Apuntes de Series Temporales
|
|
- Emilio Aranda Reyes
- hace 5 años
- Vistas:
Transcripción
1 Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 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, ) Se trata de un caso particular del modelo AR(p) con un solo retraso (p = ). Afirmamos sin demostración que la condición que se debe pedir para que la serie temporal sea estacionaria es ϕ <. (aunque se ve claramente a partir de la solución explícita para el AR() considerado como una ecuación de diferencias de primer orden que derivamos la semana anterior: Si ϕ fuera mayor que, el término que depende de las condiciones iniciales en la solución, ϕ t X 0, crecería sin límite con t). En caso de que ϕ = tenemos un browniano aritmético, que como ya vimos, no es estacionario (el proceso con ϕ = tiene media cero y varianza que crece lienealemnte con el tiempo como σ 2 t). Suponiendo ϕ < y por tanto, X t estacionario calculamos E[X t ] = ϕe[x t ] + 0 σe[ϵ t ] = ϕe[x t ] donde hemos usado en particular que la media es independiente de t. Siendo ϕ, la única posibilidad de que se cumpla la igualdad es E[X t ] = 0 Para la varianza se procede de forma similar. Como la media del proceso es 0, la varianza se puede calcular directamente como E[X 2 t ]. Calculamos pues X 2 t directamente, utilizando la ecuación que define el proceso temporal X 2 t = (ϕx t + σϵ t ) 2 = ϕ 2 X 2 t + σ 2 ϵ 2 t + 2σϕX t ϵ t y aplicamos el operador que permite el cálculo del valor esperado (E[ ], operador lineal) V ar(x t ) = E[X 2 t ] (a) = ϕ 2 E[X 2 t ] + 2σϕE[X t ϵ t ] + σ 2 E[ϵ 2 t ] (b) = ϕ 2 V ar(x t ) + 2σϕE[X t ]E[ϵ t ] + σ 2 E[ϵ 2 t ] (c) = ϕ 2 V ar(x t ) + σ 2
2 En (a) se ha aplicado linealidad dela esperanza, en (b) la independencia entre X t y ϵ t, y en (c) se han sustituido los valores conocidos para el ruido blanco gaussiano E[ϵ t ] = 0 y E[ϵ 2 t ] =. Ahora podemos despejar la varianza obteniendo V ar(x t ) = σ2 ϕ 2 Por último, calculamos la función de covarianzas γ. En este caso tenemos Cov(X s, X t ) = E[(X s E[X s ])(X t E[X t ])] = E[X s X t ] s, t por ser 0 la media. Se nos ocurre pues multiplicar ambos lados de la serie por X t+τ, con τ > 0 y tomar esperanzas γ(τ) = E[X t X t+τ ] = E[ϕX t X t+τ + σϵ t X t+τ ] = ϕe[x t X t+τ ] + σe[ϵ t X t+τ ] =... Problema... Si τ es positivo hay dependencia entre las variables ϵ t y X t+τ y no puedo separar esperanzas en σe[ϵ t X t+τ ]. Necesitaría tener ϵ t y X t τ (que sí son independientes) para que el valor esperado del producto de estas cantidades se pueda calcular como producto de valores esperados. Esto no supone un problema ya que γ(t + τ, t) = γ( t, t τ), y al ser la serie estacionaria γ es independiente de t. Vamos a probar de nuevo... γ(τ) = E[X t X t τ ] = E[ϕX t X t τ + σϵ t X t τ ] = ϕe[x t X t τ ] + σe[ϵ t X t τ ] = ϕe[x t X t τ ] + σ E[ϵ t ]E[X t τ ] = ϕγ(τ ) =... = ϕ τ γ(0) Dado que ϵ t y X t τ con τ > 0 son independientes, el valor esperado de su producto factoriza como producto de valores esperados E[ϵ t X t τ ] = E[ϵ t ]E[X t τ ]. Sólo queda observar que γ(τ) = γ( τ) y que γ(0) = V ar(x t ) para concluir γ(τ) = σ2 ϕ 2 ϕ τ ρ(τ) = γ(τ)/γ(0) = ϕ τ La evolución de la autocorrelación podemos representarla mediante un diagrama de autocorrelaciones, como el que aparece en la figura. Podemos ponerla en forma de decaimiento exponiencial para calcular el tiempo de vida medio de la serie. 2
3 φ 5 φ φ φ 2 ρ(τ) 0.6 φ φ φ 7 φ 8 φ 9 φ 0 φ φ 2 φ 3 φ 4 φ τ Figura : Diagrama de autocorrelación para la serie X t = 0,85X t + σϵ t. ϕ τ = e τ log ϕ e τ/τ m = τ m = log ϕ Observar que si se tuviera ϕ = el tiempo de vida sería infinito ya que la serie no converge. Modelo AR() generalizado Ahora consideramos X t = ϕ 0 + ϕ X t + σϵ t, ϵ t N (0, ) Usando, como antes, que el proceso es estacionario (E[X t ] = E[X t ]) obtenemos E[X t ] = ϕ 0 + ϕ E[X t ] ( ϕ )E[X t ] = ϕ 0 E[X t ] = ϕ 0 ϕ Para la varianza usamos el hecho de que X t E[X t ] = (ϕ 0 +ϕ X t +σϵ t ) (ϕ 0 +ϕ E[X t ]) = ϕ (X t E[X t ])+σϵ t con lo que la variable X t E[X t ] sigue el proceso anterior y se tiene σ2 V ar(x t ) = E[(X t E[X t ]) 2 ] = ϕ 3
4 Otros Modelos En el cuadro se describen algunos modelos más complicados. En todos los casos ϵ t N (0, ). AR(2) Auto X t = ϕ 0 + ϕ X t ϕ 2 X t 2 + σϵ t Regressive 2 retrasos MA(2) Moving X t = θ 0 + θ ϵ t + θ 2 ϵ t 2 + σϵ t Average 2 retrasos ARMA(,2) AR() X t = ϕ 0 + ϕ X t + MA(2) θ ϵ t + θ 2 ϵ t 2 + σϵ t AR() AR() X t = ϕ 0 + ϕ X t + h t ϵ t + Autoregressive u t = h t ϵ t ARCH(2) Conditional h t = κ + α u 2 t + α 2 u 2 t 2 Heteroskedasticity u t innovación, h t volatilidad 2 retrasos ARMA(,) ARMA(,) X t = ϕ 0 + ϕ X t θ ϵ t + h t ϵ t + Generalized u t = h t ϵ t GARCH(,2) ARCH(,2) h t = κ + α u 2 t + β h t + β 2 h t 2 AR() + GARCH(,) Buen modelo para el IBEX35 Cuadro : Otros modelos 2. Estimación de Modelos Hasta ahora, me han dado un modelo, por ejemplo AR(), y he extraído propiedades de él. Ahora cambiamos el enfoque. Lo que se nos da ahora es una conjunto de datos empíricos de la serie temporal. Por ejemplo, X, X 2,..., X T que siguen AR() y me interesa estimar los parámetros de la serie ˆσ, ˆϕ 0, ˆϕ. Vamos a ver varios modos posibles para estimar estos parámetros 4
5 Método de Momentos El método de momentos consiste en la estimación de parámetros del modelo igualando momentos muestrales con momentos teóricos, y resolviendo las ecuaciones resultantes para las variables que se quieran estimar. Para obtener estimadores no sesgados (que converjan al valor real cuando crece el tamaño de la muestra) necesito modelos ergódicos, como es el caso. Ejemplos: E[X t ] X = T V ar(x t ) t= X t (X t X t ) 2 = T T T (X t X t ) 2 t= (X t X t ) 2 ˆσ = ˆϕ 2 t= ρ() = γ() = ϕ (X t X t ) 2 = T (X t X t )(X t X t ) Nótese que en la última ecuación se ha utilizado /T en lugar de /(T ) en el estimador para la autocovarianza. En general la diferencia para valores grandes de T es despreciable, y este estimador tiene la ventaja de que origina una matriz de autocovarianzas definida positiva. Además, merece la pena señalar que aunque el modelo sea ergódico (es decir, aunque el promedio sobre la distribución estacionaria del proceso se pueda estimar a partir de un promedio en el tiempo), las estimaciones de la autocovarianza γ(τ) a partir de la muestra empírica sólo serán buenas si τ T. Una última observación explica que aparezcan bandas de confianza en los correlogramas, como los que aparecen en la figura 2. Representan la incertidumbre por tener un número finito de observaciones. Se obtienen considerando la propia estimación de la autocorrelación como una variable aleatoria, que para un número grande de muestras tenderá a una distribución normal (Teorema del Límite Central). Una vez observado esto, se fija un grado (porcentaje de confianza) y se calculan el tamaño de la franja para que la probabilidad de caer en ella sea la elegida. Método de Mínimos Cuadrados Dada una muestra {(x n, y n )} N, quiero obtener una recta y = ax+b de modo que minimize t=2 N (y i ax i b) 2 i= Las soluciones a este problema son â = Ĉov(x, y) V ar(x) ˆb = y â x 5
6 Figura 2: Función de autocorrelación muestral de n=200 observaciones de un proceso MA(). Tomado de Introduction to Time Series and Forecasting, de Brockwell & Davis. La motivación de aplicar este método se ve cláramente en la forma del modelo. Los datos de muestra que se nos proporcionan tendrán un cierto error σϵ n, ϵ n N (0, ). Pero este es justo el modelo AR(), tomando ϕ 0 = b y ϕ = a. Es por ello que el modelo se llama Autoregresivo, por que se aproxima por regresión sobre la propia serie. Método de Máxima Verosimilitud En general se utiliza el Método de Máxima Verosimilitud. La función de verosimilitud se define, fijadas las muestras X,..., X T, como la pdf de (X,..., X T ) como función de los parámetros ϕ 0, ϕ, σ (nótese que los parámetros dependen del modelo, en este caso AR()). L(ϕ 0, ϕ, σ; {X t } T t=) = p(x,..., X T ; ϕ 0, ϕ, σ) Por la forma del modelo AR(), podemos hacer una hipótesis de independencia condicionada, y se tiene L(ϕ 0, ϕ, σ; {X t } T t=) = T p(x t X t ; ϕ 0, ϕ, σ) Los estimadores de máxima verosimilitud son aquellos que maximizan la función de verosimilitud, es decir, t=2 (ϕ 0, ϕ, σ ) = argmax L(ϕ 0, ϕ, σ; {X t } T t=) ϕ 0,ϕ,σ Sin embargo, estos productos son difíciles de tratar computacionalmente ya que sus valores se disparan. No obstante, si tomamos logaritmos, los productos se van a transformar en sumas, más manejables. Además, el logaritmo es una transformación monótona creciente y que por tanto conserva el máximo con 6
7 lo que no influye en nuestro cálculo. La función transformada que se busca optimizar recibe el nombre de Log-Verosimilitud. LL(ϕ 0, ϕ, σ) = log(l(ϕ 0, ϕ, σ; {X t } T t=) = log ( p(x t X t ; ϕ 0, ϕ, σ) ) Se puede verificar que la maximización de la verosimilitud en un modelo lineal como el AR() haciendo la hipótesis de que las innovaciones son gaussianas conduce a la misma estimación para los parámetros del modelo que mínimos cuadrados. t=2 7
Análisis 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 detallesProcesos 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
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 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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
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 detallesProcesos 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
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 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 detallesSeries de tiempo. Miguel Ángel Chong R. 19 de marzo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 19 de marzo del 2013 Promedios moviles Definición Diremos que {X t } t2t es un proceso de media movil de orden q, y lo denotaremos como MA(q),
Más detallesRegresión 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
Más detallesPart 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).
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesNota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como
Nota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como complemento a los apuntes de una asignatura del Departamento
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 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 detallesModelos ARCH y GARCH
Modelos y Roberto Cruz Oropesa Francisco Javier Rivera Miguel Ángel Sánchez Adán Uribe Bravo Diciembre 9, 2013 Series de Tiempo y Series Finacieras Series Financieras Hechos estilizados. Sea p t el precio
Más detallesSeries de tiempo. Miguel Ángel Chong R. 2 de abril del 2013
Estadística Miguel Ángel Chong R miguel@sigmaiimasunammx de abril del 03 Autorregresivos Diremos que un proceso {X t } tt es un autorregresivo de orden p, y lo denotaremos como AR(p), si para p unenteroy,,
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 detallesPredicción. Capítulo Predictores lineales
Capítulo 6 Predicción 6.1. Predictores lineales Consideramos ahora el problema de predecir los valores X n+h, h > 0 de una serie de tiempo estacionaria con media µ función de autocovarianza γ conocidas,
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más 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 detallesÁlgebra Lineal. Tema 12. Mínimos cuadrados II. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 2 Mínimos cuadrados II Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J S ALAS, A T ORRENTE Y EJS V ILLASEÑOR Índice general
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más 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 detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesConceptos básicos sobre Series de Tiempo
Conceptos básicos sobre Series de Tiempo Jorge Hans Alayo Gamarra 27 de junio de 2014 En el presente reporte se presentan los conceptos básicos sobre series de tiempo. 1. Enfoque para modelar series de
Más detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
Más 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 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 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 detallesTópicos en Series de Tiempo
Tópicos en Series de Tiempo Autor: Grisel M. Britos Directora: Dra. Silvia María Ojeda Córdoba, Diciembre de 2012 Agradecimientos A mi familia por la paciencia, la comprensión y tanto que me han dado
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 detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más 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 detallesForma alternativa del cálculo de momentos:
Forma alternativa del cálculo de momentos: Series Temporales: sesión 4 03//009) Autor: Ángela Fernández Pascual Considerando X 0, ), sabemos que sus momentos toman los valores: Podemos definir: EX k+ )
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesMacroeconometría ( ) Examen final
Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay
Más detallesIntroducción. Distribución Gaussiana. Procesos Gaussianos. Eduardo Morales INAOE (INAOE) 1 / 47
Eduardo Morales INAOE (INAOE) 1 / 47 Contenido 1 2 3 (INAOE) 2 / 47 Normalmente, en los algoritmos de aprendizaje que hemos visto, dado un conjunto de ejemplos de entrenamiento se busca encontrar el mejor
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más 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 detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
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 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 detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesINGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98
INGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98 TEORÍA (1.5 puntos) Cuestión 1. Sean A y B dos sucesos tales que P (A) = 1/3, P (B) = 1/5 y P (A B) + P (B A) = 2/3. Calcular P (A B). Cuestión
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
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 detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesMatemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesCálculos de Poder. Pablo Lavado Universidad del Pacífico
Cálculos de Poder Pablo Lavado Universidad del Pacífico Qué es poder estadístico? Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesLADE y DER-LADE. Primer evaluación parcial
ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más 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 detallesSeries de tiempo I. Procesos univariados y estacionarios. Gabriel Montes-Rojas. Series temporales estacionarias Estacionariedad Predicción
Ruido blanco Procesos univariados y estacionarios Gabriel V. Montes-Rojas Ruido blanco La estructura de las series temporales Series temporales Información para diferentes periodos indexados por el tiempo
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesEvAU 2018 Propuesta A
} EvAU 018 Propuesta A Castilla-La Mancha } Ejercicio 1. a) Enuncia el teorema de Bolzano y justifica razonadamente que la gráfica de la función fx) = x 15 + x + 1 corta al eje OX al menos una vez en el
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
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 detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesPOTENCIA DE UN PROCESO ALEATORIO. Análisis Espectral 1 / 30
POTENCIA DE UN PROCESO ALEATORIO Análisis Espectral 1 / 30 POTENCIA DE UN PROCESO ALEATORIO Recordemos: Para señales determinísticas.... la potencia instantánea es Para una señal aleatoria, es una VA para
Más detallesSistemas de comunicación
Sistemas de comunicación Práctico Repaso de procesos estocásticos Cada ejercicio comienza con un símbolo el cuál indica su dificultad de acuerdo a la siguiente escala: básica, media, avanzada, y difícil.
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 detallesModelos ARMA. Francisco J. González Serrano. Universidad Carlos III de Madrid
PREDICCIÓN DE SEÑALES Modelos ARMA Francisco J. González Serrano Universidad Carlos III de Madrid Modelos ARMA En este capítulo nos centramos en la familia de los procesos estacionarios ARMA (AutoRegressive
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesARCH 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
Más detallesMacroeconometría (Primavera 2005) Examen de prueba
Macroeconometría (Primavera 2005) Examen de prueba Nikolas Müller-Plantenberg * 26 de mayo de 2005 Nombre: Apellido: NIF (sólo examen final): Instrucciones Por favor, no leer las preguntas antes de que
Más detallesAnálisis 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
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesClase 10 Diseño Óptimo Variables de Estado.doc 1
. Diseño Óptimo en Variables de Estado. Diseño Óptimo en Variables de Estado.. Planteo del Problema... Criterio 3.. Regulador Lineal Óptimo (LQC) 5.3. Ecuación de Ricatti 9.4. Valor Medio de una Forma
Más detallesMétodo de mínimo cuadrados (continuación)
Clase No. 10: Método de mínimo cuadrados (continuación) MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
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 detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detalles