Modelos matemáticos para la predicción de series temporales
|
|
- Gloria Rivero Villanueva
- hace 6 años
- Vistas:
Transcripción
1 Capítulo 2 Modelos matemáticos para la predicción de series temporales 2.1. Modelo de regresión lineal Cuando se habla de predicción, el objetivo es determinar una variable de salida y a partir de la información de un conjunto de variables de entrada x. En el contexto de las series temporales, el conjunto de variables de entrada puede incluir retrasos tanto de x, como de la variable de salida y. En cuanto a los modelos predictivos, normalmente se suele empezar con el modelos de regresión lineal, dado por la siguiente ecuación: y t = β k x k,t + ɛ t (2.1) ɛ t N(0, σ 2 ) (2.2) donde la variable ɛ t es un término de perturbación aleatoria, normalmente caracterizado por una distribución normal de media cero y varianza constante σ 2, y {β k } representa los parámetros a estimar. Denotaremos {βˆ k } al conjunto de parámetros estimados e {ŷ t } al conjunto de predicciones de y generadas por el modelo a partir de los coeficientes {βˆ k }. El objetivo es seleccionar aquellos {βˆ k } que minimicen la suma de los cuadrados de las diferencias entre las observaciones actuales y y los valores predichos por el modelo lineal, ŷ. En series temporales suele usarse el subíndice t para las variables de entrada y salida denotando el instante concreto de observación, siendo el instante inicial t = 1. Existen numerosos métodos para estimar el conjunto de parámetros {β k }, bajo una variedad de hipótesis acerca de la distribución del término de perturbación, ɛ t, acerca de la constancia de su varianza, σ 2, así como acerca de la independencia de la distribución de las variables de entrada x k con respecto del término de perturbación ɛ t. La meta del proceso de estimación es encontrar el conjunto de parámetros del modelo de regresión, {βˆ k }, que minimice la suma de los cuadrados de las diferencias (también denominados residuos), en adelante Ψ, entre la variable de salida objetivo y y la variable 5
2 Sección Modelos matemáticos para la predicción de series temporales de salida generada por el modelo ŷ, a lo largo del conjunto de observaciones. El problema de la estimación puede ser descrito del siguiente modo: MinΨ = T ˆɛ 2 t = T (y t ŷ t ) 2 (2.3) s.a y t = β k x k,t + ɛ t (2.4) ŷ t = ˆβk x k,t (2.5) ɛ t N(0, σ 2 ) (2.6) Un modelo comúnmente utilizado en predicción es el modelo autorregresivo: y t = β i y t i + k i=1 k γ j x j,t + ɛ t (2.7) en el cual existen k variables x independientes, con coeficientes γ j para cada x j, y k* retrasos para la variable independiente y, con, obviamente k + k* parámetros, {β} y {γ}, a estimar. Con esto, a mayor longitud de la estructura de retrasos, tendremos un mayor número de parámetros a estimar y, consecuentemente, menos grados de libertad. El número de variables de salida puede ser mayor que uno. No obstante, en el modelo lineal de referencia se suele utilizar un conjunto de J * modelos lineales independientes para predecir cada una de las variables de salida y j, j = 1,..., j *. Para un total de j * variables de salida tendrán que estimarse (J* K) parámetros. El modelo lineal presenta la útil propiedad de tener una solución en forma cerrada a la hora de resolver el problema de estimación, en el que se minimiza la suma de los cuadrados de los errores entre y e ŷ. Este método es conocido como regresión lineal y tiene la ventaja de de ser muy rápido en términos computacionales. En el ámbito de las series temporales económicas, cuando se realizan predicciones a corto plazo, el modelo lineal es un punto de partida razonable, o una buena referencia, no así en las predicciones a largo plazo, donde los cambios en la variable a predecir raramente presentan un comportamiento simétrico. En cualquier caso, este método puede no resultar especialmente preciso para mercados financieros volátiles, donde a menudo se presentan no linealidades en los datos. Movimientos lentos ascendentes en los precios de los activos seguidos de repentinos colapsos, conocidos como burbujas, son también habituales, con lo cual, el modelo lineal puede fallar a la hora de capturar cambios en la dirección de los datos. Por este motivo, en adelante abordaremos técnicas de predicción no lineales. j= Modelos no lineales GARCH Existen en la práctica muchos modelos no lineales que pueden usarse como alternativa al modelo lineal descrito con anterioridad. Un ejemplo muy común de esta aproximación 6
3 2. Modelos matemáticos para la predicción de series temporales Sección 2.2 es el modelo GARCH-En-Media o GARCH-M, en el cual, la varianza del término de perturbación afecta directamente a la media de la variable dependiente, o variable de salida, y evoluciona en el tiempo como una función de sus valores pasados y de los valores pasados del error cuadrático de predicción. Por este motivo, esta varianza dependiente del tiempo se denomina varianza condicional. Las siguientes ecuaciones describen el modelo paramétrico GARCH-M típico: σ 2 t = δ 0 + δ 1 σ 2 t 1 + δ 2 ɛ 2 t 1 (2.8) ɛ t φ(0, σ 2 t ) (2.9) y t = α + βσ t + ɛ t (2.10) donde y es la tasa de retorno de un determinado activo, α es el valor esperado de la variable de salida, y ɛ t es un término de perturbación con función de distribución normal de media cero y varianza condicional σ 2 t, dado por φ(0, σ 2 t ). El parámetro β representa el efecto de la prima de riesgo en el retorno del activo, mientras que los parámetros δ 0, δ 1, y δ 2 definen la evolución de la varianza condicional. La prima de riesgo refleja el hecho de que los inversores a menudo requieren mayores retornos a la hora de asumir mayores riesgos en el mercado. Por ello se asume β > 0. El modelo GARCH-M es un sistema estocástico recursivo, dadas las condiciones iniciales σ 2 0 y ɛ2 0, así como las estimaciones de α, β, δ 0, δ 1 y δ 2. Dada una varianza condicional, la componente aleatoria se obtiene a partir de la distribución normal y el retorno del activo queda completamente determinado en función de su propia media, de la componente aleatoria y del efecto de la prima de riesgo, éste último dado por β t. Dado que la distribución de la componente aleatoria es normal, podemos utilizar la estimación por máxima verosimilitud para abordar la estimación de α, β, δ 0, δ 1, y δ 2. La función de probabilidad L es la función de probabilidad conjunta de ŷ t = y t, para t = 1,..., T. Para los modelos GARCH-M, la función de probabilidad toma la siguiente forma: L t = T 1 2πˆσ t 2 exp [ (y t ŷ t ) 2 ] 2σt 2 (2.11) ŷ = ˆα + ˆβˆσ t (2.12) ˆɛ t = y t ŷ t (2.13) ˆσ 2 t = ˆδ 0 + ˆδ 1ˆσ 2 t 1 + ˆδ 2ˆɛ 2 t 1 (2.14) donde los símbolos ˆα, ˆβ, ˆδ 0, ˆδ 1, y ˆδ 2 son estimaciones de los parámetros subyacentes en el modelo, y es el operador multiplicación, 2 i=1 x i = x 1 x 2. El método habitual para obtener las estimaciones de los parámetros maximiza la suma del logaritmo de de la función de probabilidad, o función de log-probabilidad, a lo largo de la muestra completa T, desde t = 1 hasta t = T, con respecto a la elección de las estimaciones de 7
4 Sección Modelos matemáticos para la predicción de series temporales los coeficientes, sujeto a la restricción de varianza mayor que cero, dadas las condiciones iniciales ˆσ 2 0 y ˆɛ2 t 1 : Max T ln(l t ) = T ( [ (yt ŷ t ) 2 ]),5ln(2π),5ln(ˆσ t ),5 ˆσ 2 t (2.15) s.a : ˆσ 2 t > 0, t = 1, 2..., T (2.16) El atractivo de la aproximación GARCH-M es su capacidad para modelar la fuente de no linealidad del proceso. La varianza condicional es una transformación no lineal tanto de sus valores pasados como de los valores pasados del error de predicción. El hecho de utilizar una varianza condicional de cuyo valor dependa la variable dependiente, representa el conocido factor de riesgo que eleva la tasa de retorno requerida a la hora de predecir las dinámicas de los precios de los activos. Una de las grandes ventajas del modelo es su capacidad para capturar un fenómeno bien conocido en series temporales económicas, esto es, que tras periodos de alta volatilidad sigue una alta volatilidad y viceversa. Por otra parte, entre los inconvenientes del método GARCH-M se observa que la minimización de las funciones log-probabilísticas es, a menudo, bastante difícil de alcanzar, siendo ademas un modelo bastante restrictivo: nos vemos limitados por un conjunto de parámetros bien definidos, una distribución bien definida, una función no lineal específica y un método de estimación que no siempre converge a estimaciones razonables de sus parámetros. Con modelos no lineales específicos, se pierde flexibilidad a la hora de capturar procesos no lineales alternativos Aproximación polinómica Mediante redes neuronales y otros métodos de aproximación, se pretende aproximar un proceso no lineal desconocido a través de modelos semi-paramétricos menos restrictivos. Con un polinomio o una red neuronal, la forma de las funciones no lineales utilizadas es fija pero no así el grado del polinomio o el número de neuronas. Con ello los parámetros, ni están limitados en número, ni tienen una interpretación directa, como la tienen los parámetros del modelo GARCH-M. Por este motivo, en la literatura se suele denominar a este conjunto de modelos como semiparamétricos. Mientras que GARCH y GARCH-M son modelos populares en econometría financiera no lineal, una red neuronal sencilla bien puede aproximar una serie temporal generada por un modelo GARCH-M calibrado [1]. El método de aproximación más comúnmente utilizado es el método de expansión polinómica. Del Teorema de Wierstrass, una expansión polinómica alrededor de un conjunto de entradas x con potencia progresivamente creciente puede aproximar hasta un determinado nivel de precisión cualquier función continua desconocida y = g(x). Si consideramos, por ejemplo, una aproximación polinómica de segundo grado de tres variables, 8
5 2. Modelos matemáticos para la predicción de series temporales Sección 2.3 [x 1t, x 2t, x 3t ], donde g es una función continua desconocida de argumentos x 1, x 2, x 3, la fórmula de aproximación es: y t = β 0 +β 1 x 1t +β 2 x 2t +β 3 x 3t +β 4 x 2 1t+β 5 x 2 2t+β 6 x 2 3t+β 7 x 1t x 2t +β 8 x 2t x 3t +β 9 x 1t x 3t (2.17) Nótese que la aproximación del polinomio de segundo grado con tres argumentos, o dimensiones, tiene tres términos cruzados, con coeficientes dados por {β 7, β 8, β 9 }, y requiere diez parámetros. Para un modelo de varios argumentos, el número de parámetros crece exponencialmente con el grado de la expansión polinómica. Este fenómeno es conocido como la regla dimensional de la aproximación no lineal. El precio a pagar por una mayor precisión es un mayor número de parámetros a estimar, y por tanto, un menor número de grados de libertad en la estimación estadística subyacente Polinomios ortogonales Judd(1998) [2] aborda una amplia gama de aproximadores polinómicos, denominados polinomios ortogonales. A diferencia del polinomio típico basado en potencias crecientes de la variable x, esta clase de polinomios se basan en funciones seno, coseno, o alternativamente, en transformaciones exponenciales de la variable x, habiéndose demostrado una mayor eficiencia en éstos últimos que en los polinomios de potencias. Antes de hacer uso de estos polinomios ortogonales, se deben transformar todas las variables [y, x] al intervalo [-1, 1]. Dada una variable x, dicha transformación a la variable x* viene dada por la siguiente expresión: x = 2x min(x) + max(x) max(x) min(x) max(x) min(x) (2.18) La formulación exacta de éstos polinomios ortogonales es complicada [ver Judd (1998), p 204, Tabla 6.3]. En cualquier caso, estos aproximadores polinómicos pueden ser representados con mayor sencillez en modo recursivo. La expansión polinómica de Tchebeycheff T(x*) para una variable x* viene dada por el siguiente sistema recursivo: T 0 (x ) = 1 T 1 (x ) = x T i+1 (x ) = 2x T i (x ) T i 1 (x ) (2.19) La expansión de Hermite H(x*) viene dada por las siguentes ecuaciones: H 0 (x ) = 1 H 1 (x ) = 2x H i+1 (x ) = 2x H i (x ) 2iH i 1 (x ) (2.20) 9
6 Sección Modelos matemáticos para la predicción de series temporales La expansión de Legendre L(x*) se expresa como sigue: L i+1 (x ) = L 0 (x ) = 1 L 1 (x ) = 1 x ( ) 2i + 1 L i (x ) i i + 1 i + 1 L i 1(x ) (2.21) La expansión de Laguerre LG(x*) tiene la siguente forma: ( 2i + 1 x LG i+1 (x ) = i + 1 LG 0 (x ) = 1 LG 1 (x ) = 1 x ) LG i (x ) i i + 1 LG i 1(x ) (2.22) Una vez obtenidas las expansiones polinómicas para una variable x* dada, simplemente se aproxima y* mediante regresión lineal. Para dos variables [x 1t, x 2t ] con expansión P1 y P2 respectivamente, la aproximación viene dada por la siguiente expresión: y = P 1i=1 P 2j=1 β ij T i (x 1t T j (x 2t (2.23) Para deshacer la transformación de la variable y* [min(y), max(y)], puede usarse la siguiente expresión: y devolverla al intervalo y = (y + 1)[max(y) min(y)] 2 + min(y) (2.24) Las redes neuronales son una alternativa al modelo paramétrico lineal, al modelo GARCH-M y a las aproximaciones semi-paramétricas polinomiales a la hora de aproximar un sistema no lineal. El motivo por el cual se aborda el problema desde el punto de vista de las redes neuronales es simple y directo. El objetivo es encontrar un método o aproximación que prediga de un modo adecuado datos generados por procesos a menudo desconocidos y altamente no lineales, con tan pocos parámetros como sea posible, y que sea más fácil de estimar que los modelos paramétricos no lineales. Seguidamente se mostrará cómo las redes neuronales permiten lograr estos objetivos de un modo más eficiciente -en términos de precisión y de computación- que la aproximación lineal. Las redes neuronales son tan precisas como las aproximaciones polinómicas con un menor número de parámetros. Además, son mucho menos restrictivas que los modelos GARCH-M. 10
7 2. Modelos matemáticos para la predicción de series temporales Sección 2.4 Solución Forma Cerrada Paramétrico Semiparamétrico Sí Lineal Polinómica No Garch-M Red Neuronal Cuadro 2.1: Tipología de los modelos 2.4. Tipología de los modelos Con el objeto de situar el modelo de redes neuronales entre los diferentes tipos de modelos predictivos, podemos diferenciar entre modelos paramétricos y modelos semiparamétricos, y entre modelos que presenten o no soluciones en forma cerrada. Dicha tipología se muestra en la tabla 2.1. Tanto los modelos lineales como los polinomiales poseen soluciones en forma cerrada para la estimación de los coeficientes de regresión. Por ejemplo, en el modelo lineal y = xβ, escrito en forma matricial, el estimador típico de mínimos cuadrados viene dado por ˆβ = (x x) 1 x y. El vector de coeficientes ˆβ es simplemente una función lineal de las variables [y, x]. No existen problemas de convergencia o múltiples soluciones: una vez que conocemos el conjunto de variables [y, x], conocemos la estimación del vector de coeficientes, ˆβ. Para un modelo polinómico, en el que la variable dependiente y es una función de potencias superiores de los regresores x, el vector de coeficientes se calcula del mismo modo. Simplemente se redefinen los regresores en términos de una matriz z, que representa las expansiones polinómicas de los regresores x, y mediante el método de los mínimos cuadrados se calcula el vector de coeficientes de los polinomios, es decir, ˆβ = (z z) 1 z y. Tanto GARCH-M como las redes neuronales son ejemplos de modelos que no poseen soluciones en forma cerrada para sus respectivos vectores de coeficientes. Se observa, además, cómo los modelos lineales y las redes neuronales son modelos diametralmente opuestos en su concepción. El modelo lineal puede ser una solución imprecisa en el mundo real, pero proporciona soluciones exactas, en poco tiempo y de una forma sencilla. Por su parte las redes neuronales pueden suponer una aproximación más precisa a la hora de capturar comportamientos no lineales, pero no poseen soluciones exactas o fáciles de obtener. Sin una solución en forma cerrada, las soluciones deben ser aproximadas. De hecho, como señalan Michalewicz y Fogel (2002) [3], esta polaridad refleja las dificultades a la hora de resolver problemas matemáticos en general. En muchas ocasiones es difícil obtener buenas soluciones para problemas importantes, bien porque debemos utilizar un modelo impreciso (como el modelo lineal), que proporciona una solución exacta, o bien porque debemos usar una solución aproximada por medio de un modelo más preciso o complejo. [Michalewicz and Fogel (2002), p. 19]. 11
8 Sección Modelos matemáticos para la predicción de series temporales Figura 2.1: Perceptron de tres capas con una capa oculta 2.5. Redes neuronales Al igual que el método de aproximación lineal y el polinómico, una red neuronal relaciona un conjunto de variables de entrada {x i }, i = 1,..., k, con un conjunto de una o más variables de salida {y j }, j = 1,..., k*. La diferencia entre las redes neuronales y los otros métodos de aproximación es que la red neuronal hace uso de una o más capas ocultas, en las cuales las variables de entrada son transformadas por una función especial, conocida como función de activación. Esta aproximación por medio de capas ocultas ha demostrado ser un medio muy eficiente a la hora de modelar procesos estadísticos no lineales Redes de alimentación hacia adelante La figura 2.1 ilustra la arquitectura de una red neuronal con una capa oculta que contiene C neuronas, n 1 variables de entrada {x i }, i = 1, 2,..., n 1, y una salida y. Se observa un procesamiento paralelo de la información. Además del procesamiento secuencial de los sistemas lineales típicos, en el cual solo se utilizan observaciones de las entradas para predecir la salida por medio de los pesos de las neuronas de entrada, las dos neuronas de la capa oculta procesan a su vez las entradas para mejorar las predicciones. Las conexiones entre las variables de entrada, a menudo denominadas neuronas de entrada, y las neuronas de la capa oculta, así como las conexiones entre las neuronas 12
9 2. Modelos matemáticos para la predicción de series temporales Sección 2.5 de la capa oculta y la variable de salida, o neurona de salida, se denominan sinapsis. Por suerte, gran parte de los problemas habituales en predicción no involucran un gran número de neuronas en el proceso paralelo. Esta red neuronal de capa simple con alimentación hacia adelante, o Perceptron multicapa con una capa oculta, constituirá el modelo predictivo utilizado en la herrmienta desarrollada en este proyecto, tanto para la evluación del algoritmo de eliminación progresiva de entradas basada en importancia relativa -ver sección como para la generación de predicciones -ver sección La arquitectura y funcionamiento del Perceptrón multicapa serán descritas en detalle en el capítulo 3. De un modo general, la red representa la manera en que el cerebro humano procesa la información sensorial, recibida por medio de las neuronas de entrada, y la convierte en conocimiento, representado por medio de la neurona de salida. A medida que el cerebro evoluciona, más y más neuronas se interconectan por medio de sinapsis, y las señales de las diferentes neuronas, trabajando en paralelo, cada vez en más y más capas ocultas, se combinan para producir reacciones y percepciones cada vez más matizadas. Por supuesto, los datos sensoriales de entrada sencillos, tales como la percepción de frío o calor no necesitan ser procesados por muchas neuronas o en muchas capas ocultas para producir la percepción correspondiente. Pero a medida que las experiencias subyacentes en los datos sensoriales de entrada se vuelven más complejas o diversas, más capas ocultas son activadas. La percepción y la decisión son el resultado de la combinación de señales procedentes de muchas neuronas, quizás pertenecientes a muchas capas ocultas. En el capítulo 3 se expondrán las principales características de la arquitectura y el funcionamiento de las redes neuronales de varias capas con conexiones hacia adelante, o Percetrones multicapa. Por motivos de dimensionalidad, quedan fuera del alcance de este proyecto el análisis de otros tipos de redes neuronales, como son las redes neuronales de base radial, las redes de Ridgelet o las redes con conexiones en salto. 13
Tema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesGeometría de Señales Espacios de Hilbert y aproximaciones
Geometría de Señales Espacios de Hilbert y aproximaciones Temario Teorema de Parseval y Conservación de la Norma. Aproximaciones por proyección Ejemplos Teorema de Parseval Sea x la representación de un
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
Más detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesDatos bivariantes: regresión
M. Wiper Estadística 1 / 14 Datos bivariantes: regresión Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 14 Objetivo Ilustrar como ajustar una recta
Más detallesMetas para lograr en Primero Medio para el año 2015 en Matemáticas Profesor: Rodrigo Pérez Cruz Habilidades Matemáticas
Metas para lograr en Primero Medio para el año 2015 en Matemáticas Comprender que los números racionales constituyen un conjunto numérico en el que es posible resolver problemas que no tienen solución
Más detallesPlanteamiento General para Polinomios Ortogonales. 1. Producto interno genérico, norma y ortogonalidad
Semana 08/03/0 Polinomios Ortogonales Planteamiento General para Polinomios Ortogonales Hemos considerado un par de ejemplos de Polinomios Ortogonales En ambos podemos idenficar algunas características
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesIntroducción a la Econometría
1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesTEMA 3 Aproximación de funciones: interpolación y ajuste
TEMA 3 Aproximación de funciones: interpolación y ajuste Chelo Ferreira González Isaac Newton (1643-1727) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones
Más detallesMétodo de los Mínimos Cuadrados Recursivos
Método de los Mínimos Cuadrados Recursivos Teodoro Alamo a Ingeniería de Control Tercer Curso GITI Escuela Superior de Ingenieros Sevilla Formulación del problema Supongamos que los escalares y i, i =
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 SISTEMAS LTI En general un
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Perceptrón Simple William Campillay-LLanos williamcampillay@gmail.com https://sites.google.com/site/williamcampillay/home Departamento de Matemática, Física y Estadística.
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesMétodo de las Superficies de Respuesta
7 Método de las Superficies de Respuesta En este capítulo se analizará en qué consiste la Metodología de Superficies de Respuesta, su representación gráfica, el procedimiento a seguir hasta encontrar un
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS Los contenidos de este bloque se desarrollan de forma simultánea al resto
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesConcepto de Ajuste de Curvas (Diferencia con Interpolación)
Ajuste de Curvas Contenido Concepto de Ajuste de Curvas (Diferencia con Interpolación) Estimación de Parámetros Lineales por Mínimos Cuadrados Ajuste Polinomial Estimación de Parámetros No Lineales por
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesRegresores deterministas
CAPíTULO 7 Regresores deterministas 7.1. Variables ficticias Los datos estadísticos que se utilizan en un modelo de regresión pueden corresponder a variables cuantitativas y cualitativas. Mientras que
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesEstadística III (P33) Exam, Tipo: A
21 de Enero de 2000 Responde a las siguientes preguntas sobre papel ordinario, de forma breve y concisa. Al entregar tu exámen, has de entregar también la Tarea 10, que no fue posible finalizar en periodo
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesOptimización. Escuela de Ingeniería Informática de Oviedo. (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19
Optimización Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19 Introducción Problema general de optimización (minimización) Dado f : Ω R
Más detalles