Modelos para series de tiempo de memoria larga: identificación y aplicaciones
|
|
- Natalia Jiménez Gallego
- hace 6 años
- Vistas:
Transcripción
1 XXV Simposio Internacional de Estadística 2015 Armenia, Colombia, 5, 6, 7 y 8 de Agosto de 2015 Modelos para series de tiempo de memoria larga: identificación y aplicaciones Elkin Castaño V. 12,a 1 Escuela de Estadística, Facultad de Ciencias, Universidad Nacional de Colombia, Medellín, Colombia 2 Departamento de Economía, Facultad de Ciencias Económicas, Universidad de Antioquia, Medellín, Colombia Resumen Desde su primera aplicación en hidrología (Hurst (1951)), los procesos de memoria larga han mostrado ser útiles para representar la estructura de dependencia de largo plazo de algunas series de tiempo, de las cuales se suponía que procedían de procesos no estacionarios ARIMA. En el análisis de series de tiempo, es una práctica habitual que una serie aparentemente no estacionaria sea diferenciada hasta conseguir estacionaridad. Granger & Joyeux (1980), señalan que este procedimiento puede tener consecuencias negativas en la modelación, pues la diferenciación elimina la componente de bajas frecuencias, la cual es muy importante en los pronósticos a largo plazo. En estos casos, la diferenciación entera es excesiva, pero la no diferenciación tampoco es adecuada. El objetivo de este trabajo es presentar una metodología de identificación de esta clase de modelos, y los resultados de una comparación con otros métodos a través de un estudio de simulación. Palabras clave: Series de tiempo, modelos ARIMA, modelos de memoria larga, modelos ARFIMA. 1. Introducción La evidencia empírica sobre series de tiempo con memoria larga se remonta mucho tiempo atrás. Quizás el ejemplo más conocido sea el trabajo de Hurst (1951), en el campo de la hidrología. En los últimos años ha habido un gran interés en el estudio de las propiedades de las series de tiempo con memoria larga de la clase ARFIMA y de sus aplicaciones en otras áreas. Beran (1992) señala que se ha encontrado evidencia de memoria larga en series de tiempo de otras ciencias como tales Economía, Finanzas, Astronomía, Agricultura, Química, Meteorología, Medio Ambiente, Biología, Telecomunicaciones y Geología. La memoria de una serie de tiempo está relacionada con el comportamiento que exhibe su función de autocorrelación. Una clase muy amplia de series de tiempo está descrita por la ecuación φ p (B)(1 B) d Z t = θ q (B)a t, t = 1,..., n donde B es el operador de rezagos, φ p (B) = 1 φ 1 B φ p B p es el polinomio autorregresivo de orden p, θ q (B) = 1 θ 1 B θ q B q es el polinomio de medias móviles de orden q, φ p (B) y θ q (B) no tienen factores comunes, (1 B) d es el operador diferencia, d es una constante, θ 0 es una constante y a t son variables i.i.d. de media cero. Si el polinomio φ p (B) tiene sus ceros fuera del círculo unidad, el comportamiento de la memoria del proceso está gobernado por el valor de la constante d. En este caso se dice que Z t es un proceso integrado a Profesor asociado. elkincv@gmail.com 1
2 2 Elkin Castaño V. de orden d, y se denota como Z t I(d). Es decir Z t es un proceso integrado de orden d si (1 B) d Z t = u t, donde u t es un proceso estacionario. Si d = 0, Z t es un proceso estacionario de memoria corta o I(0). Z t sigue un proceso ARMA(p, q). Si d es un número entero positivo, Z t tiene memoria persistente y d raíces unitarias. Z t sigue un proceso integrado ARIMA(p, d, q). Generalmente d = 1, 2. Si d es un número real no entero, se dice que Z t es un proceso fraccionalmente integrado. Si 0 < d < 0.5, Z t es un proceso estacionario de memoria larga. Si 0.5 d < 1.0, Z t es un proceso no estacionario, con reversión a la media. Si 1.0 < d, Z t es un proceso no estacionario, sin reversión a la media. Z t sigue un proceso fraccionalmente integrado ARFIMA(p, d, q), donde (1 B) d = j=0 b jb j con b 0 = 1 y b j = [(j d 1)/j] b j 1, j 1 es el operador de diferencia fraccional, definido para d > 1. Si los valores del parámetro d se encuentran en el intervalo 0.5 < d < 0.5 el proceso ARFIMA(p, d, q) es estacionario e invertible. La componente ARMA(p, q) del modelo ARFIMA es denominada la componente de corto plazo. Los modelos integrados proporcionan una gran flexibilidad en la interpretación de la persistencia en términos del efecto que tiene un cambio unitario en el término de error del modelo (shock, innovación) sobre los valores futuros de la serie. En el proceso ARMA (d = 0), el efecto de un shock acaba desapareciendo en el corto plazo. En los procesos ARIMA (d = 1, 2), el efecto de un shock persiste indefinidamente, y en un proceso fraccionalmente integrado ARFIMA con 0 < d < 1, el efecto de un shock acaba desapareciendo y la serie revierte finalmente a su media, incluso en el intervalo 0.5 d < 1, donde el proceso no es estacionario. En este sentido suele decirse que un ARFIMA no estacionario es menos no estacionario que los procesos con raíces unitarias. Granger (1980) y Granger & Joyeux (1980) señalan que la práctica habitual de diferenciar una serie de tiempo aparentemente no estacionaria hasta conseguir estacionariedad, puede tener consecuencias negativas en la correcta modelación de algunas series de tiempo. Frecuentemente la serie diferenciada se convierte en una serie en la cual se eliminó la componente de bajas frecuencias, que es muy importante en las predicciones a largo plazo. Para modelar este tipo de series, la diferenciación entera es excesiva (sobrediferenciación) pero la no diferenciación tampoco es adecuada (subdiferenciación).
3 Modelos para series de tiempo de memoria larga: identificación y aplicaciones 3 Caracterización del proceso ARFIMA en el dominio del tiempo Hosking (1981) prueba que cuando 0 < d < 0.5 existe una constante positiva C tal que para k grande ρ k Ck 2d 1. Es decir, la ACF decae hiperbólicamente hacia cero y no es absolutamente sumable, es decir, k= ρ k no converge. En este caso se dice que Z t tiene memoria larga. Cuando 0.5 < d < 0, Z t es un proceso estacionario con autocorrelaciones negativas y absolutamente sumables. En este caso Z t tiene memoria corta y se dice que es antipersistente. Caracterización del proceso ARFIMA en el dominio de la frecuencia Cuando d < 0.5, es decir, Z t es un proceso estacionario, la función de densidad espectral del proceso ARFIMA es f Z (ω) = 1 e iω 2d f W (ω) = [2 sin(ω/2)] 2d f W (ω), 0 ω π donde f W (ω) = (σa/2π) θ(e 2 iω )/φ(e iω ) 2 es la densidad espectral del proceso ARMA(p, q). Cuando ω 0 +, f Z (ω) C f ω 2d, donde C f es una constante. Para valores 0 < d < 0.5, la densidad espectral es una función decreciente de ω no acotada en el origen, y está dominada por las frecuencias bajas. Esto muestra la relación directa que hay entre la persistencia de las autocorrelaciones en rezagos grandes y la dinámica del espectro en las frecuencias bajas. 2. Metodología para la identificación del modelo ARFIMA(p, d, q) La construcción del modelo ARFIMA requiere obtener la identificación de la componente de diferenciación fraccional d y de la componente de corto plazo ARMA. Posible proceso de identificación: Dado d, obtenga (1 B) d Z t = u t. Como u t es un ARFMA(p, q) use los procedimientos tradicionales de identificación de Box & Jenkins (1976). Problema: d es un número real, no entero Procedimiento basado en la estimación inicial del parámetro de diferenciación fraccional Algunos autores tales como Wei (2006), Reisen et al. (2001), Castaño et al. (2008) proponen un procedimiento de identificación de un modelo ARFIMA similar al proceso de identificación en un modelo ARIMA sugerido por Box & Jenkins (1976). Este procedimiento se basa en: i) determinar a d, ii) diferenciar la serie empleando este valor de d, iii) usar la serie diferenciada para seleccionar los órdenes adecuados p y q, para la componente de corto plazo. A continuación se presentan dos estimadores semiparamétricos tradicionales para el parámetro de diferenciación fraccional, para series estacionarias. a) El Estimador GPH de Geweke & Porter-Hudak (1983) Considere la densidad espectral del proceso ARFIMA(p, d, q). Tomando su logaritmo natural, se obtiene ln f Z (ω j ) = d ln 1 e iω 2 + ln f W (ω j ). Los autores muestran que para ω j cercanas a cero, es decir, j = 1, 2,..., m << (n/2) y tal que m/n 0 cuando n, la estimación [ de d puede basarse en la regresión OLS de Y j = c + dx j + e j, donde Y j = ln I Z (ω j ), X j = ln 1/4 (sin(ω j /2)) 2], donde la sucesión e j son variables [ aleatorias i.i.d, ω j son las la frecuencias de Fourier ω j = 2πj, j = 1,... [n/2] y I Z (ω j ) = (2π) 1 ˆγ(0) + 2 ] n 1 l=1 ˆγ(l) cos(lω j) es la j-ésima ordenada del periodograma. b) El estimador SPR Brockwell & Davis (2006) muestran que el periodograma no es un estimador consistente de la función de densidad espectral. Reisen (1994), propuso usar un estimador consistente el cual es una versión suavizada del periodograma, denominado el estimador SPR. El estimador SPR se obtiene reemplazando la función de densidad espectral por el periodograma suavizado dado por I S (ω) = (2π) 1 v l= v κ(j/v)ˆγ(l) cos(lω),
4 4 Elkin Castaño V. donde κ( ) es la ventana de Parzen. El estimador SPR se obtiene aplicando OLS al modelo de regresión anterior, usando el periodograma suavizado I S (ω j ) en vez del periodograma I Z (ω j ). El punto de truncamiento v = n β, con 0 < β < 1. Algunos autores, entre ellos Agiakloglou et al. (1993), señalan la pérdida de eficiencia del estimador GPH en muestras finitas. Señalan que cuando existe una componente AR(1) o MA(1) con parámetro cerca a la unidad, el estimador tiene un sesgo enorme y es muy ineficiente. Robinson (1995) señala que el supuesto de normalidad del proceso es muy restrictivo. Para el caso del estimador SPR, Reisen et al. (2001) reportan pérdida de eficiencia para el caso donde existe componentes de corto plazo AR(1) o MA(1). c) La metodología propuesta Para series ARFIMA estacionarias, Castaño et al. (2008) y Castaño et al. (2010) proponen un procedimiento para obtener un estimador inicial para el parámetro d, basados en una aproximación autorregresiva finita de la componente de corto plazo de un modeloarfima(p, d, q) estacionario e invertible. Especificando el modelo ARFIMA alternativamente como π(b)(1 B) d Z t = a t, donde π(b) = (B)φ p (B) = 1 π 1 B π 2 B 2, es la componente dual autorregresiva infinita del modelo de corto plazo ARMA(p, q) del modelo ARFIMA(p, d, q), los autores proponen estimar el parámetro d aproximando el polinomio infinito π(b) por medio de un polinomio autorregresivo finito π (B) donde π (B) = 1 π1b π2b 2 πp para un orden suficientemente alto p. La estimación de d se Bp lleva a cabo realizando estimación de máxima verosimilitud en el modelo aproximado ARFIMA(p, d, 0). θ 1 q Para series ARFIMA no estacionarias, Lemus & Castaño (2013) modificaron el procedimiento anterior, al caso de una serie no estacionaria. Suponga que Z t es un proceso ARFIMA no estacionario de la forma φ(b)(1 B) d Z t = θ 0 + θ(b)a t, d > 0.5. Este proceso puede ser escrito equivalentemente como φ(b)(1 B) 1+d Z t = θ 0 + θ(b)a t, donde, si d = 0 entonces Z t es un proceso no estacionario de raíz unitaria. Si 0.5 < d <.05, el proceso es no estacionario de raíz fraccional. Cuando 0.5 < d < 0, entonces Z t es un proceso no estacionario de memoria larga con reversión a la media y su primera diferencia es estacionaria y antipersistente. Si 0 < d < 0.5, el proceso Z t es no estacionario de memoria larga sin reversión a la media y su primera diferencia es estacionaria de memoria larga. Por tanto, para estimar a d en un proceso no estacionario de raíz fraccional, primero se estima ˆd sobre la serie diferenciada una vez, de acuerdo al modelo π (B)(1 B) d W t = a t, donde W t = (1 B)Z t. La estimación de d se obtiene como ˆd = 1 + ˆd. 3. Experimento Monte Carlo El procedimiento se basa en simular la serie ARFIMA y usar los tres procedimientos descritos sobre la serie para estimar el parámetro d. Aplicar luego la diferenciación fraccional a la serie usando la estimación de d, donde la estructura de rezagos infinita de (1 B) d = j=0 b jb j se reemplaza por (1 B) d + = t 1 j=0 b jb j. A continuación se emplea el procedimiento auto.arima de la librería forecast del programa computacional R para la identificación automática del modelo ARMA que queda en la serie diferenciada. Finalmente se reporta si hubo éxito o no en la identificación de acuerdo al modelo teórico. Para realizar la simulación se utilizaron los paquetes fracdiff, ugarch y forecast del programa R. En todos los casos a t N (0, 1). Se emplearon 1000 repeticiones para realizaciones de n = 500, 1000 datos. Amplitud de banda GPH = 0.5. Amplitud de banda SPR = 0.5, β = 0.9. Se simularon los siguientes procesos estacionarios: Modelo 1: ARFIMA(0, d, 0) o ruido blanco fraccional, (1 B) d Z t = a t, donde d = 0.1, 0.25, 0.4, Modelo 2: ARFIMA(1, d, 0), (1 φb)(1 B) d Z t = a t, donde φ = ±0.7, d = 0.1, 0.25, 0.4, Modelo 3: ARFIMA(0, d, 1), (1 B) d Z t = (1 θb)a t, donde θ = ±0.7, d = 0.1, 0.25, 0.4, Modelo 4: ARFIMA(1, d, 1), (1 φb)(1 B) d Z t = (1 θb)a t, donde φ = ±0.7, θ = ±0.3 d = 0.1, 0.25, 0.4, 0.45.
5 Modelos para series de tiempo de memoria larga: identificación y aplicaciones 5 Tabla 1: Resultados agregados por el valor de d para todos los modelos D = 0.1 D = 0.25 Estimador Promedio éxitos Estimador Promedio éxitos n = 500 n = 1000 n = 500 n = 1000 GPH GPH SPR SPR PROP PROP D = 0.40 D = 0.45 Estimador Promedio éxitos Estimador Promedio éxitos n = 500 n = 1000 n = 500 n = 1000 GPH GPH SPR SPR PROP PROP Figura 1: Resultados agregados por el valor de d para todos los modelos Tabla 2: Resultados totales Estimador Promedio éxitos total GPH SPR PROP Conclusiones De los resultados obtenidos en el estudio anterior, la metodología propuesta parece proporcionar mejoras importantes en la identificación de un modelo ARFIMA estacionario. i) La proporción de éxitos en la identificación es mayor que en los otros casos. ii) El estimador GPH es el de peor comportamiento. iii) Todas las metodologías aumentan su potencia a medida que n crece. Referencias Agiakloglou, C., Newbold, P. & Wohar, M. (1993), Bias in an estimator of the fractional difference parameter, Journal of Time Series Analysis 14,
6 6 Elkin Castaño V. Beran, J. (1992), Statistical methods for data with long-range dependence, Statistical Science 7, Box, G. E. P. & Jenkins, G. M. (1976), Time Series Analysis: Forecasting and Control, 2nd. edn, Holden- Day. San Francisco. Brockwell, P. J. & Davis, R. (2006), Time Series: Theory and Methods, 2nd. edn, Springer-Verlag. New York. Castaño, E., Gallón, S. & Gómez, K. (2008), Una nueva prueba para el parámetro de diferenciación fraccional, Revista Colombiana de Estadística 31, Castaño, E., Gallón, S. & Gómez, K. (2010), Sesgos en estimación, tamaño y potencia de una prueba sobre el parámetro de memoria larga en modelos ARFIMA, Lecturas de Economía 73, Geweke, J. & Porter-Hudak, S. (1983), The estimation and application of long-memory time series models, Journal of Time Series Analysis 4, Granger, C. W. J. (1980), Long memory relationships and the aggregation of dynamic models, Journal of Econometrics 14, Granger, C. W. J. & Joyeux, R. (1980), An introduction to long-memory time series models and fractional differencing, Journal of Time Series Analysis 1, Hosking, J. R. M. (1981), Fractional differencing, Biometrika 68, Hurst, H. E. (1951), Long-term storage capacity of reservoirs, Transactions of the American Society of Civil Engineers 116, Lemus, D. & Castaño, E. (2013), Prueba sobre la existencia de una raíz fraccional en una serie de tiempo no estacionaria, Lecturas de Economía 80(4), Reisen, V. A. (1994), Estimation of the fractional difference parameter in the ARIMA(p, d, q) model using the smoothed periodogram, Journal of Time Series Analysis 15(3), Reisen, V., Abraham, B. & Lopes, S. (2001), Estimation of parameters in ARFIMA processes: a simulation study, Communications in Statistics - Simulation and Computation 30(4), Robinson, P. M. (1995), Gaussian semiparametric estimation of long range dependence, The Annals of Statistics 23(5), Wei, W. (2006), Time Series Analysis Univariate and Multivariate Methods, 2nd. edn, Addison-Wesley. Boston.
Análisis Avanzado de de Series Temporales Curso de Macroeconometría Doctorado en Economía (UPV-EHU)
Análisis Avanzado de de Series Temporales Curso de Macroeconometría Doctorado en Economía (UPV-EHU) Josu Arteche 2006-2007 (15 horas) 1. Series Temporales y el Dominio de la Frecuencia 1.1 Ciclos 1.2 Funciones
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 detallesSERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Más detallesMODELOS DE MEMORIA LARGA PARA SERIES ECONÓMICAS Y FINANCIERAS
investigaciones económicas. vol. XXVI (3), 2002, 395-445 MODELOS DE MEMORIA LARGA PARA SERIES ECONÓMICAS Y FINANCIERAS ANA PÉREZ Universidad de Valladolid ESTHER RUIZ Universidad Carlos III de Madrid En
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad 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 detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Castaño, Elkin; Martínez, Jorge Tendencia aleatoria o determinística: una nueva prueba
Más detallesUso de la función de correlación cruzada en la identificación de modelos ARMA
Revista Colombiana de Estadística Diciembre 2008, volumen 31, no. 2, pp. 293 a 310 Uso de la función de correlación cruzada en la identificación de modelos ARMA Use of the Crosscorrelation Function in
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 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 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 detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
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 detallesIntervalos de confianza para los índices de capacidad C pm y C pmk en procesos estacionarios gaussianos
Revista Colombiana de Estadística Volumen 29 N o 2. pp. 153 a 162. Diciembre 2006 Intervalos de confianza para los índices de capacidad C pm y C pmk en procesos estacionarios gaussianos Confidence Intervals
Más detallesTema 8. Introducción al análisis espectral de series temporales
Tema 8. Introducción al análisis espectral de series temporales Tema 8. Introducción al análisis espectral de series temporales Tema 8. Introducción al análisis espectral de series temporales 8.1 Introducción
Más detallesSeries Temporales Curso
GUIA DOCENTE DE LA ASIGNATURA ( ) Series Temporales Curso 2017-2018 (19/06/2017) (Fecha de aprobación en Consejo de Departamento: 20/06/2017) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO ESTADÍSTICA PROFESORES
Más detallesPráctica 4. Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001.
Práctica 4 Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001. En esta práctica, analizaremos dos índices financieros, el Dow Jones
Más detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA
MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA Modelización Económica II Referencias: Mills y Markellos (2008) "The Econometric Modelling of Financial Time Series", Cambridge University Press.
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesControl Estocástico. Universidad Tecnológica Nacional Facultad Regional Córdoba Ingeniería en Control Automático
Control Estocástico Objetivos propuestos por la ordenanza 1199 Que los cursantes desarrollen las capacidades necesarias para el análisis y diseño de sistemas de control no determinísticos. Contenidos propuestos
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
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 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 detallesPROCESOS ESTACIONARIOS UNIVARIADOS 1
1. Series de Tiempo PROCESOS ESTACIONARIOS UNIVARIADOS 1 Un proceso estocástico es una secuencia de variables aleatorias, donde la variable de indexación puede ser discreta o continua. Por ejemplo, puede
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 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 detallesEste manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el
Prólogo Este manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el estudio de las Series Temporales, es decir, en
Más detallesUn Modelo SARIMA para Predecir la Tasa de Desempleo de Chile
Un Modelo SARIMA para Predecir la Tasa de Desempleo de Chile Javier Contreras * Byron Idrovo ** 6 de septiembre de 2009 Resumen Anticipar la evolución de la tasa de desempleo es de suma relevancia para
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 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 detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos multivariantes estacionarios: VAR(p). La dependencia temporal. La causalidad en el sentido de Granger. La estimación de los modelos VAR. Profesora:
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 detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
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 detallesUna nota sobre la prueba de Peña y Rodríguez para la bondad del ajuste en series de tiempo
Comunicaciones en Estadística Diciembre 2008, Vol. 1, No. 1 Una nota sobre la prueba de Peña y Rodríguez para la bondad del ajuste en series de tiempo A Note About the Peña-Rodríguez Test of the Goodness
Más detallesMETODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 Box and Jenkins
20 17 METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 FOTO DE PORTADA: Nombre: Laguna
Más detallesComparación por intervalos
81 REVISTA Universidad EAFIT Vol. 42. No. 144. 2006. pp. 81-98 Comparación por intervalos entre diferentes métodos de estimación de la media de la distribución Poisson R a l a Juan Carlos Correa M. Doctor
Más detallesPráctico 2 Análisis de proceso autorregresivo de orden 2 Proceso WSS filtrado
Práctico Análisis de proceso autorregresivo de orden Proceso WSS filtrado Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fing.edu.uy Departamento
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesDIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS. Coordinador: M.F. Esperanza Sainz López
INSTITUTO TECNOLÓGICO AUTONOMO DE MÉXICO DIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS Coordinador: M.F. Esperanza Sainz López Objetivo general: Presentar al alumno algunos modelos cuya estructura dinámica
Más detallesProbabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Más detallesEstacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias
Estacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias Práctica N o 2 Técnicas en Predicción Administración y Dirección de Empresas
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesSeries Temporales Curso 2014 2015
Universidad del País Vasco Aeman ta zabal zazu Euskal Herriko Unibertsitatea Programa de la asignatura Series Temporales Curso 2014 2015 Profesores: Ana Cebrián (Univ. de Zaragoza) Fernando Tusell (UPV/EHU)
Más detallesEl comportamiento temporal de la volatilidad de los mercados
Volatilidad de los mercados bursátiles de América Latina: efectos de largo plazo FRANCISCO VENEGAS MARTÍNEZ ALEJANDRO ISLAS CAMARGO * El comportamiento temporal de la volatilidad de los mercados de valores
Más detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
Más detallesCOMPORTAMIENTO EN MUESTRA FINITA DE LOS CONTRASTES DE RAÍCES UNITARIAS ADF Y KPSS EN SERIES AGREGADAS TEMPORALMENTE * Métodos de Análisis Regional
COMPORTAMIENTO EN MUESTRA FINITA DE LOS CONTRASTES DE RAÍCES UNITARIAS ADF Y KPSS EN SERIES AGREGADAS TEMPORALMENTE * Métodos de Análisis Regional Pons Rotger, Gabriel Sansó Rosselló, Andreu Universitat
Más detallesECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS. Mtro. Horacio Catalán Alonso
ECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS Mtro. Horacio Catalán Alonso Orden de Integración ORDEN DE INTEGRACIÓN Econometría (1) X t = X t-1 + u t Como: E(u t ) = 0 y la Var(u t ) = 2 constante
Más detallesMODELAMIENTO ESTADÍSTICO DEL TRÁFICO AÉREO ILEGAL EN COLOMBIA HAROLD RANDOLPH DEVIA DÍAZ IVAN MAURICIO FERREIRA CARDENAS
MODELAMIENTO ESTADÍSTICO DEL TRÁFICO AÉREO ILEGAL EN COLOMBIA HAROLD RANDOLPH DEVIA DÍAZ IVAN MAURICIO FERREIRA CARDENAS FUNDACIÓN UNIVERSITARIA LOS LIBERTADORES DEPARTAMENTO DE CIENCIAS BÁSICAS ESPECIALIZACIÓN
Más detallesUn estimador jackknife de varianza en muestreo en dos fases con probabilidades desiguales
Revista Colombiana de Estadística Volumen 30 No. 2. pp. 203 a 212. Diciembre 2007 Un estimador jackknife de varianza en muestreo en dos fases con probabilidades desiguales A Jackknife Variance Estimator
Más detallesTendencia aleatoria o determinística: una nueva prueba basada en la teoría tradicional
Revista Colombiana de Estadística Diciembre 2009, volumen 32, no. 2, pp. 301 a 331 Tendencia aleatoria o determinística: una nueva prueba basada en la teoría tradicional Random or Deterministic Trend:
Más detallesPrograma abierto de. Complementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula y Análisis de Información Seminario Trabajo y tecnología La, en el marco de su Programa de Actualización Permanente de las Orientaciones de s Económicas, s Sociodemográficas
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 detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesModelo GARCH-MIDAS con Distribución Asimétrica de Laplace: comportamiento del tipo de cambio
Modelo GARCH-MIDAS con Distribución Asimétrica de Laplace: una aproximación al comportamiento del tipo de cambio Álvaro M. Zevallos azevallosb@pucp.edu.pe Área de Estudios Económicos - Banco de Crédito
Más detalles3. Señales. Introducción y outline
3. Señales Introducción y outline Outline Señales y Sistemas Discretos: SLIT, Muestreo, análisis tiempo-frecuencia, autocorrelación, espectro, transformada Z, DTFT, DFT, FFT Filtros y Estimación: Filtros
Más detallesIntroducción a la Identificación de sistemas
Ingeniería de Control Introducción a la Identificación de sistemas Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Modelos deterministas
Más detallesMODELO ESTOCÁSTICO DE LA SERIE DE TIEMPO ECONÓMICA "INFLACIÓN EN VENEZUELA (JUNIO/95 A JULIO/2000)"
MODELO ESTOCÁSTICO DE LA SERIE DE TIEMPO ECONÓMICA "INFLACIÓN EN VENEZUELA (JUNIO/95 A JULIO/2000)" César Seijas Universidad de Carabobo, Escuela de Ingeniería Eléctrica, Dpto. de Electrónica y Comunicaciones,
Más detallesAbstract. Keywords: Econometric Models Human Rights Basic Areas of Law JEL: C5, R15, K1
Modelos de series de tiempo aplicados a los expedientes de la Comisión de Derechos Humanos del Distrito Federal Time series models applied to the records of the Human Rights Commission of the Federal District
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 detallesUna aproximación bayesiana al problema de heteroscedasticidad en el modelo lineal simple
Revista Colombiana de Estadística Volumen 8 N o pp 7 a Junio 005 Una aproximación bayesiana al problema de heteroscedasticidad en el modelo lineal simple Juan Carlos Correa * Resumen Presentamos una implementación
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 detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesLa Escala de Fluctuación de Caudales Medios Mensuales en Función del Área de la Cuenca (Río Tocantins-Brasil)
La Escala de Fluctuación de Caudales Medios Mensuales en Función del Área de la Cuenca (Río Tocantins-Brasil) Catalina Góez Arango Estudiante de Maestría Correo electrónico: cgoeza@unalmed.edu.co Germán
Más detallesMetodologías de Pronóstico del Precio de la Energía
Teoría Básica de Series de Tiempo: Box - Jenkins Aplicación Hacia un Modelo Dinámico de Factores Pronósticos Intermedios Pronóstico del Precio de la Energía Validación de Modelos Metodologías de Pronóstico
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
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 detallesSeries temporales: Modelos heterocedásticos condicionales. Una aplicación usando R. Alexander Carvajal
Series temporales: Modelos heterocedásticos condicionales. Una aplicación usando R. Alexander Carvajal Universidad de Granada Departamento de Estadística e Investigación Operativa Granada, España 2014
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
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 detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesREVISTA UD Y LA GEOMÁTICA. DOI:http://dx.doi.org/ /udistrital.jour.udgeo
REVISTA UD Y LA GEOMÁTICA http://revistas.udistrital.edu.co/ojs/index.php/udgeo/index DOI:http://dx.doi.org/10.14483/udistrital.jour.udgeo.2013.7.a05 INVESTIGACIÓN Análisis de tendencias de movimiento
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesAspectos generales sobre la presencia de datos atípicos en series temporales
Aspectos generales sobre la presencia de datos atípicos en series temporales 1 Aspectos generales sobre la presencia de datos atípicos en series temporales Departamento de Estadística Universidad Carlos
Más detallesComparación entre dos métodos de reducción de dimensionalidad en series de tiempo
Revista Colombiana de Estadística Diciembre 2009, volumen 32, no. 2, pp. 189 a 212 Comparación entre dos métodos de reducción de dimensionalidad en series de tiempo Comparison between Two Dimensionality
Más detallesDiseños D-óptimos bayesianos para modelos lineales heteroscedásticos
XXVI Simposio Internacional de Estadística 2016 Sincelejo, Sucre, Colombia, 8 al 12 de Agosto de 2016 Diseños D-óptimos bayesianos para modelos lineales heteroscedásticos Catalina Patiño Bustamante 1,a,
Más detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesDIPLOMADO EN ECONOMETRÍA
DIPLOMADO EN ECONOMETRÍA Presentación La Coordinación de Educación Continua y Vinculación de la Facultad de Economía inauguró en 1987 el diplomado de Métodos Estadísticos Aplicados a la Economía, que fue
Más detallesL SON LAS RENTABILIDADES DE LAS ACCIONES SERIES FRACCIONALMENTE INTEGRADAS? RESULTADOS EN EL MERCADO DE VALORES ESPAÑOL*
E Revista de Economía Aplicada Número 6 (vol. 11). 1994, págs. 5 a 28 A L SON LAS RENTABILIDADES DE LAS ACCIONES SERIES FRACCIONALMENTE INTEGRADAS? RESULTADOS EN EL MERCADO DE VALORES ESPAÑOL* NATIVIDAD
Más detallesSOLUCIÓN: 3er EXAMEN PARCIAL DE MATEMÁTICAS. El valor de los reactivos 1 al 7 es de 1 punto; el reactivo 8 es 8 puntos y 5 puntos el reactivo 9.
SOLUCIÓN: 3er EXAMEN PARCIAL DE MATEMÁTICAS El valor de los reactivos 1 al 7 es de 1 punto; el reactivo 8 es 8 puntos y 5 puntos el reactivo 9. 1. Explique qué significa la estacionariedad débil Un proceso
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesSeries numéricas y de potencias. 24 de Noviembre de 2014
Cálculo Series numéricas y de potencias 24 de Noviembre de 2014 Series numéricas y de potencias Series numéricas Sucesiones de números reales Concepto de serie de números reales. Propiedades Criterios
Más detallesÍndice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
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 detallesRevista Contaduría y Administración
Revista Editada por la División de Investigación de la Facultad de de la UNAM http://contaduriayadministracionunam.mx Artículo original aceptado (en corrección) Título: Memoria larga en el tipo de cambio
Más detallesProcesos de Media Móvil y ARMA
Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores
Más detallesCurso: MODELOS ECONOMÉTRICOS ESPACIALES DE CORTE TRANSVERSAL Y DATOS DE PANEL
Curso: MODELOS ECONOMÉTRICOS ESPACIALES DE CORTE TRANSVERSAL Y DATOS DE PANEL Coro Chasco Yrigoyen Profesora de Economía Aplicada Directora del Grupo de Investigación ECONRES Universidad Autónoma de Madrid
Más detallesPROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Univariadas) Carlos Capistrán Carmona ITAM Serie de tiempo Una serie de tiempo es una sequencia de valores
Más detallesUna invitación al estudio de las cadenas de Markov
Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Potencias de
Más detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
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 detalles