SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
|
|
- Esteban Cuenca Bustos
- hace 6 años
- Vistas:
Transcripción
1 SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador (TP). El estudio de la presente serie toma como datos fuente, la información semanal de la tasa pasiva referencial, obteniendo la misma desde julio del 2001 hasta agosto del presente año 20. El objetivo que se persigue con el análisis de la serie TP es predecir el valor de la tasa pasiva en las 12 futuras semanas del año en curso. Para ello se tratará de construir un modelo que no solo se ajuste bien a los datos observados sino que, además garantice de alguna manera que las predicciones también se ajustarán bien a las observaciones futuras. En el gráfico presente se observa la evolución en el tiempo de la TP, a simple vista no podemos definir claramente la tendencia o evolución de la serie, en especial para especificar comportamientos futuros para esta serie. Dispersión Tasa Pasiva BCE pasiva semana Para analizar esta serie y conocer cual su comportamiento en especial, necesariamente se realizará un primer diagnóstico de la forma y tendencia de esta, para luego interpretar esta serie a través un modelo que se ajuste adecuadamente a las observaciones y que al mismo tiempo mantenga significativa capacidad predictiva. Las técnicas más utilizadas para este tipo de datos que no pueden ser tratados por modelos lineales convencionales, son las denominadas series de geotaph@hotmail.com 1
2 tiempo Geo, en el presente estudio se examinará la serie Tasa Pasiva a través de estas técnicas. La manera más utilizada de obtener un primer análisis de la serie, es desarrollar las gráficas las funciones de autocorrelaciones simples y autocorrelaciones parciales de la serie original. Tal como se muestra en los gráficos a continuación, se observa que para la función de autocorrelaciones simples en general, todos sus coeficientes no son nulos, presentan una estructura positiva y decrecen ligeramente con el retardo de manera exponencial. Tasa Pasiva - Autocorrelaciones Límites confidenciales Límite inferior de confianza ACF Este gráfico de la función de autocorrelaciones simples indica cierta tendencia decreciente de la serie original pues sus coeficientes presentan una estructura positiva con decrecimiento lento. Mientras que por otro lado los primeros coeficientes de la función de autocorrelaciones parciales son altos es decir no son nulos disminuyendo con Geo Los primeros estudios para describir el comportamiento de una serie histórica de datos, hace referencia a los años 50 donde se trataba a la información de manera determinística, las primeras técnicas utilizadas fueron los alisamientos, descomposiciones, regresiones múltiples y modelos econométricos conocidos; luego a partir de los años 60 comienza a tratarse la parte estocástica a través del procedimiento sistemático de Box-Jenkins, para los años 70 aparecen ya modelos mas completos como los ARIMA, de Kalman y modelos vectoriales AR. geotaph@hotmail.com 2
3 tendencia a valores pequeños casi todos cercanos a cero a medida que aumenta el retardo, a excepción del período 13. Tasa Pasiva - Autocorrelaciones Parciales Límite inferior de confianza ACF parcial Comportamientos similares de estas gráficas nos sugieren estudiar en primer lugar si el proceso es estacionario o no, para determinar si son: - Modelos medias móviles MA(q), - Modelos Autoregresivos AR(p), - Modelos Mixtos ARIMA(p,d,q) ó - Modelos ARIMA(p,d,q)(P,D,Q) s Para identificar cual modelo aplicar, comenzaremos por determinar primero si la serie es estacionaria Geo, analizaremos básicamente si la varianza es o no constante, es decir que no se altera al analizar grupos de observaciones en periodos distintos con iguales intervalos de tiempo. Para tal efecto, procederemos de la siguiente manera, concentrando las observaciones en grupos iguales de periodos de tiempo con el mismo número de datos y realizamos la prueba de Levene para la homogeneidad de varianzas de la serie de tasas pasivas clasificadas en factores o grupos. Esta prueba permite comprobar la hipótesis de que los grupos escogidos proceden de poblaciones con varianza común. El resultado de esta prueba de Levene se muestra en el cuadro a continuación. Geo Definición de Estacionalidad en Anexo 1 geotaph@hotmail.com 3
4 Prueba de homogeneidad de la varianza pasiva Basándose en la media Basándose en la mediana. Basándose en la mediana y con gl corregido Basándose en la media recortada Estadístico de Levene gl1 gl2 Sig. 8, ,000 7, ,000 7, ,844,000 7, ,000 Puesto que todos los p-valores asociados son < 5 se rechaza la hipótesis nula de homogeneidad de varianza, es decir hay razón suficiente para afirmar que no existe homogeneidad de varianzas de la serie, en palabras resumidas la serie estudiada no es estacionaria pero presenta tendencia como se apreció al estudiar el gráfico de autocorrelaciones simples; esto nos indica entonces realizar una derivada o derivadas no estacionales a los datos para estabilizar la varianza. Procedemos entonces a aplicar una derivada no estacional a la serie original. A continuación se muestra los nuevos gráficos de las funciones de autocorrelaciones y autocorrelaciones parciales para la serie luego de la transformación a partir de una derivada no estacional (d). Tasa Pasiva - Autocorrelaciones 1ra derivada no estacional ACF geotaph@hotmail.com 4
5 Tasa Pasiva - Autocorrelaciones Parciales 1ra derivada no estacional ACF parcial En especial con la aplicación de una derivada no estacional si observamos el gráfico de autocorrelaciones simples, su estructura ya deja de mostrar todos sus coeficientes altos con lento decrecimiento, es decir ya no presenta tendencia. En consecuencia una única derivada no estacional bastará para eliminar la tendencia y estabilizar la varianza de la serie (d = 1). Ahora, observemos la estructura en los nuevos gráficos de las funciones de autocorrelaciones y autocorrelaciones parciales: el primer coeficiente (q= 1) de la función de autocorrelaciones simples no es nulo, luego para el resto de coeficientes existe tendencia a acercarse a cero. Por otro lado para la función de autocorrelaciones parciales se encuentran varios coeficientes no nulos que decrecen con el retardo de manera exponencial. Comportamientos de este estilo sugiere en principio aplicar un proceso integrado de media móvil de orden q, MA(q) a la serie transformada para posteriormente afinar le modelo. La figura siguiente muestra los estadísticos de prueba al aplicar un proceso media móvil de orden 1 (q = 1). Figura Model Description Variable: pasiva Non-seasonal differencing: 1 No seasonal component in model. Parameters: Initial values: MA1 = 0,46330 geotaph@hotmail.com 5
6 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals ,239508, Variables in the Model: B SEB T-RATIO APPROX. PROB. MA1, , ,286844, Observemos que el p-valor (APPROX. PROB) para el modelo MA(1) es cero y el estadístico T-radio de prueba es alto, estos indican un buen ajuste del modelo; además el análisis de la varianza residual es pequeña. Ahora analicemos los gráficos de las funciones de autocorrelaciones simples y parciales correspondientes a este modelo, estas indican una buena aplicación y buen ajuste ya que todos los coeficientes se encuentran dentro de los intervalos de confianza de cero, a excepción del coeficiente correspondiente al período 13 para ambos casos; recordemos las gráficas anteriores en ellas se encontraba coeficientes fuera de las bandas por lo general por este mismo retardo. Tasa Pasiva Autocorrelaciones Modelo ARIMA (0, 1, 1) ACF Esto indica la existencia de correlación residual, es decir una componente estacional para los retardos, por ende nos encontramos en la búsqueda de un modelo tipo ARIMA(p,d,q)(P,D,Q)s. geotaph@hotmail.com 6
7 Tasa Pasiva - Autocorrelaciones Parciales Modelo ARIMA(0, 1, 1) ACF parcial Determinación de los órdenes p, d, q, P, D, Q del modelo mixto. Luego del análisis de tendencia y estacionalidad se conoció que la serie tiene tendencia decreciente y además no es estacional, entonces fue necesario transformar la serie a través de únicamente una derivada no estacional (d = 1) y ninguna derivada estacional (D = 0) para estabilizar la varianza y eliminar la tendencia. A partir de lo cual se aplicó un proceso media móvil (q = 1) y no fue necesario un proceso autorregresivo (p =0). Los residuales de la serie muestran la parte estacional de período s = 13, entonces realizamos los ensayos para obtener los parámetros faltantes que tal manera que obtengamos el mejor modelo. A continuación se muestra los gráficos de las funciones de autocorrelaciones para los residuales para el modelo loable encontrado, ARIMA(0, 1, 1)x(1, 0, 0) 13 Autocorrelaciones Simples Residuos del Modelo ARIMA(0,1,1)x(1,0,0)13 ACF geotaph@hotmail.com 7
8 Autocorrelaciones Parciales Residuos Modelo ARIMA(0,1,1)x(1,0,0)13 ACF parcial Se observa que ahora todos los coeficientes tanto de las partes superiores o inferiores están dentro de las bandas o muy próximas a cero, es decir son prácticamente nulos, por lo que ya no hay ninguna evidencia de estacionalidad ni ningún tipo de estructura, afianzando la validez del modelo encontrado. A continuación se presenta las pruebas concernientes a la estimación de los parámetros y estadísticos asociados, y la validación del modelo este último consiste en comprobar que el proceso bajo el modelo es un ruido blanco Geo. Forecast Summary Nonseasonal differencing of order: 1 Forecast model selected: ARIMA(0,1,1)x(1,0,0)13 Number of forecasts generated: 12 ARIMA Model Summary Parameter Estimate Stnd. Error t P-value MA(1) 0, , ,6016 0, SAR(1) 0, , ,5476 0, Estimated white noise variance = 0, with 270 degrees of freedom Estimated white noise standard deviation = 0, Observemos que los p-valores asociados al valor estadístico de contraste t son menores a 5 por lo que nuestro modelo encontrado es aceptado a un nivel significativamente alto del 95% de confiabilidad. Geo Definición de Ruido Blanco, en Anexo 2 geotaph@hotmail.com 8
9 El siguiente paso luego de encontrar un buen modelo que se ajuste a la información, es comprobar su capacidad de predicción, en este sentido una Prueba de Normalidad es requerida, en donde los residuos de las observaciones y los residuos esperados bajo la hipótesis de normalidad, se reduce a comprobar la distribución de ambas variables residuales. Una alternativa para el estudio de la normalidad es la prueba de bondad de ajuste de Kolmogorov Smirnov. Si el p-valor asociado al valor del estadístico de contraste es menor que α, se rechazará la hipótesis nula. La figura siguiente proporciona la prueba de Kolmogorov Smirnov para contrastar la hipótesis de normalidad de los residuos del modelo. Prueba de Kolmogorov-Smirnov para una muestra N Parámetros normales a,b Media Desviación típica Residuos arima 272 -,0219,309 Diferencias más extremas Z de Kolmogorov-Smirnov Sig. asintót. (bilateral) Absoluta Positiva Negativa a. La distribución de contraste es la Normal. b. Se han calculado a partir de los datos.,055,030 -,055,9,385 El p-valor asociado es suficientemente grande y se concluye que la diferencia observada entre la distribución de la serie de los residuos del modelo y la esperada no es significativamente significativa, en consecuencia se acepta la hipótesis de normalidad. geotaph@hotmail.com 9
10 El grafico siguiente muestra la serie original y la serie esperada con el modelo y además el pronóstico para 12 períodos. Predicción. Con la aplicación del modelo encontrado, a continuación se presenta las estimaciones para 12 periodos de la serie Tasa Pasiva Referencial. Pronóstico de la Tasa Pasiva con el Modelo Nro. Período Pronóstico L. sup. 95% L inf. 95% 1 28/08/20 4,25% 4,87 3, /08/20 4,25% 4,89 3, /08/20 4,34% 5,01 3, /08/20 4,20% 4,89 3,5 5 01/09/20 4,22% 4,94 3, /09/20 4,20% 4,94 3, /09/20 4,16% 4,92 3, /09/20 4,29% 5,08 3,5 9 05/09/20 4,20% 5,01 3,39 10 /09/20 4,24% 5,08 3, /09/20 4,13% 4,98 3, /09/20 4,17% 5,04 3,3 Prediccion L sup L inf AUG- 29- AUG- 30- AUG- 31- AUG fecha geotaph@hotmail.com 10
11 ANEXO 1 Procesos Estacionarios Definimos primero un proceso estocástico como una familia de variables aleatorias que corresponden a momentos sucesivos del tiempo, una serie temporal puede ser considerada como una realización o trayectoria de un proceso estocástico. Un proceso estocástico {X t } es estacionario (en covarianzas) si: La media de X t es constante: E(X t ) = µ t = µ para todo t ( a lo largo del tiempo) La varianza de X t es constante: V(X t ) = σ t 2 = σ 2 para todo t ( a lo largo del tiempo) La correlación entre dos períodos distintos de tiempo X t y X t+ k depende únicamente del número de retardos que las separa. Ruido Blanco ANEXO 2 Un proceso puramente aleatorio o estacionario se caracteriza por su media igual a cero y su varianza constantes a lo largo del tiempo y porque no existe relación entre valores referidos a momentos distintos del tiempo (correlación = 0). En un tratamiento de series temporales se suele designar a un proceso puramente aleatorio con la denominación de ruido blanco. geotaph@hotmail.com 11
Estadística 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 detallesSeries temporales. 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1
Series temporales 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1 Introducción Introducción Serie temporal: Conjunto de observaciones z t, cada
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA EXTRAORDINARIA - 05/05/2006 NOMBRE
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 18/01/2007 NOMBRE Y APELLIDOS
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 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 detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
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 detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
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 detallesEconometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos
Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido
Más detallesModelos Arma y método Box & Jenkins
Modelos Arma y método Box & Jenkins Alumno: Aldo Fournies Pallavicini. Profesor: Humberto Villalobos. 17/07/2013 Índice. Introducción... 3 Conceptos Básicos... 4 Modelos de autoregresión.... 5 Modelo AR(p)...
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesAnálisis de datos en CCSS: introducción al análisis descriptivo e inferencial
Programa de Doctorado Formación en la Sociedad del Conocimiento Seminario de doctorado 13 y 14 de marzo de 2014 Análisis de datos en CCSS: introducción al análisis descriptivo e inferencial Dra. Mª José
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 detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesEXAMEN DE ECONOMETRÍA 08/07/99-1
EXAMEN DE ECONOMETRÍA 08/07/99 - TEORÍA (2p) T- Metodología Box-Jenkins. CUESTIONES (2p) C- Tratar de formular al menos dos modelos ARIMA para la serie CONSUMO DE ENERGÍA ELÉCTRICA, de la cual conocemos
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 20/01/2005 NOMBRE Y APELLIDOS
Más detallesPRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
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 detallesTEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS
TEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS FASES EN EL ANÁLISIS DE LOS DATOS DE UNA INVESTIGACIÓN SELECCIÓN HIPÓTESIS DE INVESTIGACIÓN Modelo de Análisis Técnica de Análisis
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 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 detallesSe desea analizar el nivel de glucemia según tratamientos en un grupo de. enfermos. Para ello se ha medido este nivel antes y después de dichos
Práctica 4: Estadística Matemática Ejercicio 1: Se desea analizar el nivel de glucemia según tratamientos en un grupo de enfermos. Para ello se ha medido este nivel antes y después de dichos tratamientos.
Más detallesbáscula 1 báscula 2 Podemos comprobar que en ambos casos el p valor > 0,05, lo cual implica la normalidad de las muestras.
LABORATORIO 2 LABORATORIO INFORMÁTICO Caso 1. En una planta de fabricación de hormigón se quiere comprobar si dos básculas de distintos fabricantes están midiendo lo mismo. Para ello se toman aleatoriamente
Más detallesTEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S
TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesEJC 22: METODOLOGÍA BOX JENKINS
EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesCONTRASTES DE HIPÓTESES
CONTRASTES DE IPÓTESES 1. Contraste de hipótesis 2. Contrastes de tipo paramétrico 2.1 Contraste T para una muestra 2.2 Contraste T para dos muestras independientes 2.3 Análisis de la varianza 3. Contrastes
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 detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesINDICE. 81 Operadores lógicos Funciones exponenciales y logarítmicas Funciones trigonométricas
INDICE Introducción XV Capitulo 1. Instalación y primeros pasos en SPSS 10 Instalación de SPSS 10 1 Comenzando con SPSS 10 8 El trabajo de trabajo de SPSS 10 9 Opciones de a barra de menú principal 10
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 detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesLEC/LADE/LECD/LADED. (a) Deducir la expresión de la desviación típica de la media muestral, y calcularla para esta muestra.
LEC/LADE/LECD/LADED HOJA DE PROBLEMAS 4 CONTRASTES DE HIPÓTESIS Y DIAGNOSIS DEL MODELO 1.- El tiempo en minutos que dura un viaje en tren entre dos ciudades A y B, es una variable aleatoria normal con
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesCAPÍTULO 5. Proyecciones de las Fuentes de Empleo Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes
CAPÍTULO 5 Proyecciones de las Fuentes de Empleo 5.1. Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes de Empleo a Nivel Nacional. Para la proyección de las fuentes de empleo
Más detallesINDICE. Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación
INDICE Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación 3 1. Una sesión básica con el SPSS para Windows: trabajando con lo distintos
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 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 detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
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 detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesCLAVE Lab 11 - Regresión Lineal Simple y Polinomial
Escala común CLAVE Lab 11 - Regresión Lineal Simple y Polinomial 1. A mano, construya los siguientes gráficos: a. Grafique la línea recta correspondiente a la ecuación y 2x 1 b. Grafique la línea recta
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesQuinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
Más detallesTEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA
TEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA TIPOS DE CONTRASTE Contrastes paramétricos: Son aquellos que se relacionan con el estudio de un parámetro poblacional (media, varianza, proporción,
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
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 detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesPart III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
Más detallesMODELADO DE DOS INTERVENCIONES EN ALGUNAS SERIES DE PARADOS DE CASTILLA Y LEÓN (*)
XV MODELADO DE DOS INTERVENCIONES EN ALGUNAS SERIES DE PARADOS DE CASTILLA Y LEÓN (*) María Cruz VALSERO BLANCO Luis GUERRA VALSERO Universidad de Valladolid SUMARIO 1. INTRODUCCIÓN. 2. MODELOS. 3. ANÁLISIS
Más detallesTEMA 9 EL ANÁLISIS BÁSICO DE LA INFORMACIÓN EN LA INVESTIGACION DE MERCADOS
TEMA 9 EL ANÁLISIS BÁSICO DE LA INFORMACIÓN EN LA INVESTIGACION DE MERCADOS 9.1. Análisis Descriptivo de la Información 9.2. La Tabulación Cruzada 9.3. Contraste de Hipótesis 9.1. Análisis Descriptivo
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesUNA APROXIMACIÓN AL VALOR DEL SUELO HABITACIONAL EN LA CIUDAD DE HERMOSILLO, SONORA. Ing. Minerva Hernández Gutiérrez Dr. Jesús Quintana Pacheco
UNA APROXIMACIÓN AL VALOR DEL SUELO HABITACIONAL EN LA CIUDAD DE HERMOSILLO, SONORA. Ing. Minerva Hernández Gutiérrez Dr. Jesús Quintana Pacheco Marzo, 2015 Valor Valor de uso: Grado de utilidad o aptitud
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
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 detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 INFERENCIA
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesUniversidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial. Presenta Dra. En Ing. Rita Victoria de León Ardón
Universidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial Presenta Dra. En Ing. Rita Victoria de León Ardón Objetivo de la presentación Desarrollar el concepto de regresión múltiple y sus
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 detallesAnálisis Estadístico con Stata. Validación, Pronóstico y Estimación con Programación Matricial (Mata)
Entrenamiento Especializado Análisis Estadístico con Stata. Validación, Pronóstico y Estimación con Programación Matricial (Mata) Descripción Entrenamiento especializado presencial con repaso conceptual
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 detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Más detallesSIGNIFICACIÓN ESTADÍSTICA DE LA DIFERENCIA ENTRE 2 MEDIAS
SIGNIFICACIÓN ESTADÍSTICA DE LA DIFERENCIA ENTRE 2 MEDIAS 3datos 2011 Variables CUANTITATIVAS Valor más representativo: MEDIA aritmética Técnicas Inferenciales sobre la significación de la diferencia entre
Más detallesValores de glucemia en 36 varones sanos
Prueba Kolmogorov-Smirnov para una muestra: Es una prueba de bondad de ajuste. Se emplea en una muestra independiente. El tipo de variable es cuantitativa continua (debe ser medida en escala al menos ordinal).
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 detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA
ANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA La presente sección busca echar un vistazo en el mundo del análisis de regresión. Presentamos, pues, tres extractos de salidas de computadora que provienen
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 detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesINDICE. XV 1. Introducción a los pronósticos Actividad
INDICE Prefacio XV 1. Introducción a los pronósticos 1 Historia de los pronósticos La necesidad de pronosticar 2 Tipos de pronostico Pronóstico macroeconómico 4 Selección del método de pronostico 5 Pasos
Más detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Lineales de Regresión Índice 1. Planteamiento de modelo Caso práctico 2. Estimación y
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
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 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 detallesAnálisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA
Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA Técnicas en Predicción Administración y Dirección de Empresas Departamento de Estadísitica
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detalles