Análisis de series temporales
|
|
- Rubén Nieto Ponce
- hace 7 años
- Vistas:
Transcripción
1 CAPíTULO 8 Análisis de series temporales Los datos estadísticos y, en particular, los datos económicos se recopilan a menudo en forma de series temporales. Una serie temporal es un conjunto ordenado de observaciones {z,...,z t,...,z n } obtenidas en intervalos regulares de tiempo, en donde z t denota la observación de la variable de interés en el instante o intervalo temporal t. El instante temporal t suele ser un año, trimestre, mes, semana, etc., y determina la frecuencia de observación: anual, trimestral, mensual, semanal, etc. Suponemos, por tanto, que todas las observaciones de la serie se obtienen en instantes equidistantes de tiempo y descartamos así las series temporales compuestas, por ejemplo, de observaciones anuales, trimestrales y mensuales. La característica distintiva de una serie temporal es la dependencia observacional: el valor de una variable en una determinada fecha depende de los valores de la propia variable en fechas previas. Esta idea subyace tras la especificación de los procesos estocásticos univariantes que estudiamos en este tema, los cuales explican la evolución temporal de una variable a partir de su comportamiento pasado. Vamos a caracterizar estos modelos dinámicos por medio de las funciones de autocorrelación simple y parcial. Análogamente a la interpretación del modelo lineal general como proceso generador de datos, vamos a contemplar una serie temporal como una realización particular de un proceso estocástico. Uno de los principales propósitos del análisis de series temporales es inferir las propiedades del proceso (población) a partir de una realización particular (muestra), para lo cual limitamos nuestro interés a una clase de procesos que se encuentran en un estado de equilibrio estadístico: los procesos ARMA estacionarios, que tienen momentos estables. Dentro de esta clase, el proceso autorregresivo de primer orden y el proceso de medias móviles de primer orden son los dos procesos más usados. Los métodos que estudiamos en este capítulo se tratan extensamente en el libro Time Series Analysis: Forecasting and Control de Box y Jenkins (97, 976, 994) y a menudo se denominan métodos Box-Jenkins. Estos autores desarrollaron un metodología para sistematizar la construcción de una clase de modelos de series temporales que se ha mostrado muy útil en predicción. 8.. Procesos estocásticos estacionarios Definición 53. Un proceso estocástico es una colección o secuencia de variables aleatorias {z t (ω); ω Ω, t T}, en donde Ω es el conjunto de todos los sucesos elementales y T es un conjunto de índices. Observación 39. Los procesos estocásticos pueden ser discretos o continuos, dependiendo de si el conjunto T es contable (números naturales) o incontable (números reales). En este tema estudiamos procesos estocásticos discretos, a los que llamamos abreviadamente procesos.
2 2 8.. Procesos estocásticos estacionarios Suponemos que las variables aleatorias z t (ω) o, simplemente, z t tienen distribución continua con función de densidad p(z t ) que satisface la condición p(z t )dz t = De aquí, los momentos de orden r de la variable aleatoria z t existirán si E(z r t ) = z r t p(z t )dz t z t r p(z t )dz t < Además, las variables aleatorias bidimensionales (z t,z s ) tienen una función de densidad conjunta p(z t,z τ ) que satisface la condición p(z t,z s )dz t dz s = y que nos permite definir momentos de orden (r,s) como que existirán sí y sólo sí E(z r t z s τ) = E(z r t z s τ) = z r t z s t p(z t,z τ )dz t dz τ z r t z s t p(z t,z τ )dz t dz τ < En general, el subconjunto de variables aleatorias (z t,...,z tm ) tiene función de densidad conjunta p(z t,...,z tm ). Definición 54. Una serie temporal, z,...,z n es una realización particular de un proceso estocástico z (ω),...,z n (ω). En esta definición cada observación z t de la serie temporal se interpreta como un valor particular de una variable aleatoria z t (ω). Con un sólo dato no podemos pretender estimar los momentos de z t (ω). Por tanto, para inferir la distribución del proceso estocástico a partir de una serie temporal es necesario restringir nuestro estudio a una clase particular de procesos que tengan momentos estables. Definición 55. Un proceso es estacionario de orden r si todos sus momentos hasta el orden r existen y son estables. Definición 56. Un proceso es estacionario de segundo orden si. E(z t ) = µ < t T 2. E(z t µ) 2 = σ 2 < t T 3. E(z t µ)(z s µ) = γ t s < t,s T La notación E(z t ) = µ y E(z t µ) 2 = σ 2 indica que la media y la varianza de z t no depende de t; en otras palabras, todas las variables aleatorias tienen la misma media y la misma varianza (estacionariedad en media y varianza). Análogamente, la notación E(z t µ)(z s µ) = γ t s indica que la covarianza entre dos variables aleatorias z t y z s depende de la distancia entre sus índices t s, pero no depende de t ni de s. Así, todas la variables aleatorias bidimensionales separadas un periodo (z,z 2 ), (z 2,z 3 ),..., (z n,z n ) tendrán
3 8. Análisis de series temporales 3 las misma covarianza γ. Del mismo modo, todas la variables aleatorias bidimensionales separadas dos periodos (z,z 3 ), (z 2,z 4 ),..., (z n 2,z n ) tendrán las misma covarianza γ 2. En general, todas las variables aleatorias separadas k periodos (z t,z t k ) tendrán covarianza γ k. Por otro lado, con la relación menor que infinito indicamos la existencia correspondiente del momento. Proposición 63. Bajo estacionariedad de segundo orden, podemos estimar los dos primeros momentos poblaciones del proceso mediante los correspondientes momentos muestrales de la serie temporal:. Media muestral n t= ˆµ = z = z t n 2. Varianza muestral n ˆσ 2 t= = (z t z) 2 n 3. Covarianza muestral en el retardo k n t=k+ ˆγ k = (z t z)(z t k z) n Definición 57. Un proceso es estrictamente estacionario si la función de densidad de un subconjunto de m variables aleatorias cualesquiera no se ve afectada por un desplazamiento temporal p(z t,z t2,...,z tm ) = p(z t +k,z t2 +k,...,z tm+k) en donde t,...,t m son m índices no necesariamente consecutivos y k es el desplazamiento temporal. Observación 4. Para m =, la estacionariedad estricta implica que todas las variables aleatorias tienen la misma distribución de probabilidad. Definición 58. Un proceso se dice Gaussiano cuando la distribución de probabilidad de cualquier subconjunto de variables aleatorias es Normal. Definición 59. Si un proceso es Gaussiano y débilmente estacionario, entonces también será estrictamente estacionario. Definición 6. Un proceso de ruido blanco o puramente aleatorio es una secuencia de variables aleatorias {a t } mutuamente ortogonales con media cero y varianza constante: E(a t ) =, E(a 2 t ) = σ2 a y E(a ta s ) = para t = s Funciones de autocorrelación simple y parcial El coeficiente de correlación simple entre dos variables aleatorias X e Y, denotado por ρ XY, se define como ρ XY = Cov(X,Y ) V ar(x)v ar(y ) = E(X EX)(Y EY ) E(X EX) 2 E(Y EY ) 2 Definición 6. El coeficiente de autocorrelación simple en el retardo k, denotado por ρ k, es el coeficiente de correlación simple entre las variables aleatorias z t y z t k ρ k = Cov(z t,z t k ) V ar(zt )V ar(z t k ) = E(z t µ)(z t k µ) E(zt µ) 2 E(z t k µ) 2 = γ k γ
4 Funciones de autocorrelación simple y parcial Proposición 64. El coeficiente de autocorrelación simple en el retardo k es la pendiente en la regresión lineal simple de z t sobre z t k. Demostración. La regresión simple de z t sobre z t k es z t = β + β 2 z t k + u t en donde u t es un proceso de ruido blanco. Tomando esperanza matemática tenemos µ = β + β 2 µ Por tanto, la ecuación de regresión simple en desviaciones respecto a las medias poblaciones es z t = β 2 z t k + u t Multiplicando la ecuación por z t k y tomando esperanza matemática obtenemos E( z t z t k ) = β 2 E( z 2 t k ) + E(u tz t k ) en donde E(u t z t k ) = para k >. De aquí, γ k = β 2 γ β 2 = γ k γ = ρ k El coeficiente de autocorrelación en el retardo k puede estimarse a partir de los datos de una serie temporal como ˆρ k = ˆγ n k t=k+ = (z t z)(z t k z) ˆγ n t= (z t z) 2 que, en grandes muestras, puede aproximarse por la pendiente estimada en la regresión lineal simple de z t sobre z t k ˆβ 2 = ˆγ k ˆγ = n t=k+ (z t z)(z t k z) n t=k+ (z t k z) 2 ˆγ k El coeficiente de correlación parcial entre dos variables aleatorias X e Y dada Z, denotado por ρ XY.Z, se define como el coeficiente de correlación simple entre X e Y después de extraer la influencia de Z. La extensión de esta medida a un proceso estocástico es como sigue. Definición 62. El coeficiente de autocorrelación parcial en el retardo k, denotado por φ kk, es el la correlación simple entre z t y z t k después de extraer la influencia de los retardos intermedios. El cálculo de las autocorrelaciones parciales puede basarse en el modelo de regresión múltiple en desviaciones respecto a las medias poblacionales z t = φ,k z t + + φ k,k z t k + u t Multiplicando el modelo por z t k y tomando esperanza matemática E( z t z t k ) = φ,k E( z t z t k ) + + φ k,k E( z t k 2 ) + E(u t z t k ) y tomando esperanza matemática obtenemos γ k = φ,k γ k + + φ k,k γ t k
5 8. Análisis de series temporales 5 Dividiendo por γ podemos especificar el sistema de ecuaciones de Yule-Walker ρ ρ ρ... ρ k φ,k ρ (8.) 2. = ρ ρ... ρ k 2 φ 2,k.. ρ k ρ k 2... ρ ρ k que nos permite obtener la autocorrelación parcial φ k,k en términos de las autocorrelaciones simples ρ,...,ρ k. Aplicando la regla de Cramer, tenemos que ρ... ρ ρ... ρ ρ k ρ k 2... ρ k φ kk = ρ... ρ k ρ... ρ k ρ k ρ k... Definición 63. El conjunto {γ k ; k =, ±,...} se denomina función de autocovarianzas. Definición 64. El conjunto {ρ k ; k =, ±, } se denomina función de autocorrelación simple (ACF); y su gráfico, correlograma. Definición 65. El conjunto {φ k,k ; k =, ±, } se denomina función de autocorrelación parcial (PACF). φ k,k 8.3. El proceso estacionario lineal general Definición 66. El proceso lineal general expresa cada la variable aleatoria z t como una combinación lineal de todas sus retardos pasados más un término de error puramente aleatorio (8.2) z t =π z t + π 2 z t a t = π j z t j + a t j= en donde z t j = z t j µ (j =,2,... ) son los retardos de la variable aleatoria z t = z t µ, µ es la media del proceso z t, π j (j =,2,... ) son los coeficientes asociados a las variables explicativas y a t es un proceso de ruido blanco. Observación 4. El proceso lineal general (8.2) puede contemplarse como un modelo de regresión lineal con infinitas variables explicativas, que son los retardos de la propia variable dependiente. Se utiliza el término proceso univariante para enfatizar que el modelo incluye información de una única variable. Observación 42. La ecuación (8.2) se denomina autorregresión de orden infinito, denotada por AR( ), y a veces se conoce también como la forma π de un proceso.
6 El proceso estacionario lineal general El algebra con procesos lineales se simplifica considerablemente haciendo uso del operador de retardo (en inglés, lag operator) o cambio hacia atrás (en inglés, backward shift operator), denotado por L o B y definido como Bz t = z t. La aplicación repetida del operador B a z t permite expresar cualquier retardo z t k en términos de z t. Así, B 2 z t = BBz t = Bz t = z t 2 y B k = z t k. De aquí, el proceso lineal puede escribirse como (8.3) o bien z t =π B z t + π 2 B 2 z t + + a t = π j B j z t + a t j= π(b) z t = a t en donde π(b) = π B π 2 B 2... es un polinomio en B de orden infinito. Observación 43. El operador adelanto o cambio hacia adelante (en inglés, forward shift operator) se denota por F y se define como Fz t = z t+, cumpliéndose que F = B. Proposición 65. Representación de Wold (938). El proceso lineal general puede expresarse como una combinación lineal de los retardos de un proceso puramente aleatorio (8.4) z t =a t + ψ a t + ψ 2 a t =a t + ψ j a t j j= =ψ(b)a t en donde ψ(b) = ψ + ψ B + ψ 2 B es un polinomio en B de orden infinito con ψ =. Demostración. Partiendo de π(b) z t = a t, podemos escribir z t = (/π(b))a t = ψ(b)a t, en donde ψ(b) = π (B). Vemos que los polinomios ψ(b) y π(b) cumplen la relación ψ(b)π(b) =, de modo que podemos obtener los pesos ψ a partir de los pesos π, y viceversa. Observación 44. La ecuación (8.2) es una media móvil de orden infinito, denotada por MA( ), y a veces se conoce también como la forma ψ de un proceso. Proposición 66. El proceso lineal general es estacionario de segundo orden si ψ,ψ,... es una serie convergente, esto es, si la suma de los valores absolutos de los pesos ψ j es finita, j= ψ j <. Demostración. Media: E( z t ) = E(z t ) = µ. Varianza E( z t ) 2 =E(a t + ψ a t + ψ 2 a t ) 2 =E(a 2 t + ψ 2 a 2 t + ψ 2 2a 2 t ψ a t a t +...) =σ 2 a( + ψ 2 + ψ )
7 8. Análisis de series temporales 7 Covarianzas E( z t z t k ) =E[(a t + ψ a t + ψ 2 a t ψ k a t k + ψ k+ a t k + ψ k+2 a t k ) (a t k + ψ a t k + ψ 2 a t k )] =σaψ 2 k + σaψ 2 k+ ψ +... = σa 2 ψ j ψ j+k j= Definición 67. Un proceso es invertible si π,π,π 2... es una serie convergente, esto es, j= π j <. En este caso, el pasado muy remoto es irrelevante en la explicación del presente. Observación 45. La condiciones de estacionariedad e invertivilidad se cumplicarán cuando el proceso tenga una representación M A y una representación AR finitas, respectivamente. A pesar de su interés teórico, el proceso lineal general no tiene ninguna relevancia práctica porque incluye un número infinito de parámetros, que no podemos pretender estimar usando muestras finitas. De ahí que sea conveniente buscar representaciones parsiomoniosas o escuetas que usen un número finito de parámetros y que sean buenas aproximaciones al proceso lineal general. Tales aproximaciones pueden obtenerse reemplazando el polinomio π(b) por un polinomio racional π(b) φ(b) θ(b) = φ B φ p B p θ B θ q B q en donde φ(b) y θ(b) son dos polinomios en B de orden finito p y q, respectivamente. Definición 68. El proceso mixto autorregresivo-de medias móviles de orden (p, q), denotado por ARM A(p, q) se define como z t = δ + φ z t + + φ p z t p + a t θ a t θ q a t q o, en términos del operador de retardo, ( φ B φ p B p )z t = δ + ( θ B θ q B q )a t en donde p es el orden del polinomio autorregresivo y q el del polinomio de medias móviles. Proposición 67. El proceso ARMA(p,q) es estacionario si las raíces B del polinomio autorregresivo φ B φ p B p = caen fuera del círculo unitario, es decir, son mayores que la unidad en valor absoluto. Proposición 68. El proceso ARM A(p, q) es invertible si las raíces B del polinomio de medias móviles θ B θ q B q = caen fuera del círculo unitario Proceso autorregresivo de primer orden Definición 69. El proceso autorregresivo de primer orden, denotado por AR(), es (8.5) z t = δ + φz t + a t ( φb)z t = δ + a t
8 Proceso autorregresivo de primer orden en donde δ, φ y σ 2 a = E(a2 t ) son los parámetros del modelo y a t es un proceso de ruido blanco. Observación 46. El proceso AR() se obtiene como caso especial del proceso lineal general cuando π = φ y π j = para j > Observación 47. El proceso AR() puede contemplarse como un modelo de regresión simple (8.6) y t = β + β 2 x t + u t en donde la variable explicativa es la propia variable dependiente retardada un periodo. El término autorregresivo significa que la variable dependiente se explica por sí misma, sin auxilio de otras variables. Proposición 69. El proceso AR() tendrá una media estable si φ =. Demostración. El proceso lineal general tiene media estable si j= π j =. En nuestro caso, j= π j = φ. Proposición 7. Bajo estacionariedad de primer orden, podemos escribir el proceso AR() en desviaciones respecto a la media (8.7) z t = φ z t + a t ( φb) z t = a t Proposición 7. La representación del Wold del proceso AR() es z t = a t + φa t + φ 2 a t 2 + = a t + φ j a t j Demostración. La forma ψ puede obtenerse siguiendo dos aproximaciones alternativas.. Sustitución reiterada de retardos: z t =φ z t + a t z t =φ[φ z t 2 + a t ] + a t = φ 2 z t 2 + φa t + a t j= (8.8) z t =φ 2 [φ z t 3 + a t 2 ] + φa t + a t = φ 3 z t 3 + φ 2 a t 2 + φa t + a t. z t =φ k z t k + φ k a t (k ) + + φ 2 a t 2 + φa t + a t Si φ <, entonces el término φ k z t k es despreciable y tenemos el resultado buscado. 2. Inversión del polinomio autorregresivo: ( φb) z t = a t z t = φb a t = ψ(b)a t en donde ψ(b) es un polinomio en B de orden infinito ψ(b) = + ψ B + ψ 2 B
9 8. Análisis de series temporales 9 cuyos coeficientes pueden encontrarse de la relación ψ(b)( φb) =. El polinomio producto ψ(b)( φb) = + ψ B + ψ 2 B φb + φψ B 2 + φψ 2 B 2... = + (ψ φ)b + (ψ 2 φψ )B (ψ j φψ j )B j +... será igual a si sus coeficientes ψ j φψ j son nulos. De aquí, encontramos que ψ j = φ j y podemos escribir z t = ψ(b)a t = a t + φa t + φ 2 a t Esta segunda aproximación a veces se obtiene directamente como una aplicación de la suma de una serie geométrica De manera que + x + x 2 + x 3 + = x cuando < x < ( φb) = + φb + φ 2 B Proposición 72. El proceso AR() será estacionario de segundo orden si < φ <. Demostración. El proceso lineal general es estacionario de segundo orden si j= ψ j <. En nuestro caso, como ψ j = φ j, la condición de estacionariedad requiere que φ <. Proposición 73. El proceso AR() siempre es invertible. Demostración. Es claro que el proceso AR() no depende del pasado remoto: j= π j = φ <. Proposición 74. La función de autocovarianzas {γ k } de un proceso AR() es en donde γ = σ 2 a/( φ 2 ). γ k = φ k γ Demostración. Para obtener la covarianza en el retardo k, γ k = E[(z t µ)(z t k µ)], multiplicamos la ecuación (8.7) por z t k y tomamos esperanza matemática E( z t z t k ) =E[(φ z t + a t ) z t k ] =φe( z t z t k ) + E(a t z t k ) en donde E(a t z t k ) = σa 2 si k = y E(a t z t k ) = si k >. Vemos que para k =, γ = σa 2/( φ2 ); y para k >, γ k cumple una ecuación en diferencias de primer orden γ k = φγ k.
10 Proceso autorregresivo de primer orden Observación 48. La varianza γ del proceso puede obtenerse directamente de la forma ψ. En efecto, γ = E( z t 2 ) =E[( φ j a t j ) 2 ] = E[ φ 2j a 2 t j + φ j φ h a t j a t h ] j= =σa 2 φ 2j j= j= j= h=j que es la suma de una progresión geométrica de razón φ 2. De aquí, γ = σ 2 a/( φ 2 ). Proposición 75. La función de autocorrelación {ρ k } de un proceso AR() es ρ k = φ k Observación 49. Se dice que el proceso AR() tiene una memoria infinita para indicar que z t está correlacionado con cualquier retardo z t k. Proposición 76. La función de autocorrelación parcial {φ k,k } se anula o corta para retardos k mayores que, siendo φ, = ρ = φ. Demostración. La función de autocorrelación parcial puede calcularse a partir de las ecuaciones de Yule-Walker (8.), resultando que φ =ρ = φ ρ ρ ρ 2 φ 22 = ρ ρ = φ φ φ 2 φ φ =. (8.9) ρ... ρ φ... φ ρ... ρ 2 φ... φ ρ k ρ k 2... ρ k φ k φ k 2... φ k φ kk = = = ρ... ρ k φ... φ k ρ... ρ k 2 φ... φ k ρ k ρ k... φ k φ k 2... Vemos que el determinante del numerador para φ kk (k > ) se anula porque la última columna es φ veces la primera. El cuadro (2) muestra las funciones de autocorrelación simple y parcial para dos modelos AR(). Si φ =,9 >, {ρ k } decrece exponencialmente al aumentar el retardo k, mientras que {φ kk } sólo tiene un coeficiente distinto de cero en el primer retardo. Si φ =,9 <, la función de autocorrelación simple decrece alternando en signo, y la función de autocorrelación parcial toma un valor negativo en el primer retardo.
11 8. Análisis de series temporales 2 ρk φk,k ρk φk,k k ( - 5) (a) φ =,9 - k ( - 5) - k ( - 5) - (b) φ =,9 k ( - 5) Figura : Funciones de autocorrelación simple y parcial para dos procesos AR() Los resultados anteriores se extienden fácilmente al proceso autorregresivo estacional de primer orden, denotado por AR() s, z t = δ + φz t s + a t ( φb s )z t = δ + a t que es útil en la descripción de series trimestrales (s = 4) y mensuales (s = 2). Por ejemplo, cuando pensamos que las ventas de una empresa en un mes determinado dependen de las ventas en el mismo mes del año anterior Proceso de medias móviles de primer orden Definición 7. La ecuación de un proceso de medias móviles de primer orden, denotado por M A(), es (8.) z t = µ + a t θa t o z t = µ + ( θb)a t en donde µ, θ y σ 2 a = E(a2 t ) son los parámetros del modelo y a t es un proceso de ruido blanco. Observación 5. El proceso MA() es un caso especial de la forma ψ del proceso lineal general que se obtiene fijando ψ = θ y ψ j = j >. Proposición 77. El proceso MA() en desviaciones respecto a la media es en donde z t = z t µ z t = a t θa t o z t = ( θb)a t Demostración. Es inmediato comprobar que el término constante µ es la media del proceso E(z t ) = µ + E(a t ) θe(a t ) = µ Proposición 78. La forma π del proceso M A() es z t = θ z t θ 2 z t 2 + a t = θ j z t j + a t Demostración. Seguimos las dos aproximaciones descritas para el proceso AR(). j=
12 Proceso de medias móviles de primer orden. Sustitución reiterada de errores retardos: z t =a t θa t z t =a t θ( z t + θa t 2 ) = a t θ z t θ 2 a t 2 (8.) z t =a t θ z t θ 2 ( z t 2 + θa t 3 ) = a t θ z t θ 2 z t 2 θ 3 a t 3. z t = θ z t θ 2 z t 2 θ k z t k+ + a t θ k a t k en donde el término θ k a t k tenderá a cero cuando k si θ <. 2. Inversión del polinomio de medias móviles: z t = ( θb)a t θb z t = a t π(b)z t = a t en donde π(b) es un polinomio en B de orden infinito π(b) = π B π 2 B 2... cuyos coeficientes pueden encontrarse de la relación π(b)( θb) =. El polinomio producto π(b)( θb) = π B π 2 B 2 θb + θπ B 2 + θπ 2 B 2... = (π + θ)b (π 2 + θπ )B 2 (π j + θπ j )B j +... será igual a si sus coeficientes π j + θπ j son nulos. De aquí, encontramos que los pesos π j = θ j. Proposición 79. Un proceso MA() siempre es estacionario. Demostración. Se cumple que j= ψ j = θ <. Proposición 8. Un proceso MA() es invertible si < θ <. Demostración. Se cumplirá que j= π j = j= θj < cuando θ <. Proposición 8. La función de autocovarianzas de un proceso MA() es ( θ 2 )σa 2 k = γ k θσa 2 k = k > Demostración. Es claro que E( z t z t k ) = E[(a t θa t )(a t k θa t k )] Proposición 82. La función de autocorrelación simple de un proceso MA() es θ ρ k θ 2 k = k > Observación 5. Se dice que la memoria del proceso M A() es de un periodo porque ρ k = para k >.
13 8. Análisis de series temporales 23 Observación 52. Si θ <, entonces ρ <,5. Proposición 83. La función de autocorrelación parcial de un proceso MA() es φ kk = θk ( θ 2 ) θ 2(k+) para k > Demostración. Resolviendo las ecuaciones de Yule-Walker para distintos retardos, obtenemos ρ ρ ρ ρ ρ 2 ρ ρ 2 φ = ρ, φ 22 = ρ = ρ2 ρ 2 ρ ρ 3 ρ 2, φ 33 = = ρ3 ρ ρ 2 2ρ 2,... ρ ρ ρ ρ 2 ρ El cuadro (2) muestra las funciones de autocorrelación simple y parcial para dos modelos MA(). Cuando el parámetro MA es positivo, la ACF tiene un coeficiente negativo en el primer retardo y la PACF se amortigua alternando en signo. Por el contrario, cuando el parámetro MA es negativo, la ACF tiene un coeficiente positivo en el primer retardo, y la PACF decrece exponencialmente por debajo de cero. ρk φk,k ρk φk,k k ( - 5) (a) θ =,9 - k ( - 5) - k ( - 5) (b) θ =,9 - k ( - 5) Figura 2: Funciones de autocorrelación simple y parcial para dos procesos MA() Los resultados anteriores se extienden fácilmente al proceso de medias móviles estacional de primer orden, denotado por MA() s, z t = δ + a t θa t s z t = δ + ( θb s )a t 8.6. Procesos no estacionarios Las series temporales que observamos en economía suelen ser no estacionarias en media. Por ejemplo, en el gráfico temporal (3) de la serie mensual Indices de Precios Industriales en España vemos que la media local (la media de un subconjunto de observaciones) aumenta en el tiempo. Las series temporales con estas características se denominan series no estacionarias y no pueden ser descritas directamente mediante procesos estacionarios.
14 Procesos no estacionarios 3 zt 76 8 ˆρk t( ) ˆφk,k k( 39) k( 39) Figura 3: Gráfico temporal y funciones de autocorrelación para la serie mensual Indices de Precios Industriales El modelo de regresión con tendencia lineal y t = β + β t + u t, t =,...,n es un candidato razonable para describir series que fluctúan alrededor de una tendencia lineal. El modelo puede ampliarse, en caso necesario, especificando un proceso ARMA para el término de error u t. Por ejemplo, suponiendo que u t = φu t + a t, en donde a t es un proceso de ruido blanco. Una aproximación alternativa consiste en ajustar un proceso autorregresivo de primer orden ( φb)y t = δ + u t en donde u t es un proceso de ruido blanco. Esta especificación puede justificarse por la forma de las funciones de autocorrelación simple y parcial mostradas en el gráfico (3). Cuando φ =, el proceso y t no es estacionario. Sin embargo, su primera diferencia sí es estacionaria, E(y t y t ) = δ. Definición 7. La diferencia primera de un proceso y t es y t y t o ( B)y t. Definición 72. La diferencia segunda de un proceso y t es la diferencia primera de la diferencia primera (y t y t ) (y t y t 2 ) o ( B) 2 y t. Definición 73. La diferencia de orden d de un proceso y t es ( B) d y t o d y t, en donde = B se denomina operador diferencia. Muchas series temporales no estacionarias en media pueden transformarse en estacionarias o bien ajustando polinomios de tendencias o bien tomando sucesivas diferencias. La serie resultante puede ser entonces descrita por un modelo ARMA. es Definición 74. El modelo de regresión con tendencia determinista y autocorrelación y t =β + β t + + β r t r + u t u t =φ u t + + φ p u t p + a t θ a t a t q Definición 75. Un proceso y t es integrado de orden d si al diferenciarlo d veces obtenemos un proceso z t = ( B) d y t estacionario.
15 8. Análisis de series temporales 25 Definición 76. El proceso ARIMA(p,d,q) es ( φ B φ p B p )( B) d y t = δ + ( θ B θ q B q )a t Definición 77. El proceso ARIM A(,, ) sin término constante ( B)y t = a t se denomina paseo aleatorio, también conocido como paseo del borracho. Si el modelo incluye término constante, se denomina paseo aleatorio con deriva. Observación 53. Al diferenciar una serie cuando no es necesario obtenemos modelos MA no invertibles. Por ejemplo, si una serie temporal ha sido generada por un modelo de tendencia lineal, la diferencia primera conduce a un proceso M A() no invertible. Para verlo, escribimos el modelo de regresión en dos instantes consecutivos y restando obtenemos y t =β + β t + u t y t =β + β (t ) + u t y t y t = β + u t u t, t = 2,...,n en donde y t es un proceso MA() no invertible (θ = ) si u t es un proceso de ruido blanco. Definición 78. La diferencia estacional z t z t s o ( B s )z t se emplea para eliminar la estacionalidad. En el análisis de series temporales reales la decisión de si una serie es estacionaria o no estacionaria puede basarse en la inspección de su gráfico temporal y en la función de autocorrelación simple. Las series no estacionarias tienen medias locales inestables y la función de autocorrelación decrece muy lentamente. Un procedimiento estadístico más formal es el contraste de Dickey-Fuller Definición 79. En el modelo y t = φy t + u t, se rechaza la hipótesis nula de no estacionariedad H : φ = frente a la alternativa de estacionariedad H : φ < cuando DF = ˆφ se(ˆφ) < c α en donde ˆφ = n t=2 y ty t / n t=2 y2 t es el estimador de mínimos cuadrados de φ, se(ˆφ) es la raíz de ˆV (ˆφ) = ˆσ u 2/ n t=2 y2 t y c α es el valor crítico para el nivel de significación α en una distribución no estándar tabulada por Dickey y Fuller. Algunas series económicas, además de ser no estacionarias en media, tienen varianzas locales inestables. La no estacionariedad en varianza puede corregirse tomando logaritmos, que es un tipo de transformación Box-Cox.
16 Predicción con modelos ARIMA Definición 8. La transformación potencia Box-Cox es una familia de transformaciones que inducen linealidad, homocedastidad (varianza estable) y normalidad y t λ = yt λ =,5 y (λ) t = zλ t = ln(y t ) λ = λ λ =,5 yt λ =, y t 8.7. Predicción con modelos ARIMA La predicción lineal general del valor futuro z n+h desde el origen n es una combinación lineal de las observaciones pasadas z n, z n, z n 2,... ẑ n (h) = α z n + α z n + α 2 z n y, mediante sustituciones sucesivas, puede expresarse en términos de los errores pasados ẑ n (h) = β a n + β a n + β 2 a n Nos interesa elegir los pesos α i o β i de manera que el error de predicción e n (h) = z n+h ẑ n (h) tenga error cuadrático medio mínimo. Proposición 84. La predicción de error cuadrático medio mínimo de z n+h en el origen n y a horizonte h es la esperanza de z n+h condicionada a todas las observaciones disponibles hasta el origen n ẑ t (h) = E(z n+h z n,z n,z n 2,... ) = ψ h a n + ψ h+ a n +... Demostración. Si el modelo es estable, el valor futuro z n+h vendrá generado por El error de predicción z n+h = a n+h + ψ a n+h + + ψ h a n + ψ h+ a n +... e n (h) = z n+h ẑ n (h) = a n+h + ψ a n+h + + (ψ h β )a n + (ψ h+ β )a n +... es insesgado y tiene varianza V (e n (h)) = σ 2 a ( + ψ2 + + ψ h ) + σ 2 a [(ψ h β ) 2 + (ψ h+ β ) ] La varianza, error cuadrático medio E(z n+h ẑ n (h)), será mínima cuando β i = ψ h+i (i =,,...). De aquí, la predicción de error cuadrático medio mínimo ẑ n (h) = ψ h a n + ψ h+ a n + ψ h+2 a n es la esperanza de z n+h condicionada a todas las observaciones pasadas. Observación 54. En la predicción con modelos ARIMA hacemos uso de los siguientes resultados:. E(z t z n, z n,...) = ẑ n (t n) cuando t > n. 2. E(z t z n, z n,...) = z t cuando t n 3. E(a t z n, z n,...) = cuando t > n.
17 8. Análisis de series temporales E(a t z n, z n,...) = a t cuando t n Ejemplo 6. Predicción con el modelo AR(). Predicción: ẑ n (h) = φẑ n (h ) con z n () = z n. Error de predicción: e n (h) = a n+h + φa n+h + + φ h a n+ Varianza: V (e n (h) = σ 2 ( + φ φ 2(h ) ) Predicción por intervalo: ẑ n (h) ± c σ 2 a ( + φ2 + + φ 2(h ) ) en donde c es el valor crítico tal que Prob( N(,) < c) = α. Ejemplo 7. Predicción con el modelo MA(). Predicción: ẑ n () = θa n y ẑ n (h) = para h >. Error de predicción: e n () = a n+ y e n (h) = a n+h + θa n+h para h >. Varianza: V (e n () = σ 2 y V (e n (h)) = ( + θ 2 ) para h >. Predicción por intervalo: ẑ n () ± c σ 2 a y ẑ n (h) ± c σ 2 a( + θ 2 ) para h > Resumen. Una serie temporal es una realización particular de proceso estocástico. 2. El proceso estocástico lineal general expresa cada observación de una serie temporal como una combinación lineal de las observaciones pasadas. 3. Un proceso es débilmente estacionario si sus dos primeros momentos existen y son estables. 4. Los procesos ARMA son una aproximación al proceso lineal general que incluye un número finito de parámetros. 5. Los procesos ARMA están caracterizados por las funciones de autocorrelación simple y parcial, que nos permiten distinguir unos procesos de otros. 6. Las series temporales no estacionarias en media puede convertirse en estacionarias extrayendo tendencias deterministas o diferenciando. 7. Las series temporales no estacionarias en varianza pueden convertirse en estacionarias tomando logaritmos o cualquier otra transformación Box-Cox. 8. La dinámica de los modelos ARIMA es conveniente para calcular predicciones de forma recursiva. Proceso estocástico Serie temporal Proceso lineal general Estacionariedad Invertibilidad Palabras clave 8.9. Ejercicios Función de autocorrelación Procesos integrados Procesos ARIMA Predicción. Suponga que z t = φ z t + u t y u t = φ 2 u t + a t, en donde a t es un proceso de ruido blanco. Demuestre que z t sigue un proceso AR(2). 2. Suponga que z t = u t θ u t y u t = a t θ 2 a t, en donde a t es un proceso de ruido blanco. Demuestre que z t sigue un proceso MA(2). 3. Suponga que z t = φ z t + u t y u t = a t θ 2 a t, en donde a t es un proceso de ruido blanco. Demuestre que z t sigue un proceso ARMA(,).
18 Ejercicios resueltos 4. Explique detalladamente las propiedades de un proceso ARM A(, ) y su uso en predicción. 8.. Ejercicios resueltos. Escribimos los dos modelos en notación retardos ( φ B)z t =u t ( φ 2 B)u t =a t Premultiplicando la primera ecuación por ( φ 2 B) obtenemos que podemos escribir como ( φ 2 B)( φ B)z t = ( φ 2 B)u t = a t ( δ B + δ 2 B 2 )z t = a t en donde δ = φ + φ 2 y δ 2 = φ φ 2.
Econometría 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 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 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 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 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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
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 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 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 detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
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 detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
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 detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
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 detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesUnidad 2: Ecuaciones, inecuaciones y sistemas.
Unidad 2: Ecuaciones, inecuaciones y sistemas 1 Unidad 2: Ecuaciones, inecuaciones y sistemas. 1.- Factorización de polinomios. M. C. D y m.c.m de polinomios. Un número a es raíz de un polinomio es 0.
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 detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
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 detallesCálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
Más detallesNÚMEROS COMPLEJOS: C
NÚMEROS COMPLEJOS: C Alejandro Lugon 21 de mayo de 2010 Resumen Este es un pequeño estudio de los números complejos con el objetivo de poder usar las técnicas de solución de ecuaciones y sistemas diferenciales
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 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 detallesMatemáticas Universitarias
Matemáticas Universitarias 1 Sesión No. 5 Nombre: Desigualdades lineales, cuadráticas y valor absoluto Objetivo de la asignatura: En esta sesión el estudiante conocerá las características y métodos de
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 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 detallesTrabajo Práctico n 2. Robotización de un Puente Grúa. Presentación. Restricciones. Curso 2011
Trabajo Práctico n 2 Robotización de un Puente Grúa Presentación Este problema consiste en desarrollar un sistema de control automático que permita robotizar la operación de un puente grúa para la carga
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
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 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 detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
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 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 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 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 detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesFabio Prieto Ingreso 2003
Fabio Prieto Ingreso 00. INECUACIONES CON UNA VARIABLE.. Inecuación lineal Llamaremos desigualdad lineal de una variable a cualquier epresión de la forma: a + b > 0 o bien a + b < 0 o bien a + b 0 o bien
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 detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
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 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 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 detallesPROBLEMAS RESUELTOS MOVIMIENTO ONDULATORIO
PROBLEMAS RESUELTOS MOVIMIENTO ONDULATORIO 1. Una onda transversal se propaga en una cuerda según la ecuación (unidades en el S.I.) Calcular la velocidad de propagación de la onda y el estado de vibración
Más detalles2 Unidad II: Ecuaciones Diferenciales de Orden Superior
ITESM, Campus Monterrey Departamento de Matemáticas MA-41: Ecuaciones Diferenciales Lectura # Profesor: Victor Segura Flores Unidad II: Ecuaciones Diferenciales de Orden Superior.1 Ecuaciones Diferenciales
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detalles7.FUNCIÓN REAL DE VARIABLE REAL
7.FUNCIÓN REAL DE VARIABLE REAL 7.1 CONCEPTOS PREVIOS Dados dos conjuntos A={ 1,, 3,...} y B={y 1, y, y 3,...}, el par ordenado ( m, y n ) indica que el elemento m del conjunto A está relacionado con el
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesCapitulo IV - Inecuaciones
Capitulo IV - Inecuaciones Definición: Una inecuación es una desigualdad en las que hay una o más cantidades desconocidas (incógnita) y que sólo se verifica para determinados valores de la incógnita o
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 detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
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 detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
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 detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS CC SOCIALES CAPÍTULO 2 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 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 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 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 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 detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Líneas y s en el Espacio Departamento de Matemáticas ITESM Líneas y s en el Espacio Álgebra Lineal - p. 1/34 Los conjuntos solución a un sistema de ecuaciones lineales cuando tienen
Más detallesProfundización teórica de modelos de volatilidad ARCH - GARCH y una aplicación al caso colombiano
Comunicaciones en Estadística Junio 009, Vol., No. 1 Profundización teórica de modelos de volatilidad ARCH - GARCH y una aplicación al caso colombiano Deepening the theorical volatility models ARCH - GARCH
Más detallesTema 3 Álgebra Matemáticas I 1º Bachillerato. 1
Tema 3 Álgebra Matemáticas I 1º Bachillerato. 1 TEMA 3 ÁLGEBRA 3.1 FACTORIZACIÓN DE POLINOMIOS LA DIVISIBILIDAD EN LOS POLINOMIOS Un polinomio P(x) es divisible por otro polinomio Q(x) cuando el cociente
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
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 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 detallesSISTEMA DE NUMEROS REALES
SISTEMA DE NUMEROS REALES 1.1 Conjuntos Es una agrupación de objetos distintos (pero con algunas características en común), los que reciben el nombre de elementos. Generalmente se nombra a un conjunto
Más detallesTALLER 1 DE ALGEBRA LINEAL Y GEOMETRÍA INGENIERÍA AMBIENTAL - UNIVERSIDAD DE CÓRDOBA FACTORIZACIÓN LU Y CADENAS DE MARKOV
TALLER 1 DE ALGEBRA LINEAL Y GEOMETRÍA INGENIERÍA AMBIENTAL - UNIVERSIDAD DE CÓRDOBA FACTORIZACIÓN LU Y CADENAS DE MARKOV DESCRIPCIÓN: En el siguiente trabajo se mostrarán algunos métodos para encontrar
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesTeoría Tema 6 Ecuaciones de la recta
página 1/14 Teoría Tema 6 Ecuaciones de la recta Índice de contenido Base canónica en dos dimensiones como sistema referencial...2 Ecuación vectorial de la recta...4 Ecuación paramétrica de la recta...6
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesFundamentos matemáticos. Tema 8 Ecuaciones diferenciales
Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.
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 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 detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Generalidades Definición [Sistema de ecuaciones lineales] Un sistema de m ecuaciones lineales con n incógnitas, es un conjunto de m igualdades
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más detallesÁlgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes
Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
Más detalles