Análisis Del Impacto de Los Resultados Deportivos en La Rentabilidad de Las Acciones de Clubes Chilenos de Fútbol Aplicando Metodología de Estudio de Eventos

UNIVERSIDAD DE TARAPACÁ
ESCUELA UNIVERSITARIA DE INGENIERÍA

INDUSTRIAL, INFORMÁTICA Y DE SISTEMAS
Ingeniería Civil Industrial
ANÁLISIS DEL IMPACTO DE LOS RESULTADOS DEPORTIVOS EN LA

RENTABILIDAD DE LAS ACCIONES DE CLUBES CHILENOS DE FÚTBOL:
APLICANDO METODOLOGÍA DE ESTUDIO DE EVENTOS.
Tesis para optar al título de:

Ingeniero Civil Industrial
Alumnos:
Leonardo Canales Aguirre
Angel Díaz Rojas
Profesor Guía:
Carlos Díaz Contreras
ARICA, CHILE
2017
RESUMEN
El presente estudio analizó el impacto de los resultados deportivos obtenidos

por los clubes chilenos que actualmente cotizan en la Bolsa de Comercio de
Santiago, durante el período Julio de 2016 hasta Junio de 2017, analizando si estos
pueden afectar significativamente la rentabilidad accionaria de las sociedades que
representan estos clubes. Para ello, se realizó un estudio de tres campeonatos
deportivos efectuados en dicho período.
Para determinar esto, se utilizó la metodología de estudio de eventos, la cual

se basa en elegir el evento a estudiar, analizar las muestras seleccionadas,
determinar las fechas donde se aplicará el estudio, la estimación de la rentabilidad
ordinaria y extraordinaria para aplicar un contraste de significancia estadística, y
finalmente analizar e interpretar los resultados obtenidos.
Los principales resultados obtenidos en este estudio, evidencian que los

resultados deportivos no tuvieron un impacto significativo en el período de estudio,
así también se demostró que no existe diferencia en las rentabilidades
extraordinarias obtenidas generadas a partir de las diferentes posiciones que se
encuentra un club a lo largo del campeonato, siendo inexistente también la
diferencia en las rentabilidades extraordinarias entre distintos campeonatos.
Finalmente, se concluye en este estudio que el mercado accionario enfocado

en las sociedades anónimas que representan los clubes de fútbol chileno es
indiferente a los resultados deportivos obtenidos por estos, siendo posible que sus
rentabilidades accionarias estén relacionadas a temas administrativos o de otra
índole.
2
Tabla de contenido
CAPÍTULO I: ..................................................................................................................................... 5
ANTECEDENTES GENERALES. ................................................................................................. 5
1.1. INTRODUCCIÓN .......................................................................................................... 6
1.2. JUSTIFICACIÓN. ......................................................................................................... 7
1.3. OBJETIVOS. ................................................................................................................. 7
1.3.1. Objetivo general. ...................................................................................................... 7
1.3.2. Objetivos específicos. ............................................................................................ 7
1.4. METODOLOGÍA........................................................................................................... 7
1.5. ESTRUCTURA DE TESIS .......................................................................................... 8
1.6. ALCANCES Y LIMITACIONES DEL ESTUDIO. .................................................... 8
CAPÍTULO II: .................................................................................................................................. 10
MARCO TEÓRICO. ....................................................................................................................... 10
2.1. METODOLOGÍA DE ESTUDIO DE EVENTOS. ....................................................... 11
2.1.1. DEFINICIÓN. ........................................................................................................... 11
2.1.2. FASES DE UN ESTUDIO DE EVENTOS. ......................................................... 12
2.1.3. DEFINICIÓN DEL EVENTO. ................................................................................ 13
2.1.4. SELECCIÓN DE MUESTRA. ............................................................................... 14
2.1.5. ESTIMACIÓN DE LA RENTABILIDAD ESPERADA O NORMAL. .............. 14
2.1.6. ESTIMACIÓN DE LA RENTABILIDAD EXTRAORDINARIA. ....................... 15
2.1.7. AGREGACIÓN DE LA RENTABILIDAD EXTRAORDINARIA. ..................... 16
2.1.8. DETERMINACIÓN DEL PERÍODO DE EVENTO. ........................................... 17
2.1.9. CONTRASTES DE SIGNIFICANCIA ESTADISTICA DE LAS
RENTABILIDADES EXTRAORDINARIAS........................................................................ 18
2.2. PRUEBA DE HIPÓTESIS. ............................................................................................ 19
2.3. MODELOS DE ESTIMACIÓN. ..................................................................................... 19
2.4. PROBLEMAS EN EL ESTUDIO DE EVENTOS. ...................................................... 20
2.4.1. POSIBLES SESGOS............................................................................................. 20
2.4.2. FECHA DE ANUNCIO........................................................................................... 20
2.4.3. EVENTOS AGRUPADOS. .................................................................................... 20
2.5. CASOS APLICADOS DEL ESTUDIO DE EVENTOS. ............................................ 20
2.5.1. LA FUSIÓN DE TRES ENTIDADES FINANCIERAS COLOMBIANAS
(BANCOLOMBIA, CONAVI Y CORFINSURA). ............................................................... 20
2.5.2. RENDIMIENTO DEPORTIVO Y LA VOLATILIDAD DE LAS ACCIONES DE
LOS CLUBES INGLESES DE FÚTBOL. ........................................................................... 21
2.5.3. IMPACTO ECONÓMICO DE LAS FRANQUICIAS DE DEPORTE
PROFESIONAL EN LA ECONOMÍA LOCAL DE ESTADOS UNIDOS. ...................... 22
CAPÍTULO III:................................................................................................................................. 24
METODOLOGÍA. ........................................................................................................................... 24
3.1. DESCRIPCIÓN DE CAMPEONATOS EN ESTUDIO. ............................................. 25
3.1.1. CAMPEONATO SCOTIABANK APERTURA 2016- 2017. ............................. 25
3.1.2. CAMPEONATO SCOTIABANK CLAUSURA 2016-2017 ............................... 25
3.1.3. COPA CHILE MTS 2016....................................................................................... 25
3
3.2. DESCRIPCIÓN DE LAS SOCIEDADES PRESENTES EN EL ESTUDIO. .......... 26
3.2.1. CLUB SOCIAL Y DEPORTIVO COLO-COLO (BLANCO & NEGRO S.A). 26
3.2.2. CLUB DEPORTIVO DE LA UNIVERSIDAD DE CHILE (AZUL AZUL S.A.).
27
3.2.3. CLUB DEPORTIVO UNIVERSIDAD CATÓLICA DE CHILE (CRUZADOS
S.A.D.P.). ................................................................................................................................. 28
3.3. DEFINICIÓN DE LA METODOLOGÍA. ...................................................................... 29
3.4. MODELO DE MERCADO. ............................................................................................ 29
3.5. PERÍODO DE ESTIMACIÓN. ...................................................................................... 30
3.6. VENTANA DE EVENTOS............................................................................................. 30
3.7. PRUEBA DE LOS SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL. .... 31
3.7.1. HETEROCEDASTICIDAD. ................................................................................... 31
3.7.2. AUTOCORRELACIÓN. ......................................................................................... 32
3.8. APLICACIÓN DE HIPÓTESIS. .................................................................................... 33
3.9. HIPÓTESIS PLANTEADAS. ........................................................................................ 34
3.10. PRUEBA DE SIGNIFICANCIA ESTADÍSTICA..................................................... 34
3.10.1. PRUEBA DE SIGNIFICANCIA PARA UNA MUESTRA. ................................... 34
3.10.2. PRUEBA DE MEDIA PARA DOS MUESTRAS. ................................................. 35
CAPÍTULO IV: ................................................................................................................................ 37
APLICACIÓN. ................................................................................................................................. 37
4.1. SELECCIÓN DE LA MUESTRA.................................................................................. 38
4.2. RESULTADOS DE LOS EQUIPOS. ........................................................................... 38
4.3. COMPROBACIÓN DE LOS SUPUESTOS DEL MODELO DE REGRESIÓN
LINEAL. ....................................................................................................................................... 39
4.3.1. DETECCIÓN DE HETEROCEDASTICIDAD. .................................................... 39
4.3.2. DETECCIÓN DE AUTOCORRELACIÓN. ......................................................... 41
4.4. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO DE MERCADO. ........... 43
4.5. CÁLCULO DE LA RENTABILIDAD ESPERADA. ................................................... 45
4.6. CÁLCULO DE LAS RENTABILIDADES EXTRAORDINARIAS. .......................... 46
4.7. PRUEBA DE LAS HIPÓTESIS PLANTEADAS. ...................................................... 52
CONCLUSIÓN. ............................................................................................................................... 65
ANEXO............................................................................................................................................. 68
ANEXO I. ......................................................................................................................................... 69
BIBLIOGRAFÍA. ............................................................................................................................. 74
4
CAPÍTULO I:
ANTECEDENTES GENERALES.
5
1.1. INTRODUCCIÓN
El creciente auge de la comercialización e internacionalización del fútbol, la

necesidad de los clubes chilenos por conseguir fuentes de ingreso diferentes a la
venta de entradas, la incertidumbre en cuanto a la venta de jugadores y la
profesionalización de la administración de los clubes deportivos han sido factores
importantes para la evolución de la industria.
En Chile, el futbol se encuentra en una etapa de transición, durante varios años

prevaleció el modelo de corporaciones sin fines de lucro el cual se vio cuestionado
a partir de la caída de la industria cerca del año 2000. A partir de 2002 se tuvieron
que hacer cambios en su estructura, ahora bajo el sistema de Sociedades Anónimas
Deportivas Profesionales (SADP), en consecuencia, de la modificación a los
estatutos de la ANFP o con el fin de que la industria diera un salto de calidad y de
promover que invirtieran en la bolsa de comercio de Santiago, permitiendo que
inversionistas se interesaran en invertir en estos clubes deportivos.
En Chile actualmente cuatro clubes están transando en la bolsa de comercio de

Santiago, participando desde el año 2005 hasta la fecha, siendo estos: Colo Colo,
Universidad de Chile, Universidad Católica y Unión Española.
En los mercados eficientes, los accionistas responden a nuevas informaciones o

noticias que, de una u otra forma, pueden considerar a las empresas en las que
invierten. La respuesta de los inversionistas puede tener un impacto en la valoración
de la empresa, que para este caso son los clubes de fútbol chileno. Dadas las
enormes y crecientes cantidades de dinero que están involucradas en el fútbol,
parece legítimo preguntar si perder o ganar un partido de fútbol tiene un impacto en
la valoración del mercado del club de fútbol. Los participantes del mercado de
valores pueden interpretar el resultado como información e integrarlo al precio de la
acción.
Es por esto que se analizarán los clubes que actualmente están transando en la
Bolsa de Comercio de Santiago. Ellos son: Blanco & Negro S.A, conocido como
Colo-Colo, Azul Azul S.A. como Universidad de Chile y Cruzados S.A.D.P. más
conocido como Universidad Católica. Cabe destacar que la información de las
cotizaciones del club Unión Española no se encuentran disponibles, por lo cual no
se consideró en este estudio.
Se analizarán los resultados deportivos de los clubes en los diferentes torneos de

fútbol realizados en el período de estudio, ellos son los Campeonatos Scotiabank
2016-2017 y Copa Chile MTS 2016, analizando si existe un efecto en la rentabilidad
accionaria de estos clubes.
6
1.2. JUSTIFICACIÓN.
Los clubes deportivos pueden ser afectados por diversos eventos tanto
deportivos como no deportivos y su efecto se traduce, entre otras cosas, en la
valorización de sus acciones en la Bolsa de Valores. De acuerdo a lo anterior, se
encuentra la importancia de analizar el efecto ya sea positivo o negativo que tienen
estos eventos en el precio de sus acciones.
Se planteará probar si los distintos resultados deportivos de los clubes chilenos

dentro de este estudio, en un periodo de un año, están relacionados con las
variaciones de las acciones de los clubes chilenos dentro de este estudio y ver si
los resultados deportivos son significantes en las rentabilidades de estos clubes.
1.3. OBJETIVOS.
1.3.1. Objetivo general.
Determinar si los eventos “resultados deportivos” son significativos en las

rentabilidades de las acciones de los equipos en estudio en el periodo 2016 -2017.
1.3.2. Objetivos específicos.
 Estimar la rentabilidad normal o esperada que representa la rentabilidad de

los resultados deportivos si no hubiesen ocurrido.
 Establecer el impacto de los resultados deportivos como rentabilidad
extraordinaria de estos eventos sobre las acciones de los equipos en estudio.
1.4. METODOLOGÍA
Mediante la metodología de estudio de eventos se analizará si los eventos

“resultados deportivos” son significativos en el mercado financiero de los clubes
chilenos, la cual estará basada en los siguientes puntos.
1. Definir el evento o el acontecimiento que se pretende analizar.

2. Determinación de la fecha del anuncio y los periodos de estimación del
evento.
3. Determinar cuál será la ventana del evento para el estudio.
4. Seleccionar el modelo de estimación a utilizar
5. Prueba de los supuestos del modelo de estimación
6. Realizar el cálculo de la rentabilidad esperada y extraordinaria.
7. Prueba de significancia estadística para el estudio.
8. Prueba de las hipótesis planteadas
Figura 1: Estructura de la metodología
7
Fuente: Elaboración propia
1.5. ESTRUCTURA DE TESIS
Esta tesis se encuentra estructurada en cuatro capítulos más las conclusiones,

los cuales se resumen a continuación.
El primer capítulo es de introducción al tema a elaborar, mostrando los

objetivos de este estudio, tanto generales como específicos, la justificación del tema
tratado, la metodología aplicada, la estructura de tesis y los alcances y limitaciones
de la misma.
En el segundo capítulo de este estudio se define la metodología de estudio de

eventos por medio del marco teórico, entregando una visión del desarrollo de esta
metodología junto con algunos casos aplicados en distintos trabajos.
En el siguiente capítulo, se define la metodología general a desarrollar, la

cual abarca también las pruebas que se realizarán para el cumplimiento de los
distintos supuestos que requieren los modelos a utilizar en este estudio.
El cuarto capítulo presenta los resultados obtenidos tantos para las pruebas
realizadas a los modelos como para la metodología de estudio de eventos aplicada.
Finalmente, se tienen las conclusiones de cada hipótesis planteada junto con

una conclusión general del estudio realizado, además se entregan
recomendaciones respecto a una complementación del estudio basándose en los
resultados obtenidos.
1.6. ALCANCES Y LIMITACIONES DEL ESTUDIO.

Los clubes de fútbol chileno se preparan en diferentes aspectos para cada
temporada deportiva, teniendo esta una duración de un año y abarcando los
campeonatos Scotiabank Apertura, Scotiabank Clausura, Copa Chile MTS, Copa
Bridgestone Libertadores y Copa CONMEBOL Sudamericana, por esto el presente
estudio tiene como alcance la última temporada realizada por los clubes que transan
en la Bolsa de Valores de Santiago, siendo esta entre Julio de 2016 hasta Junio de
2017. Los clubes que transan en la Bolsa de Valores de Santiago son únicamente
cuatro, siendo posible acceder sólo a la información de tres clubes.
8
Las limitaciones para este estudio se encuentran en la falta de información
del cuarto club de fútbol que transa en la Bolsa de Valores de Santiago y que no es
posible acceder a su información ya que esta no se encuentra de forma pública, y
que, por razones geográficas y económicas, no se puede acceder a esta de forma
privada. El período de tiempo seleccionado representa cierta limitación ya que se
optó por analizar sólo la temporada más reciente, puesto que esta no es diferente a
las otras realizadas por los clubes en los diez años que llevan estos transando en
la Bolsa de Valores, a excepción de la temporada 2010-2011, donde Universidad
de Chile logró ser campeón de un campeonato internacional, pero que se consideró
que esta temporada está muy alejada de la actualidad del fútbol chileno.
9
CAPÍTULO II:
MARCO TEÓRICO.
10
En el presente capítulo se entrega una revisión bibliográfica de los autores
más recientes que han aplicado la metodología de estudio de eventos, pruebas de
hipótesis y modelos de estimación en sus estudios, entregando diferentes
definiciones según sus propias visiones y experiencias con cada uno de los temas
que se aplicarán a nuestra metodología. Finalmente, en cada apartado se
selecciona la definición que se considera más apropiada para este estudio.
2.1. METODOLOGÍA DE ESTUDIO DE EVENTOS.

2.1.1. DEFINICIÓN.
La metodología de estudio de eventos analiza si un evento tiene un impacto
significativo en el mercado financiero mediante el análisis del
comportamiento de los precios de los bienes tranzados en este mercado.
(Gómez-González y Velandia, 2014). Esta metodología trata de cuantificar el
impacto de un evento en la riqueza de los accionistas. El signo de impacto,
ya sea positivo o negativo, se interpreta como una señal que el mercado de
valores aprueba o desaprueba el evento (Berggrun, 2006). También es usada
con un propósito importante en la investigación de mercados capitales como
una forma de probar la eficiencia del mercado (Eckbo, 2007).
Según Dombrow, Rodriguez y Sirmans (2000), la metodología de estudio de

eventos ha sido utilizada para examinar la dirección, magnitud y velocidad de
reacción del precio de las acciones sobre varios fenómenos.
Cortés, García y Agudelo (2015) definen esta metodología como una de las
más utilizadas para evaluar el efecto tanto de eventos corporativos como
cambios regulatorios en distintas industrias, además menciona que es
utilizada para examinar los rendimientos de una empresa durante una
“ventana de eventos” para determinar si el rendimiento es
extraordinariamente positivo o negativo.
Para efecto delanálisis de este estudio la definición de la metodología de

estudio de eventos de Gómez-González y Velandia es la más adecuada para
el desarrollo del estudio, ya que en conjunto con los objetivos que se quieren
alcanzar, se busca probar si los resultados deportivos tienen impacto en el
mercado financiero en el que participan los clubes deportivos en estudio y
conjunto a lo que define Berggrun, analizando si el mercado aprueba o
desaprueba estos resultados deportivos.
Tee (2016), señala que existen dos razones para utilizar un estudio de
eventos: una razón es para probar la hipótesis nula de que el mercado
incorpora eficientemente la información y otra razón es para examinar el
impacto de algún evento en la riqueza de los dueños de las acciones de una
empresa.
11
Las principales características de esta metodología no han cambiado desde
su desarrollo en los años 60, siendo un supuesto crucial que los mercados
capitales son lo suficientemente eficientes para reaccionar ante eventos con
respecto a los beneficios futuros esperados de las empresas afectadas
(Oberndorfer, Schmidt, Wagner y Ziegler, 2013). Esta hipótesis sostiene que
el precio medio de una empresa refleja en cualquier momento su mejor
estimación basada en la información disponible en el mercado de futuros
flujos de liquidez descontados para esta empresa, asumiendo que toda la
información accesible al público se incorpora al precio medio, a medida que
los agentes transmiten mensajes con esta nueva información en el mercado,
que se pone a disposición del público y se incorpora al precio medio y por lo
tanto, el precio proporciona la mejor estimación para el cambio en el valor de
mercado de una empresa como resultado de anuncios inesperados (Cortés
et al, 2015).
A pesar de esto, Raynaud (2017) señala que han ocurrido dos modificaciones
desde la publicación de la metodología de estudio de eventos las cuales se
han estandarizados. La primera hace referencia al tamaño de la muestra,
observando que, por temor a los inconvenientes de los parámetros del
modelo de mercado, los estudios que implican observaciones mensuales
utilizan de cinco a siete años de datos de rentabilidades mensuales. La
segunda se refiere al peligro de incluir el período de evento en el mismo
período utilizado para estimar los parámetros del modelo de mercado, lo cual
provoca que las estimaciones sean sesgadas.
Arora (2016), menciona que en sus inicios la metodología de estudio de

eventos solo utilizaba rentabilidades mensuales para las acciones, pero con
el paso del tiempo, el crecimiento de las oportunidades técnicas y la base de
conocimientos, a partir de mediados de los años 80 se ha estandarizado el
uso de rentabilidades diarias, siendo en la actualidad las rentabilidades
diarias usadas en estudios de eventos casi exclusivamente.
2.1.2. FASES DE UN ESTUDIO DE EVENTOS.

Según diversos autores como Ugedo (2003), Arora (2016); Sorescu, Warren
y Ertekin (2017), la metodología de estudio de eventos cuenta con ciertas
fases para llevarse a cabo, las cuales difieren dependiendo de cada autor,
pero siendo rescatables ocho fases, estas son:
1) Definición del evento: Lo primero que se debe hacer en un estudio de

eventos es definir el tipo de acontecimiento que se pretende analizar.
2) Selección de la muestra: El criterio de selección de la muestra viene
determinado, entre otras cosas, por las limitaciones a la hora de
obtener los datos necesarios para el análisis.
12
3) Determinación de la fecha de anuncio y de los periodos de estimación
y evento: En un mercado eficiente en su forma intermedia, el precio de
cualquier activo financiero debe reflejar toda la información pública,
razón por la que resulta especialmente importante establecer
correctamente la fecha de anuncio, ya que de observarse
rentabilidades extraordinarias debería ser en ese momento.
4) Estimación de la rentabilidad esperada o normal: Tomando como base
el comportamiento de los activos financieros en el periodo de
estimación, y a partir de algún modelo de formación de precios, se
pueden estimar las rentabilidades esperadas para cada activo
financiero y cada día del periodo de evento.
5) Estimación de la rentabilidad extraordinaria: Esta rentabilidad se
calcula como la diferencia entre la rentabilidad real y la rentabilidad
esperada.
6) Agregación de las rentabilidades extraordinarias: Debido a que con
este análisis se pretenden obtener generalizaciones y no resultados
aislados de una empresa y anuncio concreto, se deben agregar
transversalmente los rendimientos extraordinarios obtenidos,
centrándose en la fecha de anuncio.
7) Contrastes de significación estadística de las rentabilidades
extraordinarias: Luego de estimar y agregar las rentabilidades
extraordinarias, se procede a contrastar su significación estadística
mediante diferentes test que se pueden clasificar en paramétricos y no
paramétricos.
8) Presentación e interpretación de los resultados: Dado que en varias
ocasiones los resultados obtenidos en el análisis pueden ser
consistentes con varias teorías, se suele incluir un estudio de corte
transversal que intenta determinar las causas de las rentabilidades
extraordinarias.
2.1.3. DEFINICIÓN DEL EVENTO.

El elemento principal para realizar un estudio de eventos es identificar un
anuncio o evento cuyo nuevo contenido informativo podría tener efecto en los
flujos de efectivos futuros esperados o en la tasa de descuento de las
empresas (Sorescu, Warren y Ertekin, 2017).
El evento puede ser definido como cualquier sobresalto, anuncio, política de

dividendos o cualquier evento natural, así como cualquier percance o
desastre (Javid, 2009).
Baker (2016) habla de los eventos como liberación de información hacia los
inversionistas, los que influyen en la conducta de estos y por ende en la
valoración de las empresas en el mercado accionario.
13
Warren y Sorescu (2017) definen los eventos como anuncios “agarradores
de atención”, los que pueden aumentar desproporcionadamente la visibilidad
de la empresa y atraer la atención de inversionistas adicionales, por ende,
esto aumentaría la base de inversionistas de la empresa, reduciría el costo
de capital y aumentaría el valor de mercado de la empresa.
Para el desarrollo del estudio, basado en resultados deportivos Baker define

de mejor manera como se definirá los eventos dentro del estudio, que en este
caso son campeonatos deportivos que influirá en la conducta de los
inversionistas.
Así también Culp, van der Merwe y Staerkle, B. J. (2016) postulan que los
efectos de anticipación y anuncio de un evento están interrelacionados. En el
extremo, si un evento es perfectamente anticipado por los participantes en el
mercado, el impacto total de ese evento debería resultar en fuertes
diferenciales extraordinarias antes del evento (es decir, el efecto de
anticipación) y virtualmente ningún cambio extraordinario después del evento
real. Por el contrario, si el evento es una sorpresa total para los participantes
en el mercado, no se espera ver diferenciales extraordinarias antes del
evento (es decir, ningún efecto de anticipación) y diferenciales extraordinarias
significativos después del anuncio.
Skiera, Bayer y Schöler (2017) identifican dos tipos de eventos: los que
influyen en todos los componentes de valor de la empresa como cambios
regulatorios o fusiones y adquisiciones, y los que influyen sólo en el valor
operativo de la empresa como estrategias de marketing, cambio de nombre
de la empresa, anuncios de valor de la marca, entre otros.
2.1.4. SELECCIÓN DE MUESTRA.

Es necesario determinar un criterio para la selección de muestra, la cual
conlleva una serie de limitaciones acerca de la existencia de datos
disponibles (Eckbo, 2007).
Según recomiendan Laura-Gabriela, Bogdan, Radu y Maria, (2015), se

deben establecer criterios para la selección de la muestra los cuales incluyan
empresas dentro de la muestra analizada como criterios de inclusión o
afiliación a la industria.
2.1.5. ESTIMACIÓN DE LA RENTABILIDAD ESPERADA O NORMAL.

La rentabilidad esperada representa la rentabilidad que se pronostica si el
evento no hubiese ocurrido. Se parte de la premisa que las rentabilidades
accionarias pueden ser modeladas y en algunos casos que están
correlacionados con las rentabilidades del mercado accionario en general
(Berggrung, 2006). Los principales modelos de estimación son: modelo de
14
mercado, modelo ajustado medio y modelo de mercado ajustado
(Oberndorfer et al, 2013).
Laura-Gabriela, Bogdan, Radu y Maria, (2015) definen la rentabilidad

esperada como las rentabilidades que se tienen como referencia para
determinar las rentabilidades extraordinarias por medio de comparaciones
entre estos en el precio de las acciones.
Baker (2016) señala que la primera decisión práctica para un estudio de

eventos es determinar si la rentabilidad esperada se calculará de forma
“bruta” o de forma logarítmica. Junto con esto, menciona que, aunque los
economistas financieros prefieran la forma logarítmica, es probable que esta
decisión tenga poco efecto práctico.
Arora (2016) señala que se debe tener precaución al analizar el impacto de

un evento, ya que en algún momento se pueden observar una mezcla de
factores de mercado y otros efectos de la misma empresa. Por lo tanto, para
medir correctamente el impacto de un evento se deben controlar estos
factores relacionados, lo cual hace importante la selección de un modelo
adecuado para medir las rentabilidades esperadas al momento de realizar un
estudio de eventos.
2.1.6. ESTIMACIÓN DE LA RENTABILIDAD EXTRAORDINARIA.

La rentabilidad extraordinaria se define como la diferencia entre el
rendimiento real observado y el rendimiento esperado (Bergmann, Ferreira
Savoia, de Melo Souza y de Mariz, 2015).
Wang (2016) define la rentabilidad extraordinaria como el efecto del anuncio

de ganancias sobre el valor patrimonial de la empresa en el período de
evento.
Arora (2016) menciona que la rentabilidad extraordinaria es la rentabilidad

asociada a un evento en cuestión y que refleja la significancia del impacto de
dicho evento.
Sohail, Rehman y Javid (2016) hacen referencia a la rentabilidad

extraordinaria como la rentabilidad real ex-post de la acción sobre la ventana
del evento menos la rentabilidad normal de la firma sobre la ventana del
evento.
Entre las definiciones de rentabilidad extraordinaria, para efectos de este

análisis Arora plantea la definición más cercana a lo que se reflejara en este
estudio y es la significancia del impacto de los resultados deportivos que
serán analizados mas adelante.
Culp, Van der Merwe y Staerkle, B. J. (2016) explican que históricamente el

estudio de eventos se ha centrado en las rentabilidades extraordinarias y que
15
estas pueden ser más altas o más bajas que las rentabilidades estimadas
debido a uno o más factores relacionados a riesgos comunes.
Eckbo (2007) señala que los métodos utilizados para estimar las
rentabilidades extraordinarias se han vuelta más sofisticados desde los años
90, siendo de gran importancia para estudios de largo plazo, porque se han
desarrollado propiedades estadísticas acerca de las rentabilidades de las
acciones a largo plazo.
Según Ugedo (2003), si llamamos Ri t, E(Ri t) y ARi t a la rentabilidad real, la

rentabilidad pronosticada por un determinado modelo y la rentabilidad
extraordinaria del activo financiero en la acción i en el momento t,
respectivamente, se puede estimar esta última así:
AR  R  E ( R ) (1)
it it it
Como mencionan Oberndorfer et al (2013), siendo la rentabilidad esperada
E (Ri t) variable dependiente del modelo de estimación utilizado, teniéndose
la siguiente forma para cada modelo:
Modelo de mercado:
Rit i  i Rmt   it (2)
Modelo medio ajustado:
Rit  Ri (3)
Modelo mercado ajustado:
Rit  Rmt (4)
Donde ∝i y βi son los parámetros calculados a partir del método de mínimos

cuadrados ordinarios y εit es el residuo.
Según Bonekamp y van Veen (2017), la significación de la rentabilidad

extraordinaria puede determinarse relacionándola con su desviación
estandar en el período de estimación (S (ARi t)).
2.1.7. AGREGACIÓN DE LA RENTABILIDAD EXTRAORDINARIA.

Ya estimadas las rentabilidades extraordinarias se procede a su
agregación, esto puede realizarse de forma temporal como transversal a los
distintos anuncios.
Según Goerke (2016), para extraer inferencias con respecto a las

hipótesis, las rentabilidades extraordinarias deben agregarse a todas las
empresas de la muestra para probar su significancia estadística. Además,
16
señala que el método más simple consiste en considerar las rentabilidades
medias y realizar pruebas t ordinarias en sección transversal.
Laura-Gabriela, Bogdan, Radu y Maria, (2015) consideran que

teniendo en cuenta que existe un interés en el desempeño del precio tanto
en el evento como en periodos de tiempo más largos alrededor del evento,
las rentabilidades extraordinarias pueden ser agregadas: de forma temporal
(CAR - rendimientos anormales acumulados) o de forma transversal (AAR -
rendimientos anormales promedio).
Según Ugedo (2003), para la agregación temporal, considerando cada

anuncio aisladamente, se acumulan las rentabilidades extraordinarias
obtenidas en un determinado subperíodo dentro del período del evento. Así,
tomando K y L como dos días cualesquiera del período de evento, siempre
con referencia al momento de anuncio, CARi (K, L) (Acumulative Abnormal
Return) será la rentabilidad extraordinaria acumulada del activo financiero i
en dicho intervalo:
L
CARi K , L   ARt (5)
t K
Según Pinho, Sousa y Maldonado (2017)., para la agregación

transversal, para cada día t, del período de evento, la rentabilidad
extraordinaria promedio de los días de la ventana de evento, AAR t (Average
Abnormal Return), se tiene la siguiente fórmula:
 AR it
AARt  t 1
(6)
N
Donde N es el número de días en la ventana de evento.
2.1.8. DETERMINACIÓN DEL PERÍODO DE EVENTO.

El período de eventos se define como el tiempo que se tarda en buscar
la reacción del precio medio, lo que el investigador identifica como “noticias"
recibidas por los inversionistas (Cortés et al, 2015).
Baker (2016) describe el período de evento como el período durante

el cual se analiza el efecto del evento en las acciones. También menciona
que un período de evento muy largo puede comprometer la habilidad del
estudio para identificar las rentabilidades extraordinarias.
Bonekamp y Van Veen (2017), definen el período de evento como la

ventana de eventos que puede ser determinada tanto un período antes como
después del evento y la cual sirve como período de estimación y para calcular
la rentabilidad extraordinaria.
17
Basándose en esa información, se define la ventana de eventos, como
el intervalo de tiempo antes y después de su aparición. Esto nos permite
detectar reacciones de precios anormales después de que el evento haya
ocurrido, o si hubo fugas de información (información privilegiada) antes del
anuncio. La ventana de eventos no debe ser demasiado corta, lo que podría
excluir fugas de información, ni demasiado tiempo, para evitar que la
recopilación de datos esté influenciada por otros factores ajenos al estudio
(Bergmann et al, 2015).
Sohail, Rehman y Javid (2016) señalan que, en la práctica, el período

de interés a menudo se amplía a varios días, incluyendo al menos el día del
anuncio y el día después del anuncio. Esto captura los efectos del precio de
los anuncios que ocurren después de que la bolsa cierre el día del anuncio,
además los períodos anteriores y posteriores al evento también pueden ser
de interés.
Raynaud (2017) menciona que los estudios con periodos de evento

más grandes deben tener en cuenta el sesgo inherente de utilizar un marco
de tiempo para modelar la actividad de la rentabilidad esperada que también
incluye el evento que, bajo hipótesis, debería desencadenar actividad de la
rentabilidad extraordinaria. Por otra parte, también agrega que para eventos
sorpresivos (como, por ejemplo, la muerte de un CEO de la empresa), los
problemas de fuga de información no son frecuentes y por ende es más fácil
capturar las reacciones del mercado, ya que el período de estimación es más
estrecha y precisa, y las rentabilidades extraordinarias son más evidentes.
Por otro lado, Snowberg, Wolfers y Zitzewitz (2011) proponen separar

un período de evento en muchos sub periodos de eventos y luego tomar un
promedio ponderado de estos, así se podría tener estimaciones más precisas
que del modo tradicional.
2.1.9. CONTRASTES DE SIGNIFICANCIA ESTADISTICA DE LAS

RENTABILIDADES EXTRAORDINARIAS.
Las pruebas de significación estadística facilitan al investigador un test
o prueba que informa de la probabilidad de conseguir la diferencia obtenida,
o mayor que la observada, si la hipótesis nula es cierta. La prueba estadística
asume que la hipótesis nula es cierta en la población y calcula la probabilidad
del resultado de la muestra (Navarro, Llobel y Pérez, 2000). Luego de
observar el resultado que arroja una muestra concreta, se calcula la
probabilidad que, bajo el supuesto de que la hipótesis nula es cierta, se haya
obtenido dicho resultado o uno más alejado de él en dirección opuesta a lo
que dicha hipótesis afirma. Tal probabilidad condicional es lo que se conoce
como valor p. Para decidir si se rechaza o no H0, p se compara con
determinado umbral α prefijado: si es menor que α, se rechaza la hipótesis
18
nula, en tanto que si no lo supera, el investigador se abstiene de rechazarla
(Silva-Aycaguer, 2016).
Según Kothari y Warner (2004), una prueba estadística se calcula

típicamente y se compara con su distribución asumida bajo la hipótesis nula
de que el rendimiento anormal medio es igual a cero.
2.2. PRUEBA DE HIPÓTESIS.

Bencardino (2000) menciona en sus estudios que las pruebas de
hipótesis, denominadas también pruebas de significación, tienen como objeto
principal evaluar suposiciones o afirmaciones acerca de los valores
estadísticos de la población, denominados parámetros.
Cuando se hace indispensable tomar una decisión sobre la validez de

la representación en la población, con base en los resultados obtenidos a
través de una muestra se dice que se toman decisiones estadísticas. Para
tomar una decisión es necesario, ante todo, planear las posibilidades acerca
de las características a estudiar en una población determinada. La suposición
pude ser cierta o falsa. Estas suposiciones se llaman hipótesis estadísticas.
(Bencardino, 2000)
La prueba de hipótesis comienza con una suposición llamada

hipótesis, que se hace en base a un parámetro de la población. Luego se
recolectan datos de muestra, produciendo estadísticas muéstrales y se usa
esa información para decidir qué tan probable es que el parámetro de la
población es hipotéticamente correcto. Para probar la validez de esta
suposición se recolectan datos de la muestra y se determina la diferencia
entre el valor hipotético y el valor real de la media de la muestra. Después se
juzga si la diferencia obtenida es significativa o no. Mientras más pequeña
sea la diferencia, mayor será la probabilidad de que el valor hipotético para
la media sea correcto. Mientras mayor sea la diferencia, más pequeña será
la probabilidad. (Levin, Rubin , 2004)
2.3. MODELOS DE ESTIMACIÓN.

Un modelo económico o de estimación consiste en ecuaciones
matemáticas que describen varias relaciones. Los economistas tienen la
fama de construir modelos para describir toda una serie de comportamientos.
Por ejemplo, en microeconomía intermedia, las decisiones de consumo de
los individuos, sujetas a restricciones presupuestarias, se describen
mediante modelos matemáticos. Estos modelos econométricos son
relevantes en prácticamente cada una de las ramas de las ciencias
económicas aplicadas. Se aplican tanto para tratar de contrastar una teoría
económica como para cuando se considera una relación que tiene cierta
importancia para la toma de decisiones en los negocios o para el análisis de
19
políticas. Para esto se emplea un análisis empírico que consiste en emplear
datos para contrastar una teoría o estimar una relación. (Wooldridge, 2006)
2.4. PROBLEMAS EN EL ESTUDIO DE EVENTOS.

2.4.1. POSIBLES SESGOS.
Dependiendo del modelo a utilizar para el cálculo de las rentabilidades
extraordinarias, es posible que existan sesgos. El sesgo surge mediante el
reequilibrio de la observación a pesos iguales en el cálculo de rentabilidades
extraordinarias combinado con el precio de transacción que puede
representar la acción (Chen, 2017).
Por otra parte, Baker (2016) menciona que el aumento en la volatilidad

del mercado puede conducir a sesgos en las pruebas de significación
estadística y que eso conllevaría a las respectivas dificultades al momento
de interpretar los resultados.
2.4.2. FECHA DE ANUNCIO.

Para aquellos casos en que la fecha del evento es difícil de identificar
o, en otras palabras, la fecha del evento está parcialmente anticipada y no
puede ser identificada con precisión, los estudios de eventos tendrán
limitaciones y serán menos útiles (Chen, 2017).
Para solucionar esto, se suele estimar la rentabilidad extraordinaria

promedio y su significación estadística para distintos intervalos de tiempo
dentro del período de evento (Ugedo, 2003).
2.4.3. EVENTOS AGRUPADOS.

Existen ocasiones donde los eventos pueden concentrarse en un
mismo periodo, siendo el problema que el número de acciones las cuales son
independientes en ese período de evento son reducidas o eliminadas (Kolari
y Pynnönen, 2010). La agrupación incrementa la varianza de la medida de
evaluación, por lo tanto, disminuye el poder del test para detectar
rentabilidades extraordinarias (Maul y Schiereck, 2017).
2.5. CASOS APLICADOS DEL ESTUDIO DE EVENTOS.

2.5.1. LA FUSIÓN DE TRES ENTIDADES FINANCIERAS
COLOMBIANAS (BANCOLOMBIA, CONAVI Y CORFINSURA).
En 2006, Berggrun realizaron un estudio para cuantificar el impacto de
un evento como el anuncio de la fusión de estas tres entidades en la riqueza
de los accionistas y más específicamente para determinar los posibles
beneficiados y afectados en esta clase de transacciones.
Inicialmente se define el evento de interés, el cual para este estudio

será el anuncio, el día 14 de septiembre de 2004, por parte de la Junta
Directiva de Suramericana de Inversiones S.A. de la fusión de Bancolombia,
Conavi y Corfinsura.
20
En esta etapa, además, se definió el periodo sobre el cual se examina
el impacto del evento (también conocido como la ventana del evento) sobre
la riqueza del accionista expresado en el precio de las acciones. En este
aspecto se trabajó con un periodo de 50 días (transables en la Bolsa) que
abarca 25 días antes y 25 días después del evento. Se examinó el efecto
sobre el precio y retorno de las acciones de las entidades involucradas desde
el 9 de agosto de 2004 hasta el 20 de octubre de 2004.
Se definieron criterios para incluir o no una acción en el estudio. Se

escogió trabajar con las acciones ordinarias (AO) y preferentes (ADP) de
Bancolombia y la acción ordinaria de Corfinsura.
Se calcularon los retornos esperados para cada día utilizando tres

métodos para calcular el retorno esperado; el método de retorno ajustado
promedio, retorno ajustado del mercado y retorno del modelo de mercado.
Luego de haber calculado el retorno esperado por cada uno de los tres
métodos ya expuestos, se puede calcular el residuo y evaluar su significancia
estadística para ser medida a través de tests paramétricos y no-paramétricos.
Mediante tests paramétricos y no paramétricos se detectaron que el

mercado vio con buenos ojos el anuncio de la fusión y que especialmente los
accionistas de Corfinsura fueron los más beneficiados por el incremento
pronunciado en el precio de sus acciones y la existencia de retornos
anormales positivos (estadísticamente significativos).
2.5.2. RENDIMIENTO DEPORTIVO Y LA VOLATILIDAD DE LAS

ACCIONES DE LOS CLUBES INGLESES DE FÚTBOL.
En 2011, Benkraiem, Le Roy y Louhichi realizaron un estudio con el
objetivo de investigar el efecto del rendimiento deportivo de los clubes
ingleses de fútbol sobre la volatilidad del precio de sus acciones.
Para llevar a cabo este estudio, se eligieron como eventos los

resultados deportivos que obtuvieron los clubes seleccionados, es decir, los
resultados que obtenían estos clubes en cada partido que jugaron en el
período de Julio del 2006 hasta Junio del 2007, para un total de 408 eventos
para ocho clubes de fútbol seleccionados.
Con la finalidad de evaluar el impacto de los resultados deportivos en

la volatilidad de los precios de las acciones, se utilizó el modelo EGARCH el
cual según varios autores es apropiado para la estimación de series
financieras de rentabilidad. Luego se plantearon las siguientes 6 hipótesis:
H1: Los partidos generan una alta volatilidad en el precio de las acciones de
los clubes de fútbol en el día hábil después del partido.
H2: Una victoria de un club de fútbol genera una alta volatilidad en el precio
de sus acciones en el día hábil después del partido.
21
H3: Una victoria como visita de un club de fútbol genera una mayor volatilidad
en el precio de sus acciones que una victoria como local en el día hábil
después del partido.
H4: Una derrota de un club de fútbol genera una mayor volatilidad en el precio
de sus acciones en el día hábil después del partido.
H5: Una derrota como local de un club de fútbol genera una mayor volatilidad
en el precio de sus acciones que una derrota como visita en el día hábil
después del partido.
H6: Una derrota de un club de fútbol genera una mayor volatilidad que una
victoria en el día hábil después del partido.
De estas hipótesis, todas fueron validadas excepto la hipótesis 3, la

cual postula que la victoria de un club como visitante causa mayor volatilidad
que una victoria en casa el día siguiente del partido.
Finalmente, se concluyó que el rendimiento deportivo de los clubes

ingleses de fútbol tiene un impacto significativo en la valoración de estos
clubes en el mercado. De acuerdo a esto se observó también que la magnitud
de la reacción del mercado depende del resultado del partido y del lugar del
partido, es decir, como local o visitante.
2.5.3. IMPACTO ECONÓMICO DE LAS FRANQUICIAS DE DEPORTE

PROFESIONAL EN LA ECONOMÍA LOCAL DE ESTADOS UNIDOS.
En 2007, Lertwachara y Cochran realizaron un estudio aplicado al
impacto de las extensiones o reubicación en las ciudades de las franquicias
deportivas profesionales de los deportes más importantes en Estados
Unidos, siendo estos: béisbol, fútbol americano, baloncesto y hockey; y el
efecto de estos en el ingreso per cápita en las ciudades de este país.
En este estudio se definieron los eventos de interés como el

establecimiento de un nuevo equipo deportivo en el Área Estadística
Metropolitana (MSA por sus siglas en inglés) a través de su extensión o
reubicación, para un período desde el año 1969 hasta el año 2000. Además,
se utilizó el ingreso per cápita en el nivel del MSA y el producto interno bruto
como elementos para la estimación de una relación lineal entre la economía
nacional y la economía del MSA.
Para la estimación de las rentabilidades esperadas se utilizó un

modelo de mercado, el cual se basa en el modelo de Mínimos Cuadrados
Ordinarios (MCO). Para la prueba de significación estadística se utilizó la
prueba t de Student.
Finalmente, se concluyó que un equipo deportivo profesional no tiene

impacto económico positivo en la comunidad local, indicando los resultados
22
que el ingreso local estimado en presencia de una franquicia deportiva
profesional es menor de lo que se estima en ausencia de esta. Los resultados
también arrojaron que las franquicias no justifican las reducciones,
concesiones e incentivos que se utilizan para atraer el ingreso per cápita
incremental al MSA. Por lo tanto, para aumentar el ingreso per cápita de los
ciudadanos, las ciudades deben dejar de utilizar tácticas para atraer
franquicias deportivas profesionales a ellas.
23
CAPÍTULO III:
METODOLOGÍA.
24
A continuación, se detallada la metodología seleccionada y utilizada en para
el desarrollo de este estudio, definiendo los puntos importantes en la metodología
de estudio de eventos, tales como el evento que se considerará, el modelo de
estimación que se aplicará, el período que se utilizará para la estimación de los
parámetros de este modelo y la ventana de eventos que se considerará. También
se incluyen las pruebas para los supuestos cruciales del modelo de estimación
seleccionado, las pruebas de significancia estadística y finalmente las hipótesis que
se plantean en este estudio.
3.1. DESCRIPCIÓN DE CAMPEONATOS EN ESTUDIO.

3.1.1. CAMPEONATO SCOTIABANK APERTURA 2016- 2017.
El Campeonato Nacional de Primera División de la Asociación Nacional de
Fútbol Profesional 2016-2017 o simplemente Campeonato Nacional de Apertura
Scotiabank (por razones de patrocinio). Fue el segundo torneo del año 2016, de la
Primera División del fútbol chileno y el primero de la temporada 2016-2017,
organizado por la Asociación Nacional de Fútbol Profesional de Chile (ANFP). Las
novedades que presentó este torneo fueron las inclusiones de Deportes Temuco,
que regresó a la máxima categoría del fútbol chileno, luego de 10 años y medio en
el ascenso (pasando por la Primera B, Segunda División Profesional y Tercera
División), después de coronarse campeón de la Primera B 2015-2016 y Everton,
que fue el ganador del segundo cupo de ascenso y que, además, volvió a la máxima
categoría luego de 2 años de ausencia.
Para facilitar la diferenciación de este campeonato, se mencionará como
campeonato Scotiabank 2016.
3.1.2. CAMPEONATO SCOTIABANK CLAUSURA 2016-2017
El Campeonato Nacional de Primera División de la Asociación Nacional de
Fútbol Profesional 2016-2017 o simplemente Campeonato Nacional de Clausura
Scotiabank (por razones de patrocinio). Fue el primer torneo del año 2017 y el
segundo de la temporada 2016-2017.
Este campeonato, al igual que los otros campeonatos Scotiabank, contó con
la participación de 16 equipos, teniendo un sistema de liga de todos contra todos en
una sola rueda.
Para facilitar la diferenciación de este campeonato, se mencionará
como campeonato Scotiabank 2017.
3.1.3. COPA CHILE MTS 2016.
La Copa Chile 2016 (Copa Chile MTS 2016 por razones de patrocinio) fue la
37º versión de este clásico torneo de copa, entre clubes de Chile. En el torneo
participan 31 equipos de 2 categorías distintas (Primera División y Primera B), que
buscan el cupo de Chile 3 para la Copa Bridgestone Libertadores de América 2017
y el cupo de Chile 4 para la Copa Sudamericana 2017.
25
La copa arrancó el 8 de julio de 2016 y finalizó el 14 de diciembre del mismo
año. A partir del año 2016, la ANFP pasó a realizar este torneo en los segundos
semestres de cada año.
3.2. DESCRIPCIÓN DE LAS SOCIEDADES PRESENTES EN EL ESTUDIO.

3.2.1. CLUB SOCIAL Y DEPORTIVO COLO-COLO (BLANCO & NEGRO S.A).
Blanco & Negro S.A. fue constituida por escritura pública el 8 de marzo de
2005 ante la Notario Público de Santiago señora Nancy de la Fuente
Hernández, cuyo extracto fue publicado en el Diario Oficial N° 38.110, de
fecha 14 de marzo de 2005, e inscrito en el Registro de Comercio del
Conservador de Bienes Raíces de Santiago, a fojas 8195, número 5994 del
mismo año.
El 30 de mayo de 2005, la sociedad fue inscrita en el Registro de Valores de

la Superintendencia de Valores y Seguros (SVS) con el número 902, por lo
que está bajo la Fiscalización de dicha instancia.
El objeto de la sociedad es organizar, producir, comercializar y participar en

espectáculos y actividades profesionales de entretención y esparcimiento de
carácter deportivo y recreacional, y en otras relacionadas o derivadas de
éstas, así como en actividades educacionales.
Para esta finalidad podrá prestar servicios de asesoría, incluso la gestión y

provisión de servicios, equipamiento y promoción.
Para desarrollar su objeto social, el 24 de junio de 2005 la sociedad suscribió

un contrato de concesión con la Corporación Club Social y Deportivo Colo-
Colo, a fin de gestionar todos los activos de ésta. La sociedad inició sus
actividades operacionales el 1 de Julio de 2005. Con fecha 9 de Julio 2007
se constituyó la filial Comercial Blanco y Negro Ltda., que tiene por objetivo
operar los proyectos comerciales de la compañía.
DESCRIPCIÓN DE LA COMPAÑÍA:
RAZÓN SOCIAL:
BLANCO Y NEGRO S.A
NOMBRE DE FANTASÍA:
BLANCO Y NEGRO, BNSA Y BN
R.U.T.
99.589.230-8
INSCRIPCIÓN EN EL REGISTRO DE VALORES:
N° 902
TIPO DE SOCIEDAD:
SOCIEDAD ANÓNIMA ABIERTA
26
DOMICILIO LEGAL:
AVDA. MARATÓN 5300, MACUL, SANTIAGO, CHILE
PAGINA EN INTERNET:
WWW.COLOCOLO.CL
CORREO ELECTRÓNICO:
CONTACTO@COLOCOLO.CL
3.2.2. CLUB DEPORTIVO DE LA UNIVERSIDAD DE CHILE (AZUL AZUL S.A.).

Azul Azul S.A. fue constituida por escritura pública otorgada el 15 de mayo
de 2007 ante la Notario Público de Santiago señora Nancy de la Fuente
Hernández, cuyo extracto fue publicado en el Diario Oficial Nº38.765 con
fecha 17 de mayo de 2007, e inscrito en el Registro de Comercio del
Conservador de Bienes Raíces de Santiago, a fojas 19.275, número 14.063
del mismo año.
El 8 de junio de 2007 la Sociedad fue inscrita en el Registro de Valores de la

Superintendencia de Valores y Seguros (SVS) con el número 978, por lo que
está bajo la fiscalización de dicha instancia.
La Sociedad tiene por objeto organizar, producir, comercializar y participar en

actividades profesionales de entretención y esparcimiento de carácter
deportivo, recreacional y en otras relacionadas o derivadas de éstas, así
como en actividades formativas con contenido deportivo. Para esta finalidad,
podrá prestar servicios de asesoría, apoyo, equipamiento y consultoría de
índole organizacional, de administración y gestión de eventos y otros ámbitos
y especialidades de tal objeto.
Para desarrollar su objeto social, el 8 de junio de 2007 la Sociedad suscribió

un Contrato de Concesión con la Corporación de Fútbol Profesional de la
Universidad de Chile en quiebra, representada por el síndico titular José
Manuel Edwards Edwards, a fin de gestionar todos los activos de ésta. La
Sociedad inició sus actividades operacionales el 20 de junio de 2007.
RAZON SOCIAL:
AZUL AZUL S.A.
NOMBRE DE FANTASIA:
AZUL AZUL
R.U.T.
76.838.140-2
N°978
27
TIPO DE SOCIEDAD:
SOCIEDAD ANONIMA ABIERTA
DOMICILIO LEGAL:
AVENIDA EL PARRON 0939, LA CISTERNA, SANTIAGO DE CHILE
PAGINA EN INTERNET:
WWW.UDECHILE.CL
CORREO ELECTRONICO:
INFO@UDECHILE.CL
3.2.3. CLUB DEPORTIVO UNIVERSIDAD CATÓLICA DE CHILE (CRUZADOS

S.A.D.P.).
La Sociedad Cruzados SADP Sociedad Anónima Deportiva Profesional fue
constituida mediante escritura pública de fecha 28 de septiembre del 2009,
ante el Notario Público señor Cosme Fernando Gomila Gatica y publicado el
extracto de su escritura en el Diario Oficial de fecha 01 de octubre de 2009 e
inscrito en el Registro de Comercio Bajo el Número 32210 del año 2009.
Con fecha 13 de noviembre del 2009, la sociedad fue inscrita en el Registro

de Valores de la Superintendencia de Valores y Seguros (SVS) con el número
1047 por lo que está bajo la fiscalización de ese organismo.
El objetivo de la Sociedad es organizar, producir, comercializar y participar

en actividades deportivas de carácter profesional relacionados
exclusivamente con el futbol, a través de un contrato de concesión de
derechos y arrendamientos de bienes del Club Deportivo Universidad
Católica de Chile, y en otras relacionadas o derivadas de esta. El objetivo
social así definido constituye el giro de la Sociedad para efectos de los
previstos en los artículos 16 y 17 de la Ley 20.019.
A su vez, según lo establece el artículo 6° de la Ley N° 20.019 sobre

Organización Deportivas Profesionales y el artículo 6° del Reglamento de
Organizaciones Deportivas Profesionales, aprobado mediante Decreto
Supremo N°75 de fecha 23 de mayo del 2006 del Ministerio de Secretaría
General de Gobierno, Cruzados SADP, se encuentra inscrita como
Organización Deportiva Profesional bajo el registro N° 1500050 en el
Registro Nacional de Organizaciones Deportivas Profesionales del Instituto
Nacional de Deportes.
RAZÓN SOCIAL:
CRUZADOS SADP
NOMBRE DE FANTASÍA:
28
CRUZADOS
R.U.T.
76.072.469-6
N°1047
TIPO DE SOCIEDAD:
SOCIEDAD ANÓNIMA DEPORTIVA PROFESIONAL ABIERTA
DOMICILIO LEGAL:
AVENIDA LAS FLORES 13.000. LAS CONDES, SANTIAGO - CHILE
PAGINA EN INTERNET:
WWW.CRUZADOS.CL
CORREO ELECTRÓNICO:
PPAREJA@CRUZADOS.CL
3.3. DEFINICIÓN DE LA METODOLOGÍA.

Para la metodología de estudio de eventos que será aplicada a este estudio,
se define lo siguiente:
1. Definición del evento: El evento que se considerará es el resultado de los

partidos que juegan los equipos a lo largo del período de estudio,
denominado para este estudio como “resultado deportivo”. Se presume que
este evento debe tener un impacto en la rentabilidad de las acciones de las
sociedades anónimas vinculadas a los equipos mencionados anteriormente.
2. Criterio de Selección: Las sociedades anónimas seleccionadas han sido
mencionadas anteriormente y su rentabilidad accionaria fue obtenida por
medio de la página web Investing.com
3. Rentabilidad extraordinaria: Para verificar si existieron rentabilidades
extraordinarias alrededor del evento determinado, se utiliza la fórmula
número (1) presentada en el apartado 2.1.6.
4. Modelo de estimación: El modelo seleccionado para obtener la rentabilidad
esperada es el modelo de mercado.
3.4. MODELO DE MERCADO.

El modelo de mercado es el método más utilizado en la metodología de
estudio de eventos para calcular la rentabilidad esperada de las acciones, siendo la
fórmula (2) la utilizada para este modelo:
El indicador de la rentabilidad de mercado para este estudio es el Índice

General de Precios de Acciones (IGPA), el cual se determinó de la siguiente forma:
IGPA  IGPA
R  t t 1
mt (7)
IGPA
t 1
29
Siendo esta la rentabilidad discreta, se determinó la rentabilidad continua de
la siguiente forma:
R  ln(1  R ) (8)
mc mt
Donde:
Rmc : Rentabilidad de mercado continua.
Rmt : Rentabilidad de mercado discreta.
Se decidió utilizar la rentabilidad continua, dado que se supone que el

mercado sigue una distribución lognormal, por lo cual la rentabilidad continua sigue
una distribución normal.
Para el cálculo de la rentabilidad extraordinaria, la fórmula utilizada es la

número (2), mencionada en el apartado 2.1.6.
Finalmente, se calculó la rentabilidad extraordinaria promedio para cada día

de la ventana de eventos, con el objetivo de determinar la significancia estadística
del resultado deportivo obtenido por cada equipo. La rentabilidad extraordinaria
promedio es calculada por medio de la fórmula número (6).
3.5. PERÍODO DE ESTIMACIÓN.

El período de estimación, es el período en el cual se determinarán los
coeficientes α y β por medio del método de mínimos cuadrados ordinarios. Estos
parámetros son utilizados posteriormente para la estimación de las rentabilidades
esperadas por el modelo de mercado.
Se consideró un período de un año antes del evento, es decir, del día en el

cual se jugó el partido, este período contempla 250 días transables en la Bolsa de
Valores. Se estimó que este período es aceptable para el cálculo de los parámetros,
apoyándose en los estudios de Scholtens y Peenstra (2009) y de Bouchet,
Doellman, Troilo y Walkup (2015), los que analizan el impacto de los resultados
deportivos en las rentabilidades de las sociedades anónimas.
3.6. VENTANA DE EVENTOS.

La ventana de eventos es el período en el cual se pone atención a las
rentabilidades accionarias y a partir de la cual se determina si se produjo una
rentabilidad extraordinaria.
Para este estudio, la ventana de eventos será de dos días a partir del día
siguiente de transacción en la bolsa, esto dado que los resultados deportivos de los
clubes de fútbol se ven reflejados en las rentabilidades de sus acciones dentro de
un día o dos y también evita la aglomeración de eventos (como se menciona los
estudios de Scholtens y Peenstra (2009) y de Bouchet, et al (2015), puesto que en
ocasiones los partidos se realizan en lapsos de 3 o 4 días.
30
3.7. PRUEBA DE LOS SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL.
Como se mencionó anteriormente, el modelo utilizado para este estudio es el
modelo de mercado, el cual está basado en el modelo de Mínimos Cuadrados
Ordinarios para el cálculo de sus parámetros, siendo este apoyado en algunos
supuestos que permiten una estimación eficiente de los parámetros del modelo.
Dentro de estos supuestos, se encuentran dos que son de mayor relevancia:
 No existe heterocedasticidad, es decir, la varianza condicional de los

residuos es constante.
 No existe autocorrelación entre los residuos de la muestra.
A continuación, se procede a determinar si los modelos que se estimarán en

este estudio cumplen con los supuestos anteriormente expuestos.
3.7.1. HETEROCEDASTICIDAD.
La heterocedasticidad se presenta en un modelo de regresión lineal cuando
la varianza de sus residuos no es constante a lo largo de las observaciones. Esto
es un supuesto crucial en el modelo de regresión lineal, por lo cual debe
determinarse si existe o no dentro de los modelos que se utilizarán en este estudio.
Con el objetivo de determinar lo anterior, se realizó la prueba de Goldfeld-

Quandt, el cual supone que la varianza heterocedastica está positivamente
relacionada con la variable explicativa del modelo de regresión lineal, la que en este
caso de estudio es la rentabilidad accionaria de mercado representadas por las
variaciones del IGPA.
Esta prueba propone una hipótesis nula y una alternativa, las cuales son:
H0: Existe homocedasticidad.
H1: No existe homocedasticidad.
Luego, para llevar a cabo esta prueba, se realizó lo siguiente:
1. Se ordenó la muestra en orden descendente, guiándose por la variable

explicativa del modelo, la cual es el IGPA.
2. Se eliminaron los datos centrales de acuerdo a una proporción de la muestra,
siendo esta de un 16% equivalente a 40 datos, lo que es sugerido por
Goldfeld-Quandt, y formar dos grupos los que serán de datos superiores y
datos inferiores.
3. Para cada grupo formado se estimó la varianza de los residuos, siendo esto
de la siguiente forma:
^ 2  2
1  A (9)
nk
^ 2  2
2  B (10)
nk
31
^ 2
1 = Varianza estimada para el grupo de residuos superiores.
^ 2
 2 = Varianza estimada para el grupo de residuos inferiores.
 i2 = Residuo al cuadrado de la observación i.
n = Número de Observaciones de cada grupo (110).

k = Número de variables utilizadas en la regresión (para este caso 2: Igpa y
constante).
4. De lo anterior se obtiene λ, donde:
^
 12
 ^ (11)
2 2
5. Finalmente, si λ es mayor que el valor crítico de F al nivel de significancia

que se haya escogido (para este estudio se utiliza un nivel del 5%), se
rechaza la hipótesis nula y por ende el modelo presenta heterocedasticidad.
De presentarse la heterocedasticidad en alguno de los modelos, estos ya no

serían eficientes para la estimación que requiere este estudio. Por esto, se debe
tener una medida que solucione este inconveniente en el modelo.
3.7.2. AUTOCORRELACIÓN.
El siguiente supuesto del modelo de regresión lineal, es que el residuo
asociado a alguna de las observaciones del modelo no está influenciado por el
residuo asociado a otra observación, es decir, los residuos no están
correlacionados.
Se realizó la prueba Durbin-Watson, con el objetivo de detectar la presencia

de autocorrelación en alguno de los modelos de este estudio. Para llevar a cabo
esta prueba, se realizó lo siguiente:
1. Se determinó el valor del estadístico d del modelo, utilizando la siguiente

fórmula:
^ ^
d = 2 * (1 -  ), siendo  el coeficiente muestral de primer orden y definido de
la siguiente forma:

^  t  t 1
  t2
(12)
Donde t es el residuo de la observación en el tiempo t.
2. Luego, se comparó el valor del estadístico d obtenido con un valor d de tabla,

el cual se designa como dT, para un nivel de significancia del 5%, teniéndose
así las siguientes hipótesis.
32
H0: No existe autocorrelación positiva o negativa.
H1: Existe autocorrelación positiva o negativa.
De acuerdo a esto, se tiene el siguiente criterio:
Hipótesis Nula Criterio Decisión
No existe autocorrelación positiva 0 < d < dL Rechazar
No existe autocorrelación positiva d L≤ d ≤ dU No hay decisión
No existe autocorrelación negativa 4 – dL < d < 4 Rechazar
No existe autocorrelación negativa 4 – dU ≤ d ≤ 4 – dL No hay decisión
No existe autocorrelación positiva o negativa dU < d < 4 - dU No rechazar
3.8. APLICACIÓN DE HIPÓTESIS.

El presente estudio tiene como finalidad determinar si los resultados
deportivos obtenidos por los clubes de fútbol que representan las sociedades
anónimas en estudio generan un impacto en la rentabilidad de sus acciones,
además se pretende determinar si existe diferencia en los resultados obtenidos
dependiendo de la posición en la cual se encuentre en el campeonato y también
comparar estos resultados entre campeonatos para determinar si existe diferencia
entre un campeonato u otro.
Para agrupar los resultados deportivos dependiendo de la posición, esta se

dividió en las siguientes partes:
- Parte alta del campeonato: Para los campeonatos Scotiabank 2016 y

Scotiabank 2017, los cuales tienen formato de liga, la parte alta de estos se
determina cuando el equipo se encuentra entre la 5 ª y 1 ª posición. Para el
campeonato Copa Chile MTS 2016, el cual tiene un formato de rondas, la
parte alta se definió para cuando el equipo juega la fase Semi Final y la Final.
- Parte media del campeonato: Para los campeonatos Scotiabank 2016 y
2017, esta parte se define cuando el equipo se encuentra entre la 11 ª y 6 ª
posición. Para el campeonato Copa Chile MTS 2016, esta se define cuando
el equipo juega la fase de Octavos de Final y Cuartos de Final.
- Parte baja del campeonato: Para los campeonatos Scotiabank 2016 y
Scotiabank 2017, esta parte se determina entre la 16 ª y 12 ª posición. Para
el campeonato Copa Chile MTS 2016, esta parte se determina cuando el
equipo juega la Primera Fase.
33
Esto se pretende comprobar por medio de las hipótesis que se plantean a
continuación.
3.9. HIPÓTESIS PLANTEADAS.

Las hipótesis planteadas, las cuales pretende comprobar lo mencionado en
el apartado 3.9, son las siguientes:
H1: Los resultados deportivos de las sociedades anónimas tienen efecto sobre la
rentabilidad de sus acciones.
H2: Una victoria en la parte alta de un campeonato genera un mayor impacto

rentabilidad extraordinaria que una victoria en la parte media o en la parte baja del
mismo campeonato.
H3: Una derrota en la parte alta de un campeonato genera un menor impacto

rentabilidad extraordinaria que una derrota en la parte media o en la parte baja del
mismo campeonato.
H4: Una victoria en la parte alta de un campeonato genera un mayor impacto

rentabilidad extraordinaria que una victoria en la parte alta de otro campeonato.
H5: Una victoria en la parte media de un campeonato genera un mayor impacto

rentabilidad extraordinaria que una victoria en la parte media de otro campeonato.
H6: Una victoria en la parte baja de un campeonato genera un mayor impacto

rentabilidad extraordinaria que una victoria en la parte baja de otro campeonato.
H7: Una derrota en la parte alta de un campeonato genera un menor impacto

rentabilidad extraordinaria que una derrota en la parte alta de otro campeonato.
H8: Una derrota en la parte media de un campeonato genera un menor impacto

rentabilidad extraordinaria que una derrota en la parte media de otro campeonato.
H9: Una derrota en la parte baja de un campeonato genera un menor impacto

rentabilidad extraordinaria que una derrota en la parte baja de otro campeonato.
3.10. PRUEBA DE SIGNIFICANCIA ESTADÍSTICA.
3.10.1. PRUEBA DE SIGNIFICANCIA PARA UNA MUESTRA.
Con el objetivo de determinar la significancia estadística de cada rentabilidad
extraordinaria promedio (AARt) en cada día de la ventana de eventos determinada,
lo cual hará posible probar la hipótesis número 1 planteada en este estudio, se
aplicará la prueba de significancia estadística t-Student, para la cual se calculará un
t para cada rentabilidad extraordinaria promedio generada por un resultado
deportivo en cada club.
Para realizar la prueba t-Student, se hizo lo siguiente:
1. Se calcularon las rentabilidades extraordinarias de cada club para cada día

de la ventana de eventos, luego se calculó la rentabilidad extraordinaria
promedio de cada resultado deportivo para cada club.
34
2. Se calculó el valor del estadístico t de Student de la siguiente forma:
AARt
tct  ^ (13)
S
Donde:
tct = Valor del estadístico t calculado para el día t de la ventana.
AARt = Rentabilidad extraordinaria promedio en el día t de la ventana

^
S = Desviación estándar de las rentabilidades extraordinarias que conforman
la ventana de eventos.
Finalmente, se comparó tct con un valor t de tabla para prueba de dos colas
y un nivel de significancia del 5%, teniéndose:
Si:
| tct |>| t | entonces se rechaza H0.
| tct |≤| t | entonces no se rechaza H0.
3.10.2. PRUEBA DE MEDIA PARA DOS MUESTRAS.

Con el objetivo de probar desde la hipótesis 2 hasta la hipótesis 9, se
realizará una prueba de media para dos muestras, la cual nos permitirá, para este
estudio en específico, comparar las rentabilidades extraordinarias generadas en las
distintas posiciones de cada campeonato y también entre campeonatos.
Suponiendo que las varianzas poblacionales de cada muestra son

desconocidas y distintas, se aplica la siguiente fórmula para determinar el valor
estadístico t:
Xa  Xb
tc 
(14)
S a2 Sb2

na nb
Donde:
tc : valor del estadístico t calculado.

𝑆𝑎2 : Desviación estándar de la muestra a.
𝑆𝑏2 : Desviación estándar de la muestra b.
𝑋𝑎 : Media de la muestra a.
𝑋𝑏 : Media de la muestra b.
35
𝑛𝑎 : Tamaño de la muestra a.
𝑛𝑏 : Tamaño de la muestra b.
Para el cálculo de los grados de libertad, se tiene lo siguiente:
2
 Sa2 Sb2 
  
v   a2
n nb 
2
2 (15)
 Sa2   Sb2 
   
 na    nb 
 na  1  nb  1
Finalmente, esto se contrasta con un t crítico de tabla para un nivel de
significancia del 5% y una prueba de una cola, teniéndose que, si el t calculado es
mayor que el t de tabla, se rechaza la hipótesis nula.
36
CAPÍTULO IV:
APLICACIÓN.
37
Finalmente, se entregan los resultados obtenidos a través de la aplicación de
la metodología utilizada en este estudio, presentándose la comprobación de los
supuestos del modelo de mercado, resultados de las rentabilidades esperadas y las
rentabilidades extraordinarias, siendo todos estos resultados utilizados para probar
las hipótesis planteadas en el capítulo 3.
4.1. SELECCIÓN DE LA MUESTRA.

La muestra seleccionada para este estudio tiene un rango desde Julio de
2016 hasta Junio de 2017, período en el cual los equipos jugaron partidos del
campeonato chileno Scotiabank 2016, Scotiabank 2017 y la Copa Chile MTS 2016.
Cabe mencionar que no se consideraron los partidos de la Copa CONMEBOL
Sudamericana 2016 y la Copa Bridgestone Libertadores 2017, esto dado que solo
un equipo participó en estos campeonatos y solo jugó dos partidos, por lo cual no
es posible realizar un análisis de esto
La recopilación de datos correspondiente a los partidos se realizó mediante

fuentes oficiales de internet, siendo el sitio oficial del Canal del Fútbol para los
partidos del campeonato Scotiabank 2016 y Scotiabank 2017, así como también
para los partidos de la Copa Chile MTS 2016.
4.2. RESULTADOS DE LOS EQUIPOS.

Los datos recopilados fueron tabulados de la siguiente forma:
Tabla 4.2.1. Resultados del campeonato Scotiabank 2016.
Campeonato Scotiabank 2016

Club T.D. T.E. T.G. TOTAL
Universidad de Chile 4 6 5 15
Coco – Colo 4 5 6 15
Universidad Católica 1 4 10 15
Fuente: Elaboración propia.
Tabla 4.2.2. Resultados del campeonato Scotiabank 2017.

Tabla 4.2.3. Resultados del campeonato Copa Chile MTS 2016.
Copa Chile MTS 2016

38
Tabla 4.2.4. Resultados de los partidos jugados en el período de Julio de
2016 hasta Junio de 2017.
Resultados temporada 2016 – 2017

Coco - Colo 7 11 21 39
En la tabla anterior se pueden observar los datos de los partidos jugados por
los equipos en estudio, donde:
T.D: Total de partidos perdidos.
T.E: Total de partidos empatados.
T.G: Total de partidos ganados.
4.3. COMPROBACIÓN DE LOS SUPUESTOS DEL MODELO DE REGRESIÓN

LINEAL.
Como se comentó en el apartado 3.7, el modelo de regresión lineal cuenta
con supuestos cruciales, los que son necesarios de comprobar para asegurar
estimaciones eficientes.
Respecto a esto, se procedió a realizar los cálculos necesarios para

determinar si se cumplen estos supuestos en el modelo.
4.3.1. DETECCIÓN DE HETEROCEDASTICIDAD.

Dada la metodología expuesta en el apartado 3.7.1 para la detección de la
presencia de heterocedasticidad en los modelos que abarca este estudio, se
determinaron los parámetros necesarios para llevar a cabo la prueba de Goldfeld-
Quandt, la cual nos permitirá comprobar si existe o no heterocedasticidad en los
modelos.
Utilizando el software estadístico Stata 12, se realizaron los cálculos

pertinentes para la ejecución de la prueba Goldfeld-Quandt. Para cada grupo de
110 observaciones, omitiendo 40 observaciones muestrales, con dos variables
utilizadas y con un nivel de significancia del 5%, se obtuvo un valor F crítico de
3,0795.
A continuación, se exponen los resultados obtenidos para cada modelo en

los tres campeonatos en que se probaran las hipótesis planteadas:
39
Tabla 4.3.1.1. Parámetros de la prueba Goldfeld-Quandt para los modelos del
Suma de Residuos al Suma de Residuos al

Modelo λ Existe Heterocedasticidad
cuadrado (superiores) cuadrado (inferiores)
Jornada 1 0.000601943 0.000612514 0.98274162 No
Jornada 2 0.000605179 0.000610815 0.99077298 No
Jornada 3 0.000615687 0.000596217 1.0326559 No
Jornada 4 0.000621924 0.000487597 1.27548775 No
Jornada 5 0.00042453 0.000495475 0.85681417 No
Jornada 6 0.000451875 0.000294794 1.53285006 No
Jornada 7 0.000457959 0.000285441 1.6043911 No
Jornada 8 0.000467413 0.000272119 1.71767866 No
Jornada 9 0.000464647 0.000275238 1.68816442 No
Jornada 10 0.000440552 0.000290514 1.51645704 No
Jornada 11 0.000449005 0.000277812 1.61621888 No
Jornada 12 0.000433321 0.000314943 1.37587119 No
Jornada 13 0.00043717 0.000324664 1.34653057 No
Jornada 14 0.000431031 0.000328629 1.31160366 No
Jornada 15 0.000431542 0.000345453 1.24920611 No
De la tabla anterior, se puede observar que ninguno de los modelos que

abarca el campeonato Scotiabank 2016 presenta heterocedasticidad.

Suma de Residuos al Suma de Residuos al

Modelo λ Existe Heterocedasticidad
cuadrado (superiores) cuadrado (inferiores)
Jornada 1 0.000093025 0.00025949 0.35849166 No
Jornada 2 0.000095462 0.000264292 0.36119898 No
Jornada 3 0.000102534 0.000265456 0.3862561 No
Jornada 4 0.000103878 0.000281983 0.36838391 No
Jornada 5 0.000091954 0.000281983 0.32609767 No
Jornada 6 0.000089578 0.000285038 0.31426687 No
Jornada 7 0.000085125 0.000284377 0.29933855 No
Jornada 8 0.000195799 0.000278159 0.70391035 No
Jornada 9 0.000198524 0.000286472 0.69299617 No
Jornada 10 0.000198662 0.000284449 0.69840991 No
Jornada 11 0.000200769 0.000273479 0.73412949 No
Jornada 12 0.000207237 0.000290139 0.71426799 No
Jornada 13 0.000227144 0.000290127 0.78291231 No
Jornada 14 0.000221946 0.000287985 0.77068597 No
Jornada 15 0.000218488 0.000322594 0.67728476 No
40
De la tabla anterior, se puede apreciar que ninguno de los modelos del
campeonato Scotiabank 2017 presenta heterocedasticidad.

campeonato Copa Chile MTS 2016.
Suma de Residuos al Suma de Residuos al Existe

Modelo λ
cuadrado (superiores) cuadrado (inferiores) Heterocedasticidad
Primera Fase Ida 0.000635063 0.000574072 1.10624277 No
Primera Fase Vuelta 0.000622435 0.000572151 1.08788589 No
Octavos Ida 0.000457538 0.000298278 1.53393143 No
Octavos Vuelta 0.000457959 0.000286935 1.59603743 No
Cuartos Ida 0.000451197 0.000275238 1.63929763 No
Cuartos Vuelta 0.000441501 0.00027802 1.58801885 No
Semis Ida 0.00043338 0.000323039 1.34157176 No
Semis Vuelta 0.00043717 0.000314075 1.39192868 No
Final 0.000421357 0.000349645 1.20509946 No
De lo anterior, se observa que en ningún modelo perteneciente al grupo del

campeonato Copa Chile MTS 2016 existe heterocedasticidad.
Finalmente, ninguno de los modelos que se utilizan en este estudio presenta

heterocedasticidad, por lo cual se puede llevar a cabo el modelo de regresión lineal
sin realizar alguna modificación que solucione el inconveniente de
heterocedasticidad.
4.3.2. DETECCIÓN DE AUTOCORRELACIÓN.

Como se mencionó en el apartado 3.7.2, se necesita determinar si existe
autocorrelación en alguno de los modelos presentes en este estudio, por lo cual se
aplicó la prueba de Durbin-Watson. Para un nivel de significancia del 5% y un k igual
a 1, se tienen los valores de tabla dL = 1,7847 y dU = 1,8008.
Respecto a lo anterior, se obtuvieron los siguientes resultados para cada

campeonato presentes en este estudio:
41
Tabla 4.3.2.1. Parámetros de la prueba Durbin-Watson para el grupo del
Modelo P d Decisión
Jornada 1 0.95905 0.0819 Autocorrelación positiva
Jornada 9 -0.10885 2.2177 Autocorrelación negativa
Jornada 10 -0.09815 2.1963 No hay autocorrelación
De la tabla anterior, se puede observar que en los modelos pertenecientes

desde la jornada 1 a la jornada 9 del campeonato Scotiabank 2016 existe
autocorrelación positiva, mientras que desde la jornada 10 a la jornada 15 no existe
autocorrelación.

Modelo P d Decisión
De la tabla anterior, se puede observar que en todos los modelos del

campeonato Scotiabank 2017 existe autocorrelación positiva.
42
Modelo p d Decisión
Primera Fase Ida 0.10485 1.7903 No hay decisión
Primera Fase Vuelta 0.14595 1.7081 Autocorrelación positiva
Octavos Ida 0.2436 1.5128 Autocorrelación positiva
Octavos Vuelta 0.2454 1.5092 Autocorrelación positiva
Cuartos Ida 0.2322 1.5356 Autocorrelación positiva
Cuartos Vuelta 0.22315 1.5537 Autocorrelación positiva
Semis Ida 0.23495 1.5301 Autocorrelación positiva
Semis Vuelta 0.20965 1.5807 Autocorrelación positiva
Final 0.18505 1.6299 Autocorrelación positiva
De la tabla anterior, se puede ver que en el primer modelo del campeonato

Copa Chile MTS 2016 no se tiene decisión acerca de si existe o no autocorrelación,
para el resto de los modelos se presenta autocorrelación positiva.
Finalmente, después de haber detectado la presencia de autocorrelación en

los modelos pertenecientes a los grupos en los cuales se dividió este estudio, se
debe implementar una medida que solucione el inconveniente de autocorrelación
en el modelo de regresión lineal, la cual hace que las estimaciones realizadas no
sean eficientes.
La medida a tomar en este caso es el Proceso iterativo de Cochrane-Orcutt,

con el cual se estimaron nuevos parámetros para los modelos que presentan
autocorrelación, teniendo finalmente el siguiente modelo corregido:
^ ^
(Yt  Yt 1 )     ( Rmt   Rmt 1 )  ( t  t 1 ) (16)
4.4. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO DE MERCADO.

Mediante el modelo de regresión lineal, se procedió a estimar los parámetros
necesarios para determinar la rentabilidad esperada utilizando el modelo de
mercado para cada ventana de los eventos en este estudio.
A continuación, se presentan los parámetros obtenidos por el modelo de

regresión lineal para cada modelo perteneciente a los tres campeonatos:
43
Tabla 4.4.1. Parámetros estimados por el modelo de regresión lineal para el
Partido Período de Estimación β Α

Jornada 1 05-08-2015 a 29-07-2016 0.000007527 - 0.0005911
Jornada 2 12-08-2015 a 05-08-2016 0.000006841 - 0.0004897
Jornada 3 19-08-2015 a 12-08-2016 0.000006067 - 0.0003026
Jornada 4 25-08-2015 a 19-08-2016 0.000001670 0.0003921
Jornada 5 01-09-2015 a 26-08-2016 0.000006836 - 0.0004771
Jornada 6 15-09-2015 a 09-09-2016 0.000003168 0.0000296
Jornada 7 29-09-2015 a 23-09-2016 0.000000348 0.0004804
Jornada 8 06-10-2015 a 30-09-2016 0.000000343 0.0003358
Jornada 9 20-10-2015 a 14-10-2016 0.000004966 - 0.0001881
Jornada 10 03-11-2015 a 28-10-2016 0.000008005 - 0.0004762
Jornada 11 06-11-2015 a 04-11-2016 0.000006338 - 0.0003402
Jornada 12 20-11-2015 a 18-11-2016 0.000003597 0.0000281
Jornada 13 27-11-2015 a 25-11-2016 0.000002555 0.0002182
Jornada 14 04-12-2015 a 02-12-2016 - 0.000001641 0.0008820
Jornada 15 10-12-2015 a 07-12-2016 - 0.000002760 0.0010843
Fuente: Elaboración propia


Jornada 1 09-02-2016 a 03-02-2017 - 0.000005017 0.001318863
Jornada 2 16-02-2016 a 10-02-2017 - 0.000003835 0.001188096
Jornada 3 23-02-2016 a 17-02-2017 - 0.000001989 0.000923277
Jornada 4 01-03-2016 a 24-02-2017 - 0.000003386 0.001133696
Jornada 5 08-03-2016 a 03-03-2017 0.000000879 0.000566448
Jornada 6 15-03-2016 a 10-03-2017 0.000001892 0.000473706
Jornada 7 22-03-2016 a 17-03-2017 0.000007372 - 0.000176781
Jornada 8 06-04-2016 a 31-03-2017 0.000007362 - 0.000025128
Jornada 9 13-04-2016 a 07-04-2017 0.000009232 - 0.000209475
Jornada 10 19-04-2016 a 13-04-2017 0.000008455 - 0.000146246
Jornada 11 25-04-2016 a 21-04-2017 0.000007308 - 0.000048366
Jornada 12 02-05-2016 a 28-04-2017 0.000006879 - 0.000034949
Jornada 13 06-05-2016 a 05-05-2017 0.000007445 - 0.000086766
Jornada 14 13-05-2016 a 12-05-2017 0.000006702 0.000014882
Jornada 15 20-05-2016 a 19-05-2017 0.000003255 0.000475865
44

Primera Fase Ida 14-07-2015 a 08-07-2016 0.000007358 - 0.000710207
Primera Fase Vuelta 22-07-2015 a 15-07-2016 0.000008992 - 0.000861735
Octavos Ida 23-09-2015 a 16-09-2016 0.000001805 0.000166236
Octavos Vuelta 30-09-2015 a 26-09-2016 0.000000257 0.000484116
Cuartos Ida 22-10-2015 a 18-10-2016 0.000006630 - 0.000368443
Cuartos Vuelta 29-10-2015 a 25-10-2016 0.000009246 - 0.000637195
Semis Ida 24-11-2015 a 22-11-2016 0.000003979 - 0.000005706
Semis Vuelta 01-12-2015 a 29-11-2016 - 0.000000650 0.000685523
Final 15-12-2015 a 13-12-2016 - 0.000002662 0.001144511
4.5. CÁLCULO DE LA RENTABILIDAD ESPERADA.

Ya estimados los parámetros del modelo de regresión lineal, se procedió a
calcular las rentabilidades esperadas por medio del modelo de mercado para cada
día de la ventana de eventos.
A continuación, se presentan las rentabilidades esperadas para cada día de

la ventana de eventos:
Tabla 4.5.1. Rentabilidades esperadas para los eventos del campeonato

Scotiabank 2016.
Rentabilidad de
mercado (Rmt) Rentabilidad Esperada
Partido Día 1 Día 2 Día 1 Día 2
Jornada 1 -0.0005 -0.0063 - 0.0000242 - 0.0005678
Jornada 2 0.0039 0.0022 - 0.0000199 - 0.0004706
Jornada 3 0.0027 -0.0085 - 0.0000121 - 0.0002909
Jornada 4 0.0034 0.0029 0.0000201 0.0003730
Jornada 5 0.0029 -0.0026 - 0.0000297 - 0.0004492
Jornada 6 -0.0057 -0.0004 0.0000017 0.0000279
Jornada 7 -0.0009 -0.0073 0.0000289 0.0004532
Jornada 8 0.005 0.0054 0.0000208 0.0003163
Jornada 9 0.0025 0.0106 - 0.0002085 - 0.0002108
Jornada 10 -0.0055 -0.0046 - 0.0004762 - 0.0004761
Jornada 11 0.0077 0.0108 - 0.0003402 - 0.0003403
Jornada 12 0.0098 -0.0051 0.0000282 0.0000281
Jornada 13 -0.0014 -0.006 0.0002182 0.0002182
Jornada 14 0.0005 0.0013 0.0008820 0.0008820
Jornada 15 -0.0052 0.0054 0.0010844 0.0010844
45
Scotiabank 2017.
Rentabilidad de
Jornada 1 -0.0033 0.0024 0.0010358 0.0010966
Jornada 2 0.014 -0.0028 0.0009214 0.0009812
Jornada 3 0.0017 0.0013 0.0007198 0.0007647
Jornada 4 0.0008 0.0032 0.0008944 0.0009449
Jornada 5 0.0088 0.0032 0.0004485 0.0004731
Jornada 6 0.014 -0.0028 0.0003737 0.0003949
Jornada 7 0.0017 0.0013 - 0.0001422 - 0.0001490
Jornada 8 0.0019 0.006 - 0.0000208 - 0.0000217
Jornada 9 0.0029 -0.0048 - 0.0001741 - 0.0001800
Jornada 10 0.0007 -0.0039 - 0.0001208 - 0.0001252
Jornada 11 0.0077 0.0035 - 0.0000397 - 0.0000413
Jornada 12 0.0157 -0.0048 - 0.0000286 - 0.0000297
Jornada 13 -0.0038 -0.0032 - 0.0000720 - 0.0000745
Jornada 14 0.0074 -0.0026 0.0000122 0.0000127
Jornada 15 0.0016 0.0061 0.0003930 0.0004074

Copa Chile MTS 2016.
Rentabilidad de
Primera Fase Ida 0.0058 -0.0028 - 0.0007102 - 0.00071019
Primera Fase
Vuelta 0.0028 0.0058 - 0.0007581 - 0.0007511
Octavos Ida 0.0028 0.0056 0.0003762 0.0000746
Octavos Vuelta -0.0026 -0.0079 0.0004433 0.0003753
Cuartos Ida 0.0051 0.0038 - 0.0004808 - 0.0002568
Cuartos Vuelta 0.0018 -0.0025 - 0.0005550 - 0.0005133
Semis Ida -0.0053 0.0034 0.0001440 - 0.0000396
Semis Vuelta -0.0023 0.0009 0.0006867 0.0005416
Final -0.0012 -0.0025 0.0010177 0.0009562
4.6. CÁLCULO DE LAS RENTABILIDADES EXTRAORDINARIAS.

Una vez estimadas las rentabilidades esperadas para cada día de las
distintas ventanas de eventos, se procedió a calcular las rentabilidades
extraordinarias generadas por los resultados deportivos para cada club, junto con
esto también se determinó la rentabilidad extraordinaria promedio (AARit) y el valor
del estadístico t (tc) para comprobar su significancia estadística.
A continuación, se presentan los resultados obtenidos:
46
Tabla 4.6.1. Rentabilidades extraordinarias para el grupo del campeonato
Scotiabank 2016.
Jornada 1
Blanco y Negro Azul Azul Cruzados S.A.
Rentabilidad
Día de la Ventana Rentabilidad Rentabilidad Rentabilidad Rentabilidad Rentabilidad Rentabilidad
Esperada
Real Extraordinaria Real Extraordinaria Real Extraordinaria
Día 1 - 0,00002 -0,0243 - 0,0243 -0,0476 - 0,0476 0,0000 0,00002
Día 2 - 0,00057 0,0000 0,0006 0,0009 0,0015 0,0000 0,00057
AAR - 0,0119 - 0,0231 0,0003
Desviación Estandar 0,0176 0,0347 0,0004
|tc| 0,9543 0,9401 1,0889
Jornada 2
Rentabilidad
Esperada
Día 1 - 0,00002 0,0275 0,0275 0,0045 0,00452 0,0014 0,0014
Día 2 -0,00047 -0,0032 - 0,0027 0,0000 0,00047 0,0253 0,0258
AAR 0,0124 0,0025 0,0136
|tc| 0,8195 1,2324 1,1140
Jornada 3
Rentabilidad
Esperada
Día 1 - 0,00001 -0,0653 - 0,0653 0,0136 0,0136 0,0000 0,0000121
Día 2 - 0,00029 0,0065 0,0067909 0,0018 0,0021 -0,000066 0,0002247
AAR - 0,0292 0,0079 0,0001
|tc| 0,8116 1,3630 1,1140
Jornada 4
Rentabilidad
Esperada
Día 1 0,00002 0,0000 - 0,0000 0,0000 - 0,0000 -0,0251 - 0,0251
Día 2 0,00037 -0,0063 - 0,0066730 -0,0174 - 0,0178 0,0054 0,0051
AAR - 0,0033 - 0,0089 - 0,0100
|tc| 1,0060 1,0023 0,6646
Jornada 5
Rentabilidad
Esperada
Día 1 - 0,00003 -0,0131 - 0,0131 -0,0088 - 0,0088 0,0345 0,0345
Día 2 - 0,00045 -0,0247 - 0,0242508 0,0000 0,0004 0,0000 0,0004
AAR - 0,0187 - 0,0042 0,0175
|tc| 3,3381 0,9025 1,0264
Jornada 6
Rentabilidad
Esperada
Día 1 0,000002 -0,0399 - 0,0399 0,0000 - 0,0000017 0,0000 - 0,000002
Día 2 0,000028 -0,0123 - 0,0123279 -0,0095 - 0,00953 0,0000 - 0,000028
AAR - 0,0261 - 0,0048 - 0,0000
|tc| 1,8942 1,0004 1,1332
Jornada 7
Rentabilidad
Esperada
Día 1 0,0000289 0,0000 - 0,0000289 0,01 0,0100 0,0000 - 0,000029
Día 2 0,0004532 0,0000 - 0,0004532 -0,0036 - 0,0041 0,0000 - 0,000453
AAR - 0,0002 0,0030 - 0,0002
|tc| 1,1364 0,4220 1,1364
47
Jornada 8
Rentabilidad
Esperada
Día 1 0,0000208 0,0062 0,0062 0,0000 - 0,00002 0,0000 - 0,000021
Día 2 0,0003163 0,0000 - 0,0003 0,0000 - 0,00032 0,0000 - 0,000316
AAR 0,0029 - 0,0002 - 0,0002
|tc| 0,9026 1,1406 1,1406
Jornada 9
Rentabilidad
Esperada
Día 1 - 0,00021 0,0000 0,0002 0,0000 0,0002 0,0000 0,0002
Día 2 - 0,00021 0,0467 0,0469 0,0000 0,0002 0,0000 0,0002
AAR 0,0236 0,0002 0,0002
|tc| 1,0089 182,6945 182,6945
Jornada 10
Rentabilidad
Esperada
Día 1 - 0,00048 -0,0131 - 0,0126 -0,0088 - 0,0083 0,0345 0,0350
Día 2 - 0,00048 -0,0247 - 0,0242 0,0000 0,0005 0,0000 0,0005
AAR - 0,0184 - 0,0039 0,0177
|tc| 3,1765 0,8918 1,0276
Jornada 11
Rentabilidad
Esperada
Día 1 - 0,00034 -0,0471 - 0,0468 -0,0967 - 0,0964 0,0000 0,000340
Día 2 - 0,00034 -0,0156 - 0,0153 0,0000 0,0003 0,0000 0,000340
AAR - 0,0310 - 0,0480 0,0003
|tc| 1,9689 0,9930 5.803,4486
Jornada 12
Rentabilidad
Esperada
Día 1 0,00003 -0,0001 - 0,0001 0,0000 - 0,00003 0,0068 0,0068
Día 2 0,00003 0,0000 - 0,00003 0,0000 - 0,00003 0,0000 - 0,0000
AAR - 0,0001 - 0,0000 0,0034
|tc| 1,5626 3.328,8582 0,9918
Jornada 13
Rentabilidad
Esperada
Día 1 0,00022 0,0000 - 0,0002 -0,0476 - 0,0478 0,0000 - 0,0002
Día 2 0,00022 -0,0605 - 0,0607 0,0000 - 0,0002 0,0000 - 0,0002
AAR - 0,0305 - 0,0240 - 0,0002
|tc| 1,0072 1,0092 23.083,6576
Jornada 14
Rentabilidad
Esperada
Día 1 0,00088 -0,0313 - 0,0322 0,0000 - 0,0009 0,0000 - 0,0009
Día 2 0,00088 0,0000 - 0,0009 0,0000 - 0,0009 0,0000 - 0,0009
AAR - 0,0165 - 0,0009 - 0,0009
|tc| 1,0564 597.049,9849 597.049,9849
Jornada 15
Rentabilidad
Esperada
Día 1 0,0011 0,0258 0,0247 0,0000 - 0,0011 0,0000 - 0,0011
Día 2 0,0011 0,0063 0,0052 -0,0418 - 0,0429 -0,0068 - 0,0079
AAR 0,0150 - 0,0220 - 0,0045
|tc| 1,5349 1,0519 1,3166
48
Scotiabank 2017.
Jornada 1
Rentabilidad
Día de la Ventana
Esperada Rentabilidad Rentabilidad Rentabilidad Rentabilidad Rentabilidad Rentabilidad
Día 1 0,0010358 0,0390 0,0380 -0,0104 - 0,0114 0,0000 - 0,0010358
Día 2 0,0010966 0,0500 0,0489034 0,0000 - 0,0011 0,0000 - 0,0010966
AAR 0,0434 - 0,0063 - 0,0011
|tc| 7,9409 1,2121 35,0980
Jornada 2
Rentabilidad
Día de la Ventana
Día 1 0,0009214 0,0058 0,0049 0,0000 - 0,00092 0,0000 - 0,0009
Día 2 0,0009812 0,0000 - 0,0009812 0,0000 - 0,00098 0,0000 - 0,0010
AAR 0,0019 - 0,0010 - 0,0010
|tc| 0,6651 31,7941 31,7941
Jornada 3
Rentabilidad
Día de la Ventana
Día 1 0,0007198 0,0000 - 0,0007 0,000 - 0,0007 0,0000 - 0,0007198
Día 2 0,0007647 -0,0194 - 0,0201647 0,000 - 0,0008 0,000000 - 0,0007647
AAR - 0,0104 - 0,0007 - 0,0007
|tc| 1,0740 33,1143 33,1143
Jornada 4
Rentabilidad
Día de la Ventana
Día 1 0,0008944 0,0000 - 0,0009 0,0000 - 0,0009 0,0000 - 0,0009
Día 2 0,0009449 0,0161 0,0151551 0,0000 - 0,0009 0,0000 - 0,0009
AAR 0,0071 - 0,0009 - 0,0009
|tc| 0,8885 36,4067 36,4067
Jornada 5
Rentabilidad
Día de la Ventana
Día 1 0,0004485 0,0000 - 0,0004 0,0000 - 0,0004 0,0000 - 0,0004
Día 2 0,0004731 0,0189 0,0184269 0,0000 - 0,0005 -0,0208 - 0,0213
AAR 0,0090 - 0,0005 - 0,0109
|tc| 0,9525 37,5385 1,0430
Jornada 6
Rentabilidad
Día de la Ventana
Día 1 0,0003737 0,0000 - 0,0004 0,0000 - 0,0003737 0,0000 - 0,0003737
Día 2 0,0003949 0,0000 - 0,0003949 0,0101 0,00971 0,0000 - 0,0003949
AAR - 0,0004 0,0047 - 0,0004
|tc| 36,4125 0,9258 36,4125
Jornada 7
Rentabilidad
Día de la Ventana
Día 1 - 0,0001422 0,0000 0,0001422 0,0000 0,0001 0,0000 0,0001422
Día 2 - 0,0001490 -0,0012 - 0,0010510 0,0106 0,0107 0,0000 0,0001490
AAR - 0,0005 0,0054 0,0001
|tc| 0,7617 1,0268 42,9377
49
Jornada 8
Rentabilidad
Día de la Ventana
Día 1 - 0,0000208 0,0372 0,0372 0,0000 0,0000208 0,0000 0,0000208
Día 2 - 0,0000217 -0,0256 - 0,0255783 0,0000 0,000022 0,0000 0,000022
AAR 0,0058 0,0000 0,0000
|tc| 0,1854 51,9222 51,9222
Jornada 9
Rentabilidad
Día de la Ventana
Día 1 - 0,0001741 0,0106 0,0108 -0,0526 - 0,0524 -0,0140 - 0,0138
Día 2 - 0,0001800 0,0263 0,0264800 0,0000 0,0002 0,0000 0,0002
AAR 0,0186 - 0,0261 - 0,0068
|tc| 2,3720 0,9932 0,9743
Jornada 10
Rentabilidad
Día de la Ventana
Día 1 - 0,0001208 0,0000 0,0001 0,0000 0,0001 0,0213 0,0214
Día 2 - 0,0001252 -0,1026 - 0,1024748 0,0000 0,0001 0,0000 0,0001
AAR - 0,0512 0,0001 0,0108
|tc| 0,9976 56,5097 1,0118
Jornada 11
Rentabilidad
Día de la Ventana
Día 1 - 0,0000397 0,0000 0,0000 0,0000 0,0000 0,0069 0,006984
Día 2 - 0,0000413 -0,0577 - 0,0576587 0,0000 0,0000 0,0000 0,000041
AAR - 0,0288 0,0000 0,0035
|tc| 0,9986 50,5908 1,0119
Jornada 12
Rentabilidad
Día de la Ventana
Día 1 - 0,0000286 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Día 2 - 0,0000297 -0,0188 - 0,0187703 -0,0021 - 0,0021 0,0000 0,0000
AAR - 0,0094 - 0,0010 0,0000
|tc| 0,9970 0,9728 53,8559
Jornada 13
Rentabilidad
Día de la Ventana
Día 1 - 0,0000720 0,0510 0,0511 0,0054 0,0055 0,0000 0,0001
Día 2 - 0,0000745 0,0170 0,0170745 -0,0053 - 0,0052 -0,0209 - 0,0209
AAR 0,0341 0,0001 - 0,0104
|tc| 2,0045 0,0230 0,9931
Jornada 14
Rentabilidad
Día de la Ventana
Día 1 0,0000122 -0,0588 - 0,0588 0,1000 0,1000 0,0000 - 0,0000122
Día 2 0,0000127 -0,0313 - 0,0313127 0,0171 0,0171 0,0000 - 0,0000127
AAR - 0,0451 0,0585 - 0,0000
|tc| 3,2773 1,4122 47,2764
Jornada 15
Rentabilidad
Día de la Ventana
Día 1 0,0003930 -0,0313 - 0,0317 0,0396 0,0392 0,0000 - 0,0004
Día 2 0,0004074 0,0000 - 0,0004074 0,0000 - 0,0004 0,0000 - 0,0004
AAR - 0,0161 0,0194 - 0,0004
|tc| 1,0260 0,9794 55,5774
50
Copa Chile MTS 2016.
Primera Fase Ida

Rentabilidad
Día de la Ventana
Día 1 - 0,0007 0,0071 0,0078 - - 0,0000 0,0007
Día 2 - 0,0007 0,0070 0,0077 - - 0,0069 0,0076
AAR 0,0078 0,0042
Desviación Estandar 0,0001 0,0049
|tc| 155,2378 1,2059
Primera Fase Vuelta
Rentabilidad
Día de la Ventana
Día 1 - 0,00076 0,0000 0,0008 - - -0,0134 - 0,0127
Día 2 - 0,00075 0,0034 0,0042 - - 0,0273 0,0281
AAR 0,0025 0,0077
|tc| 1,4468 0,3775
Octavos de Final Ida
Rentabilidad
Día de la Ventana
Día 1 0,00038 0,0000 - 0,0004 0,000 - 0,0004 0,0000 - 0,00038
Día 2 0,00007 0,0000 - 0,00007 0,000 - 0,0001 0,0000 - 0,00007
AAR - 0,0002 - 0,0002 - 0,0002
|tc| 1,4947 1,4947 1,4947
Octavos de Final Vuelta
Rentabilidad
Día de la Ventana
Día 1 0,00044 0,0000 - 0,0004 0,0000 - 0,0004 0,0000 - 0,0004
Día 2 0,00038 0,0000 - 0,00038 0,0000 - 0,0004 0,0000 - 0,0004
AAR - 0,0004 - 0,0004 - 0,0004
|tc| 12,0403 12,0403 12,0403
Cuartos de Final Ida
Rentabilidad
Día de la Ventana
Día 1 - 0,00048 -0,0065 - 0,0060 0,0000 0,0005 0,0000 0,0005
Día 2 - 0,00026 -0,0028 - 0,0025432 0,0000 0,0003 0,0129 0,0131
AAR - 0,0043 0,0004 0,0068
|tc| 2,4633 3,2929 1,0761
Cuartos de Final Vuelta
Rentabilidad
Día de la Ventana
Día 1 - 0,0006 0,0054 0,0060 0,0000 0,0005550 0,0000 0,0005550
Día 2 - 0,0005 0,0000 0,0005133 0,0000 0,00051 0,0987 0,0991975
AAR 0,0032 0,0005 0,0499
|tc| 1,1887 25,6650 1,0113
51
Semi final Ida
Rentabilidad
Día de la Ventana
Día 1 0,00014 0,0180 0,0179 - - 0,0000 - 0,00014
Día 2 - 0,00004 -0,0295 - 0,0295 - - 0,0000 0,00004
AAR - 0,0058 - 0,0001
|tc| 0,2453 0,5690
Semi Final Vuelta
Rentabilidad
Día de la Ventana
Día 1 0,0007 0,0000 - 0,0007 - - -0,0068 - 0,0075
Día 2 0,0005 0,0000 - 0,0005 - - 0,0000 - 0,0005
AAR - 0,0006 - 0,0040
|tc| 8,4614 1,1559
Final
Rentabilidad
Día de la Ventana
Día 1 0,00102 0,0000 - 0,00102 - - - -
Día 2 0,00096 0,0000 - 0,00096 - - - -
AAR - 0,0010
Desviación Estandar 0,0000
|tc| 32,1107
Para un nivel de significancia del 5%, una prueba de dos colas y un k igual a
1, se tiene un valor t de tabla igual a 12.7062. Para esto, los valores del estadístico
t calculado para las rentabilidades extraordinarias promedio generadas por los
resultados deportivos de cada sociedad anónima que sean mayores al valor t de
tabla obtenido, serán estadísticamente significativas, lo que implicaría que los
resultados deportivos tendrían un impacto en las rentabilidades accionarias de las
sociedades anónimas, en caso contrario, no serían estadísticamente significativos
y los resultados deportivos no tendrían impacto sobre las rentabilidades accionarias
de las sociedades anónimas.
4.7. PRUEBA DE LAS HIPÓTESIS PLANTEADAS.

Teniendo calculadas las rentabilidades extraordinarias, las rentabilidades
extraordinarias promedio y los valores estadísticos t para cada día de cada ventana
en los distintos eventos que abarca este estudio, se procedió a comprobar las
hipótesis planteadas anteriormente.
Para nuestra primera hipótesis, se tienen las siguientes tablas:
52
Tabla 4.7.1. Resumen de los valores estadísticos t, calculados para las rentabilidades extraordinarias promedio (AAR).

Sociedad Anónima
Jornada 1 Jornada 2 Jornada 3 Jornada 4 Jornada 5 Jornada 6 Jornada 7 Jornada 8 Jornada 9 Jornada 10 Jornada 11 Jornada 12 Jornada 13 Jornada 14 Jornada 15
Blanco y Negro 0,9543 0,8195 0,8116 1,0060 3,3381 1,8942 1,1364 0,9026 1,0089 3,1765 1,9689 1,5626 1,0072 1,0564 1,5349
Azul Azul 0,9401 1,2324 1,3630 1,0023 0,9025 1,0004 0,4220 1,1406 182,6945 0,8918 0,9930 3328,8582 1,0092 597049,9849 1,0519
Cruzados S.A. 1,0889 1,1140 1,1140 0,6646 1,0264 1,1332 1,1364 1,1406 182,6945 1,0276 5803,4486 0,9918 23083,6576 597049,9849 1,3166

Sociedad Anónima
Jornada 1 Jornada 2 Jornada 3 Jornada 4 Jornada 5 Jornada 6 Jornada 7 Jornada 8 Jornada 9 Jornada 10 Jornada 11 Jornada 12 Jornada 13 Jornada 14 Jornada 15
Blanco y Negro 7,9409 0,6651 1,0740 0,8885 0,9525 36,4125 0,7617 0,1854 2,3720 0,9976 0,9986 0,9970 2,0045 3,2773 1,0260
Azul Azul 1,2121 31,7941 33,1143 36,4067 37,5385 0,9258 1,0268 51,9222 0,9932 56,5097 50,5908 0,9728 0,0230 1,4122 0,9794
Cruzados S.A. 35,0980 31,7941 33,1143 36,4067 1,0430 36,4125 42,9377 51,9222 0,9743 1,0118 1,0119 53,8559 0,9931 47,2764 55,5774
Copa Chile MTS 2016

Sociedad Anónima
Primera Fase Primera
Ida Fase Octavos
Vuelta Ida Octavos Vuelta
Cuartos Ida Cuartos Vuelta
Semi Final IdaSemi Final Vuelta
Final
Blanco y Negro155,2378 1,4468 1,4947 12,0403 2,4633 1,1887 0,2453 8,4614 32,1107
Azul Azul - - 1,4947 12,0403 3,2929 25,6650 - - -
Cruzados S.A. 1,2059 0,3775 1,4947 12,0403 1,0761 1,0113 0,5690 1,1559
53
De la tabla anterior, se puede observar que 28 resultados deportivos de un
total de 111 entre los tres campeonatos en estudio, son estadísticamente
significativos, por lo cual se rechaza la hipótesis nula en esos partidos. No obstante,
esto sólo representa un 25,23% de la muestra total, por lo tanto, se puede concluir
que no se rechaza la hipótesis nula y, por ende, los resultados deportivos no
generan un impacto en la rentabilidad de las acciones de las sociedades anónimas
en estudio.
La segunda hipótesis, la cual plantea que una victoria encontrándose en la

parte alta de la de un campeonato, genera un mayor impacto en la rentabilidad de
las acciones que una victoria en la parte media o en la parte baja del campeonato.
Para esto, se tienen las siguientes hipótesis nula y alternativa:
H0: µva = µvm
H1: µva > µvm
Donde µva es la media de las victorias en la parte alta de la tabla en el

campeonato y µvi es la media de las victorias en la parte media del campeonato.
Para la comparación con la parte baja de la tabla, que es la otra parte de esta
hipótesis, se tiene la siguiente hipótesis nula y alternativa:
H0: µva = µvb
H1: µva > µvb
Donde µva es la media de las victorias en la parte alta de la tabla en el

campeonato y µvb es la media de las victorias en la parte baja del campeonato.
En las siguientes tablas se presentan los valores del estadístico t calculado y

el valor t crítico de tabla para las victorias obtenidas por los clubes en el campeonato
Scotiabank 2016.
Tabla 4.7.2. Valor del estadístico t calculado y t crítico para el contraste de

las victorias entre la parte alta y media de la tabla, en el campeonato
Scotiabank 2016.
Media Desviación
Posición Muestral Estándar t calculado t crítico
Parte alta 0,0026 0,0107
Parte 0,0178 1,7081
media 0,0019 0,0138
54
las victorias entre la parte alta y baja de la tabla, en el campeonato
Scotiabank 2016.
Media Desviación
Parte alta 0,0026 0,0107
-0,2500 1,7823
Parte baja 0,0130 0,0180
De las tablas anteriores, se puede ver que los valores del estadístico t
calculado no es superior a los valores del t crítico para ambos casos, por lo cual no
se rechaza la hipótesis nula, es decir, una victoria en la parte alta de la tabla no
genera una mayor rentabilidad que una victoria en la parte media o en la parte baja
de la tabla en el campeonato Scotiabank 2016.
Para el campeonato Scotiabank 2017, se tienen las siguientes tablas donde

se presenta el valor del estadístico t calculado y del estadístico t crítico de las
victorias obtenidas por los clubes en este campeonato:

las victorias entre la parte alta y media de la tabla, en el campeonato
Scotiabank 2017.
Media Desviación
Parte alta 0,0063 0,1079
0,0454 1,6955
Parte media 0,0019 0,0040

las victorias entre la parte alta y baja de la tabla, en el campeonato
Scotiabank 2017.
Media Desviación
Parte alta 0,0063 0,1033
0,0745 1,7011
Parte baja -0,0007 0,0003
55
Para el campeonato Copa Chile MTS 2016, se tienen las siguientes tablas
donde se presenta el valor del estadístico t calculado y del estadístico t crítico de
las victorias obtenidas por los clubes en este campeonato:

las victorias entre la parte alta y media de la tabla, en el campeonato Copa
Chile MTS 2016.
Media Desviación
Parte alta -0,0025 0,0152
-0,0806 1,9432

las victorias entre la parte alta y baja de la tabla, en el campeonato Copa
Chile MTS 2016.
Media Desviación
Parte alta -0,0025 0,0152
-0,1671 1,9432
Parte baja 0,0051 0,0170
de la tabla en el campeonato Copa Chile MTS 2016.
Finalmente, se rechaza la segunda hipótesis planteada, ya que en ninguno

de los campeonatos se cumple esta, por lo tanto, las victorias en la parte alta de la
tabla no generan una mayor rentabilidad que una victoria en la parte media o en la
parte baja de la tabla para cada campeonato, por ende, no existe diferencia entre
las rentabilidades extraordinarias generadas a partir de una victoria en una parte del
campeonato u otra.
Para la tercera hipótesis planteada, la cual expone que las derrotas en la

parte alta de la tabla generan un menor impacto en la rentabilidad de las acciones
de las sociedades que una derrota en la parte media o en la parte baja de la tabla
para cada campeonato, se utilizó el mismo método que en la hipótesis dos, pero en
este caso se consideró las derrotas obtenidas en cada campeonato
respectivamente.
La hipótesis planteada para este caso se expresa de la siguiente forma:
56
H0: µda = µdm
H1: µda < µdm
Donde µda es la media de las derrotas en la parte alta del campeonato y µ dm

es la media de las derrotas en la parte media del campeonato.
Para la comparación con la parte baja de la tabla, que es la otra parte de esta
hipótesis, se tiene la siguiente hipótesis nula y alternativa:
H0: µda = µdb
H1: µda < µdb
Donde µva es la media de las derrotas en la parte alta de la tabla en el

campeonato y µvb es la media de las derrotas en la parte baja del campeonato.
En la siguiente tabla, se presentan los valores del estadístico t calculado y

del estadístico t crítico de tabla para las derrotas obtenidas en el campeonato
Scotiabank 2016, siendo para este caso que no se tuvieron derrotas en la parte baja
del campeonato:

las derrotas entre la parte alta y media de la tabla, en el campeonato
Scotiabank 2016.
Media Desviación
Parte alta -0,0088 0,0158
0,1774 -1,7396
Parte media -0,0177 0,0264
Se puede observar, que el valor del estadístico t calculado no es menor que

el estadístico t crítico de tabla, por lo cual no se rechaza la hipótesis nula y entonces
las derrotas en la parte alta del campeonato no generan una menor ganancia que
una derrota en la parte media de la tabla en el campeonato Scotiabank 2016.
Para el campeonato Scotiabank 2017, se tienen las siguientes tablas donde

se presenta el valor del estadístico t calculado y del estadístico t crítico de las
derrotas obtenidas por los clubes en este campeonato:

Scotiabank 2016.
Media Desviación
Parte alta -0,0080 0,0316
Parte -0,1367 -1,8946
media -0,0004 0,0100
57
Scotiabank 2016.
Media Desviación
Parte alta -0,0080 0,0316
-0,0378 -1,8595
Parte baja -0,0059 0,0103
calculado no son menores que los valores del t crítico para ambos casos, por lo cual
no se rechaza la hipótesis nula, es decir, una derrota en la parte alta de la tabla no
genera una menor rentabilidad que una derrota en la parte media o en la parte baja
Para el campeonato Copa Chile MTS 2016, se tienen las siguientes tablas
donde se presenta el valor del estadístico t calculado y del estadístico t crítico de
las derrotas obtenidas por los clubes en este campeonato:

las derrotas entre la parte alta y media de la tabla, en el campeonato Copa
Chile MTS 2016.
Media Desviación
Parte alta -0,0020 0,0036
-0,1176 -2,1318

las derrotas entre la parte alta y media de la tabla, en el campeonato Copa
Chile MTS 2016.
Media Desviación
Parte alta -0,0020 0,0036
-0,2701 -2,92
Parte baja 0,00415845 0,00487661
calculado no son menores que los valores del t crítico para ambos casos, por lo cual
no se rechaza la hipótesis nula, es decir, una derrota en la parte alta de la tabla no
genera una menor rentabilidad que una derrota en la parte media o en la parte baja
de la tabla en el campeonato Copa Chile MTS 2016.
58
Finalmente, se rechaza la tercera hipótesis planteada, ya que en ninguno de
los campeonatos las derrotas en la parte alta de la tabla generan una menor
rentabilidad que en la parte media o en la parte baja de la tabla en alguno de los
campeonatos en estudio, por lo tanto, no existe diferencia entre las rentabilidades
extraordinarias generadas a partir de una derrota en una parte del campeonato u
otra.
La cuarta hipótesis planteada, hace referencia a determinar si las victorias en

la parte alta de un campeonato generan un mayor impacto rentabilidad accionaria
que una victoria en la parte alta de otro campeonato. Para esto, se utilizó el mismo
método aplicado para la hipótesis dos, pero en este caso la comparación fue
realizada entre campeonatos.
H0: µvax = µvay
H1: µvax > µvay
Donde µvax es la media de las victorias obtenidas en la parte alta del

campeonato x y µvay es la media de las victorias obtenidas en la parte alta del
campeonato y.
En la siguiente tabla se presentan los valores del estadístico t calculado y el

valor t de tabla para la comparación de las victorias en la parte alta entre los distintos
campeonatos:

las victorias obtenidas en la parte alta entre los distintos campeonatos.
Media Desviación
Campeonato Muestral Estándar t calculado t crítico
Scotiabank 2016 0,0026 0,0107
-0,0742 1,6896
Scotiabank 2017 0,0063 0,0332
Media Desviación
Scotiabank 2016 0,0026 0,0107
0,1280 1,8331
Copa Chile MTS 2016 -0,0025 0,0152
Media Desviación
Scotiabank 2017 0,0063 0,0332
0,1483 1,8125
Copa Chile MTS 2016 -0,0025 0,0152
A partir de la tabla anterior, se rechaza la cuarta hipótesis planteada

anteriormente, ya que el valor estadístico t calculado no supera al valor t crítico de
tabla, por lo tanto, las victorias en la parte alta de un campeonato no generan un
mayor impacto en la rentabilidad accionaria que las victorias en la parte alta de otro
59
campeonato, es decir, no existe diferencia en las rentabilidades extraordinarias
generadas a partir de las victorias en la parte alta entre los campeonatos.
Para la quinta hipótesis, se plantea que las victorias en la parte media de la

tabla de un campeonato generan un mayor impacto en la rentabilidad accionaria
que las victorias en la parte media de otro campeonato.
H0: µvmx = µvmy
H1: µvmx > µvmy
Donde µvmx es la media de las victorias obtenidas en la parte media del

campeonato x y µvmy es la media de las victorias obtenidas en la parte media del
campeonato y.

valor t de tabla para la comparación de las victorias en la parte media entre los
distintos campeonatos:

las victorias obtenidas en la parte media entre los distintos campeonatos.
Media Desviación
Scotiabank 2016 0,0019 0,0138
0,0005 1,6924
Scotiabank 2017 0,0019 0,0040
Media Desviación
Scotiabank 2016 0,0019 0,0138
0,0358 1,6909
Copa Chile MTS 2016 0,0006 0,0044
Media Desviación
Scotiabank 2017 0,0019 0,0040
0,0561 1,7056
Copa Chile MTS 2016 0,0006 0,0044
De lo anterior, se rechaza la hipótesis cinco planteada anteriormente, ya que

el valor estadístico t calculado no supera al valor t crítico de tabla, por lo tanto, las
victorias en la parte media de un campeonato no generan un mayor impacto en la
rentabilidad accionaria que las victorias en la parte media de otro campeonato, es
decir, no existe diferencia en las rentabilidades extraordinarias generadas a partir
de las victorias en la parte media entre los campeonatos.
La sexta hipótesis, pretende determinar si existe diferencia entre las

rentabilidades extraordinarias generadas a partir de las victorias obtenidas en la
parte baja de los campeonatos.
60
H0: µvbx = µvby
H1: µvbx > µvby
Donde µvbx es la media de las victorias obtenidas en la parte baja del

campeonato x y µvby es la media de las victorias obtenidas en la parte baja del
campeonato y.

valor t de tabla para la comparación de las victorias en la parte baja entre los
distintos campeonatos:

las victorias obtenidas en la parte baja entre los distintos campeonatos.
Media Desviación
Scotiabank 2016 0,0130 0,0180
0,3497 1,8946
Scotiabank 2017 -0,0007 0,0003
Media Desviación
Scotiabank 2016 0,0130 0,0180
0,1653 1,9432
Copa Chile MTS 2016 0,0051 0,0170
Media Desviación
Scotiabank 2017 -0,0007 0,0003
-0,2032 2,3534
Copa Chile MTS 2016 0,0051 0,0170
En la tabla, se puede observar que se rechaza la sexta hipótesis planteada,

dado que el valor estadístico t calculado no supera al valor t crítico de tabla, por lo
tanto, las victorias en la parte baja de un campeonato no generan un mayor impacto
en la rentabilidad accionaria que las victorias en la parte baja de otro campeonato,
es decir, no existe diferencia en las rentabilidades extraordinarias generadas a partir
de las victorias en la parte baja entre los campeonatos.
La séptima hipótesis postula que las derrotas en la parte alta de un

campeonato generan un menor impacto en la rentabilidad accionaria que las
derrotas en la parte alta de otro campeonato.
H0: µdax = µday
H1: µdax < µday
61
Donde µdax es la media de las derrotas obtenidas en la parte alta del
campeonato x y µday es la media de las derrotas obtenidas en la parte alta del
campeonato y.

valor t de tabla para la comparación de las derrotas en la parte alta entre los distintos
campeonatos:

las derrotas obtenidas en la parte alta entre los distintos campeonatos.
Media Desviación
Scotiabank 2016 -0,0088 0,0158
-0,0155 -1,8595
Scotiabank 2017 -0,0080 0,0316
Media Desviación
Scotiabank 2016 -0,0088 0,0158
-0,1761 -1,7959
Copa Chile MTS 2016 -0,0020 0,0036
Media Desviación
Scotiabank 2017 -0,0080 0,0316
-0,1129 -1,8946
Copa Chile MTS 2016 -0,0020 0,0036
En la tabla, se puede observar que se rechaza la séptima hipótesis planteada,

dado que el valor estadístico t calculado no es menor al valor t crítico de tabla en
ninguno de las comparaciones realizadas, por lo tanto las derrotas en la parte alta
de un campeonato no generan un menor impacto en la rentabilidad accionaria en
las acciones de las sociedades que las derrotas en la parte alta de otro campeonato,
es decir, no existe diferencia en las rentabilidades extraordinarias generadas a partir
de las derrotas en la parte alta entre los campeonatos.
La octava hipótesis plantea que las derrotas en la parte media de un

campeonato generan un menor impacto en la rentabilidad accionaria que las
derrotas en la parte media de otro campeonato.
H0: µdmx = µdmy
H1: µdmx < µdmy
Donde µdmx es la media de las derrotas obtenidas en la parte media del

campeonato x y µdmy es la media de las derrotas obtenidas en la parte media del
campeonato y.
62
campeonatos:

las derrotas obtenidas en la parte media entre los distintos campeonatos.
Media Desviación
Scotiabank 2016 -0,0177 0,0264
-0,3359 -1,7531
Scotiabank 2017 -0,0004 0,0100
Media Desviación
Scotiabank 2016 -0,0177 0,0264
-0,3777 -1,8125
Copa Chile MTS 2016 0,0001 0,0004
Media Desviación
Scotiabank 2017 -0,0004 0,0100
-0,0167 -1,8125
Copa Chile MTS 2016 0,0001 0,0004
De la tabla anterior, se puede observar que se rechaza la octava hipótesis

planteada, dado que el valor estadístico t calculado no es menor al valor t crítico de
tabla en ninguno de las comparaciones realizadas, por lo tanto las derrotas en la
parte media de un campeonato no generan un menor impacto en la rentabilidad
accionaria que las derrotas en la parte media de otro campeonato, es decir, no existe
diferencia en las rentabilidades extraordinarias generadas a partir de las derrotas
en la parte media entre los campeonatos.
La novena y última hipótesis planteada para este estudio, pretende

determinar si las derrotas en la parte baja de un campeonato generan un menor
impacto en las rentabilidades accionarias que las derrotas en la parte baja de otro
campeonato, esto para determinar si existe diferencia entre las rentabilidades
extraordinarias generadas por las derrotas en la parte baja entre un campeonato y
otro.
H0: µdmx = µdmy
H1: µdmx < µdmy
Donde µdmx es la media de las derrotas obtenidas en la parte media del

campeonato x y µdmy es la media de las derrotas obtenidas en la parte media del
campeonato y.
63
campeonatos, siendo en este caso que no se obtuvieron derrotas en la parte baja
de la tabla para el campeonato Scotiabank 2016:

las derrotas obtenidas en la parte baja entre el campeonato Scotiabank 2017
y la Copa Chile MTS 2016.
Media Desviación
Scotiabank 2017 -0,0059 0,0103
-0,3063 -2,3534
Copa Chile MTS 2016 0,0042 0,0049
De la tabla anterior, se puede observar que se rechaza la novena hipótesis

planteada, dado que el valor estadístico t calculado no es menor al valor t crítico de
tabla en la comparación realizada entre el campeonato Scotiabank 2017 y la Copa
Chile MTS 2016, por lo tanto las derrotas en la parte baja de un campeonato no
generan un menor impacto en la rentabilidad de las acciones de las sociedades que
las derrotas en la parte baja de otro campeonato, es decir, no existe diferencia en
las rentabilidades extraordinarias generadas a partir de las derrotas en la parte baja
entre los campeonatos.
64
CONCLUSIÓN.
65
El desarrollo de este estudio, tuvo por objetivo identificar el efecto de los
resultados deportivos en las rentabilidades accionarias de las sociedades anónimas
que representan los clubes del fútbol chileno, así como también conocer el efecto
en los diferentes contextos que se dan estos resultados.
Dados los resultados de este estudio, se puede concluir que para casi la
totalidad de las rentabilidades extraordinarias observadas en los distintos equipos
en el período de estudio se rechaza la primera hipótesis, la cual postula que los
resultados deportivos de las sociedades anónimas tienen un efecto sobre sus
rentabilidades accionarias, dado que sólo un 25,23% de los resultados deportivos
generan rentabilidades extraordinarias estadísticamente significativas.
Por otra parte, para las hipótesis que plantean mayores rentabilidades o
menores rentabilidades tanto en distintas posiciones del campeonato como en
distintos campeonatos, estas se rechazaron, por lo cual no existe diferencia en las
rentabilidades accionarias extraordinarias generadas a partir de los resultados
deportivos obtenidos por las sociedades anónimas en distintas posiciones del
campeonato, así como entre otros campeonatos.
Por consiguiente, se puede concluir que el mercado accionario de las

sociedades anónimas pertenecientes a los clubes chilenos de fútbol es indiferente
a los resultados que estos obtengan en su actividad deportiva, pudiendo sus
rentabilidades accionarias explicarse por factores externos a estos, como por
ejemplo administrativos, también puede obedecer al hecho de que los campeonatos
locales no sean atractivos para los inversionistas junto con la escasa participación
de los clubes de fútbol chileno en campeonatos internacionales. Otro factor que
podría explicar esto, sería que los inversionistas reaccionarían solo a eventos
inesperados como puede ser, por ejemplo, el despido de un director técnico en la
mitad de un campeonato, ya que para los partidos que juegan los clubes, los
inversionistas saben que este evento ocurrirá en un determinado día, y los tipos de
resultados que se pueden obtener son conocidos, independiente de si estos son los
que ellos pronostican o no, lo cual podría resultar en una reacción mesurada por
parte de los inversionistas.
A pesar de lo anterior, existen resultados que logran llamar la atención,

siendo de especial interés la victoria obtenida por el club Colo-Colo en la final del
campeonato Copa Chile MTS 2016, el cual resultó ser estadísticamente
significativo, siendo este un resultado obtenido en una instancia importante del
torneo, lo cual abarca algunas hipótesis planteadas en este estudio pero que al final
no logra superar al resto de partidos no significativos que abarcan estas hipótesis.
Finalmente, se recomienda prestar especial atención a los eventos no

deportivos, con la finalidad de complementar este estudio y de buscar otras
opciones para explicar las rentabilidades obtenidas por las sociedades anónimas.
66
Se presume que estos eventos no deportivos deberían ser netamente
administrativos, tales como los ocurridos a lo largo del segundo semestre del año
2017, siendo uno de estos la posible venta del club Colo-Colo a inversionistas
chinos, lo cual no se logró concretar pero que hubiese abierto la posibilidad al club
de contar con una imagen internacional, además de haber significado mayor capital
del club para la contratación de jugadores y entrenadores importantes, pudiendo
resultar todo esto en algo atractivo para los inversionistas. Por otra parte, se tiene
la venta de los derechos televisivos al grupo Turner, el cual trasmitirá el campeonato
Scotiabank por medio de señal internacional, en vez de sólo señal nacional como
se realizaba hasta la fecha por medio del canal deportivo CDF, lo que resulta
positivo para los clubes ya que se exportará su imagen al resto del continente.
Para los resultados deportivos, se presume que estos podrían tener un

impacto en las rentabilidades accionarias de las sociedades anónimas cuando los
clubes de fútbol chileno comiencen a tener buenos resultados deportivos en
campeonatos internacionales, así como una participación constante en estos
67
ANEXO
68
ANEXO I.
Anexo 1.1. Serie de datos utilizados para el cálculo de la rentabilidad de

mercado en la primera fecha del campeonato Scotiabank 2016.
Precio de la Rentabilidad Rentabilidad
Fecha Acción discreta continua
05.08.2015 18.845,86 - -
06.08.2015 18.793,71 - 0,00280 -0,00280
07.08.2015 18.781,66 - 0,00060 -0,00060
10.08.2015 18.813,77 0,00170 0,00170
11.08.2015 18.679,29 - 0,00710 -0,00713
12.08.2015 18.640,09 - 0,00210 -0,00210
13.08.2015 18.573,78 - 0,00360 -0,00361
14.08.2015 18.513,95 - 0,00320 -0,00321
17.08.2015 18.466,77 - 0,00250 -0,00250
18.08.2015 18.433,57 - 0,00180 -0,00180
19.08.2015 18.457,24 0,00130 0,00130
20.08.2015 18.402,25 - 0,00300 -0,00300
21.08.2015 18.107,08 - 0,01600 -0,01613
24.08.2015 17.725,56 - 0,02110 -0,02133
25.08.2015 17.970,28 0,01380 0,01371
26.08.2015 18.013,79 0,00240 0,00240
27.08.2015 18.507,98 0,02740 0,02703
28.08.2015 18.546,02 0,00210 0,00210
31.08.2015 18.756,37 0,01130 0,01124
01.09.2015 18.507,66 - 0,01330 -0,01339
02.09.2015 18.536,77 0,00160 0,00160
03.09.2015 18.725,87 0,01020 0,01015
04.09.2015 18.249,01 - 0,02550 -0,02583
07.09.2015 18.432,22 0,01000 0,00995
08.09.2015 18.356,82 - 0,00410 -0,00411
09.09.2015 18.265,63 - 0,00500 -0,00501
10.09.2015 18.393,32 0,00700 0,00698
11.09.2015 18.315,16 - 0,00420 -0,00421
14.09.2015 18.366,30 0,00280 0,00280
15.09.2015 18.419,29 0,00290 0,00290
16.09.2015 18.561,03 0,00770 0,00767
17.09.2015 18.538,51 - 0,00120 -0,00120
21.09.2015 18.517,46 - 0,00110 -0,00110
22.09.2015 18.346,26 - 0,00920 -0,00924
23.09.2015 18.232,24 - 0,00620 -0,00622
24.09.2015 18.266,27 0,00190 0,00190
25.09.2015 18.211,02 - 0,00300 -0,00300
28.09.2015 17.939,27 - 0,01490 -0,01501
29.09.2015 17.956,66 0,00100 0,00100
30.09.2015 18.056,21 0,00550 0,00548
01.10.2015 18.046,27 - 0,00060 -0,00060
02.10.2015 18.077,66 0,00170 0,00170
05.10.2015 18.310,92 0,01290 0,01282
06.10.2015 18.480,43 0,00930 0,00926
07.10.2015 18.548,10 0,00370 0,00369
08.10.2015 18.601,88 0,00290 0,00290
09.10.2015 18.714,35 0,00600 0,00598
13.10.2015 18.703,76 - 0,00060 -0,00060
14.10.2015 18.603,58 - 0,00540 -0,00541
15.10.2015 18.666,02 0,00340 0,00339
69
16.10.2015 18.623,28 - 0,00230 -0,00230
19.10.2015 18.687,81 0,00350 0,00349
20.10.2015 18.730,76 0,00230 0,00230
21.10.2015 18.800,26 0,00370 0,00369
22.10.2015 18.966,31 0,00880 0,00876
23.10.2015 19.064,24 0,00520 0,00519
26.10.2015 19.122,37 0,00300 0,00300
27.10.2015 19.008,06 - 0,00600 -0,00602
28.10.2015 18.960,20 - 0,00250 -0,00250
29.10.2015 18.798,41 - 0,00850 -0,00854
30.10.2015 18.811,30 0,00070 0,00070
02.11.2015 18.853,94 0,00230 0,00230
03.11.2015 19.003,01 0,00790 0,00787
04.11.2015 18.973,28 - 0,00160 -0,00160
05.11.2015 18.890,42 - 0,00440 -0,00441
06.11.2015 18.895,08 0,00020 0,00020
09.11.2015 18.815,04 - 0,00420 -0,00421
10.11.2015 18.664,32 - 0,00800 -0,00803
11.11.2015 18.646,55 - 0,00100 -0,00100
12.11.2015 18.592,82 - 0,00290 -0,00290
13.11.2015 18.557,10 - 0,00190 -0,00190
16.11.2015 18.475,02 - 0,00440 -0,00441
17.11.2015 18.365,21 - 0,00590 -0,00592
18.11.2015 18.496,56 0,00720 0,00717
19.11.2015 18.655,95 0,00860 0,00856
20.11.2015 18.842,27 0,01000 0,00995
23.11.2015 18.676,66 - 0,00880 -0,00884
24.11.2015 18.545,77 - 0,00700 -0,00702
25.11.2015 18.480,32 - 0,00350 -0,00351
26.11.2015 18.462,28 - 0,00100 -0,00100
27.11.2015 18.305,39 - 0,00850 -0,00854
30.11.2015 18.027,32 - 0,01520 -0,01532
01.12.2015 17.933,09 - 0,00520 -0,00521
02.12.2015 17.808,59 - 0,00690 -0,00692
03.12.2015 17.807,01 - 0,00010 -0,00010
04.12.2015 17.843,70 0,00210 0,00210
07.12.2015 17.741,57 - 0,00570 -0,00572
09.12.2015 17.601,99 - 0,00790 -0,00793
10.12.2015 17.625,50 0,00130 0,00130
11.12.2015 17.493,78 - 0,00750 -0,00753
14.12.2015 17.492,93 - 0,00000
15.12.2015 17.648,20 0,00890 0,00886
16.12.2015 17.856,04 0,01180 0,01173
17.12.2015 18.048,73 0,01080 0,01074
18.12.2015 17.897,21 - 0,00840 -0,00844
21.12.2015 17.782,74 - 0,00640 -0,00642
22.12.2015 17.821,32 0,00220 0,00220
23.12.2015 18.047,66 0,01270 0,01262
24.12.2015 18.020,37 - 0,00150 -0,00150
28.12.2015 18.020,73 - 0,00000
29.12.2015 18.078,82 0,00320 0,00319
30.12.2015 18.151,50 0,00400 0,00399
04.01.2016 17.898,78 - 0,01390 -0,01400
05.01.2016 17.915,73 0,00090 0,00090
06.01.2016 17.866,55 - 0,00270 -0,00270
07.01.2016 17.624,77 - 0,01350 -0,01359
08.01.2016 17.617,79 - 0,00040 -0,00040
70
11.01.2016 17.543,69 - 0,00420 -0,00421
12.01.2016 17.472,19 - 0,00410 -0,00411
13.01.2016 17.492,88 0,00120 0,00120
14.01.2016 17.560,58 0,00390 0,00389
15.01.2016 17.297,23 - 0,01500 -0,01511
18.01.2016 17.245,45 - 0,00300 -0,00300
19.01.2016 17.269,31 0,00140 0,00140
20.01.2016 17.160,27 - 0,00630 -0,00632
21.01.2016 17.241,38 0,00470 0,00469
22.01.2016 17.491,10 0,01450 0,01440
25.01.2016 17.500,48 0,00050 0,00050
26.01.2016 17.526,41 0,00150 0,00150
27.01.2016 17.547,63 0,00120 0,00120
28.01.2016 17.755,41 0,01180 0,01173
29.01.2016 18.243,46 0,02750 0,02713
01.02.2016 18.251,83 0,00050 0,00050
02.02.2016 17.894,80 - 0,01960 -0,01979
03.02.2016 17.700,56 - 0,01090 -0,01096
04.02.2016 18.027,02 0,01840 0,01823
05.02.2016 17.984,74 - 0,00230 -0,00230
08.02.2016 17.963,23 - 0,00120 -0,00120
09.02.2016 17.944,24 - 0,00110 -0,00110
10.02.2016 18.060,50 0,00650 0,00648
11.02.2016 17.947,03 - 0,00630 -0,00632
12.02.2016 18.031,60 0,00470 0,00469
15.02.2016 18.095,66 0,00360 0,00359
16.02.2016 18.222,45 0,00700 0,00698
17.02.2016 18.339,40 0,00640 0,00638
18.02.2016 18.459,61 0,00660 0,00658
19.02.2016 18.411,73 - 0,00260 -0,00260
22.02.2016 18.407,71 - 0,00020 -0,00020
23.02.2016 18.240,50 - 0,00910 -0,00914
24.02.2016 18.090,68 - 0,00820 -0,00823
25.02.2016 18.153,95 0,00350 0,00349
26.02.2016 18.239,37 0,00470 0,00469
29.02.2016 18.259,20 0,00110 0,00110
01.03.2016 18.379,01 0,00660 0,00658
02.03.2016 18.453,69 0,00410 0,00409
03.03.2016 18.708,30 0,01380 0,01371
04.03.2016 18.796,55 0,00470 0,00469
07.03.2016 18.803,89 0,00040 0,00040
08.03.2016 18.725,37 - 0,00420 -0,00421
09.03.2016 18.669,61 - 0,00300 -0,00300
10.03.2016 18.777,36 0,00580 0,00578
11.03.2016 18.815,72 0,00200 0,00200
14.03.2016 18.890,52 0,00400 0,00399
15.03.2016 18.872,13 - 0,00100 -0,00100
16.03.2016 18.916,39 0,00230 0,00230
17.03.2016 19.091,19 0,00920 0,00916
18.03.2016 19.387,73 0,01550 0,01538
21.03.2016 19.419,63 0,00160 0,00160
22.03.2016 19.335,50 - 0,00430 -0,00431
23.03.2016 19.116,05 - 0,01130 -0,01136
24.03.2016 19.054,31 - 0,00320 -0,00321
28.03.2016 19.047,98 - 0,00030 -0,00030
29.03.2016 19.191,56 0,00750 0,00747
30.03.2016 19.326,22 0,00700 0,00698
71
31.03.2016 19.296,65 - 0,00150 -0,00150
01.04.2016 19.340,64 0,00230 0,00230
04.04.2016 19.350,11 0,00050 0,00050
05.04.2016 19.217,35 - 0,00690 -0,00692
06.04.2016 19.069,94 - 0,00770 -0,00773
07.04.2016 19.092,70 0,00120 0,00120
08.04.2016 19.256,07 0,00860 0,00856
11.04.2016 19.239,14 - 0,00090 -0,00090
12.04.2016 19.374,29 0,00700 0,00698
13.04.2016 19.394,81 0,00110 0,00110
14.04.2016 19.367,68 - 0,00140 -0,00140
15.04.2016 19.434,77 0,00350 0,00349
18.04.2016 19.451,29 0,00080 0,00080
19.04.2016 19.565,09 0,00590 0,00588
20.04.2016 19.548,16 - 0,00090 -0,00090
21.04.2016 19.569,55 0,00110 0,00110
22.04.2016 19.515,63 - 0,00280 -0,00280
25.04.2016 19.454,17 - 0,00310 -0,00310
26.04.2016 19.448,14 - 0,00030 -0,00030
27.04.2016 19.557,90 0,00560 0,00558
28.04.2016 19.737,13 0,00920 0,00916
29.04.2016 19.655,14 - 0,00420 -0,00421
02.05.2016 19.679,84 0,00130 0,00130
03.05.2016 19.672,54 - 0,00040 -0,00040
04.05.2016 19.696,42 0,00120 0,00120
05.05.2016 19.734,64 0,00190 0,00190
06.05.2016 19.689,44 - 0,00230 -0,00230
09.05.2016 19.618,26 - 0,00360 -0,00361
10.05.2016 19.699,46 0,00410 0,00409
11.05.2016 19.650,88 - 0,00250 -0,00250
12.05.2016 19.722,35 0,00360 0,00359
13.05.2016 19.662,29 - 0,00300 -0,00300
16.05.2016 19.621,74 - 0,00210 -0,00210
17.05.2016 19.551,23 - 0,00360 -0,00361
18.05.2016 19.510,57 - 0,00210 -0,00210
19.05.2016 19.387,51 - 0,00630 -0,00632
20.05.2016 19.404,24 0,00090 0,00090
23.05.2016 19.449,16 0,00230 0,00230
24.05.2016 19.511,87 0,00320 0,00319
25.05.2016 19.525,67 0,00070 0,00070
26.05.2016 19.507,09 - 0,00100 -0,00100
27.05.2016 19.479,52 - 0,00140 -0,00140
30.05.2016 19.480,17 - 0,00000
31.05.2016 19.416,89 - 0,00320 -0,00321
01.06.2016 19.364,00 - 0,00270 -0,00270
02.06.2016 19.324,55 - 0,00200 -0,00200
03.06.2016 19.481,80 0,00810 0,00807
06.06.2016 19.632,59 0,00770 0,00767
07.06.2016 19.783,74 0,00770 0,00767
08.06.2016 19.805,99 0,00110 0,00110
09.06.2016 19.667,30 - 0,00700 -0,00702
10.06.2016 19.572,98 - 0,00480 -0,00481
13.06.2016 19.501,00 - 0,00370 -0,00371
14.06.2016 19.503,00 0,00010 0,00010
15.06.2016 19.583,84 0,00410 0,00409
16.06.2016 19.603,55 0,00100 0,00100
17.06.2016 19.651,22 0,00240 0,00240
72
20.06.2016 19.668,44 0,00090 0,00090
21.06.2016 19.713,25 0,00230 0,00230
22.06.2016 19.730,58 0,00090 0,00090
23.06.2016 19.854,02 0,00630 0,00628
24.06.2016 19.588,26 - 0,01340 -0,01349
28.06.2016 19.464,93 - 0,00630 -0,00632
29.06.2016 19.647,19 0,00940 0,00936
30.06.2016 19.725,53 0,00400 0,00399
01.07.2016 19.875,22 0,00760 0,00757
04.07.2016 19.871,51 - 0,00020 -0,00020
05.07.2016 19.826,64 - 0,00230 -0,00230
06.07.2016 19.737,61 - 0,00450 -0,00451
07.07.2016 19.758,75 0,00110 0,00110
08.07.2016 19.898,49 0,00710 0,00707
11.07.2016 19.944,27 0,00230 0,00230
12.07.2016 20.059,61 0,00580 0,00578
13.07.2016 20.004,35 - 0,00280 -0,00280
14.07.2016 20.120,39 0,00580 0,00578
15.07.2016 20.228,03 0,00530 0,00529
18.07.2016 20.284,19 0,00280 0,00280
19.07.2016 20.401,06 0,00580 0,00578
20.07.2016 20.273,28 - 0,00630 -0,00632
21.07.2016 20.342,67 0,00340 0,00339
22.07.2016 20.450,85 0,00530 0,00529
25.07.2016 20.455,55 0,00020 0,00020
26.07.2016 20.477,52 0,00110 0,00110
27.07.2016 20.483,77 0,00030 0,00030
28.07.2016 20.459,35 - 0,00120 -0,00120
29.07.2016 20.368,48 - 0,00440 -0,00441
β α
Parámetros
0,000007527 -0,00059
73
BIBLIOGRAFÍA.
1. Oberndorfer, U., Schmidt, P., Wagner, M., & Ziegler, A. (2013). Does the
stock market value the inclusion in a sustainability stock index? An event
study analysis for German firms. Journal of Environmental Economics and
Management, 66(3), 497-509.
2. Chen, C. (2017). Limitations to Event Studies and How They Apply.
3. Kolari, J. W., & Pynnönen, S. (2010). Event study testing with cross-sectional
correlation of abnormal returns. Review of Financial Studies, 23(11), 3996-
4025.
4. Benkraiem, R., Le Roy, F., & Louhichi, W. (2011). Sporting performances and
the volatility of listed football clubs. International Journal of Sport
Finance, 6(4), 283-297.
5. Bergmann, D. R., Ferreira Savoia, J. R., de Melo Souza, B., & de Mariz, F.
(2015). Evaluation of Merger and Acquisition Processes in the Brazilian
Banking Sector by means of an Event Study. Revista Brasileira De Gestão
De Negócios, 17(56), 1105-1115.
6. Berggrun, L. (2006). La fusión de Bancolombia, Conavi y Corfinsura: una
aplicación de la metodología de estudio de eventos. Estudios
Gerenciales, 22(100), 83-102.
7. Gómez-González, J. E., & Velandia, L. F. M. (2014). Efectos de «ángeles
caídos» en el mercado accionario colombiano: estudio de eventos del caso
Interbolsa. Ensayos sobre política económica, 32(75), 23-27.
8. Cortés, L. M., García, J. J., & Agudelo, D. (2015). Effects of Mergers and
Acquisitions on Shareholder Wealth: Event Study for Latin American
Airlines. Latin American Business Review, 16(3), 205-226.
9. Javid, A. Y. (2009). The response of the pakistani stock market to a
cataclysmic event. St. Louis: Federal Reserve Bank of St Louis.
10. Ugedo, J. F. M. (2003). Metodología de los estudios de sucesos: Una
revisión. Investigaciones europeas de dirección y economía de la
empresa, 9(3), 197-244.
11. Carrasco Carrasco, M. (2016). Técnicas de regularización en regresión:
implementación y aplicaciones.
12. Dombrow, J., Rodriguez, M., & Sirmans, C. F. (2000). A complete
nonparametric event study approach. Review of Quantitative Finance and
Accounting, 14(4), 361-380.
13. Maul, D., & Schiereck, D. (2017). The bond event study methodology since
1974. Review of Quantitative Finance and Accounting, 48(3), 749-787.
14. Eckbo, B. E. (Ed.). (2007). Handbook of corporate finance: Empirical
corporate finance (Vol. 1). Elsevier.
74
15. Sorescu, A., Warren, N., & Ertekin, L. (2017). Event study methodology in the
marketing literature: an overview. Journal Of The Academy Of Marketing
Science, 45(2).
16. Batanero, C. (2001). Didáctica de la Estadística. Granada: Universidad de
Granada.
17. Silva-Aycaguer, L. C. (2016). Las pruebas de significación estadística: seis
décadas de fuegos artificiales. Revista Facultad Nacional De Salud
Pública, 34(3), 372-379.
18. Navarro, M. D. F., Llobel, J. P., & Pérez, J. F. G. (2000). Tamaño del efecto
del tratamiento y significación estadística. Psicothema, 12(Suplemento),
236-240.
19. Gómez-Gómez, M., Danglot-Banck, C., & Vega-Franco, L. (2003). Sinopsis
de pruebas estadísticas no paramétricas. Cuándo usarlas. Revista Mexicana
De Pediatria, 70(2), 91-99.
20. Wooldridge, J. M. (2006). Introducción a la econometría: un enfoque
moderno. Editorial Paraninfo.
21. Raynaud, L. (2017). Evaluating Industrial Policies Using Event-Studies:
Evidence from Stock Market Reactions to Obama's Stimulus Package.
22. Bonekamp, B., & van Veen, T. (2017). Terrorist Attacks and Financial
Markets.
23. Skiera, B., Bayer, E., & Schöler, L. (2017). What should be the dependent
variable in marketing-related event studies?. International Journal of
Research in Marketing.
24. Arora, S. (2016). Event Study on Stock Prices of Maruti Suzuki India Limited–
A Case Study on Launch of Celerio.
25. Sohail, A., Rehman, M. U., & Javid, A. Y. (2016). Stock Market Reactions on
Returns and Trading Volume: The Impact of the Global Financial
Crisis. Revista Evidenciação Contábil & Finanças, 5(1), 132-151.
26. Marta, C. M., & Edilberto, C. C. (2008). Modelos ARCH, GARCH y EGARCH:
Aplicaciones a series financieras. Cuadernos De Economía, 27(48)
27. Goerke, B. (2016). Essays zur Förderung und Bewertung von
Innovationen (Doctoral dissertation, Christian-Albrechts Universität Kiel).
28. Wang, G. (2016). The Effects of the Fed's Quantitative Easing
Announcements on the US Mortgage Market: An Event-Study Analysis.
29. Tee, E. (2016). Liquidity Reactions towards Dividend Announcements and
Information Efficiency on the Ghana Stock Exchange. Imperial Journal of
Interdisciplinary Research, 2(12).
30. Warren, N. L., & Sorescu, A. (2017). When 1+ 1> 2: how investors react to
new product releases announced concurrently with other corporate
news. Journal of Marketing, 81(2), 64-82.
31. Snowberg, E., Wolfers, J., & Zitzewitz, E. (2011). How prediction markets can
save event studies. Cambridge: National Bureau of Economic Research, Inc.
75
32. Baker, A. C. (2016). Single-firm event studies, securities fraud, and financial
crisis: Problems of inference. Stanford Law Review, 68(5), 1207-1261.
33. Laura-Gabriela, C., Bogdan, C., Radu, L., & Maria, N. L. L. (2015).
SHAREHOLDERS VALUE AND CATASTROPHE BONDS. AN EVENT
STUDY ANALYSIS AT EUROPEAN LEVEL. Journal of Economic and Social
Development, 2(1), 75-85.
34. Culp, C. L., van der Merwe, A., & Staerkle, B. J. (2016). Single-Name Credit
Default Swaps: A Review of the Empirical Academic Literature.
35. Kothari, S. P., & Warner, J. B. (2004). The econometrics of event studies.
36. Levin, R. I., & Rubin, D. S. (2004). Estadística para administración y
economía. Pearson Educación.
37. Lertwachara, K., & Cochran, J. J. (2007). An event study of the economic
impact of professional sport franchises on local US economies. Journal of
Sports Economics, 8(3), 244-254.
76

Análisis Del Impacto de Los Resultados Deportivos en La Rentabilidad de Las Acciones de Clubes Chilenos de Fútbol Aplicando Metodología de Estudio de Eventos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Análisis Del Impacto de Los Resultados Deportivos en La Rentabilidad de Las Acciones de Clubes Chilenos de Fútbol Aplicando Metodología de Estudio de Eventos

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD DE TARAPACÁ

ESCUELA UNIVERSITARIA DE INGENIERÍA

ANÁLISIS DEL IMPACTO DE LOS RESULTADOS DEPORTIVOS EN LA

Tesis para optar al título de:

El presente estudio analizó el impacto de los resultados deportivos obtenidos

Para determinar esto, se utilizó la metodología de estudio de eventos, la cual

Los principales resultados obtenidos en este estudio, evidencian que los

Finalmente, se concluye en este estudio que el mercado accionario enfocado

El creciente auge de la comercialización e internacionalización del fútbol, la

En Chile, el futbol se encuentra en una etapa de transición, durante varios años

En Chile actualmente cuatro clubes están transando en la bolsa de comercio de

En los mercados eficientes, los accionistas responden a nuevas informaciones o

Se analizarán los resultados deportivos de los clubes en los diferentes torneos de

Se planteará probar si los distintos resultados deportivos de los clubes chilenos

1.3.1. Objetivo general.

Determinar si los eventos “resultados deportivos” son significativos en las

1.3.2. Objetivos específicos.

 Estimar la rentabilidad normal o esperada que representa la rentabilidad de

Mediante la metodología de estudio de eventos se analizará si los eventos

1. Definir el evento o el acontecimiento que se pretende analizar.

Figura 1: Estructura de la metodología

1.5. ESTRUCTURA DE TESIS

Esta tesis se encuentra estructurada en cuatro capítulos más las conclusiones,

El primer capítulo es de introducción al tema a elaborar, mostrando los

En el segundo capítulo de este estudio se define la metodología de estudio de

En el siguiente capítulo, se define la metodología general a desarrollar, la

Finalmente, se tienen las conclusiones de cada hipótesis planteada junto con

1.6. ALCANCES Y LIMITACIONES DEL ESTUDIO.

2.1. METODOLOGÍA DE ESTUDIO DE EVENTOS.

Según Dombrow, Rodriguez y Sirmans (2000), la metodología de estudio de

Para efecto delanálisis de este estudio la definición de la metodología de

Arora (2016), menciona que en sus inicios la metodología de estudio de

2.1.2. FASES DE UN ESTUDIO DE EVENTOS.

1) Definición del evento: Lo primero que se debe hacer en un estudio de

2.1.3. DEFINICIÓN DEL EVENTO.

El evento puede ser definido como cualquier sobresalto, anuncio, política de

Para el desarrollo del estudio, basado en resultados deportivos Baker define

2.1.4. SELECCIÓN DE MUESTRA.

Según recomiendan Laura-Gabriela, Bogdan, Radu y Maria, (2015), se

2.1.5. ESTIMACIÓN DE LA RENTABILIDAD ESPERADA O NORMAL.

Laura-Gabriela, Bogdan, Radu y Maria, (2015) definen la rentabilidad

Baker (2016) señala que la primera decisión práctica para un estudio de

Arora (2016) señala que se debe tener precaución al analizar el impacto de

2.1.6. ESTIMACIÓN DE LA RENTABILIDAD EXTRAORDINARIA.

Wang (2016) define la rentabilidad extraordinaria como el efecto del anuncio

Arora (2016) menciona que la rentabilidad extraordinaria es la rentabilidad

Sohail, Rehman y Javid (2016) hacen referencia a la rentabilidad

Entre las definiciones de rentabilidad extraordinaria, para efectos de este

Culp, Van der Merwe y Staerkle, B. J. (2016) explican que históricamente el

Según Ugedo (2003), si llamamos Ri t, E(Ri t) y ARi t a la rentabilidad real, la

Rit i  i Rmt   it (2)

Modelo medio ajustado:

Modelo mercado ajustado:

Rit  Rmt (4)

Donde ∝i y βi son los parámetros calculados a partir del método de mínimos

Según Bonekamp y van Veen (2017), la significación de la rentabilidad

2.1.7. AGREGACIÓN DE LA RENTABILIDAD EXTRAORDINARIA.

Según Goerke (2016), para extraer inferencias con respecto a las

Laura-Gabriela, Bogdan, Radu y Maria, (2015) consideran que

Según Ugedo (2003), para la agregación temporal, considerando cada

Según Pinho, Sousa y Maldonado (2017)., para la agregación

2.1.8. DETERMINACIÓN DEL PERÍODO DE EVENTO.

Baker (2016) describe el período de evento como el período durante