En esta tesis se realiza el desarrollo de un modelo de Reinforcement Learning para optimización secuencial de portafolios, incorporando el riesgo mediante el Expected Shortfall. El modelo aprende políticas de decisiones sobre activos de un portafolio (comprar, vender o mantener) usando información de retornos de distintos tipos de activos (acciones, ETFs y criptomonedas) para distintas líneas temporales, junto con un umbral de decisión compuesta que se adapta de forma dinámica según la volatilidad de los retornos. Basándose en prueba y error, obteniendo como recompensa una métrica de retorno ajustado por riesgo, definida por el retorno marginal obtenido de un conjunto de movimientos respecto a una inversión libre de riesgo, ajustada por una métrica de riesgo explícita.El objetivo principal de la tesis es evaluar si un enfoque de Reinforcement Learning logra detectar patrones dinámicos de mercado y lograr generalizarlos para escenarios fuera de muestra. Comparándolo con otros modelos tanto financieros estadísticos, como modelos de machine learning supervisados y no supervisados. Los resultados muestran que, para enfoques más conservadores sobre el umbral, el modelo de Reinforcement Learning tiene un menor gap entre entrenamiento validación y testeo, siendo sus resultados más permanentes entre fases. Los enfoques más de rentabilidad pura, poseen mayor volatilidad entre fases de validación y testeo, teniendo un mayor riesgo que sus competidores y resultados similares.

Las descargas eléctricas atmosféricas representan una amenaza significativa tanto para la seguridad humana como para la infraestructura crítica, ocasionando pérdidas económicas y afectando sectores estratégicos como la minería, la aeronáutica y la gestión de emergencias. La detección temprana de estos eventos es clave para implementar medidas preventivas y fortalecer sistemas como el Sistema de Alerta de Emergencia (SAE). Este trabajo desarrolla un sistema experto offline para la predicción de descargas eléctricas atmosféricas en Chile, integrando variables meteorológicas convencionales (temperatura, humedad, presión, viento y radiación) y, en los casos disponibles, el campo eléctrico ambiental como variable crítica. Se entrenaron y evaluaron modelos basados en redes neuronales, incluyendo arquitecturas LSTM y Conv1D, utilizando datos históricos de Chile, Argentina y Perú. El conjunto de Perú, que incluyó mediciones de campo eléctrico de alta resolución, permitió alcanzar resultados sobresalientes: el mejor modelo logró un F1-score de 0.76 para el horizonte de 1 hora, mientras que los horizontes de 5, 10, 15 y 24 horas obtuvieron F1-scores de 0.74, 0.74, 0.71 y 0.66 respectivamente, demostrando que la dinámica del campo eléctrico es fundamental para capturar la secuencia previa a una descarga. En contraste, los modelos entrenados solo con variables meteorológicas en Chile no superaron el 10 % de F1, confirmando la limitada correlación horaria entre estas variables y la ocurrencia de rayos. Argentina mostró resultados intermedios: para GLM el mejor modelo LSTM alcanzó un F1 de 0.53, mientras que en WWLLN cayó a 0.23, reflejando la alta variabilidad y ruido en los datos de campo eléctrico y la sensibilidad a falsos negativos. Los resultados validan la premisa central de la hipótesis: la inclusión del campo eléctrico ambiental como variable de entrada es determinante para lograr un sistema de predicción efectivo. El F1-score de 0.76, alcanzado en el escenario con datos de campo eléctrico, demuestra un alto poder predictivo que contrasta drásticamente con el rendimiento inferior al 10 % obtenido en su ausencia. Esta brecha confirma que, si bien el umbral del 85 % no fue alcanzado, la señal eléctrica es el componente más crítico. El estudio revela que, en escenarios donde esta variable no está disponible, la capacidad de predicción es severamente limitada. Estos hallazgos refuerzan la necesidad de desplegar sensores de campo eléctrico en redes de monitoreo y consolidan la relevancia de las arquitecturas secuenciales para modelar la naturaleza dinámica de las descargas eléctricas atmosféricas.

The thesis addresses the problem of ambiguity in the choice of the renormalization scale in perturbative QCD. These ambiguities, along with the dependence on the renormalization scheme, represent a significant source of uncertainty in theoretical predictions for fundamental processes. The research presents and compares two methods for setting the renormalization scale: the Conventional Scale Setting (CSS) and the Principle of Maximum Conformality (PMC). The PMC method is introduced as a solution to suppress the dependence on the renormalization scale by systematically absorbing the non-conformal terms into the strong running coupling. In this way, an effective coupling is obtained, and an optimal effective scale (PMC scale) is determined as the result of the adjustment. The PMC method provides a completely conformal perturbative observable. Based on the standard invariance of the renormalization group, this method eliminates unnecessary systematic errors in high-precision perturbative QCD predictions. Finally, the PMC method is applied to improve the relation between heavy quark masses in the On-shell and MS schemes, the electroweak parameter ρ, and the determination of the hadronic decay width of the W boson.

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.