Análisis Estadístico de Datos Climáticos
|
|
- Belén Araya Silva
- hace 7 años
- Vistas:
Transcripción
1 Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011
2 CONTENIDO Esudio de las series emporales en Climaología. Ciclo anual y diario en variables climáicas. Dominio emporal vs. dominio de frecuencias. Procesos esocásicos. Series aleaorias. Esacionariedad. Pruebas de endencia (es de Mann-Kendall). Auocovariancia y auocorrelación Procesos de Markov. Ejemplos de procesos auorregresivos.
3 Principales objeivos del esudio de las series emporales en Ciencias de la Amósfera: - Comprender la variabilidad de la serie emporal - Idenificar los oscilaciones regulares y no regulares de la serie emporal - Describir las caracerísicas de esas oscilaciones. - Comprender los procesos físicos que dan origen a esas oscilaciones. Para alcanzar esos objeivos necesiamos que: - Idenificar los ciclos regulares (auocovariancia, análisis armónico, ec.) - Esimar la imporancia de esos ciclos (análisis especral) - Aislar o remover ciclos (filrado)
4 Ciclo anual y diario en variables climáicas La mayoría de las series que analizamos en Ciencias de la Amósfera son originadas en procesos que ienen incluidos ciclos o oscilaciones periódicas Los dos principales ciclos son: Ciclo o oscilación diaria Ciclo o oscilación anual Temperauras medias mensuales ENE MAR MAY JUL SET NOV ENE MAR MAY JUL SET NOV
5 Diferenes aproximaciones: Dominio emporal vs. dominio frecuencia Los méodos basados en el dominio emporal procuran caracerizar la serie de daos en los mismos érminos (condiciones) en los cuales ellos son observados. El insrumeno fundamenal para la caracerización de relaciones enre valores de daos en el dominio emporal es la función de auocorrelación. Maemáicamene, el análisis en el dominio emporal funciona en el mismo espacio que los valores de daos en dominios de frecuencia. El análisis en dominio de frecuencia represena la serie de daos en érminos de conribuciones que ocurren en escalas de iempo diferenes, o frecuencias caracerísicas. Cada escala de iempo es represenada por un par de funciones de coseno y seno. La serie de iempo oal es considerada como proveniene de los efecos combinados de una colección de senos y cosenos que oscilan en diferenes periodos. La suma de esas ondas reproduce los daos originales, Los méodos de análisis en dominio de frecuencia son comúnmene aplicados a las series de emporales geofísicas, e imporanes ideas pueden ser generadas a parir del análisis del dominio de frecuencia.
6 Procesos esocásicos I Se define un proceso X() como un fenómeno que cambia en el iempo o el espacio. Los procesos suelen clasificarse en: Deerminísicos: exise una relación definida o causal por lo que la obención de nuevos daos u observaciones no agregan información sobre el mismo Esocásicos: definidos por una disribución de probabilidades. Son mas complejos que su análogo deerminísico. Normalmene se define una Serie cronológica o emporal como una función no deerminísica o aleaoria X que depende de una variable (iempo). Se admie que la serie emporal represena un muesreo de una población, suponiendo además que es esacionaria, es decir que su promedio, varianza y oros momenos esadísicos son invarianes a desplazamienos emporales. Un proceso aleaorio puro cumple además que las realizaciones son independienes enre ellas consiuyendo una secuencia al azar.
7 Procesos esocásicos II En las series climáicas los valores sucesivos no son independienes enre si debido a la presencia de persisencia (la serie iende a recordar sus valores aneriores), ciclos periódicos o aperiodicos y endencias ya sea lineal o no lineal y oros efecos no aleaorios. En general las series climáicas consisen ano de componenes aleaorias como deerminísicas. El objeivo es idenificar an claramene como sea posible la nauraleza y exensión de las componenes no aleaorias en esas series climáicas. Exisen varias écnicas esadísicas que inenan ajusar modelos que represenen los procesos esocasicos generadores de las series. Si bien un proceso esocásico no es predecible con cereza es posible describirlo en érminos de sus parámeros esadísicos.
8 Esacionariedad Hay dos aproximaciones para raar con series no esacionarias: La primera aproximación es ransformar maemáicamene los daos no esacionarios para acercarnos a la esacionariedad. Por ejemplo, resando una función periódica a los daos que coniene un ciclo anual produciría una serie de daos ransformada con media (cero) consane. Para producir una serie con media y varianza consane, podría ser necesario aun más ransformar esas anomalías a anomalías esandarizadas - es decir dividir los valores en la serie de anomalías por las desviaciones esándar que ambién varían con un ciclo anual. La alernaiva a la ransformación de daos es esraificar los daos. Es decir podemos hacer los análisis por separado de los subconjunos del regisro de daos que son basane coros para ser considerados como esacionarios. Nosoros podríamos analizar observaciones diarias para odos los regisros de enero disponibles en una ubicación dada, asumiendo que cada regisro de daos de 31 días es una muesra del mismo proceso físico, pero necesariamene esamos diciendo que no acepamos que aquel proceso sea el mismo para julio, o para febrero.
9 Esacionariedad Hay dos aproximaciones para esear la esacionariedad de una serie: No paraméricas Paraméricas Denro de las No Paraméricas se uiliza: Tes del recorrido Denro de las Paraméricas: La Función de auocorrelación en una serie emporal no esacionaria, no decaerá, ni se exinguirá rápidamene. Básicamene las aproximaciones paraméricas asumen un ciero nivel de experiencia con los daos, y con aquella experiencia uno enonces puede conar que examinando los daos pueden se puede considerar esacionaria o no.
10 Tes de Tendencia de Mann-Kendall La prueba iene como objeivo deecar una endencia al incremeno o al decrecimieno en la serie de daos. La prueba de Mann - Kendall esá basada en la esadísica S. Cada par de valores observados y i, y j (i> j) de la variable aleaoria es inspeccionado para enconrar cuando y i > y j o y i < y j. Si el número de pares posiivos es P, y el número del ipo de pares negaivos es M Enonces la S es definida como S = P M Para n> 10, la disribución de muesreo de S la z sigue la disribución esándar normal donde
11 Auocovariancia La auocovariancia es la covariancia consigo misma en oros insanes de iempo, medido por un lag o desfasaje emporal. Esa función es uilizada para esimar los periodos dominanes en una serie emporal. La auocovariancia mide el grado de inensidad de correlación, dependencia o memoria de los valores de un proceso enre dos insanes.
12 Auocorrelación I Usamos la correlación como una medida de dependencia. Cuando rabajamos con una variable, podemos calcular la correlación enre X y X -1 o enre X y X -2 Las correlaciones enre X en diferenes iempos son llamados auocorrelaciones. No obsane, debemos asumir que odos los X s ienen: misma media (no exisen endencias) misma varianza
13 Auocorrelación II Suponemos que la serie es esacionaria. Eso significa que: La serie emporal varia alrededor de una media fija y iene variancia consane La dependencia enre observaciones sucesivas no cambia con el iempo La auocorrelación para una serie esacionaria: ( ) ( ) ( ) cov X,X cov X,X s s ρ s = = Var ( X ) ( ) Var X Var X s
14 Auocorrelación III Las esimaciones de la auocorrelaciones muesrales son: r s = T = s (X X)(X X) T = 1 s (X X) 2 Denominamos correlogramas a la represenación gráfica de las funciones de Auocorrelación
15 Funciones ípicas de auocorrelación a) Si el lag o desplazamieno es pequeño la auocorrelacion es posiiva para muchas variables geofisicas b) Eso significa que exise persisencia en las variables c) Por lo ano si enemos una secuencia de N observaciones esas no pueden ser consideradas independienes. d) Eso significa que los grados de liberad son menores a N.
16 Ejemplos de correlogramas mas comunes.
17 Procesos esocásicos Procesos esocásicos elemenales: Ruido Blanco El denominado ruido blanco es un proceso esocásico que presena media nula, varianza consane y covarianza nula para cualquier valor de lag (k), si además la disribución es normal, se denomina Ruido Blanco Gaussiano. E E ( a ) 2 ( a ) = = σ Cov( a, a 0 2 a + k ) = 0 k Ese ipo de proceso es esricamene esacionario.
18 Procesos esocásicos Procesos esocásicos elemenales: Proceso Auorregresivo. Definimos un proceso auorregresivo de primer orden AR(1) como un proceso aleaorio que responde a una expresión del ipo X = ρ0 + ρ1x 1 + a o bien X = ρ1x 1 + a con X = X ρ0 Para que el proceso AR(1) sea esacionario se debe cumplir que -1<ρ 1 <1, para que σ z 2 sea finia y no negaiva. Var 2 σ 1 ρ ( ) a X = σ z = ρ1 σ z + σ a = 2 Los procesos auoregresivos pueden generalizarse al orden p AR(p) sin más que añadir érminos reardados en la expresión general. 1 X X X X + = ρ 0 + ρ1 1 + ρ ρ p p a
19 Procesos esocásicos Procesos esocásicos elemenales: Medias móviles. Definimos una media móvil de primer orden MA(1) como un proceso aleaorio que responde a una expresión del ipo X = a + θ a 1 1 con X en diferencias a la media Los procesos de medias móviles son esacionarios y, al igual que los auoregresivos pueden generalizarse al orden q MA(q) sin más que añadir érminos reardados en la expresión general. X = a + θ a... θ a θ2a q q
20 Cadenas de Markov I La clase más común de modelo esocásico, usado para represenar las series emporales de variables discreas es la Cadena de Markov. Una cadena de Markov puede ser imaginada como una sucesión de esados de un sisema. Cada esado corresponde a uno de los elemenos de la parición del espacio muesral que describe la variable aleaoria en cuesión. Para cada período de iempo, la cadena de Markov puede o permanecer en el mismo esado o cambiarse a uno de los oros esados. El permanecer en el mismo esado corresponde a dos observaciones sucesivas del mismo valor de la variable aleaoria discrea en la serie emporal, y un cambio de esado implica dos valores sucesivos diferenes de la serie de iempo. Ej. Cadena de Markov de primer orden o dos esados.
21 Cadenas de Markov II Cómo sabemos que orden es apropiado por una cadena de Markov para represenar una serie de daos en paricular? Un acercamieno es de usar un conrase de hipóesis, por ejemplo Chi-cuadrado Dos crierios se emplean comúnmene para escoger enre los órdenes de los modelos de cadena de Markov. Crierio de Información de Akaike (AIC) y Crierio de Información Bayesiano (BIC) Tano el AIC como el BIC inenan enconrar el orden mas apropiado para el modelo logrando un juso equilibrio enre la bondad del ajuse y una penalización que aumena con el número de parámeros ajusados. Los dos crierios se diferencian sólo en la forma de la función de penalización.
22 Procesos auorregresivos Wilks, 2006
Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 3
Esadísica Indusrial Universidad Carlos III de Madrid Series emporales Prácica 3 Objeivos: Coninuar con la idenificación de procesos auoregresivos (AR) y de media móvil (MA), mediane la función de auocorrelación
Más detallesCurso 2006/07. Tema 1: Procesos Estocásticos. Caracterización de los procesos ARIMA. stico
Curso 6/7 Economería II Tema : Procesos Esocásicos. Caracerización de los procesos ARIMA. Concepo de proceso esocásico sico. Esacionariedad fuere y débil de los procesos esocásicos. Teoremas de ergodicidad
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detallesTema 3. Especificación, estimación y validación de modelos ARIMA
Tema 3. Especificación, esimación y validación de modelos ARIMA. La Meodología Box-Jenkins. Especificación inicial.. Conrases de raíces uniarias.. Análisis de correlogramas y correlogramas parciales 3.
Más detallesAnálisis estocástico de series temporales
Análisis esocásico de series emporales Ernes Pons (epons@ub.edu) Análisis esocásico de Series Temporales Moivación Ejemplos 4500000 8 4000000 6 3500000 4 3000000 2 0 2500000-2 2000000-4 500000-6 000000-8
Más detallesAnálisis de Series Temporales. Jose Jacobo Zubcoff. Departamento de Ciencias del Mar y Biología Aplicada
Análisis de Series Temporales Jose Jacobo Zubcoff Deparameno de Ciencias del Mar y Biología Aplicada Inroducción al análisis de series emporales Objeivo: analizar la evolución de una variable a ravés del
Más detallesCAPÍTULO 3 METODOLOGÍA. En este capítulo se describe la obtención y el funcionamiento del modelo de
CAPÍTULO 3 METODOLOGÍA En ese capíulo se describe la obención y el funcionamieno del modelo de Nelson y Siegel, el cual es fundamenal para obener las esrucuras emporales que servirán para comprender la
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 1. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios 1 Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.1. Se ha modelizado la variable v de dos modos diferenes: (1)
Más detallesModelos estacionarios de series temporales
Modelos esacionarios de series emporales Inroducción En ese capíulo se presena una meodología para analizar una serie emporal X, únicamene en función de los valores pasados de dicha serie. La idea básica
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESO PURAMENTE ALEATORIO (RB) Es el proceso esacionario puramene aleaorio es concepualmene el más sencillo de odos y ambién en el que se basan
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detallesde precios entre distintas regiones, ciudades o países, probando la validez de la PPC y LUP, Taylor (2000), señala que, para que este modelo esté bien
3. El modelo de convergencia de precios 1, se origina para explicar las diferencias de precios enre disinas regiones, ciudades o países, probando la validez de la PPC y LUP, Taylor (000), señala que, para
Más detallesGUÍA DE EJERCICIOS 3 ECONOMETRÍA II., se quiere decidir sobre el número de raíces unitarias mediante un test Dickey-Fuller del tipo
GUÍA DE EJERCICIOS 3 ECONOMETRÍA II 1) Para una deerminada serie, y, se quiere decidir sobre el número de raíces uniarias mediane un es Dickey-Fuller del ipo y y 1 p i 2 y i i 1 Responda a las siguienes
Más detalles4. SERIES TEMPORALES Y
4. SERIES TEMPORALES Y NÚMEROS ÍNDICE Objeivo Esudiar la evolución de una variable en el iempo. Bibliografia recomendada Peña y Romo (1997). Capíulos 11 y 12. Índice 1. Represenación gráfica de una serie
Más detallesUDA 2. Factor de seguridad y confiabilidad
Wilde Analysis Ld. (2015) Aloha Airlines Fligh 243 / 28 April 1988: Inceridumbre En el diseño de maquinaria abundan las inceridumbres: La composición del maerial y el efeco de las variaciones en las propiedades.
Más detallesExamen de Econometría II 12 de Enero de 2010
Examen de Economería II 12 de Enero de 2010 ---------------------------------------------------------------------------------------- Apellidos y Nombres: Grupo: ----------------------------------------------------------------------------------------
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESOS ESTOCÁSTICOS Un proceso esocásico «Z» considera «n» variables aleaorias, Z n, en momenos de iempo sucesivos, cada una de esas «n» variables
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 2. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.. Dado los dos siguienes procesos:
Más detallesSesión 2 Análisis univariado de series de tiempo
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión Análisis univariado de series de iempo 4. Series de iempo esacionarias 4.. Qué enendemos por proceso
Más detallesINTRODUCCIÓN AL ANÁLISIS DE SERIES DE TIEMPO
INTRODUCCIÓN AL ANÁLISIS DE SERIES DE TIEMPO Forino Vela Peón fvela@correo.xoc.uam.mx Noviembre, 009 Enfoque moderno del análisis de series de iempo Los fenómenos dinámicos que observamos mediane series
Más detallesModelización univariante
Modelización univariane Miguel Jerez Universidad Compluense de Madrid Febrero 5 Slide # Índice Inroducción Procesos esocásicos elemenales Insrumenos de idenificación Idenificación y diagnosis Noación de
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesSistemas lineales con ruido blanco
Capíulo 3 Sisemas lineales con ruido blanco 3.1. Ruido Blanco En la prácica se encuenra procesos esocásicos escalares u con media cero y la propiedad de que w( 1 ) y w( 2 ) no esán correlacionados aún
Más detallesCorrelación. Dr. Luis Javier Morales Mendoza Procesamiento Analógico de Señales FIEC - UV
Correlación Dr. Luis Javier Morales Mendoza Procesamieno Analógico de Señales FIEC - UV Índice.. Inroducción.. Correlación Cruzada.. Auocorrelación.4. Calculo de la correlación y de la auocorrelación.5.
Más detallesComplejidad de modelos: Sesgo y Varianza
Complejidad de modelos: Sesgo y Varianza 17 de abril de 2008 Noas de clase. Rolando Belrán A Las medidas de sesgo y varianza son úiles para los modeladores en ano que ayudan a regular la complejidad del
Más detalles11. PREVISIÓN DE LA DEMANDA
. PREVIIÓN E LA EMANA. INROUCCIÓN Anes de comenzar a desarrollar las cuenas previsionales de exploación, la empresa iene que realizar una esimación del volumen de venas que generará la acividad diaria
Más detallesCAPÍTULO III. METODOLOGÍA. En este capítulo se expondrán los diversos modelos de pronósticos así como su notación, la
CAPÍTULO III. METODOLOGÍA En ese capíulo se expondrán los diversos modelos de pronósicos así como su noación, la esimación de sus parámeros para poder enonces escoger el modelo que más se adecue a la Serie
Más detallesDescomposición Estacional
Descomposición Esacional Resumen El procedimieno de Descomposición Esacional divide una serie de iempo en res componenes: 1. endencia-ciclo 2. esacionalidad 3. irregularidad Cada componene puede ser graficado
Más detallesSesión 2 Análisis univariado de series de tiempo. 5. Series de tiempo no estacionarias en media
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión 2 Análisis univariado de series de iempo 5. Series de iempo no esacionarias en media La maoría
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesEconometría II. Análisis de series temporales (I): Procesos estacionarios. Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid.
Economería II Análisis de series emporales (I): Procesos esacionarios Miguel Jerez y Sonia Sooca Universidad Compluense de Madrid Febrero 2004 Ver. /6/2003, Pag. # Índice: Inroducción Concepos básicos
Más detallesNotas sobre Análisis de Series de Tiempo: Estacionariedad, Integración y Cointegración
Noes on Time Series Analysis:\Saionariy, Inegraion and Coinegraion hp://www.personal.rdg.ac.uk/~lessda/lecure3.hm Noas sobre Análisis de Series de Tiempo: Esacionariedad, Inegración y Coinegración Generalidades
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesCurso 2006/07. Tema 2: El incumplimiento de la hipótesis de estacionariedad. Cómo resolverla. 2. La falta de estacionariedad en varianza
Economería II Tema 2: El incumplimieno de la hipóesis de esacionariedad. Cómo resolverla. Inroducción 2. La fala de esacionariedad en varianza 3. La fala de esacionariedad en media Tema 2 2. Inroducción
Más detallesMétodos de Previsión de la Demanda Pronóstico para Series Temporales Niveladas Representación Gráfica
Méodos de Previsión de la Demanda Pronósico para Series Temporales Niveladas Represenación Gráfica REPRESENTACIÓN GRÁFICA DE LA SERIE DE DATOS Período i Demanda Di 25 2 2 3 225 4 24 5 22 Para resolver
Más detallesEstimación de modelos de volatilidad estocástica asimétrica. Aplicación en series de rendimientos de índices bursátiles.
Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos de índices bursáiles. Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos
Más detallesEstimación puntual ± Margen de error
Esimación Punual Para esimar el valor de un parámero poblacional se calcula la caracerísica correspondiene de la muesra, a lo que se le conoce como esadísico muesral. A la media muesral x se le idenifica
Más detallesInvestigación 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 detallesFundamentos Básicos Sistemas y Señales
Fundamenos Básicos Sisemas y Señales Preparado por : jhuircan Depo. Ingeniería Elécrica Universidad de La Fronera Objeivos q Revisar los concepos básicos de la Teoría de Sisemas q Revisar los concepos
Más detallesSeñales. Apéndice 3. A3.1 Representación de formas de ondas. Una señal es una función del tiempo. La gráfica de una señal se denomina forma de onda.
Apéndice 3 1 Señales Una señal es una función del iempo. La gráfica de una señal se denomina forma de onda. A3.1 Represenación de formas de ondas Esudiaremos algunas propiedades de la represenación de
Más detallesEspecificación y Estimación de los MODELOS ARCH. Horacio Catalán Alonso
Especificación y Esimación de los MODELOS ARCH Horacio Caalán Alonso Noviembre de 0 Caracerísicas de las series financieras:. Son lepokuricas (achaadas y con colas más gordas).las relaciones enre ganancia
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos socásicos Procesos socásicos I Inroducción y concepos básicos sadísicos de un proceso esocásico Referencias: Capíulo 8 de Inroducción a los Sisemas de Comunicación. Sremler, C.G. 993 Apunes de
Más detalles1.CINEMÁTICA. Movimiento Se define el movimiento como el cambio de posición de algo respecto a un sistema de referencia
Magniudes fundamenales Son las magniudes que se pueden medir direcamene 1.CINEMÁTICA Definiciones Reposo Se define como el no cambiar de posición respeco a un sisema de referencia. No hay ningún cuerpo
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detallesAnálisis de series temporales y. Modelos autoregresivos. Series temporales.
Análisis de series emporales y Modelos auoregresivos. Series emporales. Una serie emporal es una secuencia ordenada de valores, correspondienes a la magniud de una variable en un deerminado insane en el
Más detallesVIII.- CONDUCCIÓN TRANSITORIA DEL CALOR MÉTODO GRÁFICO
VIII.- CONDUCCIÓN TRANSITORIA DEL CALOR MÉTODO GRÁFICO VIII..- SOLUCIONES NUMÉRICAS A PROBLEMAS DE CONDUCCIÓN MONODIMENSIO- NALES EN RÉGIMEN TRANSITORIO El méodo numérico aplicado a los problemas de conducción
Más detallesUNIVERSIDAD DE EL SALVADOR FACULTAD DE CIENCIAS NATURALES Y MATEMATICA ESCUELA DE MATEMATICA
UNIVERSIDAD DE EL SALVADOR FACULTAD DE CIENCIAS NATURALES Y MATEMATICA ESCUELA DE MATEMATICA FACTORES ECONÓMICOS QUE INCIDEN EN LA INVERSIÓN PRIVADA EN EL SALVADOR Trabajo de Graduación presenado por:
Más detallesCONTROL BÁSICO. Sistemas de Control Realimentados. Reguladores o Controladores. Facultad de Ingeniería - UNER. Asignaturas: Control Básico 1
Faculad de Ingeniería - UNER CONTROL BÁSICO TEMAS: - Tipos de Reguladores Faculad de Ingeniería UNER Carrera: Bioingeniería Plan de esudios: 2008 Sisemas de Conrol Realimenados Consideramos el lazo básico
Más detallesMétodos de Diseño y Análisis de Experimentos
1 / 51 Méodos de Diseño y Análisis de Experimenos Paricia Isabel Romero Mares Deparameno de Probabilidad y Esadísica IIMAS UNAM febrero 2018 Diseño compleamene al azar 1 2 / 51 3 / 51 Ejemplo Suponga que
Más detallesDeterminación de las garantías para el contrato de futuros de soja en pesos. Value at Risk
Deerminación de las garanías para el conrao de fuuros de soja en pesos. Value a Risk Gabriela acciano inancial Risk Manager gfacciano@bcr.com.ar Direcora Deparameno de Capaciación y Desarrollo de Mercados
Más detallesECONOMETRÍA II CURSO Segunda evaluación parcial. donde y son variables artificiales centradas relativas al trimestre i.
ECONOMETRÍA II CURSO 2008 Segunda evaluación parcial ) Suponga dos procesos diferenes para la variable rimesral donde y son variables arificiales cenradas relaivas al rimesre i. Responda si las siguienes
Más detallesSerie Apuntes de Clase ΩΒΓ
Serie Apunes de Clase ΩΒΓ N 4 Seiembre del 04 Rafael Busamane Romaní UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Universidad del Perú, DECANA DE AMÉRICA FACULTAD DE CIENCIAS ECONÓMICAS La Serie Apunes de
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detallesPATRON = TENDENCIA, CICLO Y ESTACIONALIDAD
Pronósicos II Un maemáico, como un pinor o un poea, es un fabricane de modelos. Si sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico,
Más detalles5. Modelos dinámicos
5. Modelos dinámicos Los modelos lineales dinámicos son un caso paricular de una clase más grande de modelos dinámicos. En general los modelos dinámicos se caracerizan por ener una dinámica en los parámeros
Más detallesCAPITULO IV DESARROLLO DE LA INVESTIGACIÓN. En este capítulo se expondrán los métodos utilizados para el pronóstico de los siniestros
CAPITULO IV DESARROLLO DE LA INVESTIGACIÓN En ese capíulo se expondrán los méodos uilizados para el pronósico de los siniesros del seguro de Gasos Médicos Mayores, con base en los daos proporcionados por
Más detalles1. Derivadas de funciones de una variable. Recta tangente.
1. Derivadas de funciones de una variable. Reca angene. Derivadas Vamos a ver en ese capíulo la generalización del concepo de derivada de funciones reales de una variable a funciones vecoriales con varias
Más detallesLicenciatura de ADE y Licenciatura conjunta Derecho y ADE. Hoja de ejercicios 3
Licenciaura de ADE y Licenciaura conjuna Derecho y ADE Hoja de ejercicios 3 Ejercicio 1 El análisis de series emporales puede aplicarse a la resolución de muliud de problemas económicos. Uno de los que
Más detallesω ω ω y '' + 3 y ' y = 0 en la que al resolver se debe obtener la función y. dx = + d y y+ m = mg k dt d y dy dx dx = x y z d y dy u u x t t
E.D.O para Ingenieros CAPITULO INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES Las ecuaciones diferenciales son ecuaciones en las que conienen derivadas, Por ejemplo: '' + ' = en la que al resolver se debe
Más detallesESTUDIO DEL PRONÓSTICO DE LA DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO
Scienia e Technica Año IX, No, Diciembre 00. UTP. ISSN 0-70 7 ESTUDIO DEL PRONÓSTICO DE LA DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO RESUMEN El presene ariculo describe un pronosico
Más detallesOndas y Rotaciones. Principios fundamentales II
Ondas y Roaciones rincipios fundamenales II Jaime Feliciano Hernández Universidad Auónoma Meropoliana - Izapalapa México, D. F. 5 de agoso de 0 INTRODUCCIÓN. Generalmene el esudio del movimieno se realiza
Más detallesSeñales Elementales. Dr. Luis Javier Morales Mendoza. FIEC Universidad Veracruzana Poza Rica Tuxpan
Señales Elemenales Dr. Luis Javier Morales Mendoza FIEC Universidad Veracruzana Poza Rica Tuxpan Índice 3.1. Señales elemenales en iempo coninuo: impulso uniario, escalón uniario, rampa uniaria y la señal
Más detallesy t = α 0 + α 1t + γ(l)ε (16.1)
CAPITULO 6 MODELOS DE SERIES DE TIEMPO NO ESTACIONARIAS 6.. INTRODUCCIÓN El análisis esadísico radicional de series de iempo, presenado en capíulo anerior, supone la exisencia de la propiedad esadísica
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA Insrucor: Horacio Caalán TEORÍA DE COINTEGRACIÓN Efecos de las propiedades esocásicas de las series en un modelo de regresión
Más detallesNombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja
Más detallesMODULO Nº1 CONCEPTOS BÁSICOS DE ELECTRICIDAD
MODULO Nº CONCEPTOS BÁSICOS DE ELECTRICIDAD UNIDAD: INTRODUCCIÓN TEMAS: Múliplos y Submúliplos. Magniudes Elécricas y la Ley de Ohm. Circuios Elécricos. Señales Elécricas y alores Caracerísicos. OBJETIOS:
Más detallesNombre y Apellidos:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja de respuesas.
Más detallesTema 3 Sistemas lineales.
Tema 3 Sisemas lineales. Podemos definir un sisema como un grupo o combinación de elemenos inerrelacionados o íner-acuanes que forman una enidad coleciva. En el conexo de los sisemas de comunicación los
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scienia E Technica ISSN: 0122-1701 scienia@up.edu.co Colombia Zapaa, Carlos J.; Vahos, Mauricio A.; Romero, Carlos A. Modelamieno del caudal de un río para esudios de confiabilidad de largo plazo de sisemas
Más detallesTema 3. Circuitos capacitivos
Inroducción a la Teoría de ircuios Tema 3. ircuios capaciivos. Inroducción... 2. Inerrupores... 3. ondensadores... 2 3.. Asociación de capacidades.... 5 ondensadores en paralelo... 5 ondensadores en serie...
Más detallesMODELADO Y SIMULACIÓN INTRODUCCIÓN. Eduardo Martínez
MODELADO Y SIMULACIÓN INTRODUCCIÓN Eduardo Marínez Sisemas Dinámicos Modelos Maemáicos Principios de la Teoría General de Sisemas 3 Modelos Coninuos Discreos Sisemas Dinámicos Deinición de Sisema Un Sisema
Más detallesTEMA 4: AUTOCORRELACIÓN
Economería. Tema 4. Pilar Abad TEMA 4: AUTOCORRELACIÓN Wooldridge: Capíulo Gujarai: Capíulo 4 El análisis aplicado de muchos fenómenos económicos exige relajar el supueso de No Auocorrelación que se hace
Más detallesFacultad de Ciencias del Mar. Curso 2007/08 11/07/08
Esadísica Convocaoria de Junio Faculad de Ciencias del ar. Curso 007/08 /07/08 El galludo (Squalus egalops) es una especie de iburón de aguas empladas a ropicales, que habia la plaaforma coninenal exerior
Más detallesMODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS CON REDES NEURONALES BACKPROPAGATION DEPENDIENTE DEL TIEMPO
MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS CON REDES NEURONALES BACKPROPAGATION DEPENDIENTE DEL TIEMPO Por: Dr. Jairo Peruz Campo. Físico, Con Esudios De Maesría En Física. Insrucor, Asesor
Más detalles1. INTRODUCCIÓN. XVI Jornadas ASEPUMA IV Encuentro Internacional Vol Actas_16 Issue 1: 901
Esimación de un nuevo modelo de volailidad esocásica asimérico por umbrales (modelo TA-ARSV). Aplicación a series de rendimieno del precio medio de maerias primas Esimación de un nuevo modelo de volailidad
Más detallesConcepto de señales y procesos
Concepo de señales y procesos Mario Esévez Báez 1 José M. Esévez Carrera 2 Andrés Machado García 3 Maerial publicado originalmene en formao hml en: InfoWiki conribuors. librosabieros:concepos_acerca_de_senales_y_procesos.
Más detallesM O D E L O S D E I N V E N T A R I O
nvesigación Operaiva Faculad de iencias Exacas - UNPBA M O E L O E N V E N T A O El objeivo de la eoría de modelos de invenario es deerminar las reglas que pueden uilizar los encargados de gesión para
Más detallesQué es la Econometría? Parte II
Qué es la Economería? Pare II Esrucura de los daos económicos Necesarios, una vez que se ha especificado el modelo economérico Se necesian de odas las variables que inervienen Tipos de daos: 1. Daos de
Más detallesEjemplo. Consideremos el sistema de retraso unitario dado por
Tema 2: Descripción de Sisemas - Pare I - Virginia Mazzone Inroducción Los sisemas que esudiaremos, ienen alguna enrada y alguna salida, 1. Suponemos que si aplicamos una enrada obenemos una salida única.
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LIENAL SIMPLE
El modelo de regresión lineal simple EMA VI: EL MODELO DE REGREIÓN LIENAL IMPLE VI..- Inroducción. VI..- El modelo de regresión lineal simple. Propiedades. VI.3.- Obención de los esimadores por mínimos
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesModelos de Heteroscedasticidad Condicional
Modelos de Heeroscedasicidad Condicional El objeivo de ese ema es esudiar algunos méodos esadísicos y modelos economéricos disponibles en la lieraura para modelizar la volailidad del rendimieno de un acivo.
Más detallesModelo de volatilidad estocástica asimétrica por umbrales (modelo TA-ARSV).
Modelo de volailidad esocásica asimérica por umbrales (modelo TA-ARSV). García Ceneno, María del Carmen (garcen@ceu.es) Deparameno de Méodos Cuaniaivos e Informáica Universidad CEU San Pablo Madrid RESUMEN
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Series Temporales
Esadísica Descripiva y Analisis de Daos con la Hoja de Cálculo Excel Series Temporales Serie emporal una serie emporal es una sucesión de observaciones de una variable realizadas a inervalos regulares
Más detalles3 Definición y ejemplos de Procesos Estocásticos
3 Definición y ejemplos de Procesos Esocásicos 3. Definición de un Proceso Esocásico. Supongamos que se esudia el número de personas que asisen al servicio médico en ciero hospial. En un inervalo de iempo
Más detallesMétodos 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 detallesEstadística Aplicada a la Educación
Esadísica Aplicada a a la la Educación Esadísica Aplicada a la Educación Tuor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 014/15 migdaza@madridsur.uned.es 1 014/15 1 4 5 6 7 8 9 10 11 1 La Esadísica
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detallesLa ecuación del calor
Facula de Maemàiques i Esadísica Universia Poliècnica de Caalunya Lección inaugural del curso 3-4 de seiembre de 3 La ecuación del calor Professor Luis Caffarelli Deparamen of Mahemaics Universiy of Teas
Más detallesECONOMETRÍA II 1. La Econometría de Series de Tiempo
ECONOMETRÍA II. La Economería de Series de Tiempo Economería II Noas de clase.. Análisis Univariado de Series de Tiempo... Series de Tiempo Esacionarias Análisis univariado: se idenifica cada variable
Más detallesUNIDAD III: VECTORES AUTOREGRESIVOS (MODELOS VAR) DR. ROGER ALEJANDRO BANEGAS RIVERO, PH.D.
UNIDAD III: VECTORES AUTOREGRESIVOS (MODELOS VAR) DR. ROGER ALEJANDRO BANEGAS RIVERO, PH.D. Inroducor Economerics for Finance Chris Brooks 008 Modelos de Vecores Auoregresivos (VAR) Modelos auoregresivos
Más detallesPonenecia No. 9. ARIMA, ARCH, GARCH Y REDES NEURONALES: MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS
ARIMA, ARCH, GARCH Y REDES NEURONALES: MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS Fredy Ocaris Pérez Ramírez * Jairo Peruz Campo ** RESUMEN Nuesro propósio es presenar una meodología complea
Más detallesDistribuciones de probabilidad para establecer modelos de propagación de las ondas radioeléctricas
Recomendación UIT-R P.57-5 (/7) Disribuciones de probabilidad para esablecer modelos de propagación de las ondas radioelécricas Serie P Propagación de las ondas radioelécricas ii Rec. UIT-R P.57-5 Prólogo
Más detallesModelo 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 detallesECONOMETRÍA I. Autocorrelación. Autocorrelación. Lección 4: Autocorrelación. Siga. 1. Qué es un modelo con autocorrelación?
ECONOMERÍA I Lección 4: Auocorrelación. jm Auocorrelación.. Qué es un modelo con auocorrelación?. Con qué ipo de daos económicos se suelen presenar modelos auocorrelacionados? Auocorrelación. 3. Qué problemas
Más detallesModelos Markov con Probabilidades de Transición Variantes: Una Aplicación al Análisis de Crisis Cambiarias
Modelos Markov con Probabilidades de ransición Varianes: Una Aplicación al Análisis de Crisis Cambiarias Albero Humala XXIV Encuenro de Economisas Gerencia de Esudios Económicos 13 15 Diciembre Moivación
Más detallesUna aplicación Bayesiana a la Modelización de Mercados
Una aplicación Bayesiana a la Modelización de Mercados Maser Oficial en Ingeniería Maemáica Problema planeado por BAYES INFERENCE, S. A. Exposición del problema (I) Se considera un mercado de compeencia
Más detallesEconometría de Series de Tiempo 1
Economería de Series de Tiempo Economería II Prof. Arlee Belran Barco En esa sección, se desarrollará un análisis de la economería de series de iempo que abarcará res grandes emas: el análisis univariado,
Más detallesCapítulo 3 Valoración de inversiones en condiciones de certeza
PARTE I: La decisión de inversión Capíulo 3 Valoración de inversiones en condiciones de cereza 3.1. Crierios clásicos de evaluación y selección de proyecos de inversión 3.1.1 Modelos esáicos: el plazo
Más detalles