Econometría de series de tiempo aplicada a macroeconomía y finanzas
|
|
- Julio Robles Jiménez
- hace 8 años
- Vistas:
Transcripción
1 Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Univariadas) Carlos Capistrán Carmona ITAM
2 Serie de tiempo Una serie de tiempo es una sequencia de valores usualmente registrados en intervalos de tiempo equidistantes. x t t = 1, 2,..., T. Ejemplos: Número de nacimientos por año en México. Producción semanal de autos en VW México. Precios diarios del cierre de alguna acción (e.g., TELMEX). Producción industrial mensual en México. Inflación mensual en México.
3 Serie de tiempo Ejemplo: Inflación anual en México Inflación Histórica Cambio % en Deflactor del PIB Años
4 Procesos estocásticos base Proceso iid (iid) ε t es un proceso independiente e idénticamente distribuido (iid) si: ε t, ε s son independientes pero tienen la misma distribución. Ejemplo: x t = ε t, ε t N(0, 1), t = 1,..., 100.
5 Proceso iid Ejemplo: x t = ε t, ε t N(0, 1), t = 1,..., x
6 Procesos estocásticos base Martingala en diferencias (md) La secuencia M es llamada una martingala si: E [ M t M t j, j = 1, 2,..., t ] = M t 1. Una Martingala en diferencias se define como: x t = M t M t 1. Propiedades: E [ x t M t j, j 1 ] = 0, cov (x t, x t k ) = E [ x t x t k M t j, j 1 ] = 0. Nótese que no es independiente, ya que para eso se necesita: E [ (g(ξ t E [g (ξ t )]) h(ξ t j ) ] = 0.
7 Procesos estocásticos base Ruido Blanco ε t es un proceso de ruido blanco si: corr (ε t, ε s ) = 0 t = s E [ε t ] es constante para todo t (usualmente 0). Un proceso de ruido blanco básicamente no tiene estructura temporal (lineal). Las principales propiedades de una serie de ruido blanco con media cero son: No hay correlación entre términos Valores pasados no ayudan a pronosticar valores futuros Si se utiliza un criterio de mínimos cuadrados, se puede mostrar que el mejor pronóstico de todos los valores futuros de un proceso de ruido blanco es simplemente la media de la serie. Nótese que: ruido blanco Martingala en diferencias iid.
8 Estacionariedad y ergodicidad Primeros dos momentos de una serie de tiempo: E (x t ) = µ t, cov(x t, x s ) = λ t,s. Cómo se estiman si en cada momento del tiempo sólo tenemos una realización de cada variable aleatoria? Inflación Histórica Cambio % en Deflactor del PIB
9 Estacionariedad y ergodicidad Estacionariedad Se dice que un proceso estocástico x t es estacionario de segundo orden (o estacionario en covarianzas ) si sus primeros dos momentos no dependen del tiempo: E [x t ] = µ, Var [x t ] = σ 2, Cov [x t, x t τ ] = λ τ. Nótese que la covarianzas sólo dependen de la distancia y no del tiempo. Se dice que un proceso estocástico x t es estacionario en sentido estricto si la distribución conjunta de (x t,..., x t k ) es independiente de t para todo k (extremadamente difícil de probar).
10 Estacionariedad y ergodicidad Ergodicidad La ergodicidad requiere que valores del proceso suficientemente separados en el tiempo casi no estén correlacionados. Una definición, aunque no muy estricta, es: una serie de tiempo estacionaria es ergódica si cov [x t, x t τ ] 0 cuando τ. La ergodicidad permite que al promediar una serie en el tiempo, uno este continuamente añadiendo información nueva y relevante al promedio. Desafortunadamente no es posible probar ergodicidad, simplemente se asume.
11 Estacionariedad y ergodicidad Si una serie de tiempo cumple con los supuestos de estacionariedad y ergodicidad, entonces es posible formar buenos estimadores de las cantidades de interés promediando a través del tiempo. Un estimador consistente de la media es la media muestral: µ = 1 T T x t. t=1 Un estimador consistente de la autocovarianza es la autocovarianza muestral: λ τ = 1 T T (x t µ) (x t τ µ). t=1 Un estimador consistente de la autocorrelación es la autocorrelación muestral: ρ τ = λ τ λ 0.
12 Operadores y filtros Operador rezago: Operador diferencia: j x t = L j x t = x t j. ( 1 L j) x t = x t x t j. Un filtro cambia las propiedades dinámicas de una serie de tiempo.
13 Operadores y filtros Ejemplos Ejemplos de filtros: x t = y t + 3y t 1 + 2y t 2, = (1 + 3L + 2L 2 )y t. x t = y t y t 1, x t = (1 L)y t. Un ejemplo de la aplicación del operador rezago: x t = ax t 1 + ε t, (1 al)x t = ε t, x t = ε t (1 al), si a < 1 entonces : x t = j=0 a j L j ε t = j=0 a j ε t j.
14 Modelos Autorregresivos (AR) AR(p) Autorregresivo de orden p, AR(p): x t = p φ j x t j + ε t, j=1 ε t : ruido blanco, E [ε t ] = µ, var (ε t ) = σ 2 también puede escribirse como: φ p (L) x t = ε t, donde φ p (L) = 1 p j=1 φ j L j.
15 Modelos Autorregresivos (AR) Condición de estacionariedad La condición para que un AR(p) sea estacionario es que las raíces de la ecuación característica 1 φ 1 z φ 2 z 2... ı φ p z p = 0, estén fuera del círculo unitario (i.e. que el inverso de las raíces estén dentro del círculo unitario, que es lo que usa Eviews). Lo que esta condición garantiza es que el proceso pueda escribirse como φ p (L) x t = ε t, x t = φ p (L) 1 ε t, con φ p (L) 1 convergiendo a cero, lo que implica que las autocorrelaciones decaerán conforme aumenta la longitud del rezago.
16 Modelos Autorregresivos (AR) AR(1) Algunos aspectos importantes de un AR(1): x t = φx t 1 + ε t empieza en t = 0, x t = t φ j ε t j + x 0 φ t. j=0 asumiendo que x 0 = 0, entonces: { [ ] t 1 φ t+1 E(x t ) = µ φ j µ = 1 φ si φ = 1 µ (t + 1) si φ = 1 j=0 [ var (x t ) = E (x t E (x t )) 2] = E { = σ 2 t φ 2j = j=0 σ 2 [ 1 φ 2(t+1) ( t φ j ( ε t j µ )) 2 j=0 1 φ 2 ] si φ = 1 σ 2 (t + 1) si φ = 1
17 Modelos Autorregresivos (AR) AR(1) Un modelo AR(1): x t = φx t 1 + ε t es estacionario si φ < 1. Porqué? En este caso, la media y la varianza están dadas por: E(x t ) = var(x t ) = µ 1 φ σ 2 1 φ 2
18 Modelos Autorregresivos (AR) AR(1) La autocovarianza entre x t y x t 1 está dada por: cov(x t, x t 1 ) = E [(x t E [x t ]) (x t 1 E [x t 1 ])] = E [x t x t 1 ] = E [(φx t 1 + ε t ) x t 1 ] = φe [ x 2 t 1] + E [εt x t 1 ] = φe [ x 2 ] t 1 = φvar(x t 1 ). El segundo término desaparece porque x t = t j=0 φj ε t 1 j y por lo [ ] [ ] tanto E ε t t 1 j=0 φj ε t 1 j = E t 1 j=0 φj ε t ε t 1 j = 0. Por lo tanto la autocorrelación está dada por: ρ 1 = corr(x t, x t 1 ) = cov(x t, x t 1 ) var(x t ) = φvar(x t 1) var(x t ) si var(x t ) = var(x t 1 ) que ocurre cuando φ < 1. En general, la función de autocorrelación está dada por: ρ k = corr(x t, x t k ) = φ k. = φ,
19 Modelos Autorregresivos (AR) Ejemplo: x t = 0.9x t 1 + ε t, con x 0 = 0, ε t N(0, 1), t = 1,..., x; AR(1), phi =
20 Modelos Autorregresivos (AR) Correlograma y correlograma parcial ACF for x; AR(1), phi = /T^ lag PACF for x; AR(1), phi = /T^ lag
21 Promedios Móviles (MA) MA(q) Promedio móvil de orden q, MA(q): x t = también puede escribirse como: q θ j ε t j θ 0 = 1. j=0 x t = θ q (L)ε t, donde θ q (L) = 1 + q j=1 θ j L j.
22 Promedios Móviles (MA) MA(1) Algunos aspectos de un MA(1) : de donde se obtiene: x t = ε t + θ 1 ε t 1, E [x t ] = 0, var(x t ) = E [(x t E [x t ]) 2] = E [(x t ) 2] = E [(ε t + θ 1 ε t 1 ) 2] = E [ ε 2 t + θ 1 ε t ε t 1 + θ1 2 ] ε2 t 1 = ( 1 + θ 2 1) σ 2.
23 Promedios Móviles (MA) MA(1) La autocovarianza de primer orden está dada por: cov(x t, x t 1 ) = E [(x t E [x t ]) (x t 1 E [x t 1 ])] = E [x t x t 1 ] = E [(ε t + θ 1 ε t 1 ) (ε t 1 + θ 1 ε t 2 )] = E [ ε t ε t 1 + θ 1 ε t ε t 2 + θ 1 ε 2 t 1 + θ2 1 ε ] t 1ε t 2 = E [ θ 1 ε 2 ] t 1 = θ 1 σ 2. Por lo que la autocorrelación de primer orden es: corr(x t, x t 1 ) = cov(x t, x t 1 ) θ = 1 σ ( 2 ) var(x t ) 1 + θ 2 = θ ( 1 ). 1 σ θ 2 1 nótese que es posible estimar ρ 1 = corr(x t, x t 1 ), pero entonces obtendríamos dos estimadores de θ 1, uno siempre dentro de la region [ 1, 1], el otro siempre fuera de esa region.
24 Promedios Móviles (MA) MA(1) La autocovarianza de segundo orden es: cov(x t, x t 2 ) = E [x t x t 2 ] = E [(ε t + θ 1 ε t 1 ) (ε t 2 + θ 1 ε t 3 )] = E [ ε t ε t 2 + θ 1 ε t ε t 3 + θ 1 ε t 1 ε t 2 + θ 2 1 ε t 1ε t 3 ] = 0. de donde se observa que todas las autocovarianzas (y por lo tanto autocorrelaciones) mayores a q (el orden del MA) son cero. Los procesos MA siempre son estacionarios.
25 Promedios Móviles (MA) Ejemplo: x t = ε t + 0.9ε t 1, con ε t N(0, 1), t = 1,..., x; MA(1), theta =
26 Promedios Móviles (MA) Correlograma y correlagrama parcial ACF for x; MA(1), theta = /T^ lag PACF for x; MA(1), theta = /T^ lag
27 Modelos Autorregresivos y de Promedios Móviles (ARMA) Proceso autorregresivo y de promedios móviles de orden p,q, ARMA(p, q): φ p (L)x t = θ q (L)ε t. Un ejemplo es el proceso ARMA(1, 1): x t = φx t 1 + ε t + θ 1 ε t 1.
28 Modelos Autorregresivos y de Promedios Móviles (ARMA) Los procesos mixtos pueden generarse agregando otros modelos. Por ejemplo: x t AR(m), y t AR(n), x t y t φ 1 (L)x t = ε t φ 2 (L)y t = η t ε t η t, con media cero z t = x t + y t = ε t φ 1 (L) + η t φ 2 (L) = 1 φ 1 (L)φ 2 (L) [φ 2(L)ε t + φ 1 (L)η t ] φ 1 (L)φ 2 (L)z t = [φ 2 (L)ε t + φ 1 (L)η t ] z t ARMA(m + n, r), r = máx(m, n).
29 Metodología de Selección de Modelos Box-Jenkins Los procesos ARMA tienen firmas (ACF y PACF) que permiten identificarlos, sin embargo dichas firmas son demasiado parecidas o complejas, lo cual dificulta la selección de la especificación. Box y Jenkins propusieron una técnica estadística para la selección de un modelo ARMA que se ajuste a los datos, la cual consiste de las siguientes etapas 1 Identificación 2 Estimación 3 Diagnóstico 4 Pronóstico
30 Metodología Box-Jenkins (Identificación) Selección del orden de un ARMA(p,q) Para seleccionar el orden del proceso, es decir, p y q, se utilizan los llamados criterios de información. Los dos más populares son el Akaike (1974) y el Bayesiano de Schwarz (1978): ( ) AIC = ln ˆσ p,q 2 ( BIC = ln ˆσ p,q 2 2(p + q) +, T ) + (p + q) ln(t), T donde T es el tamaño de la muestra. Se escogen los valores de p y q que minimizan el criterio de información seleccionado. En caso de que no sea posible discriminar entre modelos, es posible quedarnos con los modelos relevantes y tratar de combinarlos de alguna forma (modelado denso: Thick modeling ).
31 Metodología Box-Jenkins (Estimación) Estimación de un ARMA(p,q) Bajo el supuesto de que se conoce el orden p y q del proceso ARMA, es posible hacer uso distintos de métodos de estimación de parámetros los cuales son puestos en práctica con la ayuda de programas computacionales. Si el orden del proceso ARMA no es conocido, éste puede ser estimado con la ayuda de los criterios de información. Para dicho propósito se estiman procesos ARMA de manera recursiva con un orden creciente tanto en p como en q ( p = 1,..., p max y q = 1,..., q max ). Finalmente se elige la combinación (p, q ) que minimiza el criterio seleccionado.
32 Metodología Box-Jenkins (Estimación) Estimación de un AR(p) Se mostrará la estimación para el caso de un proceso AR(p), para el cual sus parámetros pueden ser estimados mediante tres métodos: 1 Máxima Verosimilitud 2 Método de Momentos (Ecuaciones Yule-Walker) 3 Mínimos Cuadrados
33 Metodología Box-Jenkins (Estimación) Estimación de un AR(p) Máxima Verosimilitud Si conocemos la distribución del ruido blanco que genera el proceso AR(p), los parámetros pueden ser estimados usando el método de máxima verosimilitud Tomando x 1 como dada, la verosimilitud condicional para las n 1 observaciones restantes es L = p (x 2, x 3,..., x n x 1 ) = p (x 2 x 1 ) p (x 3 x 1, x 2 ) (x n x 1, x 2,..., x n 1 ) Para obtener la verosimilitud no condicional habrá que calcular L = p (x 1 ) L
34 Metodología Box-Jenkins (Estimación) Estimación de un AR(1)- Máxima Verosimilitud Bajo el supuesto de un proceso AR(1) con ruido blanco gaussiano, i.e. x t = φx t 1 + ε t E[ε t ] = µ var[ε t ] = σ 2 las distribuciones son: t = 1 t = 2 ( µ x 1 N 1 φ, σ 2 ) 1 φ 2 x 2 x 1 N ( µ + φx 1, σ 2) t > 1 x t x t 1,..., x 1 N ( µ + φx t 1, σ 2)
35 Metodología Box-Jenkins (Estimación) Estimación de un AR(1)- Máxima Verosimilitud La función de Verosimilitud es ( ) 1 σ L = 2π 1 φ 2 exp { 1 φ2 2σ 2 { } 1 exp (x t φx t 1 ) 2 2πσ 2 T t=2 La log-verosimilitud es l = T 2 ln(2π) 1 2 ln ( σ 2 n 1 2 ln ( σ 2) T t=2 2σ 2 1 φ 2 ) 1 φ2 (x t φx t 1 ) 2 2σ 2 2σ 2 ( y 1 µ ) } 2 1 φ ( y 1 µ ) 2 1 φ la estimación de los parámetros se obtiene de maximizar ya sea analíticamente o mediante una optimización numérica.
36 Metodología Box-Jenkins (Estimación) Estimación de un AR(p) Método de Momentos - Ecuaciones Yule-Walker Las ecuaciones Yule-Walker son extraídas de la función de autocorrelación de un proceso AR(p), la cual tiene la siguiente forma: ρ j = { 1, para j=0; φ 1 ρ j 1 + φ 2 ρ j φ p ρ j p, para j=1,2,.... por lo tanto existen p parámetros distintos y hay p ecuaciones Yule-Walker. Se puede resolver este sistema reemplazando ρ j (correlación teórica) por ρ j (correlación muestral) y obtener estimadores de los parámetros φ i para i = 1, 2,..., p.
37 Metodología Box-Jenkins (Estimación) Estimación de un AR(p) Mínimos Cuadrados Se ajusta por MCO la siguiente especificación: x t = φ 1 x t 1 + φ 2 x t φ p x t p + u t si la ecuación satisface las condiciones de estacionariedad MCO arroja estimadores consistentes. Además T ( φ i φ i ) i = 1, 2,..., p se distribuye asintóticamente normal. El estimador de MCO es equivalente al estimador de MV cuando el vector de errores sigue una distribución normal multivariada.
38 Metodología Box-Jenkins (Estimación) Estimación de un MA(q) Se presenta la estimación de un proceso MA(q) por el método de Máxima Verosimilitud, dicho método no es el único disponible para estimarlo, pero cualquier método que pretenda hacerlo debe ser capaz de estimar una función no lineal en los parámetros (por ejemplo, mínimos cuadrados no lineales).
39 Metodología Box-Jenkins (Estimación) Estimación de un MA(1) Máxima Verosimilitud Se calcula la función de verosimilitud, para el caso x t = µ + ε t + θε t 1 ɛ t i.i.d. N(0, σ 2 ) las probabilidades condicionales son: t = 1 Bajo el supuesto ε 0 = 0 t = 2 x 1 (ε 0 = 0) N(µ, σ 2 ) ε 1 = x 1 µ x 2 (x 1, ε 0 = 0) N(µ θε 1, σ 2 ) ε 2 = x 2 µ θε 1
40 Metodología Box-Jenkins (Estimación) Estimación de un MA(1) Las probabilidades condicionales son en general de la forma p(y t ε t 1 ) t > 1 x t (x t 1,..., x 1, ε 0 = 0) N(µ θε t 1, σ 2 ) La función de verosimilitud es ε t = x t µ θε t 1 L = = T t=1 T t=1 p(y t ε t 1 ) } 1 { exp ε2 t 2πσ 2 2σ 2
41 Metodología Box-Jenkins (Estimación) Estimación de un MA(1) La log-verosimilitud es l = T 2 ln(2π) T 2 ln(σ2 ) 1 T 2σ 2 ε 2 t t=1 el último término de la expresión es una función no lineal de los parámetros por lo cual es necesario el uso de métodos iterativos para obtener los estimadores. La estimación de un proceso ARMA(p, q) comparte el reto de estimación presente en un proceso MA.
42 Metodología Box-Jenkins (Diagnóstico) Pruebas de Diagnóstico La inferencia estadística que se hace a partir de MCO o MV puede ser aplicada en el contexto de la estimación de un proceso ARMA siempre y cuando se cumplan las condiciones de estacionariedad. Los residuales del modelo proveen información importante, si éstos no aproximan un ruido blanco el modelo seleccionado no es satisfactorio y es necesario una nueva especificación.
43 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos Denotemos por p t+h,t al pronóstico realizado en t para el horizonte h. Se define el error de pronóstico como e t+h,t = x t+h p t+h,t. Notese que p t+h,t es conocido en el tiempo t, mientras que e t+h,t y x t+h lo son hasta el periodo t + h. El error cuadrático medio (ECM) de un pronóstico es ECM = H e 2 H t+h,t = (x t+h p t+h,t ) 2 h=1 h=1 el cual promedia el error de pronóstico de manera simétrica. Se puede demostrar que el mínimo en el ECM se alcanza cuando el pronóstico de la variable p t+h,t es la esperanza condicional de la variable x t+h, dada toda la información disponible en el tiempo t.
44 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos para un AR(1) Consideramos un proceso AR(1) de la forma x t = φx t 1 + ε t E[ε t ] = µ var[ε t ] = σ 2 Para calcular el pronóstico un paso hacia adelante del proceso partimos de saber que su verdadero valor es x t+1 = φx t + ε t+1 El pronóstico, es la esperanza condicional de x t+1 dada la información disponible en el tiempo t, cuando se minimiza el ECM esto es el error asociado es p t+1,t = E[x t+1 x t ] = φx t + µ e t+1,t = x t+1 E[x t+1 x t ] = x t+1 φx t µ = ε t+1 µ
45 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos para un AR(1) El pronóstico dos pasos hacia adelante es p t+2,t = E[x t+2 x t ] = φe[x t+1 x t ] + µ = φ 2 x t + (1 + φ)µ e t+2,t = x t+2 E[x t+2 x t ] = φx t+1 + ε t+2 φe[x t+1 x t ] µ = φe t+1,t + ε t+2 µ = ε t+2 + φε t+1 (1 + φ)µ El pronóstico h pasos hacia adelante es p t+h,t = E[x t+h x t ] = φ h x t + µ (1 + φ + φ φ h 1) e t+h,t = ε t+h + φε t+h 1 + φ 2 ε t+h φ h 1 ε t+1 ( 1 + φ + φ φ h 1) µ
46 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos para un AR(1) Las propiedades del error de pronóstico de horizonte h son E[e t+h,t ] = 0 Var[e t+h,t ] = ( 1 + φ 2 + φ φ 2(h 1)) σ 2 Conforme el horizonte de pronóstico crece p t+h,t µ 1 φ cuando h Var[e t+h,t ] σ2 1 φ 2 cuando h i.e. el valor pronósticado tiende a la media no condicional del proceso, y la varianza del error de pronóstico se incrementa hacia la varianza no condiconal del proceso.
47 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos para un AR(1) Al tener una distribución para el error de pronóstico es posible construir intervalos de confianza (IC) para los pronósticos h pasos hacia adelante. Para el caso de un pronóstico un paso hacia adelante e t+1,t N ( 0, (1 + φ)σ 2) por lo cual un IC al 95 % está dado por IC : µ + φx t ± 1,96 [ (1 + φ)σ 2] 1 2
48 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos para un MA(1) Consideremos un proceso MA(1) de la forma x t = µ + ε t + θε t 1 E[ε t ] = 0 var[ε t ] = σ 2 Para calcular el pronóstico un paso hacia adelante del proceso partimos de saber que su verdadero valor es x t+1 = µ + ε t+1 + θε t El pronóstico, cuando se minimiza el ECM, es p t+1,t = E[x t+1 x t ] = µ + θε t El valor de ε t depende de los valores previos de ε, para la implementación es común fijar ε 0 = 0, está aproximación pierde importancia conforme el tamaño de muestra crece. Calculamos el error asociado e t+1,t = x t+1 E[x t+1 x t ] = x t+1 µ θε t = ε t+1
49 Metodología Box-Jenkins (Pronóstico) Pronósticos por pasos para un MA(1) El pronóstico dos pasos hacia adelante es p t+2,t = E[x t+2 x t ] = µ e t+2,t = x t+2 E[x t+2 x t ] = x t+2 µ = ε t+2 + θε t+1 En un proceso MA(1) el pronóstico por pasos tiene el siguiente esquema p t+h,t = µ h 2 var(e t+h,t ) = (1 + θ 2 )σ 2 h 2 para dos periodos adelante, el pronóstico de un MA(1) es simplemente la media no condicional de la serie, y la varianza del error de pronóstico es la varianza de la serie.
50 Teorema de Wold x t univariada, estacionaria y con media cero. I t consiste del pasado y del presente de la serie: x t j, j 0. (Representación de Wold) Cualquier proceso estacionario {x t } puede representarse como: x t = c(l)ε t + v t = j=0 c j ε t j + v t, donde c 0 = 1 y j=0 c2 j <. El término ε t es ruido blanco y representa el error hecho al pronosticar x t basándose en una función lineal de rezagos de x t : ε t = x t P(x t I t 1 ). v t un proceso linealmente determinístico y no está correlacionado con ε t j j, mientras que j=0 c jε t j es llamado el componente lineálmente no determinístico (i.e. estocástico).
51 Procesos Determinísticos Son aquéllos que pueden ser pronosticados perfectamente, dado que conocemos la función que los genera. Por ejemplo, si la función generadora es: y t = a + bt, entonces, el valor de y t+1 puede ser pronosticado perfectamente, al igual que el de y t+k : y t+1 = a + b(t + 1), y t+k = a + b(t + k).
52 Descomposición Tradicional de una Serie de Tiempo Una serie de tiempo puede pensarse como compuesta de distintos elementos, algunos de ellos determinísticos y otros estocásticos: y t = tendencia + estacionalidad + resto, y t = t + s + ε, los dos primeros han sido considerados tradicionalmente como determinísticos, asi que la parte estocástica es a lo que llamamos resto. La tendecia puede ser lineal, o puede ser ajustada por un polinomio de más alto grado. También puede presentar cambios estructurales o ser estocástica. En caso de presentar tendencia, las series son no estacionarias.
53 Estacionalidad Existen varios métodos para tratar datos estacionales: En el caso en que sea verdaderamente repetitiva, podemos utilizar un filtro de promedios moviles: yt = 12 a j y t j a j = a j. j= 12 Incluir una variable dicotómica (dummy) para cada estación (y no incluir una constante). Esto asume que la estacionalidad no cambia en la muestra. Usar datos ajustados estacionalmente. El factor estacional se estima típicamente usando un filtro de dos lados para los datos de cada estación en años contiguos. De esta forma se pueden extraer una amplia gama de factores estacionales. Algunos filtros son el X-12 ARIMA o el TRAMO-SEATS. Sin embargo, el ajuste estacional también altera las auto-correlaciones de las series. Aplicar una diferencia estacional. Si s es el número de estaciones (4 para trimestres, 12 para meses), entonces: s y t = y t y t s. La serie s y t está libre de estacionalidad, sin embargo, esto también elimina la tendencia de largo plazo.
54 Bibliografía Box, George E.P., Gwilym M. Jenkins y Gregory C. Reinsel Time Series Analysis Forecasting and Control. 4a ed. New Jersey:Wiley. Brooks, Chris Introductory Econometrics for Finance. 2a ed. Cambridge:Cambridge University Press. Enders, Walter Applied Econometric Time Series. 3a ed. New Jersey:Wiley. Guerrero, Víctor Análisis Estadístico de Series de Tiempo Económicas. 2a ed. México:Thomson. Granger, Clive W.J. y Paul Newbold Forecasting Economic Time Series. 2a ed. San Diego:Academic Press. Hamilton, James D Times Series Analysis. Princeton University Press.
Series de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
Más detallesBreve Introducción a las Series Temporales
Breve Introducción a las Series Temporales 1 Series Temporales Colección de observaciones tomadas de forma secuencial en el tiempo {X t } t T. La hipótesis de independencia entre las observaciones puede
Más detallesProcesos de Media Móvil y ARMA
Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores
Más detallesUN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS
UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las
Más detallesMétodos y Modelos Cuantitativos para la toma de Decisiones
Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesModelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas
Modelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas Victor Germán Hernández Ruíz Departamento Nacional de Planeación Agosto 13, 2004 Contenido
Más detallesEstacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ
Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesProcesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid
PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesVectores Autorregresivos (VAR)
Vectores Autorregresivos (VAR) 1 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t
Más detallesSeries Temporales Curso 2014 2015
Universidad del País Vasco Aeman ta zabal zazu Euskal Herriko Unibertsitatea Programa de la asignatura Series Temporales Curso 2014 2015 Profesores: Ana Cebrián (Univ. de Zaragoza) Fernando Tusell (UPV/EHU)
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960
ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
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 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesT.3 ESTIMACIÓN PUNTUAL
T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan
Más detallesAnálisis de procesos estocásticos en el dominio del tiempo
Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables
Más detallesProcesos ARIMA estacionales
Capítulo 6 Procesos ARIMA estacionales 6.1. INTRODUCCIÓN Otra causa de no estacionaridad es la estacionalidad: En una serie mensual con estacionalidad anual, cada mes tiene una media distinta, con lo cual
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesAnálisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo. Alejandro Román Vásquez
Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo Alejandro Román Vásquez 2 de mayo del 2012 Índice general 1. Introducción 5 1.1. Contexto, motivación y propósito
Más detallesEVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5.
EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5. En este trabajo realizo un estudio entre las variables, con
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesIntroducción a la Econometría
Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesNombre...Apellidos... Grado en:...grupo:...
ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles
Más detallesElementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas
Elementos de Probabilidad y Estadística Segundo de Economía Examen del 6 de junio de 6 DURACIÓN: horas. a) Se realizan lanzamientos de un dado regular. i) Calcular la probabilidad de obtener exactamente
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesSERIES DE TIEMPO INTRODUCCIÓN
Clase Nº 5 SERIES DE TIEMPO INTRODUCCIÓN La forma más utilizada para el análisis de las tendencias futuras es realizar pronósticos. La función de un pronóstico de demanda de un bien, por ejemplo ventas
Más detallesRELACIONES DE RECURRENCIA
Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesGeneración de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesa < b y se lee "a es menor que b" (desigualdad estricta) a > b y se lee "a es mayor que b" (desigualdad estricta)
Desigualdades Dadas dos rectas que se cortan, llamadas ejes (rectangulares si son perpendiculares, y oblicuos en caso contrario), un punto puede situarse conociendo las distancias del mismo a los ejes,
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS
TEMA 5. PROCESOS ESTOCÁSTICOS En el estudio de las variables aleatorias realizado hasta ahora se han explorado las características aleatorias del fenómeno pero se ha mantenido una premisa por defecto,
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx
Más detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesIDENTIFICACIÓN DE SISTEMAS ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN
IDENTIFICACIÓN DE SISTEMAS ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 CONSIDERACIONES PRÁCTICAS
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesCostos de Distribución: son los que se generan por llevar el producto o servicio hasta el consumidor final
CLASIFICACIÓN DE LOS COSTOS Los costos tienen diferentes clasificaciones de acuerdo con el enfoque y la utilización que se les dé. Algunas de las clasificaciones más utilizadas son. Según el área donde
Más detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detalles4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA
4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA Una ecuación con una incógnita es de segundo grado si el exponente de la incógnita es dos. Ecuaciones de segundo grado con una incógnita son: Esta última ecuación
Más detalles4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD
4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,
Más detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detallesTemario: Análisis Econométrico con EViews Capacitación
Objetivo del curso: El objetivo del curso es instruir al participante en el uso de EViews para el análisis de su información y la aplicación de la metodología econométrica idónea para sus datos: Creación
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesSeries de Tiempo. Germán Aneiros Pérez. Máster en Técnicas Estadísticas Curso 2008-09. Departamento de Matemáticas Universidade da Coruña
Departamento de Matemáticas Universidade da Coruña Máster en Técnicas Estadísticas Curso 2008-09 Bibliografía Índices Bibliografía Tema 1: Análisis descriptivo de una tiempo Tema 2: Series de tiempo y
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesEconometría de Económicas
Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa. 1. Reputación. Apuntes de Teoría de Juegos Profesor: Carlos R. Pitta
En estas notas revisaremos los conceptos de reputación desde la perspectiva de información incompleta. Para ello usaremos el juego del ciempiés. Además, introduciremos los conceptos de juegos de señales,
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesINDICE MENSUAL DE ACTIVIDAD ECONÓMICA
Metodología INDICE MENSUAL DE ACTIVIDAD ECONÓMICA El Consejo Monetario Centroamericano (CMCA), desde finales de la década del 80 ha estado trabajando con los Bancos Centrales de la Región Centroamericana
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesRetiro de activos y el stock de capital bruto
From: Medición del capital - Manual OCDE 2009 Segunda edición Access the complete publication at: http://dx.doi.org/10.1787/9789264043695-es Retiro de activos y el stock de capital bruto Please cite this
Más detallesGUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:
Más detallesVII. Estructuras Algebraicas
VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación
Más detallesCAPITULO 2 DISEÑO DE GRAFICAS ESTADISTICO-ECONOMICAS DE CONTROL DE CALIDAD.
CAPITULO 2 DISEÑO DE GRAFICAS ESTADISTICO-ECONOMICAS DE CONTROL DE CALIDAD. En este capítulo se presenta la definición de diseño estadístico, económico y económico-estadístico para gráficas de control,
Más detallesILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES
ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES El objetivo de este documento es ilustrar matemáticamente, y con un caso concreto, el problema de la identificación en
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID ECONOMETRIA PRIMER PARCIAL 17 DE ENERO DE 2008 1.- A) La transformación estacionaria es SOLUCIONES
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación
Más detallesEL FILTRO DE KALMAN. Resumen
EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesDivisibilidad y números primos
Divisibilidad y números primos Divisibilidad En muchos problemas es necesario saber si el reparto de varios elementos en diferentes grupos se puede hacer equitativamente, es decir, si el número de elementos
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesMODELOS DE CÁLCULO DE LA VOLATILIDAD *
MODELOS DE CÁLCULO DE LA VOLATILIDAD * Uno de los objetivos principales perseguidos en el análisis de series temporales es poder predecir de la manera más aproximada el comportamiento futuro que pueden
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detalles2 año secundario. Función Lineal MINISTERIO DE EDUCACIÓN. Se llama función lineal porque la potencia de la x es 1. Su gráfico es una recta.
año secundario Función Lineal Se llama función lineal porque la potencia de la x es. Su gráfico es una recta. Y en general decimos que es de la forma : f(x)= a. x + b donde a y b son constantes, a recibe
Más detallesObjetivos: Al inalizar la unidad, el alumno:
Unidad 3 espacios vectoriales Objetivos: Al inalizar la unidad, el alumno: Describirá las características de un espacio vectorial. Identiicará las propiedades de los subespacios vectoriales. Ejempliicará
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
a) (1 punto) Dada la matriz a 1 A, calcule el valor de a para que A a 0 sea la matriz nula. 1 1 t b) ( puntos) Dada la matriz M, calcule la matriz M M. 1 1 x 1 Sea la función f definida mediante f ( x).
Más detallesVectores aleatorios. Estadística I curso 2008 2009
Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a
Más detalles