DATOS IDENTIFICATIVOS 2023_24
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 Primer 2Q
Lengua de impartición
Castellà
Departamento Gestión de Empresas
Coordinador/a
SORROSAL FORRADELLAS, MARIA TERESA
 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 y fuzzy sets. Estos instrumentos permiten tratar la incertidumbre inherente a la mayoría de situaciones económicas con una mejor adaptación a la realidad.

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
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
Tipo C Código Resultados de aprendizaje

Contenidos
tema Subtema
Tema1: LA VALUACIÓN. 1.1. CONCEPTO DE VALUACIÓN
1.2. ARITMÉTICA DE LAS VALUACIONES
1.3. PROPIEDADES
TEMA 2. INTÉRVALOS DE CONFIANZA 2.1. INTERVALOS DE CONFIANZA
2.2. OPERACIONES CON INTERVALOS DE CONFIANZA
2.3. RELACIÓN DE ORDEN
2.4. MAXIMIZACIÓN Y MINIMIZACIÓN
TEMA 3. LA TEORÍA DE LOS SUBCONJUNTOS BORROSOS 3.1 CONCEPTO DE SUBCONJUNTO BORROSO
3.2 INTERSECCIÓN, UNIÓN Y COMPLEMENTACIÓN
3.4 OTROS OPERADORES DE LOS SUBCONJUNTOS BORROSOS
TEMA 4. NÚMEROS BORROSOS. NÚMEROS BORROSOS TRIANGULARES, TRAPEZOIDALES Y L-R DE DUBOIS PRADE 4.1 CONCEPTO DE NÚMEROS BORROSOS
4.2 OPERACIONES CON NÚMEROS BORROSOS
4.3 MÁXIMO Y MÍNIMO DE NÚMEROS BORROSOS
4.4 NÚMEROS BORROSOS TRIANGULARES
4.5 NÚMEROS BORROSOS TRAPEZOIDALES
4.6 NÚMEROS BORROSOS L-R DE DUBOIS-PRADE
4.7 ORDENACIÓN DE NÚMEROS BORROSOS
TEMA 5. APLICACIONES A LA GESTIÓN DE EMPRESAS Y A LA ECONOMÍA 5.1 EL VALOR ACTUAL NETO CON DATOS INCIERTOS
5.2 SELECCIÓN DE CARTERAS DE INVERSIONES
5.3 LA MATEMÁTICA FINANCIERA CON DATOS INCIERTOS: VALORACIÓN DE CAPITALES Y RENTAS
5.4 PRÉSTAMOS INDEXADOS
5.5 PRESUPUESTOS Y RATIOS BORROSOS
5.6. OTRAS APLICACIONES
TEMA 6. INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES (RNA) 6.1 CONCEPTO DE RNA
6.2. ELEMENTOS BÁSICOS DE UNA RNA
6.3. CARACTERÍSTICAS
TEMA 7. REDES BACKPROPAGATION (BP) 7.1 ESTRUCTURA Y FUNCIONAMIENTO DE UNA BP
7.2. APRENDIZAJE EN UNA RED BP
7.3. EJEMPLOS DE APLICACIONES DE LA RED BP EN EL ÁMBITO DE LA ECONOMÍA Y LA EMPRESA
TEMA 8. MAPAS AUTO-ORGANIZATIVOS DE KOHONEN 8.1 ESTRUCTURA Y FUNCIONAMIENTO DE UN
MAPA DE KOHONEN
8.2. APRENDIZAJE EN UNA RED NO
SUPERVISADA: EL CASO DEL MAPA DE KOHONEN
8.3. EJEMPLOS DE APLICACIONES DEL MAPA DE KOHONEN EN EL ÁMBITO DE LA ECONOMÍA Y LA EMPRESA

Planificación
Metodologías  ::  Pruebas
  Competencias (*) Horas en clase
 Horas fuera de clase
 (**) Horas totales
Actividades introductorias
1 0 1
Sesión magistral
A9
 13 10 23
Resolución de problemas/ejercicios en el aula ordinaria
A9
 8 12 20
Trabajos
A9
 2 27 29
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
 Se realizarán dos trabajos, uno para cada parte de la asignatura. En clase se explicará el contenido de los trabajos. 100%
Otros  
 
Otros comentarios y segunda convocatoria

Si se suspende uno o los dos trabajos, en la segunda convocatoria se tendrá que presentar los trabajos suspendidos con las modificaciones indicadas en la corrección.

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. (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.

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. (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 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.

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

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

López Iturriaga, F.J.; Pastor Sanz, I. (2013): “Self-organizing maps as a tool to compare financial macroeconomic imbalances: The European, Spanish and German case”, The Spanish Review of Financial Economics, 11(2), pp. 69-84.

Nunes, I.; Hernane, D.; Andrade, R.; Bartocci, L.H.; Franco dos Reis, S. (2017): Artificial Neural Networsk: A practical Course. Springer

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.

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

Tkác, M., Verner, R. (2016): “Artificial neural networks in business: Two decades of research”, Applied Soft Computing, 38, 788-804

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.; 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.

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.