuestas, se realiza un estudio empírico utilizando datos reales correspondientes al precio diario de Bitcoin (BTC) en dólares estadounidenses (USD) durante el periodo 2022-2024, un activo que se caracteriza por su marcada volatilidad. Descripción: Tribunal integrado por: Leonardo Moreno, Fernando Massa y Marco Scavino. 2025-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/51768 Título: Predicciones globales de fecundidad mediante técnicas de aprendizaje profundo Autor: Morini, Facundo Resumen: El proceso de declive sostenido de la fecundidad en todas las regiones del planeta ha agudizado la necesidad de obtener proyecciones demográficas precisas. En la actualidad, el uso de modelos bayesianos jerárquicos domina el campo de las proyecciones de fecundidad, siendo el enfoque utilizado por las Naciones Unidas y por los institutos de estadística de muchos países. Sin embargo, a pesar de presentar buenos resultados, estos modelos tienen ciertas debilidades, como la dificultad para incorporar información de otras variables que puedan mejorar los resultados de las proyecciones. En este trabajo se propone un método novedoso para la predicción de la Tasa Global de Fecundidad (TGF), planteando un enfoque de series temporales a partir de modelos de aprendizaje profundo que permiten la inclusión de información histórica relevante. Los resultados obtenidos muestran que este enfoque es capaz de capturar la dinámica de la fecundidad en la mayoría de las poblaciones analizadas y de representar adecuadamente la incertidumbre asociada a las predicciones obtenidas. Descripción: Tribunal integrado por: Paola Bermolen, Natalia da Silva y Daniel Ciganda. 2025-01-01T00:00:00Z