Estacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias
|
|
- Adrián Molina Moreno
- hace 6 años
- Vistas:
Transcripción
1 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 Departamento de Estadísitica Universidad Carlos III de Madrid 2 de abril, 2009
2 Objetivos de la práctica Modelar los siguientes fénomenos: 1 Modelización de la estacionalidad determinista segmentada. 2 Modelización efecto calendario. 3 Modelización efecto Semana Santa. 4 Modelización de la tendencia y la estacionilidad estocástica. 5 Predicción fuera de la muestra.
3 Estacionalidad Determinista Segmentada 11 y t = β 0 + β 1 t + β 01 ϕ 1t + β 11 ξ 1t + β j SA jt + 11 j=1 j=1 β j SB jt + η t donde 1 en el mes j. SA jt = 0 resto. 1 t Diciembre. Misma estructura para SB jt
4 Índice de Precios al Consumo (IPC) de España ew:esp11099 El IPC muestra clara ruptura en el nivel de la tendencia en 1975.
5 Índice de Precios al Consumo (IPC) de España Tendencia Segmentada (Detrending) Los valores resultaron significativos como cabría de esperar.
6 Índice de Precios al Consumo (IPC) de España Tendencia Segmentada Los residuos muestran una clara estructura cíclica que debe ser modelada.
7 Índice de Precios al Consumo (IPC) de España Estacionalidad Segmentada Implantación del nuevo Sistema de Índice de Precios de Consumo con la inclusión de los precios rebajados. Se han generado dummies desde 1995:01 a 2009:02.
8 Índice de Precios al Consumo (IPC) de España Estacionalidad Segmentada
9 Índice de Precios al Consumo (IPC) de España Estacionalidad Segmentada
10 Estacionalidad Segmentada Diagnosis
11 Estacionalidad Segmentada Diagnosis No se rechaza la H 0 de normalidad.
12 Otros posibles modelos I(2, 0) + EE Truncada logipc = 12 SB jt + ω t n=1 I(1, 1) + ED Truncada logipc = c + SA jt + SB jt + ω t n=1 n= logipc = 2 12 SA jt SB jt + ω t n=1 n=1
13 Tipos de Predicción Predicción Dinámica Los valores desplazados se sustituyen por los valores estimados. Podemos hacer predicción para los períodos que queramos, ya que se puede ir estimando de uno en uno los valores futuros que se van sustituyendo en la ecuación Predicción Estática Los valores desplazados de la serie se sustituyen por sus correspondientes valores observados. Sólo podemos hacer predicción un período hacia adelante, ya que no se tiene, observaciones disponibles. Al no existir residuo para el período de predicción se utiliza la media de los residuos. Al utilizar valores observados se comete menos error que en la predicción dinámica.
14 Estacionalidad Segmentada Predicción Dinámica
15 Estacionalidad Segmentada Predicción Dinámica
16 Estacionalidad Segmentada Predicción Estática
17 Estacionalidad Segmentada Predicción Estática
18 en la extracción de señales mediante variables artificiales Existen efectos que ocurren de forma recurrente, año tras año, que sólo se pueden modelizar de modo relativamente sencillo de forma determinista. Estos efectos no constituyen un análisis de intervención tal y como lo presentan Box y Tiao (1975), pero están captados de forma similar a través de variables artificiales.
19 en la extracción de señales mediante variables artificiales Existen efectos que ocurren de forma recurrente, año tras año, que sólo se pueden modelizar de modo relativamente sencillo de forma determinista. Estos efectos no constituyen un análisis de intervención tal y como lo presentan Box y Tiao (1975), pero están captados de forma similar a través de variables artificiales.
20 Efecto Calendario (Trading Day) Concepto Se presenta en variables mensuales que se obtienen por agregación temporal de los correspondientes valores diarios, si existe algún tipo de estacionalidad semanal, el valor que toma el agregado mensual depende de la composición del mes. Un ejemplo típico lo constituye el IPI: La producción mensual es la suma de las producciones diarias.( días por mes IPI) Existe estacionalidad de carácter semanal, que lleva a distinguir, al menos, entre días laborables y no laborables.( días laborables por mes IPI)
21 Modelización del efecto calendario Cleveland y Grupe (1982) EC t = 7 δ j U jt j = 1,..,7 (1) j=1 EC t = δdt t + 7 β j U jt (2) DT t Número total de días en un mes U jt Número de lunes, martes,...en cada mes. δ Efecto medio de añadir un día más. β j Efecto de añadir un día del tipo j en un deterd. mes. A través de (1) los estimadores son muy poco precisos debido a la alta correlación entre U jt. j=1
22 Modelización del efecto calendario Formulamos una nueva variable V jt = U jt U 7t j = 1, 2,..,6 (3) 6 7 EC t = δdt j + β j V jt + U 7t (4) Modelo final que estimaremos x t = a + bt + j=1 j=1 11 b j Sjt + j=1 j=1 β j 6 β j V jt + w t (5)
23 Índice de Producción Industrial
24 Modelo con tendencia y estacionalidad determinista x t = a + bt + 11 j=1 b j Sjt + w t Caída de la producción en el mes de agosto.
25 Añadimos el efecto calendario x t = a + bt + 11 b j Sjt + j=1 j=1 6 β j V jt + w t
26 Residuos del modelo con efecto calendario Los residuos han mejorado algo con respecto al modelo anterior pero siguen mostrando un comportamiento cíclico.
27 Correlograma: Modelo con Efecto Calendario Tanto la acf como la pacf muestran estructura mostrando que están lejos de comportarse como ruido blanco.
28 ˆx t+h = ED t+h + ŵ t+h ED t+h Efecto determinista. No hay incertidumbre, mera extrapolación matemática. ŵ t+h Componente estacionario, tiene dependencia respecto del pasado. Dos formas de predecir ˆx t+h considerar ŵ t+h. Enfoque parcial (forma burda) E(ŵ t+h ) = 0. Predicción es ineficiente pero consistente. Enfoque general ŵ t+h. Tiene dependencia que puedo introducir en el modelo a través de una estructura de tipo ARMA.
29 Modelo con efecto calendario y estructura AR(2) en los residuos
30 Correlograma El correlograma muestra una clara estructura en los retardos estacionales (12, 24, 36) de tipo autorregresiva.
31 Estimación con el Modelo Final x t = a + bt + 11 b j Sjt + j=1 j=1 6 β j V jt + AR(2)AR(1) 12 Se ha introducido una estructura AR(1) 12 y ha resultado ser significativa. También se han eliminado los efectos calendario que no resultaron ser significativos.
32 Residuos del Modelo Final Los residuos son compatibles con una estructura de ruido blanco, es decir, como media cero y varianza constante con algunas observaciones con valores excesivamente altos.
33 Box Plot de los residuos del Modelo Final En el box plot se observa una asimetría en la distribución de los residuos y la existencia de datos atípicos.
34 Correlograma del Modelo Final Todo los valores están dentro de las bandas de confianza por lo que podemos decir que el residuo es ruido blanco. Ninguna de la autocorrelaciones ha resultado ser significativa
35 Predicción del Modelo Final: Dentro de la muestra Consideramos la varianza de las predicciones como constantes en las próximas prácticas veremos como realizar las predicciones de forma más real: fuera de la muestra y con varianzas que aumentan con el horizonte de la predicción.
36 Predicción del Modelo Final Todas las predicciones están dentro de las bandas de confianza y muestran que aunque el modelo es simple las predicciones no son malas.
37 Efecto Bisiesto (Leap Year) Concepto Es interesante investigar el efecto que produce que haya un día más en el mes de febrero cada cuatro años, para ello construimos una variable artificial que capte este efecto. Modelización N t = 7 D jt = longitud del mes t (6) j=1 N t = 1 4 (N t + N t 12 + N t 24 + N t 36 ) (7) LY t = N t N t (8)
38 Efecto Bisiesto Creamos la variable dummy o artificial de la siguiente manera: 0,75 en el mes febrero del año bisiesto. LY t = 0,25 en febreros no bisiestos. 0 en otro caso. La suma de un ciclo completo es igual a cero.
39 Efecto Semana Santa (Easter Effects) Concepto El efecto de Semana Santa es otro efecto ejemplo de distorsión de carácter marcadamente estacional que sin embargo no se puede asignar al componente estacional, ya que la suma de sus contribuciones a la variable estudiada, a lo largo de un año natural, no es igual a cero. Modelización EP t = { 1 Meses de Pascua. 0 los demás meses. La Semana Santa puede caer en los meses de Marzo y Abril.
40 Otros efectos El alumno puede estudiar otros efectos que sean interesantes de la variable que a elegido 1 Fiestas. 2 Efecto año bisiesto. 3 En las próximas prácticas se modelizarán otros efectos particulares que afecten a la serie analizada: Atípicos u Outliers, cambios metodológicos, etc. Estos efectos forman parte de lo que se denomina Análisis de Intervención.
41 Modelización Determinista Modelo más general y t = β 0 + β 1 t + β 01 ϕ 1t + β 11 ξ 1t j=1 11 β j SA jt + β j SB jt + j=1 6 β j V jt + EP t + η t j=1 Cualquier otra efecto o característica particular de la serie deberá ser modelada.
42 Cuidado Es importante no confundir el tipo de series, ya que si una serie presenta una tendencia determinista y se diferencia se introduce un proceso no invertible en los componentes MA. Por otra parte, si se incorpora una tendencia determinista en una regresión en una regresión cuando no existe, el resultado es un error de especificación si el proceso tiene raíz unitaria. Ejemplo y t = β 0 + β 1 t + a t y t 1 = β 0 + β 1 (t 1) + a t 1 y t = β 1 + (a t a t 1 ) r t = a t 1a t 1 MA(1) no invertible.
43 Segunda parte de la práctica Predicción con el modelo con raíces unitarias (Differencing) 12 logx t = w t (9) logx t = logx t 1 + (logx t 12 logx t 13 ) + w t (10) Recordatorio de clase 1 Como se vió en clase la forma de tratar un modelo con raíces unitarias es a través de la diferenciación. Diferenciandolo tantas veces como raíces unitarias tenga. 2 Algunas de las diferencias pueden ser estacionales. 3 El modelo que estamos estimando es un modelo I(2,0)+ Estacionalidad Estocástica.
44 Serie de pasajeros de líneas aéreas ( ) Los datos muestran: tendencia, estacionalidad y variabilidad proporcional a la media.
45 Análisis de dlogairline La tasa log intermensual muestra
46 Análisis de dd12logairline Posible heterocedasticidad Autocorelaciones IMA(1, 1) IMA(1, 1) 12
47 Estimación del modelo con estructura ARMA El modelo estimado es: 12 log(airline t ) = (1 0,40B)(1 0,63B 12 )â t
48 Diagnóstico del modelo Residuos compatibles con estructura ruido blanco.
49 Diagnóstico del modelo Algunos residuos atípicamente elevados. No rechazamos la hipótesis de normalidad.
50 Modelo mejorado con Efecto Calendario y Efecto Pascua 12 logp t 100 = 3,88 12 L t +4,82 12 F t +2,70 12 SS t + +(1 0,21B)(1 0,61B 12 )â t
51 Diagnóstico del modelo
52 Predicción del modelo in sample
53 Predicción del modelo in sample
54 Formas de Predicción Predicción fuera de la muestra con Eviews.
55 Métodos de predicción Predicción fuera de la muestra con Eviews. Predicción dentro de la muestra Se estima el modelo con todos las observaciones y se predice con una parte de la muestra final. Subestima la varianza. Predicción fuera de la muestra Dos formas: 1 Dividiendo la muestra en una muestra de estimación y otra de validación (Sobreestima la varianza). 2 Estimado con toda la muestra y haciendo predicciones fuera de la muestra.
56 Predicción fuera de la muestra Predicción fuera de la muestra con Eviews. En prácticas anteriores hemos realizado la predicción dentro de la muestra (in sample) pero como se ha visto en la introducción del curso la teoría de la predicción esta íntimamente unida a la teoría de la decisión, es decir, a la toma de decisiones óptimas en ambientes de incertidumbre por parte de los agentes económicos. Por lo que, el interés radica en la predicción de valores futuros, es decir, fuera del rango muestral.
57 Predicción fuera de la muestra con Eviews. Vamos a ilustrar la forma de hacerlo con el último modelo con el modelo REGARIMA aplicado a la serie de líneas aéreas corregido de Efecto Calendario y Efecto Pascua.
58 Procedimiento a seguir en Eviews Predicción fuera de la muestra con Eviews. 1 Ir a la ventana del workfile seleccionar: procs/structure/resize Current Page Variando el rango deseado de la predicción. 2 Volvemos a la ecuación que queremos predecir y pinchamos en forecast, cambiamos el rango de la predicción y qué pasa??? Missing values??. 3 Una vez corregido el fallo anterior ya puedes predecir fuera de la muestra. 4 Calcula los intervalos de confianza al 80 % y al 95 % y graficalos Qué observas? 5 Grafica un Error Bar a través de la opción graph de Eviews.
59 Predicción 12 meses hacia delante Predicción fuera de la muestra con Eviews.
60 Predicción fuera de la muestra con Eviews.
61 Error bar Predicción fuera de la muestra con Eviews.
62 Error bar Predicción fuera de la muestra con Eviews.
Pronóstico 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 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 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 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 detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
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 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 detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesPRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO
PRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO Los modelos ARIMA constituyan una forma práctica de representar la dinámica de una serie. Ye hemos introducido en las prácticas anteriores el
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesEconometría II Práctica 1. Procesos ARMA Estacionarios Univariantes
Econometría II Práctica 1. Procesos ARMA Estacionarios Univariantes December 4, 2006 1 Introducción En muchas ocasiones, en el análisis de variables económicas, los datos estan disponibles en forma temporal.
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
Más detallesSeries Temporales. Teresa Villagarcía
Series Temporales Teresa Villagarcía 1 1. Introducción. El estudio de series temporales tiene por objeto analizar la evolución de una variable a través del tiempo. La diferencia esencial entre las series
Más detallesCURSO ECONOMETRÍA BÁSICA MULTISOFTWARE
CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesII JORNADAS IBEROAMERICANAS SOBRE PLANIFICACIÓN OFICINAS DE PROPIEDAD INDUSTRIAL: EXCELENCIA EN LA GESTIÓN
II JORNADAS IBEROAMERICANAS SOBRE PLANIFICACIÓN ESTRATÉGICA Y SISTEMAS DE GESTIÓN DE CALIDAD EN OFICINAS DE PROPIEDAD INDUSTRIAL: EXCELENCIA EN LA GESTIÓN Uso de los métodos de predicción para las solicitudes
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
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 detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t +
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 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 detallesSeries temporales. Series temporales
Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesUNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA
UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO
Más detallesGuía de Utilización de E-Views
Guía de Utilización de E-Views 10 de octubre de 2005 Índice general 1. Introducción a E-Views 2 1.1. Distintos tipos de archivos en E-views.............. 2 1.2. Creación de un fichero de trabajo................
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesAnálisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.)
Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) p. 1/11 Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) Departamento de Probabilidad y Estadística
Más detallesAnálisis de series temporales: Modelos ARIMA
Análisis de series temporales: Modelos ARIMA ISBN: 978-84-692-384- María Pilar González Casimiro 4-9 Análisis de Series Temporales: Modelos ARIMA Pilar González Casimiro Departamento de Economía Aplicada
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
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 detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesUnidad IV Introducción a la Regresión y Correlación
Unidad IV Introducción a la Regresión y Correlación Última revisión: 25-0ctubre-2009 Elaboró: Ing. Víctor H. Alcalá-Octaviano Página 48 IV.1 Conceptos fundamentales Antología de Probabilidad y Estadística
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más detallesGestión de datos en Eviews
Gestión de datos en Eviews 1.- Entrada-salida del sistema Para entrar en Eviews6 debemos llamar al Eviews.exe bien ejecutándolo explícitamente o haciendo doble click sobre el icono correspondiente. Para
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesUSO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-87-003-IT USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE Ana Cecilia Kikut V. OCTUBRE, 003 Entre los diferentes
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesModelo de Predicción de Demanda Convencional de Gas. Autor: Alberto Ramirez Varas Tutor: Victor M. Ruiz Morcillo
Modelo de Predicción de Demanda Convencional de Gas Autor: Alberto Ramirez Varas Tutor: Victor M. Ruiz Morcillo Fecha: 06/11/2015 Índice 1 Introducción... 1 1.1 Datos Demanda de Gas a nivel nacional...
Más detallesAsignatura: ESTADISTICA I (1024) Programa aprobado por Resolución UNM-R Nº 285/11
Asignatura: ESTADISTICA I (1024) Programa aprobado por Resolución UNM-R Nº 285/11 Carrera: LICENCIATURA EN RELACIONES DEL TRABAJO (Plan de estudios aprobado por Resolución UNM-R Nº 21/10) 1 Carrera: LICENCIATURA
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesProf. Antonio Santillana y Ainhoa Herrarte
La economía en el corto plazo: introducción al análisis del ciclo económico Prof. Antonio Santillana y Ainhoa Herrarte Contenido 1. Medición del ciclo económico: expansiones y recesiones económicas. Detección
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesUniversidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre Profesor: Jaime Soto
Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre 2011-1 Profesor: Jaime Soto PRUEBA DE HIPÓTESIS Ejemplo El jefe de la Biblioteca de la URBE manifiesta
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesSeries Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
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 detallesUtilizamos el fichero importado
TEMA 5: Análisis estadísticoexploratorio de datos en Eviews Área de Comandos Menú Principal Ventana Workfile y de Objetos Línea de estado EVIEWS, Econometric Views, para la gestión econométrica de datos
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Sexta clase: Programa Técnico en Riesgo, 2016 Agenda 1 2 de una vía 3 Pasos para realizar una prueba de hipótesis Prueba de hipotesis Enuncia la H 0 ylah 1,ademásdelniveldesignificancia(a).
Más detallesINSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
Más detallesEfecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires
> Año 10 / Número 101 / Marzo 2011 Economía de las ciudades Efecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires Un estudio según el modelo de valuación hedónico
Más detallesTeoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Más detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
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 detallesBreve Introducción a las Series Temporales
Breve Introducción a las Series Temporales 1 Series Temporales Colección de observaciones tomadas de forma secuencial en el tiempo {X t } t T. La hipótesis de independencia entre las observaciones puede
Más detallesPROGRAMA DE ESTUDIO : UN SEMESTRE ACADÉMICO : TERCER AÑO, PRIMER SEMESTRE
PROGRAMA DE ESTUDIO A. Antecedentes Generales ASIGNATURA : Estadística CÓDIGO : IIM313A DURACIÓN : UN SEMESTRE ACADÉMICO PRE - REQUISITO : PROBABILIDADES CO REQUISITO : NO TIENE UBICACIÓN : TERCER AÑO,
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 detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA SISTEMA UNIVERSIDAD ABIERTA PROGRAMA DE INTRODUCCIÓN A LA ECONOMETRÍA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ECONOMÍA SISTEMA UNIVERSIDAD ABIERTA PROGRAMA DE INTRODUCCIÓN A LA ECONOMETRÍA Área: Métodos Cuantitativos QUINTO SEMESTRE Carácter: Obligatorio HORA/SEMANA/SEMESTRE
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 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 detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesUNIDAD Nº4. Ejemplo.- Dados los Gastos de publicidad en los meses enero a julio, los cuales generan los sgts. Ingresos:
UNIDAD Nº4 TEORÍA DE REGRESIÓN Y CORRELACIÓN 1.- Teoría de Regresión.- En términos de estadística los conceptos de regresión y ajuste con líneas paralelas son sinónimos lo cual resulta estimar los valores
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detalles2. DESCRIPCIÓN ESTADÍSTICA DE UNA VARIABLE. EJEMPLOS Y EJERCICIOS *.
2. DESCRIPCIÓN ESTADÍSTICA DE UNA VARIABLE. EJEMPLOS Y EJERCICIOS *. 2.1. Ejemplos. Ejemplo 2.1 Se ha medido el grupo sanguíneo de 40 individuos y se han observado las siguientes frecuencias absolutas
Más detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelización Económica II
MODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelización Económica II Referencias: Gouriéroux (1997) "ARCH Models and Financial Applications", Springer. ARCH-GARCH () Javier Perote
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 detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID ECONOMETRIA PRIMER PARCIAL 17 DE ENERO DE 2008 1.- A) La transformación estacionaria es SOLUCIONES
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
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 detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detalles