Series temporales. Series temporales
|
|
- Luz María Teresa Gallego Plaza
- hace 7 años
- Vistas:
Transcripción
1 Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.
2 Series temporales Series temporales Las variables/series pueden ser económicas, financieras o de otros tipos ya que la técnica se utiliza en muchas discicplinas. Unos ejemplos serían: En análisis macroeconómico: estaremos interesados en estudiar y prever la evolución de: los precios la producción exportaciones y otras muchas variables de coyuntura. En finanzas : es importante prever la evolución de: Indicadores macroeconómicos Series financieras como, por ejemplo, evolución del índice de la bolsa de Nueva York.
3 Series temporales Series temporales En Energía interesa prever: El nivel de los embalses para saber la cantidad de agua esperable en el futuro. Demanda de potencia eléctrica en cada momento En demografía es importante conocer el número de nacidos o fallecidos en un país.
4 Características de una serie temporal Las características básicas de de una serie temporal son:.periodicidad 2.Tendencia 3.Variabilidad-Volatilidad 4.Ciclo estacional 5.Combinación de de características Serie estacionaria
5 Periodicidad Se Se define la la periodicidad de de la la serie como cada cuanto tiempo se se toman los los datos. Por ejemplo: Periodicidad anual: Se Se toma el el dato dato una una vez vez al al año. año. Periodicidad mensual: Se Se toma el el dato dato una una vez vez al al mes mes obteniéndose 2 2 datos al al año. año. Periodicidad trimestral: se se toma el el dato dato una una vez vez al al trimestre obteniéndose 4 datos al al año. año. Otras periodicidades: semestrales (2 (2 datos al al año) año) semanales (52 (52 datos al al año) año) diarias (365 (365 datos al al año) año) etc. etc.
6 Periodicidad La serie de Temperaturas en La Coruña tiene periodicidad mensual. La serie de Tasas de Actividad masculina en España tiene periodicidad trimestral. Procede de la Encuesta de Población Activa que cada trimestre realiza el INE. La serie del Indice Nikkei tiene periodicidad mensual Volver
7 Tendencia Una serie tiene tendencia cuando su valor no permanece en un rango constante. Cuando la serie tiene tendencia crece o decrece a largo plazo.
8 Tendencia creciente: Tendencia creciente: 80 Serie con tendencia
9 Serie sin tendencia Serie sin tendencia (X 0,00) 38 Serie sin tendencia
10 Tasa de actividad masculina en España Tasa de actividad masculina en España Tasa de actividad masculina 62 Q3/76 Q3/8 Q3/86 Q3/9 Q3/96 Q3/0 Q3/06 Tendencia decreciente que parece haberse estabilizado en en los los últimos años. La La bajada se se debe al al descenso de de la la edad de de jubilación, y a que los los jóvenes se se incorporan más tarde al al mercado laboral por el el incremento de de estudiantes universitarios.
11 Tasa de actividad masculina en España Tasa de actividad masculina en España Tasa de actividad masculina 62 Q3/76 Q3/8 Q3/86 Q3/9 Q3/96 Q3/0 Q3/06 La La tasa tasa de de desempleo elevada que que ha ha tenido España desde influye. A partir el el desempleo ha ha disminuido, y no no hay hay ya ya cambios sustanciales en en las las edades de de jubilación e incorporación al al mercado laboral. Esto Esto se se refleja en en la la zona zona constante de de la la serie. Finalmente la la incorporación al al mercado laboral español de de los los numerosos inmigrantes llegado a partir de de se se refleja en en la la subida final. final. Volver
12 Volatilidad-Varianza Se dice que una serie es homocedástica cuando su variabilidad (volatilidad) es constante a lo largo del tiempo. Cuando la volatilidad varía a lo largo del tiempo, la serie es heterocedástica. La variabilidad se refiere al grosor de la serie, y una serie puede tener varianza constante aunque sea muy gruesa
13 Heterocedástica 2,,7,3 0,9 0,5 0, Serie heterocedástica -0,
14 Homocedástica (X 0,00) Serie homocedástica Volver
15 Ciclo estacional Ciclo estacional El El ciclo estacional aparece únicamente en en series de de periodicidad menor que la la anual. Es Es decir en en las que se se toma más de de un un dato al al cabo del año. El El ciclo estacional es es debido a la la diferencia de de actividad que se se produce debido a la la estacionalidad de de la la tierra y que tiene reflejo en en las actividades económicas, físicas o biológicas.
16 Temperaturas medias en en La La Coruña desde Agosto de de 994. Periodicidad mensual Temperaturas en La Coruña 2 8/94 8/96 8/98 8/00
17 Paro Registrado en en España. Tiene periodicidad mensual Paro registrado en España 6500 /88 /92 /96 /00 /04
18 Gráficos estacionales: para estudiar la la estacionalidad de de la la serie.. Gráfico de de descomposición estacional Gráfico de de índices estacionales Gráfico de de subseries anuales Estos gráficos en en Statgraphics
19 Gráfico de descomposición estacional Gráfico de descomposición estacional Se va a realizar para las temperaturas en La Coruña. Se construye tomando el valor medio de todos los Agostos y trazando una línea horizontal en ese valor (23ºC). Eso se repite para todos los meses y así se obtienen las lineas horizontales que representan el ciclo estacional. Además, sobre la línea de agostos, se dibuja cada uno de los agostos. Así, si la serie tuviera tendencia y ciclo, el ciclo se vería en las lineas horizontales y la tendencia en los puntos dibujados en torno a estas lineas.
20 Gráfico de descomposición estacional Gráfico de descomposición estacional 32 Seasonal Subseries Plot Temperatura en La Coruña temperatur Season Volver
21 Gráfico de índices estacionales (PARO REGISTRADO) Este Gráfico presenta unos índices para cada mes que suman 00. En este caso se observa claramente que la economía española genera mucho trabajo durante los meses de primavera y verano. Esto es debido a las actividades agrícola y turística. 05 Paro Registrado en España seasonal index season Volver
22 Gráfico de subseries anuales Gráfico de subseries anuales Annual Subseries Plot for Temperatura en La Coruña temperatur Cycle Season Este gráfico dibuja los valores obtenidos cada año y superpone unos años sobre otros Volver
23 Vamos a hacerlos Vamos a hacerlos Volver
24 Combinación de caracteristicas: Combinación de caracteristicas: Las series pueden tener simultáneamente Tendencia, Heterocedasticidad y Ciclo Estacional. Veamos algunos ejemplos:. Paro registrado en España 2. Consumo de Champagne en USA
25 Paro registrado Paro registrado Paro registrado en España /88 /92 /96 /00 /04. La serie se toma con periodicidad mensual y se aprecia claramente el ciclo estacional de orden Además tiene tendencia decreciente salvo en el periodo 993/995 en que tuvo tendencia creciente.
26 Consumo de Champagne en USA Consumo de Champagne en USA Consumo de Champagne en USA 0 /80 /82 /84 /86 /88 Se observa de nuevo el ciclo estacional de orden 2 y la serie es heterocedástica. Volver
27 Definición de series estacionarias Definición de series estacionarias Una serie es estacionaria si:. No tiene tendencia 2. Es homocedástica 3. No tiene ciclo estacional (X 0,00) 38 Serie sin tendencia 3,6 Serie Homocedástica 8 2,6, ,4 -, ,
28 Cómo volver estacionaria una serie que no no lo lo es:. La serie tienen tendencia 2. La serie es heterocedástica 3. La serie tiene un ciclo estacional. 4. En Statgraphics Seguimos
29 La serie tiene tendencia La serie tiene tendencia Si Si la la serie serie tiene tiene tendencia se se le le quita quita estudiando, en en lugar lugar de de la la serie serie original una una nueva nueva serie serie construida restando a cada cada dato dato el el anterior. 9 5 Serie con tendencia Col_ z t 5,6 Serie con tendencia: Se toma un diferencia adjusted Col_3 3,6,6-0,4-2,4 w t = z t -z t- -4, Volver
30 La serie es heterocedástica La serie es heterocedástica Si Si la la volatilidad no no es es constante hay que transformar la la serie. Logaritmos o elevarla a una potencia entre 0.0 y 0.99 IPC en España Time Series Plot for (ipc) (ipc)
31 20 00 Time Series Plot for (ipc) IPC en España 80 (ipc) adjusted (ipc) 2,,7,3 0,9 0,5 0, Time Series Plot for adjusted (ipc) IPC en España con una diferencia -0, adjusted (ipc) 2,3,3 0,3-0,7 -,7 Time Series Plot for adjusted (ipc) IPC en España con dos diferencias
32 adjusted (ipc) 2,3,3 0,3-0,7 -,7 Time Series Plot for adjusted (ipc) IPC en España con dos diferencias adjusted log(ipc) (X 0,00) Time Series Plot for adjusted log(ipc) LOGARITMO DE IPC en España con dos diferencias Volver
33 La serie tiene ciclo estacional La serie tiene ciclo estacional Consumo de Champagne en USA 0 /80 /82 /84 /86 /88 Para quitar el el ciclo se se toma una una diferencia estacional: Consiste en en resta a cada observación su su equivalente el el año año anterior w t = z t -z t-2 si los datos son mensuales w t = z t -z t-4 si los datos son trimestrales
34 La serie tiene ciclo estacional La serie tiene ciclo estacional Consumo de Champagne en USA 0 /80 /82 /84 /86 /88 2,9,9 0,9-0, -, -2, Champagne con una diferencia estacional Con una diferencia de orden 2 Volver
35 Vamos a hacerlos en Statgraphics
36 Es estacionaria? Es estacionaria? 3,6 2,6,6 Time Series Plot for var4 var4-0,4 -,4-2,
37 Es estacionaria? Es estacionaria? 5,4 Time Series Plot for var5 3,4 var5,4 - -2,
38 Es estacionaria? Es estacionaria? (X 0000) 76 Nacidos en Eapaña
39 Es estacionaria? Es estacionaria? (X 000) 4 Nacidos en Eapaña 2-9 Con una diferencia (X 000) 52 Nacidos en Eapaña Con dos diferencias
40 Es estacionaria? Es estacionaria? 0 Nikkei 90 bolsa Nikkei con una diferencia adjusted bolsa Con una diferencia
41 Es estacionaria? Es estacionaria? Contratacion accioones (X,E7) Volumen contratación bolsa Madrid /8 /86 /9 /96 /0 /06
42 Es estacionaria? Es estacionaria? Contratacion accioones (X,E7) Volumen contratación bolsa Madrid /8 /86 /9 /96 /0 /06 (X,E6) 2 (Volumen contratación bolsa Madrid) con una diferencia -9 Con una diferencia -9 /8 /86 /9 /96 /0 /06 0,9 0,3 0-0,3 - -0,9 Log (Volumen contratación bolsa Madrid) con una diferencia /8 /86 /9 /96 /0 /06 Con una diferencia y logs
43 Series no estacionales Ruido blanco y modelos autorregresivos
44 Nomenclatura de series temporales Nomenclatura de series temporales Una serie temporal se denomina genéricamente z t z l z 2 z 3... z t z t+ z t+2 z representa el primer valor de la serie z 2 z t el segundo será el valor actual de la serie. z t+ representa el valor de la serie para el próximo periodo, es decir que es un valor futuro.
45 Identificar la serie Identificar la serie En primer lugar debemos encontrar la estructura de dependencia de la serie: Cómo se influyen las observaciones entre sí. z z 2 La flecha indica que Z influye sobre Z 2.
46 Identificar la serie Identificar la serie En general la serie tendrá un estructura de dependencia:
47 Identificar la serie Identificar la serie En general la serie tendrá un estructura de dependencia: z z 2 z 3 z 4 z 5
48 Identificar la serie Identificar la serie En general la serie tendrá un estructura de dependencia: z z 2 z 3 z 4 z 5 Existen dos funciones para representar la estructura de dependencia:. Función de Autocorrelación Simple (FAS) 2. Función de Autocorrelación Parcial (FAP)
49 Función de autocorrelación simple (FAS) La FAS proporciona el coeficiente de correlación entre una observación y las siguientes Tenemos un valor para cada grado de separación (retardos) Es un sucesión de números: ρ, ρ 2, ρ 3,., ρ k que representan: cómo una observación influye sobre la siguiente (ρ ) sobre la segunda posterior (ρ 2 ) sobre la k retardos posterior (ρ k ).
50 ρ : representa la influencia de z i sobre z i+
51 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+
52 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2
53 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2 ρ 2 : z i z i+2
54 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2 ρ 2 : z i z i+2 ρ k : representa la influencia de z i sobre z i+k
55 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2 ρ 2 : z i z i+2 ρ k : representa la influencia de z i sobre z i+k ρ k : z i z i+k
56 Los valores de la FAS ρ, ρ 2, ρ 3,., ρ k, están acotados entre [-,+]. Cuando un ρ k vale cero quiere decir que no existe relación entre la observación z i y la separada k retardos, z i+k. Cuando un ρ k es próximo a +, la relación entre z i y la separada k retardos, z i+k. es muy fuerte y positiva. Cuando un ρ k es próximo a -, la relación entre z i y la separada k retardos, z i+k. es muy fuerte y negativa
57 Podemos resumir entonces que la FAS mide las influencias de una observación sobre las siguientes.
58 Ejemplo de FAS Ejemplo de FAS FAS Autocorrelations La FAS proporciona los coeficientes de correlación de la serie consigo misma para distintos retardos. Los palos largos son significativos. Las bandas horizontales son los límites para considerar significativo un retardo. Es decir si un palo está dentro de las bandas lo consideraremos no significativo en general. En el caso de la figura, los palos de retardos superiores no son significativos. Esto indica que una observación no influye excesivamente sobre las que están muy alejadas de ella lo cual es muy razonable
59 Ruido blanco Ruido blanco El ruido blanco es una serie temporal en la que las observaciones no tienen ninguna relación entre sí. Las observaciones no se influyen unas a otras La FAS del ruido blanco será...
60 FAS de ruido blanco: FAS de ruido blanco: FAS de ruido blanco Autocorrelations Todas los palos son cero (están dentro de los límites de confianza)
61 Proceso AR() Proceso AR() En un proceso AR() cada observación recibe influencia directa de la observación anterior z t = φ z t- +a t Cada observación se construye a partir de la anterior más una perturbación aleatoria a t.
62 Proceso AR() Proceso AR() z t = φ z t- + a t Cada observación se construye a partir de la anterior más una perturbación aleatoria a t. Por ejemplo: si φ = 0.6 y z 7 = 50 sustituyendo en la ecuación: z 8 = a t = 30 + a t El papel de a t es permitir que z 8 valga algo en torno a 30, y no exactamente 30. Si no existiera el término a t, la serie sería determinista, y conocido un valor de z ya conoceríamos todos los demás.
63 Un AR() es estacionario Un AR() es estacionario z t = φ z t- + a t Si φ es menor que En valor absoluto Un proceso no estacionario se va a infinito enseguida. Es explosivo
64 FAS de un AR() FAS de un AR() Fi positivo Fi negativo
65 FAS de un AR() FAS de un AR() Fi positivo Fi negativo
66 Ejemplo de serie real AR() Ejemplo de serie real AR() 5,8 3,8,8-2,2 Gráfico de la serie -4, FAS Autocorrelations
67 Ejemplo de serie real AR() Ejemplo de serie real AR() 5,4 Gráfico de la serie 3,4 var5,4 - -2, FAS Autocorrelations
68 Modelos AR(2) Modelos AR(2) z t = φ z t- + φ 2 z t-2 + a t Cada observación se construye a partir de las dos anteriores más una perturbación aleatoria a t.
69 Modelos AR(2) Modelos AR(2) z t = φ z t- + φ 2 z t-2 + a t Cada observación se construye a partir de las dos anteriores más una perturbación aleatoria a t. z z 2 z 3 z 4 z 5 AR() relación de primer orden AR(2) relación de z z 2 z 3 z 4 z 5 primer orden y directa de segundo orden
70 FAS de un AR(2) FAS de un AR(2) z t = φ z t- + φ 2 z t-2 + a t Utilizando el operador de retardos: Bz t =z t- B 2 z t =z t-2... B k z t =z t-k (- φ B- φ 2 B 2 )z t = a t
71 (- φ B- φ 2 B 2 )z t = a t Se denomina polinomio característico y el aspecto del AR(2) depende de las soluciones de la ecuación Las soluciones (2), pueden ser: Reales positivas Reales negativas Imaginarias conjugadas - φ B- φ 2 B 2 =0
72 Un AR(2) es estacionario Un AR(2) es estacionario (- φ B- φ 2 B 2 )z t = a t Si las raíces del polinomio característico son mayores que en Módulo: Reales: Mayores que en valor absoluto Imaginarias: Módulo mayor que.
73 Dos raíces reales positivas: Cada raíz real positiva aporta a las FAS una estructura decreciente de palos como la de un AR() con φ positivo. La FAS del AR(2) con raíces positivas será la superposición de dos estructuras decrecientes y positivas.
74 Dos raíces reales negativas: Cada raíz real positiva aporta a las FAS una estructura decreciente de palos alternados como la de un AR() con φ negativo. La FAS del AR(2) con raíces negativas será:
75 Dos raíces imaginarias conjugadas: Estructura sinusoidal FAS Autocorrelations
76 AR(p) z t = φ z t- + φ 2 z t φ p z t-p + a t Una observación recibe influencia directa de las p anteriores. z t-p z t-2 z t- z t (+ φ B+ φ 2 B φ p B p )z t = a t
77 Un AR(p) es estacionario si: Un AR(p) es estacionario si: (- φ B- φ 2 B φ p B p )z t = a t Todas las raíces reales del polinomio característico son mayores que en valor absoluto. Las imaginarias mayores que en módulo.
78 FAS del AR(p) FAS del AR(p) Cada raíz real positiva aporta una estructura decreciente de palos positivos Cada raíz real negativa aporta una estructura decreciente de palos de signos alternados Cada pareja de conjugadas aporta una estructura sinusoidal. Tremendo follón
79 LA FAS tiene un problema LA FAS tiene un problema Proporciona la influencia TOTAL de una observación sobre las siguientes pero no puede distinguir entre estas situaciones z z 2 z 3 z 4 z 5 z z 2 z 3 z 4 z 5
80 LA FAS tiene un problema LA FAS tiene un problema z z 2 z 3 z 4 z 5 Influencia directa de orden Influencia directa de orden y de orden 2 z z 2 z 3 z 4 z 5
81 Solución: FAP Solución: FAP La Función de Autocorrelación Parcial proporciona las relaciones directas entre observaciones. Para un AR() dará un palo Para un AR(2) dará dos palos Para un AR(p) dará p palos
82 FAS y FAP de un AR() fi positivo FAS y FAP de un AR() fi positivo
83 FAS y FAP de un AR() fi negativo FAS y FAP de un AR() fi negativo
84 Fas y Fap de AR(2) fi positivo Fas y Fap de AR(2) fi positivo
85 Fas y Fap de AR(2) raíces imaginarias FAS Autocorrelations FAP
86 Ejercicios: Qué puede ser esto?
87 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
88 Time Series Plot for var2 3,6 2,6,6 var2-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
89 Time Series Plot for var3 5,8 3,8 var3,8-2,2-4, Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
90 Time Series Plot for var4 3,6 2,6,6 var4-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
91 Time Series Plot for var5 5,4 3,4 var5,4 - -2, Estimated Autocorrelations for var5 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
92 Time Series Plot for var6 8 5 var Estimated Autocorrelations for var6 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
93 Time Series Plot for var7 var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
94 Time Series Plot for var8 var8 3,7 2,7,7 0,7-0,3 -,3-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
95 Time Series Plot for var var Estimated Autocorrelations for var Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
96 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
97 Series no estacionales Modelos de Media Móvil
98 Gráfico de la serie 4,9 2,9 var7 0,9 -, -3, FAS Autocorrelations FAS Partial Autocorrelations - - FAP
99 Modelos AR y MA Modelos AR y MA Los procesos autorregresivos modelizan bien series en en las que un un impacto del exterior va va absorbiéndose lentamente. La absorción del impacto puede durar muchos periodos. Hay series en en las que la la absorción de de los impactos se se hace muy rápidamente: tienen incidencia durante uno o dos periodos pero luego la la serie vuelve su su comportamiento normal.
100 Modelos AR y MA Modelos AR y MA Ejemplo: volumen de tráfico aéreo. La necesidad de viajar es grande. Empresas, turismo... Si ocurre un impacto sobre este mercado suele durar poco tiempo: Guerra del golfo. de septiembre. Sufren una bajada de pasajeros pero se recuperan pronto
101 Modelos MA Modelos MA Los modelos MA están diseñados para absorber los impactos rápidamente. El MA() los absorbe en un periodo. Es decir si en el periodo 23 ocurre un impacto que hace que la serie sufra un desplazamiento, ese impacto se absorbe en el periodo 24. En el periodo 25 la serie está de nuevo a su nivel normal. El proceso MA(2) absorbe el impacto en dos periodos. Volvería su nivel normal en la observación 26.
102 Modelo MA() Modelo MA() El proceso de media móvil de primer orden tiene una ecuación z t = a t - θ a t- donde a t se denomina la innovación y representa los efectos externos a la serie. Si un proceso es MA(), sus valores estarán formados por los efectos externos muy recientes, el actual a t y el inmediatamente anterior a t-. El proceso MA tiene memoria corta, y absorbe rápidamente los impactos.
103 Absorción de impactos en un MA() Serie AR() con ρ = 0.9 y un proceso MA() con θ = 0.9. En el período 50 les viene un impacto externo muy grande. El impacto puede verse en el salto que da la serie. La serie AR, tarda en volver a su nivel, mientras que la serie MA vuelve inmediatamente, en dos observaciones.
104 FAS y FAP del MA() FAS y FAP del MA() Son como las de un AR() pero cambiadas Estructura en la FAP y un palo en la FAS: Theta positivo: palos hacia abajo del mismo signo Theta negativo: Palos alternados, positivo-negativo...
105 MA() Gráfico de la serie 4,9 2,9 var7 0,9 -, -3, FAS Autocorrelations FAS Autocorrelations - - FAS
106 MA(2) El proceso de media móvil de orden 2 MA(2) tiene la siguiente ecuación: z t = a t - θ a t- - θ 2 a t-2 y tarda 2 períodos en absorber los impactos. Su FAS tendrá 2 palos significativos, y su FAP tendrá un decrecimiento.
107 MA(2) (X,E7) 8 Serie FAS Autocorrelations Partial Autocorrelations - - FAP
108 MA(q) El proceso de media móvil de orden superior MA(q) tiene la siguiente ecuación: z t = a t - θ a t- - θ 2 a t-2 - -θ q a t-q y tarda q períodos en absorber los impactos. Su FAS tendrá q palos significativos, y su FAP tendrá un decrecimiento.
109 MA(q) con el operado retardo B MA(q) con el operado retardo B z t = a t - θ a t- - θ 2 a t-2 - -θ q a t-q Como B a t =a t- y B k a t =a t-k aplicando el operador de retardos: z t = a t -θ Ba t - θ 2 B 2 a t - -θ q B q a t z t = (θ B - θ 2 B 2 - -θ q B q )a t
110 MA versus AR MA versus AR AR: tardan en absorber los impactos MA: absorben los impactos rápidamente. FAS: AR: Mucha estructura decreciente MA: Pocos palos FAP: AR: Pocos palos MA: Mucha estructura decreciente
111 Ejercicios: Qué puede ser esto?
112 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
113 Time Series Plot for var2 3,6 2,6,6 var2-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
114 Time Series Plot for var3 5,8 3,8 var3,8-2,2-4, Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
115 5 Time Series Plot for var3 3 var Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
116 var4 3,5 2,5,5 0,5-0,5 -,5-2,5 Time Series Plot for var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
117 var5 3,4 2,4,4 0,4 - -,6-2,6 Time Series Plot for var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
118 5 Time Series Plot for var6 3 var Estimated Autocorrelations for var6 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
119 Time Series Plot for var4 3,6 2,6,6 var4-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
120 4,9 Time Series Plot for var7 2,9 var7 0,9 -, -3, Estimated Autocorrelations for var7 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
121 5,5 Time Series Plot for var9 3,5 var9,5-0,5-2,5-4, Estimated Autocorrelations for var9 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
122 var3 (X,E6) Time Series Plot for var Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
123 Time Series Plot for var5 5,4 3,4 var5,4 - -2, Estimated Autocorrelations for var5 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
124 Time Series Plot for var6 8 5 var Estimated Autocorrelations for var6 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
125 Time Series Plot for var7 var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
126 Time Series Plot for var8 var8 3,7 2,7,7 0,7-0,3 -,3-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
127 Time Series Plot for var var Estimated Autocorrelations for var Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var
128 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var
129 Modelos ARMA Modelos ARMA Muchas veces encontramos series que tienen parte AR y parte MA. La parte MA modeliza la absorción de impactos. La parte AR el efecto residual. AR()+MA()=ARMA(,) AR(p)+MA(q)=ARMA(p,q)
130 Modelos ARMA(p,q) Modelos ARMA(p,q) La FAS de un ARMA(p,q): Los primeros q palos dependen de la parte MA. Estos palos le van a permitir a la serie absorber rápidamente los impactos externos. A partir del retardo q se producirá un decrecimiento de los palos que vendrá dado por la estructura AR. La FAP de un ARMA(p,q): Los primeros p palos de la FAP dependen de la parte AR. A partir del retardo p se producirá un decrecimiento de los palos que vendrá dado por la estructura MA. Resumiendo la FAS y FAP de los procesos ARMA(p,q) tienen estructura en ambas funciones.
131 Modelos ARMA(p,q) Modelos ARMA(p,q) Un Un buen criterio para seleccionar modelos es es decidir dónde hay hay más más estructura. Si Si hay hay más más en en la la FAS y en en la la FAP hay hay uno uno o dos dos palos tendremos un un modelo AR. AR. Si Si hay hay más más en en la la FAP y en en la la FAS hay hay uno uno o dos dos palos estaremos ante un un MA MA Si Si en en ambas funciones hay hay mucha estructura, estaremos ante modelos ARMA.
132 Modelos ARMA Modelos ARMA (X,E7) 5,2 Gráfico de la serie 3,2,2-0,8-2,8-4, FAS Autocorrelations - Estructura FAS FAP Partial Autocorrelations Estructura
133 Modelos ARMA(p,q) en forma de polinomio AR(p): (+ φ B+ φ 2 B φ p B p )z t = a t MA(q): z t = (-θ B - θ 2 B 2 - -θ q B q )a t (+ φ B+ φ 2 B φ p B p )z t =(-θ B - θ 2 B 2 - -θ q B q )a t ARMA(p,q) (+ φ B)z t =(-θ B)a t ARMA(,)
134 Modelos ARMA(p,q) en forma de polinomio (+ φ B+ φ 2 B φ p B p )z t =(-θ B - θ 2 B 2 - -θ q B q )a t ARMA(p,q) (+ φ B+ φ 2 B 2 )z t =(-θ B)a t ARMA(2,) (+ φ B)z t =(-θ B - θ 2 B 2 )a t ARMA(,2) (+ φ B+ φ 2 B 2 )z t =(-θ B - θ 2 B 2 )a t ARMA(2,2)
135 Series no estacionarias Modelos ARIMA(p,d,q)
136 Cotizaciones de IBM 60 IBM 570 ibm FAS ibm Autocorrelations Partial Autocorrelations - - FAP ibm
137 IBM con una diferencia 25 adjusted ibm Tomando una diferencia FAS adjusted ibm Estacionario y sigue un MA(): La serie IBM con una diferencia Autocorrelations Partial Autocorrelations ARIMA(p,d,q): q: orden del MA sigue un MA() o ARMA(0,). - IBM - sigue un ARIMA(0,,) p: orden del autorregresivo FAP adjusted ibm - - d: Número de diferencias que hemos tenido que tomar para que la serie sea estacionaria
138 Estimación Una vez identificada la serie, es decir, cuando se conoce el modelo ARIMA (p,d,q) que puede seguir, es preciso estimar los parámetros. La estimación de modelos ARIMA es compleja y utiliza algoritmos de optimización no lineales para calcular los valores de los parámetros utilizando el método de máxima verosimilitud. El resultado de la estimación es una tabla análoga a la de regresión. Esta tabla proporciona los valores estimados de los parámetros, sus errores estándar y estadísticos t.
139 Vamos a ajustar un modelo a la serie de IBM IBM no es estacionaria debido a su tendencia. Tomamos por tanto una diferencia regular a la serie IBM. Una serie a la que se le ha tomado una diferencia regular se representa mediante una. La serie IBM con una diferencia será, por tanto, IBM.
140 25 Recordando IBM Recordando IBM IBM con una diferencia adjusted ibm FAS adjusted ibm IBM es un ARIMA(0,,) Autocorrelations Partial Autocorrelations - - FAP adjusted ibm
141 ARIMA Model Summary Parameter Estimate Stnd. Error t MA() , ,97974 Mean,2023 0,583698,999 Constant, IBM t = a t a t- Std. Error (0.09) T (-2.97) El ajuste indica que θ es significativamente distinta de 0, ya que la t es mayor que 2 en valor absoluto. Si hubiésemos estimado un MA(2), la ecuación obtenida habría sido IBM t = a t a t a t-2 Std. Error (0.09) (0.09) T (-2.46) (0.75) que indica que θ 2 no es significativa.
142 El proceso de estimación consiste en encontrar los valores numéricos para los parámetros que mejor se ajusten a nuestros datos. En nuestro caso vemos que IBM sigue un modelo MA(). Al probar el MA(2) el valor de θ 2 no sale significativo. Esto equivale a pensar que θ 2 vale realmente cero: θ 2 =0.
143 Diagnosis Serie con estructura Modelo Correcto Serie sin estructura
144 Diagnosis Si una serie está bien identificada, y se le ajusta el modelo correcto, los residuos de la serie deben carecer completamente de estructura.
145 Diagnosis Si la serie está bien ajustada sus residuos deben ser ruido blanco.. FAS y FAP de los residuos. Serie está bien ajustada, FAS y la FAP de los residuos debe ser nula. En la práctica debemos comprobar que los palos de las funciones no son significativos. 2. Test de Box-Pierce Proporciona información sobre si los primeros palos de la función de autocorrelación simple de los residuos son cero o no 3. Test de rachas y estructuras extrañas en los residuos.
146 Diagnosis IBM Diagnosis IBM Autocorrelations - - Residual Autocorrelations for adjusted ibm ARIMA(0,,) with constant Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted ibm ARIMA(0,,) with constant
147 Diagnosis IBM Diagnosis IBM El test de Box-Pierce para los 24 primeros palos de la FAS da un valor de 8.63 con un p-valor de Este resultado debe interpretarse como que no hay evidencia para rechazar que los residuos sean ruido blanco. El test de Box-Pierce indica problemas cuando el p-valor se hace menor de Cuanto mayor sea, hay más evidencia a favor de que los residuos son ruido blanco. Finalmente los test de rachas no indican nada anormal en los residuos. Podemos por tanto asumir que el modelo ARIMA (0,, ) es adecuado para modelizar los datos de IBM.
148 Ejercicios: Qué puede ser esto?
149 (X 0000) 76 Time Series Plot for Nacidos Espania Nacidos Espania Con una diferencia adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania
150 Nacidos con dos diferencias Nacidos con dos diferencias adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania
151 Con una diferencia adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania Autocorrelations - - Estimated Autocorrelations for adjusted Nacidos Espania Partial Autocorrelations - - Estimated Partial Autocorrelations for adjusted Nacidos Espania ARIMA(2,,0) o ARIMA(,,)
152 Con dos diferencias adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania Autocorrelations - - Estimated Autocorrelations for adjusted Nacidos Espania Estimated Partial Autocorrelations for adjusted Nacidos Espania Partial Autocorrelations ARIMA(,)
153 ARIMA(,,) ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() 0, , , , MA() 0, ,9563 3, , Mean 78, ,55 0, ,99283 Constant 7, Residual Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,,) with constant Autocorrelations Box-Pierce Test Test based on first 6 autocorrelations Large sample test statistic = 6,9267 P-value = 0, Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,,) with constant Period Forecast Limit Limit , , , ,0 2002, , , ,0 2003,0 456, , ,0
154 ARIMA(2,,0) ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() ,325 2, , AR(2) 0, ,344 2, , Mean -729,3 5792, ,76663 Constant -553, Residual Autocorrelations for adjusted (Nacidos en Espania) ARIMA(2,,0) with constant Autocorrelations Box-Pierce Test Test based on first 6 autocorrelations Large sample test statistic = 6,32892 P-value = 0, Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted (Nacidos en Espania) ARIMA(2,,0) with constant Period Forecast Limit Limit , , , ,0 2002, , , ,0 2003,0 4958, , ,0
155 ARIMA(,) Parameter Estimate Stnd. Error t P-value MA() ,723 0,00000 Mean -77, ,09-0, ,96436 Constant -77, Residual Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,) with constant Autocorrelations Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,) with constant Box-Pierce Test Test based on first 6 autocorrelations Large sample test statistic = 6,2358 P-value = 0,97559 Lower 95,0% Upper 95,0% Period Forecast Limit Limit , , , ,0 2002, , , ,0 2003, , , ,0
156 Series estacionales
157 PASOS para ajustar una serie No estacional. Gráfico de la serie: Es estacionaria? 2. FAS Y FAP de la serie: Es estacionaria? 3. Identificación del modelo ARIMA(p,d,q) 4. Ajuste de la serie 5. Diagnosis de la serie: Residuos Ruido Blanco Predicciones
158 PASOS para ajustar una serie estacional. Gráfico de la serie: Es estacionaria? CICLO 2. FAS Y FAP de la serie: Es estacionaria? 3. Identificación del modelo ARIMA(p,d,q)x(P,D,Q) s 4. Ajuste de la serie 5. Diagnosis de la serie: Residuos Ruido Blanco Predicciones
159 IPI Inglaterra IPI Inglaterra Time Series Plot for ipi ipi No es estacionaria: Tiene ciclo y tendencia
160 Time Series Plot for ipi ipi Estimated Autocorrelations for ipi Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for ipi
161 Quitamos la tendencia: Diferencia de orden IPI 25 Time Series Plot for adjusted ipi adjusted ipi Serie sin tendencia pero con ciclo. Hay que tomar una diferencia estacional Autocorrelations FAS FAP Partial Autocorrelations
162 Quitamos la tendencia: Diferencia de orden estacional 2 IPI 0 IPI con diferencia estacional 7 adjusted ipi Serie con tendencia pero sin ciclo. Hay que tomar una diferencia regular Autocorrelations - FAS FAP Partial Autocorrelations
163 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi Serie estacionaria FAS Autocorrelations Partial Autocorrelations - - FAP
164 Características de las series estacionales Las series estacionales tienen una estructura de dependencia estacional que se caracteriza porque un periodo de un año actúa sobre el periodo equivalente del año siguiente directamente
165 Características de las series estacionales Las series estacionales tienen una estructura de dependencia estacional que se caracteriza porque un periodo de un año actúa sobre el periodo equivalente del año siguiente directamente Marzo 995 Marzo 996 Marzo 997 Marzo 998
166 Características de las series estacionales Las series estacionales tienen una estructura de dependencia estacional que se caracteriza porque un periodo de un año actúa sobre el periodo equivalente del año siguiente directamente Marzo 995 Marzo 996 Marzo 997 Marzo 998 los meses de marzo se influyen directamente sin necesidad de pasar por todos los meses intermedios del año
167 En definitiva, en las series estacionales existe una cadena de influencia adicional de cada periodo actuando sobre su equivalente del año siguiente: z z 3 z t-2 z t z t+2
168 Se distinguen entonces dos tipos de estructuras de influencia:. Estructura Regular: se refiere a la relación entre una observación y las siguientes consecutivas. Corresponde a los modelos ya estudiados. Ajustaremos la parte regular mediante un modelo ARIMA (p,d,q). z z 2 z t- z t z t+ 2. Estructura Estacional: se refiere a la relación entre periodos equivalentes actuando directamente. Ajustaremos modelos ARIMA estacionales. z z 3 z t-2 z t z t+2
169 Si tuviéramos datos trimestrales (Estacionalidade orden 4) la cadena de dependencia sería: z z 5 z t-4 z t z t+4
170 Modelos AR, MA y ARMA estacionales Modelos Autorregresivos: Modelos de media móvil: AR() S AR(2) S AR(P) S MA() s Modelos ARMA: MA(Q) s ARMA(P,Q) s Seguimos
171 AR() s AR() s El modelo autorregresivo de primer orden estacional AR() S sigue una ecuación: z t = Φ z t-s + a t es decir que la observación actual, z t, depende de la equivalente del año anterior z t-s y un ruido blanco. Si los datos fueran mensuales la ecuación sería: z t = Φ z t-2 + a t enero de un año se vería directamente afectado por enero del año anterior.
172 En forma polinómica, el modelo AR() S tiene la expresión: (- ΦB S ) z t = a t y tal como ocurre en el modelo AR() regular, este modelo será estacionario si las raíces del polinomio - ΦB 2 =0 están dentro del círculo unidad. Esto equivale a que Φ<.
173 FAS del AR() Estacional FAS del AR() Estacional La FAS de un AR() S es idéntica a la de un AR() regular, es decir tiene la estructura decreciente de palos, bien positivos o bien alternados según Φ sea positivo o negativo.. La única diferencia es que los palos están separados por S retardos. Es decir el primer palo aparece en el retardo S, el segundo en el 2S y así sucesivamente. Si la serie tiene estacionalidad 2 el primer palo aparecerá en el retardo 2, el segundo en el 24 y así sucesivamente. Si tiene estacionalidad 4 los palos estarían en los retardos 4, 8, 2 etc.
174 Fas AR() 2 Fas AR() 2 Igual que el AR() pero como si el eje fuera de goma y estirásemos
175 Fap AR() 2 Fap AR() 2 Igual que el AR() pero como si el eje fuera de goma y estirásemos Volver
176 AR(2) Estacional AR(2) Estacional Los modelos AR estacionales de orden superior a uno siguen la misma pauta que el modelo regular correspondiente. El AR(2) S tiene una ecuación: En forma polinómica: z t = Φ z t-s + Φ 2 z t-2s+ a t (- Φ B S -Φ 2 B 2S ) z t = a t Si tuviera estacionalidad mensual: z t = Φ z t-2 + Φ 2 z t-24 + a t En forma polinómica: (- Φ B 2 -Φ 2 B 24 ) z t = a t El modelo será estacionario cuando las raíces de - Φ B S -Φ 2 B 2S =0 estén fuera del círculo unidad.
177 FAS y FAP AR(2) 2 2 con raices positivas FAS FAP
178 FAS y FAP AR(2) s FAS y FAP AR(2) s Raíces negativas: Palos alternados separados por 2 retardos Raíces imaginarias: Estructura sinusoidal separada por 2 retardos FAP Siempre dos palos en los retardos 2 y 24 (S y 2S) Volver
179 AR(P) s AR(P) s Los modelos AR estacionales de orden superior a uno siguen la misma pauta que el modelo regular correspondiente. El AR(2) S tiene una ecuación: z t = Φ z t-s + Φ 2 z t-2s+.+ Φ P z t-ps +a t En forma polinómica: (- Φ B S -Φ 2 B 2S -.-Φ P B PS ) z t = a t El modelo será estacionario cuando las raíces de: -Φ B S -Φ 2 B 2S -.-Φ P B PS =0 estén fuera del círculo unidad.
180 FAS y FAP del AR(P) s FAS y FAP del AR(P) s La FAS del AR(P) S tendrá estructura decreciente de palos en los retardos estacionales. La FAP tendrá palos significativos en los P primeros retardos estacionales: S,2S... Volver
181 MA() El modelo de media ecuación de primer orden estacional MA() S sigue una ecuación: z t = a t -Θa t-s Si los datos fueran mensuales la ecuación sería: z t = a t -Θa t-2 En forma polinómica, el modelo MA() S tiene la ecuación: z t = (-ΘB S )a t
182 FAS y FAP MA() 2 FAS y FAP MA() 2 FAS FAP Volver
183 MA(Q) Los modelos MA de orden superior estacionales se comportan de forma equivalente al MA regular del mismo orden. Su ecuación será: z t = a t -Θ a t-s -Θ 2 a t-2s - -Θ Q a t-qs y en forma polinómica z t = (-Θ B S -Θ 2 B 2S - -Θ Q B QS )a t
184 MA(Q) La FAS y la FAP serán como las del MA(q) pero con los palos en los retardos estacionales: ❿ ❿ FAS: Tendrá Q palos en los retardos estacionales FAP: Estructura decreciente en los retardos estacionales. Volver
185 ARMA(P,Q) s ARMA(P,Q) s La ecuación de un ARMA(,) S será: z t = Φ z t-s +a t -Θ a t-s y en forma de polinomio: (- Φ B S ) z t = (-Θ B S )a t En general, el ARMA(P,Q) S tendrá la ecuación (- Φ B S -Φ 2 B 2S -.-Φ P B PS ) z t = (-Θ B S -Θ 2 B 2S - -Θ Q B QS )a t Volver
186 ARIMA(P,D,Q) s o ARIMA(P.D.Q) 2 ARIMA(P,D,Q) s o ARIMA(P.D.Q) 2 Si la serie tiene ciclo y no es estacionaria, hay que tomar una diferencia estacional. Si tenemos datos mensuales esta diferencia es de orden 2. 2 z es estacionaria. 2 z representa una diferencia de orden 2 para z Si una serie necesita una diferencia de orden 2 para perder el ciclo y luego sigue un ARMA(P,Q) en la parte estacional... ENTONCES LA SERIE ES UN ARIMA(P,,Q) 2
187 ARIMA(P,D,Q) 2 LA serie necesita D diferencias para perder el ciclo. La serie sin ciclo es ARMA(P,Q) 2
188 Interacción entre la parte regular y la estacional Modelo regular Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00
189 Interacción entre la parte regular y la estacional Modelo regular y estacional Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00
190 Interacción entre la parte regular y la estacional Modelo regular y estacional Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00
191 Interacción entre la parte regular y la estacional Modelo regular y estacional Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00
192 Interacción. Hay que modelizar la parte regular : Y también la parte estacional: ARIMA(p,d,q) El resultado es; ARIMA(P,D,Q) S ARIMA(p,d,q) x ARIMA(P,D,Q) S
193 Modelo estacional Modelo estacional El modelo conjunto se denomina ARIMA(p,d,q)x(P,D,Q) S. Esta nomenclatura indica:. La serie ha necesitado d diferencias regulares para ser estacionaria. 2. La serie ha necesitado D diferencias de orden S para ser estacionaria 3. Por tanto, la serie d D SZ es estacionaria. 4. La parte regular de la serie estacionaria d D SZ sigue un modelo ARMA(p,q 5. La parte estacional de la serie estacionaria d D S Z sigue un modelo estacional ARMA(P,Q) S
194 FAS y FAP de los modelos estacionales y regulares Vamos a hacerlos
195 IPI Inglaterra IPI Inglaterra Time Series Plot for ipi ipi No es estacionaria: Tiene ciclo y tendencia
196 Time Series Plot for ipi ipi Estimated Autocorrelations for ipi Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for ipi
197 Quitamos la tendencia: Diferencia de orden IPI 25 Time Series Plot for adjusted ipi adjusted ipi Serie sin tendencia pero con ciclo. Hay que tomar una diferencia estacional Autocorrelations FAS FAP Partial Autocorrelations
198 Quitamos la tendencia: Diferencia de orden estacional 2 IPI 0 IPI con diferencia estacional 7 adjusted ipi Serie con tendencia pero sin ciclo. Hay que tomar una diferencia regular Autocorrelations - FAS FAP Partial Autocorrelations
199 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi Serie estacionaria FAS Autocorrelations Partial Autocorrelations - - FAP
200 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi FAS Parte regular Primeros retardos Autocorrelations Partial Autocorrelations FAP
201 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi FAS Parte estacional Retardos estacionales Autocorrelations Partial Autocorrelations FAP
202 2 IPI FAS Autocorrelations Partial Autocorrelations - - FAP
203 2 IPI FAS Autocorrelations REGULAR: AR(2) ESTACIONAL: MA() 2 FAP Partial Autocorrelations ARIMA(2,,0)x(0,,) 2
204 Estimamos un ARIMA(2,,0)x(0,,) 2 ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() -0, , ,3026 0, AR(2) 794 0, ,0282 0, SMA() 0, , ,77 0, Mean -0, , , , Constant -0, Este resultado nos dice que φ =-0.56, φ 2 =-0.27 y Θ=0.89. Los estadísticos t indican que los tres parámetros son significativos El modelo se escribe en forma polinómica: (+0.56B+0.27B 2 ) 2 IPI=(-0.89B)a t (-6.30) (-3.02) (29.7)
Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
Más detallesBreve Introducción a las Series Temporales
Breve Introducción a las Series Temporales 1 Series Temporales Colección de observaciones tomadas de forma secuencial en el tiempo {X t } t T. La hipótesis de independencia entre las observaciones puede
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesESTACIONALIDADES. Proyecto Empresarial II. Dr. José Luis Esparza A.
ESTACIONALIDADES Proyecto Empresarial II Dr. José Luis Esparza A. ESTACIONALIDAD La estacionalidad es un comportamiento o patrón que a veces observamos en una serie de tiempo. Consiste en subidas y bajadas
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesProfesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA
Matemática - º Cuatrimestre Año 0 FUNCIÓN CUADRÁTICA Hemos definido anteriormente la función lineal como una función f: R R de la forma f()a+b con a R y b R, que se representa en el plano mediante una
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesProcesos de Media Móvil y ARMA
Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesLímite de una Función
Cálculo _Comisión Año 06 Límite de una Función I) Límite Finito Muchas veces interesa analizar el comportamiento de los valores de una función, para valores de la variable independiente cercanos a uno
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
Más detalles1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMA 4.- LÍMITES, CONTINUIDAD Y DERIVADAS
1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMA 4.- LÍMITES, CONTINUIDAD Y DERIVADAS 1 1.- LÍMITE DE UNA FUNCIÓN EN UN PUNTO Límite de una función f por la izquierda de un punto x = a. Es el valor al
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesEcuaciones Lineales en Dos Variables
Ecuaciones Lineales en Dos Variables Una ecuación lineal en dos variables tiene la forma general a + b + c = 0; donde a, b, c representan números reales las tres no pueden ser iguales a cero a la misma
Más detallesMétodos y Modelos Cuantitativos para la toma de Decisiones
Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia
Más detallesFUNDAMENTOS DEL ÁLGEBRA. Folleto De Trabajo Para La Clase ECUACIONES LINEALES EN DOS VARIABLES
FUNDAMENTOS DEL ÁLGEBRA Folleto De Trabajo Para La Clase ECUACIONES LINEALES EN DOS VARIABLES NOMBRE ID SECCIÓN SALÓN Prof. Eveln Dávila Contenido TEMA: Ecuaciones Lineales En Dos Variables... Solución
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesf: D IR IR x f(x) v. indep. v. dependiente, imagen de x mediante f, y = f(x). A x se le llama antiimagen de y por f, y se denota por x = f -1 (y).
TEMA 8: FUNCIONES. 8. Función real de variable real. 8. Dominio de una función. 8.3 Características de una función: signo, monotonía, acotación, simetría y periodicidad. 8.4 Operaciones con funciones:
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesFUNCIONES EXPONENCIALES Y LOGARÍTMICAS
www.matesronda.net José A. Jiménez Nieto FUNCIONES EXPONENCIALES Y LOGARÍTMICAS 1. FUNCIONES EXPONENCIALES. Una función se llama eponencial si es de la forma y = a, donde la base a es un número real cualquiera
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
Más detalles4.1. Polinomios y teoría de ecuaciones
CAPÍTULO 4 Polinomios y teoría de ecuaciones 4.1. Polinomios y teoría de ecuaciones Un polinomio real en x, o simplemente polinomio en x es una expresión algebraica de la forma a n x n + a n 1 x n 1 +
Más detallesSeries de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detallesANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960
ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.
Más detallesLA ESTRUCTURA DE LA POBLACIÓN ESPAÑOLA. Estructura por sexo
LA ESTRUCTURA DE LA POBLACIÓN ESPAÑOLA La estructura de la población refleja las características de su composición por sexo, edad y por actividad económica Estructura por sexo Refleja la relación entre
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesPor lo tanto, ya vemos que lo de dentro del valor absoluto será:
Dada la función continua: f(x) = (x + 6x + 3 x (2 x) ) e a. Reescribid f(x) como a una función definida a trozos. b. Calculad su derivada, por trozos, y encontrad los extremos relativos de la función.
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detallesFUNCIONES y = f(x) ESO3
Las correspondencias entre conjunto de valores o magnitudes se pueden expresar de varias formas: con un enunciado, con una tabla, con una gráfica, o con una fórmula o expresión algebraica o analítica.
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detallesProf. Antonio Santillana y Ainhoa Herrarte
La economía en el corto plazo: introducción al análisis del ciclo económico Prof. Antonio Santillana y Ainhoa Herrarte Contenido 1. Medición del ciclo económico: expansiones y recesiones económicas. Detección
Más detallesLímite de una función
Idea intuitiva de límite Límite de una función El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes (las y) cuando los originales (las x) se acercan al valor x 0. Es
Más detallesINDICADOR DE CONFIANZA DEL CONSUMIDOR. MES DE DICIEMBRE EVOLUCIÓN DE INDICADORES
INDICADOR DE CONFIANZA DEL CONSUMIDOR. MES DE DICIEMBRE EVOLUCIÓN DE INDICADORES Estudio nº 3122 Diciembre 2015 El Indicador mensual de Confianza del Consumidor (ICC) ha sido elaborado en España por el
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesMatemáticas B 4º E.S.O.- Ecuaciones, Inecuaciones y Sistemas. 1
Matemáticas B 4º E.S.O.- Ecuaciones, Inecuaciones y Sistemas. 1 ECUACIONES INECUACIONES Y SISTEMAS ECUACIONES Una ecuación es una propuesta de igualdad en la que interviene alguna letra llamada incógnita.
Más detallesINTERVALOS Y SEMIRRECTAS.
el blog de mate de aida CSI: Inecuaciones pág 1 INTERVALOS Y SEMIRRECTAS La ordenación de números permite definir algunos conjuntos de números que tienen una representación geométrica en la recta real
Más detallesEVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I.
EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO 2013-2014. Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. UNIDAD 3: POLINOMIOS Y FRACCIONES ALGEBRAICAS Operaciones
Más detallesUnidad 2: Ecuaciones, inecuaciones y sistemas.
Unidad 2: Ecuaciones, inecuaciones y sistemas 1 Unidad 2: Ecuaciones, inecuaciones y sistemas. 1.- Factorización de polinomios. M. C. D y m.c.m de polinomios. Un número a es raíz de un polinomio es 0.
Más detallesUna ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,
Más detallesCONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesUNIDAD 10: ECUACIONES DE SEGUNDO GRADO.
UNIDAD 10: ECUACIONES DE SEGUNDO GRADO. 10.1 Estudio elemental de la ecuación de segundo grado. Expresión general. 10.2 Resolución de ecuaciones de segundo grado completas e incompletas. 10.3 Planteamiento
Más detallesax 2 + bx + c = 0, con a 0
RESOLUCIÓN DE ECUACIONES DE SEGUNDO GRADO Las ecuaciones de segundo grado son de la forma: a + bx + c = 0, con a 0 1. Identificación de coeficientes: Al empezar con las ecuaciones de segundo grado, resulta
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesSERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesUNIDAD 2: ECUACIONES E INECUACIONES. SISTEMAS DE ECUACIONES
UNIDAD 2: ECUACIONES E INECUACIONES. SISTEMAS DE ECUACIONES 1. IDENTIDADES Y ECUACIONES 2. ECUACIONES POLINÓMICAS 3. ECUACIONES BICUADRADAS 4. ECUACIONES RACIONALES 5. ECUACIONES IRRACIONALES 6. ECUACIONES
Más detalles1. Curvas Regulares y Simples
1. Regulares y Simples en R n. Vamos a estudiar algunas aplicaciones del calculo diferencial e integral a funciones que están definidas sobre los puntos de una curva del plano o del espacio, como por ejemplo
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesINTRO. LÍMITES DE SUCESIONES
INTRO. LÍMITES DE SUCESIONES Con el estudio de límites de sucesiones se inaugura el bloque temático dedicado al cálculo (o análisis) infinitesimal. Este nombre se debe a que se va a especular con cantidades
Más detallesProyecciones del PBI para el 2003.
Proyecciones del PBI para el 2003. Por Pablo Frigolé, para Stockssite pablofrigole@stockssite.com Después de muchas preguntas sobre cuál sería el valor de las variables futuras más importantes de la economía
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detalles4. ANÁLISIS DE FUNCIONES DE UNA VARIABLE
Análisis de funciones de una variable 49 4. ANÁLISIS DE FUNCIONES DE UNA VARIABLE En esta sección realizaremos algunos ejercicios sobre el estudio de funciones de una variable: En la parte final hay ejercicios
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesentonces las derivadas laterales existen y son iguales. y vale lo mismo. Si existen las derivadas laterales y son iguales, entonces existe f (a)
DERIVADAS. TEMA 2. BLOQUE 1 1.- DERIVADA DE UNA FUNCIÓN EN UN PUNTO Se llama derivada de la función y = f ( en el punto de abscisa x = a al límite f ( f ( a f ( a = lím x a x a Si existe f (a entonces
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesNÚMEROS COMPLEJOS. Capítulo Operaciones con números complejos
Capítulo 1 NÚMEROS COMPLEJOS Observe que la ecuación x 2 + 1 0 no tiene solución en los números reales porque tendríamos que encontrar un número cuyo cuadrado fuera 1, es decir x 2 1 o, lo que viene a
Más detalles2º ESO UNIDAD 14 ESTADÍSTICA Y PROBABILIDAD
º ESO UNIDAD 1 ESTADÍSTICA Y PROBABILIDAD 1 1.- CONCEPTOS BÁSICOS Estadística.- Es la ciencia que estudia conjuntos de datos obtenidos de la realidad. Estos datos son interpretados mediante tablas, gráficas
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
Más detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesCINEMÁTICA: CONCEPTOS BÁSICOS
CINEMÁTICA: CONCEPTOS BÁSICOS 1. MOVIMIENTO Y SISTEMA DE REFERENCIA. Sistema de referencia. Para decidir si algo o no está en movimiento necesitamos definir con respecto a qué, es decir, se necesita especificar
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesAnálisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.)
Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) p. 1/11 Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) Departamento de Probabilidad y Estadística
Más detallesEl índice del nivel de existencias de mercaderías en el Comercio aumenta un 4,9% en tasa anual
2 de diciembre de 2016 Encuesta Coyuntural sobre Stocks y Existencias (ECSE). Base 2010 Tercer trimestre 2016. Datos provisionales El índice del nivel de existencias de mercaderías en el Comercio aumenta
Más detallesMATEMÁTICAS 1º BACHILLERATO Curso EJERCICIOS RESUELTOS DE INECUACIONES
MATEMÁTICAS 1º BACHILLERATO Curso 9-1 EJERCICIOS RESUELTOS DE INECUACIONES EJERCICIOS RESUELTOS DE INECUACIONES A. Inecuaciones lineales con una incógnita x x1 x3 > 1 3 4 x x1 x3 4( x ) 3( x1) 6( x3) 1
Más detallesColegio Universitario Boston
Función Lineal. Si f función polinomial de la forma o, donde y son constantes reales se considera una función lineal, en esta nos la pendiente o sea la inclinación que tendrá la gráfica de la función,
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesUNA INTERPRETACION ESTADISTICA SOBRE LAS CIFRAS DEL IPC José Luis Lupo INTRODUCCION
INTRODUCCION UNA INTERPRETACION ESTADISTICA SOBRE LAS CIFRAS DEL IPC José Luis Lupo La inflación en Bolivia, medida a través del Indice de Precios al Consumidor (IPC), en la década del 70 experimentó un
Más detallesFUNCIONES EXPONENCIALES y LOGARITMICAS FUNCIONES EXPONENCIALES
Ingeniería en Sistemas de Información 01 FUNCIONES EXPONENCIALES LOGARITMICAS La función eponencial FUNCIONES EXPONENCIALES La función eponencial es de la forma, siendo a un número real positivo. El dominio
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.5: Aplicaciones de la derivada. Máximos y mínimos (absolutos) de una función. Sea f una función definida en un conjunto I que contiene un punto
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesZ i
Medidas de Variabilidad y Posición. Jesús Eduardo Pulido Guatire, marzo 010 Cuando trabajamos el aspecto denominado Medidas de Tendencia Central se observó que tanto la media como la mediana y la moda
Más detallesCONSTRUCCIÓN DE UNA FUNCIÓN POLINOMIAL
CONSTRUCCIÓN DE UNA FUNCIÓN POLINOMIAL Sugerencias para quien imparte el curso Se deben revisar los trazos que los alumnos realicen para el bosquejo de sus graficas, el error en un signo de alguna raíz
Más detallesProcesos ARIMA estacionales
Capítulo 6 Procesos ARIMA estacionales 6.1. INTRODUCCIÓN Otra causa de no estacionaridad es la estacionalidad: En una serie mensual con estacionalidad anual, cada mes tiene una media distinta, con lo cual
Más detallesReporte de Pobreza y Desigualdad DICIEMBRE 2015
Reporte de Pobreza y Desigualdad DICIEMBRE 2015 1 Reporte de Pobreza y Desigualdad - Diciembre 2015 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas
Más detallesDos inecuaciones se dice que son equivalentes cuando ambas tienen las mismas soluciones.
10. INECUACIONES Definición de inecuación Una inecuación es una desigualdad entre dos expresiones algebraicas. 2x + 3 < 5 ; x 2 5x > 6 ; x x 1 0 Inecuaciones equivalentes Dos inecuaciones se dice que son
Más detallesLA ECONOMÍA 1- QUÉ ES LA ECONOMÍA? 2- LOS SISTEMAS ECONÓMICOS 3- LOS INDICADORES ECONÓMICOS 4- LOS CICLOS ECONÓMICOS
LA ECONOMÍA 1- QUÉ ES LA ECONOMÍA? 2- LOS SISTEMAS ECONÓMICOS 3- LOS INDICADORES ECONÓMICOS 4- LOS CICLOS ECONÓMICOS 5- LAS GRANDES CRISIS DEL CAPITALISMO 1- QUÉ ES LA ECONOMÍA? La palabra economía proviene
Más detallesLa variable independiente x es aquella cuyo valor se fija previamente. La variable dependiente y es aquella cuyo valor se deduce a partir de x.
Bloque 8. FUNCIONES. (En el libro Temas 10, 11 y 12, páginas 179, 197 y 211) 1. Definiciones: función, variables, ecuación, tabla y gráfica. 2. Características o propiedades de una función: 2.1. Dominio
Más detallesModelos de predicción. Presentación de la asignatura
Modelos de predicción Presentación de la asignatura Profesores María Jesús Sánchez Naranjo (mariajesus.sanchez@upm.es) Carolina García-Martos (garcia.martos@upm.es) Qué esperáis de esta asignatura? Qué
Más detallesEjes cartesianos. Coordenadas de un punto
Ejes cartesianos. Coordenadas de un punto Los elementos de una función son: la variable independiente la variable dependiente, que se representa sobre el eje horizontal o eje de abscisas,, que se representa
Más detallesCONTINUIDAD Y DERIVABILIDAD 1.- CONTINUIDAD
CONTINUIDAD Y DERIVABILIDAD Continuidad. Derivabilidad. 1.- CONTINUIDAD 1.1 FUNCIÓN CONTINUA EN UN PUNTO Decimos que f es continua en a si: Lim f( ) = f( a) a Para que una función sea continua en un punto
Más detallesINDICADOR DE CONFIANZA DEL CONSUMIDOR. MES DE ENERO EVOLUCIÓN DE INDICADORES
INDICADOR DE CONFIANZA DEL CONSUMIDOR. MES DE ENERO EVOLUCIÓN DE INDICADORES Estudio nº 3051 Enero 2015 Estudio nº 3051. ICC de enero Enero 2015 El Indicador mensual de Confianza del Consumidor (ICC) ha
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización
Más detallesTema 2 Resolución de EcuacionesNo Lineales
Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación
Más detallesUD 03. La población en España y en Europa
OBJETIVOS UD 03 La población en España y en Europa Conocer cómo se estudia la población y cómo se contabiliza. Conocer el crecimiento natural y el crecimiento real de la población española. Clasificar
Más detalles8. LOS SERVICIOS PRIVADOS RESUMEN
8. LOS SERVICIOS PRIVADOS RESUMEN El total de la renta generada (VAB) por los servicios privados en las Illes Balears (comercio, turismo, transporte, tecnologías de la información, inmobiliarias y arrendamientos,
Más detallesViernes 7 de octubre de 2005 Mate 3026 Estadística con Programación Prof. José N. Díaz Caraballo
Viernes 7 de octubre de 2005 Mate 3026 Estadística con Programación Prof. José N. Díaz Caraballo Favor de abrir el navegador Mozilla Firefox y escriba la siguiente dirección http://math.uprag.edu/area.mtw
Más detalles