DATOS IDENTIFICATIVOS 2018_19
Asignatura (*) INSTRUMENTOS PARA LA DECISIÓN EN LA INCERTIDUMBRE Código 16665213
Titulación
Dirección de Empresas (2016)
Ciclo 1º y 2º
Descriptores Cr.totales Tipo Curso Periodo
3 Optativa 2Q
Lengua de impartición
Castellà
Departamento Gestión de Empresas
Coordinador/a
TERCEÑO GÓMEZ, ANTONIO
Correo-e mariateresa.sorrosal@urv.cat
antonio.terceno@urv.cat
Profesores/as
SORROSAL FORRADELLAS, MARIA TERESA
TERCEÑO GÓMEZ, ANTONIO
Web
Descripción general e información relevante Esta asignatura introduce a los estudiantes en un conjunto de nuevas metodologías para plantear y resolver los problemas económicos y de la empresa basados en: fuzzy logic, fuzzy sets y redes neuronales artificiales. Aquests instruments permeten tractar la incertesa inherent a la majoria de situacions econòmiques amb una millor adaptació a la realitat.

Competencias
Tipo A Código Competencias Específicas
 A9 Utilizar y combinar las técnicas más adecuadas, tanto cuantitativas como cualitativas, para desarrollar un proyecto de investigación en el ámbito de la economía de la empresa. (Especialidad investigación)
Tipo B Código Competencias Transversales
 CT1 Desarrollar la autonomía suficiente para trabajar en proyectos de investigación y colaboraciones científicas o tecnológicas dentro de su ámbito temático
 CT3 Resolver problemas complejos de forma crítica, creativa e innovadora en contextos multidisciplinares.
Tipo C Código Competencias Nucleares

Resultados de aprendizaje
Tipo A Código Resultados de aprendizaje
 A9 Tomar decisiones en un ambiente de incertidumbre aplicando técnicas fuzzy sets y redes neuronales artificiales a problemas de Economía y Empresa.
Tipo B Código Resultados de aprendizaje
 CT1 Desarrollar la autonomía suficiente para trabajar en proyectos de investigación y colaboraciones científicas o tecnológicas dentro de su ámbito temático
 CT3 Resolver problemas complejos de forma crítica, creativa e innovadora en contextos multidisciplinares.
Tipo C Código Resultados de aprendizaje

Contenidos
tema Subtema
Tema1: LA VALUACIÓN. INTERVALOS DE CONFIANZA 1.1. CONCEPTO DE VALUACIÓN
1.2. ARITMÉTICA DE LAS VALUACIONES
1.3. PROPIEDADES
1.4. INTERVALOS DE CONFIANZA
1.5. OPERACIONES CON INTERVALOS DE CONFIANZA
1.6. RELACIÓN DE ORDEN
1.7. MAXIMIZACIÓN Y MINIMIZACIÓN
TEMA 2. NÚMEROS BORROSOS. NÚMEROS BORROSOS TRIANGULARES, TRAPEZOIDALES Y L-R DE DUBOIS PRADE 2.1 CONCEPTO DE NÚMEROS BORROSOS
2.2 OPERACIONES CON NÚMEROS BORROSOS
2.3 MÁXIMO Y MÍNIMO DE NÚMEROS BORROSOS
2.4 NÚMEROS BORROSOS TRIANGULARES
2.5 NÚMEROS BORROSOS TRAPEZOIDALES
2.6 NÚMEROS BORROSOS L-R DE DUBOIS-PRADE
TEMA 3. LA TEORÍA DE LOS SUBCONJUNTOS BORROSOS 3.1 CONCEPTO DE SUBCONJUNTO BORROSO
3.2 REDEFINICIÓN DE NÚMERO BORROSO
3.3 INTERSECCIÓN, UNIÓN Y COMPLEMENTACIÓN
3.4 OTROS OPERADORES DE LOS SUBCONJUNTOS BORROSOS
TEMA 4. APLICACIONES EN LA GESTIÓN DE EMPRESAS Y LA ECONOMÍA 4.1 EL VALOR ACTUAL NETO CON DATOS INCIERTOS
4.2 SELECCIÓN DE CARTERAS DE INVERSIONES
4.3 LA MATEMÁTICA FINANCIERA CON DATOS INCIERTOS:
VALORACIÓN DE CAPITALES Y RENTAS
4.4 PRÉSTAMOS INDEXADOS
4.5 PRESUPUESTOS Y RATIOS BORROSOS
4.6 TIR BORROSA
4.7 ESTRUCTURA TEMPORAL DE LOS TIPOS DE INTERÉS
4.8 CÁLCULO DE LA PRIMA EN SEGUROS DE VIDA
4.9 OTRAS APLICACIONES
TEMA 5. INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES (RNA) 5.1 CONCEPTO DE RNA
5.2. ELEMENTOS BÁSICOS DE UNA RNA
5.3. CARACTERÍSTICAS

TEMA 6. REDES BACKPROPAGATION (BP) 6.1 ESTRUCTURA Y FUNCIONAMIENTO DE UNA
BP
6.2. APRENDIZAJE EN UNA RED BP
6.3. EJEMPLOS DE APLICACIONES DE LA RED BP
TEMA 7. MAPAS AUTO-ORGANIZATIVOS DE KOHONEN 7.1 ESTRUCTURA Y FUNCIONAMIENTO DE UN
MAPA DE KOHONEN
7.2. APRENDIZAJE EN UNA RED NO
SUPERVISADA
7.3. EJEMPLOS DE APLICACIONES DEL MAPA DE KOHONEN

Planificación
Metodologías  ::  Pruebas
  Competencias (*) Horas en clase
Horas fuera de clase
(**) Horas totales
Actividades introductorias
1 0 1
Sesión magistral
A9
15 0 15
Resolución de problemas/ejercicios en el aula ordinaria
A9
CT3
8 10 18
Trabajos
A9
CT1
CT3
4 35 39
Atención personalizada
2 0 2
 
 
(*) En el caso de docencia no presencial, serán las horas de trabajo con soporte virtual del profesor.
(**) Los datos que aparecen en la tabla de planificación son de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías
Metodologías
  descripción
Actividades introductorias Se hará una introducción general del curso y su significación.
Sesión magistral Cada uno de los temas del programa se iniciarán con una explicación por parte del profesorado donde se explicarán los contenidos, se comentará la bibliografía y referencias y se propondrán los ejercicios a desarrollar.
Resolución de problemas/ejercicios en el aula ordinaria Se propondrán una serie de ejercicios que el estudiante preparará previamente a la clase y posteriormente se corrigirá en esta.
Trabajos El contenido del trabajo a realizar se explicará en clase.
Atención personalizada Horas de atención del profesorado de la asignatura para resolver dudas que permitan alcanzar los objetivos de aprenendizaje.

Atención personalizada
descripción
Los estudiantes contarán con la hora de atención del profesorado de la asignatura para resolver dudas que permitan alcanzar los objetivos de aprendizaje.

Evaluación
Metodologías Competencias descripción Peso        
Trabajos
A9
CT1
CT3
En clase se explicará el contenido de los dos trabajos (cada uno tiene un peso del 50%).
100%
Otros  
 
Otros comentarios y segunda convocatoria

La segunda convocatoria se evaluará con dos trabajos con un peso en la nota del 100% (cada trabajo pondera un 50%).


Fuentes de información

Básica

Bellman, R. E. y Zadeh, L. A. (1970): “Decision Making in a fuzzy environment”. Management Sciences, N. 5.

Buckley, J. J. (1992): “Solving fuzzy equations”. Fuzzy Sets and Systems, N. 50, pp. 1-14.

Buckley, J. J. y Qu, Y. (1991): “Solving fuzzy equations: a new solution concept”. Fuzzy Sets and Systems, N. 39, pp. 291-301.

Buckley, J. J y Qu, Y. (1990): “Solving linear and quadratic fuzzy equations”. Fuzzy Sets and Systems, N. 38, pp. 43-59.

Buckley, J. J. (1992): “Solving fuzzy equations in economics and finance”. Fuzzy Sets and Systems, N. 48, pp. 289-296.

De Andrés, J. y Terceño, A. (2003): “Estimating a term structure of interest rates for fuzzy financial pricing by using fuzzy regression methods”. Fuzzy Sets and System, Vol. 139, N. 2.

De Andrés, J. y Terceño, A. (2002): “Aplicaciones actuariales de la teoría de los subconjuntos borrosos”. Cuadernos de CIMBAGE, N. 5, pp. 1-39.

Deboeck, G.; Kohonen, T. (eds.) (1998): Visual explorations in finance: with selforganizing maps. London: Springer.

Dubois, D. y Prade, H. (1980): Fuzzy Sets and Systems: Theory and Applications. Nueva York: Academic Press.

Flórez-López, R.; Fernández-Fernández, J.M. (2008): Las redes neuronales artificiales:Fundamentos teóricos y aplicaciones prácticas. Oleiros: Netbiblo.

Gil Aluja, J. (1995): “Towards a new concept of economic research”. Fuzzy Economic Review, N. 0, pp. 5-25.

Gil Aluja, J. (1997): Invertir en la incertidumbre. Madrid: Pirámide.

Hilera, J.R.; Martínez, V.J. (1995): Redes neuronales artificiales: Fundamentos, modelos y aplicaciones. Madrid: Ra-ma.

Kaufmann, A. y Gupta, M. M. (1985): Introduction to Fuzzy Arithmetic. Nueva York: Van Nostrand Reinhold.

Kaufmann, A. y Gil Aluja, J. (1990): Las matemáticas del azar y de la incertidumbre. Madrid: Ceura.

Kaufmann, A. y Gil Aluja, J. (1993): Técnicas especiales para la gestión de expertos. Vigo: Milladoiro.

Kaufmann, A.; Gil Aluja, J. y Terceño, A. (1994): Matemática para la economía y la gestión de empresas. Barcelona: Foro Científico.

Kaufmann, A. y Gil Aluja, J. (1987): Técnicas operativas de gestión para el tratamiento de la incertidumbre. Barcelona: Hispano Europea.

Lai, Y. L y Hwang, C. L. (1992): Fuzzy mathematical programming. Berlín: Springer-Verlag.

Lemaire, J. (1990): “Fuzzy insurance”. Astin Bulletin, N. 20, pp. 33-55.

Li Calzi, M. (1990): “Towards a general setting for the fuzzy mathematics of finance”. Fuzzy Sets and Systems, N. 35, pp. 265-280.

Ortí F.; Sáez J. y Terceño, A. (2002): “On the treatment of uncertainty in portfolio selection”. Fuzzy Economic Review, Vol. 7, N. 2, pp. 59-80.

Ostaszewski, K. (1993): An investigation into possible applications of fuzzy sets methods in actuarial science. Schaumburg: Society of Actuaries.

Rommelfanger, H.; Hanuscheck, R. y Wolf, J. (1989): “Linear programming with fuzzy objectives”. Fuzzy Sets and Systems, Vol. 29.

Sakawa, M. y Yano, H. (1992): “Fuzzy regression and its applications”. En: Kacprzyk, J. y Fedrizzi, M. (eds.), Fuzzy regression analysis. Heildelberg: Physica-Verlag.

Sorrosal, M.T.; Barberà, M.G.; Martinez, L.B.; Garbajosa, M.J. (2012): “Memory in Financial Time Series: Form Investor Behavior to Artificial Neural Networks”. En: Methods for Decision Making in an Uncertain Environment. World Scientific Proceedings Series on Computer Engineering and Information Science: Vol. 6.

Tanaka, H. y Asai, K. (1984): “Fuzzy linear programming with fuzzy numbers”. Fuzzy Sets and Systems, Vol. 13.

Tanaka, H. y Ishibuchi H. (1992): “A possibilistic regression analysis based on linear programming”. En: Kacprzyk, J. y; Fedrizzi, M. (eds.), Fuzzy regression analysis. Heildelberg: Physica-Verlag.

Terceño, A.; Lorenzana, T.; De Andrés, J. y Barberà, M. G. (2003): “Using fuzzy set theory in the choice of capital investments”. The International Journal of Uncertainty, Fuzziness and Knowledge-based Systems, Vol. 11, N. 3.

Terceño, A.; De Andrés, J. y Barberà, M. G. (2001): “The Use of Fuzzy Programming in the Management of Immunised Fixed Income Portfolios”. En: Zopounidis, C.; Pardalos, P. M. y Baourakis, G. (eds.), Fuzzy Sets Systems in Management, Economics and Marketing, pp. 129-145. Singapur: World Scientific.

Terceño, A.; De Andrés, J.; Barberà, M. G. y Lorenzana, T. (2001): “Investment Management in Uncertainty”. En: Gil Aluja, J. (ed.), Handbook of Management under Uncertainty, pp. 323-391. Dordrecht: Kluwer.

Terceño, A.; Sorrosal, M.T.; Martinez, L.B.; Barberà, M.G. (2013): “Sovereign Bond Spreads Evolution in Latin American Countries”. En: Modelling and Simulation in Engineering, Economics, and Management. Lecture Notes in Business Information Processing. Vol. 145, pp. 171-180. Springer-Verlag.

Vigier, H.; Brignole, D. y Terceño, A. (2002): “Modelo de predicción de enfermedades de las empresas a través de relaciones fuzzy”. En: Dichiara, R. O. (ed.), Competitividad de pequeñas y medianas empresas industriales y desarrollo regional, pp. 65-74, Bahía Blanca: Universidad Nacional del Sur.

Yen, K. K.; Ghoshray, S. y Roig, G. (1999): “A linear regression model using triangular fuzzy number coefficients”. Fuzzy Sets and Systems, N. 106, pp. 167-177.

Zadeh, L. (1965): "Fuzzy sets”. Information and Control, N. 8, pp. 338-353.

Zimmermann, H. J. (1991): Fuzzy Set Theory and Its Applications. Dordrecht: Kluwer.

Complementaria

Recomendaciones


(*)La Guía docente es el documento donde se visualiza la propuesta académica de la URV. Este documento es público y no es modificable, excepto en casos excepcionales revisados por el órgano competente o debidamente revisado de acuerdo la normativa vigente.