The problem of the lack of stability in spatial econometric models.

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

Download "The problem of the lack of stability in spatial econometric models."

Transcripción

1 The problem of the lack of stability in spatial economeic models. Jesús Mur(*), Fernando López (**) and Ana Angulo(*) (*) Department of Economic Analysis University of Zaragoza Gran Vía, -4. (50005). Zaragoza. Spain. (**)Department of Quantitative Methods and Computing University of Cartagena. Paseo Alfonso X, Cartagena. Spain. Absact El objetivo principal de nueso papel es el de avanzar en el análisis de la heterogeneidad existente en un modelo economéico de naturaleza espacial. Evidentemente, la propuesta no es novedosa, por cuanto ya existe mucho abajo acumulado sobre este mismo tópico, y con excelentes resultados, en la literatura especializada. El aspecto singular de nueso planteamiento es que mantenemos una lectura amplia del término heterogeneidad, el cual asociamos a problemas de estabilidad en la parte regular de la ecuación (singularmente, a los parámeos de posición), a comportamientos inesperados en el término aleatorio o a la falta de homogeneidad en los mecanismos de dependencia espacial existentes en la especificación. En particular, desarrollamos diferentes conastes de especificación, cenados todos ellos en el problema de la heterogeneidad, mediante los cuales se aborda este tópico desde diferentes perspectivas. Keywords: Spatial dependence; Spatial nstability; eterogeneity, eteroscedasticy. JEL Classification: C; C50; R5 Acknowledgements: This work has been carried out with the financial support of project SEJ /ECON of the Ministerio de Ciencia y Tecnología del Reino de España.

2 .- noduction Uno de los principales motivos que ha impulsado nueso abajo en este papel ha sido el de elaborar un marco en el que poder atar simultáneamente con los tópicos de heterogeneidad y de dependencia espacial. Ambos forman parte de la naturaleza básica de este tipo de datos, aunque tiendan a confundirse con relativa facilidad. Por ejemplo, un atípico del tipo L, a diamond in the rough, puede ser realmente eso, un valor atípico en una disibución estocástica, pero también puede ser el resultado lógico de un proceso de autocorrelación negativa. A su vez, el primer caso puede atarse de una anomalía estadística sin mayor significación, o ser la consecuencia de una ruptura esuctural localizada en el espacio. Cada posibilidad coloca la discusión en un contexto diferente y reclama un atamiento también diferente. Sin embargo, los síntoma se enemezclan de modo que, como indica Anselin (990, p.04), often, the misleading indication of heterogeneity is due to spatial autocorrelation and, on the conary, there are frequent cases in which spatial dependence arises due to inadequately modelled spatial heterogeneity (Pace and Lesage, 004, p.3). Desde nueso punto de vista, las dificultades en el manejo de estas dos cuestiones (heterogeneidad y dependencia espacial) se agudizan porque, habitualmente, se atan de forma aislada lo cual aumenta el riesgo de confusión. El de Anselin (988b) es uno de los primeros abajos en los que se propone combinar ambos tópicos, dando lugar a la conocida bateria de conastes de autocorrelación y heterocedasticidad; en Anselin (990) se insiste en la misma línea adaptando el test de Chow a modelos con dependencia espacial. Mas adelante, Brunsdon et al. (998b) and Pace and Lesage (004) develop specifications where the mechanisms of spatial association are specific for each point in space. The first paper may be seen as a natural extension of the GWR approach (Brunsdon et al., 998a; we can also include in this line the papers of Leung et al., 000 and 003, and of Páez et al, 00a and 00b), whereas the second is more related to the proposal known as locally linear weighted regression, LWR, (McMillen, 996, McMillen and McDonald, 997).

3 Recientemente, Mur et al (007a and b) atan de acercar todavía más ambos tópicos desarrollando una serie de conastes específicos de inestabilidad en el coeficiente de autocorrelación espacial. Finalmente, nueso abajo vuelve a insistir en la misma dirección de combinar heterogeneidad y dependencia espacial, aunque atamos de adoptar una perspectiva un poco más amplia que los anteriores. En la discusión que continúa vamos a utilizar el tópico de heterogeneidad como hilo conductor de la exposición, aunque las referencias a los procesos de dependencia ansversal serán constantes. En la sección segunda nos planteamos diferentes mecanismos de heterogeneidad en una sola dirección, que generalizamos en la tercera para contemplar casos en los que la heterogeneidad se manifiesta en varias direcciones. Finalizamos el abajo con una sección de conclusiones y perspectivas de desarrollo futuro..- eterogeneity in only one direction. La interpretación del termino heterogeneidad que vamos a utilizar en el abajo es el de falta de estabilidad en el parámeo o conjunto de parámeos de interés. Obviamente, dado que estamos desarrollando un enfoque de corte ansversal, esta inestabilidad se manifiesta sobre el espacio de modo que habrá una serie de parámeos que, hipotéticamente, evolucionan en esa dimensión. Por simplificar, asumimos que la forma funcional, las variables relevantes y los restantes elementos definitorios del modelo se mantienen estables. Bajo estas premisas los casos que vamos a contemplar a continuación son los de falta de estabilidad en los parámeos de posición del modelo, en la medida de dispersión de los errores y en los mecanismos de dependencia ansversal..- nestabilidad en los parámeos de posición del modelo Este problema es sobradamente conocido en la literatura economéica, tanto en la general como en la especializada en cuestiones espaciales, y se resume en el test de Chow con sus múltiples variantes. El abajo ya citado de Anselin (990) se preocupa en adaptar este conaste al caso de un modelo de corte ansversal con esuctura de dependencia espacial. El resultado es un conaste tipo LR en el que es

4 3 necesario definir previamente la forma que adopta la ruptura (número de regímenes existente, integrantes de cada régimen, etc.), y que funciona razonablemente bien. Oa sugerencia interesante en esta línea es la del método de expansión de parámeos de Casetti (97) y Casetti y Poon (995), por el que se generaliza el planteamiento discreto adicional basado en la inoducción de variables dummy. En cierto sentido, este método ata de endogeneizar la ruptura mediante las denominadas variables contextuales, que es necesario identificar a priori. Si se dispone de esta última información (qué variables son y cómo actúan), el conaste de Chow y su extensión LR propia del caso espacial son un caso particular del método de expansión de parámeos. Por el conario, si no hay información sobre las variables a las que responden los parámeos, la discusión debería evolucionar hacia planteamientos LWR ó GWR: los parámeos son inestables en el espacio pero cambian de acuerdo a alguna sistemática, por débil que ésta sea, concretada en el concepto de hipersuperficie de parámeos (Fotheringham et al., 999). Con estos antecedentes, el planteamiento que formulamos a continuación es híbrido; de hecho, tomamos elementos de todos ellos. En concreto, vamos a asumir inicialmente un modelo estático en el que sospechamos que existe una ruptura esuctural en los parámeos de posición: y Xm+ε ~N(0, ε ) y x 0 0 xi m mi y 0 x 0 xi m mi y ;X ; xi ;m ; mi y 0 0 x x m m N Nx N ik N ik NxNk kx Nkx kx i,,..., N () El supuesto que queremos desarrollar es que esa ruptura es de tipo continuo y se produce de acuerdo a cierto paón, relativamente bien identificado. Esto último significa que vamos a contextualizar la ruptura de acuerdo a un indicador, o a un conjunto de indicadores, de forma similar a como se plantea en el método de

5 4 expansión de parámeos. El aspecto peculiar de nuesa propuesta es que no cerramos la forma funcional de las ecuaciones de expansión; por el conario, mantenemos un planteamiento genérico como el siguiente: z i zi; zi; ; zip mij β jhj[ z iμ] μ i μ ; μ; ; μ p La idea es que el vector de parámeos cambia en cada punto del espacio, de acuerdo a cierta sistemática resumida en la colección de funciones hj[-], una para cada parámeo de posición del modelo. El argumento de esta función se compone de una serie de variables, las zj, y de parámeos asociados al cambio, los μj. Para simplificar la exposición, vamos a asumir que en todas las funciones de expansión asociadas a parámeos de interés, los β, intervienen las mismas variables y los mismos parámeos (esta resicción se puede relajar sin mayores consecuencias). En estas condiciones, el número de parámeos del modelo asciende a k+p+: θ[β, μ, ]. Sin embargo, nueso problema tiene más que ver con el conaste de la ruptura que con el de su estimación. Para avanzar en esa dirección adoptaremos un enfoque similar al del conaste de Breusch-Pagan (Breusch and Pagan, 979), lo que nos evita enar en detalles sobre la forma de la función h(-). Con respecto a esta función únicamente necesitamos asumir los siguientes supuestos: h j(0) ; h j (0) and h j (0), siendo h j ( ) y h j ( ) la primera y segunda derivada de la función hj[-] evaluada en el origen. habitual: Asumiendo normalidad, la función de verosimilitud tiene la composición () N/ ( ) ( )( yxm )( yxm π ) L(y; θ ) e N N l(y; θ ) log L(y; θ ) ln π ln y xm y xm ( ) ( ) ( ) (3) cuyo gradiente adquiere una esuctura fuertemente no lineal:

6 5 m m l x ( y xm) mβ β μ β m m ( ) mμ mβ β mμ μ L l g x y xm ; θ μ l l N uu + 4 mn mn β μ (4) Las maices de primeras derivadas m β and m μ son de órdenes (Nkxk) y (Nkxp) y, obviamente, solo se podrán desarrollar cuando se inoduzca una especificación concreta para las funciones hj. El problema que nos preocupa ahora, como se ha dicho, es el de conastar si existe una ruptura esuctural (de tipo continuo y relacionada con las variables zj) en el vector de parámeos de posición β. En tal caso, la hipótesis nula es que el vector μ es cero por lo que la especificación de las funciones hj resulta irrelevante. De hecho, bajo la hipótesis nula: 0 : μ 0 (5) :No A 0 el modelo de () deberá estimarse por MCO. La obtención de un estadístico de conaste tipo LM es relativamente simple: siendo x ˆ ZYu ˆ ˆ ZYˆM YZ ˆ ZYu ˆ LM Chow χ (p) (6) ˆ as M x X(XX) X, û los residuos MCO: û yxβ, ˆ y Ŷ y Z las maices: Yˆ diag yˆ ; yˆ ; yˆ ;...; yˆ 3 N z z z3 zp xβ ˆ z z z3 zp 0 x ˆ β 0 0 Z z3 z3 z33 z3p 0 0 x ˆ 3β 0 zn zn zn3 znp x ˆ N β (7) de órdenes (NxN) y (Nxp) respectivamente. La extensión del conaste LM de (6) a los casos SLM ó SEM no parece compleja, como tendremos ocasión de comprobar más adelante.

7 6.- nestabilidad en la medida de dispersión de los errores En este caso estamos hablando de heterocedasticidad. Se ata de un tópico bien conocido sobre el que existen muchos y muy interesantes resultados, tanto en la literatura de aplicación como en la metodológica (Godfrey, 988). En el abajo de Anselin (988b) se muesa una marcada preferencia por el conaste de Breusch- Pagan, dado que está basado en el principio del Multiplicador de Lagrange. Uno de los aactivos de esta opción es que tiende a simplificar la resolución del conaste, dado que nos remite al modelo de la hipótesis nula (en general, homocedasticidad). Además, el estadístico resultante puede coordinarse eficazmente con los restantes Multiplicadores de Lagrange, en una esategia de chequeo de la especificación más general. Por ejemplo, como se demuesa en Anselin (988b), es relativamente directo conastar homocedasticidad en un modelo SARAR : y ρ W y+ xβ+ε Ay xβ+ε ελw u u ε+ Bε u~n(0, Ω) Ωii h ziα ij 0;i j Ω h(0) (8) siendo W y W las maices de contactos (no necesariamente diferentes) que intervienen en el proceso SARAR; ρ y λ son los parámeos de dependencia asociados a la variable endógena y al ruido, respectivamente. La hipótesis nula y el estadístico de conaste para el caso simple en el que sólamente interviene una variable en la función heterocedástica, son: Con esta notación nos referimos a un modelo espacial que incluye una esuctura autoregresiva tanto en la ecuación principal como en la de los errores.

8 7 0 : α 0 :No A 0 LM BP xf ET/SARAR SARAR N ηi i zinz BPSARAR SE η i N i zi s/z N i zi f N i zi( ραv( ρ ) + λαv( λ ) + ραλαcov( ρ; λ) ) (9) siendo ηi los residuos de la estimación del modelo SARAR bajo el supuesto de homocedasticidad. El conaste LMET/SARAR corrige a la baja el estadístico de Breusch- Pagan bruto que se obtendría al aplicar este último conaste sobre los residuos del modelo SARAR. El factor de descuento, f, depende de los resultados de la estimación ML del modelo de la hipótesis nula. En concreto, V(ρ), V(λ) y Cov(ρ,λ) se refieren a la varianza o covarianza de los estimadores ML asociados, mienas que por ρα e λα denotamos los correspondientes elementos de la maiz de información del modelo (Mur et al, 007b). Con ligeras variaciones, estos mismos resultados se extienden para el caso SARMA: la única diferencia es que habrá que estimar un MA en la ecuación de los errores, con parámeo asociado λ. La situación se repite en modelos SLM y SEM. La diferencia con el resultado de (9), aparte del modelo de referencia, esiba en la definición del factor de descuento que media ene el estadístico de Breusch-Pagan correspondiente a cada caso (BPSLM and BPSEM respectively) y el Multiplicador final (LMET/SLM and LMET/SEM): SLM Case SEM Case f f N i zi N i ziραv( ρ) ρα N i z i N i ziλαv( λ) λα (0)

9 8 Oo resultado interesante, ya puesto de manifiesto en el abajo de Anselin (988b), es el de la aditividad de los Multiplicadores marginales (de heterocedasticidad y de dependencia espacial) en el Multiplicador del conaste final cuando la hipótesis nula conjunta es ausencia de efectos espaciales en el modelo: 0 : λρα 0 :No A 0 LM ET+SARMA SARAR + BP SARAR () Si en (8) inoducimos un modelo SARMA, el Multiplicador de () deberá ajustarse en la misma dirección, de modo que: LM SARMA + BP. En las dos últimas expresiones, los ET+SARMA SARMA estadísticos SARAR y SARMA se refieran al conaste conjunto de ausencia de elementos de dinámica espacial, tanto en la ecuación principal del modelo como en la de los errores (Anselin, 988a). Por último, únicamente queremos indicar que toda esta discusión se puede replicar en términos del conaste de Koenker-Basset (Koenker and Basset, 98), robusto a fallos en el supuesto de normalidad para la perturbación..3- nestabilidad en los mecanismos de dependencia ansversal Mur et al. (007a) se plantean si las fuertes diferencias que se observan ene las regiones europeas, en todo tipo de aspectos, pueden afectar también a la capacidad de estas regiones para relacionarse con su entorno inmediato. La respuesta que ellos mismos se dan, inspirada en el abajo de Parent y Riou (005), es afirmativa. Las razones que pueden invocarse son numerosas, aunque basta con aludir a las consecuencias de una disibución sobre el continente muy desigual de las infraesucturas de comunicaciones (por ejemplo, the density of motorways and dual carriageways per square kilomee is 5 times greater in the Western regions than in those of the East ). En términos economéicos, el problema específico que subyace en esa observación es el de la posible falta de estabilidad en el parámeo de interacción espacial. En el mismo abajo de Mur et al. (007a) se desarrolla un conaste de homogeneidad en ese parámeo que, en línea con oas sugerencias ya

10 9 existentes (Rietveld and Wintershoven, 998, Lacombe, 004, or Ertur et al., 006), mantiene un sistema discreto de regímenes; esto es, existe un número limitado de rupturas que afectan, en cada caso, a grupos bien definidos de regiones. En el presente abajo vamos a partir de ese planteamiento con la intención de generalizarlo. El problema que proponemos, en el caso de un SLM, se concreta en: y ρ Wy+ xβ+ε ~N(0, ε ) diag{ h ( ziα );i,,..., N} h(0) () La hipótesis es que existe un nivel de dependencia básico para todo el espacio, asociado al parámeo ρ. Si este parámeo es cero, la conclusión obvia es que no existe dependencia ansversal en la especificación y la discusión finaliza en ese punto. Solo si el parámeo ρ es diferente de cero tiene sentido plantearse la cuestión de que esas relaciones de dependencia puedan no ser uniformes sobre el espacio. Para dar forma a la alternativa, en la especificación de () se propone que la intensidad de las dependencias evoluciona, siguiendo la disibución de cierta variable z (vamos a suponer que en el vector z interviene una única variable, aunque la discusión se generaliza al caso de p variables). La función h[-] que interviene en la maiz no tiene porqué ser necesariamente conocida, aunque debería mantenerse estable sobre el espacio. De cualquier forma, la pieza fundamental de información en esa especificación es el indicador de heterogeneidad, la variable z, que interviene como argumento en la función h[-], y cuya propia variabilidad genera inestabilidad en las medidas de dependencia espacial. Está claro que, también en este caso, estamos desarrollando un enfoque que podríamos denominar a lo Breusch-Pagan. Los parámeos de interés son k+3: θ[ρ, β, α, ] y el enfoque que proponemos es el habitual de máxima-verosimilitud. De esta forma, asumiendo normalidad, podemos escribir la función de log-verosimilitud muesal: ( Ay x β) ( Ayxβ) N N l(y; θ ) ln ( π) ln + ln A (3)

11 0 siendo A -ρw. El vector gradiente presenta una esuctura no lineal: l ( Ayx β) x β y x Wy ( A β ) l A W + ρ ( ) l Ayx β ZWy ρ A ZW +ρ α l N ( Ayx β) ( Ayxβ) + 4 (4) con: ( α) ( zα) h z 0 0 z h ( z α) 0 z ( zα) ; Z 0 0 z3 0 (5) z N h ( z N α) 0 0 ( z N α) Las dos últimas maices son de tipo diagonal, de orden (NxN), y proceden de la diferencial de la maiz : Z. Como en casos anteriores, si aportamos α información sobre las características de la ruptura (qué variable se corresponde con el indicador z y cómo es la función h), el modelo de () podrá estimarse, por ejemplo, utilizando métodos numéricos. Sin embargo, el aspecto que queremos discutir es si es necesario plantearse ese ejercicio; es decir, si el parámeo ρ es estable sobre el espacio. La hipótesis nula vinculada a ese supuesto está clara: 0 : α 0 (6) :No A 0 El Multiplicador de Lagrange permite resolver el conaste utilizando los resultados de la estimación ML del modelo SLM, bajo el supuesto de homogeneidad en el parámeo de autocorrelación. La expresión del estadístico es la siguiente:

12 y ε ZW A ZW LM SLM Break * * * (7) V( θ) En esa expresión, ε es el vector de residuos ML del modelo mienas que los términos del denominador proceden de la maiz de información del modelo de (), siempre abajando bajo la hipótesis nula de (6). En concreto: * * * * αα; αρ α αβ ; β W W ZW ZW W W A Z A x xβ αα A ( A + Z A ) + x x β β αρ + A WZWA A ZWA W α ZWA βx x βα A WZ V( θ) ρρ ρ ρβ ρ 0 ρβ 0 ββ (8) En la última expresión, θ es el vector de parámeos del SLM, bajo el supuesto de homogeneidad; θ[ρ,β, ] y V(θ) su maiz de varianzas y covarianzas (Anselin, 988a, para los detalles). Esta misma discusión se puede replicar, con ligeras variantes, para el caso SEM. La especificación de referencia es: y xβ+ u u ρ Wu+ε ~N(0, ε ) diag{ h ( zi );i,,..., N} α h(0) (9) resultan ser: La función de log-verosimilitud, en la que B-ρW, y el vector gradiente

13 ( y xβ) BB( yxβ) N N l(y; θ ) ln ( π) ln + ln B l ( y x β) BB x β l ( y x ) ( y x ) β BW β B W + ρ l ( y x ) ( y x ) β BZW β ρ B ZW +ρ α l N ( yx β) BB ( yxβ) + 4 (0) Al igual que en el caso anterior, el conaste de estabilidad en el parámeo ρ nos indicará qué sistema de ecuaciones debemos resolver: si el de (0), para lo que necesitamos información precisa sobre las causas de la inestabilidad en ρ, o el correspondiente al de un SEM homogéneo. La hipótesis nula y el estadístico de conaste son similares a los obtenidos para el SLM: 0 : α 0 () :No A 0 u ε ZW B ZW SEM LM Break * * * () V( θ) siendo u los residuos muesales del modelo, u yxβ, y ε los residuos muesales filados por la maiz B: εb u. El resto de elementos son los siguientes: * * * * αα αρ α αβ ; ; ( αα + ) B ZW ZWB B ZW αρ α βα B 0 WB WZW B ρρ ρ 0 V( θ) ρ ββ (3)

14 3 El vector θ está compuesto por los parámeos asociados al SEM homogéneo, θ[ρ,β, ], mienas que V(θ) es la maiz de varianzas y covarianzas asociada (nuevamente, ver Anselin, 988a, para los detalles). 3.- eterogeneity in several directions. Los casos que contemplamos en esta sección son una extensión de los anteriores tanto en cuanto ahora vamos a permitir que la heteregoneidad se manifieste, simultáneamente, en varios de los elementos que intervienen en la especificación. En definitiva, el supuesto es que, si existen factores que generan heterogeneidad, es razonable que su impacto se acabe extendiendo, en mayor o menor medida, a los diferentes elementos del modelo sean estos parámeos de posición, de dispersión o de interacción. Como criterio general, vamos a mantener el mismo enfoque tipo Breusch- Pagan que ya hemos empleado, dado que nos permite conectar el problema de inestabilidad con una batería de indicadores externos. Al igual que en casos anteriores, en los mecanismos de heterogeneidad intervienen una serie de funciones que ansmiten los impulsos del foco de inestabilidad. No es necesario especificar completamente tales funciones para resolver el conaste correspondiente, aunque sí el que hayamos identificado los indicadores. nicialmente vamos a suponer que tanto las funciones como los indicadores que intervienen en cada manifestación del problema de inestabilidad son diferentes (esto es, hay una forma funcional y un indicador específico que actúa en el problema de heterocedasticidad, diferentes a los que intervienen en el problema de inestabilidad en los parámeos de dependencia espacial). Sin embargo, no habría mayores inconvenientes en que se atase del mismo indicador y la misma función; obviamente, los resultados se simplificarían. 3.- nestabilidad en el parámeo de dispersión y en los de interacción. El punto de partida, es el de un modelo en el que se han detectado relaciones de dependencia ansversal. Ahora nos planteamos si esa relación es estable sobre el espacio y si, además, existen problemas de heterocedasticidad. En la discusión que sigue, distinguiremos el caso de un modelo SLM o SEM.

15 4 El marco de referencia para el primer caso es el siguiente: ( z α) y ρ Wy+ xβ+ε ~N(0, ); ε Ω Ω D ( n δ) h d h ( zα) d( nδ) 0 0 ; D 0 0 h ( znα ) 0 0 d( nnδ) (4) La hipótesis que subyace en esta especificación es que la intensidad de las dependencias evoluciona en respuesta a los valores de la variable z. La función h[-] que interviene en la maiz diagonal no es necesariamente conocida, aunque se supone estable sobre el espacio. Lo mismo ocurre con la varianza de la perturbación, heterocedástica de acuerdo a la variable n y a la función d[-]. El número de parámeos que intervienen en la especificación es (k+4) dando forma al vector θ[ρ, β, α, δ, ]. Si asumimos normalidad, la función de logverosimilitud se obtiene de la forma usual: N N l(y; θ ) ln ( π) ln ln ln ( y x ) D + A A β ( y xβ) D A (5) El vector gradiente es fuertemente no lineal: l ( Ay x β ) D x β l ( y x ) A β y D W A W + ρ l ( Ayx β) ZWy ρ A +ρ D ZW (6) α ( y x ) l A β ( y x ) D D ND A β D D N + δ l N ( y x ) A β D ( Ayxβ) + 4 siendo:

16 5 ( iα) ( ziα) ( iδ) ( niδ) h z diag ;i,,..., N Z diag i;i,,..., N d n D diag ;i,,..., N N diag i;i,,..., N [ z ] [ n ] (7) Es evidente que, para el caso general, la resolución del algoritmo ML puede llegar a ser bastante compleja; en cualquier caso, necesitaremos recurrir a métodos numéricos y contar con una buena capacidad de cálculo. Por ello, puede resultar muy recomedable la resolución previa de un conaste de estabilidad que contemple ambos factores. La hipótesis nula es obvia: 0 : αδ 0 (8) :No A 0 El estadístico de conaste, en su versión LM, no tiene una esuctura demasiado aactiva: SLM Break+ET LM q q (9) donde q es un vector de orden x e una maiz cuadrada x, cuya composición es la siguiente: y ε ZW ρ A ZW q ε Nε N (30) El vector ε contiene los residuos ML del SLM homogéneo y homocedástico de la hipótesis nula, ε A yxβ. Por oo lado, la maiz depende de los elementos de la maiz de información del modelo de (4) evaluada, igualmente, en la hipótesis nula:

17 6 ρρ ρ ρβ ρ 0 V( θ ) ρβ 0 ββ x x ( β β αα ) W W ρ WZ A Z A A A WZ ZWA ρ αα αδ N δδ αδ δδ αδ ρ NZWA ρα t x x r β β ( ) +ρ A WZWA A ZW A ρ αρ α 0 α ZWA δρ δ 0 ρδ NWA N δ La discusión del caso SEM es similar al anterior. La especificación inicial es: (3) y xβ+ u u ρ Wu+ε (3) ~N(0, ); ε Ω Ω D donde y D son la mismas maices que aparecen en (4). La hipótesis nula de (8) y el Multiplicador de Lagrange asociado mantiene la esuctura del indicado en (9), redefiniendo previamente los elementos tanto del vector q como de la maiz. En concreto: u ε ZW ρ B ZW q ε Nε N siendo ε el vector de residuos muesales filados del modelo SEM, el cual se ha estimado bajo la hipótesis nula de homocedasticidad y estabilidad, ( ) ε B yxβ B u. Además: (33)

18 7 ρρ ρ 0 ρ 0 V( θ) 0 0 ββ αα ρ B ZW B ZW + ZWB αα αδ N δδ αδ δδ αδ ρnzwb 4 ρα B ZWB ρ 0 α ZWB αρ α δρ 0 δ ρδ NWB N δ 3.- nestabilidad en los parámeos de posición y de dispersión. (34) En este apartado vamos a contemplar el caso de una posible ruptura que afecta simultaneamente a los parámeos de posición y a la varianza de la perturbación del modelo. Como en situaciones anteriores, suponemos que los mecanismos de ruptura pueden vincularse a ciertos indicadores seleccionados previamente. Estos indicadores pueden estar actuando en ambos problemas a la vez o bien puede atarse de variables de ruptura diferentes en cada caso. De cualquier forma, la situación de partida es la de un modelo en el que no se han apreciado síntomas de dependencia espacial de ningún tipo, aunque existen sospechas de heterocedasticidad en combinación con una aparente inestabilidad en los parámeos de posición:

19 8 N Nx y Xm+ε ε~n(0, Ω) y x 0 0 xi m mi y 0 x 0 xi m mi y ;X ; xi ;m ; mi y 0 0 x x m m N ik N ik NxNk kx Nkx kx (35) Ω Ω ii ij h ni α mij β jd 0;i j [ z μ] j i z i zi; zi; ; zip μ i μ ; μ; ; μ p Como hemos avanzado, vamos a suponer que los vectores ni y zi están compuestos por una única variable que, además, es la misma; esto es, en el problema está actuando un único factor de inestabilidad, la variable z (la discusión para el caso general se desarrolla en términos similares). El método que desarrollamos es el ya hemos venido empleando e insiste en el enfoque máximo-verosímil con una resolución del conaste a lo Breusch-Pagan. En primer lugar, necesitamos la función de log-verosimilitud del modelo: ( yxm ) ( yxm) N N l(y; θ ) ln ( π) ln + ln (36) con: ( zα ) h h ( z α) h ( z N α) El vector gradiente tiene una esuctura no lineal compleja:

20 9 l x ( ) mβ yxm β l x ( ) mμ yxm μ ( y xm ) ( y xm) l N + 4 l ( y xm ) ( y xm) Z Z +ρ α m m h ( z iα) diag ;i,,..., N β μ ( ziα) m m mβ β ; mμ μ Z diag { zi;i,,..., N } mn mn β μ (37) La hipótesis nula de homocedasticidad y estabilidad en los parámeos de posición nos coloca en un modelo sencillo, como es el estático sin elementos espaciales de ningún tipo: 0 : αμ 0 (38) :No A 0 El estadístico de conaste resulta ser la simple suma de los correspondientes a los problemas de heterocedasticidad y de inestabilidad en parámeos, pero tomados por separado: LM Chow+ET LM Chow + BP (39) ZYu ˆ ˆ ZYˆ M ˆ ˆ xyz ZYuˆ siendo LM Chow el mismo estadístico ˆ unidireccional de (6), y BP el estadístico del conaste de Breusch-Pagan en su versión adicional; es decir, un medio de la suma explicada de la regresión de los cuadrados de los residuos MCO del modelo yxβ+u, tipificados, sobre el indicador de inestabilidad seleccionado para la varianza: la variable z.

21 nestabilidad en los parámeos de posición y de interacción espacial. Ahora retornamos al caso en el cual se han detectado relaciones de dependencia ansversal significativas en la especificación, ya sean de tipo sustantivo en un SLM o residual en un SEM, que se han inoducido en el modelo. Sin embargo, existen dudas razonables sobre la estabilidad de esos mecanismos de dependencia así como de los parámeos de posición del modelo. Si se han detectado relaciones de tipo sustantivo, la especificación de referencia será un SLM heterogéneo como : ( zα ) y ρ W y+ Xm+ε Ay Xm+ε ~N(0, ε ) h m mi 0 h ( z α) 0 0 m m i ;m ; mi mij β jd j z iμ 0 0 h mn mik ( z Nα ) Nkx kx [ ] (40) La especificación de la función de log-verosimilitud no crea mayores dificultades: N N l(y; θ ) ln ( π) ln + ln A ( Ay xm )( A y xm) (4) aunque la esuctura del gradiente es realmente compleja: Nos volvemos a situar en el caso más simple de que el indicador de inestabilidad es el mismo para ambos problemas, la variable z.

22 l ( ) mβx Ay xm β l ( ) mμx Ay xm μ l ( Ay xm ) Wy A W + ρ l ( Ay xm ) ZWy ρ A ZW +ρ α l N ( yxm )( yxm A A ) + 4 (4) Las maices que intervienen en esa expresión son conocidas; en particular: m m h ( z iα) diag ;i,,..., N β μ ( ziα) m m ; mβ mμ β μ Z diag { zi;i,,..., N } mn mn β μ La hipótesis nula que queremos discutir se concreta en (43) 0 : αμ 0 (44) :No A 0 Dado que se ha especificado de forma condicionada a la existencia de una esuctura de dependencia ansversal tipo SLM, para resolver (44) necesitamos la estimación, bajo la hipótesis nula, de este modelo cuyos residuos son: εy-ρˆ Wy-x βˆ A y-xβˆ. En tales condiciones, la expresión del estadístico de conaste es: SLM Break+Chow LM q q (45) donde q es un vector de orden x e una maiz cuadrada x, cuya composición es la siguiente: ε ZYˆ q y ε ZW ρ A ZW (46)

23 La maiz Ŷ, a pesar de actuar en un SLM, es la misma maiz diagonal que ha intervenido en oas ocasiones: Y ˆ diag { xiˆ β ;i,,..., N }, donde el vector ˆβ proviene de la estimación ML de ese mismo vector en el modelo SLM de la hipótesis nula. La maiz se corresponde con la maiz de varianzas y covarianzas de las resicciones que estamos contemplando. En particular, la maiz es la maiz de varianzas y covarianzas de los estimadores ML del modelo SLM, V( θ ), tal como se indica en (3). Los oos elementos tienen una composición más pesada: ρ ˆ β + β β μμ Z ˆ Y Z μμ αμ αμ ZYZWA x αμ αα αα ρ ˆ μρ ZYWA xβ { x A ZWA ZA A WZ WA x } ZY ˆ x ρ + βx xβ μβ μρ 0 μβ αρ A WA ZW A WZWA αρ α αβ α ρ ZWA x αβ ρ ZWA xβ (47) La réplica de la discusión anterior para el caso SEM no aporta novedades significativas. En analogía con la anterior, la especificación de referencia es: ( zα ) y xm+ u u ρ Wu+ε Bu ε ~N(0, ε ) h m mi 0 h ( z α) 0 0 m m i ;m ; mi mij β jd j z iμ 0 0 h mn mik ( z Nα ) Nkx kx [ ] (48) cuya función de log-verosimilutud es: l(y; θ ) N ln ( π) N ln + ln B ( y xm ) B B ( y xm) (49) El gradiente mantiene la no linealidad característica:

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio 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 detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma

Más detalles

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

REGRESIÓN LINEAL MÚLTIPLE

REGRESIÓN LINEAL MÚLTIPLE REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...

Más detalles

1 Introducción al SPSS

1 Introducción al SPSS Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R

Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R Marta Angulo-Martinez PhD student Estación Experimental Aula Dei-CSIC, Zaragoza,

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

DETECCIÓN DE OBSERVACIONES ATÍPICAS MEDIANTE TRUNCAMIENTOS: CASO UNIVARIANTE

DETECCIÓN DE OBSERVACIONES ATÍPICAS MEDIANTE TRUNCAMIENTOS: CASO UNIVARIANTE DETECCIÓN DE OBSERVACIONES ATÍPICAS MEDIANTE TRUNCAMIENTOS: CASO UNIVARIANTE ORTEGA DATO, Juan Fco. Departamento de Economía y Empresa Universidad de Castilla-La Mancha correo-e: JuanFco.Ortega@uclm.es

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

MATEMÁTICAS EMPRESARIALES II:

MATEMÁTICAS EMPRESARIALES II: MATEMÁTICAS EMPRESARIALES II: FUNCIÓN REAL DE VARIAS VARIABLES ÓPTIMOS DE UNA FUNCIÓN ESCALAR MATERIAL DIDÁCTICO DE SOPORTE González-Vila Puchades, Laura Ortí Celma, Francesc J. Sáez Madrid, José B. Departament

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

Tema 4:Segmentación de imágenes

Tema 4:Segmentación de imágenes Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos

Más detalles

REGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR)

REGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR) BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓICA DEPARTAENTO DE INVESTIGACIONES ECONÓICAS NT-06-96 REGRESIONES QUE APARENTEENTE NO ESTAN RELACIONADAS (SUR) Rigoberto Araya onge Juan E. uñoz Giró NOVIEBRE,

Más detalles

La demanda de plazas en la licenciatura de Medicina en España

La demanda de plazas en la licenciatura de Medicina en España La demanda de plazas en la licenciatura de Medicina en España Estudio econométrico por Comunidades Autónomas de la demanda de plazas en las facultades de Medicina españolas para el curso 2006/2007 Asignatura:

Más detalles

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de

Más detalles

Tema 10: Funciones de varias variables. Funciones vectoriales. Límites y continuidad

Tema 10: Funciones de varias variables. Funciones vectoriales. Límites y continuidad Tema 10: Funciones de varias variables. Funciones vectoriales. Límites y continuidad 1 Funciones de varias variables Observación 1.1 Conviene repasar,enestepunto,lodadoeneltema8paratopología en R n : bolas,

Más detalles

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Andrés Felipe López Lopera* Resumen. Existe una gran similitud entre vectores y las señales. Propiedades tales como la

Más detalles

Carta de control CEV X para distribuciones Weibull con datos censurados

Carta de control CEV X para distribuciones Weibull con datos censurados Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Autor: M. en C. Miguel Ángel Martínez García

Autor: M. en C. Miguel Ángel Martínez García Instituto Politécnico Nacional Escuela Superior de Economía Sección de Estudios de Posgrado e Investigación Análisis de la Balanza Comercial a través de la función de exportaciones y la función de importaciones

Más detalles

Aproximación local. Plano tangente. Derivadas parciales.

Aproximación local. Plano tangente. Derivadas parciales. Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación

Más detalles

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco

Más detalles

ANÁLISIS 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 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 detalles

XXIX REUNIÓN DE ESTUDIOS REGIONALES Competitividad regional en la UE ampliada

XXIX REUNIÓN DE ESTUDIOS REGIONALES Competitividad regional en la UE ampliada XXIX REUNIÓN DE ESTUDIOS REGIONALES Competitividad regional en la UE ampliada Análisis de la dependencia espacial y la convergencia en el Principado de Asturias Matías Mayor Fernández (mmayorf@correo.uniovi.es)

Más detalles

NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA

NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA (NIA-ES 530) (adaptada para su aplicación en España mediante Resolución del Instituto de Contabilidad y Auditoría de Cuentas, de 15 de octubre

Más detalles

Análisis de los datos

Análisis de los datos Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización

Más detalles

Diferenciabilidad. Definición 1 (Función diferenciable). Cálculo. Segundo parcial. Curso 2004-2005

Diferenciabilidad. Definición 1 (Función diferenciable). Cálculo. Segundo parcial. Curso 2004-2005 Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Diferenciabilidad. 1. Definición de función diferenciable Después del estudio de los ites de funciones

Más detalles

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Se

Más detalles

DISEÑO DE UN MODELO DE APROXIMACIÓN TRIMESTRAL PARA LA ECONOMÍA DE MADRID

DISEÑO DE UN MODELO DE APROXIMACIÓN TRIMESTRAL PARA LA ECONOMÍA DE MADRID DISEÑO DE UN MODELO DE APROXIMACIÓN TRIMESTRAL PARA LA ECONOMÍA DE MADRID Ana López Yigal Montejo Instituto L. R. Klein, UAM Junio 2000 RESUMEN El presente trabajo estudia la economía madrileña basándose

Más detalles

Introducción. Estadística 1. 1. Introducción

Introducción. Estadística 1. 1. Introducción 1 1. Introducción Introducción En este tema trataremos de los conceptos básicos de la estadística, también aprenderemos a realizar las representaciones gráficas y a analizarlas. La estadística estudia

Más detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases. BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades

Más detalles

Una serie temporal o cronológica es en una sucesión de valores que adopta una variable (Y):

Una serie temporal o cronológica es en una sucesión de valores que adopta una variable (Y): INTRODUCCIÓN Nos vamos a ocupar ahora de estudiar un fenómeno desde la perspectiva temporal, observando su evolución a través del tiempo, lo que se denomina investigación diacrónica o longitudinal, en

Más detalles

Cómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1

Cómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1 . ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio

Más detalles

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma: Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial

Más detalles

2 Resolución de algunos ejemplos y ejercicios del tema 2.

2 Resolución de algunos ejemplos y ejercicios del tema 2. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 8 2 Resolución de algunos ejemplos y ejercicios del tema 2. 2.1 Ejemplos. Ejemplo 13 La siguiente tabla de frecuencias absolutas corresponde a 200 observaciones

Más detalles

EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN

EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN Mylord Reyes Tosta, EdD Resumen Se utilizaron dos ejemplos para una prueba de hipótesis

Más detalles

ECUACIONES DIFERENCIALES Y DIFERENCIAS FINITAS DIFFERENTIAL EQUATIONS AND FINITE DIFFERENCE

ECUACIONES DIFERENCIALES Y DIFERENCIAS FINITAS DIFFERENTIAL EQUATIONS AND FINITE DIFFERENCE ECUACIONES DIFERENCIALES Y DIFERENCIAS FINITAS DIFFERENTIAL EQUATIONS AND FINITE DIFFERENCE Arturo Pérez París: Universidad de Alcalá. Madrid (España). arturo.perez@mixmail.com Julio Gutiérrez Muñoz: Universidad

Más detalles

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 rafael.dearce@uam.es El objeto de las tablas de contingencia es extraer información de cruce entre dos

Más detalles

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases. Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

ENERGÍA DE DEFORMACIÓN DE UNA ESTRUCTURA

ENERGÍA DE DEFORMACIÓN DE UNA ESTRUCTURA ENERGÍA DE DEFORMACIÓN DE UNA ESTRUCTURA 1. Hipótesis empleadas Las hipótesis que supondremos en este capítulo son: Material elástico lineal. Estructura estable La estructura es cargada lentamente. La

Más detalles

La Productividad Total de los Factores en Castilla y León

La Productividad Total de los Factores en Castilla y León La Productividad Total de los Factores en Castilla y León Zenón J. Ridruejo (Catedrático de Análisis Económico. Universidad de Valladolid) Julio López Díaz (Titular de Análisis Económico. Universidad de

Más detalles

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar

Más detalles

Circuitos de corriente continua

Circuitos de corriente continua nidad didáctica 3 Circuitos de corriente continua Qué aprenderemos? Cuáles son las leyes experimentales más importantes para analizar un circuito en corriente continua. Cómo resolver circuitos en corriente

Más detalles

1.9. Requisitos mínimos de asistencia a las sesiones presenciales / Minimum attendance requirement

1.9. Requisitos mínimos de asistencia a las sesiones presenciales / Minimum attendance requirement ASIGNATURA / COURSE TITLE ANÁLISIS DE DATOS 1.1. Código / Course number 16307 1.2. Materia / Content area Módulo instrumental 1.3. Tipo / Course type Obligatoria 1.4. Nivel / Course level Grado 1.5. Curso

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

Diseño ergonómico o diseño centrado en el usuario?

Diseño ergonómico o diseño centrado en el usuario? Diseño ergonómico o diseño centrado en el usuario? Mercado Colin, Lucila Maestra en Diseño Industrial Posgrado en Diseño Industrial, UNAM lucila_mercadocolin@yahoo.com.mx RESUMEN En los últimos años el

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Introducción al análisis de la Teoría de Respuesta al Ítem. Antonio Matas Terrón

Introducción al análisis de la Teoría de Respuesta al Ítem. Antonio Matas Terrón Introducción al análisis de la Teoría de Respuesta al Ítem Antonio Matas Terrón Ediciciones Aidesoc 2010 Introducción al análisis de la Teoría de Respuesta al Ítem Antonio Matas Terrón Edita: Aidesoc.net

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

TEMA 4: Variables binarias

TEMA 4: Variables binarias TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables

Más detalles

Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software

Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software J. Cuadrado Gallego 1, Miguel Ángel Sicilia 1, Miguel Garre Rubio 1 1 Dpto de Ciencias de la Computación,

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. GRÁAFICOS DE CONTROL POR VARIABLES 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas más potentes para el control de procesos,

Más detalles

Modelos de elección binaria

Modelos de elección binaria Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión

Más detalles

ESPACIO VECTORIAL ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN

ESPACIO VECTORIAL ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN Tema 5.- ESPACIOS VECTORIALES ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN ESPACIO VECTORIAL Fundamentos Matemáticosde la Ingeniería 1 Aunque históricamente el primer trabajo de Álgebra

Más detalles

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO) Vectores Tema. VECTORES (EN EL PLANO Y EN EL ESPACIO Definición de espacio vectorial Un conjunto E es un espacio vectorial si en él se definen dos operaciones, una interna (suma y otra externa (producto

Más detalles

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las

Más detalles

Tema 10: Límites y continuidad de funciones de varias variables

Tema 10: Límites y continuidad de funciones de varias variables Tema 10: Límites y continuidad de funciones de varias variables 1 Funciones de varias variables Definición 1.1 Llamaremos función real de varias variables atodafunciónf : R n R. Y llamaremos función vectorial

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Ecuaciones Diferenciales Ordinarias de Primer Orden

Ecuaciones Diferenciales Ordinarias de Primer Orden Tema 2 Ecuaciones Diferenciales Ordinarias de Primer Orden Introducción Estudiaremos en este tema varios tipos de E.D.O. de primer orden que es posible resolver de forma exacta. 2.1 Ecuaciones en variables

Más detalles

EL DISEÑO FACTORIAL COMPLETO 2 k

EL DISEÑO FACTORIAL COMPLETO 2 k EL DISEÑO FACTORIAL COMPLETO 2 k Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN En el primer artículo

Más detalles

Capítulo 8. Tipos de interés reales. 8.1. Introducción

Capítulo 8. Tipos de interés reales. 8.1. Introducción Capítulo 8 Tipos de interés reales 8.1. Introducción A lo largo de los capítulos 5 y 7 se ha analizado el tipo de interés en términos nominales para distintos vencimientos, aunque se ha desarrollado más

Más detalles

Aula Banca Privada. La importancia de la diversificación

Aula Banca Privada. La importancia de la diversificación Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual

Más detalles

APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL. José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3)

APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL. José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3) APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3) (1) Universidad de Carabobo, Escuela de Ing. Eléctrica. Dpto. de Sistemas y

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

Lineamiento Técnico de Entornos que Promueven el Desarrollo. Resumen. Comisión Intersectorial para la Atención Integral de Primera Infancia

Lineamiento Técnico de Entornos que Promueven el Desarrollo. Resumen. Comisión Intersectorial para la Atención Integral de Primera Infancia Lineamiento Técnico de Entornos que Promueven el Desarrollo. Resumen Comisión Intersectorial para la Atención Integral de Primera Infancia 1 PRESENTACION Dentro de los desarrollos alcanzados por la Comisión

Más detalles

CÁLCULO PARA LA INGENIERÍA 1

CÁLCULO PARA LA INGENIERÍA 1 CÁLCULO PARA LA INGENIERÍA 1 PROBLEMAS RESUELTOS Tema 3 Derivación de funciones de varias variables 3.1 Derivadas y diferenciales de funciones de varias variables! 1. Derivadas parciales de primer orden.!

Más detalles

Usamos que f( p) = q y que, por tanto, g( q) = g(f( p)) = h( p) para simplificar esta expresión:

Usamos que f( p) = q y que, por tanto, g( q) = g(f( p)) = h( p) para simplificar esta expresión: Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Propiedades de las funciones diferenciables. 1. Regla de la cadena Después de la generalización que hemos

Más detalles

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7 Página 1 de 7 1 CRITERIOS DE EVALUACIÓN 1.1 SECUENCIA POR CURSOS DE LOS CRITERIOS DE EVALUACION PRIMER CURSO 1. Utilizar números naturales y enteros y fracciones y decimales sencillos, sus operaciones

Más detalles

Apuntes de Electroquímica

Apuntes de Electroquímica La teoría desarrollada por Arrhenius con motivo de su tesis doctoral y depurada más tarde por él mismo en 887 describe fielmente el comportamiento de los electrolitos débiles. Sin embargo, los electrolitos

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Nivel Inventivo. 1. Introducción

Nivel Inventivo. 1. Introducción 1. Introducción mayo 2009 De acuerdo a nuestra legislación no es posible otorgar una patente respecto de una invención que para un experto en la materia técnica correspondiente pueda derivarse de manera

Más detalles

Capítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción

Capítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción Capítulo 18 Análisis de regresión lineal: El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables.

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...

Más detalles

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán Capítulo 4 MEDIDA DE MAGNITUDES Autor: Santiago Ramírez de la Piscina Millán 4 MEDIDA DE MAGNITUDES 4.1 Introducción El hecho de hacer experimentos implica la determinación cuantitativa de las magnitudes

Más detalles

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama. Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El

Más detalles

VARIACIONES SISTEMÁTICAS DEL VOLUMEN DE NEGOCIACIÓN EN EL IBEX-35

VARIACIONES SISTEMÁTICAS DEL VOLUMEN DE NEGOCIACIÓN EN EL IBEX-35 VARIACIONES SISTEMÁTICAS DEL VOLUMEN DE NEGOCIACIÓN EN EL IBEX-35 Jesús Mª Sánchez Montero Departamento de Economía Aplicada I Universidad de Sevilla jsmonter@us.es Javier Gamero Rojas (jgam@jet.es) Departamento

Más detalles

Modelo SETAR para la volatilidad de la rentabilidad de las acciones: Aplicación de la propuesta metodológica.

Modelo SETAR para la volatilidad de la rentabilidad de las acciones: Aplicación de la propuesta metodológica. Capítulo 8 Modelo SETAR para la volatilidad de la rentabilidad de las acciones: Aplicación de la propuesta metodológica. En los capítulos anteriores hemos propuesto una nueva metodología que mejora la

Más detalles

Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico.

Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico. 1 Primeros pasos en R. Al iniciarse R (ver Figura 16), R espera la entrada de órdenes y presenta un símbolo para indicarlo. El símbolo asignado, como puede observarse al final, es > Figura 16. Pantalla

Más detalles

Cómo conseguir que la Formación de vendedores aumente la Efectividad Comercial a muy corto plazo?

Cómo conseguir que la Formación de vendedores aumente la Efectividad Comercial a muy corto plazo? Cómo conseguir que la Formación de vendedores aumente la Efectividad Comercial a muy corto plazo? Se debe Formar, Motivar y Supervisar a los vendedores simultáneamente; formarles con contenidos prácticos,

Más detalles

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

EXPERIMENTACIÓN. Eduardo Jiménez Marqués EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6

Más detalles

ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES

ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES El objetivo de este documento es ilustrar matemáticamente, y con un caso concreto, el problema de la identificación en

Más detalles

RESPUESTAS A LAS PREGUNTAS DEL TEMA 3

RESPUESTAS A LAS PREGUNTAS DEL TEMA 3 RESPUESTAS A LAS PREGUNTAS DEL TEMA 3 Las respuestas en algún caso (primera pregunta) son más largas de lo requerido para que sirva de explicación 1. Explica brevemente qué significan cada una de las curvas

Más detalles

TÉCNICAS NO PARAMÉTRICAS

TÉCNICAS NO PARAMÉTRICAS ASIGNATURA DE MÁSTER: TÉCNICAS NO PARAMÉTRICAS Curso 2015/2016 (Código:22201147) 1.PRESENTACIÓN La asignatura Técnicas No Paramétricas forma parte del Módulo 3 que está compuesto por Cursos Optativos que

Más detalles

PATRONES. Experto. Solución:

PATRONES. Experto. Solución: PATRONES. Experto. Asignar una responsabilidad a la clase que tiene la información necesaria para cumplirla. Cuál es el principio fundamental en virtud del cual asignaremos las responsabilidades a los

Más detalles

PROCESOS ESTOCÁSTICOS. INTRODUCCIÓN A LOS MODELOS FINANCIEROS

PROCESOS ESTOCÁSTICOS. INTRODUCCIÓN A LOS MODELOS FINANCIEROS ASIGNATURA DE MÁSTER: PROCESOS ESTOCÁSTICOS. INTRODUCCIÓN A LOS MODELOS FINANCIEROS Curso 2015/2016 (Código:2115228-) 1.PRESENTACIÓN La asignatura "Procesos Estocásticos e Introducción a los Modelos Financieros"

Más detalles