Vectores Autorregresivos (VAR)
|
|
- Arturo Páez Aguirre
- hace 8 años
- Vistas:
Transcripción
1 Vectores Autorregresivos (VAR) 1
2 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t ) = µ E(Y t µ)(y t τ µ) = Γ(τ) (vector de esperanzas) (matriz de autocovarianzas) El elemento i, j es: γ i,j = E(Y it µ it )(Y j,t τ µ j,t τ ) Los elementos de la diagonal son las autocovarianzas y los de fuera de la diagonal las autocovarianzas cruzadas. Walter Sosa Escudero. Banco Central de Chile
3 Y t es estacionario si: 1. E(Y t ) = µ <. 2. E(Y t µ)(y t τ µ) = Γ(τ) <, τ = 0, 1, 2,... Estacionariedad de Y t implica estacionariedad de Y it, i = 1,..., N. El converso NO es cierto (porque?) Walter Sosa Escudero. Banco Central de Chile
4 Ruido Blanco Multivariado ε t es N 1. Es RBM si: 1. E(ε t ) = 0 2. E(ε t ε s) = Ω N N si t = s 0 si t s Cuidado: los elementos de ε t pueden estar correlacionados contemporaneamente pero no en distintos periodos!! Walter Sosa Escudero. Banco Central de Chile
5 Vectores Autorregresivos (VAR) VAR(1) con media cero Y t = ΦY t 1 + ε t, ε t RBM Y t es N 1, Φ es N N. Ejemplo: X t = φ 11 X t 1 + φ 12 Z t 1 + ε 1t Z t = φ 12 X t 1 + φ 12 Z t 1 + ε 2t Relacion entre el presente de una variable y el pasado de todas las variables del sistema. ε 1t y ε 2t pueden estar correlacionados. Walter Sosa Escudero. Banco Central de Chile
6 Motivacion historica y metodologica del uso de VAR s Motivacion: Sims (1980). Discusion metodologica: Pagan (1987) Walter Sosa Escudero. Banco Central de Chile
7 Algunos resultados utiles de algebra Si A es cuadrada y diagonal con elemento carateristico a ii, A K es una matriz diagonal con elemento i, i igual a a K ii. A m m. Cualquier escalar λ que satisfaga Ax = λx para un vector m 1, x 0 es un autovalor de A. x es un autovector de A correspondiente al autovalor λ. Si λ es un autovalor de A, entonces A λi = 0. La ecuacion caracteristica A λi = 0 es una ecuacion de grado m. Entonces, A mm tiene m autovalores. A m m con autovalores λ 1, λ 2,..., λ m, entonces: (a) tr(a) = m i=1 λ i (b) A = m i=1 λ i Walter Sosa Escudero. Banco Central de Chile
8 Si A m m tiene m autovalores diferentes, entonces los autovectores asociados son todos linealmente independientes. Si A m m tiene m autovalores diferentes y Λ diag(λ 1,..., λ m ) y X (x 1, x 2,, x m ), entonces: A = XΛX 1 Bajo las condiciones del resultado anterior: A K = AA A = (XΛX 1 )(XΛX 1 ) (XΛ K X 1 ) = XΛ K X 1 con Λ K = diag(λ K 1,..., λ K m) Walter Sosa Escudero. Banco Central de Chile
9 Estacionariedad de VAR(1) Recordar caso AR(1): Y t = φy t 1 + ε t. Estacionario si φ < 1. Notar que Y t = ΦY t 1 + ε t y Y t 1 = ΦY t 2 + ε t 1. Reemplazando: Y t = Φ 2 Y t 2 + ε + Φε t 1 Reemplazando ahora Y t 2 y luego Y t 3, etc.: Y t = k 1 j=0 Φ j ε t j + Φ k Y t k En forma similar a AR(1) requeriremos que Φ k 0, o, equivalentemente, Φ < 1 (en un sentido matricial). Walter Sosa Escudero. Banco Central de Chile
10 De acuerdo al resultado anterior Φ = XΛX 1 en donde X es la matriz de autovectores y Λ la matriz diagonal con los autovalores λ 1,..., λ N. Entonces, Φ k = XΛ k X 1 de modo que Φ K 0 si y solo si λ i < 1, i = 1,..., N. Resumiendo: Y t = ΦY t 1 + ε t es estacionario si y solo si todos los autovalores de Φ son < 1 en valor absoluto, o, equivalentemente, si todas las raices de la ecuacion caracteristica Φ λi N son menores a uno en valor absoluto. Walter Sosa Escudero. Banco Central de Chile
11 Si VAR(1) es estacionario: Y t = Φ j ε t j j=0 es la representacion V M A( ) estacionaria del VAR(1). Walter Sosa Escudero. Banco Central de Chile
12 VAR(p) Y t = Φ 1 Y t 1 + Φ 2 Y t Φ p Y t p + ε t, ε t RBM Estacionariedad de VAR(p): todas las raices de λ p I λ p 1 Φ 1 Φ p = 0 son mayores que uno en valor absoluto. Resultado importante: Si VAR(p) es estacionario, tiene una representacion VMA( ) estacionaria. Esto es una consecuencia del Teorema de Descomposicion de Wold. Walter Sosa Escudero. Banco Central de Chile
13 Estimacion de VAR Consideremos VAR(1): X t = φ 11 X t 1 + φ 12 Z t 1 + ε 1t Z t = φ 12 X t 1 + φ 12 Z t 1 + ε 2t Notar que MCO es consistente, ecuacion por ecuacion. Es un caso particular de SUR con las mismas variables explicativas en cada ecuacion: MCG coincide con MCO, no hay ganancia de eficiencia. Explica gran parte de la popularidad de VAR. Walter Sosa Escudero. Banco Central de Chile
14 Interpretacion de VAR No es una forma estructural. Los coeficientes no tienen una interpretacion clara ya que solo se busca una representacion de los datos. En la practica es comun basar la interpretacion en tests agregados y ejercicios de simulacion. Simulacion: a) Funciones impulso-respuesta, b) Descomposicion de la varianza. Tests: a) Relevancia de variables, b) Significatividad de rezagos, c) Relaciones entre ecuaciones, d) Causalidad de Granger. Walter Sosa Escudero. Banco Central de Chile
15 Funciones impulso-respuesta Objetivo: investigar que sucede con el sistema VAR ante variaciones exogenas. Consideremos la representacion VMA( ) de VAR(p): Y t = Ψ s ε t s, s=0 Ψ 0 = I m, ε t RBM Y t ε t j = Y t+s ε t = Ψ s Ψ ij (s) : Efecto sobre Y i,t+s de cambiar ε jt en una unidad. Ψ ij (s)/ V (ε jt ): Efecto sobre Y i,t+s de cambiar ε jt en un desvio estandar: funcion de impulso-respuesta simple. Walter Sosa Escudero. Banco Central de Chile
16 Ejemplo: VAR(1) con N = 2, hay 4 funciones de impulso respuesta simple. Problema: ε it no son independientes. N = 2 V (ε t ) = Ω = σ 11 σ 12 σ 21 σ 22 No es intuitivo hablar de cambios en ε 1t dejando ε 2t. Walter Sosa Escudero. Banco Central de Chile
17 Mas resultados de algebra 1. Si Ω es simetrica y positiva definida, existe H no singular, tal que Ω = HH. H es una raiz cuadrada de Ω. H no es unica. 2. Si ε t es un vector aleatorio con E(ε t ) = 0 y V (ε t ) = E(ε t ε t) = Ω, existe H tal que ε t = Hv t, en donde v t es un vector aleatorio con E(v t ) = 0 y V (v t ) = I. v t son las innovaciones ortogonales de ε t. La idea es: v t Hv t ε t Y t Entonces, lo que realmente nos interesa es Y t+s / v t. Problema: H no es unica. Si Ω es simetrica y positiva definida, existe una unica matrix P no-singular y triangular inferior tal que P P = Ω. P es la matriz de Choleski de Ω. Walter Sosa Escudero. Banco Central de Chile
18 La idea, entonces, es utilizar: ε t = P v t. Reemplazando: Y t = Ψ s P v t s = Φ s v t s, Φ Ψ s P i=1 i=1 Y t v t s = Y t+s v t = Φ s Elemento caracteristico: φ (s) ij = cambio en Y i,t+s resultante de cambios en v j,t en una unidad. φ (s) ij = funcion de impulso-respuesta con respecto a las innovaciones ortogonales. Notar que como V (v j,t = 1) tambien mide el efecto de cambios en 1 desvio estandar. Walter Sosa Escudero. Banco Central de Chile
19 Cuestion importante: el uso de P (la descomposicion de Choleski) implica cierta arbitrariedad. Ejemplo: N = 2 ( ε 1t ε 2t ) = ( P 11 0 P 21 P 22 ) ( v 1t v 2t ) ε 1t depende solo de v 1t ε 2t depende de v 1t y v 2t La dependencia entre ε 1t y ε 2t es generada por esta estructura recursiva. Que implicaciones tiene, por ejemplo, si Y 1 es la tasa de crecimiento de la cantidad nominal de dinero y Y 2 es la tasa de inflacion? Entonces, el orden de las variables en la matriz de Choleski es muy importante. Walter Sosa Escudero. Banco Central de Chile
20 Notar que si Ω = σ σ 22 = P = σ σ22 Si Ω es diagonal el orden de la descomposicion de Choleski no importa. Trivialmente, las innovaciones originales son tambien las innovaciones ortogonales. En la practica, entonces, es importante evaluar empiricamente la diagonalidad de Ω. Walter Sosa Escudero. Banco Central de Chile
21 Seguimos con el algebra... Si Ω es simetrica y pd, existe una unica matriz H triangular inferior con 1 s en la diagonal principal, y una unica matriz diagonal D con todos sus elementos positivos, tal que Ω = HDH. Si ε t es un vector aleatorio con E(ε t ) = 0 y V (ε t ) = Ω, entonces ε t puede escribirse com ε t = Hu t, con E(u t ) = 0 y V (u t ) = D, en donde H y D satisfacen Ω = HDH. Notar que V (u jt ) = d j, el j esimo elemento de la diagonal principal de D. La idea, en este caso, es permitir que cada una de las innovaciones ortogonales tenga su propia varianza. Walter Sosa Escudero. Banco Central de Chile
22 Disgresion notacional X = A 1 B 1 A 2 B 2 [ A B ] Chequear que: XX = A 1 A 2 [ A 1 A 2 ] + B 1 B 2 [ B 1 B 2 ] En general, si x i es la i-esima columna de X, XX = x i x i. Es facil verificar que si D es diagonal con elemento caracteristico d i, XDX = d i x i x i Walter Sosa Escudero. Banco Central de Chile
23 Descomposicion de la varianza Supongamos un VAR con N variables. Cuanto de la variabilidad total de una variable es atribuible a movimientos en cada una de las otras variables? R 2 en el modelo lineal: proporcion de la varianza de Y que es explicada por movimientos en X. La idea es proporcionar una idea similar para descomponer la variabilidad total de una variable del VAR en terminos de las variabilidades exogenas de cada una de las variables del sistema. Walter Sosa Escudero. Banco Central de Chile
24 Partimos de la representacion MA( ) de VAR: Y t = Ψ s ε t s, s=0 Ψ 0 = I m, ε t RBM que implica que: V (Y t ) = = = = Ψ s ΩΨ s s=0 Ψ s HDH Ψ s s=0 { N } Ψ s d i h i h i s=0 i=1 Ψ s { N } d i Ψ s h i h iψ s i=1 s=0 Walter Sosa Escudero. Banco Central de Chile
25 V (Y t ) = = { N } V (u i ) Ψ s h i h iψ s i=1 s=0 N V (u i ) B (i) i=1 En particular, la j-esima varianza: 1 = V (Y tj ) = N i=1 N i=1 V (u i )B (i) jj V (Y tj ) V (u i )B (i) jj = N i=1 z ji z ji = proporcion de la varianza de la j esima variable que es explicada por el componente exogeno de cada una de las i = 1, 2,..., N variables del sistema. Walter Sosa Escudero. Banco Central de Chile
26 En la practica: no podemos computar rezagos! Partimos de la representacion V MA( ) de VAR en t + 1: Y t+1 = ε t+1 + Ψ 1 ε t + Ψ 2 ε t 1 + La prediccion de Y t+1 con la informacion disponible en t es la esperanza de Y t+1 condicional en toda la informacion disponible en t: E t (Y t+1 ) = Ψ 1 ε t + Ψ 2 ε t 1 + El error de pronostico de predecir Y t+1 en t sera: Y t+1 E t (Y t+1 ) = ε t+1 Walter Sosa Escudero. Banco Central de Chile
27 Analogamente, el error de pronostico de predecir Y t+s en t sera: e t+2 Y t+s E t (Y t+s ) = ε t+s +Ψ 1 ε t+s 1 +Ψ 2 ε t+s 2 + +Ψ s 1 ε t+1 El valor esperado de e t+s es cero y su varianza es: V (e t+s ) = Ω + Ψ 1ΩΨ 1 + Ψ 2ΩΨ Ψ s 1ΩΨ s 1 Da una idea de la magnitud del error de prediccion (es el error cuadratico medio ya que la esperanza es cero!). Notar que cuando s, V (e t+s ) V (Y t ). En la practica: computar la descomposicion para s = 1, 2, 3,... Walter Sosa Escudero. Banco Central de Chile
28 Tests de hipotesis basicas en VAR Supongamos que nos interesa evaluar si cierta restriccion sobre los parametros del VAR es correcta, H 0 : h(θ) = 0 versus h(θ) = 0 en donde θ son todos los parametros del VAR y h es cualquier funcion continua. Si ε t RBN(0, Ω) (T c) ( ) ln ˆΩ r ln ˆΩ u χ 2 (m) asintoticamente bajo H 0, en donde ˆΩ r y Ω u son las matrices de varianzas estimadas bajo el modelo restringido y sin restringir, respectivamente, m es el numero de restricciones, c es el numero de parametros estimados en cada ecuacion en el modelo sin restringir, y T es el numero de observaciones utilizables. Walter Sosa Escudero. Banco Central de Chile
29 Ejemplos 1. Relevancia de rezagos: Ejemplo, si en con series trimestrales los rezagos del 9 al 12 son relevantes. Modelo sin restringir: incluye los 12 rezagos, sin restringir: solo los primeros Relevancia de variables: todos los rezagos de una variable son irrelevantes en todas las ecuaciones. Walter Sosa Escudero. Banco Central de Chile
30 Causalidad de Granger Consideremos la primera ecuacion de la representacion VAR(p) para x t y y t : x t = c + p α i x t i + i=1 p β i y t i i=1 y t no causa a x t en el sentido de Granger si β 1 = β 2 = = β p = 0 La hipotesis puede ser facilmente evaluada con un test F de significatividad conjunta (existen varias alternativas). En forma similar se puede definir ausencia de causalidad de Granger de x t. Walter Sosa Escudero. Banco Central de Chile
31 Es uno de los resultados mas abusados en econometria. En realidad evalua si el pasado de y t contribuye a predecir x t. Es mas un test que tiene que ver con precedencia temporal y no con causalidad. Ejemplo 1: Forward-looking behavior y precios de acciones. Ejemplo 2: Shocks en los precios de petroleo y recesiones. Ejemplo 3: Efectos reales del dinero (Stock y Watson (1989), Christiano y Ljungqvist (1988)). Walter Sosa Escudero. Banco Central de Chile
Vectores Autorregresivos (VAR)
Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesSeries de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
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 detallesVariables Parcialmente Continuas. Walter Sosa Escudero. wsosa@udesa.edu.ar Universidad de San Andr es
Variables Parcialmente Continuas Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion ² Variables aleatorias discretas: los valores del soporte pueden ocurrir con probabilidad
Más detallesTEMA 6. EIGENVALORES Y EIGENVECTORES
TEMA 6. EIGENVALORES Y EIGENVECTORES M. C. Roberto Rosales Flores INSTITUTO TECNOLÓGICO SUPERIOR DE TLAXCO Ingeniería en Logística M. C. Roberto Rosales Flores (ITST TEMA 6. EIGENVALORES Y EIGENVECTORES
Más detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detallesTema 3: Aplicaciones de la diagonalización
TEORÍA DE ÁLGEBRA II: Tema 3. DIPLOMATURA DE ESTADÍSTICA 1 Tema 3: Aplicaciones de la diagonalización 1 Ecuaciones en diferencias Estudiando la cría de conejos, Fibonacci llegó a las siguientes conclusiones:
Más detalles4 APLICACIONES LINEALES. DIAGONALIZACIÓN
4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesPROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.
PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.
Más detallesMatrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx
Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesCURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre
CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesÁlgebra lineal y matricial
Capítulo Álgebra lineal y matricial.. Vectores y álgebra lineal Unconjuntodennúmerosreales(a,,a n )sepuederepresentar: como un punto en el espacio n-dimensional; como un vector con punto inicial el origen
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detalles1. Producto escalar, métrica y norma asociada
1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la
Más detallesClasificación de métricas.
Clasificación de métricas. 1. El problema de clasificación. Como bien sabemos, el par formado por una métrica T 2 (esto es, un tensor 2-covariante simétrico) sobre un espacio vectorial E, (E, T 2 ), constituye
Más detallesValores y vectores propios de una matriz. Juan-Miguel Gracia
Juan-Miguel Gracia Índice 1 Valores propios 2 Polinomio característico 3 Independencia lineal 4 Valores propios simples 5 Diagonalización de matrices 2 / 28 B. Valores y vectores propios Definiciones.-
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detalles- se puede formular de la siguiente forma:
Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONTINUAS. La mayor parte de las funciones que manejamos, a nivel elemental, presentan en sus gráficas una propiedad característica que es la continuidad. La continuidad de una función definida
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es
Más detallesEl ímpetu de un cuerpo es el producto de la masa del cuerpo por su vector velocidad
3. Fuerza e ímpetu El concepto de ímpetu (cantidad de movimiento o momentum surge formalmente en 1969 y se define como: El ímpetu de un cuerpo es el producto de la masa del cuerpo por su vector velocidad
Más detallesREGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR)
BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓICA DEPARTAENTO DE INVESTIGACIONES ECONÓICAS NT-06-96 REGRESIONES QUE APARENTEENTE NO ESTAN RELACIONADAS (SUR) Rigoberto Araya onge Juan E. uñoz Giró NOVIEBRE,
Más detallesAplicaciones Lineales
Tema 3 Aplicaciones Lineales 3.1 Introducción Se presentan en este tema las aplicaciones entre espacios vectoriales, particularmente las aplicaciones lineales, que de una manera informal pueden definirse
Más detallesApéndice A. Repaso de Matrices
Apéndice A. Repaso de Matrices.-Definición: Una matriz es una arreglo rectangular de números reales dispuestos en filas y columnas. Una matriz com m filas y n columnas se dice que es de orden m x n de
Más detallesEjemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}
Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar
Más detallesTEMA 4: CALCULO NUMERICO DE AUTOVALORES
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 4: CALCULO NUMERICO DE AUTOVALORES 1 INTRODUCCION La determinación de autovalores y autovectores de una matriz cuadrada A de orden n es un problema
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesValores propios y vectores propios
Capítulo 6 Valores propios y vectores propios En este capítulo investigaremos qué propiedades son intrínsecas a una matriz, o su aplicación lineal asociada. Como veremos, el hecho de que existen muchas
Más detallesCapitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario)
Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS (Solucionario) 2 Í N D I C E CAPÍTULO : MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES CAPÍTULO 2: ESPACIOS VECTORIALES
Más detallesDefinición de vectores
Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre
Más detallesVectores y Valores Propios
Capítulo 11 Vectores y Valores Propios Las ideas de vector y valor propio constituyen conceptos centrales del álgebra lineal y resultan una valiosa herramienta en la solución de numerosos problemas de
Más detallesMétodos y Modelos Cuantitativos para la toma de Decisiones
Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia
Más detallesEstructuras algebraicas
Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota
Más detallesModelos vectoriales autoregresivos (VAR)
Modelos vectoriales autoregresivos (VAR) Alfonso Novales Universidad Complutense Noviembre 24 Preliminary version No citar sin permiso del autor @Copyright A.Novales 24 Contents Modelos VAR 2. Un modelo
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesEstacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ
Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de
Más detallesEcuaciones Diferenciales Tema 2. Trasformada de Laplace
Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace
Más detallesFundamentos de Investigación de Operaciones Investigación de Operaciones 1
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,
Más detalles21.1.2. TEOREMA DE DETERMINACIÓN DE APLICACIONES LINEALES
Aplicaciones lineales. Matriz de una aplicación lineal 2 2. APLICACIONES LINEALES. MATRIZ DE UNA APLICACIÓN LINEAL El efecto que produce el cambio de coordenadas sobre una imagen situada en el plano sugiere
Más detallesASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson
ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;
Más detallesAplicaciones lineales
aplicaciones_lineales.nb Aplicaciones lineales Práctica de Álgebra Lineal, E.U.A.T, Grupos ºA y ºB, 005 Aplicaciones lineales y matrices Hay una relación muy estrecha entre aplicaciones lineales y matrices:
Más detallesFormas bilineales y cuadráticas.
Tema 4 Formas bilineales y cuadráticas. 4.1. Introducción. Conocidas las nociones de espacio vectorial, aplicación lineal, matriz de una aplicación lineal y diagonalización, estudiaremos en este tema dos
Más detallesINTRODUCCIÓN AL DISEÑO SÍSMICO INSTITUTO DE INVESTIGACIONES ANTISISMICAS ING. ALDO BRUSCHI FACULTAD DE INGENIERIA - UNIVERSIDAD NACIONAL DE SAN JUAN
INTRODUCCIÓN AL DISEÑO SÍSMICO INSTITUTO DE INVESTIGACIONES ANTISISMICAS ING. ALDO BRUSCHI FACULTAD DE INGENIERIA - UNIVERSIDAD NACIONAL DE SAN JUAN Dinámica de sistemas de varios grados de libertad. Estructuras
Más detallesMatemáticas 1204, 2013 Semestre II Tarea 5 Soluciones
Matemáticas 104, 01 Semestre II Tarea 5 Soluciones Problema 1: Una definición errónea de línea tangente a una curva es: La línea L es tangente a la curva C en el punto P si y sólamente si L pasa por C
Más detalles1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.
Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Suponga que, conversando con su cuate, surge la idea de hacer una apuesta simple. Cada uno escoge decir cara ó sello. Se lanza una moneda al aire, y si sale cara, quien dijo sello le paga a quien dijo
Más detallesRegistro contable de Supuesto 10 Determinación del derivados OTC valor de una prima de opción (2)
Ejercicio 10 10 DETERMINACIÓN DE UNA PRIMA EN UNA OPCION (MODELO DE BLACK SCHOLES) Instrucciones Vamos a calcular cual es el importe al que asciende una prima en una opción aplicando el modelo más extendido
Más detallesCambio de representaciones para variedades lineales.
Cambio de representaciones para variedades lineales 18 de marzo de 2015 ALN IS 5 Una variedad lineal en R n admite dos tipos de representaciones: por un sistema de ecuaciones implícitas por una familia
Más detallesFORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES
FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES Eleonora Catsigeras 6 de mayo de 997 Notas para el curso de Análisis Matemático II Resumen Se enuncia sin demostración
Más detallesBREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL
BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco
Más detallesRepaso de matrices, determinantes y sistemas de ecuaciones lineales
Tema 1 Repaso de matrices, determinantes y sistemas de ecuaciones lineales Comenzamos este primer tema con un problema de motivación. Problema: El aire puro está compuesto esencialmente por un 78 por ciento
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesUniversidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V.
Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL x x x1 n θ y y ȳ1 n 1 n x1 n ȳ1 n Carlos Arce S. William Castillo E. Jorge González V. 2003 Algebra Lineal Carlos Arce S., William Castillo
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detalles1. Resolver el sistema de dos ecuaciones con dos incógnitas AX = B, donde 1 0,999 1,999 A = 1,999 . 0,999 1 1 0,999 A = . 0,999 1. AX = αo 1 + βo 2.
Instituto de Matemática y Estadística Prof Ing Rafael Laguardia Facultad de Ingeniería Universidad de la República C1 y GAL1 anuales 2009 Trabajo: número de condición y SVD El objetivo de este trabajo
Más detallesUna desigualdad se obtiene al escribir dos expresiones numéricas o algebraicas relacionadas con alguno de los símbolos
MATEMÁTICAS BÁSICAS DESIGUALDADES DESIGUALDADES DE PRIMER GRADO EN UNA VARIABLE La epresión a b significa que "a" no es igual a "b ". Según los valores particulares de a de b, puede tenerse a > b, que
Más detallesÁLGEBRA DE MATRICES. Al consejero A no le gusta ninguno de sus colegas como presidente.
ÁLGEBRA DE MATRICES Página 49 REFLEXIONA Y RESUELVE Elección de presidente Ayudándote de la tabla, estudia detalladamente los resultados de la votación, analiza algunas características de los participantes
Más detallesLección 4: Suma y resta de números racionales
GUÍA DE MATEMÁTICAS II Lección : Suma y resta de números racionales En esta lección recordaremos cómo sumar y restar números racionales. Como los racionales pueden estar representados como fracción o decimal,
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detalles3.1 DEFINICIÓN. Figura Nº 1. Vector
3.1 DEFINICIÓN Un vector (A) una magnitud física caracterizable mediante un módulo y una dirección (u orientación) en el espacio. Todo vector debe tener un origen marcado (M) con un punto y un final marcado
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesACCIONES Y OTROS TÍTULOS DE INVERSIÓN
ACCIONES Y OTROS TÍTULOS DE INVERSIÓN TASAS EFECTIVAS DE RENDIMIENTO ANUAL Y MENSUAL: Es aquélla que se emplea en la compraventa de algunos valores en el Mercado Bursátil o Bolsa de Valores. Estas tasas
Más detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesTEMA 6: Gráficos de Control por Variables
TEMA 6: Gráficos de Control por Variables 1 Introducción 2 Gráficos de control de la media y el rango Función característica de operación 3 Gráficos de control de la media y la desviación típica 4 Gráficos
Más detallesSistemas de Ecuaciones Lineales y Matrices
Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre
Más detallesNota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades:
Capítulo 1 DETERMINANTES Definición 1 (Matriz traspuesta) Llamaremos matriz traspuesta de A = (a ij ) a la matriz A t = (a ji ); es decir la matriz que consiste en poner las filas de A como columnas Definición
Más detallesConceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones
Más detallesEspacios vectoriales con producto interno
Capítulo 8 Espacios vectoriales con producto interno En este capítulo, se generalizarán las nociones geométricas de distancia y perpendicularidad, conocidas en R y en R 3, a otros espacios vectoriales.
Más detallesMatemáticas I: Hoja 4 Aplicaciones lineales y diagonalización
Matemáticas I: Hoja 4 Aplicaciones lineales y diagonalización Ejercicio. Decidir cuáles de las siguientes aplicaciones son lineales. Cuál es la dimensión del espacio imagen? a f(x, x 2, x 3 = (x 2 + x
Más detallesSegregación y Calidad en el Sistema Educativo Chileno
ISSN 0717-1528 Segregación y Calidad en el Sistema Educativo Chileno Los últimos datos sobre el sistema educativo chileno confirman que ha mejorado en la última década, pero aún quedan desafíos importantes,
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 detalles1. MANEJO DE SUMATORIOS. PROPIEDADES Y EJERCICIOS.
1. MANEJO DE SUMATORIOS. PROPIEDADES Y EJERCICIOS. El sumatorio o sumatoria) es un operador matemático, representado por la letra griega sigma mayúscula Σ) que permite representar de manera abreviada sumas
Más detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesProcesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid
PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer
Más detallesDETERMINANTES MACROECONÓMICOS DE LOS SEGUROS DE VIDA Y PERSONAS
DETERMINANTES MACROECONÓMICOS DE LOS SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Mediante la estimación de modelos de regresión lineal se cuantificó el
Más detallesIntroducción a la Econometría
Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo
Más detalles6.1 Definición de valores y vectores característicos de una matriz cuadrada
6.Valores y Vectores Característicos 6. Definición de valores y vectores característicos de una matriz cuadrada El cálculo de los valores propios y de los vectores propios de una matriz simétrica tiene
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
Más detallesDIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009
Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis
Más detallesMacroeconomía II EAE 211B
Macroeconomía II EAE 211B Pontificia Universidad Católica de Chile Instituto de Economía Juan Ignacio Urquiza Primer Semestre 2012 Ciclos Económicos Esquema: Introducción a los ciclos: Rol de las rigideces
Más detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesEspacios vectoriales
Espacios vectoriales Problemas teóricos Muchos de estos problemas me los han enseñado mis colegas: profesores Flor de María Correa Romero, Carlos Domínguez Albino, Sergio González Govea, Myriam Rosalía
Más detallesAplicaciones Lineales
Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales
Más detalles1. INVERSA DE UNA MATRIZ REGULAR
. INVERSA DE UNA MATRIZ REGULAR Calcular la inversa de una matriz regular es un trabajo bastante tedioso. A través de ejemplos se expondrán diferentes técnicas para calcular la matriz inversa de una matriz
Más detallesTransformaciones Lineales. Definiciones básicas de Transformaciones Lineales. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.
Transformaciones Lineales Definiciones básicas de Transformaciones Lineales wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 007-009 Contenido 1 Transformaciones Lineales 11 Núcleo e imagen
Más detalles