ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
|
|
- Felisa Herrera Moya
- hace 7 años
- Vistas:
Transcripción
1 ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA
2 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 i j : Cov(ɛ i ɛ j ) = E(ɛ i ɛ j ) = 0 Notación: ɛ t WN Ruido blanco Gaussiano: Para todo t, ɛ t N(0, σ 2 ). Notación: ɛ t WN(0, σ 2 )
3 Definición: Modelo ARMA. Un modelo autoregresivo-media móvil ( autoregressive moving average ARMA) tiene la forma: y t = φ 0 + p φ i y t i + i=1 donde el proceso {ɛ t } es ruido blanco. q θ j ɛ t j, Este modelo se denota como ARMA(p, q), y normalmente se normaliza θ 0 a 1. Nota: Suponemos que todas las raíces características están dentro del círculo de unidad. Si una o varias raíces características estan encima o fuera del circulo de unidad, el modelo se llama autoregresivo-integrado-media móvil ( autoregressive integrated moving average ARIMA(p, d, q), donde d es el orden de integración) j=0
4 Ejemplos de modelos ARMA: ARMA(0,0): ARMA(0,1): ARMA(1,0): y t = φ 0 + ɛ t y t = φ 0 + ɛ t + θ 1 ɛ t 1 y t = φ 0 + φ 1 y t 1 + ɛ t ARMA(1,0) (paseo aleatorio) : y t = y t 1 + ɛ t ARMA(1,1): y t = φ 0 + φ 1 y t 1 + ɛ t + θ 1 ɛ t 1
5 Ejemplos de modelos ARMA (cont.): Modelos ARMA(p,0) con θ 0 = 1: p y t = φ 0 + φ i y t i + ɛ t i=1 también se denotan modelos AR(p). Modelos ARMA(0,q): q y t = φ 0 + θ j ɛ t j j=0 también se denotan modelos MA(q)
6 Modelos MA(q): MA(1): y t = φ 0 + ɛ t + θ 1 ɛ t 1, donde {ɛ t } es ruido blanco µ = E(y t ) = φ 0 γ 0 = Var(y t ) = (1 + θ 2 1 )σ2 γ k = Cov(y t, y t k ) = Es el modelo MA(1) estacionario? Si Qué es Corr(y t, y t k )? ρ k = Corr(y t, y t k ) = γ k γ 0 { θ1 σ 2 para k = 1 0 para k > 1
7 Modelos MA(q) (cont.): MA(q): y t = φ 0 + q j=0 θ qɛ t q, donde {ɛ t } es ruido blanco y donde θ 0 = 1 µ = φ 0 γ 0 = (1 + θ θ2 q)σ 2 { (θk + θ γ k = k+1 θ θ q θ q 1 )σ 2 para k = 1,..., q 0 para k > q Es el modelo MA(q) estacionario? Si Qué es Corr(y t, y t k )? ρ k = γ k γ 0
8 Modelos MA(q) (cont.): MA( ): y t = φ 0 + j=0 ψ jɛ t j, donde {ɛ t } es ruido blanco y donde ψ 0 = 1 Notación: MA( ) Como podemos saber si MA( ) es un proceso estacionario y bien definido? Una de las condiciones siguientes es suficiente: a) j=0 ψ2 j < b) j=0 ψ j <
9 Modelos MA(q) (cont.): Entonces, por el MA( ) tenemos que: µ = φ 0 γ 0 = lim T (ψ ψ ψ2 T )σ2 γ k = σ 2 (ψ k ψ 0 + ψ k+1 ψ 1 + ψ k+2 ψ 2 + )
10 Modelos AR(p): AR(1): y t = φ 0 + φ 1 y t 1 + ɛ t, donde {ɛ t } es ruido blanco Es el modelo AR(1) estacionario ( estable )? Si φ 1 < 1 si Si φ 1 1 no Por qué φ 1 < 1 AR(1) estacionario?
11 Modelos AR(p) (cont.): Porque eso implica que el modelo AR(1) se puede escribir como un modelo MA( ): y t = φ 0 + φ 1 y t 1 + ɛ t = φ 0 + φ 1 (φ 0 + φ 1 y t 2 + ɛ t 1 ) + ɛ t = φ 0 + φ 1 [φ 0 + φ 1 (φ 0 + φ 1 y t 3 + ɛ t 2 ) +ɛ t 1 ] + ɛ t. = (φ 0 + ɛ t ) + φ 1 (φ 0 + ɛ t 1 ) + φ 2 1 (φ 0 + ɛ t 2 ) + = φ 0 i=0 φi 1 + ɛ t + φ 1 ɛ t 1 + φ 2 1 ɛ t 2 + φ 3 1 ɛ t 3 + = φ 0 1 φ 1 + ɛ t + φ 1 ɛ t 1 + φ 2 1 ɛ t 2 + φ 3 1 ɛ t 3 + = MA( )
12 Modelos AR(p) (cont.): Recuerda: j=0 ψ j < MA(q) estacionario, y en nuestro caso (dado que φ 1 < 1) tenemos j=0 ψ j = j=0 φj 1 < De todo esto se deduce (cuando φ 1 < 1): µ = φ 0 1 φ 1 γ 0 = σ2 (1 φ 2 1 ) γ k = φk 1 σ 2 1 φ 2 1 ρ k = γ k γ 0 = φ k 1
13 Modelos AR(p) (cont.): El modelo AR(2) se define como: y t = φ 0 + φ 1 y t 1 + φ 2 y t 2 + ɛ t (1) Aplicando el operador de retardo el AR(2) se puede escribir como (1 φ 1 L φ 2 L 2 )y t = φ 0 + ɛ t y (1) es estacionario si las p raíces características λ 1 y λ 2 están dentro del círculo de unidad (es decir, λ 1, λ 2 < 1) Cómo calculamos las 2 raíces características λ 1, λ 2 de un AR(2)? (1 φ 1 z φ 2 z 2 ) = 0 (λ 2 φ 1 λ φ 2 ) = 0 donde λ = 1 z
14 Modelos AR(p) (cont.): Nota: A veces se utiliza una terminología diferente que puede confundir: raíces del polinomo 1 φ 1 z φ 2 z 2 está fuera del círculo de unidad Las raíces características están dentro del circulo de unidad Si todas las raíces características están dentro del círculo de unidad, entonces podemos escribir y finalmente ψ(l) = (1 φ 1 L φ 2 L 2 ) 1 = ψ 0 + ψ 1 L + ψ 2 L 2 + (2) y t = ψ(l)φ 0 + ψ(l)ɛ t = MA( ) (3)
15 Modelos AR(p) (cont.): Suponiendo que las 2 raíces características están dentro del círculo de unidad, entonces tenemos que: µ = φ 0 1 φ 1 φ 2 γ 0 = φ 1 γ 1 + φ 2 γ 2 + σ 2 γ k = φ 1 γ k 1 + φ 2 γ k 2 ρ k = γ k γ 0
16 Modelos AR(p) (cont.): El modelo AR(p) se define como: y t = φ 0 + p φ 1 y t i + ɛ t i=1 Suponiendo que todas las raíces características están dentro del círculo de unidad, entonces tenemos que: µ = φ 0 1 φ 1 φ p γ 0 = φ 1 γ φ p γ p + σ 2 γ k = φ k γ k φ p γ k p ρ k = γ k γ 0 Nota: Las p + 1 ecuaciones definidas por ρ 0,..., ρ p se llaman las ecuaciones de Yule-Walker
17 ARMA(p, q), representación de media móvil MA( ): Un modelo ARMA(p, q) estacionario/estable siempre tiene una representación de media móvil MA( ): se puede escribir y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j (1 φ 1 L φ p L p )y t = φ 0 + (1 + θ 1 L + + θ q L q )ɛ t, y si el ARMA(p, q) es estable entonces y t = donde ψ(l) = 1+θ 1L+ +θ ql q 1 φ 1 L φ pl p φ 0 1 φ 1 φ p + ψ(l)ɛ t = MA( )
18 Teorema de Wold (1938): Hemos visto que procesos ARMA(p, q) estacionarios se pueden escribir como un modelo MA( ), es decir, como y t = φ 0 + j=0 ψ jɛ t j donde ψ 0 = 1, si j=0 ψ j < El teorema de Wold establece que esto es cierto para todo proceso estacionario
19 Teorema de Wold (1938) (cont.): Teorema (Wold): Cualquier proceso estacionario {y t } con media cero se puede representar de la forma y t = ψ j ɛ t j + κ t (4) j=0 donde ψ 0 = 1 y j=0 ψ2 j <. El proceso {ɛ t } es ruido blanco y representa el error resultante de predecir y t con una función lineal de los retardos de y t : ɛ t = y t E(y t y t 1, y t 2,... ) El valor de κ t es incorrelado con ɛ t j para cualquier j, pero se puede predecir κ t arbitrariamente bien con una función lineal de los valores pasados de y t : κ t = E(κ t y t 1, y t 2,... )
20 Teorema de Wold (1938) (cont.): Nota 1: La parte j=0 ψ jɛ t j se llama el componente linealmente indeterminístico Nota 2: La parte κ t se llama el componente linealmente determinístico Problema: Estimar la representación de Wold de una serie requiere la estimación de un número infinito de parámetros Tenemos solamente un número finito de observaciones Solución: Hacer supuestos adicionales sobre la naturaleza de ψ 1, ψ 2,...
21 Teorema de Wold (1938) (cont.): Estrategia 1: Aproximar la suma infinita con una suma finita: 1 + θ 1 L + θ 2 L θ q L q 1 φ 1 L φ 2 L 2 φ p L p = ψ j L j j=0 r ψ j L j j=0 Entonces se obtiene (en general) una buena aproximación con pocos parámetros Estrategia 2: Hamilton (1994, capítulo 6)
22 Invertibilidad de MA(q): Recordamos: Si un modelo AR(p) es estable, entonces podemos escribirlo como un MA( ) Si un modelo MA(q) es invertible, entonces podemos escribirlo como un AR( ) Definición: Invertibilidad de MA(q). Un modelo MA(q) se puede escribir como y t φ 0 = (1 + θ 1 L + θ 2 L θ q L q )ɛ t. Si el MA(q) se puede escribir como un modelo AR( ) utilizando la inversa del (1 + θ 1 L + θ 2 L θ q L q ), entonces se dice que MA(q) es invertible. Condición suficiente para la invertibilidad: Que todas las raíces del polinomo (1 + θ 1 z + θ 2 z θ q z q ) = 0 están fuera del círculo de unidad
23 Invertibilidad de MA(q) (cont.): MA(q): y t = φ 0 + q j=0 ɛ t j y t φ 0 = (1 + θ 1 L + θ 2 L θ q L q )ɛ t Si todas las raíces están fuera del circulo de unidad tenemos que (1 + η 1 L + η 2 L 2 + ) = (1 + θ 1 L + θ 2 L θ q L q ) 1 y entonces (1 + η 1 L + η 2 L 2 + )(y t φ 0 ) = ɛ t es un AR( ) representación del modelo MA(q).
24 Causalidad: Definición: Causalidad. Un proceso {y t } es causal, o una función causal de {ɛ t }, si existen constantes ψ j así que i) ii) j=0 ψ j < y t = j=0 ψ jɛ t j para todo t Ejemplos: Modelos AR(1) con φ 1 < 1: y t = φ 1 y t 1 + ɛ t y t = φ 0 + φ 1 y t 1 + ɛ t
25 q-correlación: Definición: q-correlación. Un proceso {y t } estacionario es q-correlacionado si Cov(y t, y t k ) = 0 para todo k > q, y si Cov(y t, y t k ) 0 para todo k q. Recuerda: Cov(y t, y t k ) = 0 Corr(y t, y t k ) = 0 y Cov(y t, y t k ) 0 Corr(y t, y t k ) 0 Ejemplo: Modelos MA(q)
26 Referencias: Hamilton, J. D. (1994). Time Series Analysis. Princeton, New Jersey: Princeton University Press. Wold, H. (1938). A Study in the Analysis of Stationary Time Series. Uppsala, Sweden: Almqvist and Wiksell.
Procesos 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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. 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 detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detalles2. El conjunto de los números complejos
Números complejos 1 Introducción El nacimiento de los números complejos se debió a la necesidad de dar solución a un problema: no todas las ecuaciones polinómicas poseen una solución real El ejemplo más
Más detallesConjunto R 3 y operaciones lineales en R 3
Conjunto R 3 y operaciones lineales en R 3 Objetivos. Definir el conjunto R 3 y operaciones lineales en R 3. Requisitos. Conjunto de los números reales R, propiedades de las operaciones aritméticas en
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
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 detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesCAPÍTULO 6. Modelos ARMA para la Componente Aleatoria Introducción
CAPÍTULO 6 Modelos ARMA para la Componente Aleatoria 6.1. Introducción En los modelos de descomposición Y t = T t + S t + ε t, t = 1, 2,... se estima ˆε t y se determina si es o nó ruido blanco mediante
Más detallesSistem as de ecuaciones lineales
Sistem as de ecuaciones lineales. Concepto, clasificación y notación Un sistema de m ecuaciones lineales con n incógnitas se puede escribir del siguiente modo: a x + a 2 x 2 + a 3 x 3 + + a n x n = b a
Más detallesCAMPOS ELÉCTRICOS DEBIDOS A DISTRIBUCIONES CONTINUAS DE CARGA
CAMPOS ELÉCTRICOS DEBIDOS A DISTRIBUCIONES CONTINUAS DE CARGA Este documento enuncia de forma más detallada la formulación matemática que permite el estudio de campos eléctricos debido a distribuciones
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detallesMateria: Matemática de Octavo Tema: Raíces de un polinomio. Marco teórico
Materia: Matemática de Octavo Tema: Raíces de un polinomio Y si tuvieras una ecuación polinómica como? Cómo podrías factorizar el polinomio para resolver la ecuación? Después de completar esta lección
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
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 detallesInducción en definiciones y demostraciones AUTÓMATAS Y LENGUAJES FORMALES PRELIMINARES MATEMÁTICOS. Números naturales. Inducción matemática
Inducción en definiciones y demostraciones AUTÓMATAS Y LENGUAJES FORMALES PRELIMINARES MATEMÁTICOS Francisco Hernández Quiroz Departamento de Matemáticas Facultad de Ciencias, UNAM E-mail: fhq@ciencias.unam.mx
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más 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 detallesMétodos directos para resolver sistemas de ecuaciones lineales
Métodos directos para resolver sistemas de ecuaciones lineales Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el
Más detallesTema 5: Elementos de geometría diferencial
Tema 5: Elementos de geometría diferencial José D. Edelstein Universidade de Santiago de Compostela FÍSICA MATEMÁTICA Santiago de Compostela, abril de 2011 Coordenadas locales y atlas. Funciones y curvas.
Más detalles2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO. Una señal puede ser definida como una portadora física de información. Por ejemplo,
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO Una señal puede ser definida como una portadora física de información. Por ejemplo, las señales de audio son variaciones en la presión del aire llevando consigo
Más detallesRecordemos que utilizaremos, como es habitual, la siguiente notación para algunos conjuntos de números que son básicos.
Capítulo 1 Preliminares Vamos a ver en este primer capítulo de preliminares algunos conceptos, ideas y propiedades que serán muy útiles para el desarrollo de la asignatura. Se trata de resultados sobre
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
3 RESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES Página 74 Determinantes de orden 2 Resuelve cada uno de los siguientes sistemas de ecuaciones y calcula el determinante de la matriz de los coeficientes:
Más detallesLenguajes, Gramáticas y Autómatas Conceptos
Lenguajes, Gramáticas y Autómatas Conceptos Departamento de Informática e Ingeniería de Sistemas C.P.S. Universidad de Zaragoza Última revisión: Febrero. 2004 11/02/2004 1 Índice Alfabetos, palabras y
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detalles(MAT021) 1 er Semestre de z + e = (x + iy) + (e 1 + ie 2 ) = (x + e 1 ) + i(y + e 2 ) = x + iy
(MAT01) 1 er Semestre de 010 1 Números Complejos Se define el conjunto de los números complejos como: C = {a + bi / a, b R, i = 1} Definición 1.1. Sea z, w C tal que z = x + iy en donde x, y R. Se define:
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 detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detallesAplicaciones de Ec. en Diferencias a la Economía
Aplicaciones de Ec. en Diferencias a la Economía Economía Matemática. (FCEA, UdelaR) Aplicaciones 1 / 21 Nota previa sobre raices complejas Antes de ver algunos ejemplos aplicados a la economía, una nota
Más detallesCALCULO INTEGRAL CONCEPTOS DE AREA BAJO LA CURVA. (Se utiliza el valor de la función en el extremo izquierdo de cada subintervalo)
CALCULO INTEGRAL CONCEPTOS DE AREA BAJO LA CURVA El problema del área, el problema de la distancia tanto el valor del área debajo de la gráfica de una función como la distancia recorrida por un objeto
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Univariadas) Carlos Capistrán Carmona ITAM Serie de tiempo Una serie de tiempo es una sequencia de valores
Más detallesIntroducción a la Teoría Analítica de Números
Introducción a la Teoría Analítica de Números Pablo De Nápoli clase 3. Ejemplos de funciones generatrices El teorema que vimos la clase anterior sobre el producto de series de Dirichlet permite determinar
Más detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detalles!MATRICES INVERTIBLES
Tema 4.- MATRICES INVERTIBLES!MATRICES INVERTIBLES!TÉCNICAS PARA CALCULAR LA INVERSA DE UNA MATRIZ REGULAR 1 Hemos hablado anteriormente de la matriz cuadrada unidad de orden n (I n ).. Es posible encontrar
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Fracciones continuas, ecuación de Pell y unidades en el anillo de enteros de los cuerpos cuadráticos
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS EAP DE MATEMÁTICA PURA Fracciones continuas, ecuación de Pell y unidades en el anillo de enteros de los cueros cuadráticos Caítulo
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesSucesiones y Suma Finita
Sucesiones y Suma Finita Hermes Pantoja Carhuavilca Centro Pre-Universitario CEPRE-UNI Universidad Nacional de Ingeniería Algebra Hermes Pantoja Carhuavilca 1 de 21 CONTENIDO Convergencia de una sucesión
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
Más detallesUniversidad Alonso de Ojeda. Facultad de Ingeniería GUIA DE ESTUDIO ALGEBRA LINEAL.
UNIDAD V: ESPACIOS VECTORIALES Estamos acostumbrados a representar un punto en la recta como un número real; un punto en el plano como un par ordenado y un punto en el espacio tridimensional como una terna
Más detallesCONCEPTOS BASICOS DE LA TRANSFORMADA DE LAPLACE LA TRANSFORMADA DE LAPLACE
LA TRANSFORMADA DE LAPLACE Por cálculo integral sabemos que cuando vamos a determinar una integral impropia de la forma,su desarrollo se obtiene realizando un cambio de variable en el límite superior de
Más detallesCampo de velocidades se puede representar mediante una función potencial φ, escalar
Flujo Potencial Campo de velocidades se puede representar mediante una función potencial φ, escalar Condición necesaria flujo irrotacional, V=0. Hipótesis: Flujo irrotacional, incompresible y permanente
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesMA3002. Matemáticas Avanzadas para Ingeniería: Sucesiones, Series y Series de Potencias. Departamento de Matemáticas. Convergencia. Resultados.
y y MA3002 y Una sucesión, representada matemáticamente como {z n }, es una función cuyo dominio son los enteros positivos (1, 2, 3, 4,...); en otras palabras, a cada entero n = 1, 2, 3... se le asigna
Más detalles1 Ecuaciones diferenciales
1 Ecuaciones diferenciales La solución a una ecuación algebraica es un número, o un conjunto de números que satisfacen la ecuación. Por ejemplo las soluciónes de x 2 4x + 3 = 0 son x 0 = 1 y x 1 = 3. Las
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 detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesEjercicio 3.1. Sea el campo de velocidades de un escurrimiento definido por : v = x 2 yē x + x 2 tē y (3.1)
Ejercicio 3.1. Sea el campo de velocidades de un escurrimiento definido por : Se pide: v = x yē x + x tē y (3.1) a. A qué tipo de formalismo corresponde este análisis del escurrimiento, lagrangeano o eulereano?
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesTEMA 1 CONJUNTOS NUMÉRICOS
TEMA 1 CONJUNTOS NUMÉRICOS. Objetivos / Criterios de evaluación O.1.1 Realizar correctamente operaciones con fracciones: Suma, resta, producto, cociente, potencia y radicación. O.1.2 Resolver operaciones
Más detallesLección 2: Funciones vectoriales: límite y. continuidad. Diferenciabilidad de campos
Lección 2: Funciones vectoriales: límite y continuidad. Diferenciabilidad de campos vectoriales 1.1 Introducción En economía, frecuentemente, nos interesa explicar la variación de unas magnitudes respecto
Más detallesTema 2 TRANSICIONES DE FASE Y FENÓMENOS CRÍTICOS Transiciones de fase de primer orden. Transiciones de fase de orden superior y fenómenos críticos.
ema RANSICIONES DE FASE Y FENÓMENOS CRÍICOS ransiciones de fase de primer orden. ransiciones de fase de orden superior y fenómenos críticos. eoría de Landau y parámetro de orden. Exponentes críticos y
Más detallesSeries 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 detallesGUÍAS DE ESTUDIO. Programa de alfabetización, educación básica y media para jóvenes y adultos
GUÍAS DE ESTUDIO Código PGA-02-R02 1 INSTITUCIÓN EDUCATIVA CASD Programa de alfabetización, educación básica y media para jóvenes y adultos UNIDAD DE TRABAJO Nº 1 PERIODO 1 1. ÁREA INTEGRADA: MATEMÁTICAS
Más detallesMétodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
Más detallesAnejo 1. Teoría de Airy. Solución lineal de la ecuación de ondas.
Anejo 1. Teoría de Airy. Solución lineal de la ecuación de ondas. Introducción y ecuaciones que rigen la propagación del oleaje. La propagación de oleaje en un fluido es un proceso no lineal. Podemos tratar
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 detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesCAPÍTULO 7. Raíces Unitarias y Tendencias Estocásticas (ARIMA) 7.1. Introducción MOdelos ARIMA
CAPÍTULO 7 Raíces Unitarias y Tendencias Estocásticas (ARIMA) 7.1. Introducción En este capítulo se presenta en modelo alterno al de Descomposición con errores ARMA, conocido como modelo ARIMA SARIMA ó
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 5 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesFundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso
Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesEspacios Topológicos 1. Punto de Acumulación. Al conjunto de puntos de acumulación de A se le denomina el conjunto derivado de A (A a Notación).
Espacios Topológicos 1 Punto de Acumulación Definición: Sea A un subconjunto arbitrario de R n, se dice que x R n es un punto de acumulación de A si toda bola abierta con centro x contiene un punto A distinto
Más detallesProblemas de Espacios Vectoriales
Problemas de Espacios Vectoriales 1. Qué condiciones tiene que cumplir un súbconjunto no vacío de un espacio vectorial para que sea un subespacio vectorial de este? Pon un ejemplo. Sean E un espacio vectorial
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesMENORES, COFACTORES Y DETERMINANTES
MENORES, COFACTORES Y DETERMINANTES 1. Introducción. 2. Determinante de una matriz de 3 x 3. 3. Menores y cofactores. 4. Determinante de una matriz de n x n. 5. Matriz triangular. 6. Determinante de una
Más detallesINTEGRACIÓN NUMÉRICA
INTEGRACIÓN NUMÉRICA En los cursos de Cálculo Integral, nos enseñan como calcular una integral definida de una función contínua mediante una aplicación del Teorema Fundamental del Cálculo: Teorema Fundamental
Más detallesAnálisis en Forma Estratégica: Juegos Estáticos I
Análisis en Forma Estratégica: Juegos Estáticos I Empezaremos nuestro análisis con juegos estáticos: Aquellos en los cuales los jugadores decide sus acciones de forma simultánea e independiente. Nuestro
Más detallesEl Autómata con Pila: Transiciones
El Autómata con Pila: Transiciones El Espacio de Configuraciones Universidad de Cantabria Esquema Introducción 1 Introducción 2 3 Transiciones Necesitamos ahora definir, paso por paso, como se comporta
Más detallesELEMENTOS DE GEOMETRÍA. Eduardo P. Serrano
ELEMENTOS DE GEOMETRÍA Eduardo P. Serrano Este Apunte de Clase está dirigido a los alumnos de la materia Elementos de Cálculo Numérico para Biólogos. Tiene por objeto exponer algunos conceptos básicos
Más detalles3.1 El espacio afín R n
3. Geometría analítica 3.1 El espacio afín R n Consideremos el conjunto R n, formado por las listas ordenadas (x 1,...,x n ) de números reales. Convengamos en llamar puntos a los elementos de R n. Pero
Más detallesMarzo 2012
Marzo 2012 http:///wpmu/gispud/ Para determinar la carga transferida a través del tiempo a un elemento, es posible hacerlo de varias formas: 1. Utilizando la ecuación de carga, evaluando en los tiempos
Más detallesConjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación.
NÚMEROS REALES Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación. Un conjunto es una colección bien definida
Más detallesÁlgebra Lineal VII: Independencia Lineal.
Álgebra Lineal VII: Independencia Lineal José María Rico Martínez Departamento de Ingeniería Mecánica División de Ingenierías, Campus Irapuato-Salamanca Universidad de Guanajuato email: jrico@salamancaugtomx
Más detallesLímites y continuidad de funciones reales de variable real
Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones
Más detallesNÚCLEOS DEFINIDOS POSITIVOS, REGULARIDAD, PERTURBACIONES Y APLICACIONES.
UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS POSTGRADO EN MATEMÁTICA NÚCLEOS DEFINIDOS POSITIVOS, REGULARIDAD, PERTURBACIONES Y APLICACIONES. Autor: MSc. Arnaldo De La Barrera. Tutor: Dra. Marisela
Más detallesTema I 1. EL CUERPO DE LOS REALES, EL CUERPO DE LOS COMPLEJOS
1 Tema I 1. EL CUERPO DE LOS REALES, EL CUERPO DE LOS COMPLEJOS 1.1 Los Números Naturales. Los números naturales aparecen por la necesidad que tiene el hombre (primitivo) tanto de contar como de ordenar
Más detallesPROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP).
PROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP. Optimización con restricciones La presencia de restricciones reduce la región en la cual buscamos el óptimo. Los criterios
Más detallesCombinación lineal, Independencia Lineal, y Vectores que generan (Sección 6.3 pág. 291)
Combinación lineal, Independencia Lineal, y Vectores que generan (Sección 6.3 pág. 291) I. Combinación Lineal Definición: Sean v 1, v 2, v 3,, v n vectores en el espacio vectorial V. Entonces cualquier
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesGrupos y Subgrupos El concepto de grupo Sea G un conjunto no vacío y sea G G G
Capítulo 1 Grupos y Subgrupos 001. El concepto de grupo Sea G un conjunto no vacío y sea G G G una operación interna en G para la cual denotaremos a la imagen de un par (x, y) mediante xy. Supongamos que
Más detallesALGEBRA I, ALGEBRA Y TRIGONOMETRIA , Segundo Semestre CAPITULO 6: POLINOMIOS.
ALGEBRA I, ALGEBRA Y TRIGONOMETRIA 520135, 522115 Segundo Semestre CAPITULO 6: POLINOMIOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K
Más detallesUNIDAD 2: LÍMITES DE FUNCIONES.CONTINUIDAD = 3 2
UNIDAD 2: LÍMITES DE FUNCIONES.CONTINUIDAD 1.- Límites en el Infinito: lim x + f(x) = L Se dice que el límite de f (x) cuando x tiende a + es L ϵ Ɽ, si podemos hacer que f(x) se aproxime a L tanto como
Más detalles