2. ARTÍCULOS DE APLICACIÓN
|
|
- Rafael Ortíz Pereyra
- hace 6 años
- Vistas:
Transcripción
1 ARTICULOS DE APLICACIÓN 2. ARTÍCULOS DE APLICACIÓN EVOLUCIÓN PROBABILÍSTICA EN EL MERCADO GANADERO DE LOS PRECIOS CORRESPONDIENTES A PRODUCTOS DEL CERDO BLANCO Rosa María Villalobos Murillo. Universidad de Extremadura. 1. Motivación y metodología. El objetivo principal del trabajo ha sido tratar de obtener un modelo probabilístico que permita describir la evolución probabilística de los precios de determinados productos del cerdo blanco en el mercado ganadero. Su motivación fue la de disponer, con cierta anticipación, de información sobre las posibles tendencias y fluctuaciones de dichos precios. El análisis se ha realizado a partir de la información proporcionada por las series de precios semanales registradas desde principios de 1990 hasta finales de 2003 para cuatro productos representativos del cerdo blanco: cerdo vivo, canal porcina tipo II, jamón redondo y jamón curado. Los datos correspondientes a los tres primeros, todos ellos productos frescos, fueron facilitados por la Lonja de Lérida, centro de referencia nacional para los precios de dichos productos y los correspondientes a la serie de precios del jamón curado fueron proporcionados por la Subdirección General de Precios del Ministerio de Economía. La metodología estadística seguida para dicho análisis se ha basado en técnicas específicas de series temporales. Como paso previo a la selección y validación del modelo probabilístico adecuado, se ha realizado el correspondiente análisis grafico-descriptivo de las series observadas. A partir de la información inferida de dicho análisis, se ha aplicado la metodología Box-Jenkins, véase Box, Jenkins and Reinsel (1994), con objeto de ajustar el modelo de la familia ARIMA que con mayor probabilidad ha podido generar las series bajo estudio. Para el análisis gráfico y estadístico de las series se ha hecho uso del software estadístico SPSS, versión 1 y del lenguaje de programación R (GNU S), versión (véase Gentleman and Ihaka (1996) ó la dirección web 2. Análisis estadístico de las series. 2.1 Análisis descriptivo. Como es bien conocido en teoría de series temporales, véase por ejemplo Abraham and Ledolter (1983), Peña (1999) ó Rodríguez Morilla (2000), en la evolución a lo largo del tiempo de cierta variable aleatoria intervienen fundamentalmente tres componentes: tendencia, estacionalidad y la que engloba posibles irregularidades. Si observamos la figura 1, en la que se representan las series correspondientes a los tres productos frescos, podríamos extraer algunas conclusiones. Por ejemplo, aunque en ninguna de ellas se detecta una tendencia global creciente o decreciente a lo largo del tiempo, sí se aprecian tramos más o menos largos, con duración de al menos un año, en los que los precios registrados se mantienen bien por encima o bien por debajo del precio medio. Se infiere por tanto la presencia de una componente tendenciaciclo. En relación a la componente estacional, no se observa una evolución repetitiva año a año entre las distintas semanas aunque sí se aprecia con cierta claridad que los precios más bajos se producen en las primeras y en las últimas semanas de cada año. Puesto que no se aprecia de forma clara un patrón 11
2 ARTICULOS DE APLICACIÓN fijo de comportamiento a lo largo del tiempo, se desprende que la componente irregular tiene un peso importante. En conclusión, aún teniendo en cuenta que los precios de los tres productos se fijan de forma independiente, se observa una evolución bastante similar para las tres series. En cierto modo esta similitud tiene su lógica puesto que los tres productos tienen en común el ser productos frescos. Se observa también, como es lógico, que los precios van incrementándose a medida que el producto requiere una mayor elaboración. Por otra parte, teniendo en cuenta que las fluctuaciones de las series varían según el nivel de las mismas, es razonable asumir que las tres componentes interactúan de forma multiplicativa. Figura 1.- Series de precios correspondientes al cerdo vivo, canal y jamón redondo. En la serie de precios correspondiente al jamón curado, véase figura 2, se aprecia claramente una tendencia creciente, aproximadamente lineal, sin un patrón estacional claro y con componente irregular de escaso peso específico. Tratando de explicar el diferente comportamiento de los precios de esta serie en comparación con las tres anteriores podría esgrimirse como una de las principales razones el tiempo transcurrido desde la compra del jamón redondo hasta su venta como jamón curado, aproximadamente entre siete y once meses. Ello explica, por ejemplo, como la bajada de precios para los productos frescos producida en 1998 tuvo su correspondiente repercusión en los precios del jamón curado en 1999, apreciándose una tendencia creciente más atenuada. pts/kg CURADO Figura 2.- Serie de precios del jamón curado A partir del análisis gráfico anterior, se ha realizado un análisis descriptivo de las series haciendo uso de diferentes técnicas. En concreto, para las series correspondientes a los tres productos frescos se ha aplicado el denominado método STL, veáse Cleveland et al. (1990), con objeto de proporcionar estimaciones para las fuentes de variación correspondientes a las componentes tendencia-ciclo (figura 3) y estacional (figura 4), y para la serie correspondiente al jamón curado se ha hecho uso del método de Loess, véase Cleveland and Devlin (1988) ó Cleveland et al. (1988), con objeto de estimar su componente tendencia-ciclo (figura 5). En relación a los productos frescos, se observa una componente tendencia-ciclo de tipo oscilatorio con amplitud creciente, si bien en el cerdo vivo y la canal no parece reflejarse este comportamiento en las últimas semanas en las que se aprecia un mantenimiento de los precios. Cabe destacar la caída de precios de 1998 y, si bien de menor importancia, la de Los precios medios más altos se registraron en 1997 y
3 ARTÍCULOS DE APLICACIÓN pts/kg AÑO VIVO CANAL REDONDO Figura 3.- Componente tendencia-ciclo de las series del cerdo vivo, canal y jamón redondo. Figura 4.- Componente estacional de las series del cerdo vivo, canal y jamón redondo. Con respecto al jamón curado la figura 5 pone de manifiesto una tendencia estrictamente creciente en la que se aprecia una alternancia entre dos pendientes. pts/kg Figura 5.- Componente tendencia-ciclo del jamón curado. CURADO 2.2 Ajuste y validación del modelo teórico. Denotemos por X t al valor en el instante t de la serie bajo estudio. Nuestra intención es ajustar el modelo ARIMA que proporcione una explicación más verosímil de la evolución observada en la serie de precios. La metodología Box-Jenkins en la que nos apoyaremos implica un proceso iterativo en el que se consideran las siguientes fases: identificación del modelo ARIMA que probablemente ha generado los datos; estimación de los parámetros que en él intervienen; validación del modelo considerado y utilización del modelo ajustado para predicción. Un primer requisito a tener en cuenta en la fase de identificación del modelo es tratar de conseguir la estacionariedad de la serie temporal. A tal fin, para las series correspondientes a los productos frescos, se ha realizado una transformación logarítmica y una diferenciación ordinaria. En relación a la serie del jamón curado, puesto que su gráfica no refleja de una forma clara si la varianza fluctúa en función del nivel de la misma y, aunque el gráfico dispersiónmedia de los precios muestra un ajuste casi horizontal, con objeto de disminuir la varianza residual así como su falta de homogeneidad, también se ha procedido a realizar una transformación logarítmica de los datos y, teniendo en cuenta la excesiva pendiente, la diferenciación de los mismos. En consecuencia, para ambos casos, se obtiene los datos transformados W t = (1-B) Y t, donde Y t =ln (X t ), B denota el operador de retardo es decir B(Y t )= Y t-1 y X t representa el precio del producto considerado en la semana t. Estamos ya en condiciones de tratar de identificar el modelo ARMA apropiado para los datos transformados W t. Para ello, se ha utilizado como principales herramientas las funciones de autocorrelación simple y autocorrelación parcial. A modo de ejemplo, exponemos a continuación el estudio realizado para la serie correspondiente a los precios del cerdo vivo. 5
4 ARTÍCULOS DE APLICACIÓN La figura 6 muestra los correlogramas simples y parciales de la correspondiente serie estacionaria W t. Basándonos en ellos y teniendo en cuenta el concepto de parsimonia, se ha efectuado un primer ajuste, probando con los modelos más sencillos. Inicialmente se propuso un AR(1) o un MA(1) para la parte ordinaria (o un modelo mixto) y un AR(1) para la parte estacional. Tras el análisis residual, se llegó a la conclusión de que el modelo que mejor describía la evolución probabilística de la serie transformada era el ARMA(2,1) ARMA(1,1), en consecuencia, la serie W t está generada por: 2 (1 ΩB )( 1 φ B φ B ) W = (1 ΘB )( 1 θb ) 1 2, φ 1, φ2, Θ, t Z t donde Ω θ son parámetros a estimar, B k (W t )=B(B k-1 (W t )) y Z t denota el ruido blanco. Las estimaciones máximo verosímiles obtenidas para los parámetros junto con sus correspondientes errores de estimación indicados entre paréntesis han sido las siguientes: φ 1 *= 0.85, (0.17) ; φ 2 *= -0.19, (4) ; Ω *= 0.91 (5) ; Θ *= 0.80 (8) ; θ * = 0.68, (0.17). El modelo propuesto ofrece una capacidad interpretativa óptima, no habiéndose obtenido otro mejor. ACF ACF parcial - - Figura 6.- Autocorrelaciones simples (ACF) y parciales (ACF parcial) en la parte ordinaria y estacional de la serie estacionaria W t para la serie del cerdo vivo. La validación de dicho modelo se ha realizado a través del análisis de los residuos, para lo cual se ha hecho uso del peridiograma integrado, véase Brockwell and Davis (1991) para más detalles al respecto. A partir de la información proporcionada por la figura 7 no se puede rechazar la hipótesis de los datos provengan de un ruido blanco ACF Figura 7.- Peridiograma integrado del residuo correspondiente al modelo ajustado para el cerdo vivo. ACF parcial Deshaciendo la diferenciación realizada en la primera fase, haciendo el cambio u t = Z t e y calculando antilogaritmos, se deduce finalmente el siguiente modelo para la serie 14
5 ARTÍCULOS DE APLICACIÓN correspondiente a los precios semanales del cerdo vivo: X = X t t 1 t 1 t t 2 t t t t 53 t t 54 ut ut t 55 ut 1 ut Con objeto de analizar el comportamiento del modelo ARIMA ajustado, se ha procedido a evaluar la bondad del ajuste de las predicciones hechas para el 2003 supuesto que los datos para dicho año eran desconocidos (figuras 8 y 9). Puede apreciarse que para las predicciones cercanas a los datos observados el ajuste resulta bastante próximo a los datos reales. Conforme nos alejamos en el tiempo la eficiencia decrece. De ahí que no sea prudente realizar predicciones a largo plazo y sea conveniente realimentar el modelo con las nuevas observaciones para incluir posibles cambios de conducta y adaptar las predicciones Figura 9.- Predicción de la serie del jamón curado para el año 2003 junto con sus valores observados En las figuras 10 y 11 se representan las series de precios y las predicciones que se obtuvieron a partir del modelo ajustado para el año Pts/kg VIVO CANAL REDONDO Pedicciones Figura 10.- para las series del cerdo vivo, canal y jamón redondo correspondientes al VIVO 200 CANAL REDONDO 100 Pts/kg Figura 8.- de las series del cerdo vivo, canal y jamón redondo para el año 2003 junto con sus valores observados. Fig para la serie del jamón curado obtenidas para el Agradecimientos. Mi agradecimiento a los responsables de la Lonja de Lérida y de la Subdirección de Precios del Ministerio de Economía por facilitarme los datos que han hecho posible la realización de este trabajo. Mi sincero agradecimiento también a la profesora del Departamento de Matemáticas de la Universidad de 15
6 ESTUDIOS MONOGRÁFICOS Y OPINIONES SOBRE LA PROFESIÓN Extremadura Inés Mª del Puerto García por sus acertadas orientaciones, útiles sugerencias e inestimable ayuda técnica. Referencias Abraham, B. and Ledolter, J.: Statistical methods for forecasting. Willey, Box, G.E.P., Jenkins, G.M. and Reinsel, G.C.: Time Series Analysis. Prentice-Hall, Brockwell, P. J. and Davis, R. A.: Time Series: Theory Methods. Springer-Verlag, second edition, Cleveland, W.S and Devlin, S.: Locally weighted regression: an approach to regression analysis by local fitting. Journal of American Statistical Association, 74, , Cleveland, W.S., Devlin, S. and Grosse, E.: Regression by local fitting: methods, properties and computational algorithms. Journal of Econometrics, 37, , Cleveland, R.B., Cleveland, W.S., McRae, J.E. and Terpenning, I.: A seasonal-trenddecomposition procedure based on Loess (with discussion). J. Official Statistics, 6, 3-73, Gentleman, R. & Jhaka, R. R.: A Language for data analysis and graphics. J. Comput. Graph. Statist. 5, , Peña, D.: Estadística: Modelos y métodos 2. (Modelos Lineales y Series Temporales). Alianza Universidad Textos, Rodríguez Morilla, Carmen: Análisis de series temporales. La Muralla. Madrid, ESTUDIOS MONOGRÁFICOS Y OPINIONES SOBRE LA PROFESIÓN ENTREVISTA AL PROFESOR SIXTO RÍOS GARCÍA Miguel Ángel Gómez Villegas Editor asociado de Estadística En una soleada tarde del otoño madrileño le hice las siguientes preguntas a quién desarrolló la estadística y la investigación operativa en España. Cuándo recibió y por dónde su Doctorado? Recibí mi doctorado por la Universidad Central de Madrid en Mi tesis fue dirigida por el profesor Rey Pastor sobre la hiperconvergencia de las integrales de Laplace Stieltjes. Qué señalaría como más notable de la Universidad en que usted se formó? La mezcla de excelentes profesores y de otros no tanto. El número de alumnos, ciertamente 16
SERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Part III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO
GUIA DOCENTE DE LA ASIGNATURA SERIES TEMPORALES Curso 2014-2015 (Fecha última actualización: 30/05/14) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO ESTADÍSTICA PROFESOR(ES) Análisis de Datos y Series Temporales
Predicción de Inventarios Series de Tiempo
Predicción de Inventarios Series de Tiempo Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado en Minería de Datos de la Universidad de
Estadística 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.
Ejemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Curso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Modelos 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
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
El Plan de Estudios no establece ningún prerrequisito para poder cursar esta asignatura.
GUÍA DOCENTE DE LA ASIGNATURA ANÁLISIS DE SERIES TEMPORALES 1. Descriptores de la asignatura: Series temporales y predicción. Software estadístico y de análisis de datos. 2. Situación de la asignatura.
ST - Series Temporales
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 200 - FME - Facultad de Matemáticas y Estadística 715 - EIO - Departamento de Estadística e Investigación Operativa MÁSTER
Series Temporales Curso
GUIA DOCENTE DE LA ASIGNATURA ( ) Series Temporales Curso 2017-2018 (19/06/2017) (Fecha de aprobación en Consejo de Departamento: 20/06/2017) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO ESTADÍSTICA PROFESORES
Análisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
ANÁLISIS 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
Índice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
Este manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el
Prólogo Este manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el estudio de las Series Temporales, es decir, en
Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA
Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA Técnicas en Predicción Administración y Dirección de Empresas Departamento de Estadísitica
Pronóstico 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
PROYECCIONES DEL TURISMO INTERNACIONAL
20 17 PROYECCIONES DEL TURISMO INTERNACIONAL Proyección de la Llegada de Turistas Extranjeros a Chile durante el 2025 y 2030, y de los principales mercados a marzo del 2018. Subsecretaría de Turismo Servicio
Modelos Arma y método Box & Jenkins
Modelos Arma y método Box & Jenkins Alumno: Aldo Fournies Pallavicini. Profesor: Humberto Villalobos. 17/07/2013 Índice. Introducción... 3 Conceptos Básicos... 4 Modelos de autoregresión.... 5 Modelo AR(p)...
Programa abierto de. Complementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula y Análisis de Información Seminario Trabajo y tecnología La, en el marco de su Programa de Actualización Permanente de las Orientaciones de s Económicas, s Sociodemográficas
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador
Estudio sobre la evolución del número de pasajeros en el metro de Barcelona
Estudio sobre la evolución del número de pasajeros en el metro de Barcelona Un análisis basado en Series Temporales. Autor: Origen 1.- Introducción 2.- Metodología estadística 3.- Análisis descriptivo
Curso 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
Planificaciones Estadística Aplicada III. Docente responsable: PICASSO EMILIO OSVALDO. 1 de 5
Planificaciones 9125 - Estadística Aplicada III Docente responsable: PICASSO EMILIO OSVALDO 1 de 5 OBJETIVOS Completar la formación del futuro ingeniero industrial en el área de métodos cuantitativos,
METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 Box and Jenkins
20 17 METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 FOTO DE PORTADA: Nombre: Laguna
Pronósticos 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
Regresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Quinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
Procesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.0 Semana 4.0 Optativa Prácticas Semanas 64.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 15 de octubre de 2008 ESTADÍSTICA
LA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES
LA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES Autor Luz Marina Basilio Gómez 1 John Ramírez 2 1. Ingeniero en Estadística Informática 2001 2. Director de Tesis, Matemático Escuela Superior Politécnica
Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.0 Semana 4.0 Optativa Prácticas Semanas 64.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTADES DE ECONOMÍA E INGENIERÍA PROGRAMA DE ESTUDIO Estadística Aplicada P85 /P75 /P95 08 Asignatura Clave Semestre Créditos Ciencias Básicas División Matemáticas
Econometría 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
Generalmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Programa analítico de la asignatura METODOS ESTADISTICOS
Programa analítico de la asignatura METODOS ESTADISTICOS Datos básicos Semestre Horas de teoría Horas de Practica Horas trabajo Créditos adicional estudiante V 3 0 3 6 Manejar y aplicar los conceptos fundamentales
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 18/01/2007 NOMBRE Y APELLIDOS
Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 INFERENCIA
ARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Práctica 4. Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001.
Práctica 4 Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001. En esta práctica, analizaremos dos índices financieros, el Dow Jones
DEPARTAMENTO DE ECONOMÍA APLICADA. ESTADÍSTICA Y ECONOMETRÍA. Programa de la asignatura: Series Temporales.
DEPARTAMENTO DE ECONOMÍA APLICADA www.uniovi.es/ecoapli ESTADÍSTICA Y ECONOMETRÍA Programa de la asignatura: Series Temporales Segundo Ciclo Curso Académico 2009/2010 Facultad de CC. Económicas y Empresariales
TODO 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
CURSO 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
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo
PROGRAMA OFICIAL DE POSTGRADO EN ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
PROGRAMA OFICIAL DE POSTGRADO EN ESTADÍSTICA E INVESTIGACIÓN OPERATIVA DATOS IDENTIFICATIVOS DE LA MATERIA Código de la materia: P1061101 Nombre de la materia: Modelos de Regresión Número de créditos ECTS:
TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Guía 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
EJC 22: METODOLOGÍA BOX JENKINS
EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,
1.9. Requisitos mínimos de asistencia a las sesiones presenciales/ Minimum attendance requirement
1. ASIGNATURA / COURSE TITLE SERIES TEMPORALES / TIME SERIES 1.1. Código / Course number 16700 1.2. Materia/ Content area Economía Cuantitativa / Quantitative Economics 1.3. Tipo /Course type Obligatoria
PARTE I: FUNDAMENTOS DEL ANÁLISIS DE REGRESIÓN CON DATOS DE. 1. Qué es la econometría y para qué sirve? La naturaleza del enfoque
PARTE I: FUNDAMENTOS DEL ANÁLISIS DE REGRESIÓN CON DATOS DE CORTE TRANSVERSAL INTRODUCCIÓN: EL ENFOQUE ECONOMÉTRICO 1. Qué es la econometría y para qué sirve? La naturaleza del enfoque econométrico 2.
INDICE. XV 1. Introducción a los pronósticos Actividad
INDICE Prefacio XV 1. Introducción a los pronósticos 1 Historia de los pronósticos La necesidad de pronosticar 2 Tipos de pronostico Pronóstico macroeconómico 4 Selección del método de pronostico 5 Pasos
Análisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
ANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Analisis de series temporales y analisis espectral y procesamiento digital
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Analisis de series temporales y analisis espectral y procesamiento digital CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_12AC_123000617_1S_2016-17
Conocer las principales fuentes de datos estadísticos con indicadores para la economía española.
TÉCNICAS DE PREVISIÓN Objetivos formativos: Conocer las principales fuentes de datos estadísticos con indicadores para la economía española. Conocer los principales componentes de una serie temporal i
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES PENALIZADAS
Cristina Cuesta Gonzalo Marí Nicolás Zino Instituto de Investigaciones Teóricas y Aplicadas en Estadística (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES
Análisis Avanzado de de Series Temporales Curso de Macroeconometría Doctorado en Economía (UPV-EHU)
Análisis Avanzado de de Series Temporales Curso de Macroeconometría Doctorado en Economía (UPV-EHU) Josu Arteche 2006-2007 (15 horas) 1. Series Temporales y el Dominio de la Frecuencia 1.1 Ciclos 1.2 Funciones
Análisis Estadístico con Stata. Validación, Pronóstico y Estimación con Programación Matricial (Mata)
Entrenamiento Especializado Análisis Estadístico con Stata. Validación, Pronóstico y Estimación con Programación Matricial (Mata) Descripción Entrenamiento especializado presencial con repaso conceptual
Estadistica II. Carrera: INB Diseñar e implantar sistemas y procedimientos para la toma de decisiones.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadistica II Ingeniería Industrial INB-9329 4-0-8 2.- UBICACIÓN DE LA ASIGNATURA
Apuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
SOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA
SOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA Problema 1 Calcular las primeras 12 autocorrelaciones simples teóricas del proceso (1 0,8B)Y t = (1 0,5B 12 )a t utilizando tanto la fórmula
Dr. Fidel Ulin Montejo M.C. Robert Jeffrey Flowers Jarvis Fecha de elaboración: Agosto 2004 Fecha de última actualización: Julio 2010
PROGRAMA DE ESTUDIO Análisis de Regresión Programa Educativo: Licenciatura en Actuaría Área de Formación : Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Total de Horas: 5 Total de créditos:
Análisis 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
Una nota sobre la construcción de intervalos de confianza para autocorrelaciones de k-ésimo orden. Daniel Ordoñez-Callamand
Una nota sobre la construcción de intervalos de confianza para autocorrelaciones de k-ésimo orden Daniel Ordoñez-Callamand Noviembre 2016 Resumen En este artículo se estudia la construcción de intervalos
EJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA APLICADA EJERCICIO T APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Series temporales. 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1
Series temporales 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1 Introducción Introducción Serie temporal: Conjunto de observaciones z t, cada
INDICE. 81 Operadores lógicos Funciones exponenciales y logarítmicas Funciones trigonométricas
INDICE Introducción XV Capitulo 1. Instalación y primeros pasos en SPSS 10 Instalación de SPSS 10 1 Comenzando con SPSS 10 8 El trabajo de trabajo de SPSS 10 9 Opciones de a barra de menú principal 10
ESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
Análisis de series temporales
Análisis de series temporales Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: estadistica alceingenieria.net Enero 2004 Artículo en formato PDF www.seh lelha.org/stat1.htm " Será posible que
7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN ECONOMÍA PROGRAMA DE ASIGNATURA HORAS SEMESTRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN ECONOMÍA PROGRAMA DE ASIGNATURA CLAVE 6º Semestre ECONOMETRÍA II MODALIDAD (CURSO, TALLER, LABORATORIO, ETC.)
TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S
TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las
Diplomado en Modelos Econométricos Dinámicos Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Modelos Econométricos Dinámicos Coordinadora académica: M.F. Esperanza Sainz López Presentar al alumno algunos modelos cuya estructura dinámica permite realizar análisis del comportamiento
Series de tiempo con aplicaciones: Enfoque temporal
Series de tiempo con aplicaciones: Enfoque temporal Gladys E. Salcedo E. 25o Simposio Internacional de Estadística Agosto 6,7 de 2015 Armenia, Quindío Datos 1: Series igualmente espaciadas Turbiedad 20
donde ε es la variable aleatoria de media 0 y f(x) es una relación que tiene la siguiente expresión:
INTRODUCCIÓN Los modelos de regresión B-Splines son de tipo semiparamétrico y presentan un excelente ajuste en variables climatológicas, como se muestra en el desarrollo de este trabajo que está dividido
Probabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Econometría II Práctica 1. Procesos ARMA Estacionarios Univariantes
Econometría II Práctica 1. Procesos ARMA Estacionarios Univariantes December 4, 2006 1 Introducción En muchas ocasiones, en el análisis de variables económicas, los datos estan disponibles en forma temporal.
INTRODUCCION 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
Introducción a las series temporales
Tema 1: Tema 1: 1 Definición y ejemplos 2 Clasificación 3 Objetivos 4 Métodos clásicos de análisis Definición y ejemplos Serie Temporal Colección de observaciones que se toman secuencialmente a lo largo
INDICE Capitulo 1. Entorno de Trabajo e SPSS Capitulo 2. Operadores y Funciones. Aplicaciones
INDICE Introducción XV Capitulo 1. Entorno de Trabajo e SPSS 1 Introducción y manejo de datos en SPSS 1 Lectura e importación de datos SPSS 6 Importación de datos de hoja de cálculo 8 Importación de archivos
Modelos para series de tiempo de memoria larga: identificación y aplicaciones
XXV Simposio Internacional de Estadística 2015 Armenia, Colombia, 5, 6, 7 y 8 de Agosto de 2015 Modelos para series de tiempo de memoria larga: identificación y aplicaciones Elkin Castaño V. 12,a 1 Escuela
Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos
Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido
Procesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Corrección de efectos de calendario y la extracción de señales de los indicadores coyunturales en Eustat
Corrección de efectos de calendario y la extracción de señales de los indicadores coyunturales en Eustat La metodología utilizada en EUSTAT para la corrección de los efectos de calendario y la desestacionalización
Curso: MODELOS ECONOMÉTRICOS ESPACIALES DE CORTE TRANSVERSAL Y DATOS DE PANEL
Curso: MODELOS ECONOMÉTRICOS ESPACIALES DE CORTE TRANSVERSAL Y DATOS DE PANEL Coro Chasco Yrigoyen Profesora de Economía Aplicada Directora del Grupo de Investigación ECONRES Universidad Autónoma de Madrid
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Raices unitarias
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Raices unitarias Consideramos la regresión Introducción: y t = β 0 + β 1 x t + ɛ t (1) Qué es la probabilidad de una regresión espuria? Ejemplo: y t = y
Universidad Autónoma del Estado de México Facultad de Economía. PROGRAMA EDUCATIVO Maestría en Creación y Estrategias de Negocios
Universidad Autónoma del Estado de México Facultad de Economía PROGRAMA EDUCATIVO Maestría en Creación y Estrategias de Negocios UNIDAD DE APRENDIZAJE: «Métodos Cuantitativos para la Toma de Decisiones
Más 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
TASA DE PARO EN LA PROVINCIA DE VALLADOLID
TASA DE PARO EN LA PROVINCIA DE VALLADOLID 110 Rosa Arranz Sombría David Pérez Román RESUMEN. En este trabajo, analizamos la evolución de la tasa de paro en a provinica de Valladolid con objeto de realizar
Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Proyecto Docente de la Asignatura. Econometría II. Grado en Administración y Dirección de Empresas. Curso 2017/18
Proyecto Docente de la Asignatura Econometría II Grado en Administración y Dirección de Empresas Curso 2017/18 Guía docente de la asignatura Asignatura Econometría II Materia Econometría Módulo Titulación
SERIES DE TIEMPO FACULTAD DE INGENIERÍA INDUSTRIAL MAESTRÍA EN INVESTIGACION DE OPREACIONES Y ESTADÍSTICA 2015 JOSE ALEJANDRO MARIN DEL RIO
SERIES DE TIEMPO FACULTAD DE INGENIERÍA INDUSTRIAL MAESTRÍA EN INVESTIGACION DE OPREACIONES Y ESTADÍSTICA 2015 JOSE ALEJANDRO MARIN DEL RIO INTRODUCCIÓN Toda institución, ya sea la familia, la empresa
Unidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
INDICE. Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación
INDICE Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación 3 1. Una sesión básica con el SPSS para Windows: trabajando con lo distintos