Procesos Estocásticos Estacionarios
|
|
- Carmelo Pérez Cárdenas
- hace 6 años
- Vistas:
Transcripción
1 Capítulo 2 Procesos Estocásticos Estacionarios Las series temporales se pueden clasificar en dos tipos: Series con valores estables alrededor de un nivel constante (capítulos 2-4). Series con tendencias, estacionalidad u otros efectos evolutivos en el tiempo (capítulo 5). Ejemplo 12 Las series núm. 1) y 2) pueden tener un nivel estable, la 3) y la 4) seguro que no. Nota 6 La estabilidad depende del periodo de observación. Por ejemplo, en una serie anual de la temperatura media en un lugar, cuanto más años se observen, menos problable es que el nivel se mantenga constante. Nota 7 Los valores sucesivos de una serie suelen ser dependientes, aunque sea simplemente por inercia Concepto de procesos estocásticos Proceso estocástico: Conjunto de v.a. (Y t ) t I, donde el índice t toma valores en un conjunto I. Llamamos trayectoria del proceso a una realización del proceso estocástico. Si I es discreto, el proceso es en tiempo discreto. Si I es continuo, el proceso es en tiempo continuo. Ejemplo 13 Un ejemplo de proceso en tiempo discreto se obtiene para I = {1,...,n}. En este caso, el proceso es Y 1, Y 2,...,Y n, y una trayectoria se denota por y 1, y 2,...,y n. Ejemplo 14 Un ejemplo de proceso en tiempo continuo se obtiene para I = [0, T], I = [0, ] ó I = (, ). 39
2 Serie temporal: Una serie temporal es una realización de un proceso estocástico en tiempo discreto, donde los elementos de I están ordenados y corresponden a instantes equidistantes del tiempo. Si I = {1,...,n}, la serie es y 1, y 2,...,y n ; Si I = N, la serie es y 0, y 1, y 2,...,; Si I = Z, entonces la serie es...,y 2, y 1, y 0, y 1, y Una serie temporal describe la evolución aleatoria de una variable en el tiempo. Ejemplo 15 Un ejemplo de un proceso con I no ordenado es un proceso espacial, en el que I R 2. Nota 8 Otra clasificación de los procesos es atendiendo a los valores que toman las variables Y t. Si éstas son discretas, el proceso se llama también discreto. Si son continuas, el proceso es continuo. En lo sucesivo, (Y t ) denotará un proceso en tiempo discreto con I = N ó I = Z. Distribución n-dimensional de un proceso: Es la función de distribución de un conjunto de n variables del proceso (Y 1,...,Y n ), es decir, F(y 1,...,y n ) = P(Y 1 y 1,...,Y n y n ), n N. La distribución de un proceso está caracterizada por el conjunto de todas las distribuciones finito-dimensionales. Ejemplo 16 Paseo aleatorio: Un paseo aleatorio está definido por Y t = t a j, donde a j iid N(0, σ 2 ). j=1 Hemos generado seis trayectorias de tamaño T = 300, y 1,...,y 300, de un paseo aleatorio (Y t ) con σ 2 = 1, y las hemos representado en la Figura 2.1. (izquierda). Podemos ver que el gráfico de las distintas trayectorias nos da información sobre la distribución de probabilidad del proceso. Ejemplo 17 Proceso químico: Medimos la concentración de una sustancia cada minuto durante 5 horas. Repetimos esto en distintos días bajo las mismas condiciones para obtener información sobre la distribución del 40
3 proceso: Tenemos varias series de la forma y 1,...,y 300 provenientes del mismo proceso, una para cada día. Sea Y t la distribución de la concentración en el minuto t-ésimo. Se supone que la distribución de Y t es la misma cada día. Entonces, al aumentar el número de días, la proporción con la que y t pertenece a un intervalo (a, b) converge a la probabilidad P(a < Y t < b). Es decir, obtenemos información sobre la distribución de Y t repitiendo el experimento. Paseo aleatorio Figura 2.1: Varias trayectorias de dos procesos Proceso químico concentration [%] time time Ejemplo 18 Temperatura en Düsseldorf: (serie núm. 23, 1/ /2003): Si consideramos que la distribución de la temperatura es la misma en cada uno de los 13 años observados, entonces tenemos 13 trayectorias del proceso con 12 variables aleatorias cada una (una por mes). Véase la Figura 2.3 izquierda. Podemos hacer lo mismo con la serie de las lluvias (serie núm. 24). Véase la Figura 2.3 derecha. Nota 9 Para obtener información sobre la distribución conjunta del proceso necesitamos observar muchas realizaciones del este proceso. Si no se 41
4 Temperatura Figura 2.2: Variables climáticas en Düsseldorf. lluvia month month dispone de varias realizaciones o trayectorias, es necesario realizar hipótesis adicionales que simplifiquen la distribución del proceso. Hipótesis habituales: Suponer que la distribución conjunta es normal multivariante. Entonces quedará determinada por las medias, varianzas y covarianzas. Restringirse a un análisis lineal: Especificar medias, varianzas y covariances también sería suficiente si solo estamos interesados en las relaciones lineales entre las variables del proceso. Proceso Normal: Un proceso (Y t ) t N es Normal si todas las distribuciones finito-dimensionales son normales. Función de medias: La función de medias de un proceso estocástico (Y t ) t I es una función de t que proporciona las esperanzas de las variables Y t µ t = E(Y t ), t I. Función de varianzas: La función de varianzas de un proceso estocástico (Y t ) t I es una función de t que proporciona las varianzas de las Y t σ 2 t = V ar(y t ), t I. Función de autocovarianzas: La función de autocovarianzas de un proceso estocástico (Y t ) t I es una función que describe las covarianzas entre 42
5 las variables del proceso en cada par de instantes γ t1,t 2 = Cov(Y t1, Y t2 ) = E[(Y t1 µ t1 )(Y t2 µ t2 )], t 1, t 2 I. Función de autocorrelación: La función de autocorrelación de un proceso estocástico (Y t ) t I es una función de dos instantes que describe las correlaciones entre las variables en un par de instantes t 1, t 2 I cualesquiera Nota 10 Se verifica: ρ t1,t 2 = Cor(Y t1, Y t2 ) = γ t 1,t 2 σ t1 σ t2, t 1, t 2 I. γ t,t = σ 2 t para cada t I. Las dimensiones de las autocovarianzas son los cuadrados de la serie. Las autocorrelaciones permiten comparar distintas series ya que son adimensionales Procesos estacionarios En muchas situaciones sólo se ha observado una realización del proceso; por ejemplo, en la serie núm. 2) de manchas solares o en la núm. 3) de la población en EE.UU. Entonces, para poder estimar las características del proceso (medias, varianzas o autocovarianzas) necesitamos suponer que son estables a lo largo del tiempo; es decir, que el proceso sea estacionario. Un proceso estocástico (Y t ) t Z es: estable en media si µ t = µ = cte. estable en varianza si σ 2 t = σ 2 y = cte. estable en autocovarianza si γ t1,t 1 +h = γ t2,t 2 +h = γ h para cualquier par de instantes t 1, t 2 Z y cualquier h Z. estacionario en sentido débil si es estable en media y en autocovarianza. estacionario en sentido estricto si las distribuciones marginales de todas las variables son idénticas, y además la distribución finitodimensional de cualquier conjunto de variables sólo depende de los retardos. Es decir, si F t1,...,t k (y 1,...,y k ) = F t1 +h,...,t k +h(y 1,...,y k ) 43
6 para cualquier k N, t 1,...,t k, h Z, y y 1,...,y k R, donde F t1,...,t k denota la distribución conjunta de Y t1,...,y tk. La estacionaridad en sentido estricto es una condición muy fuerte y difícil de comprobar en la práctica. La estacionaridad débil no implica la estricta, salvo para procesos normales. Ejemplo 19 La población de EE.UU. (serie núm. 3) no es estacionaria en la media. El crecimiento del alquiler (núm. 1) parece estable en la media, pero no en la varianza. La serie de pasajeros (núm. 19) no parece estable en la media ni en la varianza. Puede ocurrir que una serie sea estable en la varianza pero no en la media, aunque esto es dificil de distinguir en un gráfico. Propiedades de series estables en autocovarianza: γ 0 = σ 2 y γ h = γ h ρ h = ρ h, llamando ρ h = γ h /γ 0 al coeficiente de autocorrelación. Función de autocorrelación simple (fas): Es la función de autocorrelación entre variables separadas h instantes para series estables en autocovarianza. Se denota por ρ h. Proporciona las correlaciones en función del retardo h. Proceso de ruido blanco: Llamamos ruido blanco a un proceso (Y t ) si: E(Y t ) = 0 V ar(y t ) = σ 2 Cov(Y t, Y t+h ) = 0, h = ±1, ±2,... Si además Y t es un proceso Normal, entonces todas las variables del proceso son independientes. En este caso, (Y t ) se llama ruido blanco normal. Ejemplo 20 Sea (Y t ) t Z un ruido blanco y definimos el proceso Z t = Y t + θy t 1. Comprobar si (Z t ) t Z es estacionario en sentido débil. La función de medias viene dada por E(Z t ) =... 44
7 La función de autocovarianzas viene dada por Cov(Z t, Z t+h ) =... Tenemos que distinguir tres casos: Cov(Z t, Z t+h ) =... Ejemplo 21 Sea (Y t ) un proceso estacionario con E(Y t ) = µ y X t otro proceso definido por { Yt, si t es impar X t = Y t + 1 si t es par. Obsérverse que Cov(X t, X t+h ) = Cov(Y t, Y t+h ) = γ h es estable, pero la esperanza de (X t ) no lo es, ya que { µ, si t es impar E(X t ) = µ + 1 si t es par. Ejemplo 22 Compruébese que un paseo aleatorio (Y t ) definido por Y t = t j=1 a t tiene esperanza cero, pero no es estacionario. Efectivamente, la esperanza es E(Y t ) =... La covarianza entre dos instantes separados en h unidades es Cov(Y t+h, Y t ) =
8 Matrices de autocovarianzas y de autocorrelaciones de orden h: Para un proceso estacionario, las matrices de autocovarianzas y de autocorrelaciones de orden h son: γ 0 γ 1... γ h 1 ρ 0 ρ 1... ρ h 1 γ Γ h = 1 γ γ 1, R ρ h = 1 ρ ρ 1 γ h 1... γ 1 γ 0 ρ h 1... ρ 1 ρ 0 Estabilidad de procesos estacionarios ante combinaciónes lineales (i) Si multiplicamos un proceso estacionario por una constante, resulta un proceso estacionario. (ii) Si sumamos varios procesos que son conjuntamente estacionarios, la suma también lo es. Ejemplo 23 (Incrementos) Sea (Y t ) un proceso estacionario, y definimos el proceso de incrementos Z t = Y t Y t 1. Compruébese que (Z t ) es estacionario. Efectivamente, E(Z t ) =... V ar(z t ) =... Cov(Z t, Z t+h ) =... (iii) Un proceso que es combinación lineal de procesos estacionarios es estacionario: sea c = (c 1,...,c k ) un vector de constantes e Y t = (Y 1t,...,Y kt ) un vector de k procesos conjuntamente estacionarios; es decir, cada (Y it ) es estacionario y las covarianzas entre dos variables de distintas componentes i y j sólo dependen de i, j y del retardo. Sea Z t = c Y t : E(Z t ) =... V ar(z t ) =... Cov(Z t, Z t+h ) =... 46
9 2.3. Estimación Sea (Y t ) un proceso estacionario con media µ = E(Y t ), varianza σ 2 = V ar(y t ) y función de autocovarianzas γ h = Cov(Y t, Y t+h ). Si solo tenemos una realización y 1,...,y n del proceso, cómo estimamos sus características? Media muestral: La media muestral del proceso es ˆµ = Ȳ = 1 n Y n n t=1 Varianza muestral: La varianza muestral es S 2 = 1 n (Y t n Ȳ )2 y la desviación típica muestral es t=1 S = S 2 Autocovarianzas muestrales (función de autocovarianza empírica) c h = 1 n h (Y t n Ȳ )(Y t+h Ȳ ) t=1 Autocorrelación muestral (función de autocorrelación empírica) r h = c h c 0 Correlograma: gráfico de la función de autocorrelación empírica en función del retardo. Propiedades: La media muestral es un estimador insesgado de µ: E(Ȳ ) =... 47
10 Varianza de la media muestral: ( ) 1 n V ar Y t =... n t=1 Si γ h = 0, h > 0, entonces V ar(ȳ ) = γ 0/n. Si γ h 0 para algún h > 0, entonces V ar(ȳ ) γ 0/n. El segundo término no tiene por qué converger cuando n tiende a infinito; por tanto, la media muestral no tiene por qué ser consistente para la media poblacional µ. Proceso ergódico: Un proceso estacionario en sentido débil es ergódico para la estimación de la media µ si V ar(ȳ ) n µ. Ejemplos de procesos no ergódicos: Proceso constante: Un proceso en el que Y 1 = Y 2 =..., donde γ h = γ 0 para cualquier h N, no es ergódico. Efectivamente, la varianza de la media muestral es V ar(ȳ) =... Proceso periódico: El proceso Y t = A cos(ωt + θ) + a t 48
11 no es ergódico, puesto que las autocorrelaciones son periódicas y no tienden a cero. La serie 21 es una trayectoria de un proceso de este tipo con ω = 0,4, A = 1,5 y θ = 0,5. Nota 11 Para que un proceso sea ergódico, la observaciones nuevas tienen que aportar suficiente información para que la varianza converga a 0. Esto no occurre si la dependencia entre las variables es muy fuerte. Una condición necesaria pero no suficiente para que un proceso estacionario sea ergódico es lím h ρ h = 0, es decir, que la correlación entre las observaciones tienda a 0 al aumentar el retardo, de manera que las observaciones suficientemente alejadas sean prácticamente independientes. Figura 2.3: Autocorrelaciones y ergodicidad Correlograma de un proceso ergódico Correlograma de un proceso no ergódico Series AR1 Series CP ACF ACF Lag Lag 49
12 Propiedades de las autocovarianzas y las autocorrelaciones: La autocovarianza empírica es sesgada. Se recomienda estimar sólo autocovarianzas para retardos h n/4 para que haya al menos 4 datos para estimar. La autocorrelación estimada r k tiene distribución asintóticamente normal con media ρ k, es decir r k d N(ρk, V ar(r k )). Su varianza y la covarianza entre dos autocorrelaciones vienen dadas por las fórmulas de Bartlett: V ar(r k ) = 1 ( ρ 2 n i + ρ i k ρ i+k 4ρ k ρ i ρ i k + 2ρ 2 iρk) 2 Cov(r k, r k+h ) = 1 n i= i= +2ρ 2 iρ k ρ k+h ) (ρ i ρ i h + ρ i k ρ i+k+h 2ρ k+h ρ i ρ i k 2ρ k ρ i ρ i k h En un proceso con tendencia, el correlograma disminuye muy lentamente. En un proceso estacional, el correlograma muestra la misma periodicidad que el proceso. Nota 12 Si sólo las primeras q autocorrelaciones ρ 1,...,ρ q son distintas de cero, las varianzas de las estimaciones se aproximan por ( ) V ar(r k ) n k q ρ 2 j, k > q. n(n + 2) Contraste de ruido blanco: Bajo la hipótesis ρ h = 0, h N, podemos aproximar V ar(r k ) 1/n para n grande. En ese caso, como r k d N(ρ k, 1/n), entonces r k ρ k d N(0, 1). 1/n j=1 De esto, se obtiene el intervalo de confianza asintótico IC 95% (ρ k ) = r k 2 n. 50
13 Es decir, con el 95% de probabilidad, ρ h tiene que estar en el intervalo (r h 2/ n, r h + 2/ n). Por tanto, se espera que sólo uno de cada 20 coeficientes se salga de estas bandas. Ejemplo 24 Calculamos las primeras autocorrelaciones muestrales para las leguas recorridas por Colón en su primer viaje: y = = 31,83 s 2 = (9 31,83)2 + (45 31,83) (59 31,83) 2 + (49 31,83) 2 = 266,97 34 (9 31,83)(45 31,83) + (45 31,83)(60 31,83) (59 31,83)(49 31,83) c 1 = 34 r 1 = c 1 s 2 = 0,52 (9 31,83)(60 31,83) (31 31,83)(49 31,83) c 2 = = 5,3 34 r 2 = c 2 s 2 = 0,02 = 138,82 Figura 2.4: Leguas diarias recorridas por Colon (izq.) y su correlograma (der.) leguas ACF dia Lag 51
14 Figura 2.5: Ejemplo 2: Ruido blanco normal (izq.) y correlogramas (der.) ruido 100 observaciones Series ruido[1:100] 200 observaciones Series ruido ACF ACF time Lag Lag Figura 2.6: Lluvia en Düsseldorf, correlograma (izq.) y periodograma (der.) Series lluvia Series: Rainfall Raw Periodogram ACF spectrum Lag frequency bandwidth =
15 APÉNDICE A. NOTACIÓN DE OPERADORES Operador retardo: El operador retardo de una función del tiempo en un instante proporciona la función en el instante anterior: Bx t = x t 1. Propiedades del operador retardo: Si a, b son constantes que no dependen del tiempo y x t, y t son funciones del tiempo t, se verifica: Ba = a; B(ax t ) = abx t ; B(ax t + by t ) = abx t + bby t ; B k x t = x t k. B k se llama operador retardo de orden k. Operador diferencia: El operador diferencia proporciona la diferencia entre la función en un instante y la misma función en el instante anterior: x t = x t x t 1. Se verifica que = 1 B. Efectivamente, x t = x t x t 1 = x t Bx t = (1 B)x t. Este operador se puede aplicar sucesivamente de la forma 2 x t = ( x t ). Operador diferencia de orden s: Este operador proporciona la diferencia entre la función en un instante y la misma función en s instantes antes, x t = x t x t s. Operador inverso: Sea φ(b) una función polinómica del retardo B. Se define el operador inverso de φ(b) como el operador φ(b) 1 que verifica o equivalentemente, φ(b)φ(b) 1 x t = φ(b) 1 φ(b)x t = x t φ(b)φ(b) 1 = φ(b) 1 φ(b) = 1. Ejemplo 25 Para el operador retardo B, el operador inverso B 1 es el operador adelanto. Efectivamente, si tomamos B 1 x t = x t+1, entonces B 1 Bx t = B 1 x t 1 = x t y BB 1 x t = Bx t+1 = x t. 53
16 Ejemplo 26 Para el operador φ(b) = 1 φb, el operador inverso es el operador infinito dado por: φ(b) 1 = (1 φb) 1 = 1 + φb + φ 2 B 2 + φ 3 B 3 + Efectivamente, haciendo el producto obtenemos φ(b)φ(b) 1 = (1 φb)(1 + φb + φ 2 B 2 + φ 3 B 3 + ) = (1 + φb + φ 2 B 2 + φ 3 B 3 + ) (φb + φ 2 B 2 + φ 3 B 3 + ) = 1. 54
17 APÉNDICE B. ECUACIONES LINEALES EN DIFERENCIAS Ecuación lineal en diferencias de orden k: Sea x t una función del tiempo y c una constante. Una ecuación lineal en diferencias de orden k es x t φ 1 x t 1 φ 2 x t 2 φ k x t k = c. En esta ecuación, la función x t es la incógnita y los coeficientes φ 1,...,φ k son conocidos. Resolver la ecuación consiste en encontrar una función x t que sea solución de la ecuación. A menudo existen muchas soluciones para una ecuación lineal en diferencias. Para encontrar una solución se necesita tener k condiciones iniciales x 0,...,x k 1. Si c = 0, la ecuación en diferencias se llama homogénea. La ecuación en diferencias se puede escribir en función del operador retardo, (1 φ 1 B φ 2 B 2 φ k B k )x t = c Si llamamos φ(b) = 1 φ 1 B φ 2 B 2 φ k B k, podemos escribir la ecuación como φ(b)x t = c. El polinomio característico de la ecuación en diferencias es φ(b) = 1 φ 1 B φ 2 B 2 φ k B k. Se llama ecuación característica a la ecuación homogenea φ(b) = 0. Solución particular: Es una solución concreta de la ecuación. Por ejemplo, una constante es a menudo solución de la ecuación. Efectivamente, si reemplazamos x t = x en la ecuación, obtenemos x(1 φ 2 φ 2 φ k ) = c. 55
18 Despejando x, obtenemos x = c 1 φ 2 φ 2 φ k. Solución general: Es un conjunto de soluciones particulares. Si se tiene una solución G t de la ecuación homogénea φ(b)x t = 0 y una solución particular H t de la ecuación completa φ(b)x t = c, entonces x t = G t + H t es una solución general de la ecuación completa φ(b)x t = c. Efectivamente, si reemplazamos x t = G t + H t en la ecuación completa, como φ(b)g t = 0 y φ(b)h t = c, obtenemos φ(b)(g t + H t ) = φ(b)g t + φ(b)h t = φ(b)h t = c. Ecuaciones lineales en diferencias homogéneas: Consideramos una ecuación homogénea del tipo x t φ 1 x t 1 φ 2 x t 2 φ k x t k = 0 (1 φ 1 B φ 2 B 2 φ k B k )x t = 0 φ(b)x t = 0. Ejemplo 27 (Ecuación en diferencias homogénea de primer orden) x t φx t 1 = 0. La solución se puede encontrar de forma recursiva a partir de una condición inicial x 0. Aplicando la fórmula de la ecuación en diferencias para t = 1, 2, 3,..., se tiene x 1 = φx 0, x 2 = φx 1 = φ 2 x 0 x 3 = φx 2 = φ 3 x 0... x t = φ t x 0. Propiedades de las ecuaciones homogéneas: Si G t y H t son soluciones de la ecuación homogénea φ(b)x t = 0, A y B son constantes cualesquiera, entonces también son soluciones las siguientes: (i) AG t ; 56
19 (ii) G t + H t ; (iii) AG t + BH t. Prueba: (i) Reemplazando x t = AG t en la ecuación, como φ(b)g t = 0, entonces φ(b)ag t = Aφ(B)G t = 0. (ii) Reemplazando ahora x t = G t + H t en la ecuación, como φ(b)g t = 0 y φ(b)h t = 0, entonces φ(b)(g t + H t ) = φ(b)g t + φ(b)h t = 0. (iii) Por (i), AG t y BH t son soluciones de la ecuación. Por (ii), la suma de ambas también es solución. Resolución de una ecuación en diferencias homogénea: Si G es el inverso de una solución de la ecuación característica φ(b) = 0, entonces x t = AG t es solución de la ecuación homogénea, donde A 0 es una constante. Efectivamente, si reemplazamos x t = AG t en la ecuación homogénea, obtenemos A(G t φ 1 G t 1 φ 2 G t 2 φ k G t k ) = 0. Dividiendo la ecuación por A y por G t k, se llega a una ecuación de grado k, G k φ 1 G k 1 φ 2 G k 2 φ k = 0. que tiene k soluciones reales o complejas, y que pueden tener multiplicidad distinta de uno. Así, si tenemos una solución G de esta ecuación, entonces x t = G t verifica la ecuación homogénea. Si ahora dividimos la última ecuación por G k, se obtiene 1 1 φ 1 G φ 1 2 G φ 1 2 k G = 0. k Si hacemos el cambio de variable B = 1/G, la ecuación resultante es 1 φ 1 B φ 2 B 2 φ k B k = 0, que es exactamente la ecuación característica. Una solución B de esta ecuación está relacionada con una solución de la ecuación anterior G de la forma G = 1/B. Por tanto, si B es solución de la ecuación característica, entonces x t = AG t con G = 1/B es solución de la ecuación homogénea. 57
20 Ejemplo 28 (Ecuación en diferencias homogénea de orden 1) x t φx t 1 = 0. Comprobemos que la solución viene dada por x t = AG t, donde G 1 es la solución de la ecuación característica, y A viene determinada por las condiciones iniciales. Solución de la ecuación característica: 1 φb = 0 1 φb = 0 B = 1/φ. Por tanto, G = φ y la solución sería x t = Aφ t. Reemplazando ahora la solución inicial en la ecuación, obtenemos x 0 = Aφ 0 = A. Por tanto, la solución es x t = x 0 φ t. Solución general de una ecuación en diferencias homogénea de orden k: Sean G 1,...,G p las inversas de las soluciones reales distintas de la ecuación característica φ(b) = 0, con multiplicidades m 1,...,m p. Entonces la solución general de la ecuación en diferencias homogénea es x t = p (A i1 + A i2 t + + A imi t mi 1 )G t i. i=1 Obsérvese que si todas las raíces G 1,...,G k de la ecuación característica tienen multiplicidad m i = 1, i = 1,...,k, entonces la solución es x t = A 11 G t A k1 G t 1. Ejemplo 29 (Ecuación en diferencias homogénea de orden 2) x t φ 1 x t 1 φ 2 x t 2 = 0. La solución depende de las raíces de la ecuación que vienen dadas por G 2 φ 1 G φ 2 = 0, G = φ 1 φ φ 2. 2 (a) Si φ 2 > φ 2 1/4, hay dos soluciones reales distintas G 1 y G 2. Entonces la solución de la ecuación homogénea es x t = A 1 G t 1 + A 2 G t 2. 58
21 Las constantes A 1 y A 2 se obtienen a partir de dos condiciones iniciales x 0 y x 1. Tomando t = 0 y t = 1 en la solución x t, obtenemos: x 0 = A 1 + A 2 x 1 = A 1 G 1 + A 2 G 2. A 1 y A 2 se obtienen despejando de dicho sistema lineal. (b) Si φ 2 = φ 2 1/4, hay una solución G con multiplicidad 2. Entonces la solución de la ecuación homogénea es x t = (A 1 + A 2 t)g t. (c) Si φ 2 < φ 2 1/4, entonces tenemos dos soluciones complejas conjugadas G 1 = a + bi y G 2 = a bi. Entonces x t = A 1 (a + bi) t + A 2 (a bi) t. Las constantes A 1 y A 2 se determinan a partir de las condiciones iniciales x 0 y x 1. Tomando t = 0 y t = 1 en la solución x t se obtiene el sistema x 0 = A 1 + A 2 x 1 = A 1 (a + bi) + A 2 (a bi) Las soluciones son números complejos conjugados. Los escribimos de la forma Estos números verifican A 1 = 1 2 B Ci A 2 = 1 2 B 1 2 Ci A 1 + A 2 = B A 1 A 2 = Ci Ahora escribimos las soluciones de la ecuación en coordenadas polares: a = r cosw b = r sen w 59
22 donde r 2 = a 2 + b 2. Reemplazando esto en x t, obtenemos x t = A 1 (r cosw + ir sen w) t + A 2 (r cos w ir sen w) t = r [ t A 1 (cosw + i sen w) t + A 2 (cos w i sen w) t] = r t [A 1 (cos wt + i sen wt) + A 2 (coswt i sen wt)] = r t [(A 1 + A 2 ) coswt + i(a 1 A 2 ) senwt] = r t (B coswt C sen wt). Si ahora hacemos el cambio B = A senθ C = A cosθ Sustituyendo esto en la solución x t y aplicando la fórmula para el seno de una diferencia, obtenemos x t = r t [A cosθ cos wt A sen θ sen wt] = A r t sen(wt θ), que es una función sinusoidad con amplitud variable con el tiempo A r t y ángulo de desfase θ. Si r < 1, la amplitud decrece con el tiempo de forma exponencial. Condiciones de estabilidad de las soluciones de una ecuación homogénea: Consideremos una ecuación en diferencias homogénea de orden k, x t φ 1 x t 1 φ 2 x t 2 φ k x t k = 0. Se dice que la solución x t es estable si verifica: < lím t x t <. Asumimos por simplicidad que las raíces de la ecuación característica G 1 1,...,G 1 k tienen multiplicidad 1. La solución de la ecuación en diferencias es entonces: x t = A 1 G t A k G t k. De esta solución, se deduce que las condiciones de estabilidad son G i 1, i = 1,...,k. Es conveniente escribir estas condiciones en función de los coeficientes de la ecuación en diferencias. 60
23 Ejemplo 30 (Ecuación en diferencias homogénea de primer orden) La solución x t = x 0 φ t de una ecuación en diferencias homogénea de primer orden es estable si φ < 1. Ejemplo 31 (Ecuación en diferencias homogénea de orden 2) Tenemos que diferenciar los mismos tres casos que en el Ejemplo 29. (a) φ 2 > φ 2 1/4: Hay dos raíces reales distintas y x t = A 1 G t 1 + A 2 G t 2, donde G 1 y G 2 son soluciones de que vienen dadas por G 2 φ 1 G φ 2 = 0, G = φ 1 φ φ 2. 2 La solución x t es estable si G 1 < 1 y G 2 < 1. Esccribimos dichas condiciones en función de los coeficientes de la ecuación homogénea: Como φ φ 2 > 0, entonces la solución con el signo negativo es menor que la solución con el signo positivo. Por tanto, la solución mayor debe verificar φ 1 + φ φ 2 < 1 φ φ 2 < 2 φ 1 φ φ 2 < 4 4φ 1 + φ 2 1 φ 1 + φ 2 < 1. La solución menor debe cumplir φ 1 φ φ 2 > 1 φ φ 2 < 2 + φ 1 φ φ 2 < 4 + 4φ 1 + φ 2 1 φ 2 φ 1 < 1. Es decir, la solución es estable si φ 1 + φ 2 < 1 y φ 2 φ 1 < 1. (b) φ 2 = φ 2 1/4: Hay una solución real G con multiplicidad 2, y la solución es x t = (A 1 + A 2 t)g t. La solución viene dada por G = φ 1 /2, con lo cual x t = A 1 (φ 1 /2) t + A 2 t(φ 1 /2) t. El primer término es estable si φ 1 < 2. En ese caso, se cumple lím t(φ 1/2) t = 0, t 61
24 con lo que el segundo término también es estable. Como φ 2 = φ 2 1/4, donde φ 2 1 < 4, o equivalentemente, φ 2 1 > 4, entonces φ 2 = φ 2 1/4 > 1. Por tanto, las condiciones de estabilidad son 2 < φ 1 < 2 y 1 < φ 2 < 0. (c) φ 2 < φ 2 1/4: Las soluciones son complejas conjugadas G 1 = a + bi y G 2 = a bi, y x t se puede escribir como x t = A r t sen(wt θ). Esta solución es estable si la amplitud Ar t converge a cero, y esto ocurre cuando r < 1. Escribimos esta condición en función de los coeficientes de la ecuación homogénea. Las soluciones G 1 y G 2 se obtienen a partir de Es decir, G = φ 1 φ φ 2. 2 G 1 = a + bi = φ 1 + i φ φ 2 2 G 2 = a bi = φ 1 i φ φ 2 2 Por tanto, el módulo de ambas soluciones es r 2 = a 2 + b 2 = φ2 4 + φ φ 2 4 = φ2 4 φ φ 2 4 = φ 2. Por tanto, r = φ 2, y como φ 2 < φ 2 1/4 < 0, la solución es estable si 1 < φ 2 0. Como φ 1 < 2 φ 2, entonces también debe ser φ 1 < 2. Por tanto, la solución x t es estable si 2 < φ 1 < 2 y 1 < φ
25 Ecuación en diferencias con término de error: Es una ecuación del tipo x t = c + φ 1 x t 1 φ 2 x t 2 φ k x t k + ǫ t. Ejemplo 32 Considera la ecuación de primer orden x t = c + φx t 1 + ǫ t. A partir de las condiciones iniciales x 0 y x 1 y de forma recurrente, calculamos la solución de la ecuación: x 1 = c + φx 0 + ǫ 1 ; x 2 = c + φx 1 + ǫ 2 = c + φ(c + φx 0 + ǫ 1 ) + ǫ 2 = c(1 + φ) + φ 2 x 0 + (φǫ 1 + ǫ 2 ); x 3 = c + φx 2 + ǫ 3 x t = c + φ [ c(1 + φ) + φ 2 x 0 + (φǫ 1 + ǫ 2 ) ] + ǫ 3 = c(1 + φ + φ 2 ) + φ 3 x 0 + φ 2 ǫ 1 + φǫ 2 + ǫ 3... t 1 t 1 = c φ i + φ t x 0 + φ i ǫ t i t 1 = c φ i + φ t x 0 + [ t 1 ] (φb) i ǫ t. Suponiendo φ < 1 y utilizando la fórmula de una suma finita de potencias, c 1 φ + t 1 y sustituyendo esto en x t, obtenemos ( x t = x 0 φ i = 1 φt 1 φ, c 1 φ ) φ t + t 1 φ i ǫ t i. Obsérvese que esta solución es del tipo [ ] x t = AG t + b 0 + α i ǫ t i = Sol. general de la ec. homogénea+sol. particular. Esta es la clave del método de resolución de este tipo de ecuaciones en diferencias. 63
26 Resolución de ecuaciones en diferencias con término de error: El método consiste en: (a) Encontrar la solución general de la ecuación en diferencias homogénea, que omite la constante y el término de error; (b) Encontrar una solución particular de la ecuacíón completa. Habitualmente se prueba con una solución del tipo x t = b 0 + α i ǫ t i. Las constantes b 0 y α i se obtienen reemplazando esta solución en la ecuación completa, agrupando los términos con el mismo término de error y determinando los coeficientes de dichos términos de error de forma recursiva. (c) Sumar las dos soluciones. Ejemplo 33 Aplicamos este método a la ecuación del Ejemplo 32, x t = c + φx t 1 + ǫ t. (a) Solución general de la ecuación homogénea x t φx t 1 = 0 (1 φ 1 B)x t = 0. La solución de la ecuación característica es B = 1/φ. Por tanto, la solución es general es G t = Aφ t. (b) Solución particular de la ecuación completa. Probamos con la solución H t = b 0 + α i ǫ t i. Las constantes de la ecuación particular b 0, α i, i = 1, 2,..., se obtienen reemplazando esta solución en la ecuación completa ( ) b 0 + α i ǫ t i = c + φ b 0 + α i ǫ t i + ǫ t Desarrollando los sumatorios, la ecuación es b 0 +α 0 ǫ t +α 1 ǫ t 1 +α 2 ǫ t 2 + = c+φ (b 0 + α 0 ǫ t + α 1 ǫ t 1 + α 2 ǫ t 2 + )+ǫ t. 64
27 Igualando los términos independientes, los términos en ǫ t, los términos en ǫ t 1, etc., de cada lado de la igualdad, obtenemos b 0 = c + φb 0 b 0 = c/(1 φ); α 0 = 1; α 1 = φα 0 = φ; α 2 = φα 1 = φ 2 ;... α i = φ i. Por tanto, la solución particular es H t = (c) Finalmente, la solución general es x t = G t + H t = c 1 φ + φ i ǫ t i. c 1 φ + φ i ǫ t i + Aφ t. La constante A se determina a partir de una condición inicial x 0. Tomando t = 0 en la ecuación, obtenemos Despejando A, x 0 = c 1 φ + φ i ǫ i + A. A = x 0 c 1 φ + φ i ǫ i. 65
Procesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesProcesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesSeries temporales y procesos estocásticos
Capítulo 3 Series temporales y procesos estocásticos Maurice. S. Bartlett (191-22) Estadístico británico. Fue profesor en Manchester, donde fundó el Departamento de Estadística, en Londres, University
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesTema 8 Ecuaciones diferenciales
Tema 8 Ecuaciones diferenciales 1. ECUACIONES DIFERENCIALES ORDINARIAS Definición 1.1: Ecuación diferencial Se llama ecuación diferencial de orden n a una ecuación que relaciona la variable independiente
Más detallesTópicos en Series de Tiempo
Tópicos en Series de Tiempo Autor: Grisel M. Britos Directora: Dra. Silvia María Ojeda Córdoba, Diciembre de 2012 Agradecimientos A mi familia por la paciencia, la comprensión y tanto que me han dado
Más 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 detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesSeries de tiempo. Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo.
Series de tiempo Introducción Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo. Una característica intrínseca muy importante de las series de tiempo,
Más detallesTema 3 Algebra. Ecuaciones. Sistemas de ecuaciones: Inecuaciones Índice
Tema 3 Algebra. Ecuaciones. Sistemas de ecuaciones: Inecuaciones Índice 1. ECUACIONES... 2 1.1. Ecuaciones de primer grado... 2 1.2. Ecuaciones de segundo grado... 3 1.2.1. Ecuación de segundo grado completa...
Más detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
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 detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es 1 Índice 1. Definiciones 3 2. Herramientas 5 2.1. Factorización de polinomios: Regla
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesMATEMÁTICA D y D 1 Módulo I: Análisis de Variable Compleja
Matemática D y D MATEMÁTICA D y D Módulo I: Análisis de Variable Compleja Unidad 0 Números Complejos Mag. María Inés Baragatti Números complejos. Generalidades Un número complejo es un par ordenado de
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 detallesTEMA 4 Modelos discretos elementales. Ecuaciones en diferencias
TEMA 4 Modelos discretos elementales. Ecuaciones en diferencias Chelo Ferreira González Avicenna (980-1037) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y
Más detalles(2) X(3I + A) = B 2I (3) X(3I + A)(3I + A) 1 = (B 2I)(3I + A) 1 (5) X = (B 2I)(3I + A) 1
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta B 1. a) Despeja la matriz X en la siguiente ecuación
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesClase 3. Procesos estocásticos en Teoría de la señal.
1 Introducción Clase 3. Procesos estocásticos en Teoría de la señal. Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier transmisión de telecomunicación. El ruido es una
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstabilidad de ecuaciones diferenciales
Capítulo 3 Estabilidad de ecuaciones diferenciales En este tema estudiaremos como resolver sistema de ecuaciones diferenciales lineales de coeficientes constantes utilizando la transformada de Laplace,
Más detallesEXTRACCIÓN DE SEÑALES EN MODELOS ARIMA
EXTRACCIÓN DE SEÑALES EN MODELOS ARIMA 1- Densidad espectral (espectro) y periodograma Los primeros estudios de las series temporales se realizaron en el dominio del tiempo y se utilizaron diversos métodos
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesSEÑALES ALEATORIAS Y RUIDO. E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid.
SEÑALES ALEATORIAS Y RUIDO. Marcos Martín Fernández E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid. CONTENIDOS INDICE. DE FIGURAS VII 1. PROBABILIDAD. 1 2. VARIABLES ALEATORIAS.
Más detallesa de un conjunto S de R n si
1 235 Máximos, mínimos y puntos de ensilladura Definición.- Se dice que una función real f( x) tiene un máximo absoluto en un punto a de un conjunto S de R n si f( x) f( a) (2) para todo x S. El número
Más detallesDerivada y diferencial
Derivada y diferencial Una cuestión, que aparece en cualquier disciplina científica, es la necesidad de obtener información sobre el cambio o la variación de determinadas cantidades con respecto al tiempo
Más detallesANÁLISIS EN EL DOMINIO DEL TIEMPO
Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos
Más detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesECUACIONES POLINÓMICAS CON UNA INCÓGNITA
Unidad didáctica. Ecuaciones, inecuaciones y sistemas de ecuaciones e inecuaciones ECUACIONES POLINÓMICAS CON UNA INCÓGNITA Las ecuaciones polinómicas son aquellas equivalentes a una ecuación cuyo primer
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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detalles1. Algunas primitivas inmediatas (o casi inmediatas).
Cálculo I. o Matemáticas. Curso 00/0. Cálculo de Primitivas. Algunas primitivas inmediatas (o casi inmediatas). (5x 6) = 5 (5x 6) 5 = 5 (5x 6) + C. Nota: Si f(x) = 5x 6 su derivada es 5. En la primera
Más detallestodos los puntos de U, y las funciones df : U R m son continuas en x, entonces F es diferenciable en x.
clase C 1 clase C p 1. clase C 1 Consideremos U un abierto de R n, y F : U R m. Si para cada x U existe df (x), podemos definir una función df : U R m df (x) = ( 1 (x),..., m (x)) y tiene sentido estudiar
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 detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio Propuesta A
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta A 1. Dada la ecuación matricial I + 3 X + A X B. Se pide:
Más detallesLa idea de estos modelos es que los valores actuales de la serie X t dependen de los p valores
Capítulo 4 Procesos ARMA 4.1. Modelos Autoregresivos La idea de estos modelos es que los valores actuales de la serie X t dependen de los p valores previos: X t 1,..., X t p. Definición 4.1 Un modelo autoregresivo
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detalles2 Ecuaciones Algebraicas y Trascendentes
2 Ecuaciones Algebraicas y Trascendentes 2.1 Introducción Las sucesiones asintóticas son una herramienta usada en el análisis de las soluciones de problemas que surgen en la Teoría de Perturbaciones. En
Más detallesSOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA
SOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA Problema 1 Calcular las primeras 12 autocorrelaciones simples teóricas del proceso (1 0,8B)Y t = (1 0,5B 12 )a t utilizando tanto la fórmula
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detalles1, 2, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 2, 1, 1, 4, 1
8 Estadística 81 Distribuciones unidimensionales Tablas de frecuencias En este tema nos ocuparemos del tratamiento de datos estadísticos uestro objeto de estudio será pues el valor de una cierta variable
Más detallesProblemas de VC para EDVC elaborados por C. Mora, Tema 4
Problemas de VC para EDVC elaborados por C. Mora, Tema 4 Ejercicio Determinar las funciones enteras f para las que Solución f( + w) = f()f(w), w C. En primer lugar, f(0) = f(0 + 0) = f(0)f(0) = f(0) 2,
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 detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesAsignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA
Asignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA Typeset by FoilTEX 5.1 MÉTODO DE LA CANTIDAD PIVOTAL X
Más detallesMODELACION EN VARIABLES DE ESTADO
CAPÍTULO VIII INGENIERÍA DE SISTEMAS I MODELACION EN VARIABLES DE ESTADO 8.1. DEFINICIONES Estado: El estado de un sistema dinámico es el conjunto más pequeño de variables de modo que el conocimiento de
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesLección 5: Ecuaciones en diferencias
Lección 5: Ecuaciones en diferencias 51 Introducción Los economistas suelen observar la evolución temporal de variables económicas, como el producto nacional, el tipo de interés, la oferta monetaria, la
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesEjercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz
Ejercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz 6 de marzo de 05. Cálculo de π con métodos Monte Carlo El objetivo de este ejercicio consiste en estimar el valor
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesPreliminares Problemas de Valor Inicial Problemas de Contorno ECUACIONES DIFERENCIALES ORDINARIAS
ECUACIONES DIFERENCIALES ORDINARIAS Contenido Preliminares 1 Preliminares 2 3 El Método de Disparo Lineal Contenido Preliminares 1 Preliminares 2 3 El Método de Disparo Lineal Preliminares Las ecuaciones
Más detallesIntegral de Fourier y espectros continuos
9 2 2 2 Esta expresión se denomina forma de Angulo fase (o forma armónica) de la serie de Fourier. Integral de Fourier y espectros continuos Las series de Fourier son una herramienta útil para representar
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 detallesUna ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,
Más detallesTEMA 1.- LÍMITES DE FUNCIONES Y CONTINUIDAD.
TEMA 1.- LÍMITES DE FUNCIONES Y CONTINUIDAD. 1.LÍMITE DE UNA FUNCIÓN EN UN PUNTO El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes por f de puntos x, cuando los originales
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detalles1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES
1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES 1.- INTRODUCCIÓN AL NÚMERO REAL Realización de operaciones con números reales. Ordenación de los
Más detallesAnálisis de series temporales
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
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesTécnicas de Inferencia Estadística II. Tema 6. Contrastes de independencia
Técnicas de Inferencia Estadística II Tema 6. Contrastes de independencia M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2015/16 Contenidos 1. Introducción 2.
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
Más detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesEjercicios de ECUACIONES DIFERENCIALES ORDINARIAS
Ejercicios de ECUACIONES DIFERENCIALES ORDINARIAS Grado en Matemáticas Curso 203-204 . Ecuaciones lineales con coeficientes constantes Ecuaciones de primer orden. Encontrar la solución de los siguientes
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 detallesSistemas de Ecuaciones Lineales, Método de Gauss. Parte I
Sistemas de Ecuaciones Lineales, Método de Gauss Parte I Ecuación lineal con n incógnita ES cualquier expresión del tipo: a 1 x 1 + a 2 x 2 + a 3 x 3 +... + a n x n = b, donde a i, b. Los valores a i se
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detalles5. Distribuciones de probabilidad multivariadas
5. 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 binomial
Más detalles