Métodos y Modelos Cuantitativos para la toma de Decisiones

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

Download "Métodos y Modelos Cuantitativos para la toma de Decisiones"

Transcripción

1 Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98

2 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia Variación cíclica Efecto estacional Componente irregular 3 Modelización Función de Autocorrelación Función de Autocorrelación Parcial Procesos Estocáticos Estacionarios 4 Modelos ARMA: Modelo Lineal Modelo AR Modelo MA Modelo ARMA 5 Contraste de Raíz Unitaria Test de Dickey-Fuller Test de Dickey-Fuller Aumentado 6 Ejemplos - Mercado Accionario 7 Ejemplos - Tasa de Inflación de US 8 Ejemplos - Tasa de Interés de los Bonos del Tesoro de US 9 Ejemplos - Producto Bruto Interno de US David Giuliodori (UE-Siglo 21) MMC 2 / 98

3 Conceptos Generales Conceptos Generales David Giuliodori (UE-Siglo 21) MMC 3 / 98

4 Conceptos Generales Conceptos Generales Definición (Serie Temporal) Una serie temporal (o simplemente una serie) es una secuencia de N observaciones (datos) equidistantes (aunque no necesaria) y ordenadas cronológicamente sobre una característica (serie univariante o escalar) o sobre varias características (serie multivariante o vectorial) de una unidad observable en diferentes momentos. El primer objetivo del análisis econométrico de una serie temporal consiste en elaborar un modelo estadístico que describa adecuadamente la procedencia de dicha serie, de manera que las implicaciones teóricas del modelo resulten compatibles con las pautas muestrales observadas en la serie temporal. Describir la evolución observada de dicha serie, así como las relaciones contemporáneas y dinámicas entre sus componentes. Prever la evolución futura de dicha serie. Contrastar alguna teoría sobre las características o variables a las que se refieren los componentes de dicha serie. David Giuliodori (UE-Siglo 21) MMC 4 / 98

5 Conceptos Generales Conceptos Generales La mayoría de los métodos estadísticos elementales suponen que las observaciones individuales que forman un conjunto de datos son realizaciones de variables aleatorias mutuamente independientes. En general, este supuesto de independencia mutua se justifica por la atención prestada a diversos aspectos del experimento, incluyendo la extracción aleatoria de la muestra de una población mas grande, la asignación aleatoria del tratamiento a cada unidad experimental, etc. Además en este tipo de datos (tomamos una muestra aleatoria simple de una población mías grande) el orden de las observaciones no tiene mayor importancia. Sin embargo, en el caso de las series temporales, hemos de tener en cuenta, sin embargo, que: el orden es fundamental: tenemos un conjunto de datos ordenado el supuesto de independencia no se sostiene ya que, en general, las observaciones son dependientes entre sí y la naturaleza de su dependencia es de interés en sí misma David Giuliodori (UE-Siglo 21) MMC 5 / 98

6 Conceptos Generales Conceptos Generales Debido a estas características especificas de los datos de series temporales, se han de desarrollar modelos específicos que recojan y aprovechen la dependencia entre las observaciones ordenadas de una serie temporal. El conjunto de técnicas de estudio de series de observaciones dependientes ordenadas en el tiempo se denomina Análisis de. El instrumento de análisis que se suele utilizar es un modelo que permita reproducir el comportamiento de la variable de interés. Los Modelos de pueden ser: Univariantes: sólo se analiza una serie temporal en función de su propio pasado Multivariantes: se analizan varias series temporales a la vez. David Giuliodori (UE-Siglo 21) MMC 6 / 98

7 Conceptos Generales Conceptos Generales El análisis de series temporales se basa en la siguiente noción fundamental: Componentes no observados. Se basa en la idea de que una serie temporal puede ser considerada como una función en la que se superponen varias componentes elementales no observables. Por ejemplo, tendencia, estacionalidad y ciclo. La estimación de tendencias y el ajuste estacional atraen mucho la atención debido a su importancia práctica para el análisis de series económicas. David Giuliodori (UE-Siglo 21) MMC 7 / 98

8 Enfoque Clásico Enfoque Clásico David Giuliodori (UE-Siglo 21) MMC 8 / 98

9 Enfoque Clásico Conceptos Generales Ejemplo La evolución del Producto Interno Bruto de Argentina. El modelo clásico de serie de tiempo asume que la estructura de la serie es el resultado de la superposición de varios factores, entre los que se destacan: 1 Tendencia secular 2 Variación cíclica 3 Fluctuación estacional 4 Variación irregular David Giuliodori (UE-Siglo 21) MMC 9 / 98

10 Enfoque Clásico Tendencia Tendencia Definición (Tendencia Secular) Es el movimiento general de la serie a largo plazo. Ejemplo A continuación se presenta una gráfica con la cantidad mensual de helado demandado David Giuliodori (UE-Siglo 21) MMC 10 / 98

11 Enfoque Clásico Tendencia Tendencia Si la tendencia (que puede ser creciente o decreciente) es del tipo lineal, se puede ajustar un modelo lineal simple, del tipo: y = a + bx, como por ejemplo en el caso de la demanda de helados. El ajuste se realiza por el método de mínimos cuadrados. (xi x) (y i y) b = (xi x) 2, a = y bx (1) Si la tendencia no es lineal, se puede aplicar otro modelo que también puede ser ajustado por mínimo cuadrados. David Giuliodori (UE-Siglo 21) MMC 11 / 98

12 Enfoque Clásico Tendencia Tendencia Razones para el estudio de tendencias 1 El estudio de tendencias seculares nos permite descubrir un patrón histórico. Existen muchos ejemplos en los que podemos utilizar un patrón pasado para evaluar el éxito de una poĺıtica/decisión anterior. Por ejemplo, una universidad puede evaluar la efectividad de un programa de capacitación de estudiantes mediante el examen de sus tendencias de inscripciones pasadas. 2 El estudio de tendencias seculares nos permite proyectar patrones pasados, o tendencias, hacia el futuro. 3 En muchas situaciones, el estudio de la tendencia secular de una serie temporal nos permite eliminar la componente de tendencia de la serie, para facilitar el estudio de las otras componentes. Por ejemplo, la eliminación de la componente de tendencia de la demanda de helados nos proporciona una idea más precisa de la componente estacional o temporal. David Giuliodori (UE-Siglo 21) MMC 12 / 98

13 Enfoque Clásico Variación cíclica Variación Cíclica Definición (Variación Cíclica) Son fluctuaciones que ocurren generalmente en periodos prolongados, caracterizados por picos y caídas (o cimas y valles) de varios años de duración. Ejemplo La demanda de helados en un periodo extenso de tiempo va a sufrir cambios muy lentos asociados a la marcha general de la economía (periodos de expansión y contracción). David Giuliodori (UE-Siglo 21) MMC 13 / 98

14 Enfoque Clásico Variación cíclica Variación Cíclica Para aislar e identificar la componente cíclica se puede calcular los residuos cíclicos como diferencia entre el valor observado y el valor estimado por el modelo de tendencia, es decir: e i = y i ŷ i (2) David Giuliodori (UE-Siglo 21) MMC 14 / 98

15 Enfoque Clásico Efecto estacional Fluctuación estacional Definición (Fluctuación estacional) Es la variación que se explica estacionalmente, dentro de un periodo como puede ser un año, cuyo patrón tiende a repetirse periodo tras periodo. Ejemplo La demanda de helados tiene un pico durante los meses de verano y un valle o una caída durante los meses de invierno. Una técnica muy útil en este caso es el cálculo de promedios móviles, que permite suavizar las fluctuaciones de la serie y facilitar la identificación de la componente estacional. David Giuliodori (UE-Siglo 21) MMC 15 / 98

16 Enfoque Clásico Efecto estacional Efecto estacional Ejemplo A continuación se presenta la demanda eléctrica mensual de España desde enero del 2004 hasta diciembre de David Giuliodori (UE-Siglo 21) MMC 16 / 98

17 Enfoque Clásico Efecto estacional Efecto estacional Ejemplo (Continuación) Mes Demanda (MWh) Media Móvil 12 meses Segundos Promedios 2 meses Razón (2) (3) (4) (5)=(2)/(4) ene feb mar abr may jun jul ago jun jul ago sep oct nov dic David Giuliodori (UE-Siglo 21) MMC 17 / 98..

18 Enfoque Clásico Efecto estacional Efecto estacional Ejemplo (Continuación) Mediana Perfil Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Promedio De esta forma, si se quiere desestacionarizar la demanda, se divide a cada observación mensual por el perfil del mes correspondiente. David Giuliodori (UE-Siglo 21) MMC 18 / 98

19 Enfoque Clásico Componente irregular Componente irregular Definición (Variación irregular) Son todos los movimientos de la serie que no pueden ser explicados por los factores de variación vistos anteriormente, como resultado de la acción de diversas componentes aleatorios. Cuando alguno de estos factores tiene una incidencia determinante sobre el comportamiento de la serie, provocando un brusco pico o caída, resulta importante identificar el punto y asignar la causa de la variación, para facilitar la interpretación del comportamiento de la serie y tener en cuenta la ocurrencia de estos imponderables al efectuar un pronóstico. Ejemplo La crisis económica desatada en Argentina en diciembre de 2001 produjo un shock importante en la economía en general. David Giuliodori (UE-Siglo 21) MMC 19 / 98

20 Enfoque Clásico Componente irregular En resumen, el objetivo de analizar una serie de tiempo consiste precisamente en tratar de determinar sus principales propiedades: establecer si la serie presenta algún tipo de tendencia, si tiene fluctuaciones cíclicas o estacionales, etc. David Giuliodori (UE-Siglo 21) MMC 20 / 98

21 Modelización Modelización David Giuliodori (UE-Siglo 21) MMC 21 / 98

22 Modelización Conceptos Generales El estudio descriptivo de series temporales se basa en la idea de descomponer la variación de una serie en varias componentes básicas. Este enfoque no siempre resulta ser el más adecuado, pero es interesante cuando en la serie se observa cierta tendencia o cierta periodicidad. Hay que resaltar que esta descomposición no es en general única. Las componentes o fuentes de variación que se consideran habitualmente son las siguientes: Tendencia: Se puede definir como un cambio a largo plazo que se produce en relación al nivel medio, o el cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave de la serie a largo plazo. Variación cíclica/efecto Estacional: Muchas series temporales presentan cierta periodicidad o dicho de otro modo, variación de cierto periodo (anual, mensual...). Por ejemplo, el nivel de desocupación aumenta en general en invierno y disminuye en verano. Estos tipos de efectos son fáciles de entender y se pueden medir expĺıcitamente o incluso se pueden eliminar del conjunto de los datos, desestacionalizando la serie original. David Giuliodori (UE-Siglo 21) MMC 22 / 98

23 Modelización Conceptos Generales Componente Irregular: Una vez identificados los componentes anteriores y después de haberlos eliminado, persisten unos valores que son aleatorios. Se pretende estudiar qué tipo de comportamiento aleatorio presentan estos residuos, utilizando algún tipo de modelo probabiĺıstico que los describa De las tres componentes reseñadas, las dos primeras son componentes determinísticas, mientras que la última es aleatoria. Así, se puede denotar que Y t = T t + VC t + EE t + I t (3) donde T t es la tendencia, VC t es la variación cíclica, EE t es el efecto estacional, que constituyen la señal o parte determinística, e I t es el ruido o parte aleatoria. Es necesario aislar de alguna manera la componente aleatoria y estudiar qué modelo probabiĺıstico es el más adecuado. David Giuliodori (UE-Siglo 21) MMC 23 / 98

24 Modelización Función de Autocorrelación Conceptos Generales: Coeficiente de Autocorrelación El instrumento fundamental a la hora de analizar las propiedades de una serie temporal en términos de la interrelación temporal de sus observaciones es el denominado coeficiente de autocorrelación que mide la correlación, es decir, el grado de asociación lineal que existe entre observaciones separadas k periodos. Estos coeficientes de autocorrelación proporcionan mucha información sobre como están relacionadas entre sí las distintas observaciones de una serie temporal, lo que ayudaría a construir el modelo apropiado para los datos. Coeficiente de Autocorrelación ρ xt,x t+k = cov(x t, x t+k ) V (xt ) V (x t+k ) (4) El gráfico de la Función de Autocorrelación es el gráfico de los coeficientes de autocorrelación de orden k contra el retardo k. Este gráfico es muy útil para interpretar el conjunto de los coeficientes de autocorrelación de una serie temporal. David Giuliodori (UE-Siglo 21) MMC 24 / 98

25 Modelización Función de Autocorrelación Conceptos Generales: Función de Autocorrelación La interpretación de la Función de Autocorrelación no es sencilla. Sin embargo, existen algunas pautas generales que ayudan a la hora de analizar un gráfico de este estilo. Si una serie es puramente aleatoria, entonces para valores de T grandes, r k 0, para cualquier k 0. David Giuliodori (UE-Siglo 21) MMC 25 / 98

26 Modelización Función de Autocorrelación Conceptos Generales: Función de Autocorrelación Supongamos que tenemos una serie sin tendencia, que oscila en torno a una media constante, pero cuyas observaciones sucesivas están correlacionadas positivamente, es decir, una serie en la que a una observación por encima de la media, le suele seguir otra o más observaciones por encima de la media (lo mismo, para observaciones por debajo de la media). El correlograma es de la siguiente forma: un valor relativamente alto de r 1, seguido de algunos coeficientes r k distintos de cero, pero cada vez más pequeños y valores de r k aproximadamente cero para k grande. David Giuliodori (UE-Siglo 21) MMC 26 / 98

27 Modelización Función de Autocorrelación Conceptos Generales: Función de Autocorrelación Las series sin tendencia que oscilan en torno a una media constante pero que alternan valores con observaciones sucesivas a diferentes lados de la media general, presentan un correlograma que también suele alternar los signos de sus coeficientes. David Giuliodori (UE-Siglo 21) MMC 27 / 98

28 Modelización Función de Autocorrelación Conceptos Generales: Función de Autocorrelación Si la serie contiene una tendencia, es decir, cambia continuamente de nivel, los valores de r k no van a decrecer hacia cero rápidamente. Esto es debido a que una observación por encima de la media (o por debajo) de la media general es seguida de muchas observaciones por el mismo lado de la media debido a la tendencia. David Giuliodori (UE-Siglo 21) MMC 28 / 98

29 Modelización Función de Autocorrelación Conceptos Generales: Función de Autocorrelación Si una serie presenta algún tipo de ciclo, el correlograma generalmente también presentaría una oscilación a la misma frecuencia. David Giuliodori (UE-Siglo 21) MMC 29 / 98

30 Modelización Función de Autocorrelación Parcial Conceptos Generales: Función de Autocorrelación Parcial Además de la correlación entre x t y x t+k, nos podría interesar la correlación entre estos procesos pero una vez que se elimine la dependencia que puedan tener con las variables x t+1,x t+2,...,x t+k 1. Esto se conoce como la auto-correlación parcial entre x t y x t+k. David Giuliodori (UE-Siglo 21) MMC 30 / 98

31 Modelización Función de Autocorrelación Parcial Conceptos Generales: Función de Autocorrelación Parcial Supongamos que tenemos una serie sin tendencia, que oscila en torno a una media constante, pero cuyas observaciones sucesivas están correlacionadas positivamente. David Giuliodori (UE-Siglo 21) MMC 31 / 98

32 Modelización Función de Autocorrelación Parcial Conceptos Generales: Función de Autocorrelación Parcial Las series sin tendencia que oscilan en torno a una media constante pero que alternan valores con observaciones sucesivas a diferentes lados de la media general. David Giuliodori (UE-Siglo 21) MMC 32 / 98

33 Modelización Procesos Estocáticos Estacionarios Conceptos Generales: Procesos Estocásticos Definición (Proceso Estocástico) Un proceso estocástico es una familia de variables aleatorias que, en general, generalmente están relacionadas entre sí y siguen una ley de distribución conjunta. Un proceso estocástico se caracteriza por: Tener una función de distribución: para conocer la función de distribución de un proceso estocástico es necesario conocer las funciones de distribución univariantes de cada una de las variables aleatorias del proceso. Momentos del proceso estocástico. Como suele ser muy complejo determinar las características de un proceso estocástico a través de su función de distribución se suele recurrir a caracterizarlo a través de los dos primeros momentos. El objetivo es utilizar la teoría de procesos estocásticos para determinar qué proceso estocástico ha sido capaz de generar la serie temporal bajo estudio con el fin de caracterizar el comportamiento de la serie y predecir en el futuro. Si se quieren conseguir métodos de predicción consistentes, es necesario que la estructura probabiĺıstica del proceso estocástico sea estable en el tiempo. David Giuliodori (UE-Siglo 21) MMC 33 / 98

34 Modelización Procesos Estocáticos Estacionarios Conceptos Generales: Procesos Estocásticos La idea que subyace en la teoría de la predicción es siempre la misma: se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos estocásticos generadores de las series temporales tengan algún tipo de estabilidad. Si, por el contrario, en cada momento de tiempo presentan un comportamiento diferente e inestable, no se pueden utilizar para predecir. A estas condiciones que se les impone a los procesos estocásticos para que sean estables para predecir, se les conoce como estacionariedad. David Giuliodori (UE-Siglo 21) MMC 34 / 98

35 Modelización Procesos Estocáticos Estacionarios Conceptos Generales: Procesos Estocásticos Definición (Proceso Estocástico Estacionario) Un proceso estocástico, Y t, es estacionario si y solo si: 1 Es estacionario en media, es decir, todas las variables aleatorias del proceso tienen la misma media y es finita: E(Y t ) = µ <, t (5) 2 Todas las variables aleatorias tienen la misma varianza y es finita: V (Y t ) = E(Y t µ) 2 = σ 2 Y <, t (6) 3 Las autocovarianzas solo dependen del número de periodos de separación entre las variables y no del tiempo El proceso estocástico más sencillo es el denominado Ruido Blanco que es una secuencia de variables aleatorias de media cero, varianza constante y covarianzas nulas. David Giuliodori (UE-Siglo 21) MMC 35 / 98

36 Modelización Procesos Estocáticos Estacionarios Conceptos Generales: Procesos Estocásticos Estacionarios Las características de la función de autocorrelación de un proceso estocástico estacionario: El coeficiente de autocorrelación de orden 0 es, por definición, 1. Por eso, a menudo, no se le incluye expĺıcitamente en la función de autocorrelación. Es una función simétrica. Por ello, en el correlograma se representa la función de autocorrelación solamente para los valores positivos del retardo k. La función de autocorrelación de un proceso estocástico estacionario tiende a cero rápidamente cuando k tiende a. La función de autocorrelación va a ser el principal instrumento utilizado para recoger la estructura de dependencia dinámica lineal del modelo. David Giuliodori (UE-Siglo 21) MMC 36 / 98

37 Modelos ARMA: Modelo Lineal Modelos ARMA: Modelo Lineal David Giuliodori (UE-Siglo 21) MMC 37 / 98

38 Modelos ARMA: Modelo Lineal Modelos Univariantes La metodología de la modelización univariante es sencilla. Dado que el objetivo es explicar el valor que toma en el momento t una variable económica que presenta dependencia temporal, una forma de trabajar es recoger información sobre el pasado de la variable, observar su evolución en el tiempo y explotar el patrón de regularidad que muestran los datos. La estructura de dependencia temporal lineal de un proceso estocástico puede ser recogida en la función de autocorrelación. En un modelo de series temporales univariante se descompone la serie Y t en dos partes, una que recoge el patrón de regularidad, o parte sistemática, y otra parte puramente aleatoria. David Giuliodori (UE-Siglo 21) MMC 38 / 98

39 Modelos ARMA: Modelo Lineal Modelos Univariantes La parte sistemática es la parte predecible con el conjunto de información que se utiliza para construir el modelo, es decir, la serie temporal Y 1 ; Y 2 : : : ; Y T. La parte aleatoria respecto al conjunto de información con el que se construye el modelo, es una parte aleatoria en la que sus valores no tienen ninguna relación o dependencia entre sí. La parte aleatoria en el momento t no está relacionada, por lo tanto, ni con los términos aleatorios anteriores ni con las posteriores, ni con la parte sistemática del modelo. Es impredecible, es decir, su predicción es siempre cero. A la hora de construir un modelo estadístico para una variable económica, el problema es formular la parte sistemática de tal manera que el elemento residual, o sea la parte aleatoria, sea un ruido blanco. David Giuliodori (UE-Siglo 21) MMC 39 / 98

40 Modelos ARMA: Modelo Lineal Modelos Univariantes Supongamos una serie temporal de media cero, como el valor de Y en el momento t depende de su pasado, un modelo teórico capaz de describir su comportamiento sería: Y t = f (Y t 1, Y t 2, Y t 3,...) + ɛ t (7) donde se exige que el comportamiento de Y t sea función de sus valores pasados, posiblemente infinitos. Dentro de los procesos estocásticos estacionarios se considerará únicamente la clase de procesos lineales que se caracterizan porque se pueden representar como una combinación lineal de variables aleatorias. David Giuliodori (UE-Siglo 21) MMC 40 / 98

41 Modelos ARMA: Modelo Lineal Modelos Univariantes De hecho, en el caso de los procesos estacionarios con distribución normal y media cero, la teoría de procesos estocásticos señala que, bajo condiciones muy generales, Y t se puede expresar como combinación lineal de los valores pasados infinitos de Y, más un término aleatorio que tiene las características de un ruido blanco: Y t = π 1 Y t 1 + π 2 Y t 2 + π 3 Y t ɛ t (8) Las condiciones generales que ha de cumplir el proceso son: Que el proceso sea no anticipante, es decir, que el presente no venga determinado por el futuro. Que el proceso sea invertible, es decir, que el presente dependa de forma convergente de su propio pasado lo que implica que la influencia de Y t k en Y t ha de ir disminuyendo conforme nos alejemos en el pasado. David Giuliodori (UE-Siglo 21) MMC 41 / 98

42 Modelos ARMA: Modelo Lineal Modelos Univariantes El modelo de la ecuación (8) se puede escribir de forma más compacta en términos del operador de retardos: Y t = (π 1 L + π 2 L 2 + π 3 L )Y t + ɛ t (1 π 1 L π 2 L 2 π 3 L 3...)Y t = ɛ t Π (L)Y t = ɛ t (9) Otra forma alternativa de escribir el modelo de la ecuación (8) es: Y t = 1 Π (L) ɛ t = Ψ (L)ɛ t Y t = (1 + ψ 1 L + ψ 2 L 2 + ψ 3 L )ɛ t Y t = ɛ t + ψ 1 ɛ t 1 + ψ 2 ɛ t 2 + ψ 3 ɛ t (10) Es decir, el valor Y t se puede representar como la combinación lineal del ruido blanco ɛ t y su pasado infinito. David Giuliodori (UE-Siglo 21) MMC 42 / 98

43 Modelos ARMA: Modelo Lineal Modelos Univariantes Tanto la representación (9) como la (10) son igualmente válidas para los procesos estocásticos estacionarios siempre que se cumplan las dos condiciones antes mencionadas, o sea que el modelo sea no anticipante e invertible. Como en la práctica se va a trabajar con series finitas, los modelos no van a poder expresar dependencias infinitas sin restricciones sino que tendrán que especificar una dependencia en el tiempo acotada y con restricciones. Por lo que los modelos de las ecuaciones (9) y (10) serán simplificados. Sabiendo que un polinomio de orden infinito se puede aproximar por el cociente de polinomios finitos, se puede escribir: Π (L) φ p(l) θ q (L) (11) donde φ p (L) y θ q (L) son polinomios en el operador de retardos finitos de orden p y q. David Giuliodori (UE-Siglo 21) MMC 43 / 98

44 Modelos ARMA: Modelo Lineal Modelos Univariantes Entonces, la ecuación (8) puede escribirse como: Π (L)Y t φ p(l) θ q (L) Y t = ɛ t φ p (L)Y t = θ q (L)ɛ t (1 φ 1 L φ 2 L 2... φ p L p )Y t = (1 θ 1 L θ 2 L 2... θ q L q )ɛ t (12) Por lo tanto: Y t = φ 1 Y t 1 + φ 2 Y t φ p Y t p } {{ } + ɛ t θ 1 ɛ t 1 θ 2 ɛ t 2... θ q ɛ t q } {{ } Parte autorregresiva Parte Medias Móviles (13) David Giuliodori (UE-Siglo 21) MMC 44 / 98

45 Modelos ARMA: Modelo Lineal Modelo AR Modelos AR: Autorregresivo David Giuliodori (UE-Siglo 21) MMC 45 / 98

46 Modelos ARMA: Modelo Lineal Modelo AR Modelos Univariantes: Autorregresivo (AR) Este es un modelo que sólo presenta parte autorregresiva, es decir, el polinomio de medias móviles es de orden 0: Y t = φ 1 Y t 1 + φ 2 Y t φ p Y t p + ɛ t (14) El modelo autorregresivo finito de orden p, AR(p) es una aproximación natural al modelo lineal general (8). Se obtiene un modelo finito simplemente truncando el modelo general. David Giuliodori (UE-Siglo 21) MMC 46 / 98

47 Modelos ARMA: Modelo Lineal Modelo AR Modelos Univariantes: Autorregresivo (AR) En el proceso AR(1) la variable Y t viene determinada únicamente por su valor pasado, Y t 1, y la perturbación contemporánea, ɛ t : Y t = φ 1 Y t 1 + ɛ t (15) donde ɛ t RB(0, σ). Además, la perturbación ɛ t entra en el sistema en el momento t e influyendo en Y t y en su futuro, pero no en su pasado. David Giuliodori (UE-Siglo 21) MMC 47 / 98

48 Modelos ARMA: Modelo Lineal Modelo AR Modelos Univariantes: Autorregresivo (AR) La función de autocorrelación (FAC) y la función de autocorrelación parcial (FACP) para un AR(1) son: David Giuliodori (UE-Siglo 21) MMC 48 / 98

49 Modelos ARMA: Modelo Lineal Modelo AR Modelos Univariantes: Autorregresivo (AR) En el proceso AR(2) la variable Y t viene determinada únicamente por sus valores pasados, Y t 1, Y t 2, y la perturbación contemporánea, ɛ t : Y t = φ 1 Y t 1 + φ 2 Y t 2 + ɛ t (16) donde ɛ t RB(0, σ). Nuevamente, la perturbación ɛ t entra en el sistema en el momento t e influyendo en Y t y en su futuro, pero no en su pasado. David Giuliodori (UE-Siglo 21) MMC 49 / 98

50 Modelos ARMA: Modelo Lineal Modelo AR Modelos Univariantes: Autorregresivo (AR) La función de autocorrelación (FAC) y la función de autocorrelación parcial (FACP) para un AR(2) son: David Giuliodori (UE-Siglo 21) MMC 50 / 98

51 Modelos ARMA: Modelo Lineal Modelo MA Modelos MA: Media Móvil David Giuliodori (UE-Siglo 21) MMC 51 / 98

52 Modelos ARMA: Modelo Lineal Modelo MA Modelos Univariantes: Media Móvil (MA) El modelo de medias móviles de orden finito q, MA(q), es una aproximación natural al modelo lineal general (10). Se obtiene un modelo finito por el simple procedimiento de truncar el modelo de medias móviles de orden infinito: Y t = ɛ t + θ 1 ɛ t 1 + θ 2 ɛ t θ q ɛ t q (17) Los procesos de medias móviles se suelen denominar procesos de memoria corta, mientras que a los autorregresivos se les denomina procesos de memoria larga. Esto es debido a que, la perturbación ɛ t aparece en el sistema en el momento t e influye en Y t e Y t+1 únicamente, por lo que su memoria es de un solo periodo. Sin embargo, en un proceso autorregresivo la perturbación ɛ t aparece en el sistema en el momento t, influye en Y t y a través de Y t en las observaciones futuras, permaneciendo su influencia en el sistema un periodo más largo. David Giuliodori (UE-Siglo 21) MMC 52 / 98

53 Modelos ARMA: Modelo Lineal Modelo MA Modelos Univariantes: Media Móvil (MA) El modelo MA(1) determina el valor de Y en el momento t en función de la perturbación contemporánea y su primer retardo: donde ɛ t RB(0, σ). Y t = ɛ t + θ 1 ɛ t 1 (18) David Giuliodori (UE-Siglo 21) MMC 53 / 98

54 Modelos ARMA: Modelo Lineal Modelo MA Modelos Univariantes: Media Móvil (MA) La función de autocorrelación (FAC) y la función de autocorrelación parcial (FACP) para un MA(1) son: David Giuliodori (UE-Siglo 21) MMC 54 / 98

55 Modelos ARMA: Modelo Lineal Modelo MA Modelos Univariantes: Media Móvil (MA) Conclusiones Los procesos son estacionarios y no anticipables Son procesos invertibles La Función de Autocorrelación (FAC) me informa si el proceso es autorregresivo o no. Además, me dice el orden del proceso de media móvil La Función de Autocorrelación (FACP) me informa si el proceso es una media móvil o no. Además, me dice el orden del proceso autorregresivo Los procesos autorrgresivos tienen memoria a largo plazo, mientras que los procesos de media móvil tienen a corto plazo David Giuliodori (UE-Siglo 21) MMC 55 / 98

56 Modelos ARMA: Modelo Lineal Modelo ARMA Modelos ARMA: Autorregresivo con Media Móvil David Giuliodori (UE-Siglo 21) MMC 56 / 98

57 Modelos ARMA: Modelo Lineal Modelo ARMA Modelos Univariantes: Autorregresivo con Media Móvil (ARMA) Los procesos autorregresivos de medias móviles determinan Y t en función de su pasado hasta el retardo p, de la perturbación contemporánea y el pasado de la perturbación hasta el retardo q. Es decir, donde ɛ t RB(0, σ). Y t = φ 1 Y t 1 + φ 2 Y t φ p Y t p + + ɛ t + θ 1 ɛ t 1 + θ 2 ɛ t θ q ɛ t q (19) El modelo ARMA(p,q) va a compartir las características de los modelos AR(p) y MA(q) ya que contiene ambas estructuras a la vez. David Giuliodori (UE-Siglo 21) MMC 57 / 98

58 Modelos ARMA: Modelo Lineal Modelo ARMA Modelos Univariantes: Autorregresivo con Media Móvil (ARMA) Teorema 1 Un proceso autorregresivo de medias móviles finito ARMA(p,q) es estacionario sí el modulo de las raíces del polinomio autorregresivo está fuera del circulo unidad. Teorema 2 Un proceso autorregresivo de medias móviles finito ARMA(p,q) es invertible sí el modulo de las raíces del polinomio de medias móviles está fuera del circulo unidad. David Giuliodori (UE-Siglo 21) MMC 58 / 98

59 Modelos ARMA: Modelo Lineal Modelo ARMA Modelos Univariantes: Autorregresivo con Media Móvil (ARMA) El modelo ARMA(1,1) determina el valor de Y en el momento t en función de la perturbación contemporánea, la perturbación del primer retardo y su primer retardo. Es decir: donde ɛ t RB(0, σ). Y t = φ 1 Y t 1 + ɛ t + θ 1 ɛ t 1 (20) David Giuliodori (UE-Siglo 21) MMC 59 / 98

60 Modelos ARMA: Modelo Lineal Modelo ARMA Modelos Univariantes: Autorregresivo con Media Móvil (ARMA) La función de autocorrelación (FAC) y la función de autocorrelación parcial (FACP) para un ARMA(1) son: David Giuliodori (UE-Siglo 21) MMC 60 / 98

61 Modelos ARMA: Modelo Lineal Modelo ARMA Modelos Univariantes: Autorregresivo con Media Móvil (ARMA) Para comprobar la estacionariedad (aplicando el teorema 1), se deben calcular las raíces del polinomio autorregresivo, es decir: 1 φ 1 L = 0 L = 1 L = 1 φ 1 φ 1 < 1 (21) Para comprobar la invertibilidad (aplicando el teorema 2), se deben calcular las raíces del polinomio de media móvil, es decir: φ 1 1 θ 1 L = 0 L = 1 L = 1 θ 1 θ 1 < 1 (22) θ 1 David Giuliodori (UE-Siglo 21) MMC 61 / 98

62 Contraste de Raíz Unitaria Test de Dickey-Fuller Contraste de Raíz Unitaria David Giuliodori (UE-Siglo 21) MMC 62 / 98

63 Contraste de Raíz Unitaria Test de Dickey-Fuller Contraste de Raíz Unitaria: Test de Dickey-Fuller Sin duda alguna, el test más habitual a la hora de determinar la estacionariedad de una serie temporal, consiste en la aplicación del conocido como test de Dickey-Fuller (Test DF) o Dickey-Fuller Ampliado (Test ADF). Éste es un contraste de No estacionariedad ya que la hipótesis nula es precisamente la presencia de una raíz unitaria en el proceso generador de datos de la serie analizada. David Giuliodori (UE-Siglo 21) MMC 63 / 98

64 Contraste de Raíz Unitaria Test de Dickey-Fuller Contraste de Raíz Unitaria: Test de Dickey-Fuller Vamos a suponer inicialmente, como modelo de partida para el análisis de una determinada serie Y t, el de un proceso estacionario autorregresivo de orden uno. Formulación de Hipótesis Hipótesis Nula Hipótesis Alternativa H 0 : Y t = Y t 1 + ɛ t (23) H 1 : Y t = φ 1 Y t 1 + ɛ t (24) Es decir, se contrasta una serie autorregresiva de orden uno, frente a un paseo aleatorio no estacionario (φ 1 = 1). Por lo tanto, se trata de contrastar si el coeficiente φ 1 es mayor o igual a la unidad o menor que ella. David Giuliodori (UE-Siglo 21) MMC 64 / 98

65 Contraste de Raíz Unitaria Test de Dickey-Fuller Contraste de Raíz Unitaria: Test de Dickey-Fuller En la práctica, por cuestiones de sencillez operativa, el modelo utilizado para el contraste DF no es el expuesto al comienzo sino otro, equivalente al anterior, que se obtiene restando a uno y otro lado el término Y t 1 : Y t = γy t 1 + ɛ t (25) donde γ = (φ 1 1) Formulación de Hipótesis Hipótesis Nula H 0 : γ 0 (26) Hipótesis Alternativa H 1 : γ < 0 (27) David Giuliodori (UE-Siglo 21) MMC 65 / 98

66 Contraste de Raíz Unitaria Test de Dickey-Fuller Contraste de Raíz Unitaria: Test de Dickey-Fuller Decir que γ es nulo o superior es lo mismo que decir que φ 1 = 1, o sea, que existe una raíz unitaria. Decir que es menor que cero equivale a decir que φ 1 es menor que la unidad (proceso autorregresivo estacionario). El procedimiento básico para la aplicación simple del test DF es relativamente sencillo. Se estima el modelo propuesto y se calcula el valor estimado del estadístico t del parámetro analizado. Una vez calculado se compara con el valor empírico de referencia obtenido con las tablas de Dickey y Fuller o de MacKinnon. Si el valor estimado para γ es inferior en valor absoluto al tabulado dado un determinado nivel de confianza, admitiremos la hipótesis nula, o sea, la presencia de una raíz unitaria. David Giuliodori (UE-Siglo 21) MMC 66 / 98

67 Contraste de Raíz Unitaria Test de Dickey-Fuller Aumentado Contraste de Raíz Unitaria: Test de Dickey-Fuller Aumentado Está claro que el test anterior permite contrastar la presencia de una o más raíces unitarias en una determinada serie temporal para la que se supone un proceso AR(1). Sin embargo, muchas serie temporales se ajustan más adecuadamente a procesos autorregresivos de orden superior AR(2) o AR(3). No parece, por tanto, muy correcto, contrastar la presencia de una o más raíces unitarias utilizando siempre la estructura de un modelo AR(1) ya que las raíces unitarias pueden aparecer también en estructuras más complejas. David Giuliodori (UE-Siglo 21) MMC 67 / 98

68 Contraste de Raíz Unitaria Test de Dickey-Fuller Aumentado Contraste de Raíz Unitaria: Test de Dickey-Fuller Aumentado Este problema da lugar a lo que se conoce como test de raíces unitarias de Dickey-Fuller Ampliado (DFA): si se quiere contrastar la presencia de una raíz unitaria en una serie que sigue un proceso AR(p), deberá aplicarse el procedimiento expuesto para el caso simple AR(1), pero suponiendo ahora del modelo: Y t = γy t 1 + donde γ = (1 p i a i ) y β i = p j a j p β i Y t i+1 + ɛ t (28) i =2 David Giuliodori (UE-Siglo 21) MMC 68 / 98

69 Contraste de Raíz Unitaria Test de Dickey-Fuller Aumentado Metodología para estimar un modelo Analizar la estacionariedad de la serie. En caso que no lo sea, aislar la componente estacionaria de la no estacionaria, utilizando, por ejemplo, primeras diferencias, estimación determinista de la tendencia, etc. Una vez aislada la componente estacionaria de la serie, realizar el contraste de Dickey-Fuller Aumentado para rechazar la posible presencia de raíz unitaria y así asegurar la estacionariedad de la serie. Realizar un correlograma de la serie estacionaria para poder ver las posibles estructura de dependencia que presenta esa serie. Estimar el modelo con la estructura que se desprende del correlograma. Calcular los residuos correspondiente a la estimación anterior. Realizar el contraste de raíz unitaria a los residuos y graficar el correlograma para descartar la posible presencia de estructura en los residuos del modelo estimado. David Giuliodori (UE-Siglo 21) MMC 69 / 98

70 Ejemplos - Mercado Accionario Ejemplo - Mercado Accionario David Giuliodori (UE-Siglo 21) MMC 70 / 98

71 Ejemplos - Mercado Accionario Ejemplo 1: YPF David Giuliodori (UE-Siglo 21) MMC 71 / 98

72 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF A continuación se presenta las cotizaciones de las acciones de YPF desde el 19 de agosto del 2004 al 9 de mayo del David Giuliodori (UE-Siglo 21) MMC 72 / 98

73 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF El correlograma correspondiente a la serie de la acción de YPF en logaritmos es: David Giuliodori (UE-Siglo 21) MMC 73 / 98

74 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF Dado que el correlograma indica la presencia de una raíz unitaria, se debe transformar la serie en estacionaria para analizarla. Para ello se realiza la siguiente operación: Y t = Y t Y t 1 (29) A este operador se lo suele denominar primeras diferencias. La evolución de la variable en primeras diferencias es la siguiente: David Giuliodori (UE-Siglo 21) MMC 74 / 98

75 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF El correlograma correspondiente a la primera diferencia es el siguiente: Este correlograma sugiere que la posible estructura que la serie puede ser un ARMA(2, 1). Y t = φ 1 Y t 1 + φ 2 Y t 2 + θ 1 ɛ t 1 + ɛ t (30) David Giuliodori (UE-Siglo 21) MMC 75 / 98

76 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF Contraste aumentado de Dickey-Fuller incluyendo un retardo: Tamaño muestral 2441 Hipótesis nula de raíz unitaria: φ 1 = 1 Sin constante Con constante Valor p 8, , Como conclusión, el contraste sugiere que la serie es estacionaria. David Giuliodori (UE-Siglo 21) MMC 76 / 98

77 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF La estimación de los coeficientes del modelo da los siguientes resultados: David Giuliodori (UE-Siglo 21) MMC 77 / 98

78 Ejemplos - Mercado Accionario Ejemplo 1 - Mercado Accionario: YPF Se puede comprobar que el correlograma de los residuos no presenta estructura y rechaza la hipótesis nula de existencia de raíz unitaria (ADF). Conclusión: Se encontró una estructura en la primera diferencia de las acciones de YPF del tipo ARMA David Giuliodori (UE-Siglo 21) MMC 78 / 98

79 Ejemplos - Mercado Accionario Ejemplo 2: GOOGLE David Giuliodori (UE-Siglo 21) MMC 79 / 98

80 Ejemplos - Mercado Accionario Ejemplo 2 - Mercado Accionario: GOOGLE A continuación se presenta las cotizaciones de las acciones de GOOGLE desde el 19 de agosto del 2004 al 9 de mayo del David Giuliodori (UE-Siglo 21) MMC 80 / 98

81 Ejemplos - Mercado Accionario Ejemplo 2 - Mercado Accionario: GOOGLE El correlograma correspondiente a esta acción es: David Giuliodori (UE-Siglo 21) MMC 81 / 98

82 Ejemplos - Mercado Accionario Ejemplo 2 - Mercado Accionario: GOOGLE La evolución de la variable en primeras diferencias de la acción de GOOGLE es la siguiente: David Giuliodori (UE-Siglo 21) MMC 82 / 98

83 Ejemplos - Mercado Accionario Ejemplo 2 - Mercado Accionario: GOOGLE El correlograma correspondiente de la primera diferencia de esta acción es: David Giuliodori (UE-Siglo 21) MMC 83 / 98

84 Ejemplos - Mercado Accionario Ejemplo 2 - Mercado Accionario: GOOGLE Conclusiones Se encontró estructura en las acciones de YPF No se encontró estructura en GOOGLE Esto sucede ya que en un mercado desarrollado, la posibilidad de arbitraje desaparece. Dado que la acción de GOOGLE es mucho más ĺıquida que la acción de YPF, no se encuentra estructura en la serie y sólo se puede modelizar con lo que se llama un paseo aleatorio. David Giuliodori (UE-Siglo 21) MMC 84 / 98

85 Ejemplos - Tasa de Inflación de US Ejemplo - Tasa de Inflación de US David Giuliodori (UE-Siglo 21) MMC 85 / 98

86 Ejemplos - Tasa de Inflación de US Ejemplo - Tasa de Inflación de US A continuación se presenta la tasa de inflación de US desde enero de 1914 a mayo de 2014 David Giuliodori (UE-Siglo 21) MMC 86 / 98

87 Ejemplos - Tasa de Inflación de US Ejemplo - Tasa de Inflación de US El correlograma de la serie de inflación es el siguiente: David Giuliodori (UE-Siglo 21) MMC 87 / 98

88 Ejemplos - Tasa de Inflación de US Ejemplo - Tasa de Inflación de US El modelo sugerido es un AR(5) con una componente estacional autorregresiva de primer orden. David Giuliodori (UE-Siglo 21) MMC 88 / 98

89 Ejemplos - Tasa de Interés de los Bonos del Tesoro de US Ejemplo - Tasa de Interés de los Bonos del Tesoro de US David Giuliodori (UE-Siglo 21) MMC 89 / 98

90 Ejemplos - Tasa de Interés de los Bonos del Tesoro de US Ejemplo - Tasa de Interés de los Bonos del Tesoro de US A continuación se presenta la tasa de interés de los bonos del Tesoro de US desde enero de 2000 a mayo de 2014 David Giuliodori (UE-Siglo 21) MMC 90 / 98

91 Ejemplos - Tasa de Interés de los Bonos del Tesoro de US Ejemplo - Tasa de Interés de los Bonos del Tesoro de US El correlograma de la serie en primeras diferencias es el siguiente: David Giuliodori (UE-Siglo 21) MMC 91 / 98

92 Ejemplos - Tasa de Interés de los Bonos del Tesoro de US Ejemplo - Tasa de Interés de los Bonos del Tesoro de US Proponiendo como modelo del tipo MA(1) y estimando los coeficientes para la serie en primeras diferencias, se obtiene: David Giuliodori (UE-Siglo 21) MMC 92 / 98

93 Ejemplos - Producto Bruto Interno de US Ejemplo - Producto Bruto Interno de US David Giuliodori (UE-Siglo 21) MMC 93 / 98

94 Ejemplos - Producto Bruto Interno de US Ejemplo - Producto Bruto Interno de US A continuación se presenta la evolución del producto bruto interno de US desde Q1 de 1947 a Q1 de 2014 David Giuliodori (UE-Siglo 21) MMC 94 / 98

95 Ejemplos - Producto Bruto Interno de US Ejemplo - Producto Bruto Interno de US El correlograma de la serie correspondiente a la segunda diferencia es el siguiente: David Giuliodori (UE-Siglo 21) MMC 95 / 98

96 Ejemplos - Producto Bruto Interno de US Ejemplo - Producto Bruto Interno de US Estimando un modelo del tipo MA(2) para la segunda diferencia de la serie, tenemos: David Giuliodori (UE-Siglo 21) MMC 96 / 98

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 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

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

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

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

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

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

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

MODELOS DE CÁLCULO DE LA VOLATILIDAD *

MODELOS 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 detalles

SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de junio de 2015

SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de junio de 2015 BOLETÍN DE PRENSA NÚM. 372/15 2 DE SEPTIEMBRE DE 2015 AGUASCALIENTES, AGS. PÁGINA 1/5 SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de junio de 2015 El INEGI presenta los resultados del Sistema de Indicadores

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

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

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

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL

CLASE 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 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

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

Tema 3: El modelo de regresión lineal múltiple

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

Más detalles

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

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO FACULTAD DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO FACULTAD DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO FACULTAD DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA ESCUELA PROFESIONAL DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA MODELO UNIVARIANTE DE PRONÓSTICO DEL NÚMERO DE UNIDADES

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

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

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

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

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

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

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

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

Más detalles

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

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

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

Más detalles

Vectores Autorregresivos (VAR)

Vectores Autorregresivos (VAR) Vectores Autorregresivos (VAR) 1 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t

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

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

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID ECONOMETRIA PRIMER PARCIAL 17 DE ENERO DE 2008 1.- A) La transformación estacionaria es SOLUCIONES

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

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

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

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

Más detalles

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

Validación del modelo ARMA para la proyección de la inflación en Costa Rica. Alberto Vindas Quesada

Validación del modelo ARMA para la proyección de la inflación en Costa Rica. Alberto Vindas Quesada Validación del modelo ARMA para la proyección de la inflación en Costa Rica Alberto Vindas Quesada Serie Documentos de Trabajo No. 03-2011 Departamento de Investigación Económica División Económica Diciembre,

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 3 (Análisis espectral) 2015 Dominio temporal vs. dominio de frecuencias Son dos enfoques para encarar el análisis de las series temporales, aparentemente

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

NT8. El Valor en Riesgo (VaR)

NT8. El Valor en Riesgo (VaR) NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo

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

Grado en Finanzas y Contabilidad

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

Más detalles

Análisis de procesos estocásticos en el dominio del tiempo

Análisis 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 detalles

TEMA 5. PROCESOS ESTOCÁSTICOS

TEMA 5. PROCESOS ESTOCÁSTICOS TEMA 5. PROCESOS ESTOCÁSTICOS En el estudio de las variables aleatorias realizado hasta ahora se han explorado las características aleatorias del fenómeno pero se ha mantenido una premisa por defecto,

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

Encuesta sobre las Expectativas de los Especialistas en Economía del Sector Privado: Noviembre de 2014

Encuesta sobre las Expectativas de los Especialistas en Economía del Sector Privado: Noviembre de 2014 2 de diciembre de sobre las Expectativas de los Especialistas en Economía del Sector Privado: Noviembre de Resumen En esta nota se reportan los resultados de la encuesta de noviembre de sobre las expectativas

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

Procesos ARIMA estacionales

Procesos 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 detalles

Temario: Análisis Econométrico con EViews Capacitación

Temario: Análisis Econométrico con EViews Capacitación Objetivo del curso: El objetivo del curso es instruir al participante en el uso de EViews para el análisis de su información y la aplicación de la metodología econométrica idónea para sus datos: Creación

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

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

Más detalles

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

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Facultad de Economía Claudia Montserrat Martínez Stone CAPITULO IV EVALUACIÓN FINANCIERA

Facultad de Economía Claudia Montserrat Martínez Stone CAPITULO IV EVALUACIÓN FINANCIERA CAPITULO IV EVALUACIÓN FINANCIERA 56 4.1.- Criterios de Evaluación Financiera La Evaluación de un Proyecto debe tener como base el análisis con el que se mide la rentabilidad económica, en el que principalmente

Más detalles

Las 7 Herramientas Fundamentales de la Calidad

Las 7 Herramientas Fundamentales de la Calidad Las 7 Herramientas Fundamentales de la Calidad Se utilizarán los métodos estadísticos elementales, dado que está dirigido a todos los funcionarios, desde la alta dirección hasta los operarios de base (Ej:

Más detalles

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti ANÁLISIS DE DATOS CONTROL DE CALIDAD Ing. Carlos Brunatti Montevideo, ROU, junio 2015 Control de calidad No resulta sorprendente que el hormigón sea un material variable, pues hay muchos factores involucrados

Más detalles

INFORME DE COYUNTURA: MATRICULACIÓN DE VEHÍCULOS EN ESPAÑA.

INFORME DE COYUNTURA: MATRICULACIÓN DE VEHÍCULOS EN ESPAÑA. INFORME DE COYUNTURA: MATRICULACIÓN DE VEHÍCULOS EN ESPAÑA. Carmen María Rubio Castaño. Master en Análisis Económico Aplicado. MAE 7. El último dato de Matriculación de Vehículos en España publicado por

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Métodos y Diseños utilizados en Psicología

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

Más detalles

Curso de Estadística no-paramétrica

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

Más detalles

TEMA 7 TEMA 7. SERIES TEMPORALES. Carmen Arriero Villacorta 1. DEFINICIÓN. Serie temporal de aeronaves Aeropuerto de Ibiza

TEMA 7 TEMA 7. SERIES TEMPORALES. Carmen Arriero Villacorta 1. DEFINICIÓN. Serie temporal de aeronaves Aeropuerto de Ibiza TEMA 7 SERIES TEMPORALES Carmen Arriero Villacorta CURSO 212 213 1 Nº Aeronaves 1. DEFINICIÓN Una serie temoral es una serie estadística cuyos valores deenden del tiemo. D(t, Y t ) Y 1, Y 2,,, Y t,, Y

Más detalles

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

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

Más detalles

Indicadores matemáticos para el análisis técnico de precios

Indicadores matemáticos para el análisis técnico de precios ANÁLISIS TÉCNICO DE PRECIOS Nota técnica Joaquín Arias Segura Ph.D i Especialista Regional en Políticas y Negociaciones Comerciales para la Región Andina Instituto Interamericano de Cooperación para la

Más detalles

Tema 7: Dinero, Inflación y Tipos de Interés

Tema 7: Dinero, Inflación y Tipos de Interés Tema 7: Dinero, Inflación y Tipos de Interés Macroeconíomica III Universidad Autónoma de Madrid Febrero 2010 Macroeconíomica III (UAM) Tema 7: Dinero, Inflación y Tipos de Interés Febrero 2010 1 / 1 Sumario

Más detalles

- se puede formular de la siguiente forma:

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

Más detalles

Tema 3. Series de Tiempo

Tema 3. Series de Tiempo Tema 3. Series de Tiempo 3.3.1. Definición En Estadística se le llama así a un conjunto de valores observados durante una serie de períodos temporales secuencialmente ordenada, tales períodos pueden ser

Más detalles

TEMA 1. Introducción al análisis empírico de variables económicas.

TEMA 1. Introducción al análisis empírico de variables económicas. TEMA 1. Introducción al análisis empírico de variables económicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos Económicos Introducción Tipos de Datos. Tratamiento

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. 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 detalles

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

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

Más detalles

CURSO: INTRODUCCION A PRONOSTICOS

CURSO: 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 detalles

I N D I C E D E P R E C I O S A L C O N S U M I D O R

I N D I C E D E P R E C I O S A L C O N S U M I D O R BASE 1999 = 100 Ene 82 0,0000041116 + 11,9 Feb 82 0,0000043289 + 5,3 Mar 82 0,0000045330 + 4,7 Abr 82 0,0000047229 + 4,2 May 82 0,0000048674 + 3,1 Jun 82 0,0000052517 + 7,9 Jul 82 0,0000061056 + 16,3 Ago

Más detalles

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO "FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO" José Miguel Navarro Azorín Dpto. de Métodos Cuantitativos para la Economía Universidad de Murcia (versión preliminar)

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

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

Más detalles

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

INDICE MENSUAL DE ACTIVIDAD ECONÓMICA

INDICE MENSUAL DE ACTIVIDAD ECONÓMICA Metodología INDICE MENSUAL DE ACTIVIDAD ECONÓMICA El Consejo Monetario Centroamericano (CMCA), desde finales de la década del 80 ha estado trabajando con los Bancos Centrales de la Región Centroamericana

Más detalles

El ritmo de expansión de las

El ritmo de expansión de las Colocaciones comerciales y ciclo económico El crecimiento de las colocaciones comerciales se ha desacelerado fuertemente en lo que va del año 014. La desaceleración ha sido particularmente fuerte en los

Más detalles

Simulación Computacional. Tema 1: Generación de números aleatorios

Simulación Computacional. Tema 1: Generación de números aleatorios Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Contenido 1. Secuencias pseudoaleatorias

Más detalles

Programa Monetario Febrero 2010

Programa Monetario Febrero 2010 Programa Monetario Febrero 2010 Tasa de referencia El Directorio del aprobó mantener la tasa de interés de referencia de la política monetaria en 1,25 por ciento. 7,0 6,5 6,0 5,5 4,5 4,0,5,0 2,5 2,0 Tasa

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

EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5.

EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5. EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5. En este trabajo realizo un estudio entre las variables, con

Más detalles

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

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

Más detalles

Medición de la atención en un call center usando box-jenkins

Medición de la atención en un call center usando box-jenkins Revista de la Facultad de Ingeniería Industrial 15(1): 100-109 (2012) UNMSM ISSN: 1560-9146 (Impreso) / ISSN: 1810-9993 (Electrónico) Medición de la atención en un call center usando box-jenkins Recibido:

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación

Más detalles

Econometría de Económicas

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

Más detalles

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

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

Más detalles

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS 1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están

Más detalles

Cambio en el manejo de la deuda pública

Cambio en el manejo de la deuda pública Informe Mensual de Deuda Pública Cambio en el manejo de la deuda pública En lo que va corrido del año 2003, el gobierno colombiano ha adelantado exitosamente su plan de financiamiento a través de bonos,

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

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

Más detalles

PLANIFICACION Y CONTROL DE LA PRODUCCION I: PROFESOR: ARIEL LINARTE

PLANIFICACION Y CONTROL DE LA PRODUCCION I: PROFESOR: ARIEL LINARTE PLANIFICACION Y CONTROL DE LA PRODUCCION I: PROFESOR: ARIEL LINARTE PRONOSTICOS DE DEMANDA Objetivos: Aplicar los elementos prácticos de la proyección de la demanda, tales como el método de los mínimos

Más detalles

Determinantes del consumo de combustibles líquidos en Argentina

Determinantes del consumo de combustibles líquidos en Argentina UNIVERSIDAD CATÓLICA ARGENTINA FACULTAD DE CIENCIAS SOCIALES Y ECONÓMICAS PROGRAMA DE ESTÍMULO A LA INVESTIGACIÓN Y APORTES PEDAGÓGICOS Trabajo de investigación Determinantes del consumo de combustibles

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

http://www.cepamarm.es ACFGS - Matemáticas ESG - 05/2013 Pág. 1 de 17

http://www.cepamarm.es ACFGS - Matemáticas ESG - 05/2013 Pág. 1 de 17 http://www.cepamarm.es ACFGS - Matemáticas ESG - 05/2013 Pág. 1 de 17 1 CONCEPTOS BÁSICOS 1.1 DEFINICIONES Una función liga dos variables numéricas a las que, habitualmente, se les llama x e y. x es la

Más detalles

Política y Cultura ISSN: 0188-7742 politicaycultura@gmail.com. Universidad Autónoma Metropolitana Unidad Xochimilco. México

Política y Cultura ISSN: 0188-7742 politicaycultura@gmail.com. Universidad Autónoma Metropolitana Unidad Xochimilco. México Política y Cultura ISSN: 0188-7742 politicaycultura@gmail.com Universidad Autónoma Metropolitana Unidad Xochimilco México Morales Alquicira, Andrés; Rendón Trejo, Raúl La bolsa mexicana de valores realidad

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS 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 detalles

TEMA 1. INTRODUCCIÓN A LA ECONOMÍA. MICROECONOMÍA

TEMA 1. INTRODUCCIÓN A LA ECONOMÍA. MICROECONOMÍA TEMA 1. INTRODUCCIÓN A LA ECONOMÍA. MICROECONOMÍA Introducción 1. El Objeto De La Economía 1.1. El Estudio De La Economía. Enfoques 1.2. La Escasez Y La Elección 1.3. Los Problemas Económicos Fundamentales

Más detalles

MATEMÁTICAS aplicadas a las Ciencias Sociales II

MATEMÁTICAS aplicadas a las Ciencias Sociales II MATEMÁTICAS aplicadas a las Ciencias Sociales II UNIDAD 1: SISTEMAS DE ECUACIONES. MÉODO DE GAUSS Sistemas de ecuaciones lineales Sistemas equivalentes. Transformaciones que mantienen la equivalencia.

Más detalles

SIGLAS Y CONVENCIONES. ABF: servo-acelerómetros (acelerómetros de balance de fuerza).

SIGLAS Y CONVENCIONES. ABF: servo-acelerómetros (acelerómetros de balance de fuerza). SIGLAS Y CONVENCIONES : subconjunto dentro de ( ); grado de aleatoriedad. Factor de una regresión lineal. ABF: servo-acelerómetros (acelerómetros de balance de fuerza). AE: detectores de emisión acústica.

Más detalles

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

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

Más detalles

Subespacios vectoriales en R n

Subespacios 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 detalles

6 Sexta. 6.1 Parte básica. Unidad Didáctica "REGRESIÓN Y CORRELACIÓN"

6 Sexta. 6.1 Parte básica. Unidad Didáctica REGRESIÓN Y CORRELACIÓN 352 6 Sexta Unidad Didáctica "REGRESIÓN Y CORRELACIÓN" 6.1 Parte básica 353 6.1.1 Introducción Regresión es una palabra un tanto rara. La utilizan los biólogos, los médicos, los psicólogos... y suena como

Más detalles