Tema 6: Modelización con datos de series temporales. Universidad Complutense de Madrid 2013

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Tema 6: Modelización con datos de series temporales. Universidad Complutense de Madrid 2013"

Transcripción

1 Tema 6: Modelización con daos de series emporales Universidad Compluense de Madrid 23

2 Inroducción (I) Una caracerísica que disingue los daos de series emporales de los daos de sección cruzada, es que los daos emporales esán ordenados de una forma naural cronológicamene (primero va enero de un año, después febrero de ese año, ec.) Ese hecho es muy imporane, ya que deermina qué ipo de relaciones son posibles enre un ipo de daos y oros.así: () El orden de las observaciones en una sección cruzada es irrelevane. Por ejemplo, en una sección de daos de salarios, primero podemos ener al individuo que más gana hasa el que menos gana o a la inversa. Ningún resulado de la esimación cambiaría al cambiar el orden de los daos. En cambio, en una serie emporal el orden es cronológico y único. El IPI rimesral de un país irá ordenado en el iempo, por ejemplo, endremos una muesra desde el primer rimesre de 99 hasa el segundo de 2. 2

3 Inroducción (II) (2) En una serie emporal es más razonable suponer que exise correlación serial. Por ejemplo, el IPI de un rimesre de un año puede esar correlacionado con el valor de IPI del rimesre anerior; las venas de una semana de una empresa endrán relación con las venas de la(s) semana(s) anerior(es). Es más difícil que el peso de un niño enga correlación con el peso de oros niños de la muesra. (3) Con daos emporales, exise un fundameno empírico a lo que enendemos por causalidad. Es decir, una variable X causa a ora variable Y, si los valores pasados de la X esán correlacionadosconlosvalorespresenesdelay. Condaosde sección cruzada, la causalidad enre variables puede exisir, pero no enemos una manera empírica de deecar la dirección de la causalidad (qué variable causa a qué ora variable). 3

4 Caracerísicas comunes de las series emporales 7 5 Airline Rendimieno % IBEX Día En una serie emporal de baja frecuencia (es decir, con daos mensuales, rimesrales, ec) las caracerísicas más habiuales son: (a) una endencia (en el caso del nº de pasajeros a crecer); (b) esacionalidad (en el caso de los pasajeros, vuelan más personas siempre en vacaciones de verano) y (c) una varianza (dispersión alrededor de la media) que crece con la media. En una serie emporal de ala frecuencia (es decir, con daos diarios, horarios, ec.) se encuenra: (a) una media esable alolargodeliempo;(b)no hay esacionalidad y(c) una varianza que cambia con el iempo, de modo que se alernan períodos de ala volailidad (ala varianza) con períodos de baja volailidad (baja varianza). La varianza cambia de forma no sisemáica. 4

5 Objeivos del análisis de series emporales (I) En ese ema, nos cenramos en daos emporales de baja frecuencia (series anuales, rimesrales o mensuales). Las variables medidas en ala frecuencia suelen ser financieras y su modelización es más complicada. El objeivo es modelizar las caracerísicas más habiuales que hemos viso. Es decir: Capurar la endencia y el comporamieno esacional observado Traar la varianza no consane (heerocedasicidad) Modelizar la auocorrelación serial. Es decir, enconrar un modelo esadísico que sea capaz de reproducir esa inercia o auocorrelación que ienen muchas variables económicas emporales. 5

6 Objeivos del análisis de series emporales (II) Ese objeivo se puede conseguir usando disinos enfoques: () Usar un modelo univariane: Es decir, inenamos explicar la correlación de una variable emporal usando para ello sólo su propia hisoria pasada y reciene. No incluimos variables explicaivas adicionales. Puede parecer una resricción, pero si el objeivo es predecir a coro plazo el fuuro de la variable, esos modelos funcionan muy bien o mejor que oras especificaciones alernaivas. (2) Usar un modelo de relación (en ese curso, un modelo de regresión). En ese caso, se pueden usar ideas del análisis univariane para que el modelo de regresión esé bien consruido. Si el objeivo es predecir a medio y largo plazo, es evidene que hay que ener en cuena la correlación conemporánea y dinámica de unas variables sobre ora (que es la variable de inerés, la que hay que predecir). 6

7 Modelos deerminisas de series emporales (I) Dada una serie emporal denoada por descomponerse de modo adiivo como: y = + s + c + e, se supone que puede donde es la endencia, s es el componene esacional, es el componene cíclico (ó ciclo) y el error. Es difícil definir cada una de esas componenes. No hay consenso en la lieraura sobre el ema. La endencia debe recoger el movimieno a largo plazo de una serie, independienemene de oros componenes irregulares. Es decir, debe recoger el nivel subyacene y regular de la serie. e y c 7

8 Modelos deerminisas de series emporales (II) El componene esacional debe recoger las oscilaciones que se producen con un período inferior o igual al año. Es decir, son oscilaciones a coro plazo que se repien en años sucesivos. Las razones por las que una serie presena esacionalidad pueden ser de ipo físico (el clima, ec.) o de ipo insiucional (vacaciones, fesividades varias, ec.). El error debe recoger movimienos ransiorios e irregulares de la serie. Esa componene puede descomponerse en una pare claramene aleaoria e imprevisible y en ora pare no siempre previsible, pero que se puede idenificar a poseriori (como una huelga, una caásrofe naural, un cambio políico, ec.) 8

9 Modelos deerminisas de series emporales (III) En la prácica siempre se supone que: E [ e ] =," E[ e 2 ] = s 2," E[ ee ] =," ¹ s e N[, s 2 I] s El ciclo se define de diversas formas. Desde el puno de visa macroeconómico deben ser oscilaciones en orno a la endencia que se deben a la alernancia enre períodos de crisis y de prosperidad. Desde el puno de visa esadísico, el ciclo incluye cualquier caracerísica que no sea endencia, esacionalidad y ruido. Si se han omado logarimos a la serie, la descomposición de la variable original será de ipo muliplicaivo,esdecir: s c y = e e e e e 9

10 Modelos deerminisas de series emporales (IV) Los modelos más simples para la endencia son regresiones de la variable con respeco al iempo. Un modelo de endencia lineal sería (cuando la misma crece o decrece): = a + a, " =, 2,..., n yunmodelo de endencia cuadráico: 2 = a + a + a2, " = 2,,..., n Los gráficos de la derecha muesran el resulado de ajusar una endencia lineal (arriba) a la serie del nº de pasajeros (en logs) y una endencia cuadráica (abajo) a la misma serie. Esos modelos explican la evolución pasada de una serie en función de pauas simples, pero ienen problemas y limiaciones l_airline Tend_lineal l_airline Tend_Cuadraica

11 Modelos deerminisas de series emporales (V) Los modelos de endencia deerminisa son una exensión inmediaa de los méodos de regresión. Aunque son úiles para describir las pauas que sigue una serie emporal, las predicciones que proporcionan suelen ser muy malas (es decir, con un gran error asociado). La razón de eso es que en una serie emporal la observación más reciene depende, en general, de sus valores pasados, pero esa dependencia suele ser más fuere con los daos más recienes y más débil con los más alejados. Los modelos de endencias deerminisas proporcionan predicciones que no uilizan esa propiedad. Si la serie no iene esacionalidad, el modelo es: y = a + a+ e donde es el iempo. El parámero a represena la pendiene de la reca que describe la evolución de la serie (crecimieno esperado enre dos períodos). La previsión de la variable en el período T+k es: yˆ ( k) = aˆ + aˆ ( T + k) T

12 Modelos deerminisas de series emporales (VI) Si se observara una endencia exponencial, del ipo = exp[ a + a ], endríamos omando logarimos: ln y = a + a + e donde los parámeros a y a se esiman por MCO y es el iempo. Esacionalidad: es un cambio en la media de la serie que se repie periódicamene cada s esaciones. Si la serie es mensual, s=2; si es rimesral, s=4; si es semanal, s=52 ó 53, ec. Una forma deerminisa de capar la esacionalidad consise en definir variables dummies (con valores ó ). Por ejemplo, para una serie mensual definir las doce dummies correspondienes a Enero (S), Febrero (S2),., hasa Diciembre (S2). Se puede escribir como: s = bs + b S b S

13 Modelos deerminisas de series emporales (VII) Si a la serie mensual del nº de pasajeros (en logarimos) le ajusamos un modelo de endencia cuadráica y una esacionalidad deerminisa mensual, se escribiría como: 2 ln( Airline ) = a + a + a + bs + bs b S + e 2 2 La figura de la derecha muesra el resulado del ajuse del modelo de endencia + esacionalidad anerior a los daos de pasajeros. En color azul se muesra la evolución de la serie real (en logarimos) l_airline Trend_Season En color rojo la evolución de la serie ajusada al esimar por MCO el modelo 3 4.8

14 Ora aproximación (I) Ora forma de capurar los cambios en la media (endencia creciene, decreciene, ec) y los cambios en la varianza (crece la dispersión conforme crece la media) en una serie emporal, consise en realizar una serie de ransformaciones en los daos que eliminan esas caracerísicas ípicas. Por ejemplo, si la varianza crece a medida que crece la media (ver la figura de la izquierda) ó bien, el gráfico rango mediade la derecha (se dibujan pares de valores de la media local y la desviación ípica local, calculados para submuesras de igual amaño de la serie). La ransformación logarímica hace que la dispersión sea más o menos consane a medida que crece la media. 7.5 range-mean plo for l_airline wih leas squares fi Airline 4 range mean 4

15 Ora aproximación (II) Si omamos logarimos a la serie del nº de pasajeros (ver Figura de abajo) comprobamos que: La dispersión de la serie es más o menos consane a medida que crece la media La ransformación logarímica no consigue que la media de la serie sea consane (se sigue apreciando una endencia creciene). l_airline Si una serie emporal iene una media consane a lo largo del iempo, decimos que es esacionaria con respeco a la media. Si iene varianza consane con respeco al iempo, decimos que es esacionaria en varianza. Si una serie emporal es esacionaria (en media y en varianza) enconrar un modelo que explique su auocorrelación es mucho más fácil. 5

16 Ora aproximación (III) La ransformación que elimina la endencia (o lo que es lo mismo, induce esacionariedadenmedia)es la diferenciación. Tomar una diferencia regular consise en calcular la diferencia enre cada dao (por ejemplo, mensual) y el anerior. Siempre se pierde el primer dao de la serie. y y y.25.2 La primera diferencia de la serie de pasajeros (en log) se represena en la figura de la derecha. Se observa que la serie flucúa alrededor de una media esable y finia. No obsane, odavía es esacional esa variable. Es decir, los picos alos (por encima de la media) son meses de verano y los bajos, son meses en donde se vuela mucho menos. d_l_airline

17 Ora aproximación (IV) De nuevo, enemos la serie en logarimos, para mosrar el marcado comporamieno esacional de la misma (picos que se repien cada 2 meses). l_airline Una forma de desesacionalizar es omar una diferencia esacional. Es decir, calcular la diferencia enre el valor de la serie en un mesdeunañoconrespecoaldaodeese mismo mes, pero del año anerior. Se represena como: s y y y s donde s es el período esacional (s=2). La figura de abajo represena la diferencia esacional de la serie. No se observa esacionalidad, aunque localmene la serie no es esacionaria sino que deambula. sd_l_airline

18 Ora aproximación (V) Al final, hay que omar odas las ransformaciones que induzcan esacionariedad, esdecir,ellogarimo (para que la varianza sea consane), la diferencia regular (para eliminar la endencia) y la diferencia esacional (para eliminar el componene esacional). Se presena el gráfico de la serie con odas las ransformaciones omadas secuencialmene. Se escribiría como:.5. NP z 2 ln sd_d_l_airline.5 donde NP es el número de pasajeros Esasransformacionessonúilespara esabilizar la media y la varianza de una serie emporal económica 8

19 Ora aproximación (VI) Además, esas ransformaciones ienen una inerpreación económica sencilla, que se resume en la siguiene abla: Transformación Inerpreación z y y y Cambio en y Es un indicador de crecimieno absoluo. y y z ln y ln y y z [ln y ln y ] y y s z ln y ln y s y s Es la asa logarímica de variación de una variable. Es un indicador de crecimieno relaivo. Si se muliplica por es la asa de crecimieno porcenual de la variable. Es el cambio en la asa logarímica de variación de una variable. Es un indicador de la aceleración de la asa de crecimieno relaivo de una variable. Es la asa de crecimieno (en log) acumulada durane s períodos. Si el período esacional es un año, se inerprea como la asa de crecimieno anual de una variable. 9

20 Modelos de auocorrelación (I) Los modelos deerminisas son úiles para descomponer una serie emporal, pero no sirven para predecir. Si el objeivo es predecir a coro plazo, se adopa ora aproximación consisene en los siguienes pasos. () Decidir qué ransformaciones omar a los daos para inducir esacionariedad en media y/o en varianza. (2) Enconrar qué esrucura de auocorrelación (modelo esocásico) explica mejor esa serie ya ransformada. Para ello, se definen los modelos ARMA (familia de modelos esadísicos sencillos que son capaces de reproducir una gran variedad de series esacionarias). Esacionariedad: Se dice que una serie es esacionaria si sus propiedades esadísicas permanecen consanes a lo largo del iempo. Si y esuna serie esacionaria (en media y varianza) se cumple que: E[ y ] = m, E[( y - m) 2 ] = g, E[( y - m)( y - k - m)] = g k, ", " k donde m, g, g k son momenos finios que no dependen del iempo. 2

21 Modelos de auocorrelación (II) El modelo de auocorrelación más sencillo es un AR(), es decir, un modelo auorregresivo de orden (el orden del modelo se escribe enre parénesis). Si una serie emporal esacionaria sigue un modelo AR(), enonces: y c y a f donde c es una consane, es el parámero auorregresivo y a es un error con esperanza cero, varianza consane (igual a s 2 ) y ausencia de auocorrelación con a cualquier oro error fechado en oro insane. La inerpreación es como en una regresión, salvo que a la variable dependiene le influye sólo su pasado más inmediao y no exisen oras variables explicaivas. Recuérdese que ésas eran las hipóesis habiuales (y deseables) de las perurbaciones aleaorias en un modelo de regresión lineal. Cuando una variable aleaoria iene esas propiedades en el análisis de series emporales se le denomina ruido blanco. Si, además, la disribución que sigue es normal, enonces hablamos de un ruido blanco gaussiano. 2

22 Modelos de auocorrelación (III) Los momenos de un AR() son: y c y a Media: E[ y] c E[ y ] y bajo esacionariedad, E[ y] [ por lo que la E y ] media del proceso es: c Varianza: por lo que: 2 2 a E[ y ] y bajo esacionariedad var[ y ] var[ y ] var[ y] var[ y ] 2 a var[ y ] 2 Auocovarianzas: cov[ yy ] E[ yy ] E[( y a) y ] donde la ilde en las variables indica que esán desviadas con respeco a su media: 2 cov[ yy ] E[ yy ] E[( y a) y ] j y por inducción se iene que j cov[ y y j] Se ha enido en cuena esacionariedad en covarianza, es decir, la covarianza enre dos variables sólo depende del desfase que hay enre ellas y no del iempo. Por ello: Eyy [ ] Ey [ y 2] o bien, E[ y y ] E[ y y ]

23 Modelos de auocorrelación (IV) A parir de las auocovarianzas, se calcula lo que se denomina la Función de Auocorrelación Simple o ACF de un modelo, cuyos valores no son más que coeficienes simples de auocorrelación de disino orden: ACF de un AR(): 2 r 2 2 r 2 j j r y, por inducción, j Además de la ACF, se suelen calcular las auocorrelaciones parciales o valores de la PACF del modelo. Cómo se obienen los valores de la PACF para cualquier modelo de auocorrelación? El primero es el esimador MCO del coeficiene que relaciona el valor de la variable con su primer reardo,esdecir: y y 23

24 Modelos de auocorrelación (V) El segundo valor de la PACF, mide la relación lineal enre la variable y su segundo reardo, pero eniendo en cuena la influencia del primer reardo. Es decir, la regresión que hay que consruir es: y y y y el esimador MCO del parámero es el segundo coeficiene de la PACF. Por ano, el coeficiene j ésimo se calcularía a ravés de la regresión: y y y y j j j jj j En el caso de un AR(), el único coeficiene de la PACF disino de cero es el primero (y además coincide con el parámero auorregresivo en cuanía y signo), siendo los demás nulos. Eso es una pisa imporane a la hora de idenificar si una serie emporal esacionaria sigue una esrucura AR() o no. Para faciliar el análisis, se suelen dibujar los valores de la ACF y PACF eóricas de cada modelo. 24

25 Modelos de auocorrelación (VI) En la prácica, cuando enemos una serie esacionaria (ya ransformada) sus auocorrelaciones simples y parciales son desconocidas y hay que esimarlas. Los correlaciones eóricas de la ACF hay que susiuirlas por correlaciones muesrales. Es decir: n å ( y -y)( y j ) j - -y =+ rˆ j = n 2 ( y - y) n y y = å n å = = donde es la media muesral de la serie. Los valores muesrales de la PACF se obienen esimando por MCO el correspondiene coeficiene ( f jj ).Es necesario esimar cada coeficiene en un modelo diferene, en donde cada vez que se quiere esimar un coeficiene nuevo, se añade a la regresión un nuevo reardo de la serie. y y y y j j j jj j 25

26 Modelos de auocorrelación (VII) FAC de AR_ +-.96/T^ reardo En esas figuras se muesra el perfil de la ACF y PACF de un proceso AR() simulado donde el valor del parámero auorregresivo es.7 (posiivo y menor que uno)..5 FACP de AR_ +-.96/T^.5 Noad que la ACF es posiiva y va decayendo porque el parámero es posiivo y menor que uno reardo En la PACF sólo el primer valor es disino de cero esadísicamene, indicando el orden del AR. Cuando se iene una serie emporal esacionaria se esiman los valores de la ACF y PACF y se La idenificación de un modelo dibujan. Se calculan unas bandas de significación consise en comparar la ACF y PACF para saber qué coeficienes son disinos de cero eórica de un modelo con la ACF y (fuera de bandas) y cúales no (denro de bandas) PACF esimada de una serie 26 esacionaria.

27 Auocorrelación en el modelo de regresión (I) En el conexo del modelo de regresión lineal general: y = x b + e " =, 2,..., T decimos que las perurbaciones ienen auocorrelación si exisen observaciones disinas ¹ s, ales que los errores asociados ienen una covarianza disina de cero (y por ano, correlaciones disinas de cero): E[ ee ] ¹ " ¹ s s En ese caso, la mariz de varianzas y covarianzas de los errores no es diagonal. Y= Xb+ e Las consecuencias sobre las propiedades del esimador MCO de b son las mismas que si el problema es la heerocedasicidad. Es decir, el esimador MCO sigue siendo lineal e insesgado, pero deja de ser eficiene. n T E[ ee ] =W 27

28 Auocorrelación en el modelo de regresión (II) Al igual que en el caso de heeroscedasicidad, si exise auocorrelación en los errores de una regresión, sabemos que los conrases habría que llevarlos a cabo usando una esimación de la mariz de varianzas siguiene: var[ ˆ ] ( X X ) X X ( X X ) W T T T donde la mariz no es diagonal y es desconocida. Silaesrucurade auocorrelación es desconocida, se puede usar una idea similar a la de la corrección de Whie cuando el problema es la heeroscedasicidad. Así, Newey y Wes (987) proponen el siguiene esimador de la mariz anerior: var[ ˆ ˆ ] ( X X ) X VX ˆ ( X X ) p T T T n åå T ˆ T T X VX = w ˆˆ [ x x + x x ] ee donde j j j j j= = j+ j w y j = - p + Por úlimo, p es el orden máximo de la auocorrelación en el error del modelo. 28

29 Auocorrelación en el modelo de regresión (III) Obsérvese que decidir el ordende auocorrelación p es a veces difícil, yaque si ese valor es alo la auocorrelación enre los errores es larga y si es bajo, la esrucura de auocorrelación es más bajo. Un procedimieno diferene para rabajar con auocorrelación, supone conocer el ipo de relación que hay enre el error de un modelo en un insane de iempo y oro. Por ejemplo, supongamos que queremos esimar eficienemene los parámeros de la siguiene regresión simple: y = b + bx + e donde sabemos que el error sigue una esrucura de auocorrelación AR(). Es decir: e = f e - + donde f es el parámero auorregresivo y a es un proceso de ruido blanco (con esperanza nula, varianza consane y ausencia de auocorrelación serial) a 29

30 Auocorrelación en el modelo de regresión (IV) El objeivo es enconrar una ransformación del modelo original en el que en lugar del error con auocorrelación, aparezca un ruido blanco (que por definición no iene auocorrelación). En el ejemplo anerior, la ransformación es fácil: y Resando las expresiones () y (3) se iene: O bien: = b + b x + e () (2) fy = fb + fbx + fe (3) (4) El problema es que si el parámero AR es desconocido, no podemos obener los daos ransformados de la variable dependiene y de la independiene. y = b + bx + e e = f e y y ( ) x x y y ( ) ( x x ) a a 3

31 Auocorrelación en el modelo de regresión (V) En el caso de que el parámero sea desconocido, es necesario esimar conjunamene el mismo con los parámeros. Evidenemene, el crierio de esimación no es MCO. En el caso del que el parámero sea conocido (algo raro en la prácica) se pueden ransformar los daos de la regresión anerior y esimar eficienemene por MCO. Por ejemplo, supongamos que.5. El modelo ransformado donde el error es ruido blanco es: y.5 y (.5) ( x.5 x ) a Al aplicar MCO a la regresión anerior se obiene una esimación de ˆ*.5 ˆ y de ˆ. En el caso de que, en el modelo ransformado rabajamos con daos diferenciados, es decir: y y ( ) ( x x ) a Observad que el érmino consane desaparece en ese caso y que x x x y y y 3

32 Ejemplo (I) En el Tema 2 ya veíamos la relación enre Consumo y Rena con daos emporales en la economía americana en érminos per cápia Modelo 3: MCO, usando las observaciones (T = 37) Variable dependiene: c Coeficiene Desv. Típica Esadísico Valor p cons 463,77 98,792 4,688 4,e-5 *** y,77949,6964 2,8,99e-46 *** Media de la vble. dep. 328,65 D.T. de la vble. dep. 255,24 Suma de cuad. residuos 6997,4 D.T. de la regresión 33,92 R-cuadrado, R-cuadrado corregido,99778 F(, 35) 272,5 Valor p (de F),99e-46 Log-verosimiliud -232,442 Crierio de Akaike 468,8824 Crierio de Schwarz 472,42 Cri. de Hannan-Quinn 47,82 32

33 Ejemplo (II) Los residuos MCO resulanes de dicho modelo ienen la siguiene evolución a lo largo del iempo (gráfico de la izquierda) juno con la siguiene ACF y PACF (gráficos de la derecha). Parece claro un modelo AR() con parámero posiivo. Residuos de la regresión (= c observada - esimada) 3 2,5 FAC de los residuos +-,96/T^,5 -,5 residuo reardo - -2,5 FACP de los residuos +-,96/T^,5-3 -, reardo 33

34 Ejemplo (III) Si el érmino de error de la regresión de Consumo sobre Rena sigue una esrucura auorregresivade orden, la esimación del modelo que recoge ésa es: Modelo: ARMAX, usando las observaciones (T = 37) Esimado usando el filro de Kalman (MV exaca) Variable dependiene: c Desviaciones ípicas basadas en el Hessiano Coeficiene Desv. Típica z Valor p cons 227,76 3,52 2,63,39 ** phi_,97874,493 23,9 3,7e-26 *** y,663438, ,949 2,55e-23 *** Media de la vble. dep. 328,65 D.T. de la vble. dep. 255,24 media innovaciones 4,83765 D.T. innovaciones 4,758 Log-verosimiliud -226,832 Crierio de Akaike 46,3663 Crierio de Schwarz 466,8 Cri. de Hannan-Quinn 462,63 La esimación del parámero auorregresivo es muy cercana a la unidad, lo que indica que se podrían omar las primeras diferencias de Consumo y Rena. Si además omamos logarimos, la conclusión es que relacionaríamos la Tasa log de variación del Consumo en función de la Tasa log de variación de la Rena. 34

35 Correlación espuria (I): Concepo Una correlación espuria es una relación empírica enre dos aconecimienos sin conexión lógica Las correlaciones espurias pueden producirse con daos de core ransversal o series emporales Ejemplo: En 952 J. Neyman analizó la relación enre la asa de nacimienos y la población de cigüeñas en varias regiones, enconrando un elevado coeficiene de correlación enre ambas variables Ejemplo: Uilizando daos anuales para el período 866 9, G. Udny Yule enconró que el coeficiene de correlación enre la asa de moralidad en Inglaerra Gales y el porcenaje de marimonios en la iglesia de Inglaerra era de.95 Al esimar regresiones enre series no esacionarias es muy fácil que la relación sea espuria, ya que basa con que ambas series engan algo de endencia para que surja una aparene relación enre ellas Al suprimir la endencia, por ejemplo, diferenciando los daos, la relación espuria desaparece 35

36 Correlación espuria (II): Los daos Los gráficos muesran las series anuales ( ) de: PNB nominal en Esados Unidos (daos en miles de millones de dólares), y la Incidencia del melanoma en la población masculina (daos ajusados de edad) en el esado de Connecicu. GNP Melanoma 9 GNP Melanoma Aparenemene, ambas series manienen una fuere y clara relación lineal, aunque concepualmene resule absurdo relacionarlas. GNP En el gráfico de abajo se muesra la nube de punos real de PNB versus Incidencia del melanoma Melanoma 36

37 Correlación espuria (III): Relación esáica en niveles El cuadro muesra los resulados de una regresión en donde el PNB acúa como variable endógena y la incidencia de melanoma como variable explicaiva Resula inmediao ver que: Todos los coeficienes son esadísicamene significaivos y El R 2 es muy elevado, de cerca del 87% El coeficiene esimado implica que, si aumenara la incidencia de melanoma en un caso, cabría esperar un aumeno del PNB de 8.98 millones de dólares (???) 37

38 Correlación espuria (IV): Relación en primeras diferencias Si relacionamos las variables en primeras diferencias, eso es: GNP = GNP -GNP- Melanoma = Melanoma -Melanoma - Variación en GNP Variación en Melanoma la endencia suele desaparecer y, con ella, la relación espuria (véase el gráfico de arriba). -6 Variación en GNP Variación en Melanoma -2 Consecuenemene, la relación de regresión enre las variables diferenciadas no resula significaiva y lógicamene, el coeficiene de bondad de ajuse es muy pequeño (del.338%) 38

39 Coinegración (I): Concepo A diferencia de la correlación espuria, la coinegración es un concepo que caraceriza las relaciones válidas enre series no esacionarias. Se dice que un conjuno de series esá coinegrado si cada una de ellas necesia d diferencias para ser esacionaria, eso es, son inegradas de orden d oi(d), pero exise una combinación lineal de las mismas que es inegrada de menor orden, es decir, I(d m). La siuación más habiual es que dos series sean I() y su diferencia (o una combinación lineal de las mismas) sea I() La presencia de coinegración supone que pare de la endencia de las series es un componene común (cofeaure) y exise una combinación lineal de las series que carece de esa caracerísica común. Ora forma de enender la coinegración es que exise un equilibrio a largo plazo enre las series, demaneraquelasdesviacionesdeeseequilibrio ienden a desaparecer a coro plazo. 39

40 Coinegración (II): Deección visual de raíces uniarias Las figuras muesran el perfil de los rendimienos porcenuales de acivos de deuda pública a largo plazo (2 años) y coro plazo (9 días) en el Reino Unido enre 952 (segundo rimesre) y 979 (cuaro rimesre). Ambas series muesran una endencia creciene, por lo que son, evidenemene, no esacionarias. Es fácil comprobar que su primera diferencia es esacionaria, por lo que se raa de series I(), es decir, inegradas de orden uno Long 6 Shor

41 Coinegración (III): Spread La figura de la derecha muesra el diferencial o spread enre ambas series: Spread.5.5 s = long -shor -.5 Como puede observarse, el spread muesra flucuaciones amplias a coro plazo, pero reorna sisemáicamene a una media esable (de.8 punos). Asimismo, las funciones de auocorrelación simple (ACF) y parcial (PACF) muesran la paua caracerísica de un proceso AR() con parámero posiivo ACF for Spread +-.96/T^ lag PACF for Spread +-.96/T^ lag 4

Guía de Ejercicios Econometría II Ayudantía Nº 3

Guía de Ejercicios Econometría II Ayudantía Nº 3 Guía de Ejercicios Economería II Ayudanía Nº 3 1.- La serie del dao hisórico del IPC Español desde enero de 2002 hasa diciembre de 2011, esá represenada en el siguiene gráfico: 115 110 105 100 95 90 85

Más detalles

Métodos de Previsión de la Demanda Datos

Métodos de Previsión de la Demanda Datos Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. Invesigación y écnicas de Mercado Previsión de Venas ÉCNICAS CUANIAIVAS ELEMENALES DE PREVISIÓN UNIVARIANE. (II) écnicas elemenales: Modelos Naive y Medias Móviles. Medición del error de previsión. Profesor:

Más detalles

Modelo de regresión lineal simple

Modelo de regresión lineal simple Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos

Más detalles

Tema 8: SERIES TEMPORALES

Tema 8: SERIES TEMPORALES Inroducción a la Economería Tema 8: ERIE TEMPORALE Tema 8: ERIE TEMPORALE. Concepo y componenes de una serie emporal. Definiremos una serie emporal como cualquier conjuno de N observaciones cuaniaivas

Más detalles

Aplicaciones de la Probabilidad en la Industria

Aplicaciones de la Probabilidad en la Industria Aplicaciones de la Probabilidad en la Indusria Cuara pare Final Dr Enrique Villa Diharce CIMAT, Guanajuao, México Verano de probabilidad y esadísica CIMAT Guanajuao,Go Julio 010 Reglas para deección de

Más detalles

TEMA 2 MODELO LINEAL SIMPLE (MLS) Gujarati, Econometria (2004)

TEMA 2 MODELO LINEAL SIMPLE (MLS) Gujarati, Econometria (2004) EMA 2 MODELO LINEAL SIMPLE (MLS) Gujarai, Economeria (2004). Planeamieno e inerpreación del modelo economérico lineal simple. Capíulo 2 páginas 36 a 39 2. Hipóesis Básicas del Modelo Capíulo 3 páginas

Más detalles

Y t = Y t Y t-1. Y t plantea problemas a la hora de efectuar comparaciones entre series de valores de distintas variables.

Y t = Y t Y t-1. Y t plantea problemas a la hora de efectuar comparaciones entre series de valores de distintas variables. ASAS DE VARIACIÓN ( véase Inroducción a la Esadísica Económica y Empresarial. eoría y Pácica. Pág. 513-551. Marín Pliego, F. J. Ed. homson. Madrid. 2004) Un aspeco del mundo económico que es de gran inerés

Más detalles

Examen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo:

Examen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: Escuela Superior Poliécnica del Lioral Faculad de Economía y Negocios 30-11-2011 Examen Parcial de Economería II Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: REGLAMENTO DE EVALUACIONES Y CALIFICACIONES

Más detalles

PRÁCTICA 3: Sistemas de Orden Superior:

PRÁCTICA 3: Sistemas de Orden Superior: PRÁCTICA 3: Sisemas de Orden Superior: Idenificación de modelo de POMTM. Esabilidad y Régimen Permanene de Sisemas Realimenados Conrol e Insrumenación de Procesos Químicos. . INTRODUCCIÓN Esa prácica se

Más detalles

PRÁCTICA 4 TEMA 6: SERIES TEMPORALES

PRÁCTICA 4 TEMA 6: SERIES TEMPORALES PRÁCTICA 4 TEMA 6: SERIES TEMPORALES En las prácicas aneriores se habían analizado observaciones de variables de ipo ransversal (por ejemplo, obenidas para diferenes municipios). Llamaremos Serie Temporal

Más detalles

Técnicas cualitativas para las Ecuaciones diferenciales de primer orden: Campos de pendientes y líneas de fase

Técnicas cualitativas para las Ecuaciones diferenciales de primer orden: Campos de pendientes y líneas de fase Lección 5 Técnicas cualiaivas para las Ecuaciones diferenciales de primer orden: Campos de pendienes y líneas de fase 5.. Técnicas Cualiaivas Hasa ahora hemos esudiado écnicas analíicas para calcular,

Más detalles

PROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO

PROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO PROCESOS ESOCÁSICOS PROCESOS ESOCÁSICOS INEGRAL ESOCÁSICA ECUACIONES DIFERENCIALES ESOCASICAS: LEMA DE IO Procesos esocásicos Un proceso esocásico describe la evolución emporal de una variable aleaoria.

Más detalles

UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA

UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral

Más detalles

SERIES TEMPORALES. Cecilia Esparza Catalán

SERIES TEMPORALES. Cecilia Esparza Catalán SERIES TEMPORALES Cecilia Esparza Caalán Cecilia Esparza Caalán ÍNDICE Página.- INTRODUCCIÓN.. 2 2.- ANÁLISIS PRELIMINAR DE UNA SERIE... 3 - Tendencia y nivel de la serie.... 4 - Esacionalidad.... 9 -

Más detalles

UNIDAD IX. Técnicas de Suavización

UNIDAD IX. Técnicas de Suavización UNIDAD IX Técnicas de Suavización UNIDAD IX La esadísica demuesra que suele ser más fácil hacer algo bien que explicar por qué se hizo mal. Allen L. Webser, 1998 Cuál es el objeivo de la Técnica de suavización?

Más detalles

CARACTERÍSTICAS DEL DESEMPLEO EN MEDELLÍN Y EL VALLE DE ABURRÁ: 1988-2000 JUAN BYRON CORREA FONNEGRA *

CARACTERÍSTICAS DEL DESEMPLEO EN MEDELLÍN Y EL VALLE DE ABURRÁ: 1988-2000 JUAN BYRON CORREA FONNEGRA * CARACTERÍSTICAS DEL DESEMPLEO EN MEDELLÍN Y EL VALLE DE ABURRÁ: 988 - JUAN BYRON CORREA FONNEGRA * Inroducción En las úlimas dos décadas en Colombia se ha presenado un aumeno en los esudios sobre economía

Más detalles

TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL. 1. Sistemas analógicos y digitales.

TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL. 1. Sistemas analógicos y digitales. T-1 Inroducción a la elecrónica digial 1 TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL El raamieno de la información en elecrónica se puede realizar de dos formas, mediane écnicas analógicas o mediane écnicas

Más detalles

Introducción a la Estadística Empresarial. Capítulo 4.- Series temporales Jesús Sánchez Fernández

Introducción a la Estadística Empresarial. Capítulo 4.- Series temporales Jesús Sánchez Fernández Inroducción a la Esadísica Empresarial. Capíulo 4.- Series emporales CAPITULO 4.- SERIES TEMPORALES 4. Inroducción. Hasa ahora odas las variables que se han esudiado enían en común que, por lo general,

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 24, No. 1, 2003

REVISTA INVESTIGACION OPERACIONAL Vol. 24, No. 1, 2003 REVISTA INVESTIGACION OPERACIONAL Vol. 24, No. 1, 2003 ADAPTACION DE LOS TIPOS DE INTERES DE INTERVENCION A LA REGLA DE TAYLOR. UN ANALISIS ECONOMETRICO Carlos Paeiro Rodríguez 1, Deparameno de Análisis

Más detalles

Capítulo 4 Sistemas lineales de primer orden

Capítulo 4 Sistemas lineales de primer orden Capíulo 4 Sisemas lineales de primer orden 4. Definición de sisema lineal de primer orden Un sisema de primer orden es aquel cuya salida puede ser modelada por una ecuación diferencial de primer orden

Más detalles

Test. Cada pregunta correcta está valorada con 0.5 puntos y cada incorrecta resta 0.25 puntos

Test. Cada pregunta correcta está valorada con 0.5 puntos y cada incorrecta resta 0.25 puntos Teléf.: 91 533 38 4-91 535 19 3 8003 MADRID EXAMEN DE ECONOMETRÍA (enero 010) 1h 15 Apellidos: Nombre: Tes. Cada preguna correca esá valorada con 0.5 punos y cada incorreca resa 0.5 punos 1.- Al conrasar

Más detalles

LA VELOCIDAD DE CIRCULACION DE DINERO EN EL ECUADOR

LA VELOCIDAD DE CIRCULACION DE DINERO EN EL ECUADOR 1 LA VELOCIDAD DE CIRCULACION DE DINERO EN EL ECUADOR José Luis Moncayo Carrera 1 Ec. Manuel González 2 RESUMEN El presene documeno iene como objeivo, presenar la aplicación de écnicas economéricas en

Más detalles

Conceptos básicos y aspectos matemáticos sobre el análisis de raíces unitarias y cointegración. Carlos A. Rodríguez Ramos, Ph.D.

Conceptos básicos y aspectos matemáticos sobre el análisis de raíces unitarias y cointegración. Carlos A. Rodríguez Ramos, Ph.D. Concepos básicos y aspecos maemáicos sobre el análisis de raíces uniarias y coinegración Carlos A. Rodríguez Ramos, Ph.D. I. Inroducción: La unidad de la eoría y la prácica no se da sólo en la eoría, sino

Más detalles

1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA

1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA hp://www.vinuesa.com 1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA 1.1.- INTRODUCCIÓN Los filros de pila consiuyen una clase de filros digiales no lineales. Un filro de pila que es usado

Más detalles

Medición del tiempo de alza y de estabilización.

Medición del tiempo de alza y de estabilización. PRÁCTICA # 2 FORMAS DE ONDA 1. Finalidad Esudiar la respuesa de configuraciones circuiales simples a diferenes formas de exciación. Medición del iempo de alza y de esabilización. Medición del reardo. Medición

Más detalles

TEMA 3 EXPECTATIVAS, CONSUMO E INVERSIÓN

TEMA 3 EXPECTATIVAS, CONSUMO E INVERSIÓN TEMA 3 EXPECTATIVAS, CONSUMO E INVERSIÓN En el Tema 2 analizamos el papel de las expecaivas en los mercados financieros. En ése nos cenraremos en los de bienes y servicios. El papel que desempeñan las

Más detalles

TEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA

TEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA TEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA 1. CONCEPTO DE MODELO El ermino modelo debe de idenificarse con un esquema menal ya que es una represenación de la realidad. En ese senido, Pulido (1983)

Más detalles

Ecuaciones diferenciales, conceptos básicos y aplicaciones

Ecuaciones diferenciales, conceptos básicos y aplicaciones GUIA 1 Ecuaciones diferenciales, concepos básicos y aplicaciones Las ecuaciones diferenciales ordinarias son una herramiena básica en las ciencias y las ingenierías para el esudio de sisemas dinámicos

Más detalles

CORRELACIÓN LINEAL Y ANÁLISIS DE REGRESIÓN

CORRELACIÓN LINEAL Y ANÁLISIS DE REGRESIÓN CORRELACIÓN LINEAL Y ANÁLISIS DE REGRESIÓN Auores: Alicia Vila (avilag@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Ana López (alopezra@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu), MAPA CONCEPTUAL Definición

Más detalles

MODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO

MODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO MODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO VAR: GENERAL Represenación del modelo VAR: () + + = e e A A A A w w c c c c L L L L L L L L ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( Selección:.

Más detalles

METODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001

METODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001 METODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001 Insiuo Nacional de Esadísica y Censos (INDEC) Dirección

Más detalles

Estimación de modelos de volatilidad estocástica

Estimación de modelos de volatilidad estocástica Esimación de modelos de volailidad esocásica García Ceneno, Mª Carmen; Ibar Alonso, Raquel Deparameno Méodos Cuaniaivos para la Economía Faculad de Ciencias Económicas y Empresariales Universidad San Pablo-CEU

Más detalles

Ciclos Económicos y Riesgo de Crédito: Un modelo umbral de proyección de la morosidad bancaria de Perú

Ciclos Económicos y Riesgo de Crédito: Un modelo umbral de proyección de la morosidad bancaria de Perú Ciclos Económicos y Riesgo de Crédio: Un modelo umbral de proyección de la morosidad bancaria de Perú Subgerencia de Análisis del Sisema Financiero y del Meado de Capiales Deparameno de Análisis del Sisema

Más detalles

1 Introducción... 2. 2 Tiempo de vida... 3. 3 Función de fiabilidad... 4. 4 Vida media... 6. 5 Tasa de fallo... 9. 6 Relación entre conceptos...

1 Introducción... 2. 2 Tiempo de vida... 3. 3 Función de fiabilidad... 4. 4 Vida media... 6. 5 Tasa de fallo... 9. 6 Relación entre conceptos... Asignaura: Ingeniería Indusrial Índice de Conenidos 1 Inroducción... 2 2 Tiempo de vida... 3 3 Función de fiabilidad... 4 4 Vida media... 6 5 Tasa de fallo... 9 6 Relación enre concepos... 12 7 Observaciones

Más detalles

Sistemade indicadores compuestos coincidentey adelantado julio,2010

Sistemade indicadores compuestos coincidentey adelantado julio,2010 Sisemade indicadores compuesos coincideney adelanado julio,2010 Sisema de Indicadores Compuesos: Coincidene y Adelanado SI REQUIERE INFORMACIÓN MÁS DETALLADA DE ESTA OBRA, FAVOR DE COMUNICARSE A: Insiuo

Más detalles

Análisis de inversiones y proyectos de inversión

Análisis de inversiones y proyectos de inversión Análisis de inversiones y proyecos de inversión Auora: Dra. Maie Seco Benedico Índice 5. Análisis de Inversiones 1. Inroducción. 2. Crierios para la valoración de un proyeco. 3. Técnicas de valoración

Más detalles

TEMA 9: LA TASA NATURAL DE DESEMPLEO Y LA CURVA DE PHILLIPS

TEMA 9: LA TASA NATURAL DE DESEMPLEO Y LA CURVA DE PHILLIPS TEMA 9: LA TASA NATURAL DE DESEMPLEO Y LA CURVA DE PHILLIPS 9.2 La asa naural de desempleo y la curva de Phillips La relación enre el desempleo y la inflación La curva de Phillips, basada en los daos aneriores

Más detalles

Capítulo 5 Sistemas lineales de segundo orden

Capítulo 5 Sistemas lineales de segundo orden Capíulo 5 Sisemas lineales de segundo orden 5. Definición de sisema de segundo orden Un sisema de segundo orden es aquel cuya salida y puede ser descria por una ecuación diferencial de segundo orden: d

Más detalles

Tendencia y Ciclos en el Producto Interno Bruto de Cuba: Estimación con un Modelo Estructural Univariante de Series Temporales. 1

Tendencia y Ciclos en el Producto Interno Bruto de Cuba: Estimación con un Modelo Estructural Univariante de Series Temporales. 1 Tendencia y Ciclos en el Produco Inerno Bruo de Cuba: Esimación con un Modelo Esrucural Univariane de Series Temporales. 1 Pavel Vidal Alejandro * Annia Fundora Fernández ** Noviembre del 2004 Resumen:

Más detalles

Las derivadas de los instrumentos de renta fija

Las derivadas de los instrumentos de renta fija Las derivadas de los insrumenos de rena fija Esrella Peroi, MBA Ejecuivo a cargo Capaciación & Desarrollo Bolsa de Comercio de Rosario eperoi@bcr.com.ar Como viéramos en el arículo el dilema enre la asa

Más detalles

Mtro. Horacio Catalán Alonso

Mtro. Horacio Catalán Alonso ECONOMETRIA TEORÍA DE LA COINTEGRACIÓN Mro. I. REGRESIÓN ESPURÍA Y X Dos series que presenan camino aleaorio. Si ambas series se consideran en una modelo economérico. Y = Y -1 + u u N(0,s 2 u) X =X -1

Más detalles

Observatorio * EL AUMENTO DEL IVA EN ESPAÑA: UNA CUANTIFICACIÓN ANTICIPADA DE SUS EFECTOS **

Observatorio * EL AUMENTO DEL IVA EN ESPAÑA: UNA CUANTIFICACIÓN ANTICIPADA DE SUS EFECTOS ** Revisa de Economía Aplicada E Número 53 (vol. XVIII), 2010, págs. 163 a 183 A Observaorio * EL AUMENTO DEL IVA EN ESPAÑA: UNA CUANTIFICACIÓN ANTICIPADA DE SUS EFECTOS ** GONZALO FERNÁNDEZ-DE-CÓRDOBA Universidad

Más detalles

Tema 3. El modelo neoclásico de crecimiento: el modelo de Solow-Swan

Tema 3. El modelo neoclásico de crecimiento: el modelo de Solow-Swan Tema 3. El modelo neoclásico de crecimieno: el modelo de Solow-Swan Inroducción Esquema El modelo neoclásico SIN progreso ecnológico a ecuación fundamenal del modelo neoclásico El esado esacionario Transición

Más detalles

Master en Economía Macroeconomía II. 1 Problema de Ahorro-Consumo en Horizonte Finito

Master en Economía Macroeconomía II. 1 Problema de Ahorro-Consumo en Horizonte Finito Maser en Economía Macroeconomía II Profesor: Danilo Trupkin Se de Problemas 1 - Soluciones 1 Problema de Ahorro-Consumo en Horizone Finio Considere un problema de ahorro-consumo sobre un horizone finio

Más detalles

6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA

6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA 38 6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA 6.1 Méodo general Para valorar los usos recreacionales del agua, se propone una meodología por eapas que combina el uso de diferenes écnicas

Más detalles

TEMA I: FUNCIONES ELEMENTALES

TEMA I: FUNCIONES ELEMENTALES TEMA I: FUNCIONES ELEMENTALES. Función Logarimo Todos conocemos la definición de logarimo en base b, siendo b un número enero posiivo disino de. u = log b x x = b u y la propiedad fundamenal log b (xy)

Más detalles

Los datos fueron obtenidos de una publicación del Golden Gate Bridge.

Los datos fueron obtenidos de una publicación del Golden Gate Bridge. Pronósicos Resumen El procedimieno Pronósicos esa diseñado para pronosicar valores fuuros de daos de series de iempo. Una serie de iempo consise de un conjuno secuencial de daos numéricos omados en inervalos

Más detalles

Matías Riutort Ronald Balza Guanipa

Matías Riutort Ronald Balza Guanipa Salario Real, ipo de Cambio Real y Pobreza en Venezuela : 1975-2000 Maías Riuor Ronald Balza Guanipa DEPARAMEO DE IVESIGACIOES ECOÓMICAS ISIUO DE IVESIGACIOES ECOÓMICAS Y SOCIALES UIVERSIDAD CAÓLICA ADRÉS

Más detalles

ÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS)

ÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS) ÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS) Anexo VI Prácicas de Sismología e Ingeniería Sísmica PRACTICA 5. TRATAMIENTO DE ACELEROGRAMAS. 1. OBJETIVO Aprender a llevar a cabo

Más detalles

Descomposición de series temporales

Descomposición de series temporales Noas del Curso Series de Tiempo I. Licenciaura de Esadísica Descomposición de series emporales Inroducción De acuerdo a Fischer (995) el precursor de los méodos modernos de descomposición fue Macauley

Más detalles

Consorcio de Investigación Económica y Social (CIES) Concurso de Investigación CIES - IDRC - Fundación M.J. Bustamante 2012. Informe Técnico Final

Consorcio de Investigación Económica y Social (CIES) Concurso de Investigación CIES - IDRC - Fundación M.J. Bustamante 2012. Informe Técnico Final Consorcio de Invesigación Económica y Social (CIES) Concurso de Invesigación CIES - IDRC - Fundación M.J. Busamane 2012 Informe Técnico Final (Agoso 2013) Creación y Desrucción de Empleos en Economías

Más detalles

Cobertura de una cartera de bonos con forwards en tiempo continuo

Cobertura de una cartera de bonos con forwards en tiempo continuo Coberura de una carera de bonos con forwards en iempo coninuo Bàrbara Llacay Gilber Peffer Documeno de Trabajo IAFI No. 7/4 Marzo 23 Índice general Inroducción 2 Objeivos......................................

Más detalles

EVALUACION EMPIRICA DE LAS IMPLICACIONES DE LARGO PLAZO DEL MODELO NEOCLASICO DE CRECIMIENTO ECONOMICO EN LA ECONOMIA VENEZOLANA. Raúl J.

EVALUACION EMPIRICA DE LAS IMPLICACIONES DE LARGO PLAZO DEL MODELO NEOCLASICO DE CRECIMIENTO ECONOMICO EN LA ECONOMIA VENEZOLANA. Raúl J. EVALUACION EMPIRICA DE LAS IMPLICACIONES DE LARGO PLAZO DEL MODELO NEOCLASICO DE CRECIMIENTO ECONOMICO EN LA ECONOMIA VENEZOLANA Raúl J. Crespo* Noviembre, 2002 El presene rabajo es una versión del ariculo

Más detalles

PREDICCIÓN CON REDES NEURONALES: COMPARACIÓN CON LAS METODOLOGÍAS DE BOX Y JENKINS. Autora Joanna Verónica Collantes Duarte

PREDICCIÓN CON REDES NEURONALES: COMPARACIÓN CON LAS METODOLOGÍAS DE BOX Y JENKINS. Autora Joanna Verónica Collantes Duarte UNIVERSIDAD DE LOS ANDES FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES INSTITUTO DE ESTADÍSTICA APLICADA Y COMPUTACIÓN PREDICCIÓN CON REDES NEURONALES: COMPARACIÓN CON LAS METODOLOGÍAS DE BOX Y JENKINS Auora

Más detalles

MACROECONOMIA II. Grado Economía 2013-2014

MACROECONOMIA II. Grado Economía 2013-2014 MACROECONOMIA II Grado Economía 2013-2014 PARTE II: FUNDAMENTOS MICROECONÓMICOS DE LA MACROECONOMÍA 3 4 5 Tema 2 Las expecaivas: los insrumenos básicos De qué dependen las decisiones económicas? Tipo de

Más detalles

El comportamiento del precio de las acciones

El comportamiento del precio de las acciones El comporamieno del precio de las acciones Esrella Peroi Invesigador enior Bolsa de Comercio de Rosario eperoi@bcr.com.ar Para comprender el funcionamieno de los modelos de valuación de opciones sobre

Más detalles

UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temístocles Montás

UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temístocles Montás UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temísocles Monás Puede el comporamieno acual de la políica fiscal sosenerse sin generar una deuda pública que crezca sin límie?

Más detalles

Factores Cíclicos y Estructurales en la Evolución de la Tasa de Desempleo *

Factores Cíclicos y Estructurales en la Evolución de la Tasa de Desempleo * Facores Cíclicos y Esrucurales en la Evolución de la Tasa de Desempleo * Nikia Céspedes Reynaga 1. Inroducción El esudio de la relación enre los agregados económicos iene una imporancia vial para quienes

Más detalles

Acerca de la estabilidad de la demanda de dinero. El caso de Uruguay: 1979.4-2002.3

Acerca de la estabilidad de la demanda de dinero. El caso de Uruguay: 1979.4-2002.3 Acerca de la esabilidad de la demanda de dinero. El caso de Uruguay: 979.4-22.3 Elizabeh Bucacos Gerardo Licandro - 22 688-7565 ACERCA DE LA ESTABILIDAD DE LA DEMANDA DE DINERO. EL CASO DE URUGUAY: 979.4-22.3

Más detalles

Pg. 1 CONCEPTOS BÁSICOS DE MATEMÁTICA ECONÓMICA PARA EL MANEJO DE SERIES

Pg. 1 CONCEPTOS BÁSICOS DE MATEMÁTICA ECONÓMICA PARA EL MANEJO DE SERIES Pg. 1 CONCEPTOS BÁSICOS DE MATEMÁTICA ECONÓMICA PARA EL MANEJO DE SERIES Ramón Mahía Abril de 2001 Pg. 2 OBJETIVO DEL DOCUMENTO Cualquier ejercicio de análisis económico simple requerirá el manejo de la

Más detalles

Solución: El sistema de referencia, la posición del cuerpo en cada instante respecto a dicha referencia, el tiempo empleado y la trayectoria seguida.

Solución: El sistema de referencia, la posición del cuerpo en cada instante respecto a dicha referencia, el tiempo empleado y la trayectoria seguida. 1 Qué es necesario señalar para describir correcamene el movimieno de un cuerpo? El sisema de referencia, la posición del cuerpo en cada insane respeco a dicha referencia, el iempo empleado y la rayecoria

Más detalles

TÉCNICAS ECONOMÉTRICAS PARA EL PRONÓSTICO DE SERIES DE TIEMPO APLICACIONES EMPRESARIALES

TÉCNICAS ECONOMÉTRICAS PARA EL PRONÓSTICO DE SERIES DE TIEMPO APLICACIONES EMPRESARIALES TÉCNICAS ECONOMÉTRICAS PARA EL PRONÓSTICO DE SERIES DE TIEMPO APLICACIONES EMPRESARIALES UPAE - Mayo de 2004 Plan del curso Una sesión de eoría Dos sesiones de aplicaciones (aller) Curso Técnicas Economéricas

Más detalles

2 El movimiento y su descripción

2 El movimiento y su descripción El movimieno y su descripción EJERCICIOS PROPUESTOS. Una malea descansa sobre la cina ransporadora de un aeropuero. Describe cómo ve su movimieno un pasajero que esá: parado en la misma cina; en una cina

Más detalles

Metodología de cálculo del diferencial base

Metodología de cálculo del diferencial base Meodología de cálculo del diferencial base El diferencial base es el resulado de expresar los gasos generales promedio de operación de las insiuciones de seguros auorizadas para la prácica de los Seguros

Más detalles

ECONOMETRÍA PRÁCTICA: Fundamentos de Series de Tiempo. Versión Preliminar. Agradecemos de Antemano Comentarios. Ramón A.

ECONOMETRÍA PRÁCTICA: Fundamentos de Series de Tiempo. Versión Preliminar. Agradecemos de Antemano Comentarios. Ramón A. ECONOMETRÍA PRÁCTICA: Fundamenos de Series de Tiempo Versión Preliminar Agradecemos de Anemano Comenarios Ramón A. Casillo Ponce Rogelio Varela Llamas ECONOMETRÍA PRÁCTICA: Fundamenos de Series de Tiempo

Más detalles

Modelos de Ajuste Nominal Incompleto. Por Agustín Casas, UdeSa. Diego Hofman, Princeton. Analía Olgiati, BID. Javier DiFiori, Morgan Stanley

Modelos de Ajuste Nominal Incompleto. Por Agustín Casas, UdeSa. Diego Hofman, Princeton. Analía Olgiati, BID. Javier DiFiori, Morgan Stanley Modelos de Ajuse Nominal Incompleo Por Agusín Casas, UdeSa. Diego Hofman, Princeon. Analía Olgiai, BID. Javier DiFiori, Morgan Sanley JEL CLASS: E12 - Keynes; Keynesian; Pos-Keynesian E13 - Neoclassical

Más detalles

Por: Marco Arena y Pedro Tuesta * I. Régimen de flotación del nuevo sol peruano: 1990-1998

Por: Marco Arena y Pedro Tuesta * I. Régimen de flotación del nuevo sol peruano: 1990-1998 ESTUDIOS ECONOMICOS El objeivo de la inervención del banco cenral: el nivel del ipo de cambio, la reducción de la volailidad cambiaria o ambos?: Un análisis de la experiencia peruana 99-998 Por: Marco

Más detalles

MATEMATICAS I FUNCIONES ELEMENTALES. PROBLEMAS

MATEMATICAS I FUNCIONES ELEMENTALES. PROBLEMAS 1º) La facura del gas se calcula a parir de una canidad fija y de un canidad variable que se calcula según los m 3 consumidos (el precio de cada m 3 es consane). El impore de la facura de una familia,

Más detalles

DERECHOS BÁSICOS DE APRENDIZAJE matemáticas - grado 9

DERECHOS BÁSICOS DE APRENDIZAJE matemáticas - grado 9 4 Reconoce el significado de los eponenes racionales posiivos negaivos uiliza las lees de los eponenes. Por ejemplo: 7 7 7 + 7 4 7 7 7 7 40 ( 7 / ) / 7 / / 7 /0 0 7,... Uiliza la noación cienífica para

Más detalles

Master en Economía Macroeconomía II. 1 Learning by Doing (versión en tiempo discreto)

Master en Economía Macroeconomía II. 1 Learning by Doing (versión en tiempo discreto) Maser en Economía Macroeconomía II Profesor: Danilo Trupkin Se de Problemas 4 - Soluciones 1 Learning by Doing (versión en iempo discreo) Considere una economía cuyas preferencias, ecnología, y acumulación

Más detalles

CAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN

CAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN Fichero: capiulo 5 CAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN. INTRODUCCION. TIPOS DE PRUEBAS DE VALIDACIÓN DE LOS RESULTADOS DE

Más detalles

Uso de Análisis Factorial Dinámico para Proyecciones Macroeconómicas

Uso de Análisis Factorial Dinámico para Proyecciones Macroeconómicas Uso de Análisis Facorial Dinámico para Proyecciones Macroeconómicas Alvaro Aguirre y Luis Felipe Céspedes * Resumen En ese rabajo implemenamos el méodo desarrollado por Sock y Wason (998) de análisis facorial

Más detalles

Control de un péndulo invertido usando métodos de diseño no lineales

Control de un péndulo invertido usando métodos de diseño no lineales Conrol de un péndulo inverido usando méodos de diseño no lineales F. Salas salas@caruja.us.es J.Aracil aracil@esi.us.es F. Gordillo gordillo@esi.us.es Depo de Ingeniería de Sisemas y Auomáica.Escuela Superior

Más detalles

Matemática financiera

Matemática financiera UNDAD 2 Maemáica financiera L a necesidad de efecuar numerosos y complicados cálculos dio origen a los logarimos. Los más usados son los logarimos neperianos, llamados así en honor de John Neper (156 1617),

Más detalles

Nota técnica del Indicador CF

Nota técnica del Indicador CF Noa écnica del Indicador CF 1. Inroducción El ciclo económico es un concepo que la mayoría de los economisas hemos ineriorizado de al manera que a veces pensamos que hace referencia a un hecho observable

Más detalles

Funciones exponenciales y logarítmicas

Funciones exponenciales y logarítmicas 89566 _ 0363-00.qd 7/6/08 09:30 Página 363 Funciones eponenciales y logarímicas INTRODUCCIÓN En esa unidad se esudian dos funciones que se aplican a numerosas siuaciones coidianas y, sobre odo, a fenómenos

Más detalles

Keywords: seguro de vida, provisión matemática, probabilidad, función de distribución, solvencia, value at risk, VAT, valor actual neto, VAN.

Keywords: seguro de vida, provisión matemática, probabilidad, función de distribución, solvencia, value at risk, VAT, valor actual neto, VAN. El seguro de vida como variable aleaoria. Cómo calcular su función de disribución. Nieo Ranero, Armando Universiy of Valencia, Spain Do. Maemáicas Económico Empresarial, Edificio Deparamenal Orienal, Av.

Más detalles

IGEP Tema 2. Leyas financieras básicas: estudio usando aplicaciones informáticas.

IGEP Tema 2. Leyas financieras básicas: estudio usando aplicaciones informáticas. IGEP Tema 2. Leyas financieras básicas: esudio usando aplicaciones informáicas. onenido. apial financiero... 2. Leyes financieras: capialización y descueno...4 2. Leyes de capialización...4 2.2 Leyes de

Más detalles

Análisis espectral Tareas

Análisis espectral Tareas Análisis especral Tareas T3.1: Implemenación y represenación del periodograma El objeivo de esa area es que los alumnos se familiaricen con la función más sencilla de análisis especral no paramérico. Programe

Más detalles

ESTIMACIÓN DE UNA FUNCIÓN DE REACCIÓN PARA LA TASA DE INTERÉS DE POLÍTICA DEL BANCO CENTRAL DE COSTA RICA

ESTIMACIÓN DE UNA FUNCIÓN DE REACCIÓN PARA LA TASA DE INTERÉS DE POLÍTICA DEL BANCO CENTRAL DE COSTA RICA BANCO CENTRAL DE COSTA RICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DIVISIÓN ECONÓMICA DOCUMENTO DE INVESTIGACIÓN DIE-04-2003-DI/R OCTUBRE 2003 ESTIMACIÓN DE UNA FUNCIÓN DE REACCIÓN PARA LA TASA DE

Más detalles

CAPÍTULO 3: INFILTRACIÓN

CAPÍTULO 3: INFILTRACIÓN 27 CAPÍTULO 3: INFILTRACIÓN 3.1 DEFINICIÓN El agua precipiada sobre la supericie de la ierra, queda deenida, se evapora, discurre por ella o penera hacia el inerior. Se deine como inilración al paso del

Más detalles

UNIVERSIDAD DE MATANZAS CAMILO CIENFUEGOS FACULTAD DE INGENIERIAS QUÍMICA MECANICA. MONOGRAFÍA LAS SERIES CRONOLÓGICAS EN EL MANTENIMIENTO PREDICTIVO

UNIVERSIDAD DE MATANZAS CAMILO CIENFUEGOS FACULTAD DE INGENIERIAS QUÍMICA MECANICA. MONOGRAFÍA LAS SERIES CRONOLÓGICAS EN EL MANTENIMIENTO PREDICTIVO UNIVERSIDAD DE MATANZAS CAMILO CIENFUEGOS FACULTAD DE INGENIERIAS QUÍMICA MECANICA. MONOGRAFÍA LAS SERIES CRONOLÓGICAS EN EL MANTENIMIENTO PREDICTIVO Ing. Laureano Suárez Marínez 1 MSc Juan Landa García.

Más detalles

DOCUMENTO DE TRABAJO. www.economia.puc.cl. Determinantes Económicos de la Fecundidad de Corto Plazo en Chile. Carla Castillo Laborde.

DOCUMENTO DE TRABAJO. www.economia.puc.cl. Determinantes Económicos de la Fecundidad de Corto Plazo en Chile. Carla Castillo Laborde. Insiuo I N S T Ide T Economía U T O D E E C O N O M Í A T E S I S d e M A G Í S T E R DOCUMENTO DE TRABAJO 2005 Deerminanes Económicos de la Fecundidad de Coro Plazo en Chile Carla Casillo Laborde. www.economia.puc.cl

Más detalles

LORENZO FRANCISCO NARANJO OLIVARES PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA

LORENZO FRANCISCO NARANJO OLIVARES PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA MODELOS LOGNORMALES DE PRECIOS DE COMMODITIES Y CALIBRACIÓN MEDIANTE EL FILTRO DE KALMAN UTILIZANDO PANELES DE DATOS INCOMPLETOS DE FUTUROS

Más detalles

Estudio del comportamiento del tipo de interés a corto plazo. Francisca Benito Chicote

Estudio del comportamiento del tipo de interés a corto plazo. Francisca Benito Chicote Esudio del comporamieno del ipo de inerés a coro plazo. Francisca Benio Chicoe Tesis dooral de la Universidad de Alicane. Tesi docoral de la Universia d'alacan. 006 Esudio del comporamieno del ipo de inerés

Más detalles

Revisión de la matriz producto/sector de consumo real de productos siderúrgicos y de los indicadores de actividad de los sectores utilizadores

Revisión de la matriz producto/sector de consumo real de productos siderúrgicos y de los indicadores de actividad de los sectores utilizadores Observaorio Indusrial del Secor Meal Revisión de la mariz produco/secor de consumo real de producos siderúrgicos y de los indicadores de acividad de los secores uilizadores Revisión de la mariz produco/secor

Más detalles

Solvencia II. Los Conceptos Básicos. Por: P. Aguilar. Febrero de 2008

Solvencia II. Los Conceptos Básicos. Por: P. Aguilar. Febrero de 2008 Solvencia II Los Concepos Básicos Por: P. Aguilar Febrero de 2008 El esquema regulaorio de Solvencia II planea un impaco relevane en el ejercicio de la prácica acuarial. Tal esquema se caraceriza por descansar

Más detalles

El crecimiento económico colombiano en el siglo XX: aspectos globales

El crecimiento económico colombiano en el siglo XX: aspectos globales El crecimieno económico colombiano en el siglo XX: aspecos globales Por GRECO Grupo de esudios del crecimieno económico colombiano Direcor : Invesigadores : Asisene de invesigación: Miguel Urruia Adriana

Más detalles

ESCUELA POLITÉCNICA NACIONAL

ESCUELA POLITÉCNICA NACIONAL ESCUELA POLIÉCNICA NACIONAL ESCUELA DE CIENCIAS DAOS AÍPICOS Y FALANES, ANÁLISIS DE INERVENCIÓN Y DESESACIONALIZACIÓN DE SERIES CRONOLÓGICAS. APLICACIONES A DAOS DE UNA EMPRESA DE VENA DIRECA PROYECO PREVIO

Más detalles

Práctica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO

Práctica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO Prácica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO OBJETIVOS Esudiar los procesos de carga y de descarga de un condensador. Medida de capacidades por el méodo de la consane de iempo. MATERIAL Generador

Más detalles

EL DESEMPLEO EN COLOMBIA

EL DESEMPLEO EN COLOMBIA EL DESEMPLEO EN COLOMBIA Luis Eduardo Arango T. y Carlos Eseban Posada P. * Banco de la República Resumen Ese documeno describe la evolución de la asa de desempleo urbano en Colombia en el período 1984:1

Más detalles

GRUPOS EDUARDO microeconomía, macroeconomía, economía de la empresa www.ecocirculo.com ; móvil: 695.424.932 ; emorerac@cemad.es

GRUPOS EDUARDO microeconomía, macroeconomía, economía de la empresa www.ecocirculo.com ; móvil: 695.424.932 ; emorerac@cemad.es Inflación y Crecimieno/Macroeconomía II Una pequeña muesra de los cuadernos de prácicas que uilizan nuesros alumnos. Manual de referencia: BLANCHARD, Olivier.: Macroeconomía, Ed. Pearson, 2ª edición. Del

Más detalles

PREDICCIÓN DE LA DEMANDA TURÍSTICA EN LA REGIÓN NORTE DE PORTUGAL RESUMEN

PREDICCIÓN DE LA DEMANDA TURÍSTICA EN LA REGIÓN NORTE DE PORTUGAL RESUMEN PREDICCIÓN DE LA DEMANDA TURÍSTICA EN LA REGIÓN NORTE DE PORTUGAL RESUMEN Paula Odee Fernandes* - e-mail: pof@ipb.p Luis Borges González** - e-mail: borge@eco.uva.es Francisco José Terroso Cepeda* - e-mail:

Más detalles

Modelización de Ciclos y Tendencias en Series de tiempo Macroeconómicas Argentina: 1980-2000

Modelización de Ciclos y Tendencias en Series de tiempo Macroeconómicas Argentina: 1980-2000 Modelización de Ciclos y Tendencias en Series de iempo Macroeconómicas Argenina: 1980-2000 Lic. Luis Albero Trajenberg (UBA-UdeSA) Agoso 2004 Absrac La modelización del ciclo y la endencia mediane filros

Más detalles

Foundations of Financial Management Page 1

Foundations of Financial Management Page 1 Foundaions of Financial Managemen Page 1 Combinaciones empresarias: decisiones sobre absorciones y fusiones de empresas Adminisración financiera UNLPam Faculad de Ciencias Económicas y Jurídicas Profesor:

Más detalles

INSTITUTO NACIONAL DE PESCA

INSTITUTO NACIONAL DE PESCA INSTITUTO NACIONAL DE PESCA Dirección General de Invesigación Pesquera en el Pacífico Nore Subdirección de Tecnología en el Pacífico Nore. Indicadores económico-financieros para la capura de camarón y

Más detalles

TEMA: FUNCIONES: Cuadrantes 3 er cuadrante, x 0, 4º cuadrante, x 0,

TEMA: FUNCIONES: Cuadrantes 3 er cuadrante, x 0, 4º cuadrante, x 0, TEMA: FUNCIONES: ÍNDICE:. Inroducción.. Dominio y recorrido.. Gráficas de funciones elemenales. Funciones definidas a rozos. 4. Coninuidad.. Crecimieno y decrecimieno, máimos y mínimos. 6. Concavidad y

Más detalles

BASES TÉCNICAS ACTUARIALES DEL SISTEMA PARA LA VALORACIÓN DE LOS DAÑOS Y PERJUICIOS CAUSADOS A LAS PERSONAS EN ACCIDENTES DE CIRCULACIÓN.

BASES TÉCNICAS ACTUARIALES DEL SISTEMA PARA LA VALORACIÓN DE LOS DAÑOS Y PERJUICIOS CAUSADOS A LAS PERSONAS EN ACCIDENTES DE CIRCULACIÓN. BASES TÉCNICAS ACTUARIALES DEL SISTEMA PARA LA VALORACIÓN DE LOS DAÑOS Y PERJUICIOS CAUSADOS A LAS PERSONAS EN ACCIDENTES DE CIRCULACIÓN. INSTITUTO DE ACTUARIOS ESPAÑOLES. 5 de junio de 2014. 0 Inroducción

Más detalles

RE01 DIFERENCIA DEL LOGRO PROMEDIO EN COMPRENSIÓN LECTORA Y MATEMÁTICAS PARA 6 DE PRIMARIA Y 3 DE SECUNDARIA ENTRE 2000 Y 2005

RE01 DIFERENCIA DEL LOGRO PROMEDIO EN COMPRENSIÓN LECTORA Y MATEMÁTICAS PARA 6 DE PRIMARIA Y 3 DE SECUNDARIA ENTRE 2000 Y 2005 RESULTADOSEDUCATIVOS RE01 DIFERENCIA DEL LOGRO PROMEDIO EN COMPRENSIÓN LECTORA Y MATEMÁTICAS PARA 6 DE PRIMARIA Y 3 DE SECUNDARIA ENTRE 2000 Y 2005 FÓRMULA RE01 NOMBREdelINDICADOR Diferencia del loro promedio

Más detalles