Los marcos tradicionales de optimización de portafolios basados en media-varianza enfrentan dificultades para capturar dependencias no lineales y riesgos de cola, particularmente durante turbulencia del mercado. Este estudio propone un marco híbrido que integra cinco metodologías avanzadas: modelamiento marginal GARCH-EVT, cópulas R-vine, optimización bayesiana Black-Litterman, ensambles de aprendizaje profundo, y aprendizaje por refuerzo. Los modelos GARCH(1,1) con Teoría de Valores Extremos capturan clustering de volatilidad y colas pesadas, mientras que las cópulas R-vine descomponen la estructura de dependencia de 27 dimensiones en 351 pair-copulas optimizadas. Las views de inversionistas se generan mediante un ensamble de modelos LSTM, Transformer, y XGBoost, integrados en un marco bayesiano Black-Litterman, y desplegados a través de Optimización de Política Proximal para rebalanceo adaptativo. Utilizando 15.5 años de datos diarios (2010-2025) para 27 acciones principales de EE.UU. bajo un diseño walk-forward, la estrategia BL-RL propuesta logra un ratio de Sharpe de 0.910, superando significativamente los benchmarks tradicionales con ratios de Sharpe negativos (Reality Check p = 0.023). También demuestra protección mejorada a la baja (drawdown máximo -7.32\% vs. -16.59\% a -19.58\%) y resiliencia durante la caída del COVID-19 y el mercado bajista de 2022. Estos resultados subrayan el potencial de integrar técnicas estadísticas avanzadas, aprendizaje automático, y aprendizaje por refuerzo dentro de un marco bayesiano para gestión institucional robusta de portafolios.

Recent advances in deep learning have significantly improved the performance of image classification models, yet adapting these models to fundamentally different data types—such as point clouds from Light Detection and Ranging (LiDAR) sensors—remains a challenging task. This thesis addresses that challenge by exploring trans-domain knowledge distillation: transferring capabilities learned from well-established image classification networks to LiDAR point cloud classification. Building on insights gained from earlier research on partial discharge (PD) signal generation using Deep Convolutional Generative Adversarial Networks (DCGANs), our approach leverages adversarial learning principles to preserve domain-specific features during knowledge transfer. Central to this work is a transformer-based distillation framework that aligns the rich feature representations of teacher models (trained on image datasets) with the unique spatial and structural characteristics of LiDAR point clouds. This transformer architecture employs multi-head attention mechanisms to maintain both global structure and local detail—an insight originally derived from our GAN-based PD signal synthesis, where temporal and spectral fidelity proved essential for realistic data generation. Through rigorous experimental validation on benchmark datasets, our distilled models achieve an F1-score of 90.4. Beyond immediate performance gains, this research underscores the versatility of knowledge distillation techniques for trans-domain adaptation. It illustrates how established models trained on high-fidelity image data can enhance the interpretative power of LiDAR-based classifiers, significantly reducing the reliance on large-scale annotated point cloud datasets. Additionally, the thesis explores the impact of optimizing distillation parameters—such as temperature and weighting factors—and highlights the potential of self-supervised learning for scenarios where annotated teacher data are scarce. The proposed methodology has broad applicability, potentially extending beyond the fusion of image and LiDAR domains to other fields characterized by data disparities in availability, frequency, and richness. Ultimately, this work lays the groundwork for more robust, efficient, and cost-effective perception systems that can accelerate the deployment of intelligent, real-time applications such as autonomous driving and beyond.

En el contexto actual de cambio global, y en particular del cambio climático, la mitigación de sus efectos es un tema central que debemos resolver como sociedad. El estudio exhaustivo de distintas estrategias de intervención es fundamental, no solo para conocer y aplicar soluciones viables e innovadoras, sino también para identificar aquellas más adecuadas según el contexto específico, en este sentido, la exploración de nuevos enfoques resulta esencial para la implementación de intervenciones efectivas que contribuyan al cumplimiento de los objetivos de desarrollo sostenible. Uno de los ámbitos con mayor potencial para avanzar en esta dirección son las intervenciones en el patrimonio construido, una línea de investigación que ha comenzado a explorarse recientemente y cuya intersección entre sostenibilidad y conservación patrimonial aún se encuentra en una etapa temprana. En este contexto, se vuelve urgente replantear las estrategias de adaptación y recuperación del entorno construido, integrando criterios que no solo respondan a los desafíos ambientales, sino que también respeten los principios de conservación histórica y patrimonial. Esta investigación se centra en un sector del barrio "El Almendral" de Valparaíso, dentro de dos zonas de conservación histórica de la ciudad. Se analizan tanto las edificaciones patrimoniales como el espacio público, con el objetivo de proponer estrategias de intervención que integren soluciones basadas en la naturaleza (SbN) para la climatización urbana y la valorización del patrimonio arquitectónico. Estas propuestas consideran la normativa local e internacional de conservación y son evaluadas mediante modelos simulados mediante el software ENVI-met. Se estudia la factibilidad técnica y los beneficios de cada estrategia, mediante el gran espectro de información climática entregada a partir de las simulaciones y extensiva revisión bibliográfica, con especial énfasis en índices de temperatura y confort. Esta información es luego analizada bajo un estudio comparativo para lograr identificar la alternativa más efectiva, respecto a la situación original, para responder a los efectos de la Isla de Calor Urbano (ICU) en el microclima. Los hallazgos des esta investigación brindan información valiosa para la formulación de nuevas políticas públicas y recomendaciones orientadas a mitigar los efectos del cambio climático en los microclimas urbanos y adaptar el entorno construido para alcanzar ciudades resilientes.

Los balnearios de la región de Valparaíso —enclaves cuyo leitmotiv es la práctica del ocio en torno al océano— se han consolidado, desde fines del siglo XIX, como el principal destino turístico a nivel nacional. Estos espacios son reconocidos por su inmensa riqueza patrimonial, sustentada en valores históricos, ambientales, sociales, culturales, arquitectónicos, urbanísticos y económicos. No obstante, en la actualidad, gran parte de este territorio se encuentra en un avanzado estado de degradación, tendencia que probablemente se intensificará en el futuro, en la medida en que el turismo continúa posicionándose simultáneamente como motor de desarrollo económico y una importante amenaza a los valores que sustentan dicho patrimonio. Con el fin de comprender este fenómeno, se caracterizó la tipología balneario, se identificaron los distintos factores que han contribuido a su deterioro actual, y se reconocieron oportunidades para un desarrollo sostenible basado en el turismo. A partir de este análisis y de la revisión de orientaciones para la gestión sostenible del patrimonio cultural, se diseñó una metodología aplicada a tres casos de estudio piloto, con el propósito de establecer lineamientos y acciones que orienten el desarrollo sostenible de los balnearios en general. Esta propuesta busca salvaguardar el patrimonio de estos destinos turísticos, al mismo tiempo que se considera y responde a las demandas contemporáneas.

La zona central de Chile, especialmente la Cordillera de los Andes, alberga una de las criósferas más diversas del planeta y constituye una fuente crítica de recursos hídricos almacenados en forma de nieve y hielo glaciar. Estudios recientes han evidenciado un retroceso significativo de glaciares en esta región, especialmente en la cuenca del río Maipo, como consecuencia del cambio climático global y de factores antrópicos locales. Investigaciones han mostrado que la reducción en la acumulación nival invernal, junto con el aumento de temperaturas estivales, ha derivado en una severa sequía prolongada, conocida como Megasequía. A través de diversos estudios glaciológicos y análisis satelitales, se ha documentado la disminución de superficie y volumen de glaciares emblemáticos como Echaurren Norte, El Morado y Olivares Alfa, todos ubicados en los Andes Centrales. Además, se ha identificado una influencia directa de contaminantes como el carbono negro (Black Carbon, BC) y material particulado (MP) en la aceleración del derretimiento glaciar. Estos contaminantes, emitidos por actividades industriales y vehiculares, reducen el albedo de la superficie glaciar, favoreciendo la absorción de radiación solar y, por ende, el derretimiento. Un caso ilustrativo es el Glaciar Olivares Alfa, cuyo mayor retroceso ha sido asociado a su cercanía con faenas mineras, en contraste con el Glaciar Bello, ubicado en la misma cuenca pero con menor exposición a dichas emisiones. Pese a los avances, aún existe escasa investigación nacional que permita cuantificar con precisión el impacto de estas causas antrópicas sobre los glaciares y los recursos hídricos. Las diferencias en las tasas de retroceso entre glaciares sometidos a condiciones climáticas similares sugieren la necesidad urgente de más estudios enfocados en la influencia de la contaminación local.