Econometría Aplicada
|
|
- Inmaculada Lagos Ramos
- hace 6 años
- Vistas:
Transcripción
1 Econometría Aplicada Series de Tiempo II Víctor Medina
2 Estacionalidad Estacionalidad
3 Estacionalidad Variación estacional Las series de tiempo pueden presentar variación estacional. Ejemplos claros de este fenómeno son: Mediciones de temperaturas Ventas del retail Consumo de electricidad El siguiente gráfico corresponde a la data original de Box-Jenkins (vista anteriormente en clases pero en su version desestacionalizada) Numero de pasajeros (miles) Time
4 Estacionalidad Variación estacional Para modelar series de tiempo con variaciones estacionales, las observaciones deben ser transformadas quitándoles la componente estacional. Una vez desestacionalizada la serie, se puede modelar usando las técnicas discutidas anteriormente (ARIMA). El pronóstico se puede llevar a cabo para la serie sin estacionalidad y luego aplicar la transformación utilizada en su forma inversa. Con fines ilustrativos realizaremos un ejemplo que presenta variación con estacionalidad trimestral. Sin embargo, el procedimiento puede ser ajustado para incorporar otras frecuencias de estacionalidad (mensual, anual, etc.)
5 Estacionalidad Ejemplo: Frecuencia trimestral Consideremos la siguiente información sobre la demanda trimestral de electricidad en un edificio gubernamental Meses A2011 A2012 A2013 A Ene-Mar Abr-Jun Jul-Sep Oct-Dic Por la naturaleza de la serie, es razonable suponer que existe una variación estacional. En el invierno el consumo de electricidad es mayor que en el verano.
6 Estacionalidad Ejemplo: Frecuencia trimestral Un gráfico de la data se muestra a continuación Demanda Periodo Pareciera que además de la estacionalidad también existe tendencia.
7 Estacionalidad Frecuencia trimestral Consideramos t con frecuencia trimestral con n observaciones Sea x t la observación en el periodo t, entonces podemos descomponer x t de la siguiente forma x t = µ t + v t + s t para t = 1,..., n donde µ t es la tendencia en el periodo t, v t es el error aleatorio con media cero y s t es la variación estacional en t. Se asume que s t toma los valores s I, s II, s III y s IV en los trimestres I, II, III y IV respectivamente. Por convención se asume que s I + s II + s III + s IV = 0 El procedimiento usual antes de desestacionalizar es suavizar la data. Existen varios métodos para hacer esto. Por ejemplo, el ajuste a la media con 5 términos que veremos a continuación.
8 Estacionalidad Para variaciones trimestrales podemos usar ajuste a la media de 5 términos con los coeficientes siguientes ( 1 8, 1 4, 1 4, 1 4, 1 8) que se debe aplicar a todas las observaciones t excepto los dos primeros y dos últimos valores. Este ajuste para t = 3,..., n 2 tiene la forma y t = 1 8 xt (xt 1 + +xt + xt+1) xx+2 y definimos los siguientes residuos (no confundir!) e t = x t y t para t = 3,..., n 2 Para calcular las variaciones estacionales en cada trimestre, primero promediamos e t sobre todas observaciones para el primer trimeste. Llamemos a este promedio ŝ I. Análogamente, se obtienen ŝ II, ŝ III y ŝ IV para los trimestres 2, 3 y 4.
9 Estacionalidad Para asegurarnos que las variaciones suman cero, definimos s I = ŝ I c s II = ŝ II c s III = ŝ III c = ŝ IV c con c = 1 (ŝi + ŝ II + ŝ III + ŝ ) IV 4 Luego, la serie desestacionalizada se obtiene restando la variación estacional correspondiente a x t. Por ejemplo, si es el trimestre I, entonces s 1 = s I. Esto crea una serie de la forma z t = µ t + v t La tendencia µ t se puede remover usando las diferencias si es un modelo ARIMA (o filtros, no vistos) s IV Obs: Para frecuencias distintas a las trimestrales, se debe usar otro método de suavización. Por ejemplo, si la frecuencia es mensual, una elección común de suavizamiento es la siguiente y t = 1 24 xt (xt xt+5) xt+6
10 Estacionalidad Volviendo al ejemplo Para la data con las demandas de electricidad, tenemos Trimestre Meses xt yt et 1 I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic 40.00
11 Estacionalidad Ejemplo Posteriormente calculamos ŝ I = , ŝ II = 11.92, ŝ III = 42.13, ŝ IV = y c = Como resultado tendemos s I = s II = s III = s IV = 40.35
12 Estacionalidad Ejemplo Entonces la serie sin la estacionalidad quedaría Trimestre Meses xt yt et xt_des 1 I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic 40.00
13 Estacionalidad Ejemplo Gráficamente se vería Demanda 80 Serie xt xt_des Periodo
14 Descomposición de Tendencia Descomposición de Tendencia
15 Descomposición de Tendencia Tendencia Hasta ahora hemos descrito tendencia de una serie de tiempo como el cambio de largo plazo en la media, E(x t). Por otra parte, ya hemos presentado la descomposición x t = µ t + v t + s t para t = 1,..., n donde µ t es la tendencia en el periodo t, s t la componente estacional en t y v t el error aleatorio con media cero. Asumimos también que s t + s t s t+d 1 = 0 con d el periodo de la componente estacional (eg. d = 4 para el caso trimestral). Este modelo se conoce como modelo de descomposición clásica Vimos como estimar la componente estacional s t Ahora discutiremos métodos para remover la tendencia µ t
16 Descomposición de Tendencia Remover la tendencia El supuesto principal de este modelo es que removiendo la componente s t y µ t eventualmente podríamos quedar con un proceso estocástico estacionario, los cuales ya conocemos como tratarlos (ARMA). Luego, para hacer pronóstico realizamos el proceso contrario (a los valores estimados le agregamos las componentes s t y µ t) Ya hemos mencionado el uso del operador diferencias para remover tendencias (eg. procesos ARIMA) Existen otros dos procedimientos comunes con el mismo propósito Ajustar una función a la data (eg. y t = ax t + b) Filtros Mencionaremos algunos de los filtros
17 Descomposición de Tendencia Filtros El proceso conocimo como filtro lineal convierte la serie de tiempo x t en otra y t usando la formula β y t = c ix t+i i=α donde {c i, i = α, α , β} es un conjunto de coeficientes. Los valores y t son las observaciones suavizadas. Estas observaciones son usadas como una estimación de la tendencia, es decir, ˆµ t = y t. Hace sentido que c i = 1 (promedio ponderado). Ejemplo: ya vimos el filtro lineal utilizado para el ajuste estacional trimestral c 2 = 1/8, c 1 = c 0 = c 1 = 1/4, c 2 = 1/8 Cuál era un filtro posible para una frecuencia anual?
18 Descomposición de Tendencia Volviendo al ejemplo trimestral Teniamos Trimestre Meses xt yt et xt_des 1 I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic I Ene-Mar II Abr-Jun III Jul-Sep IV Oct-Dic 40.00
19 Descomposición de Tendencia Ejemplo Demanda 80 Serie xt xt_des yt Periodo
20 Descomposición de Tendencia Ejemplo: Box-Jenkins Al principio vimos la serie original de Box-Jenkins Numero de pasajeros (miles) Time
21 Descomposición de Tendencia Ejemplo: Box-Jenkins Si utilizamos el filtro y t = 1 24 xt (xt xt+5) + 1 xt+6 tenemos 24 lo siguiente Decomposition of additive time series random seasonal trend observed Time El problema de este tipo de filtro es que perdemos un periodo completo de data. Una solución es utilizar filtros que no estén centrados (eg. suavización exponencial) o ajustar un polinomio a las observaciones ya suavizadas.
22 Descomposición de Tendencia Problema de las colas El siguiente gráfico está corregido para el comienzo y final de las observaciones remainder trend seasonal data time
23 Descomposición de Tendencia Pronóstico Para hacer pronóstico primero debemos ver si la serie de los residuos es estacionaria. Aplicando DF obtenemos ## ## Augmented Dickey-Fuller Test ## ## data: remainder ## Dickey-Fuller = , Lag order = 5, p-value = 0.01 ## alternative hypothesis: stationary Se rechaza hipótesis nula. Es decir, la serie es consistente con el supuesto de estacionaridad.
24 Descomposición de Tendencia Ajuste de ARMA Analizamos ACF y PACF. Series remainder Series remainder ACF Partial ACF Lag Lag El resultado no es decisivo, sin embargo para efectos ilustrativos, ajustamos un proceso ARMA(2,0).
25 Descomposición de Tendencia Ajuste ARMA El resultado del ajuste ARMA(2,0) es el siguiente (ustedes pueden probar otros modelos) ## Estimate Std. Error t value Pr(> t ) ## ar e+00 ## ar e-07 ## intercept e-01
26 Descomposición de Tendencia Pronóstico El pronóstico para los 24 meses siguientes viene dado por Pronostico para los proximos 12 meses
27 Vectores Autorregresivos (VAR) Vectores Autorregresivos (VAR)
28 Vectores Autorregresivos (VAR) Introducción En clases pasadas estudiamos las propiedades de dos series no estacionarias que cointegran (ambas I(1)) Asumimos que una variable era la dependiente (y t) y la otra independiente (x t) Tratamos la relación entre y t y x t como un modelo de regresión Sin embargo, si no existiera ninguna razón aparente, podríamos haber tratado a y t como independiente y a x t como dependiente Es decir, y t = β 10 + β 11x t + e y t, e y t N(0, σy) 2 x t = β 20 + β 21y t + e x t, e x t N(0, σ 2 x) Es mejor expresar y = f(x) o x = g(y)? Reconocer que existen relaciones donde las variables x e y están simultáneamente determinadas? El objetivo de este capítulo es explorar la relación causal entre par de series temporales
29 Vectores Autorregresivos (VAR) Modelo VAR Supongamos que existen dos series de tiempo y t y x t y generalicemos la relación dinámica entre ellas a y t = β 10 + β 11y t 1 + β 12x t 1 + v y t x t = β 20 + β 21y t 1 + β 22x t 1 + v x t Es decir, cada variable está en función de su propio rezago y del rezago de la otra variable en el sistema (en este caso sólo consideraremos dos variables en el sistema). El sistema de ecuaciones anterior se denomina vector autorregresivo de orden 1, VAR(1). Es de orden 1 porque el número máximo de rezagos es 1 Notar la analogía con el modelo AR para el caso univariado Si ambas variables son estacionarias I(0), entonces se estima con MC Si, por otra parte, x e y son I(1) y no cointegran, entonces y t = β 11 y t 1 + β 12 x t 1 + v y t x t = β 21 y t 1 + β 22 x t 1 + vt x Todas las variables son ahora I(0) y los coeficientes pueden ser obtenidos a través de MC
30 Vectores Autorregresivos (VAR) Si existe cointegración Si x y y son I(1) y cointegran, entonces modificamos el sistema de ecuaciones para rescatar la relación de cointegración entre las variables: Usar información valiosa que nos entrega la cointegración Usar mejores técnicas matemáticas que tomen en cuenta las propiedades de las series Modelo Cuando tenemos dos series que son I(1) y cointegran, al modelo se le conoce como Vector de Corrección de Error, o VEC. y t = β 0 + β 1x t + e t y ê t I(0), donde ê t son los residuos estimados. Obs: Notar que podríamos haber normalizado en x t. Elegir una u otra es usualmente determinado por razones económicas. Sin embargo, el punto importante es que puede existir sólo una relación entre las dos variables.
31 Vectores Autorregresivos (VAR) Modelo VEC El modelo VEC es un caso particular de un modelo VAR para series I(1) que cointegran. El sistema modificado es el siguiente y t = α 10 + α 11(y t 1 β 0 β 1x t 1) + v y t o expresado de otra forma x t = α 20 + α 21(y t 1 β 0 β 1x t 1) + v x t y t = α 10 + (α )y t 1 α 11β 0 α 11β 1x t 1 + v y t x t = α 20 + α 21y t 1 α 21β 0 (α 21β 1 1)x t 1 + v x t Obs: Si se compara el sistema anterior con el sistema VAR, se puede notar que VEC es un VAR con coeficientes comunes en ambas ecuaciones. Los coeficientes α 11 y α 21 se denominan coeficientes de corrección de error
32 Vectores Autorregresivos (VAR) Estimación del modelo VEC Existe más de un método para estimar el modelo VEC (MC no lineal y ML, por ejemplo). Sin embargo, el más sencillo es el método MC de dos etapas. 1. Se usa MC para estimar la cointegración y t = β 0 + β 1x t + e t y se generan los residuos con rezago 1 ê t 1 = y t 1 ˆβ 0 ˆβ 1x t 1 2. Se usa MC para estimar las ecuaciones y t = α 10 + α 11ê t 1 + v y t x t = α 20 + α 21ê t 1 + v x t Notar que las tres variables ( y, x y ê) en las ecuaciones anteriores son estacionarias.
33 Vectores Autorregresivos (VAR) Ejemplo El siguiente gráfico muestra el PIB real de Australia y EEUU, normalizadas a 100 para el año tdata usa aus Time
34 Vectores Autorregresivos (VAR) Ejemplo Se puede verificar que ninguna de las series es estacionaria ( cómo se podría?). Por otra parte, para verificar que cointegran calculamos (omitimos la constante porque no tiene sentido económico) lo cual no da a t = β 1u t + e t Estimate Std. Error t value Pr(> t ) usa luego, calculamos los residuos ê t = a t 0.985u t que se verian gráficamente residuos
35 Vectores Autorregresivos (VAR) Ejemplo Debemos checkear si los residuos son estacionarios ## Dickey-Fuller ## Como estamos considerando el modelo sin intercepto, el valor crítico al 5% es Es decir, rechazamos la nula de no-cointegración. La economía de Australia está relacionada con la de EEUU Un cambio de una unidad en el PIB de EEUU, incrementaría en el de Australia Sin embargo, la economía de Australia puede que no responda exactamente a este valor en un trimestre. Para saber cómo responde, debemos estimar el modelo con corrección de errores.
36 Vectores Autorregresivos (VAR) Ejemplo La estimación es a t = ê t 1 u t = ê t 1 Los resultados muestran El coeficiente de error negativo en el primer término indica que a decrece si el error de cointegración es positivo El coeficiente de error negativo en el segundo término indica que u incrementa si el error de cointegración es positivo El coeficiente indica que el ajuste trimestral de a t será alrededor de un 10% de la desviación de a t 1 con respecto a su valor de cointegración de 0.985u t 1 El valor de 0.03 indica que u t prácticamente no reacciona al error de cointegración (economía grande versus una más pequeña)
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesESTADISTICA PARA LA ADMINISTRACION
ESTADISTICA PARA LA ADMINISTRACION ANALISIS DE SERIES DE TIEMPO Y PRONOSTICOS DE NEGOCIOS ALUMNOS: JANINE INDAHITA RIVERA ARZOLA DIANA CAROLINA ROMERO BERBER FRANCISCO ALFREDO MERCADO CARINA OLIVARES LEÓN
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
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 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 detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesI 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 detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesUNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN
UNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN Pronóstico: Mejor toma de decisiones Compañías de negocios, gobiernos ponen un gran énfasis en el
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesESTACIONALIDADES. Proyecto Empresarial II. Dr. José Luis Esparza A.
ESTACIONALIDADES Proyecto Empresarial II Dr. José Luis Esparza A. ESTACIONALIDAD La estacionalidad es un comportamiento o patrón que a veces observamos en una serie de tiempo. Consiste en subidas y bajadas
Más detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesVariables estadísticas bidimensionales: problemas resueltos
Variables estadísticas bidimensionales: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detalles4.1. Polinomios y teoría de ecuaciones
CAPÍTULO 4 Polinomios y teoría de ecuaciones 4.1. Polinomios y teoría de ecuaciones Un polinomio real en x, o simplemente polinomio en x es una expresión algebraica de la forma a n x n + a n 1 x n 1 +
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesEs mínima la suma de los cuadrados de dichas desviaciones. Ninguna otra recta daría una suma menor de las desviaciones elevadas al cuadrado:
Orígenes El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el planeta menor Ceres, siendo capaz de seguir su órbita durante 40 días. Durante el curso de ese año, muchos científicos
Más detallesANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960
ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
Más detallesCONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
Más detallesParciales Matemática CBC Parciales Resueltos - Exapuni.
Parciales Matemática CBC 2012 Parciales Resueltos - Exapuni www.exapuni.com.ar Compilado de primeros parciales del 2012 Parcial 1 1) Sea. Hallar todos los puntos de la forma, tales que la distancia entre
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detalles2017, año del Centenario de la Constitución Mexicana Índice Nacional de Precios al Consumidor 2017
FEB.2008 DIC.2016 122.5150 1.4042 FEB.2008 87.2480 MAR.2008 DIC.2016 122.5150 1.3941 MAR.2008 87.8803 ABR.2008 DIC.2016 122.5150 1.3909 ABR.2008 88.0803 MAY.2008 DIC.2016 122.5150 1.3925 MAY.2008 87.9852
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesGIMNASIO VIRTUAL SAN FRANCISCO JAVIER Valores y Tecnología para la Formación Integral del Ser Humano UNIDAD I FUNCIONES
UNIDAD I FUNCIONES Una función es una correspondencia entre dos conjuntos, que asocia a cada elemento del primer conjunto exactamente un elemento del otro conjunto. Una función f definida entre dos conjuntos
Más detalles4. ANÁLISIS DE FUNCIONES DE UNA VARIABLE
Análisis de funciones de una variable 49 4. ANÁLISIS DE FUNCIONES DE UNA VARIABLE En esta sección realizaremos algunos ejercicios sobre el estudio de funciones de una variable: En la parte final hay ejercicios
Más detallesALGEBRA I, ALGEBRA Y TRIGONOMETRIA , Segundo Semestre CAPITULO 6: POLINOMIOS.
ALGEBRA I, ALGEBRA Y TRIGONOMETRIA 520135, 522115 Segundo Semestre CAPITULO 6: POLINOMIOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K
Más detallesT0. TRANSFORMADAS DE LAPLACE
ESCUELA TÉCNICA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA MATEMATICAS T0. TRANSFORMADAS DE LAPLACE Mediante transformadas de Laplace (por Pierre-Simon
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesModelos de predicción. Presentación de la asignatura
Modelos de predicción Presentación de la asignatura Profesores María Jesús Sánchez Naranjo (mariajesus.sanchez@upm.es) Carolina García-Martos (garcia.martos@upm.es) Qué esperáis de esta asignatura? Qué
Más detallesECUACIÓN DE OSCILACIONES. Tomado del texto de Ecuaciones Diferenciales de los Profesores. Norman Mercado. Luis Ignacio Ordoñéz
ECUACIÓN DE OSCILACIONES Tomado del texto de Ecuaciones Diferenciales de los Profesores Norman Mercado Luis Ignacio Ordoñéz Muchos de los sistemas de ingeniería están regidos por una ecuación diferencial
Más detallesTema 1. Espacios Vectoriales Definición de Espacio Vectorial
Tema 1 Espacios Vectoriales. 1.1. Definición de Espacio Vectorial Notas 1.1.1. Denotaremos por N, Z, Q, R, C, a los conjuntos de los números Naturales, Enteros, Racionales, Reales y Complejos, respectivamente.
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesFactorización ecuación identidad condicional término coeficiente monomio binomio trinomio polinomio grado ax3
Factorización Para entender la operación algebraica llamada factorización es preciso repasar los siguientes conceptos: Cualquier expresión que incluya la relación de igualdad (=) se llama ecuación. Una
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detalles1. Lección 9 - Continuidad y Derivabilidad
1. Lección 9 - Continuidad y Derivabilidad 1.1. Continuidad El concepto de continuación es el mismo que el visto en el primer cuatrimestre pero generalizado al caso de los campos escalares. Así, sea la
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS. Mtro. Horacio Catalán Alonso
ECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS Mtro. Horacio Catalán Alonso Orden de Integración ORDEN DE INTEGRACIÓN Econometría (1) X t = X t-1 + u t Como: E(u t ) = 0 y la Var(u t ) = 2 constante
Más detallesIntroducción a las Funciones Logarítmicas MATE 3171
Introducción a las Funciones Logarítmicas MATE 3171 Logaritmos de base a Anteriormente repasamos que para 0 < a < 1 o a > 1, la función exponencial f(x) = a x es uno-a-uno, y por lo tanto tiene una función
Más detallesContenido. 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 detallesContinuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesINSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA
INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA Pobre del estudiante que no aventaje a su maestro. LA LÍNEA RECTA Leonardo da Vinci DESEMPEÑOS Identificar, interpretar, graficar
Más detallesEjercicios Resueltos
Ejercicios Resueltos Ejercicio 1 La función de transferencia de un sistema de control tiene como expresión: Determinar, aplicando el método de Routh, si el sistema es estable. Para comprobar la estabilidad
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesDERIVADAS PARCIALES Y APLICACIONES
CAPITULO IV CALCULO II 4.1 DEFINICIÓN DERIVADAS PARCIALES Y APLICACIONES En cálculo una derivada parcial de una función de diversas variables es su derivada respecto a una de esas variables con las otras
Más detallesModelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas
Modelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas Victor Germán Hernández Ruíz Departamento Nacional de Planeación Agosto 13, 2004 Contenido
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detallesUNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN
UNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN Pronóstico: Mejor toma de decisiones Compañías de negocios, gobiernos ponen un gran énfasis en el
Más detallesTÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-66-2003-IT TÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN ANA CECILIA KIKUT V. JULIO, 2003 Los modelos
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesSolución de Sistemas de Ecuaciones Diferenciales Lineales
Solución de Sistemas de Ecuaciones Diferenciales Lineales Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ejemplo.................................................3.Ejemplo................................................
Más detallesTema 2 Resolución de EcuacionesNo Lineales
Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación
Más detallesSERIES 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 detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesDiferencia de la tasa de cambio
Ejemplo 1: Prueba de raíz unitaria de Dickey y Fuller Este ejemplo utiliza información del archivo erate1.wf1. Sea LO el logaritmo de la tasa de cambio oficial peso-dólar en Colombia para el período 197:1
Más detallesLa producción de acero en Monterrey N.L. (México) en millones de toneladas, durante el año de 1992 a partir del mes de enero se muestra en la tabla:
El objetivo al estudiar el concepto razón de cambio, es analizar tanto cuantitativa como cualitativamente las razones de cambio instantáneo y promedio de un fenómeno, lo cual nos permite dar solución a
Más detallesComplementos de Análisis. Año 2016
Complementos de Análisis. Año 2016 Práctica 8. Ecuaciones diferenciales ordinarias. 1 Modelando con ecuaciones diferenciales Modelar con ecuaciones diferenciales las siguientes situaciones. Intentar resolver
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detalles