Breve Introducción a las Series Temporales
|
|
- Pedro Caballero Barbero
- hace 8 años
- Vistas:
Transcripción
1 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 ser totalmente invalida. Ejemplos: Posición de un equipo de fútbol en la liga española en las distintas jornadas. Precio de un determinado valor en bolsa diariamente. Medida de ocupación de un determinado servicio en internet cada 5 minutos,... Tipos: Discreta: El conjunto T que indexa a la serie es un conjunto discreto. Especial interés suele tener el caso de observaciones equiespaciadas. Continua: Las observaciones son tomadas de forma continua en el tiempo (E.g.: Medición de un sismógrafo,...). Objetivos: Estaremos interesados en su descripción, explicación, predicción y su posible control. 2 Serie Estacionaria: Diremos que {X t } t T es una serie estacionaria 1 si E(X t ) = µ = cte. V ar(x t ) = σ 2 = cte. Cov(X t, X t+k ) = γ k = cte. t T 1 Se dice que una serie es estacionaria en sentido amplio si (X t, X t+1,..., X t+k ) d = (X t+s, X t+s+1,..., X t+s+k ). 1
2 Ejemplo de serie estacionaria: Ruido blanco Notaremos siempre por {ε t } t a toda serie que verifique E(ε t ) = 0, V ar(ε t ) = σ 2 y Cov(ε t, ε t+k ) = 0 k = ±1, ±2,... Dicha serie diremos que se trata de un ruido blanco. 3 Componente Estacionales y Componente Tendencial En muchos casos un modelo adecuado para modelizar 2 series temporales es el siguiente X t = Y t + m t + S t con Y t una serie estacionaria, m t la componente tendencial y S t la componente estacional. 2 Existen otros modelos como el multiplicativo (X t = Y t m t S t ) o mixtos (X t = Y t + m t S t,...). 2
3 Efecto tendencial: Serán aquellas variaciones a largo plazo en la media de la serie. Efecto estacional: Variaciones periodicas de periodo constante 3 (E.g.: En las temperaturas, precipitaciones de lluvia, ocupaciones hoteleras,... se observan patrones mas o menos cíclicos según las estaciones o los meses del año). Para modelizar correctamente una serie debemos estimar (y eliminar) estos estos dos efectos: 3.1 Eliminación de la tendencia Ajustar una curva: Esta curva se obtiene aplicando las técnicas vistas en el modelo de regresión. (e.g., suponemos m t = a + bt + ct 2 y minimizando (X t m t ) 2 obtenemos â, b y ĉ. Finalmente consideraremos la serie X t = X t m t = X t (â + bt + ĉt 2 ).) Filtrado: Convertir la serie X t en la serie X t con s Xt = a r X t+r. r= q (e.g.: Filtro de suavizado filtro exponencial;...) m t = 1 2q + 1 t+q j=t q X j X t = X t m t Según las variaciones que dejen pasar los filtros se clasifican el high- y low-pass. Diferenciación: Definimos el operador de retardos B como y el operador diferencia ( = 1 B) BX t = X t 1 X t = (1 B)X t = X t BX t = X t X t 1. Análogamente se definen n = (1 B) n y n = 1 B n 4. Es facil ver que elimina la tendencia lineal, 2 elimina tendencias cuadráticas,... 3 También se puede considerar una componente cíclica. Esta componente corresponde a variaciones cíclicas, pero ya no de periodo constante y generalmente más largo que en la componente estacional. Pensar en los distintos ciclos económicos... 4 Claramente n n. 3
4 3.2 Eliminación el efecto estacional Si S t es un efecto estacional de periodo d (i.e., S t = S t+d ), este efecto se puede eliminar utilizando los siguientes métodos: Diferenciación: Considerar la serie diferenciada X t = d X t = X t X t d. Estimación: Estimar dicha componente y restarsela. Filtrado: Existen filtros específicos para distintos periodos. 4 Elementos para la Identificación del Modelo Para la estimación de los parámetros del modelo que ajustaremos a nuestra serie temporal debemos, previamente, tratar de identificar que posible modelo generó nuestros datos. 4.1 Función de autocorrelacion simple (f.a.s.). Correlograma Para un proceso estacionario con Cov(X t+k, X t ) = γ k definiremos la función de autocorrelación simple (f.a.s.) como ρ k = γ k γ 0 (Notese que ρ k = ρ k ). Dada la secuencia X 1, X 2,..., X N, este coeficiente será estimado por ρ k = N t=1 (X t X)(X t+k X) N t=1 (X t X) 2 con X = N t=1 X t/n. El plot de ρ k frente a k (retardo) será el correlograma. 4.2 Función de correlacion parcial (f.a.p.). Supongamos que nuestra serie es de la forma..., X t 2, X t 1, X t,... Si tenemos que la observación X t está correlada con X t 1 (para todo t) entonces lógicamente, por también estar X t 2 correlada con X t 1, se tiene que (indirectamente) X t estará correlada con X t 2. En otras ocasiones X t ya va a estar directamente correlada con X t 2 y no sólo a traves de X t 1. Para ver cuando ocurre esto se usa la función de autocorrelación parcial (f.a.p.). Para obtener el coeficiente de correlación parcial muestral se siguen los siguientes pasos: 1. Eliminar de X t el efecto de X t 1,..., X t k+1 mediante la regresión X t = β 1 X t β k 1 X t k+1 + ε t y quedarse con {u t } t los residuales de esta regresión. 4
5 2. Eliminar de X t k el efecto de X t 1,..., X t k+1 mediante la regresión X t k = β 1 X t β k 1 X t k+1 + ε t. Los residuales de esta regresión los denotaremos por {v t } t. 3. El coeficiente de correlación parcial muestral será la estimación del f.a.p para el retardo k = Corr({u} t, {v t } t ). 5 Procesos Estacionarios Si una serie es estacionaria el correlograma, salvo unos pocos retardos, debe caer dentro de unas bandas de decaimiento exponencial 5. Trataremos brevemente algunos de los procesos estacionarios más utilizados: 5.1 Procesos autorregresivos AR(p) Cada término de la serie puede ser considerado como una regresión de los p términos anteriores: X t = ϕ 1 X t ϕ p X t p + ε t. Usando el operador de retardos se puede reescribir como Φ(B)X t = (1 ϕ 1 B... ϕ p B p )X t = ε t. Si π 1,..., π p son las raices de la ecuación Φ(B) = 0 puede probarse que el proceso es estacionario si y sólo si π i > 1 (es decir, si las raices del polinomio Φ(B) = 0 están fuera del circulo unidad...) y que ρ k = p ( ) k 1 a i π i i=1 con a i constantes. Estas ecuaciones implican un decaimiento exponencial del f.a.s.. Ecuaciones de Yule-Walker Para un proceso estacionario AR(p) se tiene que Φ(B)ρ k = 0, k = 1, 2,... Esta relación nos lleva a las ecuaciones de Yule-Walker que relacionan el f.a.s. con los coeficientes del autorregresivo de la siguiente forma: ρ 1 = ϕ 1 + ϕ 2 ρ ϕ p ρ p 1 ρ 2 = ϕ 1 ρ 1 + ϕ ϕ p ρ p 2.. ρ p = ϕ 1 ρ p 1 + ϕ 2 ρ p ϕ p 5 También es posible un decrecimiento sinusoidal amortiguado... 5
6 Utilizando las ecuaciones de Yule-Walker para distintos ordenes de autorregresivos AR(l), l = 1, 2,..., X t = ϕ 11 X t 1 + ε t X t = ϕ 21 X t 1 + ϕ 22 X t 2 + ε t. X t = ϕ p1 X t 1 + ϕ p2 X t ϕ pp X t p + ε t. se pueden obtener los distintos coeficientes de autocorrelación parcial, ϕ 11, ϕ 22,..., ϕ pp (= ϕ p ), ϕ p+1p+1,.... Por tanto en la identificación de un proceso autorregresivo de orden p es útil tener en cuenta la siguiente tabla:, AR(p) f.a.s Decae de forma exponencial a partir del retardo p f.a.p. Se anula a partir del retardo p 6
7 5.2 Procesos de media movil M A(q) Estos procesos se obtienen mediante el filtrado de un ruido blanco X t = (1 θ 1 B θ 2 B 2... θ q B q )ε t = Θ(B)ε t. Se los suele pedir una condición de invertibilidad que se consigue si la ecuación Θ(B) = 0 tiene sus raices fuera del circulo unidad. Para ver el significado de la condición de invertibilidad 6 supongamos un proceso MA(1) de la forma X t = (1 θb)ε t, que puede ser reescrito como ε t = (1 θb) 1 X t = (1 + θb + θ 2 B )X t, es decir, como un AR( ). Para que esta reescritura tenga sentido, interesa que θ < 1 (o análogamente que la raiz de Θ(B) = 0 esté fuera del circulo unidad). Notese que, como θ j 0 cuando j si θ < 1, esta condición equivale a decir que el pasado influye cada vez menos en el presente. Para su identificación podemos utilizar el siguiente cuadro: f.a.s MA(q) Se anula a partir del retardo q f.a.p. Decae de forma exponencial a partir del retardo q 5.3 Procesos autorregresivos de media movil ARM A(p, q) Serán procesos que combinan los dos anteriores: (1 ϕ 1 B... ϕ p B p )X t = (1 θ 1 B θ 2 B 2... θ q B k )ε t. En notación compacta, se pueden reescribir como Φ(B) = Θ(B). Debemos exigir que las raices de Φ(B) = 0 estén fuera del circulo unidad (para que el proceso sea estacionario) y que las raices de Θ(B) = 0 también lo estén (para que el proceso sea invertible). En los proceso ARMA(p, q), la identificación de p y q es notablemente más complicada que en los casos anteriores. f.a.s. f.a.p. p > q ARMA(p, q) Como un AR(p) Como un MA(q) a partir del retardo p q + 1 p q Como un AR(p) a partir del retardo q p + 1 Como un MA(q) 6 Esta condición es imprescindible para no tener ambiguedad en la identificación del proceso... 7
8 6 Procesos No-estacionarios 6.1 Camino aleatorio Diremos que estamos ante un camino aleatorio si X t = X t 1 + ε t. (notese que la raiz de su polinomio Φ(B) = 1 B = 0 es igual a 1 y no está fuera del circulo unidad...). Usando la relación X t X t 1 = ε t, el camino aleatorio se puede reescribir como y por tanto X t = ε t + ε t ε 1 Cov(X t, X t+k ) = E((ε t + ε t ε 1 )(ε t+k + ε t ε 1 )) = σ 2 t, que depende de t (proceso no-estacionario). Tenemos Corr(X t, X t+k ) = t t(t + k), luego cuando t sea grande, esta correlación será proxima a 1 y el decrecimiento en k será lento no cayendo dentro de bandas exponenciales comentadas anteriormente. Notese, también, que al diferenciar una vez se llega a X t = ε t (estacionario). Esto muestra que en muchas ocasiones al diferenciar un proceso se llegue a procesos estacionarios. 6.2 Procesos ARIM A(p, d, q) Cuando tenemos una componente tendencial de orden d, en ocasiones, al diferenciar d veces (considerando d = (1 B) d ) el proceso se puede convertir en un ARMA. Este tipo de series tienen la forma Φ(B)(1 B) d X t = Θ(B)ε t. Su identificación es más compleja. 6.3 Procesos SARIMA(p, d, q) (P, D, Q) s Cuando tenemos presente una estacionalidad de orden s puede utilizarse el siguiente modelo (1 B) d (1 B s ) D Φ(B)Φ (B s )(1 B) d X t = Θ(B)Θ (B s )ε t. 7 Estimación y Validación 7.1 Estimación Existen diferentes enfoques (minimizando la perdida cuadrática, maximizando la verosimilitud, condicional o no a los valores iniciales...) que en muchos casos dan lugar a métodos iterativos. Todos estos procedimientos están implementados en diferentes paquetes estadísticos. Por ejemplo, el STATISTICA dispone del modulo Time series/forecasting. 8
9 2. Prediciones realizadas 7 F t+1,..., F t+m 7.2 Validación Una vez realizado el ajuste, y antes de utilizar el modelo para hacer predicciones, debemos validarlo. Si X t es el proceso estimado, se puede considerar u t = X t X t (serie de los residuos) que vuelve a ser un proceso y el modelo estará bien ajustado si {u t } t se trata de un ruido blanco. Existen diversos procedimientos para ver si una serie puede suponerse ruido blanco: 1. Bandas para la correlación de los residuos. Para un ruido blanco el correlograma suele estar en [ 2/ n, 2/ n]. 2. Estadístico de Ljung-Box: Q = n(n + 2) h j=1 ρ j 2 n j. Si el modelo ajustado es correcto Q sigue aproximadamente una χ 2 h p q, donde p y q es el orden del ARMA(p, q) ajustado (y para h se suele considerar la cuarta parte de la muestra). 3. Tests de signos,... 8 Predicción La capacidad de poder hacer predicciones de observaciones futuras de forma razonable presenta un gran interés (Planificar inversiones y producciones, impedir catastrofes,...). 8.1 Escenario de la Predicción El escenario y la notación que se utilizará es: 1. Datos pasados disponibles: X t n+1,..., X t 3. Valores ajustado usando el modelo propuesto F t n+1,..., F t 4. Errores de ajuste e t n+1 = X t n+1 F t n+1,..., e t = X t F t 5. Errores de predicción (cuando las observaciones X t+1,..., X t+m son disponibles): e t+1 = X t+1 F t+1,..., e t+m = X t+m F t+m 7 Utilizaremos la letra F para denotar las predicciones por la palabra inglesa forecasting. 9
10 8.2 Medias moviles El método más simple para hacer predicciones consiste en usar la media de las k observaciones precedentes ( F t+1 = 1 k n i=t k+1 X i). Presenta el problema de que no funciona muy bien en presencia de componentes tendencial o estacional. 8.3 Métodos de suavizado exponencial Estos métodos ajustan la predicción anterior por el error cometido en la predicción anterior. Es decir F t+1 = F t + α(x t F t ), con α una constante entre 0 y 1. Operando ligeramente tenemos F t+1 = αx t + (1 α)f t = = αx t + (1 α)[αx t 1 + (1 α)f t 1 ] =... = αx t + α(1 α)x t 1 + α(1 α) 2 X t α(1 α) t 1 X 1 + (1 α) t F 1 (los pesos que damos a las observaciones decaen de forma exponencial en las predicciones). Además, la expresión anterior, permite ver como si α 0 las predicciones dependeran mucho de la predicción inicial y si α 1 dependera bastante de la predicción anterior. Para elegir un α adecuado se utilizan criterios que minimizan el MSE (recordar regresión...). Este método de predicción mejora a las medias moviles porque da pesos menores a observaciones lejanas (como es lógico...), pero no trata la presencia de tendencia o estacionalidad. 8.4 Método lineal de Holt Cuando se tienen datos que presentan tendencia es bastante utilizado el siguiente método. Si L t es un estimador del nivel de la serie en el momento t y b t es un estimador de la pendiente en dicho momento. Podemos seguir la idea de ajustar lo predicho por el error cometido: con α y β dos parámetros entre 0 y Método de Holt-Winter L t = αx t + (1 α)(l t 1 + b t 1 ) b t = β(l t L t 1 ) + (1 β)b t 1 F t+m = L t + b t m El método anterior no permite manejar estacionalidad, pero se puede adaptar mediante el método de Holt-Winter( 8 y 9 )., 8 L t = α(x t S t s ) + (1 α)(l t 1 + b t 1 ) b t = β(l t L t 1 ) + (1 β)b t 1, S t = γ(x t L t ) + (1 γ)s t s F t+m = L t + b t m + S t s+m 9 Existen también adaptaciones para modelos multiplicativos. 10
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 detallesSeries de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detallesMetodología. 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 detallesECONOMETRÍA 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 detallesMétodos y Modelos Cuantitativos para la toma de Decisiones
Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesREGRESION 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 detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesSERIES 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 detallesTema 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 detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesAproximación 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 detalles8.1. 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 detallesCovarianza 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 detallesAnálisis de procesos estocásticos en el dominio del tiempo
Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables
Más detallesProcesos ARIMA estacionales
Capítulo 6 Procesos ARIMA estacionales 6.1. INTRODUCCIÓN Otra causa de no estacionaridad es la estacionalidad: En una serie mensual con estacionalidad anual, cada mes tiene una media distinta, con lo cual
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesCAPÍTULO 6 SIMULACIONES Y RESULTADOS
CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesGeneración de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detallesEstacionalidad. 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 detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detallesEconometría 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 detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesSOLUCIÓN DE INECUACIONES DE UNA VARIABLE
SOLUCIÓN DE INECUACIONES DE UNA VARIABLE Resolver una inecuación es hallar el conjunto de soluciones de las incógnitas que satisfacen la inecuación. Terminología: ax + b > cx + d Primer miembro Segundo
Más detallesORGANIZACIÓN INDUSTRIAL (16691-ECO) PARTE II: MODELOS DE COMPETENCIA IMPERFECTA TEMA 2: EL MONOPOLIO SOLUCIÓN A LOS PROBLEMAS PROPUESTOS
ORGANIZACIÓN INDUSTRIAL (16691-ECO) PARTE II: MODELOS DE COMPETENCIA IMPERFECTA TEMA 2: EL MONOPOLIO 2.1 ANÁLISIS DE EQUILIBRIO 2.2. DISCRIMINACIÓN DE PRECIOS Y REGULACIÓN SOLUCIÓN A LOS PROBLEMAS PROPUESTOS
Más detallesFunciones de varias variables
Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
Más detallesUna 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 detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesUNIDAD 1. LOS NÚMEROS ENTEROS.
UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar
Más detallesANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960
ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesPARA QUÉ NÚMEROS REALES... 2 SUCESIONES... 3 NÚMEROS COMPLEJOS... 5 CÓNICAS... 6 FUNCIÓN INVERSA... 7 FUNCIONES CUADRÁTICAS... 8
PARA QUÉ SIRVE? Índice NÚMEROS REALES.... 2 SUCESIONES.... 3 SUCESIONES ARITMÉTICAS Y GEOMÉTRICAS.... 4 NÚMEROS COMPLEJOS.... 5 CÓNICAS.... 6 FUNCIÓN INVERSA.... 7 FUNCIONES CUADRÁTICAS.... 8 TEOREMA DE
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es
Más detallesModelos 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 detalles3. Qué warrant elegir?
3 QUE WARRANT ELEGIR? 3.1. Qué subyacente? 3.2. Qué vencimiento? 3.3. Qué strike? 3.4. La relación sensibilidad - delta 3.5. Ejercicios del capítulo 3 3.6. Respuestas a los ejercicios 3. Qué warrant elegir?
Más detallesAnálisis 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 detallesFunciones polinomiales de grados 3 y 4
Funciones polinomiales de grados 3 y 4 Ahora vamos a estudiar los casos de funciones polinomiales de grados tres y cuatro. Vamos a empezar con sus gráficas y después vamos a estudiar algunos resultados
Más detallesT.3 ESTIMACIÓN PUNTUAL
T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan
Más detallesValores y vectores propios de una matriz. Juan-Miguel Gracia
Juan-Miguel Gracia Índice 1 Valores propios 2 Polinomio característico 3 Independencia lineal 4 Valores propios simples 5 Diagonalización de matrices 2 / 28 B. Valores y vectores propios Definiciones.-
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesCONCEPTO DEL ÍNDICE ACCIONARIO
Qué es un índice accionario? CONCEPTO DEL ÍNDICE ACCIONARIO Un índice accionario es un instrumento estadístico empleado para estudiar la evolución de los precios de las acciones en un mercado de valores.
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detallesRELACIONES DE RECURRENCIA
Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos
Más detallesAplicaciones lineales continuas
Lección 13 Aplicaciones lineales continuas Como preparación para el cálculo diferencial, estudiamos la continuidad de las aplicaciones lineales entre espacios normados. En primer lugar probamos que todas
Más detallesTransformación de gráfica de funciones
Transformación de gráfica de funciones La graficación de las funciones es como un retrato de la función. Nos auda a tener una idea de cómo transforma la función los valores que le vamos dando. A partir
Más detallesDOMINIO Y RANGO DE UNA FUNCIÓN I N D I C E. martilloatomico@gmail.com. Página. Titulo:
Titulo: DOMINIO Y RANGO I N D I C E Página DE UNA FUNCIÓN Año escolar: 4to. Año de Bachillerato Autor: José Luis Albornoz Salazar Ocupación: Ing Civil. Docente Universitario País de residencia: Venezuela
Más detalles1.6.- CLASIFICACION Y OPERACIONES DE FUNCIONES
1.6.- CLASIFICACION Y OPERACIONES DE FUNCIONES OBJETIVO.- Conocer y manejar las operaciones definidas entre funciones así como conocer la clasificación de éstas y sus características. 1.6.1.- Operaciones
Más detallesTransformaciones canónicas
apítulo 29 Transformaciones canónicas 29.1 Introducción onsideremos una transformación arbitraria de las coordenadas en el espacio de las fases de dimensión 2(3N k) (con el tiempo como un parámetro) Q
Más detalles3. Métodos para la evaluación de proyectos
Objetivo general de la asignatura: El alumno analizará las técnicas de evaluación de proyectos de inversión para la utilización óptima de los recursos financieros; así como aplicar las técnicas que le
Más detallesPronósticos. Pronósticos y gráficos Diapositiva 1
Pronósticos Pronósticos Información de base Media móvil Pronóstico lineal - Tendencia Pronóstico no lineal - Crecimiento Suavización exponencial Regresiones mediante líneas de tendencia en gráficos Gráficos:
Más detallesACCIONES Y OTROS TÍTULOS DE INVERSIÓN
ACCIONES Y OTROS TÍTULOS DE INVERSIÓN TASAS EFECTIVAS DE RENDIMIENTO ANUAL Y MENSUAL: Es aquélla que se emplea en la compraventa de algunos valores en el Mercado Bursátil o Bolsa de Valores. Estas tasas
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICA APLICADA A LA CIENCIA OCIALE EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ECOGER UNA DE LA DO OPCIONE Y DEARROLLAR LA
Más detalles6. DISEÑOS FACTORIALES 2 K NO REPLICADOS
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.
Más detalles4 Localización de terremotos
513430 - Sismología 27 4 Localización de terremotos 4.1 Localización de sismos locales Fig 27: Gráfico de la ruptura en la superficie de una falla. La ruptura se propaga desde el punto de la nucleación,
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesAnálisis 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 detallesGOPPAR, UN DERIVADO DEL REVPAR!
HVS International GOPPAR, un derivado del RevPAR! 1 GOPPAR, UN DERIVADO DEL REVPAR! Por Elie Younes, HVS International Los gestores, operadores, inversores y analistas hoteleros, por regla general, utilizan
Más detallesLos polinomios. Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x
Los polinomios Los polinomios Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x Elementos de un polinomio Los términos: cada
Más detallesCURSO: INTRODUCCION A PRONOSTICOS
MANAGEMENT CONSULTORES CURSO: INTRODUCCION A PRONOSTICOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail:mgm_consultas@mgmconsultores.com.ar
Más detallesEcuaciones 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 detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesMODELOS DE CÁLCULO DE LA VOLATILIDAD *
MODELOS DE CÁLCULO DE LA VOLATILIDAD * Uno de los objetivos principales perseguidos en el análisis de series temporales es poder predecir de la manera más aproximada el comportamiento futuro que pueden
Más detallesÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ
ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...
Más detallesTEMA 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 detallesParámetros con la ventana de selección de usuario, reglas, texto y descomposición (IVE)
QUÉ SON CONCEPTOS PARAMÉTRICOS? Los conceptos paramétricos de Presto permiten definir de una sola vez una colección de conceptos similares a partir de los cuales se generan variantes o conceptos derivados
Más detallesMETODOS 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 detallesCLASE 0- MÉTODOS DE ALISADO EXPONENCIAL
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
Más detallesGrado 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 detallesSe ha visto anteriormente que la correlación entre dos variables puede ser alta a pesar de que la relación entre las dos sea fuertemente no lineal.
Análisis de los residuos Se ha visto anteriormente que la correlación entre dos variables puede ser alta a pesar de que la relación entre las dos sea fuertemente no lineal. Se pueden utilizar los residuos
Más detalles1 de cada 5 ticos usa redes Sociales
1 de cada 5 ticos usa redes Sociales el NSE o el nivel educativo mayor es el uso de redes sociales. Se entrevistó a 1210 personas costarricenses entre 18 y 69 años de edad, residentes en todo el territorio
Más detallesAnálisis Dinámico: Integración
Análisis Dinámico: Integración Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Análisis Dinámico: Integración 1 / 57 Integración indefinida
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesLas razones financieras ayudan a determinar las relaciones existentes entre diferentes rubros de los estados financieros
Razones financieras Uno de los métodos más útiles y más comunes dentro del análisis financiero es el conocido como método de razones financieras, también conocido como método de razones simples. Este método
Más detallesTema 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 detallesCAPÍTULO III. FUNCIONES
CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN
Más detallesFísica de los Procesos Biológicos Curso 2005/6
Bibliografía: ísica, Kane, Tema 8 ísica de los Procesos Biológicos Curso 2005/6 Grupo 3 TEMA 2 BIOMECÁNICA 2.1 SÓIDO DEORMABE Parte 1 Introducción Vamos a estudiar como los materiales se deforman debido
Más detallesSeries 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 detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detallesBiblioteca Virtual Ejercicios Resueltos
EJERCICIO 13 13 V a l o r n u m é r i c o Valor numérico de expresiones compuestas P r o c e d i m i e n t o 1. Se reemplaza cada letra por su valor numérico 2. Se efectúan las operaciones indicadas Hallar
Más detallesContenido: CARTAS DE CONTROL. Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS
Contenido: CARTAS DE CONTROL Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS TEST DE MEDIANAS CEL: 72488950 1 Antes de querer utilizar cualquier
Más detallesDivisibilidad y números primos
Divisibilidad y números primos Divisibilidad En muchos problemas es necesario saber si el reparto de varios elementos en diferentes grupos se puede hacer equitativamente, es decir, si el número de elementos
Más detalles342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO.
342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO. ALGUNAS APLICACIONES A LA TEORIA DE LAS FORMAS BINARIAS. Encontrar una forma cuya duplicación produce una forma dada del género principal. Puesto que los elementos
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detalles1.1 EL ESTUDIO TÉCNICO
1.1 EL ESTUDIO TÉCNICO 1.1.1 Definición Un estudio técnico permite proponer y analizar las diferentes opciones tecnológicas para producir los bienes o servicios que se requieren, lo que además admite verificar
Más detallesEJERCICIOS RESUELTOS DE NÚMEROS COMPLEJOS
EJERCICIOS RESUELTOS DE NÚMEROS COMPLEJOS 1. Dados = -+4i, z = 5-i, z = y z 4 =7i, calcular: a) ( - z ) z b) z 4 + z z 4 c) + z 4-5z d) + z -1 f) z g) ( + 1 ) 1 z z h) z 1 z i) z j) e) z -1 z + z 4 a)
Más detallesECUACION DE DEMANDA. El siguiente ejemplo ilustra como se puede estimar la ecuación de demanda cuando se supone que es lineal.
ECUACION DE DEMANDA La ecuación de demanda es una ecuación que expresa la relación que existe entre q y p, donde q es la cantidad de artículos que los consumidores están dispuestos a comprar a un precio
Más detallesTécnicas 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 detallesEstas visiones de la información, denominadas vistas, se pueden identificar de varias formas.
El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los
Más detallesCapítulo 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