Tema 2 MODELOS UNIVARIANTES LINEALES.
|
|
- María Luz López Sevilla
- hace 6 años
- Vistas:
Transcripción
1 Tema 2 MODELOS UNIVARIANTES LINEALES. 1
2 Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El proceso ruido blanco. 3) El modelo autoregresivo de primer orden AR(1). 4) Los modelos ARI(1,1). 5) Generalización a los modelos AR(p). Los procesos ARI(1,p). 6) Los modelos AR y ARI estacionales. 2
3 1. Procesos estocásticos estacionarios En el tema anterior hemos visto como caracterizar la tendencia de diferentes maneras. En este tema vamos a ver como capturar con modelos estocásticos la parte no tendencial del proceso (eso que llamamos W t ). Los modelos estadísticos que vamos a tratar en este tema son modelos univariantes. Estos modelos se caracterizan porque para conocer la dinámica de una variable se utiliza información sobre su pasado. No son modelos econométricos en el sentido que no utilizan formas funcionales que vienen dadas por la teoría económica. Sin embargo, la información que proporcionan estos modelos suele ser de mucha utilidad para el analista económico ya que proporciona información sobre las características del proceso. 3
4 1. Procesos estocásticos estacionarios Los esquemas de raíces unitarias implican que transformando las series de modo que en vez de considerar los datos originales se utilizan sus incrementos o los incrementos de los incrementos si la serie presenta estacionalidad uno de dichos incrementos será estacional- tales transformaciones no muestran evolutividad en el nivel y por lo tanto son estacionarias. 4
5 1. Procesos estocásticos estacionarios. La evolución tendencial de una serie que implica un determinado modelo se define a partir de su número de diferencias que incluye además del orden polinomial determinista. Veamos algunos ejemplos. 5
6 1. Procesos estocásticos estacionarios. 1) x t =x t w t 2) x t =2x t-1 -x t-2 +w t 3) x t =2+0.5t+w t 4) x t =2x t-1 -x t w t 6
7 1. Procesos estocásticos estacionarios. Indique y explique que evolución tendencial describen estos modelos. Ejercicio para casa. 7
8 1. Procesos estocásticos estacionarios. 8 Una serie con tendencia lineal determinista es estacionaria diferenciando 2 veces pero el termino residual tiene malas propiedades estocásticas. Esto se debe al hecho de que la tendencia se elimina propiamente por regresión. No obstante la diferenciación también elimina las tendencias deterministas.
9 Los elementos determinantes en la definición de tendencia Los modelos del tipo X t =a+bt+w t X t =X t-1 +b+w t Pero si los parámetros a y b cambian con el periodo de predicción, los modelos integrados de orden 2 resultarán mejores para series con crecimiento sistemático. Asimismo un modelo integrado de orden 1 sería mejor que un modelo con un elevado número de rupturas deterministas para las series con oscilaciones locales de nivel. Box-Jenkins propone el uso del número máximo de diferencias. 9
10 1. Procesos estocásticos estacionarios Supongamos que para una determinada serie eliminamos su tendencia con d diferencias regulares y D diferencias estacionales. Es importante tener en cuenta que en series económicas el número de diferencias totales, d+d, no debe ser nunca superior a Por ejemplo, si d+d es 3 significaría asumir que si el modelo no contiene ningún elemento determinista la serie crece con tendencia cuadrática y si contiene una constante crecería con tendencia cúbica. Estos supuestos no son asumibles en series económicas y empresariales incluso aunque el gráfico de la serie muestre dicho comportamiento en un momento determinado.
11 1. Procesos estocásticos estacionarios. Por ejemplo, veamos un caso extremo de crecimiento de precios en una serie mensual. 300 Indice de precios al consumo en Venezuela
12 1. Procesos estocásticos estacionarios. De la observación de la serie se deduce que su crecimiento es explosivo y no puede considerarse lineal. Como hemos visto en el tema 1, series con un crecimiento exponencial pueden linearizarse mediante su transformación logarítmica. 12
13 1. Procesos estocásticos estacionarios logaritmo natural del índice de precios al consumo en Venezuela
14 1. Procesos estocásticos estacionarios. 14 Incluso tras la transformación logarítmica vemos que la evolución de la serie es no lineal aproximadamente en el periodo que va desde 1980 hasta el Sin embargo, sería completamente ilógico imponer un modelo integrado de orden 3 o un modelo integrado de orden 2 con constante para describir la evolución de la serie ya que implicaría asumir que ese comportamiento no lineal se perpetuaría en el futuro.
15 1. Procesos estocásticos estacionarios. Generalmente la tendencia en este tipo de series se ajustan relativamente bien con un modelo que incluya sólo dos diferencia y probablemente un número de variables artificiales para controlar por los diferentes cambios estructurales que afectan a su dinámica. 15
16 1. Procesos estocásticos estacionarios. Objetivos del tema Entender la definición de estacionariedad y su importancia en la modelización económica. Familiarizarse con la familia de modelos ARI. Entender como se reflejan las carácterísticas de diferentes modelos ARI en su función de autocorrelación y su equivalente muestral (el correlograma). 16 De este modo, en el tema siguiente seremos capaz de identificar el modelo que mejor se ajusta a una determinada serie temporal.
17 1. Procesos estocásticos estacionarios. Las desviaciones de X t sobre la tendencia y la estacionalidad que denominaremos W t muestran dependencia con desviaciones anteriores. Habrá que obtener un modelo para W t condicionando respecto a las desviaciones pasadas. Esto se realizará estableciendo un supuesto general para esa dependencia respecto al pasado. 17
18 1. Procesos estocásticos estacionarios. Una serie temporal es una realización finita de un proceso estocástico. Proceso estocástico x(1) x(2) x(t) x(t) Serie temporal (observada) Otras posibles series temporales x 1,x 2,x 3 x T x 1 (1), x 2 (1), x 3 (1),, x T (1) x 1 (2), x 2 (2), x 3 (2),, x T (2) x 1 (r), x 2 (r), x 3 (r),, x T (r) 18
19 1. Procesos estocásticos estacionarios. Importante distinción Proceso estocástico: la inflación mensual en España. Variable aleatoria: la inflación mensual en el mes t en España. 19 La inflación observada en el mes t es la realización de esta variable aleatoria, pero otras realizaciones podrían ser posibles.
20 1. Procesos estocásticos estacionarios. Aplicando diferencias regulares y estacionales se puede eliminar la tendencia y la estacionalidad Una vez que hemos eliminado las componentes tendenciales del proceso, estamos interesados en modelizar. Estas observaciones son dependientes en el tiempo y no pueden tratarse como si fueran iid. Ahora vamos a ver que instrumentos estadísticos se pueden utilizar para estudiar esa dependencia. y t =f(y t-1,y t-2,,y 1 )+a t 20
21 1. Procesos estocásticos estacionarios. Para representar esta situación vamos a considerar que la variable que estamos analizando forma parte de un proceso estocástico: sucesión de variables aleatorias indiciadas en el tiempo. Un proceso estocástico puede generar infinitas realizaciones durante un periodo t=1,,t. 21
22 1. Procesos estocásticos estacionarios. Si dispusiéramos de varias realizaciones de un proceso entonces la media para cada una de las variables podría ser estimada mediante: t m j 1 y m ( t j) 22
23 1. Procesos estocásticos estacionarios. - En embargo en la práctica sólo tenemos una realización por lo que no es posible estimar los momentos de las variables que componen el proceso. - Para poder estimar los momentos de las variables que componen el proceso es necesario restringir las propiedades del proceso estocástico. - Esta restricción se llama de estacionariedad. 23
24 1. Procesos estocásticos estacionarios. Un proceso estocástico es estacionario si: a) La media es constante: E(y t )=µ para todo t. b) La varianza es constante: Var(y t )=σ 2 c) La covarianza entre dos variables separadas h periodos sólo depende de h: cov(y t, y t+h )=γ(h) 24
25 1. Procesos estocásticos estacionarios. La primera condición nos permite calcular la media que es común a todas las variables mediante la media muestral t T i 1 T y t 25
26 1. Procesos estocásticos estacionarios. Lo mismo puede decirse de las otras 2 condiciones. 26
27 1. Procesos estocásticos estacionarios. En la práctica la restricción de estacionariedad nos permite estimar las covarianzas (medida de dependencia lineal entre observaciones separadas h periodos en el tiempo) mediante la covarianza muestral. ˆ( h) T t h a ( y t y)( y T t h y) 27
28 1. Procesos estocásticos estacionarios. 28 La estimacion de correlaciones es mas util al no depender de las unidades de medida de la serie. El grafico de las autocorrelaciones para diferentes valores de k constituyen el correlograma. ρ(k) = γ(k) γ(0)
29 2. El proceso ruido blanco El objetivo de las series temporales es descomponer la serie observada en una parte que es dependiente del pasado y otra que es impredecible: y t =f(y t-1,y t-2,,y 1 )+a t El proceso a t se conoce como innovación y tiene la característica de ser ruido blanco a) E(a t )=0 b) Var(a t )=σ a 2 c) cov(a t, a t+h )=0 29
30 Teorema de Wald Si un proceso es estacionario y no tiene componentes deterministas, entonces y t i 0 a i 0 1 t i donde 2 i i 0 30
31 2. El proceso ruido blanco Un punto a reflexionar: Puede una suma infinita de términos converger a un número finito?. Sí 31
32 2. El proceso ruido blanco. 32 Curiosidad: Zenón de Elea, un filósofo presocrático, propuso la paradoja de la dicotomía. Si una persona debe andar de un punto A a un punto B y recorre siempre la mitad de la distancia que le separa de B en el límite la distancia total recorrida sería finita aunque el número de pasos sea infinito. El supuesto de estacionariedad en el teorema de descomposición de Wald también impone que la suma infinita de shocks ruido blanco es un número finito debido a que estos son cada vez más pequeños (al igual que los pasos en la paradoja de la dicotomía).
33 2. El proceso ruido blanco. El teorema de Wald nos permite aproximar la dependencia dinámica de una variable mediante un modelo lineal. Cuando asumimos que las innovaciones son independientes, entonces la representación lineal es la única posible. Sin embargo cuando las innovaciones son incorreladas pero no independientes entonces la representación lineal no es la única representación de dependencia. Puede haber otras dependencias no lineales. 33
34 2. El proceso ruido blanco. La representación lineal depende de infinitos parámetros y por lo tanto no es operativa en la práctica. Tenemos que aproximar dicha representación mediante modelos que tengan un número finito de parámetros. Como veremos más adelante, los modelos AR (p) pueden ser representados mediante la ley de descomposición de Wald. Estudiar las propiedades de estos modelos será uno de los objetivos del tema. Los modelos AR(p) juegan un papel muy importante en las series temporales ya que permiten una representación parsimoniosa (con relativamente pocos parámetros) de la serie estacionaria. 34
35 2. El proceso ruido blanco. Las funciones de autocovarianzas y autocorrelaciones Objetivo: descomponer la serie observada en una parte que depende de su pasado más las innovaciones: y t =f(y t-1,y t-2,,y 1 )+a t 35
36 2. El proceso ruido blanco. El teorema de Wald nos asegura que f(*) es lineal. Las autocovarianzas son el instrumento que vamos a utilizar para medir relaciones lineales 2 y y E y y ( h) E t t h t t h 36
37 2. El proceso ruido blanco. Las autocorrelaciones no dependen de las unidades de medida que estemos usando: ( h) ( h) (0) 37
38 Para estimar la autocorrelación de orden h utilizamos su análogo muestral. T t t T a h t h t t y y y y y y h r 1 2 ) ( ) )( ( ) ( El proceso ruido blanco.
39 2. El proceso ruido blanco. 39 Si (y t ) es una secuencia iid, es decir un ruido blanco, entonces r(h) es asintóticamente normal con media cero y varianza 1/T. Este resultado puede usarse para construir bandas de confianza de las autocorrelaciones: ±1.96/T 1/2 Para contrastar H 0 :ρ(1)= ρ(2)= = ρ(m)=0 podemos usar el estadístico de Ljung-Box-Pierce Q( m) T( T 2) m i 1 r( h) 2 ( T h)
40 2. El proceso ruido blanco. Si (y t ) es una secuencia iid con momento de cuarto orden finito, entonces Q(m) es asintóticamente una Chi cuadrado con m grados de libertad. 40
41 2. El proceso ruido blanco. Ejemplo Serie de precios de la gasolina en los Estados Unidos (en logaritmos naturales) 41
42 2. El proceso ruido blanco E4 42
43 43 2. El proceso ruido blanco.
44 2. El proceso ruido blanco. Primeras diferencias DE4
45 45 2. El proceso ruido blanco.
46 2. El proceso ruido blanco. El correlograma de la serie y el test de Ljung-Box-Pierce claramente indican que no puede aceptarse que la serie venga generada por un proceso ruido blanco. Existen dependencia dinámica en la serie y dicha dependencia debe ser caracterizada mediante un modelo apropiado. 46
47 2. El proceso ruido blanco. Un proceso ruido blanco es un proceso estacionario que cumple las siguientes condiciones: a) Su media es cero: E(y t )=0 para todo t. b) La varianza es constante: Var(y t )=σ 2 c) La covarianza entre dos variables separadas h periodos es cero: cov(y t, y t+h )=0 47
48 2. El proceso ruido blanco. El ruido blanco se puede interpretar como un elemento de innovación o sorpresa que vamos a incorporar en nuestro modelo. Si todas las series que observamos en la realidad fuesen ruido blanco serían impredecibles y no habría ningún modelo que proponer. 48
49 Índice Bursátil en US S real stock market, s
50 Primeras diferencias del índice bursátil 0.10 DS Real stock market in first differences, ds
51 2. El proceso ruido blanco. 51 Los cambios en los precios en mercados eficientes no son predecibles. Los mercados monetarios, de divisas, etc están muy cerca de la eficiencia, En estos mercados, las innovaciones se absorben completamente cuando se producen y los cambios en los precios sólo dependen de las innovaciones contemporáneas. Las primeras diferencias de índices bursátiles, tipos de interes o tipos de cambio son tipicamente procesos que se asumen generados por un ruido blanco.
52 3. El modelo autoregresivo de primer orden AR(1). Quizá el modelo de series temporales más sencillo consiste en suponer que el presente depende sólo directamente del pasado más cercano donde a t es un ruido blanco. w t = c + φw t 1 + a t Este proceso se denomina AR(1) o proceso autoregresivo de orden uno. 52 Resulta interesante conocer las propiedades de este proceso.
53 3. El modelo autoregresivo de primer orden AR(1). Su media marginal es E(w t ) = c + φe(w t 1 ) Si imponemos la hipótesis de estacionariedad E w t = E w t 1 = μ μ = c 1 φ 53
54 3. El modelo autoregresivo de primer orden AR(1). Dos cosas importantes a tener en cuenta: 1) La esperanza del proceso sólo está definida si φ 1. 2) La esperanza de un proceso autoregresivo no es su constante sino una función de la constante y el parámetro autoregresivo φ. 54
55 3. El modelo autoregresivo de primer orden AR(1). Sabiendo que w t = c + φw t 1 + a t μ = c 1 φ el modelo puede escribirse de forma alternativa como w t μ = φ(w t 1 μ) + a t Esta última expresión resulta especialmente útil a la hora de escribir la varianza y autocovarianzas del proceso. 55
56 3. El modelo autoregresivo de primer orden AR(1). Así la varianza queda definida como γ 0 = E(w t μ) 2 = E φ(w t 1 μ) + a t 2 = φ 2 γ 0 + σ a 2 Despejando para γ 0 queda como γ 0 = σ a 2 1 φ 2 56
57 3. El modelo autoregresivo de primer orden AR(1). Importante: La varianza sólo está definida si φ < 1. 57
58 3. El modelo autoregresivo de primer orden AR(1). La autocovarianza de orden uno puede derivarse a partir de γ 1 = E(w t μ)(w t 1 μ) = E φ(w t 1 μ) + a t (w t 1 μ) = φγ 0 dado que por definicion, el ruido blanco esta incorrelado con la informacion pasada. 58
59 3. El modelo autoregresivo de primer orden AR(1). Del mismo modo, las autocovarianzas de orden 2, 3, etc se obtienen facilmente como 59 γ 2 = E(w t μ)(w t 2 μ) = E φ(w t 1 μ) + a t (w t 2 μ) = φγ 1 = φ 2 γ 0 γ 3 = E(w t μ)(w t 3 μ) = E φ(w t 1 μ) + a t (w t 3 μ) = φγ 2 = φ 3 γ 0
60 3. El modelo autoregresivo de primer orden AR(1). En general, puede definirse la funcion de autocovarianza de un proceso AR(1) como γ 0 = σ a 2 1 φ 2 60 γ k = φ k γ 0 k = 1,2,
61 3. El modelo autoregresivo de primer orden AR(1). Sin embargo, es la funcion de autocorrelacion la mas relevante en la identificacion del proceso al no depender de la unidad de medida 61
62 3. El modelo autoregresivo de primer orden AR(1). Dado que la autocorrelacion se define como γ k ρ k = γ 0 La funcion de autocorrelacion (FAC) de un proceso AR(1) sera ρ k = φ k k = 1,2, 62 Esto implica que si el proceso es estacionario, φ < 1
63 3. El modelo autoregresivo de primer orden AR(1). Si el proceso es estacionario y el coeficiente φ > 0 la FAC mostrara valores positivos que iran decreciendo exponencialmente 63
64 3. El modelo autoregresivo de primer orden AR(1). FAC de un proceso AR(1) estacionario con coeficiente autoregresivo positivo 64
65 3. El modelo autoregresivo de primer orden AR(1). Si por el contrario el proceso es estacionario y el coeficiente φ < 0 la FAC tambien decaera exponencialmente pero alternando de signo. 65
66 3. El modelo autoregresivo de primer orden AR(1). FAC de un proceso AR(1) estacionario con coeficiente autoregresivo negativo 66
67 3. El modelo autoregresivo de primer orden AR(1). La FAC es un concepto teorico y por lo tanto no observable. Pero en la practica, con series reales podemos computar el correlograma. La rapidez de decrecimiento de las correlaciones depende de los proximo que este el coeficiente de autocorrelacion a la unidad. 67
68 68 3. El modelo autoregresivo de primer orden AR(1).
69 69 3. El modelo autoregresivo de primer orden AR(1).
70 70 3. El modelo autoregresivo de primer orden AR(1).
71 3. El modelo autoregresivo de primer orden AR(1). Puntos a notar en un correlograma La rapidez de convergencia hacia cero nos informa sobre la magnitud del coeficiente. La alternancia de signos nos informa sobre el signo del coeficiente. 71 Un correlograma es una estimacion empirica. Sus valores nunca son exactamente cero. Resulta de interes observar si es significativamente diferente de cero
72 3. El modelo autoregresivo de primer orden AR(1). Eviews (y tambien otros softwares) muestran informacion del correlograma parcial que indica la magnitud de una correlacion entre una serie y sus retardos una vez que eliminamos la influencia de retardos intermedios. 72
73 3. El modelo autoregresivo de primer orden AR(1). Por ejemplo, en un proceso AR(1) w t = c + φw t 1 + a t 73 w t 1 = c + φw t 2 + a t w t 2 esta correlacionado de forma indirecta con w t dado que w t 2 ejerce influencia sobre w t 1 y este a su vez ejerce influencia sobre w t. Sin embargo, en un proceso AR(1) el unico elemento que ejerce influcenca directa sobre w t es w t 1. Por lo tanto solo la correlacion parcial de orden 1 es significativa.
74 3. El modelo autoregresivo de primer orden AR(1). Dos conceptos que resultan muy utiles son la esperanza y la varianza en el periodo t condicional a la informacion disponible en t 1. 74
75 3. El modelo autoregresivo de primer orden AR(1). En el caso de un AR(1) su esperanza condicional seria donde E(w t \Ω t 1 ) = c + φw t 1 Ω t 1 denota toda la informacion hasta el momento t 75 E a t \Ω t 1 = 0 En este caso w t 1 no es una variable estocastica sino un dato que se conoce.
76 3. El modelo autoregresivo de primer orden AR(1). Del mismo modo, la varianza condicional seria Var(w t \Ω t 1 ) = σ a 2 dado que w t 1 es un dato conocido y su varianza es cero. 76
77 3. El modelo autoregresivo de primer orden AR(1). Es importante notar que no puede afirmarse que la esperanza condicional sea mayor o menor que la marginal. sin embargo, la varianza condicional es siempre menor que la marginal 77 Var w t \Ω t 1 = σ a 2 < σ a 2 1 φ 2
78 3. El modelo autoregresivo de primer orden AR(1). La explicacion es que el conocimiento del pasado reciente reduce nuestra incertidumbre sobre el proceso. Asi, cuando hacemos predicciones, la prediccion un periodo hacia adelante es mucho mas incierta que la prediccion a largo plazo. 78
79 4. El modelo ARI(1,1) Hemos visto que la condicion de estacionariedad en un proceso AR(1) es que su coeficiente autoregresivo sea menor que la unidad en valor absoluto. Un proceso del tipo 79 x t = x t 1 + w t (1) donde w t se asume que es estacionario implicaria que x t es no estacionario. ya que x t seria un proceso no AR(1) con coeficiente igual a uno.
80 4. El modelo ARI(1,1) Si a su vez se asume que w t sigue un proceso AR(1) estacionario sin constante w t = φw t 1 + a t (2) φ < 1 Sustituyendo (1) en (2) puede escribirse el proceso como x t = φ x t 1 + a t (3) 80
81 4. El modelo ARI(1,1) Un modelo ARI(1,1) se transforma en estacionario tras una diferencia regular. 81
82 4. El modelo ARI(1,1) Si partimos de un periodo inicial t m y procedemos mediante sustituciones recursivas x t m +1 = x t m + w t m +1 x t m +2 = x t m + w t m+1 + w t m +2 x t = x t m + w t m +1 + w t m +1 + w t m w t 82
83 4. El modelo ARI(1,1) En este proceso los shocks estocasticos que se incorporan al sistema w t no van disminuyendo su influencia conforme nos alejamos en el tiempo. No se cumple el principio de la ley de descomposicion de Wald. 83
84 4. El modelo ARI(1,1) Existe una importante diferencia con un proceso w t estacionario w t m +1 = φw t m + a t m+1 w t m +2 = φ 2 w t m + φa t m +1 + a t m +2 w t = φ m w t m + φ m 1 a t m +1 + φ m 2 a t m a t 84
85 4. El modelo ARI(1,1) En un proceso estacionario, el efecto de los shocks estocasticos termina olvidandose. 85
86 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) En general (Y t -μ)(1- Φ 1 L- Φ 2 L Φ p L p ) =a t (1+ΦL+Φ 2 L 2 + +Φ q L q ) La identificación de estos modelos se hace a partir de su función de autocorrelación. - Autocorrelación simple: ausencia de estructura hasta q y a partir de q decrecimiento sistemático. - Autocorrelación parcial: ausencia de estructura hasta p y a partir de p decrecimiento sistemático. 86
87 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) Los modelos AR(1) pueden ser facilmente generalizables a procesos AR(p) w t = c + φ 1 w t 1 + φ 2 w t φ p w t p + a t 87
88 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) La condicion de estacionariedad en este tipo de procesos se determina por medio de las raices de la ecuacion 1 φ 1 x φ 2 x 2 φ p x p = 0 Si las soluciones de esta ecuacion (ecuacion caracteristica) son todas mayores que el circulo unidad entonces el proceso es estacionario. 88
89 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) De forma equivalente, que las soluciones de la siguiente ecuacion z p φ 1 z p 1 φ 2 z p 2 φ p = 0 estan dentro del circulo unidad. 89
90 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) Si el proceso AR(p) es estacionario su esperanza se determina como μ = c 1 φ 1 φ 2 φ p 90
91 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) La forma de la FAC en procesos AR(p) con p>1 no se va a desarrollar analiticamente en este curso. Sin embargo, de forma general cuando el proceso es estacionario su FAC decrece con estructura algo mas compleja que en modelos AR(1). 91 Esta estructura viene determinada por las raices de su ecuacion caracteristica. Incluso el decrecimiento puede ser de forma ciclica cuando existen raices complejas.
92 92 5. Generalización a los modelos AR(p). Los procesos ARI(1,p)
93 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) Hemos visto que la autocorrelacion parcial nos indica las autocorrelaciones directas que puede haber en el proceso. Cuando se trata con series reales, la autocorrelacion parcial es muy relevante ya que supone una indicacion sobre el orden del proceso autoregresion que mejor se ajusta a la serie. 93
94 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) Por ejemplo, si las dos primeras autocorrelaciones parciales son significativamente diferentes de cero probablemente el proceso viene generado por una AR(2). 94 En otros casos es muy dificil identificar el orden autoregresivo que mejor se ajusta a una serie por lo que existen procedimientos automaticos para determinarloy tambien para decidir si la serie es o no es estacionaria. Estos metodos seran estudiados en el tema 3.
95 5. Generalización a los modelos AR(p). Los procesos ARI(1,p) Este proceso puede generalizarse a modelos ARI(p,1) x t = c + φ 1 x t 1 + φ 2 x t φ p x t p + a t 95
96 6. Los modelos AR y ARI estacionales. Una manera simple de expresar un modelo AR con un orden suficientemente alto es mediante el proceso w t = a t θa t 1 96 a este proceso se le conoce como un MA(1) o medias moviles de orden uno.
97 6. Los modelos AR y ARI estacionales. Para verlo se puede proceder mediante sustituciones recursivas w t = a t + θ w t 1 + θa t 2 w t = a t + θ w t 1 + θ w t 2 + θa t 3 97 w t = a t + θw t 1 + θ 2 w t θ t 1 w 1 + θ t a 0
98 6. Los modelos AR y ARI estacionales. Del mismo modo un proceso AR(1) (o cualquier proceso AR estacionario) puede escribirse como una suma ponderada de procesos ruido blanco, es decir un proceso de medias moviles infinito. 98 Esta caracteristica de ambos procesos se conoce como representacion dual.
99 6. Los modelos AR y ARI estacionales. Para este curso preferimos la representacion AR pura por diferentes razones: 1) Cualquier proceso MA puede aproximarse por un proceso AR suficientemente alto. 2) La interpretacion economica de un proceso AR resulta mucho mas intuitiva que la de un proceso MA. 99 3) La estimacion de un proceso AR es mucho mas sencilla que la de un modelo MA (Tema 3).
100 6. Los modelos AR y ARI estacionales. El modelo univariante mas general a considerar en el curso es ARI(p,d)xARI(P,D): d D w t 1 φ 1 L φ 2 L 2 φ p L p 1 Φ 1 L s Φ 2 L 2s Φ P L P = a t 100
101 6. Los modelos AR y ARI estacionales. donde d es el numero de diferencias regulares. D es el numero de diferencias estacionales. L es el operador de retardos. p es el orden del polinomio regular. P es el orden del polinomio estacional. 101
102 Los modelos AR y ARI estacionales. Esta modelizacion impone restricciones en la estructura del modelo AR Por ejemplo, un modelo del tipo (1 L) 1 L 12 w t 1 0.9L 1 0.8L 12 = a t seria un ARI(1,1)xARI(1,1)
103 6. Los modelos AR y ARI estacionales. El correlograma de una serie generada por dicho proceso una vez tomada una diferencia regular y una diferencia anual seria 103
104 Los modelos AR y ARI estacionales.
105 6. Los modelos AR y ARI estacionales. Estos procesos son en general dificiles de distinguir en la practica cuando aparece en series reales. El proceso de identificacion de estos modelos sera un punto esencial del proximo tema. 105
Econometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
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 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 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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos multivariantes estacionarios: VAR(p). La dependencia temporal. La causalidad en el sentido de Granger. La estimación de los modelos VAR. Profesora:
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 detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
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 detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Estructuras determinísticas y estocásticas tendencia y la estacionalidad Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento
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 detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA
MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA Modelización Económica II Referencias: Mills y Markellos (2008) "The Econometric Modelling of Financial Time Series", Cambridge University Press.
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 detallesAnálisis de series temporales: Modelos ARIMA
Análisis de series temporales: Modelos ARIMA ISBN: 978-84-692-384- María Pilar González Casimiro 4-9 Análisis de Series Temporales: Modelos ARIMA Pilar González Casimiro Departamento de Economía Aplicada
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad La econometría de series temporales. Evolutividad y oscilaciones estacionarias Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesANÁLISIS EN EL DOMINIO DEL TIEMPO
Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos VAR recursivos. Modelos univariantes dinámicos: los modelos de retardos autoregresivos distribuídos (ADL).Multiplicadores de impacto y de largo Profesora:
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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t +
Más detallesSeries de tiempo. Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo.
Series de tiempo Introducción Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo. Una característica intrínseca muy importante de las series de tiempo,
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesProcesos Estocásticos Estacionarios
Capítulo 2 Procesos Estocásticos Estacionarios Las series temporales se pueden clasificar en dos tipos: Series con valores estables alrededor de un nivel constante (capítulos 2-4). Series con tendencias,
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO DEL CURSO 1. Utilizar los números reales, sus notaciones, operaciones y procedimientos asociados, para presentar e intercambiar información,
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
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 detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a 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 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 detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
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 detallesSeries Temporales. Teresa Villagarcía
Series Temporales Teresa Villagarcía 1 1. Introducción. El estudio de series temporales tiene por objeto analizar la evolución de una variable a través del tiempo. La diferencia esencial entre las series
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesClase 3. Procesos estocásticos en Teoría de la señal.
1 Introducción Clase 3. Procesos estocásticos en Teoría de la señal. Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier transmisión de telecomunicación. El ruido es una
Más detallesSeries temporales: Modelos heterocedásticos condicionales. Una aplicación usando R. Alexander Carvajal
Series temporales: Modelos heterocedásticos condicionales. Una aplicación usando R. Alexander Carvajal Universidad de Granada Departamento de Estadística e Investigación Operativa Granada, España 2014
Más detallesAnálisis de series temporales
CAPíTULO 8 Análisis de series temporales Los datos estadísticos y, en particular, los datos económicos se recopilan a menudo en forma de series temporales. Una serie temporal es un conjunto ordenado de
Más detallesMÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica. Esperanza Ayuga (2008)
Imagen cortesía de la NASA MÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica (II. Procesos y Modelo Lineal General ) Esperanza Ayuga (2008) Introducción Las técnicas estadísticas
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 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 detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
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 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 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 detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
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 detallesCURSO ECONOMETRÍA BÁSICA MULTISOFTWARE
CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesPronóstico. Pronósticos. Factores Controlables. Porqué? Objetivo. Factores Incontrolables
2 Pronóstico Pronósticos Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un evento futuro, con base en información actual o del pasado Administración de
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesTEMA 6. Modelos para Datos de Panel
TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios
Más detallesIntroducción a la Identificación de sistemas
Ingeniería de Control Introducción a la Identificación de sistemas Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Modelos deterministas
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 detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
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 detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
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 detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
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 detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
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 detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD DE CIENCIAS FÍSICO MATEMÁTICAS Tesis presentada como requisito para obtener el título de la Licenciatura en Actuaría MODELACIÓN DE LAS VARIACIONES DEL
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
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 detallesDIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS. Coordinador: M.F. Esperanza Sainz López
INSTITUTO TECNOLÓGICO AUTONOMO DE MÉXICO DIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS Coordinador: M.F. Esperanza Sainz López Objetivo general: Presentar al alumno algunos modelos cuya estructura dinámica
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesBreve 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 detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesUniversidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
: Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010. Historia : Un La estimación de mineral recobrable es muy importante
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
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 detallesEVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I.
EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO 2013-2014. Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. UNIDAD 3: POLINOMIOS Y FRACCIONES ALGEBRAICAS Operaciones
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 detallesModelos de Series de Tiempo
UNIVERSIDAD AUTONOMA DEL ESTADO DE MÉXICO FACULTAD DE PLANEACIÓN URBANA Y REGIONAL ESTADÍSTICA II Modelos de Series de Tiempo POR: LUIS CONRADO TOLEDO VEGA FECHA DE ELABORACIÓN: 1ra quincena de Marzo de
Más detallesTerra Nueva Etapa ISSN: Universidad Central de Venezuela Venezuela
Terra Nueva Etapa ISSN: 1012-7089 vidal.saezsaez@gmail.com Universidad Central de Venezuela Venezuela Rodríguez G., Jorge A. El concepto geoestadístico de variable regionalizada Terra Nueva Etapa, vol.
Más detallesRegresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable.
1 DEFINICIONES PREVIAS Regresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable. Correlación: es la cuantificación del grado de relación existente
Más detallesTema 9: Estadística en dos variables (bidimensional)
Tema 9: Estadística en dos variables (bidimensional) 1. Distribución de frecuencias bidimensional En el tema anterior se han estudiado las distribuciones unidimensionales obtenidas al observar sólo un
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
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 detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
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 detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
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 detalles