MODELOS DE PREDICCIÓN DE PRECIOS DE ENERGÍA ELÉCTRICA A CORTO Y LARGO PLAZO
|
|
- Mariano Naranjo Fidalgo
- hace 5 años
- Vistas:
Transcripción
1 MODELOS DE PREDICCIÓN DE PRECIOS DE ENERGÍA ELÉCTRICA A CORTO Y LARGO PLAZO Carolina García-Martos (ETSII-UPM) María Jesús Sánchez (ETSII-UPM) Trabajo conjunto con los profesores Andrés M. Alonso (Universidad Carlos III de Madrid) y Julio Rodríguez (Universidad Autónoma de Madrid).
2 1. Objetivos ÍNDICE
3 1. Objetivos ÍNDICE 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica?
4 ÍNDICE 1. Objetivos 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica? 3. Descriptiva de los datos de precios
5 ÍNDICE 1. Objetivos 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica? 3. Descriptiva de los datos de precios 4. Modelos de predicción a corto plazo
6 ÍNDICE 1. Objetivos 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica? 3. Descriptiva de los datos de precios 4. Modelos de predicción a corto plazo 5. Modelos de predicción a largo plazo
7 ÍNDICE 1. Objetivos 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica? 3. Descriptiva de los datos de precios 4. Modelos de predicción a corto plazo 5. Modelos de predicción a largo plazo 6. Conclusiones
8 ÍNDICE 1. Objetivos 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica? 3. Descriptiva de los datos de precios 4. Modelos de predicción a corto plazo 5. Modelos de predicción a largo plazo 6. Conclusiones 7. Líneas actuales de trabajo
9 2. Por qué predecir a corto y largo plazo los precios de la energía eléctrica? Predicción a corto plazo (horizonte 24 horas): Disponer de una buena predicción del precio resulta de interés para la planificación de la producción en las unidades generadoras. Predicción a largo plazo (horizonte 6 meses 1 año): Negociación de los contratos bilaterales.
10 3. Descriptiva de los datos de precios
11 3. Descriptiva de los datos de precios
12 3. Descriptiva de los datos de precios Tanto el nivel como la variabilidad dependen de la hora del día. Relación con la curva de demanda.
13 3. Modelos de predicción a corto plazo y y... y y y... y y y... y 1, t 2, t 24, t 1, t + 1 2, t , t + 1 1, T 2, T 24, T Modelo h1 Modelo h2 Modelo h24
14 3. Modelos de predicción a corto plazo La idea general de la metodología que se propone para calcular predicciones a corto plazo es la de desarrollar modelos mixtos, es decir, que combinen las ventajas de varios modelos. (García-Martos, Rodríguez y Sánchez (2007)) A la vista de los resultados de la descriptiva (nivel y variabilidad dependen de la hora) se proponen dos modelos (Modelo 24 y Modelo 48). Ambos modelos utilizan las series horarias desagregadas en lugar de la serie completa. Además se lleva a cabo un estudio para determinar la longitud de serie más adecuada.
15 3. Modelos de predicción a corto plazo Modelos propuestos: -Modelo 24: Se calculan las predicciones para cada hora del día siguiente utilizando los modelos ARIMA construidos para cada hora. Datos de semanas completas. Modelo 48: Separamos en laborables y festivos, además de por horas. Para calcular predicciones de la hora h de un sábado o domingo se utilizan los datos de esa hora en sábados y domingos, y análogamente para los laborables. Longitudes de serie consideradas: 8, 12, 16, 20, 24, 28, 32, 44, 52 y 80 semanas
16 3. Modelos de predicción a corto plazo Se lleva a cabo un experimento computacional para determinar qué combinación (Modelo-Longitud) obtiene predicciones más precisas. Identificar las fuentes de variabilidad que afectan al error de predicción. 2 y = µ + α + β + αβ + γ + u, u N( 0, σ ) ijt i j ij t ijt ijt y ijt t 24 1 t ph ph = log( ) = log( MAPE) t 24 = p h 1 h
17 4. Modelos de predicción a corto plazo 2 y = µ + α + β + αβ + γ + u, u N( 0, σ ) ijt i j ij t ijt ijt y ijt t 24 1 t ph ph = log( ) = log( MAPE) t 24 = p h 1 µ: Efecto global que tiene en cuenta el nivel medio de la respuesta. α i es el efecto principal asociado al factor Modelo. β j es el efecto principal asociado al factor Longitud. αβ ij es la interacción entre el Modelo y la Longitud h γ t tiene en cuenta el efecto sobre el nivel medio del bloque (en este caso el día). u ijt incluye el efecto de todas las causas que no se tienen en cuenta en el resto de fuentes de variabilidad incluidas en el experimento.
18 3. Modelos de predicción a corto plazo Se calculan con modelos ARIMA estacionales, predicciones para todas las horas en el periodo estudiado, para las (2 x 10 = 20) combinaciones posibles Modelo (2 niveles) y Longitud (10 niveles). Gran número de modelos a identificar y estimar. En el periodo de seis años hay 6 x 365 x 24 = horas, y se calculan predicciones para las 20 combinaciones posibles.
19 3. Modelos de predicción a corto plazo Se calculan con modelos ARIMA estacionales, predicciones para todas las horas en el periodo , para las (2 x 10 = 20) combinaciones posibles Modelo (2 niveles) y Longitud (10 niveles). Gran número de modelos a identificar y estimar. En el periodo hay 6 x 365 x 24 = horas, y se calculan predicciones para las 20 combinaciones posibles. Más de un millón de modelos a identificar y estimar Necesidad de automatización del procedimiento de identificación/estimación de modelos ARIMA
20 3. Modelos de predicción a corto plazo Hemos utilizado el programa TRAMO, disponible a través de la web del Banco de España ( Realiza identificación automática de modelos, incluyendo intervención de valores atípicos y es software libre. La selección de los modelos ARIMA adecuados en cada uno e los más de un millón de casos, se realiza mediante el criterio BIC (Bayesian Information Criteria).
21 3. Predicción a corto plazo Resultados del Diseño de Experimentos y u u N 2 ijt = µ + αi + β j + γ t + ijt, ijt ( 0, σ ) y ijt t 24 1 t ph ph = log( ) = log( MAPE) t 24 = p h 1 h Means and 95.0 Percent Bonferroni Intervals Laborables log(mape) Modelo Means and 95.0 Percent Bonferroni Intervals -1.2 Festivos log(mape) Modelo
22 4. Modelos de predicción a corto plazo Resultados del Diseño de Experimentos sobre la Longitud de serie a utilizar Para los fines de semana se deben utilizar los datos correspondientes las 44 semanas anteriores al día para el que se quiere predecir. Para los días laborables se utilizarán también los datos de las 44 semanas anteriores al día para el que se desea predecir (aunque la media es menor para 80 semanas, no existen diferencias significativas entre 44 y 80 semanas). Para los laborables cuando crece la longitud de serie disminuye el error. Más homogeneidad en los 24 procesos generadores de las series horarias que en la serie completa.
23 4. Modelos de predicción a corto plazo Resultados del Diseño de Experimentos sobre el Modelo Utilizar el Modelo 48 para los laborables, es decir, para calcular predicciones para un día laborable se utiliza el histórico de esa hora en los laborables. Utilizar el Modelo 24 para los fines de semana, es decir, para calcular predicciones para un día festivo se utiliza el histórico de esa hora considerando semanas completas (laborables + festivos, sin distinción).
24 4. Modelos de predicción a corto plazo Resultados del Diseño de Experimentos Modelo mixto que se propone consiste en utilizar Modelo 48 para los laborables y Modelo 24 para los festivos, y en ambos casos longitud de serie 44 semanas.
25 3. Modelos de predicción a corto plazo Además, y como mejora importante respecto a trabajos anteriores en los que únicamente se calculan predicciones para unos cuantos días o semanas, en García-Martos, Rodríguez y Sánchez (2007) se diseña un modelo global, el que obtiene mejores resultados para un periodo amplio y significativo. Por ello aunque el modelo se diseñó y se publicó con los datos , es válido para calcular predicciones ahora y en un futuro.
26 4. Modelos de predicción a corto plazo Mostramos resultados de algunas semanas concretas elegidas por otros autores (Contreras et al. (2003)). Pero nosotros calculamos predicciones para todas las horas en el periodo Modelo global. Modelo mixto Contreras et al (2003) Día % 4.73% Día % 4.13% Día % 3.71% Día % 6.84% Día % 6.09% Día % 6.96% Día % 3.41%
27 4. Modelos de predicción a corto plazo Mostramos resultados de algunas semanas concretas elegidas por otros autores (Conejo et al. (2005)). Pero nosotros calculamos predicciones para todas las horas en el periodo Modelo global. Semana 1: Febrero 2002 Semana 2: Mayo 2002 Semana 3: Agosto 2002 Semana 4: Noviembre 2002 Modelo mixto Conejo et al (2005), ARIMA Semana % 6.32% Semana % 6.36% Semana % 13.39% Semana % 13.78%
28 4. Modelos de predicción a corto plazo ERROR de PREDICCIÓN obtenido con el Modelo Mixto propuesto para todo el periodo considerado (6 años) es de 12.61%.
29 5. Modelos de predicción a largo plazo Disponer de predicciones precisas de los precios a medio y largo plazo (horizonte de predicción entre 6 meses y un año) resulta de enorme interés para muchos de los agentes involucrados en el mercado. Desde el punto de vista metodológico representan un enorme desafío. La práctica totalidad de los modelos existentes se centran en la predicción del precio para el día siguiente, y además estos modelos no funcionan bien en la predicción a largo plazo.
30 5. Modelos de predicción a largo plazo Mejorar los modelos univariantes propuestos para el corto plazo. y y... y y y... y y y... y 1, t 2, t 24, t 1, t + 1 2, t , t + 1 1, T 2, T 24, T Modelo h1 Modelo h2 Modelo h24
31 5. Modelos de predicción a largo plazo Dinámica común de las series horarias de precios.
32 5. Modelos de predicción a largo plazo Dinámica común de las series horarias de precios.
33 5. Modelos de predicción a largo plazo Mejorar los modelos univariantes propuestos para el corto plazo. Aprovechar la dinámica común de las 24 series horarias. Modelos multivariantes de series temporales (VARMA). Cada parámetro es una matriz 24x24. Maldición de la dimensión.
34 5. Modelos de predicción a largo plazo Mejorar los modelos univariantes propuestos para el corto plazo. Aprovechar la dinámica común de las 24 series horarias. Modelos multivariantes de series temporales (VARMA). Cada parámetro es una matriz 24x24. Maldición de la dimensión. y 1, t φ 1, 1, 1 φ 1, 1, 2... φ 1, 1, 24 y 1, t 1 u 1, t y 2, t φ 1, 2, 1 φ 1, 2, 2... φ 1, 2, 24 y 2, t 1 u 2, t = + y 24, t φ 1, 24, 1 φ 1, 24, 2... φ 1, 24, 24 y 24, t 1 u 24, t
35 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios. Un posible factor que se puede construir dando a todas las series horarias el mismo peso (1/24) es la media diaria:
36 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios.
37 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios. Pero no estaríamos teniendo en cuenta que tanto el nivel como la variabilidad dependen de la hora del día.
38 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios. Pero no estaríamos teniendo en cuenta que tanto el nivel como la variabilidad dependen de la hora del día.
39 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios. Podría ser razonable un factor que capte la tendencia común de las series de precios, y otro que permita extraer el comportamiento común de las horas punta y también de las horas valle, ya que en las horas de mayor consumo tanto el nivel como la variabilidad del precio son mayores.
40 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios. EJEMPLO: En el caso de que se extraigan 2 factores comunes
41 5. Modelos de predicción a largo plazo La idea intuitiva del modelo que proponemos para el largo plazo consiste en separar la parte común y específica de las 24 series horarias de precios. Extraeremos un número reducido de factores comunes inobservables, que capten la dinámica común de las series horarias de precios. EJEMPLO: En el caso de que se extraigan 2 factores comunes y 1, t ω 1, 1 ω 1, 2 ε 1, t y 2, t ω 2, 1 ω 2, 2 ε 2, t f 1, t = + f 2, t y 24, t ω 24, 1 ω 24,2 ε 24, t Parte Común (Ωf t ) Parte Específica (ε t )
42 5. Modelos de predicción a largo plazo La primera de las ecuaciones del modelo es la descomposición del vector de series horarias y t en parte común y específica tal y como se ha explicado: y = Ω f + ε t t t Además, hay que modelar la dinámica de los factores comunes y de los específicos. La ventaja de la reducción de la dimensión efectuada es que el modelo multivariante para la dinámica de los factores comunes es ahora de dimensión 2, en lugar de Φ 1, 1, 1 Φ 1, 1, 2 7 φ 1, 1, 1 φ 1, 1, 2 f1, t c u 1 1, t I B I B I B = + 1, 2, 1 1, 2, 2 φ 1, 2, 1 φ 1, 2, 2 f 2, t c u Φ Φ 2 2, t
43 5. Modelos de predicción a largo plazo Además, el término factor específico implica que para la dinámica de la especificidad se pueden utilizar modelos univariantes, es una condición que se impone en la estimación del modelo. La especificidad capta el comportamiento particular de cada serie horaria al margen de la comunalidad que se extrae con los distintos factores comunes. ε ε... ε ε ε... ε ε ε... ε 1, t 2, t 24, t 1, t + 1 2, t , t + 1 1, T 2, T 24, T Modelo h1 Modelo h2 Modelo h24
44 5. Modelos de predicción a largo plazo La estimación del modelo se lleva a cabo utilizando la formulación en el espacio de estados, utilizando el filtro de Kalman y el algoritmo EM. La formulación de este modelo en el espacio de estados es la formulación natural del mismo: una ecuación que relaciona variables observadas con inobservadas, y otra en la que se expresa la evolución dinámica de las variables inobservadas.
45 5. Modelos de predicción a largo plazo Resultado de la estimación. Pesos de los factores comunes. Relación con la curva de demanda.
46 5. Modelos de predicción a largo plazo Resultado de la estimación. Factores comunes
47 5. Modelos de predicción a largo plazo Resultado de la estimación. Factores comunes y series originales.
48 5. Modelos de predicción a largo plazo Una vez estimado el modelo éste se utiliza para predecir. Además de los factores comunes inobservables y los pesos, obtenemos los parámetros que rigen la dinámica común de los factores comunes. f$ = c$ + Φ f$ $ 1 + u t t t Además estimamos los factores específicos y los modelos univariantes que siguen: y = Ω f$ t + $ ε t ε = y Ω f Estimar modelo AR para ε ε, ε... t t t t t T + 1 T + 2 Ecuaciones para predicción, a partir de lo anterior: f$ $ + 1 = + Φ $ T c f f$ = $ + Φ $ T c f + 2 T + 1 M f$ = c$ + Φ f$ T + h T + h 1 T y y M y T + 1 T + 2 T + h = Ω f$ + $ T ε T = Ω f$ + $ T ε T = Ω f$ + $ ε T + h T + h
49 5. Modelos de predicción a largo plazo Una vez estimado el modelo se utiliza para predecir. Hemos ido actualizando los datos, pues llevamos tiempo trabajando con el modelo, pero con los datos desde 1998 hasta 2003, el cálculo de para todo al año 2004 ya arrojaba buenos resultados. Fact. Estac Fact no estac Modelo mixto (2007) MAPE(%) MAPE(%) MAPE(%) ene feb mar abr may jun jul ago sep oct nov dic Año
50 5. Modelos de predicción a largo plazo Una vez estimado el modelo se utiliza para predecir. Datos actuales: Predicciones para todo al año 2008 a partir de los datos Modelo factorial estacional MAPE(%) ene feb mar abr may jun jul ago sep oct nov dic Año Relación con la magnitud de los errores en la predicción a un día, que era de 12.61%.
51 5. Modelos de predicción a largo plazo Una vez estimado el modelo se utiliza para predecir. 3ª semana de Febrero de 2004, a partir de los datos Horizonte de predicción un mes y medio. Error 16.38%.
52 Hay que destacar que el modelo factorial dinámico que se propone para la predicción a largo plazo funciona también para las predicciones a corto plazo. Se reestima el modelo factorial cada día, actualizando los valores de los parámetros y calculando las 24 predicciones horarias para el día siguiente. Para la tercera semana de febrero de 2004.
53 5. Modelos de predicción a largo plazo Una vez estimado el modelo se utiliza para predecir. 3ª semana de Mayo de 2008, a partir de los datos Horizonte de predicción casi 5 meses. Error 11.14%.
54 5. Modelos de predicción a largo plazo Una vez estimado el modelo se utiliza para predecir. 3ª semana de Noviembre de 2008, a partir de los datos Horizonte de predicción casi 11 meses. Error 14.68%.
55 5. Modelos de predicción a largo plazo Además de la estimación puntual de los parámetros del modelo hay que dar una medida de incertidumbre asociada a esa estimación puntual.
56 5. Modelos de predicción a largo plazo Además de la estimación puntual de los parámetros del modelo hay que dar una medida de incertidumbre asociada a esa estimación puntual. En lo que a predicción se refiere, además de dar predicciones puntuales de los precios resulta imprescindible dar intervalos de predicción.
57 5. Modelos de predicción a largo plazo Además de la estimación puntual de los parámetros del modelo hay que dar una medida de incertidumbre asociada a esa estimación puntual. En lo que a predicción se refiere, además de dar predicciones puntuales de los precios resulta imprescindible dar intervalos de predicción. Se han utilizado técnicas bootstrap (remuestreo) para hacer inferencia y construir intervalos de predicción. El bootstrap es similar a Monte Carlo, pero no se hacen suposiciones distribucionales y nos basamos en las funciones de distribución empíricas.
58 5. Modelos de predicción a largo plazo En cuanto a la estimación de los parámetros del modelo, permite obtener réplicas del mismo, ver si los parámetros son significativos y en caso de no serlo incluir estas restricciones al reestimar el modelo y disminuir el número de parámetros.
59 5. Modelos de predicción a largo plazo En cuanto a la predicción permite obtener no sólo predicciones puntuales sino también intervalos. Utilidad de los intervalos en la negociación de contratos.
60 6. Conclusiones CORTO PLAZO: Se propone un modelo mixto para la predicción de precios de la energía eléctrica a corto plazo. Es un modelo sencillo que obtiene muy buenos resultados, además el diseño del modelo se llevó a cabo para un periodo largo y representativo. Utilidad futura.
61 6. Conclusiones LARGO PLAZO: Tema poco abordado en la literatura. Predicciones a un año con errores de predicción 17.38%, para el caso de las predicciones más recientes, año 2008 utilizando datos Interpretación de los resultados de la estimación en relación con el comportamiento del mercado. Metodología nueva y técnicamente sofisticada pero buenos resultados en términos predictivos. Técnicas de remuestreo para obtener intervalos para los parámetros del modelo y para las predicciones, no sólo predicciones puntuales
62 7. Líneas de trabajo actuales 7.1. Modelo de componentes inobservables para la predicción de precios y volatilidades. Heterocedasticidad condicional en el modelo factorial (modelos ARCH, GARCH, en los ruidos del modelo, para captar la evolución temporal de media y varianza de forma simultánea.
63 7. Líneas de trabajo actuales 7.2. Influencia de la producción eólica en la predicción de precios. EJEMPLO: 26 de enero de La energía eólica que se casó, un 24.3% del total. Puesto que la energía eólica (junto con las demás de régimen especial) es la primera que se ha de casar, si hubiese sido mayor la curva de venta se desplazaría a la derecha, disminuyendo por tanto el precio marginal menor la curva de venta se desplazaría a la izquierda, aumentando por tanto el precio marginal
64 7. Líneas de trabajo actuales 7.2. Influencia de la producción eólica en la predicción de precios. Semana 19 al 25 de noviembre de Sin eólica: MAPE 5.75%. Con eólica MAPE 5.08%.
65 7. Líneas de trabajo actuales 7.2. Influencia de la producción eólica en la predicción de precios. Semana 19 al 25 de mayo de Sin eólica: MAPE 9.75%. Con eólica MAPE 8.52%.
66 7. Líneas de trabajo actuales 7.3. Estimación conjunta de factores comunes y específicos. Para disminuir los errores de predicción a corto plazo que se obtienen, se está desarrollando la estimación conjunta de la dinámica de los factores específicos junto con el resto de parámetros del modelo.
67 MODELOS DE PREDICCIÓN DE PRECIOS DE ENERGÍA ELÉCTRICA A CORTO Y LARGO PLAZO Carolina García-Martos (ETSII-UPM) María Jesús Sánchez (ETSII-UPM) Trabajo conjunto con los profesores Andrés M. Alonso (Universidad Carlos III de Madrid) y Julio Rodríguez (Universidad Autónoma de Madrid).
68 8. Current lines of research 8.2. Joint estimation of common and specific factors when specific ones follow autorregressive processes instead of being white noise. 8.2a) Non-stationary common factors and AR specific factors
69 8. Current lines of research 8.2. Joint estimation of common and specific factors when specific ones follow autorregressive processes instead of being white noise. 8.2b) Stationary common factors and AR specific factors Density function, parameter estimated for autorregresive specific factors
70 3. Descriptiva de los datos de precios
Año ene ene
Año 2014 2014 L M X J V S D L M X J V S D L M X J V S D L M X J V S D L M X J V S D L M 2014 ene 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 ene feb 1 2 3 4 5 6
Más detalles2017, año del Centenario de la Constitución Mexicana Índice Nacional de Precios al Consumidor 2017
FEB.2008 DIC.2016 122.5150 1.4042 FEB.2008 87.2480 MAR.2008 DIC.2016 122.5150 1.3941 MAR.2008 87.8803 ABR.2008 DIC.2016 122.5150 1.3909 ABR.2008 88.0803 MAY.2008 DIC.2016 122.5150 1.3925 MAY.2008 87.9852
Más detallesLatitud 7º -160º N -180º 170º 160º -10º 150º -150º 140º -140º -130º 130º -120º 120º JUN MAY- JUL 110º. 18h -110º. 17h 16h 15h 14h 13h ABR- AGO 100º
Latitud 7º -170º -160º N -180º 170º 160º -150º 150º -140º 140º -130º 130º -120º 120º -100º -110º 18h 17h 16h 15h 14h 13h 12h 11h 10h 9h 8h 7h 6h JUN MAY- JUL 110º ABR- AGO 100º O -90º 90º E 90º MAR - SEP
Más detallesI N D I C E D E P R E C I O S A L C O N S U M I D O R
BASE 1999 = 100 Ene 82 0,0000041116 + 11,9 Feb 82 0,0000043289 + 5,3 Mar 82 0,0000045330 + 4,7 Abr 82 0,0000047229 + 4,2 May 82 0,0000048674 + 3,1 Jun 82 0,0000052517 + 7,9 Jul 82 0,0000061056 + 16,3 Ago
Más detallesCALENDARIO LUNAR
CALENDARIO LUNAR 2001 2100 Datos obtenidos de National Aeronautics and Space Administration - NASA Datos en horario UTC 2001 Ene 2 22:31 Ene 9 20:24 t Ene 16 12:35 00h01m Ene 24 13:07 Feb 1 14:02 Feb 8
Más detallesSobre el Pronóstico del Precio de la Energía en Bolsa. Una comparación entre ARX-NN y procesos ARMAX
Sobre el Pronóstico del Precio de la Energía en Bolsa. Una comparación entre ARX-NN y procesos ARMAX Jorge Barrientos Marín Ph.D Elkin Tabares M.Sc. & Esteban Velilla M.Sc. Universidad de Antioquia & UNAULA
Más detallesINST.MPAL.DE ARTE Y CULTURA DE AHOME ESTADO DE SINALOA ESTADO DE FLUJOS DE EFECTIVO AL 31/ene/2013. Fecha de Impresión 13/may/13 Página: 1
ESTADO DE FLUJOS DE EFECTIVO AL 31/ene/2013 13/may/13 $485,474.95 $10,475.00 $475,000.00 -$0.05 APLICACION: $451,105.43 $332,312.69 $39,341.18 $77,701.56 $34,369.52 APLICACION: $16,060.00 $16,060.00 Flujos
Más detallesEconometría 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 detallesTomo I La Economía y las Finanzas Públicas
Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I Tomo I
Más detallesESTADISTISTICA MENSUAL DE REGISTRO CIVIL
ene-14 ESTADISTISTICA MENSUAL DE REGISTRO CIVIL feb-14 Actas de Nacimiento 5 445 Actas de Nacimiento 10 570 Actas de Matrimonio 39 Actas de Matrimonio 1 31 Actas de Defuncion 13 Actas de Defuncion 27 Registro
Más detallesEvaporación y ahorro por HeatSavr, agua a 28 ºC 100%
30 ºC Medias de temperatura y humedad del aire Evaporación y ahorro por HeatSavr, agua a 24 ºC 10 25 ºC 8 20 ºC 6 6 6 15 ºC 10 ºC 4 5 ºC Temperatura Humedad 0 ºC - Evaporación y ahorro por HeatSavr, agua
Más detallesConducción de la Política Monetaria en México
Conducción de la Política Monetaria en México Junio 1, 2010 Índice 2 I. Convergencia Gradual a un Esquema de Objetivos de Inflación! "# $ % " &'% ( ) 3 * 4 I. Convergencia Gradual a un Esquema de Objetivos
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 detallesDiplomado 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
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesAnálisis 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
Más detallesUruguay Abr-May-Jun 17 Evolución del Índice Contract en Pesos
Categoría: Estándar Básico Abril 13 11.032,57 100,00 - - May-Jun-Jul 13 12.359,15 112,02 12,02% 12,02 Ago-Sep-Oct 13 13.221,55 119,84 6,98% 19,84 Nov-Dic 13-Ene 14 13.683,45 124,03 3,49% 24,03 Feb-Mar-Abr
Más detallesDeterminantes de la Demanda de Especies Monetarias* US dólares en El Salvador
Determinantes de la Demanda de Especies Monetarias* US dólares en El Salvador *Demanda de dinero para este trabajo deberá entenderse como el retiro de efectivo que realizan los bancos comerciales en el
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesChile Abr-May-Jun 17 Evolución del Índice Contract en Pesos/UF
Evolución del Índice Contract en Pesos/UF Categoría: Estándar Básico Junio 2013 12,36 100,00 - - May-Jun-Jul 2013 12,29 99,43-0,57% -0,57 Ago-Sep-Oct 2013 12,67 102,51 3,09% 2,51 Nov-Dic 13-Ene 14 12,70
Más detallesLA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS La predicción de la demanda en evaluación de proyectos
Más detallesMÁSTER EN CONSERVACIÓN Y GESTIÓN DEL MEDIO NATURAL. Programación Académica (curso )
MÁSTER EN CONSERVACIÓN Y GESTIÓN DEL MEDIO NATURAL Programación Académica (curso 2017-2018) Horario: 16:00-20:30 1 23-oct 24-oct 25-oct 26-oct 27-oct INAUGURACIÓN 2370001 GESTIÓN DEL MEDIO NATURAL DESDE
Más detallesPROCEDIMIENTO OPERATIVO PROYECCIÓN DE LA DEMANDA
PROCEDIMIENTO OPERATIVO PROYECCIÓN DE LA DEMANDA 1. OBJETIVO Establecer un procedimiento de proyección de la demanda a ser utilizado por la Unidad Operativa para la programación de mediano plazo. 2. ANTECEDENTES
Más detallesANÁLISIS DE SERIES DE TIEMPO. Luis Ángel Patiño Jiménez Diego Fernando Silva Salcedo
ANÁLISIS DE SERIES DE TIEMPO Luis Ángel Patiño Jiménez Diego Fernando Silva Salcedo CONTENIDO INTRODUCCIÓN DEFINICIÓN APLICACIONES COMPONENTES ASPECTOS DE INTERÉS VENTAJAS Y DESVENTAJAS ANÁLISIS DEMANDA
Más detallesARTICULO 19 FRACCION XV
PRESTACIONES ECONOMICAS O EN ESPECIE ENTREGADAS A SINDICATOS CORRESPONDIENTE AL MES DE DICIEMBRE DE 2014 920.00 Becas 31-Dic-14 8,000.00 Ayuda para Anteojos 31-Dic-14 170,400.00 Capacitacion y Desarrollo
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 detallesDatos del tramo Tipología: Cobertura Portátil. Inicio: CV-912(Rafal) AP-7 (Enllaç Almoradí) PK: Calzada: Convencional
Situación Carretera: CV92 Tramo: Datos del tramo Tipología: Cobertura Portátil Inicio: CV92(Rafal) Final: AP7 (Enllaç Almoradí) PK: 3+4 Calzada: Convencional Datos Aforos 23 : 2.56 p: % Pesados: Peor Nivel
Más detallesÍNDICE. Motivación Revisión de la literatura Metodología Resultados Conclusiones
ÍNDICE Motivación Revisión de la literatura Metodología Resultados Conclusiones La crisis financiera actual MOTIVACIÓN Construir un indicador que mida la evolución de las condiciones financieras y crediticias
Más detallesCLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL
Universidad Nacional Agraria La Molina IA-406 Hidrología Aplicada CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL 1. Longitud necesaria de registro Diversos
Más detallesBBVA Bancomer Metodologías de Riesgo. Collection Score: Actualización Bayesiana. Jesús Luján Iván Solórzano Claudia Espinoza
make connections share ideas be inspired BBVA Bancomer Metodologías de Riesgo Collection Score: Actualización Bayesiana Jesús Luján Iván Solórzano Claudia Espinoza C o p y r i g h t 2 0 1 3, S A S I n
Más detallesObjetivos de la Calidad
Requerimiento de ISO 9001 Objetivos de la Calidad Tareas Metodología o Herramienta Objetivos de calidad.mmap - 09/02/2010 - Requerimiento de ISO 9001 Término OBJETIVO en la Norma 5.4.1 Objetivos de la
Más detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesLAS TENDENCIAS DE BÚSQUEDAS EN INTERNET COMO HERRAMIENTA PARA EL ANÁLISIS DEL TURISMO EXTERIOR DICIEMBRE DE 2016
LAS TENDENCIAS DE BÚSQUEDAS EN INTERNET COMO HERRAMIENTA PARA EL ANÁLISIS DEL TURISMO EXTERIOR DICIEMBRE DE 2016 OBJETIVO DEL TRABAJO Y PRINCIPALES RESULTADOS Mensajes principales La hipótesis de que el
Más detallesEstimación de variables no observables para la economía peruana
Estimación de variables no observables para la economía peruana XXX Encuentro de Investigación del BCRP Ismael Ignacio Mendoza Mogollón imendoza@mef.gob.pe Octubre 2012 XXX Encuentro de Economistas (Institute)
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 detallesDepartamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff Tema 5 Modelos de dos factores-tratamiento. Se continua trabajando
Más detallesFISCALÍA GENERAL DE JUSTICIA DEL ESTADO DE NUEVO LEÓN
FISCALÍA GENERAL DE JUSTICIA DEL ESTADO DE NUEVO LEÓN Período: Enero -- Septiembre 2018 Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Total Se ejerció Acción Penal 564 670 553 555 568 679 480 513 505
Más detallesDiseño de Experimentos Experimentos factoriales
Diseño de Experimentos Experimentos factoriales Dr. Héctor Escalona Definición El termino genérico de diseño factorial se aplica a aquellos experimentos donde se desea evaluar el efecto de 2 o mas factores
Más detallesCalendario de Evaluaciones del Servicio Profesional Docente 2016 (Síntesis)
Calendario de Evaluaciones del Servicio Profesional Docente 2016 (Síntesis) Evaluaciones 2016 Durante 2016 se llevarán a cabo los siguientes procesos de evaluación dentro del marco del Servicio Profesional
Más detallesEstadisticas Regionales de Empleo - Comercio por Mayor y por Menor Fuerza de Trabajo Ocupación Cesantía Participación
Estadisticas Regionales de Empleo - Comercio por Mayor y por Menor PerÍodo: Octubre - Diciembre Fuerza de Trabajo 1.- Fuerza de Trabajo Comercio por Mayor y por Menor por (Miles de Personas) 2.- Fuerza
Más detallesRELACIÓN DE INGRESO-EGRESO MENSUAL EN MATERIA FAMILIAR
CONCENTRADO GENERAL DE ASUNTOS PERIODO JUDICIAL 2006 EXPEDIENTES DIC-05 ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV PROMEDIO MENSUAL MATERIA FAMILIAR INGRESO 206 485 453 551 436 501 535 235 599 522 540
Más detallesProyección de la inflación en Chile: Una visión sectorial
Proyección de la inflación en Chile: Una visión sectorial Jorge Fornero & Alberto Naudon Banco Central de Chile XXXII Encuentro de Economistas BCRP Lima, Noviembre 4-5, 2014 Las opiniones vertidas en el
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesInstituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico
Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico M. En C. Eduardo Bustos Farías 1 Gestión de Demanda Clientes Internos y Externos Proactiva: Promociones, Políticas de Precio,
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesOtra herramienta indispensable cuando se analizan datos
10.4. Gráficas de datos económicos Otra herramienta indispensable cuando se analizan datos económicos, es el uso de gráficas. Una gráfica es una ilustración que muestra la relación que existe entre dos
Más detallesDescomposición Factorial de la In ación en Perú
Descomposición Factorial de la n ación en Perú Alberto Humala (BCRP) Gabriel Rodríguez (BCRP) XXV Encuentro de Economistas Banco Central de Reserva del Perú 26-28/11/2008 Humala-Rodríguez () n ación 26-28/11/2008
Más detallesEstimación y predicción de la velocidad del viento mediante funciones ortogonales empíricas y modelos de volatilidad estacional
Estimación y predicción de la velocidad del viento mediante funciones ortogonales empíricas y modelos de volatilidad estacional Sergio Baena Mirabete M. Pilar Muñoz Departamento de Estadística e Investigación
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 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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesREGISTRO DE ASISTENCIA A LAS SESIONES DE CABILDO POR PARTE DE LOS INTEGRANTES DEL REPUBLICANO AYUNTAMIENTO
INTEGRANTES DEL REPUBLICANO EXTRA 1-Nov-12 J EXTRA 1-Nov-12 J EXTRA 1-Nov-12 J EXTRA 1-Nov-12 J EXTRA 7-Nov-12 J 13-Nov-12 13-Nov-12 EXTRA 23-Nov-12 J EXTRA 24-Nov-12 J 27-Nov-12 13-Dic-12 J J J EXTRA
Más detallesTEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN
TEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN 1.1. Introducción 1.2. Conceptos fundamentales 1.3. Modelado y simulación de tiempo discreto 1.4. Modelado y simulación de eventos discretos 1.5. Pasos en
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesImpacto de Cambios en la Tasa de Referencia en el Rendimiento de los Bonos Soberanos Peruanos ( )
Impacto de Cambios en la Tasa de Referencia en el Rendimiento de los Bonos Soberanos Peruanos ( 2003-2006) Gerencia de Estabilidad Financiera Banco Central de Reserva del Perú Miriam Luna Baez Contenido
Más detallesDiseño Factorial. Introducción
Diseño Factorial Introducción n un experimento factorial se analizan todas las posibles combinaciones de los niveles de los factores en cada réplica del experimento. Por ejemplo, si el factor tiene a niveles
Más detalles% Cto. PIB real ESPAÑA Modelo de alta frecuencia CEPREDE. ene-07. ene-06. abr-06. abr-07. oct-05. oct-07. oct-06. jul-05. jul-07.
1//11 Abril 11 Un primer trimestre mejor de lo esperado Guillermo García La incorporación de las nuevas cifras de los indicadores refleja un importante repunte de la economía española durante el primer
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa Materia: Estadística I Maestro: Dr. Francisco Javier Tapia Moreno Semestre: 016-1 Hermosillo, Sonora. Febrero 3 de 016. Introducción
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesPrecios de Salida para el Fondo RCOMP-3 Junio 2016
Precios de Salida para el Fondo RCOMP-3 Junio 2016 A continuación le detallamos las tasas y precios de salida del Fondo Recompensa (RCOMP-3), el Fondo que, 1 jue 30-jun-16 1.00% 1.282104 1.00% 1.286853
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesModelo GARCH-MIDAS con Distribución Asimétrica de Laplace: comportamiento del tipo de cambio
Modelo GARCH-MIDAS con Distribución Asimétrica de Laplace: una aproximación al comportamiento del tipo de cambio Álvaro M. Zevallos azevallosb@pucp.edu.pe Área de Estudios Económicos - Banco de Crédito
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
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 detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesPrecios FOB cáscara o paddy
Precios FOB cáscara o paddy Precios FOB oficiales los que tendrán vigencia a partir del día hábil siguiente 10061092 Arroz cascara o paddy - Los demás. No parbolizado. Día Mes Año Desde/Hasta Precio (dls/tn)
Más detallescambio climático series de tiempo para investigación sobre Análisis estadístico de Víctor M. Guerrero Instituto Tecnológico Autónomo de México (ITAM)
Análisis estadístico de series de tiempo para investigación sobre cambio climático Víctor M. Guerrero Instituto Tecnológico Autónomo de México (ITAM) Red Nacional de Investigación Multidisciplinaria en
Más detallesLa influencia de la eólica en el mercado y en el Sistema
La influencia de la eólica en el mercado y en el Sistema Gestión de Energía Wind to Market www.w2m.es Tel. (+34) 914326421 Torre Picasso, Planta 22 Plaza Pablo Ruiz Picasso,1 28020 Madrid Contenido La
Más detallesValorización de Instrumentos Financieros cuando hay pocas transacciones. Experiencia de RiskAmerica en Chile
Valorización de Instrumentos Financieros cuando hay pocas transacciones Experiencia de RiskAmerica en Chile Investigación Universidad Mercado Transferencia RiskAmerica Investigación científica independiente
Más detallesTendencias y ciclos en las variables macroeconómicas
. Tendencias y ciclos en las variables macroeconómicas Rafael Doménech Temas de Análisis Macroeconómico. Tema 2 1/30 Introducción Necesitamos una estimación que permita extraer el comportamiento tendencial
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesSISTEMA DE INDICADORES CÍCLICOS Cifras al mes de enero de 2016
BOLETÍN DE PRENSA NÚM. 144/16 4 DE ABRIL DE 2016 AGUASCALIENTES, AGS. PÁGINA 1/5 SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de enero de 2016 El INEGI presenta los resultados del Sistema de Indicadores
Más detallesNOTAS DE ESTUDIOS DEL BCRP No de mayo de 2018
No. 31 3 de mayo de 2018 Informe de la Encuesta Mensual de Expectativas Macroeconómicas: Abril 2018 1 1. En la segunda quincena de abril se llevó a cabo la Encuesta Mensual de Expectativas Macroeconómicas
Más detallesInforme PRECIOS Y TRANSACCIONES Agosto Todos los derechos reservados para XM S.A.E.S.P.
Informe PRECIOS Y TRANSACCIONES Agosto 2017 Precios de oferta categorías de combustible Resumen conceptos liquidados en el MEM COP/kWh Precios mercados regulado y no regulado 450 400 350 300 250 200 150
Más detallesMemoria Presupuesto RCxB 2016
Memoria Presupuesto RCxB 2016 Página 1 Nota Leer esta memoria consultando la representación de las cifras en el estadillo del presupuesto 2016. INGRESOS Recogemos en los ingresos las partidas que suponen
Más detallesSe aplicaron de forma paralela diferentes modelos de pronósticos cuantitativos a la
CAPITULO V 5.1 RESULTADOS Se aplicaron de forma paralela diferentes modelos de pronósticos cuantitativos a la información disponible, esto es a la demanda del producto durante cinco años y medio, de enero
Más detallesAUTORIDAD PARA EL MANEJO SUSTENTABLE DE LA CUENCA Y DEL LAGO DE AMATITLAN
AUTORIDAD PARA EL MANEJO SUSTENTABLE DE LA CUENCA Y DEL LAGO DE AMATITLAN ANÁLISIS COMPARATIVO DE 12 CARACTERISTICAS FISICO-QUÍMICAS DEL AGUA DEL LAGO DE AMATITLAN EN EL PERÍODO 1969-2008. Marino Barrientos
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detalles#Cadem Electoral. Noviembre Semana 3
#Cadem Electoral Noviembre Semana 3 METODOLOGÍA DE ESTUDIO Técnica: Universo: Muestreo: Muestra semanal: Encuestas Telefónicas con Cati (fijos y celulares) y encuestas Cara a Cara en puntos de afluencia
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesEl cambio de signo llegará con el año nuevo
El cambio de signo llegará con el año nuevo NOVIEMBRE 213 Autor: Guillermo García Tras la revisión al alza realizada el mes pasado, los indicadores de corto plazo parecen ratificar el cambio de tendencia
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 detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detalles1 El Análisis de Varianza
1 El Análisis de Varianza Objetivo: Explicar (controlar las variaciones de una v.a. Y continua (numérica, mediante factores (variables cualitativas que definen categorías que controlamos (no aleatorios.
Más detallesEconomía del Trabajo II Curso 2010 Grupo: González Olivieri. PRÁCTICA N 2 Cálculo de variaciones en el Salario Real
PRÁCTICA N 2 Cálculo de variaciones en el Salario Real Ejercicio 1. De acuerdo a los datos que se presentan a continuación: MES IMS general IPC dic-08 106,35 266,69 ene-09 112,95 268,80 feb-09 113,59 268,08
Más detallesRemuestreo importancia y aplicaciones
Remuestreo importancia y aplicaciones Al usar índices de biodiversidad no es razonable suponer una distribución muestral conocida del estimador (índice de Shannon u otro) y por eso se recomienda utilizar
Más detallesAlgoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas.
Algoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas. Dr. Pedro Flores Pérez EMNO 2013 Orígen del problema Entradas Salidas
Más detallesInforme de Precios y Transacciones del Mercado Octubre de 2015 Versión Liquidación TXR. Todos los derechos reservados para XM S.A. E.S.P.
Informe de Precios y Transacciones del Mercado Octubre de 2015 Versión Liquidación TXR Precio de bolsa y contratos por tipo de mercado Pesos constantes de octubre de 2015 $/kwh (constantes ) Datos hasta
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesSECRETARÍA DE AGRICULTURA, GANADERÍA, DESARROLLO RURAL, PESCA Y ALIMENTACIÓN SERVICIO DE INFORMACIÓN AGROALIMENTARIA Y PESQUERA
ÉPOCA DE SIEMBRA DE SORGO GRANO MENSUAL MODALIDAD: RIEGO ESTADOS OCT NOV DIC ENE FEB MAR CHIAPAS 10.44 52.73 25.46 11.37 GUERRERO 1.63 23.15 12.43 62.79 JALISCO 1.77 1.23 97.00 MICHOACÁN 0.68 3.66 8.09
Más detallesSistema peninsular Operación del sistema
Gráficos y cuadros 5 Sistema peninsular Operación del sistema 52 Precio final en el mercado de producción 52 Mercado de producción. Precios finales y energía 53 Evolución de los precios mensuales en el
Más detalles% Cto. PIB real ESPAÑA Modelo de alta frecuencia CEPREDE. ene-06. ene-08. ene-07. abr-07. abr-06. jul-05. jul-06. jul-07. oct-05. oct-07.
31/1/212 Febrero 212 El papel del sector exterior Guillermo García Según poníamos ya de manifiesto el mes pasado, se espera una fuerte corrección del crecimiento español para el año 212 consecuencia, principalmente,
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 8) TEMA Nº 8 ESTIMACIÓN
OBJETIVOS DE APRENDIZAJE: TEMA Nº 8 ESTIMACIÓN Conocer las relaciones entre muestra, análisis estadístico descriptivo y análisis estadístico inferencial. Conocer los conceptos de muestra aleatoria y muestra
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 detallesSISTEMA DE INDICADORES CÍCLICOS Cifras al mes de enero de 2018
COMUNICADO DE PRENSA NÚM. 146/18 4 DE ABRIL DE 2018 PÁGINA 1/5 Próxima publicación: 3 de mayo SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de enero de 2018 El INEGI presenta los resultados del Sistema
Más detallesSISTEMA DE INDICADORES CÍCLICOS Cifras al mes de diciembre de 2016
BOLETÍN DE PRENSA NÚM. 113/17 2 DE MARZO DE 2017 AGUASCALIENTES, AGS. PÁGINA 1/5 SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de diciembre de 2016 El INEGI presenta los resultados del Sistema de Indicadores
Más detallesCOMPORTAMIENTO DE EMPLEO Y REMUNERACIONES Informe mensual de una muestra de Empresas Afiliadas
GERENCIA DE PLANIFICACIÓN Y CONTROL DE GESTIÓN ASOCIACIÓN CHILENA DE SEGURIDAD COMPORTAMIENTO DE EMPLEO Y REMUNERACIONES Informe mensual de una muestra de Empresas Afiliadas SEPTIEMBRE 2011 SEPTIEMBRE
Más detalles