CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL"

Transcripción

1 CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL Contextualización En la primera parte del curso hemos estudiado el análisis clásico de series temporales en el que se asume que una serie temporal resulta de la agregación de cuatro componentes y, por otra parte, se ha dado una visión más moderna de una serie temporal como un proceso estocástico cuya modelización se ha reducido a la amplia familia de los modelos ARIMA. Esta segunda parte del curso se articula en torno a tres puntos: 1. Otros tratamientos de series temporales. 2. Predicción con series temporales, selección de modelos. 3. Series temporales en el análisis del teletráfico y teoría de la señal. En esta primera clase haremos un repaso muy breve del tratamiento realizado hasta el momento de las series y añadiremos el estudio de métodos de alisado exponencial. Estos apuntes se centran únicamente en los nuevos contenidos. Métodos de alisado exponencial Estos métodos proporcionan una serie temporal de pronósticos aplicando de modo iterativo una fórmula. Esta fórmula proporciona un pronóstico para el instante t mediante un promedio ponderado entre todos los datos anteriores al instante t. Las ponderaciones, generalmente, decrecen hacia el pasado de forma exponencial. Por esa razón también se denominan métodos de alisado exponencial. La mayor ventaja que tienen es que son muy sencillos de aplicar, de bajo coste y rápidos. Aunque existen métodos más sofisticados, cuando deben ajustarse muchas series y realizar predicciones, entonces resultan mucho más adecuados. Hay muchos métodos de alisado, para decidir cuál vamos a aplicar en un caso concreto consideraremos la clasificación de Pegel, que según los patrones de comportamiento que presenta la serie nos aconseja un algoritmo u otro. Tengamos en cuenta que no hay un modelo estadístico subyacente que los justifique teóricamente, de ahí que la elección entre uno u otro se base en medidas de precisión que se estudiarán más adelante. Clasificación de los algoritmos: Métodos de promedio: Promedio simple. Medias móviles asimétricas. Métodos de suavizado exponencial: Alisado exponencial simple. Método lineal de Holt. Método de Holt-Winters Clasificación de Pegel Métodos de promedio En este apartado, consideraremos la siguiente notación:

2 {Y t }={Y 1, Y 2,., Y N } {S t }={S 2 = Y ˆ 2 1,.,S N = YˆN N 1, S N+1 = Y ˆN + 1 N }, pero. cómo se pronostica el primer valor de la serie si no hay información?, este valor, aunque no parezca necesario, es fundamental en algunos algoritmos de predicción, únicamente para poderlos hacer comenzar. Lo denotaremos S 1 y debe indicarse de modo explícito puesto que su valor depende en gran medida de la elección del que implemente el método. Promedio simple: {Y t }={Y 1, Y 2,., Y N } {S t } donde S t+1 =1/t(Y 1 +.+Y t ) El pronóstico para cualquier instante posterior a N+1 es el mismo valor: Y + =S N+1, h=2,3 ˆN h N Escritura algorítmica: S t+1 =1/t[(t-1)S t +Y t ], S 1 =0 Cuándo es adecuado? Cuando el proceso en estudio no tiene un patrón tendencia y estacional marcado. En otras palabras, la evolución del proceso es horizontal con ligeras oscilaciones debidas al ruido blanco. Medias móviles asimétricas de orden k: {Y t }={Y 1, Y 2,., Y N } {S t } donde S t+1 =1/k(Y t-k+1 +.+Y t ) El pronóstico para cualquier instante posterior a N +1es el mismo valor: Y + =S N+1, h=2,3 ˆN h N Escritura algorítmica: S t+1 =S t +(Y t - Y t-k )/k, t=k+1,,n, S k =0 Cuándo es adecuado? Cuando hay cambios bruscos de la serie a intervalos regulares de tiempo (cada K unidades de tiempo, por ejemplo), en tal caso se usarían medias móviles asimétricas de orden K. Algunas observaciones sobre las medias móviles Una media móvil es una media aritmética que toma un valor para cada momento de tiempo y no entran, en su cálculo, todas las observaciones de la muestra disponible. El número de observaciones que entran en su cálculo se denomina longitud u orden. Si es alto se eliminan muchas irregularidades, si es pequeño la serie de medias móviles recoge mejor los cambios puntuales de la serie. Las medias móviles simétricas son las siguientes. Ejemplo: MM(3) medias móviles de orden 3 [Se pierden dos datos] , =MM(3) =MM(3) , =MM(3) =MM(3) =MM(3) , =MM(3)

3 Ejemplo: MM(4) medias móviles de orden 4 [Se pierden 4 datos] =MM(4) 2,5 24,25 =MM(4) 3 25,5=MM(4) ,5 27 =MM(4) 4 28,5=MM(4) 4, ,5=MM(4) 5,5 30,5 =MM(4) ,75=MM(4) 6,5 35,62 =MM(4) Se pierden en total cuatro datos, además la primera vez que se aplica una media móvil de orden par, no le corresponde un momento de los datos originales de ahí que se vuelva a realizar una media móvil de orden dos para que estos queden centrados. 5 En general, si el orden, K, es impar las medias móviles quedan centradas y se pierden K-1 datos. Si el orden, K, es par se pierden K datos. Cuando se representa una serie de medias móviles, su gráfico de secuencia es más suavizado que la serie original de la que procede, a este gráfico se le considera la tendencia local de la serie. Ejemplo: datos mensuales sobre número de pasajeros de avión 350,00 400,00 300,00 v1 300,00 MA(v1,12,12) 250,00 200,00 200,00 150,00 100,00 100,00 OCT 1967 JUL 1967 APR 1967 JAN 1967 OCT 1966 JUL 1966 APR 1966 JAN 1966 OCT 1965 JUL 1965 APR 1965 JAN 1965 OCT 1964 JUL 1964 APR 1964 JAN 1964 OCT 1963 JUL 1963 APR 1963 JAN 1963 OCT 1962 JUL 1962 APR 1962 JAN 1962 OCT 1961 JUL 1961 APR 1961 JAN 1961 OCT 1960 JUL 1960 APR 1960 JAN 1960 Fecha OCT 1967 JUL 1967 APR 1967 JAN 1967 OCT 1966 JUL 1966 APR 1966 JAN 1966 OCT 1965 JUL 1965 APR 1965 JAN 1965 OCT 1964 JUL 1964 APR 1964 JAN 1964 OCT 1963 JUL 1963 APR 1963 JAN 1963 OCT 1962 JUL 1962 APR 1962 JAN 1962 OCT 1961 JUL 1961 APR 1961 JAN 1961 OCT 1960 JUL 1960 APR 1960 JAN 1960 Fecha Fig 2: Datos originales y suavizados mediante una media móvil de orden 12 Se denomina media móvil centrada a aquélla cuyo subíndice es el instante central de los considerados de la serie original. Si se le asigna el último instante de los considerados de la serie original, se denomina media móvil asimétrica. En el ejemplo anterior ambas series de medias móviles son centradas. En el siguiente ejemplo se calculan las medias móviles asimétricas de orden 3 del ejemplo anterior, obsérvese que ahora se pierden los datos iniciales. Ejemplo: , =MM(3) 3 3

4 =MM(3) , =MM(3) =MM(3) =MM(3) , =MM(3) 8 7 Las medias móviles asimétricas se utilizan para hacer predicciones de modelos con tendencia constante, de modo similar al enfoque global, esto es, el último valor es la predicción para cualquier otro valor posterior. Medias móviles con pesos: Una media móvil centrada puede escribirse con una fórmula general. Por ejemplo MM3 para los instantes=2,3, N-1: MM(3) t =1/3 Y t-1 +1/3 Y t +1/3 Y t+1 Una notación simplificada de la fórmula anterior es 1/3[1, 1, 1] MM4 para los instantes t=3,4,.,n-2 MM(4x2) t =1/2(1/4(Y t-2 +Y t-1 +Y t +Y t+1 )+1/4(Y t-1 +Y t +Y t+1 +Y t+2 ))=1/4[0.5,1,1,1,0.5] Ejercicio: comprueba que una MM(6x2) se puede escribir 1/6[0.5,1,1,1,1,1, 0.5] En definitiva, no es difícil concluir que las medias móviles centradas responden a las fórmulas: k impar 1/k[1,1,,1], k par 1/k[0.5,1, 1,0.5] K unos k-1 unos La forma general de escribir una media móvil con pesos es la siguiente: [a -1, a 0,a 1 ] [a -2, a -1,a 0,a 1,a 2 ] Se han propuesto en la literatura muchas fórmulas de medias móviles, también llamadas de suavizado (puesto que la serie resultante no presenta tantas oscilaciones como la original). Todas ellas se escriben dando los valores a i que, si se observa, indican a qué elemento de la serie original afecta (el valor del instante t en la serie suavizada resulta de multiplicar por a i al elemento Y t+i de la serie original). La suma de todos los pesos debe ser uno. Fórmula de Spencer MM(5x4x4) +[-3/4, ¾, 1, ¾, -3/4] Esta fórmula se usa bastante, y no es una elección arbitraria, más bien responde a la comprobación empírica de su capacidad para captar las tendencias de las series originales. Otras fórmulas de tendencia se presentan en Makridiakis et al (1998), y una referencia monográfica del estudio de suavizados en series es Abraham y Ledolter (1983).

5 Órdenes en R a<-c(20,23,24,25,30,35,40,50) a<-ts(a, start=1) a3suav<-filter(a, sides=2, method="convolution",rep(1/3,3)) a4suav<-filter(a, sides=1, method="convolution",c(0.5,1,1,1,0.5)/4) sides 2 indica que son centradas mientras que 1 indica que son asimétricas. La orden lowess hace un suavizado previamente implementado, ajusta un polinomio con un algoritmo nada sencillo.. Otras órdenes: acf, pacf, lag.plot,stl(x, per ), x1 = arima.sim(list(order=c(1,0,0), ar=.9), n=100) x.fit = arima(x1, order = c(1, 0, 1))) x.fore = predict(x.fit, n.ahead=10) En lo sucesivo utilizaremos la orden HoltWinters que permite realizar distintos alisados exponenciales y predict premite hacer predicciones de nuevo. Métodos de suavizado exponencial Alisado exponencial simple: Escritura algorítmica: S t+1 =S t +α(y t -S t )= αy t +(1-α)S t, 0<α<1 S 1 =Y 1 El pronóstico para cualquier instante posterior a N +1es el mismo valor: Y + =S N+1, h=2,3 ˆN h N Cuándo es adecuado? Cuando los datos no presentan ni tendencia, ni estacionalidad, puesto que el pronóstico no tiene en cuenta estos efectos. Ejercicio: Demuestra que t 1 r t S t+1 = α (1 α) Y + (1 α) S r= 0 Si quisiéramos utilizar el pronóstico del instante 10, por ejemplo, tendría una gran influencia una mala elección del valor de inicialización S 1? Qué sucede si α=1? Y si vale cero? Método lineal de Holt: Este método asume que la serie que interesa pronosticar tiene tendencia lineal. Ahora bien, el algoritmo asociado actualiza en cada salto el nivel de la serie {L t } (altura que ha alcanzado) y la pendiente de la recta tendencia {b 1t }: t r 1 Escritura algorítmica:

6 0<α <1, 0< β <1 L t = αyt + (1 α)( Lt 1 + b1 t 1) L 1 =Y b 11 YN Y1 b1 t = β ( Lt Lt 1) + (1 β ) b1 t 1 b 11 = N 1 Por tanto, la serie de pronósticos es {S t }, con S t =L t-1 +b 1t-1, t= 2,3,..N, N+1 El pronóstico para cualquier instante posterior a N es YˆN + m N = L N + b1 N m También se utilizan como valores de inicialización los parámetros de la recta de regresión ajustada a los datos de la serie y, en algunos textos, toman L 1 =Y 1, b 1 =Y 2 -Y 1. Ejercicio: Dada la serie temporal {Y t }={143,152,161,139,137,174,142,141}, escribe las series {S t } que resultan de aplicar AES con α =0.654 e inicializando con el primer valor de la serie y Holt lineal con α =0.501 y β =0.072, inicializando con L 1 =Y 1, b 1 =Y 2 -Y 1. Cuál de los dos está realizando el mejor ajuste a la serie? Sol. AES S t ={143, 143, ,156.81,145.16,139.82,162.18,148.98,143.76} Holt S t ={-,152,161,170,162.34,156.60,172.91,163.89,158.06} Método de Holt-Winters: Este algoritmo es adecuado para datos con estacionalidad. Se puede aplicar tanto en el caso de esquemas aditivos como en el caso de esquemas multiplicativos. Ahora bien, el método lo forman tres ecuaciones: una que ajusta el nivel de la serie, otra que ajusta la pendiente de la recta tendencia y otra que ajusta el valor de los factores estacionales. Esquema multiplicativo: Y L = α + (1 α)( L + b ) t t t 1 1t 1 Ct K b = β ( L L ) + (1 β ) b 1t t t 1 1t 1 Yt Ct = γ + (1 γ ) Ct K Lt Pronóstico: S t =(L t-1 +b 1t m)c t-k A partir del instante N el pronóstico es: S N+m =(S N +b 1N m)c N-K+m Para inicializar el algoritmo podemos utilizar: L 1 y b 11, se les asigna el termino independiente y la pendiente de la recta ajustada a la serie completa mediante mínimos cuadrados. Las componentes estacionales C h, donde h=1,..., K, se inicializan con las obtenidas mediante el método explicado en el tema 3 en el caso del esquema

7 multiplicativo. En concreto: C inicialización, por defecto: h = E $. Es habitual utilizar los siguientes valores de h b 10 ml m1 = donde m i es la media de los valores del año i. ( L 1) K S m K 0 = 1 b10 2 Ejercicio: cómo varían las ecuaciones anteriores si el esquema fuera aditivo? Elección del mejor algoritmo Tengamos en cuenta que es mejor cada algoritmo para un cierto comportamiento de la serie respecto a la tendencia o a la estacionalidad. La clasificación de Pegel nos ayudará a seleccionar un algoritmo u otro: Tendencia\Estacionalidad NO hay efecto Aditiva Multiplicativa NO hay (horizontal) Promedio -AES Lineal Holt Holt-Winters Holt-Winters Exponencial Ahora bien, en algunos casos no es evidente el patrón que sigue la serie. Entonces, deberemos aplicar más de un método y escoger uno de ello utilizando las medidas explicadas en el tema 2. También es útil hacer un estudio de la autocorrelación de los errores de predicción y comprobar que puede aceptarse la hipótesis de ruido blanco. Por otra parte, hemos observado que cada algoritmo debe inicializarse con unos valores que son escogidos por el predictor y, a su vez, debe fijarse el valor de los parámetros del modelo. Los valores de inicialización afectan poco a las predicciones, siempre que tengamos un número suficiente de datos por qué?. Por otra parte, los parámetros deben escogerse entre valores que se encuentren entre 0 y 1. De ahí que se escojan aquellos que proporcionen el menor error cuadrático medio de los errores de un paso: minσ(y t -S t ) 2, est operación es muy costosa en tiempo, y la mayoría de los paquetes estadísticos automatizan esta operación, proporcionando el algoritmo de ajuste con los parámetros que minimizan el error. Ejercicio: Qué efecto tiene en los algoritmos de predicción la elección de pequeños valores de los parámetros α, β y γ (entre 0.1 y 0.2)? Señalemos finalmente que estos métodos no tienen gran fundamentación teórica, de ahí que el uso de intervalos de predicción pueda resultar arriesgado. En caso de utilizarlos seguiremos las indicaciones generales señaladas en el tema 2. No obstante, es importante señalar que se ha demostrado que cada uno de los algoritmos estudiados no es más que un caso particular de un modelo ARIMA concreto, Sin embargo, la filosofía de los algoritmos de predicción es la de aplicarlos sin tener en cuenta que hay un modelo estadístico asociado, y más bien guiarse de los patrones de comportamiento de la serie.

8 Práctica con alisados exponenciales Alisado Exponencial Simple (AES) y Método de Holt Consideramos la serie ventas: {25,26,25,28,24,28,26,26,25,27} a) Si aplicamos el enfoque global con tendencia constante (α=0), qué ajuste se obtiene? b) Si aplicamos el método de suavizado exponencial, R busca el valor alpha que proporciona el menor error cuadrático medio. Indica cuál es este valor y el error cuadrático del ajuste. c) Inicializa el proceso con el valor 26 y con el valor 25 (media y primer valor de la serie respectivamente), cambia el resultado? por qué? d) Si asumimos tendencia en la serie cómo modificas el comando? e) Inicializa con los valores indicados en la teoría, cambia el resultado? Con cuál de las dos inicializaciones te quedarías. Método Holt-Winters Consideramos los siguientes datos: Efectúa el ajuste Holt_Winters con distintos valores de inicio. Ejercicio 1: Consideremos la serie de ventas de cuchillos eléctricos desde enero-91 a abril-92: {19, 15,39,102,90,29,90, 4,30,66,80,89, 82,17, 26,29} El departamento de ventas decide utilizar medias móviles y AES para pronosticar el valor de las ventas en mayo-92. Se pide obtener el pronóstico con medias móviles de orden k=3, 5, 7, 9, 11 y con AES inicializado por defecto y parámetro α= 0.1, 0.3, 0.5, 0.7, 0.9. Si asumimos que el comportamiento del pasado se mantiene en el futuro, escoge el mejor valor de k y α de manera que se miniminicen los errores.

9 Ejercicios propuesto 1.- La serie IPI.txt proporciona el índice de producción industrial español desde el primer mes de Vamos a aplicar todas las técnicas de predicción aprendidas hasta el momento y vamos a seleccionar la más adecuada. En todos los casos vamos a realizar la predicción de los nueve primeros meses de a) Descomposición. Reserva en el editor de datos todos los valores de los componentes de la serie. Efectúa la predicción y guarda los resultados. b) Medias móviles [escoge el orden que te parezca más adecuado, conviene que pruebes unos cuantos]. c) Promedio total. d) AES e) Método de Holt. f) Método de Holt-Winters. g) Mediante el criterio ECM y MAPE, proporciona una tabla ordenando de mejor a peor todos los métodos utilizados utilizando los residuos. h) Repite los pasos anteriores, pero reservando los últimos 12 datos de la muestra sin ser utilizados en la utilización de los métodos. Realiza las predicciones con todos los métodos para estos 12 datos y vuelve a calcular los ECMp y MAPE pero sólo con estos 12 datos. Ordena los métodos utilizados. i) Aplica el método seleccionado con h) y con i) y obtén las estimaciones para los nueve primeros meses de Busca los verdaderos valores que han sucedido en este año y obtén conclusiones.

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

SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH

SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH 1) DEFINICIÓN Las series de tiempo llamadas también series cronológicas o series históricas son un conjunto de datos numéricos que se obtienen en períodos regulares

Más detalles

INNOVACIÓN DOCENTE EN TÉCNICAS DE PREDICCIÓN ECONÓMICA

INNOVACIÓN DOCENTE EN TÉCNICAS DE PREDICCIÓN ECONÓMICA INNOVACIÓN DOCENTE EN TÉCNICAS DE PREDICCIÓN ECONÓMICA Balaguer, Jacint 1 Ripollés, Jordi 2 Departamento de Economía Facultad de Ciencias Jurídicas y Económicas Universidad Jaume I de Castellón Av. de

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

Métodos de promedios. Diplomado en Gestión Estratégica de las Finanzas Públicas MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS

Métodos de promedios. Diplomado en Gestión Estratégica de las Finanzas Públicas MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS La estimación o proyección de ingresos futuros puede llevarse a cabo mediante diferentes métodos estadísticos de extrapolación, entre ellos: sistema

Más detalles

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto Previsión Contenido Qué es la previsión? Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos

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

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO Jorge Galbiati Riesco En este apunte se da una visión general sobre algunos procedimientos en el análisis en series de tiempo. Inicialmente presentamos

Más detalles

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Una de las primeras necesidades que surgen en las Ciencias Experimentales es la de poder expresar los valores

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

Métodos y Modelos Cuantitativos para la toma de Decisiones

Métodos 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 detalles

Breve Introducción a las Series Temporales

Breve 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 detalles

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID d e p a r t a m e n t o d E 0.8 300 0.6 I O 0.4 250 0.2 50 100 200 150 200 250 www.eio.uva.es 300 150 universidad de valladolid e s t a d í s t i c a Ver.norm media desv. estand. o p e r a t i v a i n

Más detalles

Series de Tiempo. Germán Aneiros Pérez. Máster en Técnicas Estadísticas Curso 2008-09. Departamento de Matemáticas Universidade da Coruña

Series de Tiempo. Germán Aneiros Pérez. Máster en Técnicas Estadísticas Curso 2008-09. Departamento de Matemáticas Universidade da Coruña Departamento de Matemáticas Universidade da Coruña Máster en Técnicas Estadísticas Curso 2008-09 Bibliografía Índices Bibliografía Tema 1: Análisis descriptivo de una tiempo Tema 2: Series de tiempo y

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

Estudio sobre la evolución del número de pasajeros en el metro de Barcelona

Estudio sobre la evolución del número de pasajeros en el metro de Barcelona Estudio sobre la evolución del número de pasajeros en el metro de Barcelona Un análisis basado en Series Temporales. Autor: Origen 1.- Introducción 2.- Metodología estadística 3.- Análisis descriptivo

Más detalles

EPI Gijón Área de Organización de Empresas INTRODUCCIÓN N A PREVISIÓN

EPI Gijón Área de Organización de Empresas INTRODUCCIÓN N A PREVISIÓN EPI Gijón Área de Organización de Empresas INTRODUCCIÓN N A LOS MÉTODOS M DE PREVISIÓN INDICE INTRODUCCIÓN MEDIA MÓVIL ALISADO EXPONENCIAL TRATAMIENTO DE LA TENDENCIA TRATAMIENTO DE LA ESTACIONALIDAD.

Más detalles

ANÁLISIS DE SERIES TEMPORALES CON SPSS

ANÁLISIS DE SERIES TEMPORALES CON SPSS MODELOS SERIES TEMPORALES Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández ANÁLISIS DE SERIES TEMPORALES CON SPSS El análisis clásico

Más detalles

LA HOJA DE CÁLCULO COMO HERRAMIENTA DE APOYO DOCENTE: ANÁLISIS DE TENDENCIA DE UNA SERIE DE DATOS ECONÓMICOS

LA HOJA DE CÁLCULO COMO HERRAMIENTA DE APOYO DOCENTE: ANÁLISIS DE TENDENCIA DE UNA SERIE DE DATOS ECONÓMICOS La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos LA HOJA DE CÁLCULO COMO HERRAMIENTA DE APOYO DOCENTE: ANÁLISIS DE TENDENCIA DE UNA SERIE DE

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

SERIES DE TIEMPO INTRODUCCIÓN

SERIES DE TIEMPO INTRODUCCIÓN Clase Nº 5 SERIES DE TIEMPO INTRODUCCIÓN La forma más utilizada para el análisis de las tendencias futuras es realizar pronósticos. La función de un pronóstico de demanda de un bien, por ejemplo ventas

Más detalles

Pronósticos Por Lic. Gabriel Leandro, MBA http://www.auladeeconomia.com

Pronósticos Por Lic. Gabriel Leandro, MBA http://www.auladeeconomia.com Pronósticos Por Lic. Gabriel Leandro, MBA http:// 1.1. Necesidad de pronosticar Entorno altamente incierto La intuición no necesariamente da los mejores resultados Mejorar la planeación Competitividad

Más detalles

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia SERIES TEMPORALES Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) ESQUEMA DE CONTENIDOS Medias móviles Series Temporales Análisis de la serie Análisis de la tendencia Método

Más detalles

RESUMEN INTRODUCCION

RESUMEN INTRODUCCION Análisis de Series Temporales de la Amplitud Térmica para 7 Localidades de la Zona Centro-Norte-Costera de Venezuela con datos del Modelos de Reanalysis-NCAR Realizado por: Ing. Rafael Elías Mundaray Mago

Más detalles

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

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

Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo. Alejandro Román Vásquez

Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo. Alejandro Román Vásquez Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo Alejandro Román Vásquez 2 de mayo del 2012 Índice general 1. Introducción 5 1.1. Contexto, motivación y propósito

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

Límites y Continuidad de funciones

Límites y Continuidad de funciones CAPITULO Límites y Continuidad de funciones Licda. Elsie Hernández Saborío Instituto Tecnológico de Costa Rica Escuela de Matemática Revista digital Matemática, educación e internet (www.cidse.itcr.ac.cr)

Más detalles

Métodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las 7 Interpolación Palmas de G.C. de funciones 1 / 42II

Métodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las 7 Interpolación Palmas de G.C. de funciones 1 / 42II Métodos Numéricos Grado en Ingeniería Informática Tema 7 Interpolación de funciones II Luis Alvarez León Univ. de Las Palmas de G.C. Métodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las

Más detalles

Se llama dominio de una función f(x) a todos los valores de x para los que f(x) existe. El dominio se denota como Dom(f)

Se llama dominio de una función f(x) a todos los valores de x para los que f(x) existe. El dominio se denota como Dom(f) MATEMÁTICAS EJERCICIOS RESUELTOS DE FUNCIONES FUNCIONES A. Introducción teórica A.1. Definición de función A.. Dominio y recorrido de una función, f() A.. Crecimiento y decrecimiento de una función en

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

Series de Tiempo. Una Introducción

Series 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 detalles

PLANIFICACIÓN Y PROGRAMACIÓN DE PROYECTOS METODOS PERT Y GANTT

PLANIFICACIÓN Y PROGRAMACIÓN DE PROYECTOS METODOS PERT Y GANTT PLANIFICACIÓN Y PROGRAMACIÓN DE PROYECTOS METODOS PERT Y GANTT [Escriba aquí una descripción breve del documento. Normalmente, una descripción breve es un resumen corto del contenido del documento. Escriba

Más detalles

1. Funciones y sus gráficas

1. Funciones y sus gráficas FUNCIONES 1. Funciones sus gráficas Función es una relación entre dos variables a las que, en general se les llama e. es la variable independiente. es la variable dependiente. La función asocia a cada

Más detalles

FUNCIONES CUADRÁTICAS Y RACIONALES

FUNCIONES CUADRÁTICAS Y RACIONALES www.matesronda.net José A. Jiménez Nieto FUNCIONES CUADRÁTICAS Y RACIONALES 1. FUNCIONES CUADRÁTICAS. Representemos, en función de la longitud de la base (), el área (y) de todos los rectángulos de perímetro

Más detalles

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and

Más detalles

Metodología. del ajuste estacional. Tablero de Indicadores Económicos

Metodología. del ajuste estacional. Tablero de Indicadores Económicos Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

Procesos de Media Móvil y ARMA

Procesos 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 detalles

ALGORITMICA III Capitulo I ANALISIS DE ALGORITMOS

ALGORITMICA III Capitulo I ANALISIS DE ALGORITMOS Universidad Nacional de San Antonio Abad del Cusco Departamento Académico de Informática ALGORITMICA III Capitulo I ANALISIS DE ALGORITMOS Iván Medrano Valencia ANALISIS DE ALGORITMOS Un algoritmo es un

Más detalles

Límites y Continuidad

Límites y Continuidad Universidad de Sonora División de Ciencias Eactas y Naturales Departamento de Matemáticas. Límites y Continuidad Problemas Resueltos Dr. José Luis Díaz Gómez Versión. Abril de 005 Dr. José Luis Díaz Gómez.

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

Introducción a las Series Cronológicas. Ronny Vallejos Universidad Técnica Federico Santa María

Introducción a las Series Cronológicas. Ronny Vallejos Universidad Técnica Federico Santa María Introducción a las Series Cronológicas Ronny Vallejos Universidad Técnica Federico Santa María 5 de abril de 2012 Índice general 1. Modelos Ingenuos 2 1.1. Introducción......................................

Más detalles

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n. Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular

Más detalles

La práctica del análisis de correspondencias

La práctica del análisis de correspondencias La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo Biplots en análisis de correspondencias Primera edición: julio

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Dr. Carlos L. Jave Gutiérrez

Dr. Carlos L. Jave Gutiérrez PLANIFICACION DE LA PRODUCCION: PRONOSTICOS Dr. Carlos L. Jave Gutiérrez Universidad San Martín de Porras 2010-2 PLANIFICACION DE LA PRODUCCION Son variados y similares los enfoques que con respecto al

Más detalles

T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I

T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I UNIVERSIDAD SAN MARTIN DE PORRES FACULTAD DE INGENIERIA Y ARQUITECTURA T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I A N A L I S I S D E P R O N Ó S T I C O S F O R E C A S T

Más detalles

Límites. Definición de derivada.

Límites. Definición de derivada. Capítulo 4 Límites. Definición de derivada. 4.1. Límites e indeterminaciones Hemos visto en el capítulo anterior que para resolver el problema de la recta tangente tenemos que enfrentarnos a expresiones

Más detalles

Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas

Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Videoconferencias semana de estadística Universidad Latina, Campus Heredia Costa Rica Universidad del Valle

Más detalles

Regresión lineal múltiple

Regresión lineal múltiple . egresión lineal múltiple egresión lineal múltiple. Introducción. En el tema anterior estudiamos la correlación entre dos variables y las predicciones que pueden hacerse de una de ellas a partir del conocimiento

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

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................

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

Series de Tiempo. Series de Tiempo

Series de Tiempo. Series de Tiempo Series de Tiempo 1. Requisitos de Estadística Descriptiva: a. Media, Mediana b. Desviación estándar c. Regresión lineal 2. Qué es una serie de tiempo a. Componentes de la Serie de Tiempo (tipos de variación):

Más detalles

SERIES TEMPORALES (esquemas)

SERIES TEMPORALES (esquemas) SERIES TEMPORALES (esquemas) INTRODUCCIÓN DESCOMPOSICIÓN (ANÁLISIS CLÁSICO) TENDENCIA SECULAR VARIACIONES CICLICAS VARIACIONES ESTACIONALES VARIACIÓN ERRÁTICA ANÁLISIS DE LA TENDENCIA MEDIAS MÓVILES ALISAMIENTO

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

Ecuaciones Diferenciales Tema 2. Trasformada de Laplace

Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace

Más detalles

Empresarial y Financiero

Empresarial y Financiero Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),

Más detalles

Capítulo 4. Inventarios

Capítulo 4. Inventarios apítulo 4 Inventarios En este capítulo se mencionarán los conceptos más importantes necesarios para la comprensión y elaboración de la clasificación de productos, pronósticos y sistema de inventarios,

Más detalles

El Ábaco. Descripción. Para qué sirve?

El Ábaco. Descripción. Para qué sirve? El Ábaco El ábaco es un instrumento que sirve para facilitar al alumno el aprendizaje del concepto de sistema posicional de numeración (en cualquier base), cómo se forman las distintas unidades que lo

Más detalles

Apuntes de Laboratorio

Apuntes de Laboratorio Apuntes de Laboratorio Estas notas resumen lo esencial que necesitas saber para tratar los datos que tomes en el Laboratorio de Física. La parte principal trata sobre cómo estimar las incertidumbres de

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

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

Análisis de Datos. Práctica de métodos predicción de en WEKA

Análisis de Datos. Práctica de métodos predicción de en WEKA SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation

Más detalles

Análisis descriptivo de series temporales aplicadas al precio medio de la vivienda en España

Análisis descriptivo de series temporales aplicadas al precio medio de la vivienda en España Análisis descriptivo de series temporales aplicadas al precio medio de la vivienda en España Justo Puerto María Paz Rivera * MaMaEuSch ** Management Mathematics for European Schools 94342 - CP - 1-2001

Más detalles

Comparar las siguientes ecuaciones, y hallar sus soluciones:

Comparar las siguientes ecuaciones, y hallar sus soluciones: TEMA. Iteraciones. % Hemos aprendido que para resolver una ecuación en x, se despeja la x y se evalúa la expresión que resulta. El siguiente ejemplo nos hará revisar ese esquema. Ejemplo. Comparar las

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

Una fórmula para la pendiente

Una fórmula para la pendiente LECCIÓN CONDENSADA 5.1 Una fórmula para la pendiente En esta lección aprenderás cómo calcular la pendiente de una recta dados dos puntos de la recta determinarás si un punto se encuentra en la misma recta

Más detalles

Polinomios y Ecuaciones

Polinomios y Ecuaciones Ejercicios de Cálculo 0 Prof. María D. Ferrer G. Polinomios y Ecuaciones.. Polinomios: Un polinomio o función polinómica es una epresión de la forma: n n n P a a a a a a = n + n + n + + + + 0 () Los números

Más detalles

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt Controladores PID Virginia Mazzone Regulador centrífugo de Watt Control Automático 1 http://iaci.unq.edu.ar/caut1 Automatización y Control Industrial Universidad Nacional de Quilmes Marzo 2002 Controladores

Más detalles

Unidad 6 Estudio gráfico de funciones

Unidad 6 Estudio gráfico de funciones Unidad 6 Estudio gráfico de funciones PÁGINA 96 SOLUCIONES Representar puntos en un eje de coordenadas. 178 Evaluar un polinomio. a) b) c) d) e) Escribir intervalos. a) b) c) 179 PÁGINA 98 SOLUCIONES 1.a)

Más detalles

1. Graficando con Maple

1. Graficando con Maple 1. Graficando con Maple Maple es un programa de computación simbólica que permite, entre otras cosas, calcular derivadas, límites, integrales de funciones de una o varias variables; graficar funciones

Más detalles

Polinomios de Taylor.

Polinomios de Taylor. Tema 7 Polinomios de Taylor. 7.1 Polinomios de Taylor. Definición 7.1 Recibe el nombre de polinomio de Taylor de grado n para la función f en el punto a, denotado por P n,a, el polinomio: P n,a (x) = f(a)

Más detalles

PREVISIÓN DE VENTAS EN EL SECTOR DE LA GRAN DISTRIBUCIÓN. Departamento de Matemática Aplicada, Estadística e Investigación Operativa (2)

PREVISIÓN DE VENTAS EN EL SECTOR DE LA GRAN DISTRIBUCIÓN. Departamento de Matemática Aplicada, Estadística e Investigación Operativa (2) PREVISIÓN DE VENTAS EN EL SECTOR DE LA GRAN DISTRIBUCIÓN Mikel Lezaun (1), Agueda Madoz (1), Maider Mateos (1), Fernando Tusell (2) (1) Departamento de Matemática Aplicada, Estadística e Investigación

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

Utilizamos el fichero importado

Utilizamos el fichero importado TEMA 5: Análisis estadísticoexploratorio de datos en Eviews Área de Comandos Menú Principal Ventana Workfile y de Objetos Línea de estado EVIEWS, Econometric Views, para la gestión econométrica de datos

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

Series temporales: predicción (Dossier)

Series temporales: predicción (Dossier) Series temporales: predicción (Dossier) Luca Di Gennaro Splendore Universitat Pompeu Fabra Los actos de los locos dijo Farach exceden las previsiones del hombre cuerdo. Jorge Luis Borges (1899 1986) El

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las

Más detalles

A estas alturas de nuestros conocimientos vamos a establecer dos reglas muy prácticas de cómo sumar dos números reales:

A estas alturas de nuestros conocimientos vamos a establecer dos reglas muy prácticas de cómo sumar dos números reales: ADICIÓN Y RESTA DE NUMEROS REALES ADICIÓN L a adición o suma de números reales se representa mediante el símbolo más (+) y es considerada una operación binaria porque se aplica a una pareja de números,

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas

Más detalles

A note of the importance of depreciation systems in the Spanish mortgage market between 1998 and 2008

A note of the importance of depreciation systems in the Spanish mortgage market between 1998 and 2008 MPRA Munich Personal RePEc Archive A note of the importance of depreciation systems in the Spanish mortgage market between 998 and 2008 Daniel Fuentes Castro Universidad de Zaragoza March 200 Online at

Más detalles

Solución Actividades Tema 4 MOVIMIENTOS RECTILÍNEOS Y CIRCULARES. INTRODUCCIÓN A LA CINEMÁTICA.

Solución Actividades Tema 4 MOVIMIENTOS RECTILÍNEOS Y CIRCULARES. INTRODUCCIÓN A LA CINEMÁTICA. Solución Actividades Tema 4 MOVIMIENTOS RECTILÍNEOS Y CIRCULARES. INTRODUCCIÓN A LA CINEMÁTICA. Actividades Unidad 4. Nos encontramos en el interior de un tren esperando a que comience el viaje. Por la

Más detalles

UNIDAD 3: ARITMÉTICA DEL COMPUTADOR

UNIDAD 3: ARITMÉTICA DEL COMPUTADOR UNIDAD 3: ARITMÉTICA DEL COMPUTADOR Señor estudiante, es un gusto iniciar nuevamente con usted el desarrollo de esta tercera unidad. En esta ocasión, haremos una explicación más detallada de la representación

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

1. Teorema del Valor Medio

1. Teorema del Valor Medio 1. l Valor Medio Uno de los teoremas más importantes del cálculo diferencial de funciones reales de una variable real es el l Valor Medio, del que se obtienen consecuencias como el Taylor y el estudio

Más detalles

EJERCICIOS RESUELTOS DE SERIES TEMPORALES

EJERCICIOS RESUELTOS DE SERIES TEMPORALES EJERCICIOS RESUELTOS DE SERIES TEMPORALES Estadística Descriptiva: SERIES TEMPORALES Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández.

Más detalles

f( x) = ( x)2 + 11 x + 5 = 0 = x2 + 11 = 0 = No hay solución y = 0 + 11 0 + 5 = 11

f( x) = ( x)2 + 11 x + 5 = 0 = x2 + 11 = 0 = No hay solución y = 0 + 11 0 + 5 = 11 1. y = x + 11 x + 5 a) ESTUDIO DE f: 1) Dominio: Como es un cociente del dominio habrá que excluir los valores que anulen el denominador. Por tanto: x + 5 = 0 x = 5 ) Simetría: A simple vista, como el

Más detalles

1. El teorema de la función implícita para dos y tres variables.

1. El teorema de la función implícita para dos y tres variables. GRADO DE INGENIERÍA AEROESPACIAL. CURSO. Lección. Aplicaciones de la derivación parcial.. El teorema de la función implícita para dos tres variables. Una ecuación con dos incógnitas. Sea f :( x, ) U f(

Más detalles

1. TEMPORALIZACIÓN POR EVALUACIONES DE LOS CONTENIDOS

1. TEMPORALIZACIÓN POR EVALUACIONES DE LOS CONTENIDOS 1. TEMPORALIZACIÓN POR EVALUACIONES DE LOS CONTENIDOS Primera Evaluación TEMA 1. NÚMEROS REALES Distintos tipos de números. Recta real. Radicales. Logaritmos. Notación científica. Calculadora. TEMA 2.

Más detalles

Factorización de polinomios

Factorización de polinomios Factorización de polinomios Polinomios Un polinomio p en la variable x es una expresión de la forma: px a 0 a 1 x a x a n1 x n1 a n x n donde a 0, a 1, a,, a n1, a n son unos números, llamados coeficientes

Más detalles

LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1

LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1 LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA CURSO 005-006 PRÁCTICA SEÑALES Y SISTEMAS CONTINUOS Las presente practica trata distintos aspectos de las señales y los sistemas en tiempo continuo. Los diferentes

Más detalles

Complementos de matemáticas. Curso 2004-2005

Complementos de matemáticas. Curso 2004-2005 Univ. de Alcalá de Henares Ingeniería Técnica Industrial Complementos de matemáticas. Curso 004-005 Colección de ejercicios del tema 1 Las soluciones aparecen en color azul, y si disponéis de la posibilidad

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Univariadas) Carlos Capistrán Carmona ITAM Serie de tiempo Una serie de tiempo es una sequencia de valores

Más detalles

1. Cálculo de límites para funciones de dos variables

1. Cálculo de límites para funciones de dos variables . Cálculo de límites para funciones de dos variables Los límites de funciones de dos variables exigen, en general, un proceso de cálculo difícil. En el presente apartado se hará un análisis sobre los siguientes

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