Series de tiempo con aplicaciones: Enfoque temporal
|
|
- Magdalena Casado Farías
- hace 5 años
- Vistas:
Transcripción
1 Series de tiempo con aplicaciones: Enfoque temporal Gladys E. Salcedo E. 25o Simposio Internacional de Estadística Agosto 6,7 de 2015 Armenia, Quindío
2 Datos 1: Series igualmente espaciadas Turbiedad Silicatos Mes Mes Clorofila Nitritos Mes Mes ph Ortofosfatos Mes Mes
3 Datos 2: Series estacionales
4 Datos 3: Series desigualmente espaciadas Nitritos Fosfatos Delta_i Delta_i ph Silicatos Delta_i Delta_i Clorofila Delta_i
5 1. Algunas generalidades Sea (Ω, A, P) un espacio de probabilidad y sea T un conjunto de índices, un proceso estocástico es una función X(t, ω), definida en T Ω, tal que para cada t fijo X(t, ω) es una variable aleatoria sobre (Ω, A, P) y para cada ω fijo, X(t, ω) es una trayectoria, realización, función muestral del proceso o una serie de tiempo. Graficamente un proceso estacionario puede representarse así: Proceso estocástico como una familia de variables aleatorias
6 Proceso estocástico como una familia de trayectorias Xt Tiempo La serie de tiempo como una trayectoria
7 El proceso {X t, t T} se dice que es estrictamente o fuertemente estacionario si las distribuciones conjuntas de (X t1, X t2,..., X tk ) y (X t1 +h, X t2 +h,..., X tk +h) son iguales para todo t 1, t 2,..., t k, h T, o sea, son invariantes a translaciones en el tiempo. Esto es, F Xt1,X t2,...,x tk (x 1, x 2,..., x k ) = F Xt1 +h,x t2 +h,...,x tk +h (x 1, x 2,..., x k ). Proceso estocástico estacionario
8 Dado el proceso {X t, t T} se define la función media del proceso por µ t = E(X t ) = la función varianza del proceso por σ 2 t = E(X t µ t ) 2 = X t df Xt, (X t µ) 2 df Xt, y la función de autocovarianza entre las variables X t1 y X t2 por γ x (t 1, t 2 ) = E(X t1 µ 1 )(X t2 µ 2 ) = si las integrales de Riemann-Stieltjes son finitas. (X t1 µ 1 )(X t2 µ 2 ) df Xt1,X t2.
9 Cuando un proceso {X t, t T} es estrictamente estacionario, con EX 2 t <, se tiene en particular que F Xtk (x) permanece invariante para todo k. Por otra parte, implicando que F Xt1, X t2 (x 1, x 2 ) = F Xt1 +k, X t2 +k (x 1, x 2 ) i) E(X t ) = µ t = µ, t T; ii) Var(X t ) = σ 2 = σ 2 x, t T; iii) γ x (t i, t j ) = γ x ( t i t j ) = γ x (k), para cualesquier t i, t j, k T. Esto es, la covarianza entre las dos variables X ti y X tj sólo depende de su separación t i t j = k. Note que γ x (0) = σx 2 y γ x (k) = γ( k), es decir, la función de autocovarianza tiene su máximo en cero y es una función simétrica alrededor de cero. Un proceso {X t, t T} que satisface las propiedades (i), (ii) y (iii) se dice que es débilmente estacionario o estacionario de segundo orden.
10 {X t, t T} es un proceso gaussiano si y solamente si las funciones de distribución de {X t1, X t2,..., X tk }, para cualquier k, son todas normales multivariadas. Cómo correlacionar las variables del proceso? La Función de Autocorrelación Simple (FAS) del proceso {X t, t T} a rezago k se define mediante la función ρ x (k) = Corr(X t, X t+k ) = γ x(k) γ x (0), k Z. La FAS de un proceso estacionario cumple las siguientes propiedades: i) ρ x (0) = 1, ii) ρ x (k) 1, k Z, iii) ρ x ( k) = ρ x (k), k Z, iv) ρ x (k) es no negativa definida en el sentido que n n j=1 k=1 a ja k ρ x ( t i t j ) 0, para cualesquier reales a 1,..., a n y t 1,..., t n de Z.
11 La Función de Autocorrelación Parcial(FAP) entre X t y X t+k corresponde a la función de correlación entre los errores e t y e t+k dada por ϕ x (k) = Corr(e t, e t+k ), donde X t = α 1 X t+1 + α 2 X t α k 1 X t+k 1 + e t y X t+k = β 1 X t+1 + β 2 X t β k 1 X t+k 1 + e t+k. Función de Autocorrelación
12 Cuando ambas funciones de autocorrelación, la simple y la parcial, son todas nulas para todo k 0 se dice que el proceso es sin memoria o es un ruido blanco. Una sucesión de variables aleatorias {a t, t T} es un proceso ruido blanco de media cero si i) E(a t ) = { 0, t T σ 2 ii) γ(k) = a para k = 0 0 para k 0, Función de Autocovarianza de un Ruido Blanco o sea que su esperanza es cero, su varianza es constante y los {a t, t = 1, 2,..., } son variables aleatorias no correlacionadas.
13 Transformaciones a series estacionarias Dada una serie {X t, t T}, considere el operador de rezagos B d, d Z +, tal que B d X t = X t d, t T B 0 X t = X t y B d C = C, para C una constante. A partir del operador B d se puede construir un nuevo operador (1 B) d, el cual transforma la serie {X t, t T} en la serie de las d-ésimas diferencias. Ejm. Si d = 1, se tiene Y t = (1 B)X t = X t BX t = X t X t 1, Y 1 = X 2 X 1 Y 2 = X 3 X 2.. Y t 1 = X t X t 1
14 Si d = 2, se tiene W t = (1 B) 2 X t = (1 B)(1 B)X t = (1 B)Y t = Y t Y t 1, es decir que {W t, t T} es la serie con las variaciones de las primeras diferencias, o sea la serie de las segundas diferencias de {X t, t T.}. Y así sucesivamente. Cuando la no estacionariedad de una serie se debe a que la media presenta tendencias polinómicas de orden d, una transformación de la serie original a través del operador (1 B) d permite convertirla en una serie estacionaria. En la práctica rara vez se requieren los valores de d mayores a 2.
15 Ejemplos: Xt Xt Xt t t (a) (b) Series no estacionarias generadas en el programa R Note que las series presentan tendencia, la figura (a) muestra una tendencia de tipo lineal mientras que la figura (b) presenta una tendencia de tipo cuadrático Yt=diff(Xt) t t (a) (b) Serie estacionaria luego de transformada
16 Cuando la no estacionariedad se debe a que la varianza no permanece constante se podría realizar una Transformación de Box y Cox: Suponga que la varianza σ 2 t de la variable aleatoria X t puede expresarse como una función de su media, es σ 2 t = f (µ t ). Si T( ) es una función cuya primera derivada existe, por la expansión de Taylor de primer orden se puede obtener la siguiente aproximación lineal de T(X t ) alrededor de µ t : ( ) dt T(X t ) T(µ t ) + (X t µ t ). dx t Xt =µ t Aplicando varianza a ambos lados y resolviendo el lado derecho de la ecuación anterior se obtiene una aproximación lineal a la varianza de T(X t ) dada por ( 2 dt Var(T(X t )) dx t f (µ t ). Xt =µ t)
17 Se desea entonces que Var(T(X t )) = C 2, esto es ( ) 2 dt f (µ t ) = C 2 dx t Xt=µ t de donde T(µ t ) = C f (µt ) dµ t. Restringiendo la forma funcional de f a la familia de funciones potencia, resulta fácil determinar la transformación T. Si la varianza es proporcional a µ 2(1 α) t para algún α, se tiene que T(µ t ) = { C Cµt α µ 1 α dµ t = α α 0 t Cln(µ t ) α = 0 En general, la función T que estabiliza la varianza de X t es { Xt α T(X t ) = α α 0 ln(x t ) α = 0 que es la Transformación de Box y Cox.
18 El valor de α puede identificarse mediante el siguiente procedimiento: 1. Divida la realización en varios subconjuntos y calcule para cada subconjunto la media, el rango y la desviación típica. 2. Haga un gráfico cartesiano con los valores de las medias en el eje horizontal y las desviaciones típicas en el vertical. 3. Si los puntos presentan una tendencia paralela al eje horizontal tome α = 1 y en tal caso no se necesita una transformación. Si los puntos se aproximan a una recta con pendiente positiva tome α = 0 y en este caso la transformación logarítmica es adecuada. Valores de α para la transformación de Box y Cox
19 2. Modelos Lineales para Series de Tiempo De acuerdo al tipo de relación lineal que se establezca entre las variables del proceso, los modelos lineales para series de tiempo pueden ser Autorregresivos(AR), de Medias Móviles(MA) y Autorregresivos de Medias Móviles (ARMA) Los Procesos Autorregresivos El proceso {X t, t T} es Autorregresivo de orden p, p Z +, si X t = C + ϕ 1 X t 1 + ϕ 2 X t ϕ p X t p + a t, donde {a t, t T} es un ruido blanco. Notación: AR(p). Si el proceso es estacionario en media, y tomando esperanza a ambos lados de esta ecuación se tiene
20 E[X t ] = E[C] + ϕ 1 E[X t 1 ] + ϕ 2 E[X t 2 ] + + ϕ p E[X t p ] + E[a t ], µ = C + ϕ 1 µ + ϕ 2 µ + + ϕ p µ, de donde, p C = µ(1 ϕ i ). i=1 Reemplazando C y denotando por X t = X t µ, se tiene X t = ϕ 1 X t 1 + ϕ 2 X t ϕ p X t p + a t, la cual corresponde a un AR(p) de media cero. En términos del operador B el modelo queda en la forma X t = ϕ 1 B X t + ϕ 2 B 2 X t + + ϕ p B p X t + a t (1 ϕ 1 B ϕ 2 B 2 ϕ p B p ) X t = a t, ϕ p (B) X t = a t. ϕ p (B) = 0 es la ecuación característica del proceso. El proceso AR(p) es estacionario si todas las raíces de ϕ p (B) = 0 están fuera del círculo unitario.
21 Procesos Autorregresivos de orden 1 En particular cuando p = 1 se tiene X t = ϕ 1 X t 1 + a t, donde ϕ 1 (B) = 1 ϕ 1 B y la ecuación característica 1 ϕ 1 B = 0 tiene su raíz fuera del círculo unitario cuando ϕ 1 < 1, lo cual corresponde a la condición de estacionariedad para el proceso AR(1). Si el proceso también es estacionario en varianza se tiene que de donde V( X t ) = ϕ 2 1V( X t ) + V(a t ), σ 2 x = σ 2 a (1 ϕ 2 1 ). Luego la condición de estacionariedad, ϕ 1 < 1, también garantiza que σ 2 x sea finita y positiva.
22 La función de autocorrelación simple del proceso AR(1) tiene la forma ρ x (k) = ϕ k 1, para k 1, y por lo tanto cuando el proceso es estacionario, la función ρ x (k) decrece a cero en forma exponencial. La función de autocorrelación parcial tiene la forma { ϕ1 si k = 1 ϕ x (k) = 0 si k 1. Gráficamente: FAS FAP FAS y FAP de un modelo AR(1) para ϕ 1 = 0.65
23 Ejemplo: Color Rio Quindio Mes Serie Color Rio Quindío FAS FAP FAS y FAP para Color
24 Modelo: X t = X t 1 + a t Residuales color Mes Serie residual para modelo de Color FAS FAP FAS y FAP para residuales de Color
25 Procesos Autorregresivos de orden 2 Cuando p = 2, se tiene X t = ϕ 1 X t 1 + ϕ 2 X t 2 + a t, donde ϕ 2 (B) = 1 ϕ 1 B ϕ 2 B 2 = 0, es la ecuación característica y tiene sus raíces fuera del círculo unitario cuando se cumplen las tres siguientes condiciones: ϕ 2 < 1, ϕ 1 + ϕ 2 < 1, ϕ 2 ϕ 1 < 1, las cuales corresponden a las condiciones de estacionariedad del proceso AR(2), y además también garantizan que la varianza de X t sea finita, dado que Var( X t ) = (1 ϕ 2 )σ 2 a (1 + ϕ 2 )(1 ϕ 1 ϕ 2 )(1 + ϕ 1 ϕ 2 ).
26 Si el modelo AR(2) se premultiplica por X t k y se toma valor esperado se llega a la ecuación en diferencias γ x (k) = ϕ 1 γ x (k 1) + ϕ 2 γ x (k 2), k 1. Al dividir la anterior ecuación entre γ x (0) se obtiene ρ x (k) = ϕ 1 ρ x (k 1) + ϕ 2 ρ x (k 2), k 1, cuya ecuación característica es justamente ϕ 2 (B) = 1 ϕ 1 B ϕ 2 B 2 = 0.
27 Luego la función de autocorrelación simple ρ x (k), para el proceso AR(2), depende de la solución de la ecuación característica, así: i) Si ambas raíces denotadas G 1 1 y G 1 2 son reales pero distintas entonces ρ x (k) = A 1 G k 1 + A 2G k 2 con A 1 y A 2 dos constantes resultantes de aplicar las condiciones iniciales ρ(0) = 1 y ρ 1 = ϕ 1 1 ϕ 2. ii) Si ambas raíces son reales e iguales (G 1 ), entonces ρ x (k) = A 1 G k + A 2 kg k donde A 1 y A 2 se obtienen de las condiciones iniciales. iii) Si las raíces son un par de complejos conjugados denotados G 1 1 y G 1 2, entonces la función de autocorrelación tiene una forma sinusoidal amortiguada dada por ρ x (k) = signo(ϕ 1 ) k r k sin(kω + α) sin α donde r = ϕ 2, cos ω = ϕ 1 2 ϕ 2, tan α = 1+r2 1 r 2 tan ω.
28 La función de autocorrelación parcial del proceso AR(2) tiene la forma ρ 1 = ϕ 1 1 ϕ 2 si k = 1 ρ ϕ x (k) = 2 ρ 2 1 = ϕ 1 ρ 2 22 si k = si k 3. En resumen gráficamente: FAS FAP FAS y FAP de un AR(2) para ϕ 1 = 0.85 y ϕ 2 = 0.55
29 En general, para el proceso AR(p) ϕ p (B) X t = a t, la ecuación característica ϕ p (B) = 0, tiene p raíces, G 1 1, G 1 2,..., G 1 p, con lo cual se genera la solución general de la ecuación en diferencias, de la forma ρ x (k) = A 1 G k 1 + A 2G k A pg k p, G i < 1, donde los A i se obtienen de las condiciones iniciales y los G i son reales o complejos; por lo tanto la función de autocorrelación simple ρ x (k) es una combinación lineal de funciones sinusoidales amortiguadas. Note que la función de autocorrelación parcial caracteriza los procesos autorregresivos, ya que el número de valores no nulos de esta función corresponden a su orden.
30 Ejemplo: Turbidez Mes Serie de Turbidez Ciénaga Grande FAS FAP FAS y FAP para la serie de Turbidez
31 El modelo: Modelo sin constante: Normalidad residual: X t = C + ϕ 1 X t 1 + ϕ 2 X t 2 + a t, ϕ 1 ϕ2 Ĉ (0.0901) (0.0905) X t = ϕ 1 X t 1 + ϕ 2 X t 2 + a t, ϕ 1 ϕ2 Ĉ (0.0901) (0.0905) Test p-valor Kolmogorov-Smirnov 0.489
32 Mes Residuales Serie residual de Turbidez Ciénaga Grande FAS FAP FAS y FAP para la serie residual del modelo AR(2)
33 2.2. Procesos de Medias Móviles Cuando las variables del proceso dependen solamente de las variables de un proceso ruido blanco, surgen los modelos de Medias Móviles (MA). Un modelo de Medias Móviles de orden q está dado por X t = a t θ 1 a t 1 θ 2 a t 2 θ q a t q, q Z +, donde {a t, t T} es un proceso de ruido blanco. En términos del operador de rezagos B, el modelo MA(q) puede representarse como X t = (1 θ 1 B θ 2 B 2 θ q B q )a t X t = θ q (B)a t, donde θ q (B) representa el polinomio característico del proceso.
34 De la ecuación X t = a t θ 1 a t 1 θ 2 a t 2 θ q a t q, observe que E( X t ) = 0 y Var( X t ) = (1 + θ θ2 q)σ 2 a, así que el proceso MA(q) es siempre estacionario y si las raíces de la ecuación θ q (B) = 0 caen fuera del círculo unitario, se dice que el proceso es invertible Procesos de Medias Móviles de orden 1 En el modelo MA(q), cuando q = 1 se tiene el proceso de medias móviles de orden 1, MA(1) X t = (1 θ 1 B)a t, así que el proceso es invertible si θ 1 < 1.
35 La función de autocorrelación del proceso es dada por ρ x (k) = { θ1 1+θ 2 1 si k = 1 0 si k > 1, La función de autocorrelación parcial es dada por ϕ x (k) = θk 1 (1 θ2 1 ) 1 θ 2(k+1), k 1. 1 En un MA(1) la FAS es cero a partir del rezago dos, mientras que la FAP decrece a cero exponencialmente. FAS FAP FAS y FAP de un MA(1) para θ 1 = 0.75
36 Procesos de Medias Móviles de orden 2 Cuando q = 2 se tiene el proceso X t = (1 θ 1 B θ 2 B 2 )a t. El proceso estacionario, y las condiciones de invertibilidad son: θ 2 < 1, θ 1 + θ 2 < 1, θ 2 θ 1 < 1. La función de autocorrelación del proceso MA(2) es dada por θ 1 (1 θ 2 ) si k = 1 1+θ1 2+θ2 2 ρ x (k) = θ 2 si k = 2 1+θ 1 2+θ2 2 0 si k > 2 FAS FAP FAS y FAP de un MA(2) para θ 1 = 0.94 y θ 2 = 0.33
37 En general, en el proceso MA(q), X t = a t θ 1 a t 1 θ 2 a t 2 θ q a t q, la varianza es dada por Var( X t ) = σ 2 a q j=0 θ2 j. Por su parte, la función de autocorrelación simple tiene la forma ρ x (k) = { θk +θ 1 θ k+1 + +θ q k θ q 1+θ θ2 q si k = 1, 2,..., q 0 si k > q. Como en el proceso MA(2), la función de autocorrelación parcial del proceso MA(q) decae a cero, en forma exponencial o sinusoidal, dependiendo de las raíces de la ecuación característica 1 θ 1 B θ q B q = 0. Note que, en los procesos de medias móviles, el número de valores no nulos de la función de autocorrelación simple caracterizan su orden. Muchas situaciones prácticas corresponden a procesos mixtos, es decir que tienen parte autorregresiva y parte promedio móvil, se conocen como procesos ARMA.
38 2.3. Procesos de Autoregresivos de Medias Móviles Un modelo ARMA(p, q) con p el orden de la parte autorregresiva y q el orden del promedio móvil, tiene por ecuación X t = ϕ 1 X t 1 +ϕ 2 X t 2 + +ϕ p X t p θ 1 a t 1 θ 2 a t 2 θ q a t q +a t. En términos del operador de rezagos la ecuación toma la forma donde y ϕ p (B) X t = θ q (B)a t, ϕ p (B) = 1 ϕ 1 B ϕ 2 B 2 ϕ p B p θ q (B) = 1 θ 1 B θ 2 B 2 θ q B q. La estacionariedad y la invertibilidad del proceso depende de que las raices de las ecuaciones ϕ p (B) = 0 y θ q (B) = 0 estén fuera del C.U.
39 Para construir la FAS se se multiplica la ecuación del modelo a ambos lados por X t k y se toman las esperanzas γ k ϕ 1 γ k 1... ϕ p γ k p = E[ X t k a t 1 ] θ q E[ X t k a t q ]. Puede verificarse, que para k > q los valores esperados se hacen cero. Dividiendo luego por γ 0 se llega a o sea, ρ k ϕ 1 ρ k 1 ϕ p ρ k p = 0, ϕ p (B)ρ k = 0, k > q. Por lo tanto para valores de k > q la FAS tiene el mismo comportamiento que el ρ k de un AR(p) y para k = 1, 2,, q, el comportamiento depende de los parámetros ϕ i y θ i. Así que la FAS tiene un comportamiento irregular en los primeros q valores y a partir de allí se comporta como un AR(p). En cuanto a la función de autocorrelación parcial, ya que el proceso ARMA(p, q) contiene el proceso MA(q), la FAP cae en forma exponencial o sinusoidal dependiendo de las raices de las ecuaciones ϕ p (B) = 0 y θ q (B) = 0.
40 Procesos ARMA(1,1) La situación más simple en los procesos ARMA(p, q) ocurre cuando p = q = 1. En tal caso la ecuación del proceso está dada por (1 ϕ 1 B) X t = (1 θ 1 B)a t o también X t = ϕ 1 X t 1 θ 1 a t 1 + a t así el proceso es estacionario cuando ϕ 1 < 1 y para que sea invertible se requiere que θ 1 < 1. La FAS de un ARMA(1, 1) es 1 para k = 0 (ϕ ρ k = 1 θ 1 )(1 ϕ 1 θ 1 ) 1+θ1 2 2ϕ para k = 1 1θ 1 ϕ 1 ρ k 1 para k > 1 Note que ρ k tiene un decrecimiento geométrico que se inicia a partir de k = 1.
41 En cuanto a la función de autocorrelación parcial, ya que el proceso contiene un MA(1) la FAP decrece exponencialmente, y su forma depende de las magnitudes y signos de los parámetros del modelo, lo que gráficamente puede representarse en la siguiente forma: FAS FAP FAS y FAP de un ARMA(1,1) para ϕ 1 = 0.87 y θ 1 = 0.62 FAS FAP FAS y FAP de un ARMA(1,1) para ϕ 1 = 0.73 y θ 1 = 0.45
42 2.4. Procesos ARIMA Lo analizado hasta ahora parte del supuesto de que el proceso {X t, t T} es estacionario en media. De no serlo sería necesario una transformación del tipo Y t = (1 B) d X t, y el análisis se haría entonces sobre el proceso {Y t, t T}. Para obtener nuevamente X t se requiere la transformación inversa X t = y por ejemplo para d = 1 se tiene Y t (1 B) d, X t = Y t (1 B) = i=0 B i Y t = t Y t i = Y j, i=0 j= o sea que X t resulta ahora de un proceso de Integración de Y t.
43 La ecuación del proceso después de restar la media, toma entonces la siguiente forma: ϕ p (B)Ỹ t = θ q (B)a t, que corresponde a ϕ p (B)(1 B) d X t = θ q (B)a t, o sea que depende de tres parámetros (p, d, q) con p como el orden de la parte autorregresiva, q el orden de la parte promedio móvil y d el orden de diferenciación para conseguir estacionariedad en media. Se dice entonces que el proceso X t, t T es del tipo ARIMA(p, d, q), esto es, Autorregresivo Integrado de Médias móviles.
44 Ejemplo: Estudiantes de Periodismo Serie diferenciada Semestre Semestre FAS FAP Serie de ingresos semestrales a Periodismo UQ Modelo ARIMA(1,1,0): ϕ 1 (B)(1 B) X t = a t, (1 0.68B) Z t = a t Z t = 0.68 Z t 1 + a t.
45 Semestre Residuales Serie residual para modelo de Periodismo p-valor test de Kolmogorov-Smirnov = FAS FAP FAS y FAP para la serie residual
46 2.5. Procesos SARIMA Suponga que se desconoce que el proceso {X t, t T} presenta una componente periódica y se le ajusta un modelo ARIMA(p, d, q), esto es ϕ p (B)(1 B) d X t = θ q (B)N t. Obviamente N t, t T no será un ruido blanco, y presentará correlaciones entre períodos estacionales, esto es ρ N (ks) = E(N t µ N )(N t ks µ N ) σ 2 N 0, k = 1, 2,.... Puede demostrarse que los períodos estacionales siguen un modelo ARIMA(P, D, Q) Φ P (B s )(1 B s ) D N t = Θ Q (B s )a t. donde y Φ P (B s ) = 1 Φ 1 B s Φ 2 B 2s Φ P B Ps Θ Q (B s ) = 1 Θ 1 B s Θ 2 B 2s Θ Q B Qs.
47 si las raíces de esos polinomios caen fuera del círculo unitario, del modelo del proceso {N t, t T} se puede llegar a la expresión ϕ p (B)Φ P (B s )(1 B s ) D (1 B) d X t = θ(b)θ Q (B s )a t, que se denomina el modelo ARIMA estacional multiplicativo o SARIMA(p, d, q) (P, D, Q) s.
48 Mes Salinidad Serie Salinidad mensual Ciénaga Grande de Santa Marta FAS FAP FAS y FAP para la serie de salinidad
49 Mes Salinidad diferenciada Serie salinidad diferenciada CGSM FAS FAP FAS y FAP para la serie de salinidad diferenciada
50 Algunos modelos candidatos Modelo SARIMA AIC σ 2 a Test K-S (0, 1, 1)(1, 0, 0) (0, 1, 0)(1, 0, 1) (0, 1, 0)(1, 0, 0) (0, 1, 1)(0, 0, 1) (0, 1, 0)(0, 0, 1) Residuales Modelo Mes Serie residual para el Modelo 1 FAS FAP FAS y FAP de la serie residual del Modelo 1
51 Referencias Bibliográficas 1. Box,G.E.P. and Jenkins,G.M.(1976), Time Series Analysis Forescasting and Control, 2nd. Ed., Holdan-Day, San Francisco. 2. Heyse, J.F. and Wei, W.W.S. (1984), Partial Process Autocorrelation for Vector Time Series, Tech. Report No.30, Department of Statistics, Temple University. 3. Lutkepohl, H. (1991), Introduction to Multiple Time Series Analysis (MTS), Heidelberg. Springer Verlang. 4. Reinsel, G.C. (1993), Elements of Multivariate Time Series Analysis, Springer Verlag, New York. 5. Wei, W.W.S. (1990), Time Series Analysis: Univariate and Multivariate methods, Addison Wesley, California.
Procesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Más 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 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 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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más 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 detallesTópicos en Series de Tiempo
Tópicos en Series de Tiempo Autor: Grisel M. Britos Directora: Dra. Silvia María Ojeda Córdoba, Diciembre de 2012 Agradecimientos A mi familia por la paciencia, la comprensión y tanto que me han dado
Más 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 detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA
MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA Modelización Económica II Referencias: Mills y Markellos (2008) "The Econometric Modelling of Financial Time Series", Cambridge University Press.
Más 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 detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más 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 detallesSeries de tiempo. Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo.
Series de tiempo Introducción Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo. Una característica intrínseca muy importante de las series de tiempo,
Más 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 detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesSERIES DE TIEMPO. Definición 2 : Es una sucesión de observaciones generadas por un proceso estocástico indizado con relación al tiempo.
SERIES DE TIEMPO 1 Serie de Tiempo En los capítulos anteriores mostramos que el análisis de regresión con datos de series de tiempo viola el supuestos de exogeneidad estricta. En este capítulo pretendemos
Más detallesSeries de tiempo. Miguel Ángel Chong R. 19 de marzo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 19 de marzo del 2013 Promedios moviles Definición Diremos que {X t } t2t es un proceso de media movil de orden q, y lo denotaremos como MA(q),
Más detallesLADE y DER-LADE. Primer evaluación parcial
ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3
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 detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesProcesos de media móvil y ARMA
Capítulo 5 Procesos de media móvil y ARMA Herman Wold (1908-1992) Estadístico y económetra sueco. Desarrolló la representacion general de procesos estacionarios y la metodología econométrica estudiando
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 detallesMACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Conceptos fundamentales: Esperanzas condicionales
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 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 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 detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesUso de la función de correlación cruzada en la identificación de modelos ARMA
Revista Colombiana de Estadística Diciembre 2008, volumen 31, no. 2, pp. 293 a 310 Uso de la función de correlación cruzada en la identificación de modelos ARMA Use of the Crosscorrelation Function in
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detallesModelos Box-Jenkins. Presentamos a continuación un ejemplo con datos reales en el que se hace uso de gran parte de lo expuesto hasta este momento.
: Presentamos a continuación un ejemplo con en el que se hace uso de gran parte de lo expuesto hasta este momento. La serie de tiempo que analizaremos se corresponde con la producción anual de tabaco en
Más detallesAnálisis de series temporales
CAPíTULO 8 Análisis de series temporales Los datos estadísticos y, en particular, los datos económicos se recopilan a menudo en forma de series temporales. Una serie temporal es un conjunto ordenado de
Más detallesCAPÍTULO 4 DESARROLLO DE LA INVESTIGACIÓN. En este capítulo se aplicarán los métodos seleccionados a la información. Primero se
37 CAPÍTULO 4 DESARROLLO DE LA INVESTIGACIÓN En este capítulo se aplicarán los métodos seleccionados a la información. Primero se describirá la teoría necesaria para cada uno de los métodos y enseguida
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesPROCESOS ESTACIONARIOS UNIVARIADOS 1
1. Series de Tiempo PROCESOS ESTACIONARIOS UNIVARIADOS 1 Un proceso estocástico es una secuencia de variables aleatorias, donde la variable de indexación puede ser discreta o continua. Por ejemplo, puede
Más detallesUniversidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
: Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010. Historia : Un La estimación de mineral recobrable es muy importante
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesNota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como
Nota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como complemento a los apuntes de una asignatura del Departamento
Más detallesConceptos básicos sobre Series de Tiempo
Conceptos básicos sobre Series de Tiempo Jorge Hans Alayo Gamarra 27 de junio de 2014 En el presente reporte se presentan los conceptos básicos sobre series de tiempo. 1. Enfoque para modelar series de
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 detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesCurso 2006/07. Tema 4: Tratamiento de la estacionalidad. Modelos SARIMA. 2. Estudio teórico de los modelos estacionales
Tema 4: Tratamiento de la estacionalidad. Modelos SARIMA 1. Introducción 2. Estudio teórico de los modelos estacionales 3. La estacionariedad en media en los modelos estacionales 4. Identificación de modelos
Más detallesSeries de tiempo. Miguel Ángel Chong R. 2 de abril del 2013
Estadística Miguel Ángel Chong R miguel@sigmaiimasunammx de abril del 03 Autorregresivos Diremos que un proceso {X t } tt es un autorregresivo de orden p, y lo denotaremos como AR(p), si para p unenteroy,,
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesSeries económicas: Precios de divisas, tasas, índice de precios. Series Físicas: Meteorológica, temperatura, energia solar
Introducción Una primera denición de serie de tiempo es: un conjunto de observaciones de cierto fenómeno registradas secuencialmente en el tiempo. Estas observaciones serán denotadas por {x t1, x t2,...,
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesBachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º ( )
1 Bachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º (2015-2016) Tema 1: NÚMEROS REALES Conjuntos numéricos. Números naturales. Números enteros. Números racionales. Números
Más detallesIntervalos de confianza para los índices de capacidad C pm y C pmk en procesos estacionarios gaussianos
Revista Colombiana de Estadística Volumen 29 N o 2. pp. 153 a 162. Diciembre 2006 Intervalos de confianza para los índices de capacidad C pm y C pmk en procesos estacionarios gaussianos Confidence Intervals
Más 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 detallesEste manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el
Prólogo Este manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el estudio de las Series Temporales, es decir, en
Más detallesModelos para series de tiempo de memoria larga: identificación y aplicaciones
XXV Simposio Internacional de Estadística 2015 Armenia, Colombia, 5, 6, 7 y 8 de Agosto de 2015 Modelos para series de tiempo de memoria larga: identificación y aplicaciones Elkin Castaño V. 12,a 1 Escuela
Más detallesÍndice general. Resumen... Introducción Series de tiempo univariadas Ejemplos Procesos estocásticos 7
Índice general Resumen.................................................. Introducción................................................ V VII 1. Series de tiempo univariadas 1 1.1. Ejemplos..............................................
Más detallesEconometría II - examen (SOLUCION)
Econometría II - examen (SOLUCION) 4 de septiembre de 2006 Nombre y Apellidos: ID: Grupo: Lea cuidadosamente cada pregunta Responda muy claramente dentro del espacio asignado El valor de cada pregunta
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesClase 3. Procesos estocásticos en Teoría de la señal.
1 Introducción Clase 3. Procesos estocásticos en Teoría de la señal. Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier transmisión de telecomunicación. El ruido es una
Más detallesSERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
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
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
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 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detalles5. Estimación del Modelo y Resultados
5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 34 Álgebra matricial y vectores aleatorios Una matriz es un arreglo
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesEXTRACCIÓN DE SEÑALES EN MODELOS ARIMA
EXTRACCIÓN DE SEÑALES EN MODELOS ARIMA 1- Densidad espectral (espectro) y periodograma Los primeros estudios de las series temporales se realizaron en el dominio del tiempo y se utilizaron diversos métodos
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesSOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA
SOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA Problema 1 Calcular las primeras 12 autocorrelaciones simples teóricas del proceso (1 0,8B)Y t = (1 0,5B 12 )a t utilizando tanto la fórmula
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesProcesos estocásticos
Teoría de la comunicación Comunicaciones - U.A.H. Indice Probabilidad. Variables Aleatorias. Procesos Estocásticos. Comunicaciones - U.A.H. Probabilidad Probabilidad. Dado un experimento ε del tipo que
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesSeries de tiempo I. Procesos univariados y estacionarios. Gabriel Montes-Rojas. Series temporales estacionarias Estacionariedad Predicción
Ruido blanco Procesos univariados y estacionarios Gabriel V. Montes-Rojas Ruido blanco La estructura de las series temporales Series temporales Información para diferentes periodos indexados por el tiempo
Más detallesTema 2 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 2 1 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. Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El
Más detallesTema 2 MODELOS UNIVARIANTES LINEALES.
Tema 2 MODELOS UNIVARIANTES LINEALES. 1 Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El proceso ruido blanco. 3)
Más detallesUna nota sobre la prueba de Peña y Rodríguez para la bondad del ajuste en series de tiempo
Comunicaciones en Estadística Diciembre 2008, Vol. 1, No. 1 Una nota sobre la prueba de Peña y Rodríguez para la bondad del ajuste en series de tiempo A Note About the Peña-Rodríguez Test of the Goodness
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesProcesos Estocásticos Estacionarios
Capítulo 2 Procesos Estocásticos Estacionarios Las series temporales se pueden clasificar en dos tipos: Series con valores estables alrededor de un nivel constante (capítulos 2-4). Series con tendencias,
Más detallesCRITERIOS DE EVALUACIÓN 1º BACH. C. N. S. MATEMÁTICAS I
CRITERIOS DE EVALUACIÓN 1º BACH. C. N. S. MATEMÁTICAS I UNIDAD 1 NÚMEROS REALES 1.1. Dados varios números, los clasifica en los distintos campos numéricos y los representa en la recta real. 1.2. Domina
Más detallesSeries de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
1 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R. Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R. Yeison López Lizcano Universidad
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
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 detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
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 detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesAbstract. Keywords: Econometric Models Human Rights Basic Areas of Law JEL: C5, R15, K1
Modelos de series de tiempo aplicados a los expedientes de la Comisión de Derechos Humanos del Distrito Federal Time series models applied to the records of the Human Rights Commission of the Federal District
Más 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 detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos Estocásticos Procesos Estocásticos Referencias: Capítulo 8 de Introducción a los Sistemas de Comunicación. Stremler, C.G. (993 Estadísticos de un proceso estocástico Apuntes de la Universidad
Más detallesEstadística Espacial
Kenneth Roy Cabrera Torres 16 de febrero de 2018 1 / 25 Definición Datos de elevación Campos aleatorios Terminología y notación Funciones 2 / 25 Definición Datos de elevación Campos aleatorios Terminología
Más detallesCOMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
Más detallesSeries de Tiempo Estacionarias
Series de Tiempo Estacionarias Pablo Lavado Universidad del Pacíco April 2, 2013 Lavado (Universidad del Pacíco) Econometría II April 2, 2013 1 / 1 Procesos Estocásticos Discretos (PED) Un PED es una sucesión
Más detallesSeries de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016
Series de Tiempo Pablo Flores Universidad Iberoamericana paflores@bcie.org 1 de noviembre de 2016 Pablo Flores (UNIBE) Short title 1 de noviembre de 2016 1 / 12 Sumario Definición. Ejemplos Pablo Flores
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detalles