1) El documento presenta información sobre procesos estocásticos de medias móviles. 2) Explica las diferencias entre modelos AR y MA, señalando que los MA tienen memoria finita y siempre son estacionarios. 3) Describe los modelos MA(1) y MA(2), analizando sus características de estacionariedad, invertibilidad, momentos y correlograma.
Este documento presenta las soluciones a varios problemas de econometría. En la primera sección, se demuestra que el estimador propuesto para el modelo yi = βxi + ui está sesgado hacia 0, y que su varianza es inferior a la del estimador MCO. En la segunda sección, se calculan la esperanza y varianza de varios estimadores propuestos para el modelo Yt = α + βXt + ut, sugiriendo que el estimador de mínimos cuadrados ordinarios debería usarse. En la tercera sección, se demuestra que el coeficiente de pendiente estimado
Este documento presenta los conceptos básicos de estimación por regresión para estimar totales poblacionales bajo diseños de muestreo aleatorios. Explica cómo el estimador de regresión hace un uso eficiente de la información auxiliar y propone métodos para estimar su varianza, como jackknife y grupos aleatorios dependientes. Finalmente, incluye un ejemplo ilustrativo.
Este documento contiene ejercicios y exámenes resueltos de econometría y econometría empresarial. Incluye ejercicios de estimación de parámetros, contrastes de hipótesis, descomposición de varianza, y cálculo de elasticidades. Los ejercicios están organizados en cuatro secciones: ejercicios resueltos de econometría, exámenes de econometría, exámenes de econometría empresarial, y exámenes de principios de econometría.
Este documento presenta los conceptos y procedimientos para realizar pruebas de hipótesis sobre el modelo de regresión. Explica los elementos clave de una prueba de hipótesis como las hipótesis nula y alternativa, el estadístico de prueba, y la región de rechazo. Luego, detalla cómo se aplican estas pruebas de hipótesis al modelo de regresión lineal simple, incluyendo pruebas t para la significancia individual de coeficientes y pruebas F para restricciones lineales múltiples. Final
Este documento presenta el modelo clásico de regresión lineal múltiple, incluyendo su formulación matricial, el método de mínimos cuadrados ordinarios para estimar los parámetros, y las propiedades de dichos estimadores. También explica cómo realizar pruebas de hipótesis sobre los parámetros y el ajuste global del modelo usando el análisis de varianza (ANOVA). Se incluyen ejemplos ilustrativos.
Este documento describe los pasos para estimar un modelo econométrico y analizar los resultados en el software Eviews. Explica cómo introducir una ecuación, estimar los parámetros, y examinar las pruebas estadísticas y diagnósticos para evaluar la validez del modelo, incluyendo pruebas para la normalidad de los errores, autocorrelación, multicolinealidad y heterocedasticidad.
Modelos de regresión con variables dicótomasUTPL UTPL
Este documento describe los modelos de regresión con variables dicótomas y diferentes tipos de modelos. Explica que las variables dicótomas toman valores de 0 y 1 para indicar la presencia o ausencia de un atributo. Los modelos de análisis de varianza (ANOVA) usan solo variables explicativas dicótomas. También cubre precauciones al usar variables dicótomas, modelos ANOVA con múltiples variables cualitativas, y modelos de análisis de covarianza que incluyen variables cualitativas y cuantitativas.
Este documento presenta las soluciones a varios problemas de econometría. En la primera sección, se demuestra que el estimador propuesto para el modelo yi = βxi + ui está sesgado hacia 0, y que su varianza es inferior a la del estimador MCO. En la segunda sección, se calculan la esperanza y varianza de varios estimadores propuestos para el modelo Yt = α + βXt + ut, sugiriendo que el estimador de mínimos cuadrados ordinarios debería usarse. En la tercera sección, se demuestra que el coeficiente de pendiente estimado
Este documento presenta los conceptos básicos de estimación por regresión para estimar totales poblacionales bajo diseños de muestreo aleatorios. Explica cómo el estimador de regresión hace un uso eficiente de la información auxiliar y propone métodos para estimar su varianza, como jackknife y grupos aleatorios dependientes. Finalmente, incluye un ejemplo ilustrativo.
Este documento contiene ejercicios y exámenes resueltos de econometría y econometría empresarial. Incluye ejercicios de estimación de parámetros, contrastes de hipótesis, descomposición de varianza, y cálculo de elasticidades. Los ejercicios están organizados en cuatro secciones: ejercicios resueltos de econometría, exámenes de econometría, exámenes de econometría empresarial, y exámenes de principios de econometría.
Este documento presenta los conceptos y procedimientos para realizar pruebas de hipótesis sobre el modelo de regresión. Explica los elementos clave de una prueba de hipótesis como las hipótesis nula y alternativa, el estadístico de prueba, y la región de rechazo. Luego, detalla cómo se aplican estas pruebas de hipótesis al modelo de regresión lineal simple, incluyendo pruebas t para la significancia individual de coeficientes y pruebas F para restricciones lineales múltiples. Final
Este documento presenta el modelo clásico de regresión lineal múltiple, incluyendo su formulación matricial, el método de mínimos cuadrados ordinarios para estimar los parámetros, y las propiedades de dichos estimadores. También explica cómo realizar pruebas de hipótesis sobre los parámetros y el ajuste global del modelo usando el análisis de varianza (ANOVA). Se incluyen ejemplos ilustrativos.
Este documento describe los pasos para estimar un modelo econométrico y analizar los resultados en el software Eviews. Explica cómo introducir una ecuación, estimar los parámetros, y examinar las pruebas estadísticas y diagnósticos para evaluar la validez del modelo, incluyendo pruebas para la normalidad de los errores, autocorrelación, multicolinealidad y heterocedasticidad.
Modelos de regresión con variables dicótomasUTPL UTPL
Este documento describe los modelos de regresión con variables dicótomas y diferentes tipos de modelos. Explica que las variables dicótomas toman valores de 0 y 1 para indicar la presencia o ausencia de un atributo. Los modelos de análisis de varianza (ANOVA) usan solo variables explicativas dicótomas. También cubre precauciones al usar variables dicótomas, modelos ANOVA con múltiples variables cualitativas, y modelos de análisis de covarianza que incluyen variables cualitativas y cuantitativas.
El documento describe diferentes medidas de dispersión como el rango, la desviación típica y la varianza. Explica que la desviación típica es la medida de dispersión más ampliamente utilizada y se define como la raíz cuadrada de la varianza muestral, la cual es la desviación típica al cuadrado. También discute por qué la fórmula de la desviación típica divide por n-1 en lugar de n.
Este documento resume los modelos Logit y Probit. Explica que estos modelos se usan cuando la variable dependiente es binaria para evitar los problemas de usar un modelo de probabilidad lineal con MCO. El modelo Logit usa una función logística acumulativa mientras que el Probit usa una función normal acumulativa. Ambos modelos estiman los parámetros mediante máxima verosimilitud para manejar los errores heterocedásticos y no normales. Finalmente, indica que estos modelos producen predicciones similares aunque los coeficientes
Este documento resume los modelos univariados de series temporales, incluyendo procesos estocásticos, funciones de autocovarianza y autocorrelación, procesos de ruido blanco y paseo aleatorio, y procesos AR, MA y ARMA. Explica cómo estimar los momentos muestrales de una serie temporal y analizar las propiedades de estacionariedad y linealidad de diferentes procesos estocásticos.
Este documento presenta el esquema de un curso de Econometría Aplicada a Finanzas. El objetivo general del curso es desarrollar las competencias cuantitativas necesarias para estudiantes interesados en obtener una maestría en finanzas. El contenido incluye conceptos básicos de econometría, modelos de regresión, series de tiempo, volatilidad y simulación Monte Carlo, los cuales serán aplicados a problemas financieros a través de ejercicios prácticos usando el software Eviews. El curso está
Este documento describe la familia exponencial y su utilidad para obtener estadísticos suficientes. La familia exponencial permite expresar la función de densidad de probabilidad de una muestra de forma que facilite el cálculo de un estadístico suficiente de dimensión k para el parámetro poblacional. Se proveen ejemplos como la distribución exponencial, Poisson, normal y beta. Pertenecer a la familia exponencial garantiza que el estadístico sea insesgado, eficiente y suficiente, incluyendo el caso de mín
Este documento describe el modelo de regresión lineal, el cual modela la relación entre una variable dependiente y una o más variables independientes. Explica que la regresión lineal puede ser simple, con una sola variable independiente, o múltiple, con múltiples variables independientes. También cubre conceptos como los parámetros de regresión, las hipótesis del modelo de regresión lineal clásico, y los tipos de regresión lineal.
Este documento presenta un resumen de un capítulo sobre modelos de vectores autorregresivos (VAR). Explica que los modelos VAR permiten modelar las relaciones dinámicas entre múltiples variables económicas de manera flexible y sin necesidad de especificar relaciones causales. También describe cómo los modelos VAR pueden usarse para realizar pruebas de causalidad entre variables y análisis de descomposición de varianzas y respuestas a impulsos.
El documento presenta el tema de planteamiento de hipótesis para la proporción en 1 y 2 poblaciones. Explica conceptos como hipótesis nula, hipótesis alternativa, nivel de significancia, proporción y formula el planteamiento de hipótesis para la proporción en una población. Incluye ejemplos y ejercicios resueltos sobre pruebas de hipótesis para la proporción en una población.
Este documento describe diferentes métodos para estimar ecuaciones simultáneas en modelos econométricos. Explica métodos uniecuacionales como mínimos cuadrados ordinarios y métodos de sistemas como mínimos cuadrados indirectos y en dos etapas. Estos últimos permiten estimar todas las ecuaciones simultáneamente considerando restricciones entre variables. El documento también analiza modelos recursivos donde se puede usar mínimos cuadrados ordinarios y provee un ejemplo numérico para ilustrar los métodos.
Este documento presenta diferentes formas funcionales y modelos de regresión que incluyen variables cualitativas. Explica formas como lineal, logarítmica, cuadrática e interacciones, así como el uso de variables dummy para capturar efectos de variables binarias. Finalmente, muestra cómo estas técnicas permiten analizar políticas públicas y comparar grupos.
1. A VAR model comprises multiple time series and is an extension of the autoregressive model that allows for feedback between variables.
2. The optimal lag length is chosen using information criteria like AIC and BIC to balance model fit and complexity.
3. Cointegration testing determines whether variables have a long-run relationship and whether a VECM or VAR in differences should be specified.
Una explicación detallada y concisa del método T de Student en donde se muestra la fórmula general y un poco de historia. Incluye ejercicios prácticos y resueltos...
Este documento resume 8 casos comunes de pruebas de hipótesis estadísticas, incluyendo pruebas Z, T, F y Chi cuadrado. Para cada caso, se especifica la hipótesis nula Ho y alternativa Ha, la estadística de prueba utilizada, y el criterio para rechazar la hipótesis nula.
La distribución gamma es adecuada para modelizar variables aleatorias continuas con asimetría positiva. Tiene dos parámetros siempre positivos, α y β, que determinan su forma y alcance. α sitúa la máxima densidad de probabilidad, mientras que β determina la asimetría positiva. Para valores altos de α y bajos de β, la distribución gamma converge a la normal. Se usa para modelizar fenómenos como el tiempo entre sucesos o la finura de fibras.
Este documento describe los modelos autorregresivos (AR), de medias móviles (MA) y ARMA para pronosticar series de tiempo. Explica que el método Box-Jenkins identifica modelos iterativamente para describir una serie, y que los modelos ARIMA generalizan los AR y MA al incluir diferenciación para hacer series estacionarias. Finalmente, muestra cómo aplicar estos modelos en Gretl.
El documento proporciona una introducción al análisis multivariante. Explica que este conjunto de métodos estadísticos permite analizar datos con múltiples variables medidas para cada sujeto u objeto estudiado. Describe los objetivos del análisis multivariante y clasifica sus técnicas en métodos de dependencia, interdependencia y estructurales. Además, presenta ejemplos de aplicaciones del análisis multivariante en diversas áreas como la medicina, biología, sociología e investigación de mercados.
El documento presenta una introducción al análisis de varianza (ANOVA). Explica que el ANOVA permite probar la significancia de las diferencias entre más de dos medias muestrales y hacer inferencias sobre si muestras provienen de poblaciones con la misma media. Luego, aplica el ANOVA a un ejemplo sobre métodos de capacitación de empleados, calculando la varianza entre medias muestrales y dentro de muestras, y concluyendo que no hay evidencia para rechazar la hipótesis nula de que los métodos tienen el mismo efecto en
Este documento presenta los conceptos y métodos estadísticos para intervalos de confianza y pruebas de hipótesis para una y dos poblaciones. Cubre intervalos de confianza y pruebas para proporciones, medias y varianzas, tanto para una sola población como para comparar dos poblaciones, incluyendo el uso de estadísticos-t, z, chi-cuadrado y F. También discute el tamaño de la muestra y factores de corrección.
Este documento presenta conceptos clave de estadística descriptiva multivariada, incluyendo vectores de medias, matrices de varianzas y covarianzas, matrices de correlación, y distribuciones conjuntas. Explica cómo calcular y representar estas medidas estadísticas para analizar el comportamiento conjunto de dos o más variables en una muestra.
Este documento describe el algoritmo EM (Expectation Maximization) para estimar los parámetros de una mezcla gaussiana con dos componentes. El algoritmo EM itera entre calcular las responsabilidades (etapa E) y maximizar la verosimilitud esperada (etapa M) para estimar la probabilidad π, las medias μ1, μ2 y las varianzas σ1, σ2. Esto permite asignar observaciones a cada componente de la mezcla y estimar los parámetros de la distribución subyacente.
1) Las series de Fourier describen la representación de funciones periódicas como suma de funciones senos y cosenos. 2) Pueden usarse para funciones con cualquier periodo mediante una transformación de variables. 3) Las funciones pares solo contienen términos de coseno, mientras que las impares solo tienen términos de seno.
El documento describe diferentes medidas de dispersión como el rango, la desviación típica y la varianza. Explica que la desviación típica es la medida de dispersión más ampliamente utilizada y se define como la raíz cuadrada de la varianza muestral, la cual es la desviación típica al cuadrado. También discute por qué la fórmula de la desviación típica divide por n-1 en lugar de n.
Este documento resume los modelos Logit y Probit. Explica que estos modelos se usan cuando la variable dependiente es binaria para evitar los problemas de usar un modelo de probabilidad lineal con MCO. El modelo Logit usa una función logística acumulativa mientras que el Probit usa una función normal acumulativa. Ambos modelos estiman los parámetros mediante máxima verosimilitud para manejar los errores heterocedásticos y no normales. Finalmente, indica que estos modelos producen predicciones similares aunque los coeficientes
Este documento resume los modelos univariados de series temporales, incluyendo procesos estocásticos, funciones de autocovarianza y autocorrelación, procesos de ruido blanco y paseo aleatorio, y procesos AR, MA y ARMA. Explica cómo estimar los momentos muestrales de una serie temporal y analizar las propiedades de estacionariedad y linealidad de diferentes procesos estocásticos.
Este documento presenta el esquema de un curso de Econometría Aplicada a Finanzas. El objetivo general del curso es desarrollar las competencias cuantitativas necesarias para estudiantes interesados en obtener una maestría en finanzas. El contenido incluye conceptos básicos de econometría, modelos de regresión, series de tiempo, volatilidad y simulación Monte Carlo, los cuales serán aplicados a problemas financieros a través de ejercicios prácticos usando el software Eviews. El curso está
Este documento describe la familia exponencial y su utilidad para obtener estadísticos suficientes. La familia exponencial permite expresar la función de densidad de probabilidad de una muestra de forma que facilite el cálculo de un estadístico suficiente de dimensión k para el parámetro poblacional. Se proveen ejemplos como la distribución exponencial, Poisson, normal y beta. Pertenecer a la familia exponencial garantiza que el estadístico sea insesgado, eficiente y suficiente, incluyendo el caso de mín
Este documento describe el modelo de regresión lineal, el cual modela la relación entre una variable dependiente y una o más variables independientes. Explica que la regresión lineal puede ser simple, con una sola variable independiente, o múltiple, con múltiples variables independientes. También cubre conceptos como los parámetros de regresión, las hipótesis del modelo de regresión lineal clásico, y los tipos de regresión lineal.
Este documento presenta un resumen de un capítulo sobre modelos de vectores autorregresivos (VAR). Explica que los modelos VAR permiten modelar las relaciones dinámicas entre múltiples variables económicas de manera flexible y sin necesidad de especificar relaciones causales. También describe cómo los modelos VAR pueden usarse para realizar pruebas de causalidad entre variables y análisis de descomposición de varianzas y respuestas a impulsos.
El documento presenta el tema de planteamiento de hipótesis para la proporción en 1 y 2 poblaciones. Explica conceptos como hipótesis nula, hipótesis alternativa, nivel de significancia, proporción y formula el planteamiento de hipótesis para la proporción en una población. Incluye ejemplos y ejercicios resueltos sobre pruebas de hipótesis para la proporción en una población.
Este documento describe diferentes métodos para estimar ecuaciones simultáneas en modelos econométricos. Explica métodos uniecuacionales como mínimos cuadrados ordinarios y métodos de sistemas como mínimos cuadrados indirectos y en dos etapas. Estos últimos permiten estimar todas las ecuaciones simultáneamente considerando restricciones entre variables. El documento también analiza modelos recursivos donde se puede usar mínimos cuadrados ordinarios y provee un ejemplo numérico para ilustrar los métodos.
Este documento presenta diferentes formas funcionales y modelos de regresión que incluyen variables cualitativas. Explica formas como lineal, logarítmica, cuadrática e interacciones, así como el uso de variables dummy para capturar efectos de variables binarias. Finalmente, muestra cómo estas técnicas permiten analizar políticas públicas y comparar grupos.
1. A VAR model comprises multiple time series and is an extension of the autoregressive model that allows for feedback between variables.
2. The optimal lag length is chosen using information criteria like AIC and BIC to balance model fit and complexity.
3. Cointegration testing determines whether variables have a long-run relationship and whether a VECM or VAR in differences should be specified.
Una explicación detallada y concisa del método T de Student en donde se muestra la fórmula general y un poco de historia. Incluye ejercicios prácticos y resueltos...
Este documento resume 8 casos comunes de pruebas de hipótesis estadísticas, incluyendo pruebas Z, T, F y Chi cuadrado. Para cada caso, se especifica la hipótesis nula Ho y alternativa Ha, la estadística de prueba utilizada, y el criterio para rechazar la hipótesis nula.
La distribución gamma es adecuada para modelizar variables aleatorias continuas con asimetría positiva. Tiene dos parámetros siempre positivos, α y β, que determinan su forma y alcance. α sitúa la máxima densidad de probabilidad, mientras que β determina la asimetría positiva. Para valores altos de α y bajos de β, la distribución gamma converge a la normal. Se usa para modelizar fenómenos como el tiempo entre sucesos o la finura de fibras.
Este documento describe los modelos autorregresivos (AR), de medias móviles (MA) y ARMA para pronosticar series de tiempo. Explica que el método Box-Jenkins identifica modelos iterativamente para describir una serie, y que los modelos ARIMA generalizan los AR y MA al incluir diferenciación para hacer series estacionarias. Finalmente, muestra cómo aplicar estos modelos en Gretl.
El documento proporciona una introducción al análisis multivariante. Explica que este conjunto de métodos estadísticos permite analizar datos con múltiples variables medidas para cada sujeto u objeto estudiado. Describe los objetivos del análisis multivariante y clasifica sus técnicas en métodos de dependencia, interdependencia y estructurales. Además, presenta ejemplos de aplicaciones del análisis multivariante en diversas áreas como la medicina, biología, sociología e investigación de mercados.
El documento presenta una introducción al análisis de varianza (ANOVA). Explica que el ANOVA permite probar la significancia de las diferencias entre más de dos medias muestrales y hacer inferencias sobre si muestras provienen de poblaciones con la misma media. Luego, aplica el ANOVA a un ejemplo sobre métodos de capacitación de empleados, calculando la varianza entre medias muestrales y dentro de muestras, y concluyendo que no hay evidencia para rechazar la hipótesis nula de que los métodos tienen el mismo efecto en
Este documento presenta los conceptos y métodos estadísticos para intervalos de confianza y pruebas de hipótesis para una y dos poblaciones. Cubre intervalos de confianza y pruebas para proporciones, medias y varianzas, tanto para una sola población como para comparar dos poblaciones, incluyendo el uso de estadísticos-t, z, chi-cuadrado y F. También discute el tamaño de la muestra y factores de corrección.
Este documento presenta conceptos clave de estadística descriptiva multivariada, incluyendo vectores de medias, matrices de varianzas y covarianzas, matrices de correlación, y distribuciones conjuntas. Explica cómo calcular y representar estas medidas estadísticas para analizar el comportamiento conjunto de dos o más variables en una muestra.
Este documento describe el algoritmo EM (Expectation Maximization) para estimar los parámetros de una mezcla gaussiana con dos componentes. El algoritmo EM itera entre calcular las responsabilidades (etapa E) y maximizar la verosimilitud esperada (etapa M) para estimar la probabilidad π, las medias μ1, μ2 y las varianzas σ1, σ2. Esto permite asignar observaciones a cada componente de la mezcla y estimar los parámetros de la distribución subyacente.
1) Las series de Fourier describen la representación de funciones periódicas como suma de funciones senos y cosenos. 2) Pueden usarse para funciones con cualquier periodo mediante una transformación de variables. 3) Las funciones pares solo contienen términos de coseno, mientras que las impares solo tienen términos de seno.
(1) El documento describe la serie de Fourier y las funciones periódicas.
(2) Euler descubrió en 1744 que la función (π-t)/2 puede aproximarse mediante una serie de senos.
(3) Daniel Bernoulli propuso en 1753 resolver el problema de ondas mediante la superposición de ondas senos y cosinos con nodos.
Este documento presenta los conceptos básicos de las series de Fourier, incluyendo definiciones, teoremas de convergencia y desarrollos de medio intervalo. Explica cómo aproximar numéricamente los coeficientes de Fourier de funciones periódicas mediante integración numérica en Matlab. También describe el fenómeno de Gibbs que ocurre cerca de los puntos de discontinuidad y la igualdad de Parseval. Finalmente, propone una serie de ejercicios resueltos para practicar el cálculo de coeficientes de Fourier y la aproximación de
Este documento explica las funciones periódicas y la serie de Fourier. Define una función periódica como aquella que cumple f(t)=f(t+T) para algún periodo T. Explica que la suma de dos funciones periódicas no siempre es periódica. También describe cómo Fourier y otros matemáticos resolvieron la ecuación del calor mediante series trigonométricas, llegando a la conclusión de que cualquier función puede expresarse como una serie de este tipo.
Este documento contiene ejercicios y exámenes resueltos de econometría y econometría empresarial. Incluye ejercicios de estimación de parámetros, contrastes de hipótesis, descomposición de varianza, y cálculo de elasticidades. Los ejercicios están organizados en cuatro secciones: ejercicios resueltos de econometría, exámenes de econometría, exámenes de econometría empresarial, y exámenes de principios de econometría.
Este documento contiene ejercicios y exámenes resueltos de econometría y econometría empresarial. Se divide en cuatro secciones: 1) ejercicios resueltos de econometría, 2) exámenes de econometría, 3) exámenes de econometría empresarial, y 4) exámenes de principios de econometría. Incluye problemas sobre estimación de parámetros, contrastes de hipótesis, descomposición de varianzas, y elasticidades en modelos de regresión simple y mú
Este documento introduce las funciones exponenciales y logarítmicas. Primero analiza las funciones exponenciales mediante el ejemplo de crecimiento poblacional. Luego introduce las ecuaciones exponenciales y la función logarítmica como la función inversa de la exponencial. Finalmente, presenta ejemplos y actividades para practicar el uso de estas funciones.
El documento describe las series de Fourier exponenciales y trigonométricas. Resume que las series de Fourier representan funciones periódicas usando conjuntos de funciones exponenciales o trigonométricas complejas. Los coeficientes de la serie se calculan integrando la función original contra las funciones exponenciales o trigonométricas en el intervalo.
Este documento explica la transformada discreta de Fourier (DFT), que permite representar señales de tiempo discreto como combinaciones lineales de exponenciales complejas. Describe cómo calcular los coeficientes de la serie de Fourier para señales periódicas y aperiódicas. También analiza ejemplos como ondas cuadradas y senos, y cómo reconstruir parcialmente las señales originales a partir de un número limitado de términos de la serie.
El documento explica las funciones logarítmicas y sus propiedades. Define el logaritmo como la función inversa de la función exponencial, y explica que para cualquier número positivo x, el logaritmo de x con base a (loga(x)) es el exponente al que hay que elevar a para obtener x. Presenta ejemplos de cómo convertir expresiones entre sus formas exponencial y logarítmica, y cómo resolver ecuaciones utilizando esta propiedad. Finalmente, grafica funciones logarítmicas y explica sus características.
Este documento presenta un esquema inicial sobre diferentes distribuciones de probabilidad, incluyendo la distribución uniforme, normal, exponencial, Erlang, Gamma y Beta. Para cada distribución, se describe su génesis, función de probabilidad, función de distribución, esperanza y varianza. Además, incluye ejemplos y gráficas ilustrativas.
1) La constante A debe ser 3 para que las señales φ1(t) y φ2(t) sean ortogonales.
2) El error cuadrático medio Ek en una aproximación de Fourier se reduce a medida que aumenta k.
3) La serie de Fourier de la función f(t)=1 para -π<t<0 y f(t)=0 para 0<t<π es 1/2 - ∞(−1)nsen(2n-1)t/(2n-1)2.
Este documento presenta una serie de ejercicios sobre análisis, transmisión y filtrado de señales. Los ejercicios incluyen determinar series de Fourier para diferentes funciones, aproximar funciones mediante series de Fourier finitas, y verificar propiedades de la transformada de Fourier como la convolución en el tiempo y el teorema de Parseval. El objetivo es que los estudiantes practiquen conceptos clave relacionados con la representación de señales y las transformadas de Fourier.
Este documento trata sobre valores y vectores propios. 1) Los valores y vectores propios se definen como soluciones de la ecuación Ax=λx. 2) Los valores propios λ satisfacen la ecuación característica det(A-λI)=0. 3) A cada valor propio λ le corresponde un espacio propio formado por sus vectores propios asociados.
1. El documento introduce la transformada de Fourier como una extensión de las series de Fourier para analizar señales aperiódicas. 2. Explica que la transformada de Fourier de una señal aperiódica x(t) es otra función X(ξ) que permite descomponer la señal original aplicando la transformada inversa. 3. Presenta algunas propiedades básicas de la transformada de Fourier como su linealidad, efectos de traslación y cambios de escala, y su relación con la derivación de señales.
Este documento trata sobre la correlación y el espectro de señales deterministas. 1) Explica cómo clasificar señales en señales de energía finita y señales de potencia media finita, y presenta ejemplos de cada tipo. 2) Introduce el teorema de Parseval para señales de energía finita, el cual establece la equivalencia entre la energía de una señal en el dominio del tiempo y la frecuencia. 3) Discuta brevemente las propiedades de correlación y densidad espectral de energía y potencia
Las cadenas de Markov son procesos estocásticos discretos en los que la probabilidad del estado futuro depende únicamente del estado presente. Se caracterizan por una matriz de transición que describe las probabilidades de pasar de un estado a otro. El poder elevar dicha matriz a diferentes exponentes permite calcular la probabilidad de los estados a lo largo del tiempo. Cuando el exponente tiende a infinito, la cadena converge a una distribución de probabilidad independiente de los estados iniciales.
Este documento presenta la resolución de tres ejercicios del capítulo 1 de Classical Mechanics de H. Goldstein. El primer ejercicio trata sobre una ligadura no-holonómica. El segundo analiza el efecto de cambiar potenciales sobre el lagrangiano y ecuaciones de movimiento. El tercero usa coordenadas esféricas para describir el lagrangiano y ecuaciones de un péndulo.
Este documento presenta conceptos básicos sobre cadenas de Markov de estados finitos. Explica que una cadena de Markov es un proceso estocástico donde el estado futuro depende solo del estado presente. También describe la matriz de transición de probabilidades y cómo se puede usar para calcular la probabilidad de transición entre estados a lo largo del tiempo. Además, introduce la teoría de Perron-Frobenius sobre eigenvalores y eigenvectores de matrices estocásticas asociadas a cadenas de Markov.
Similar a Notas de Clase Econometria - Modelos MA(p) (20)
1. ECONOMETRÍA
NOTAS DE CLASES1:
PROCESOS ESTOCÁSTICOS DE MEDIAS MÓVILES.
Prof.: Eva Cattaneo Tibis
Autor:
Nicolás Ajzenman
Introducción
En su forma genérica podemos expresar al modelo MA(p) de la siguiente forma:
Yt = ε t − ϕ1ε t −1 − ϕ 2ε t − 2 − ... − ϕ p ε t − p
Los modelos de Medias Móviles, al igual que los modelos Autorregresivos, constituyen
un tipo de estructura estocástica lineal que genera datos económicos. A diferencia de los
procesos AR (p), los valores que toma la variable dependiente a lo largo del tiempo no
se explican por los valores pasados que haya tomado esa variable, sino por los efectos
de los shocks aleatorios que se hayan producido en el momento t, t-1, t-2,…, t-p. Esto
implica que los modelos MA(p) se caracterizan por tener memoria finita,
contrariamente a lo que sucede con los modelos Autorregresivos.
Se destacan dos diferencias adicionales de los modelos del tipo AR(p) respecto de los
modelos MA(p). En primer lugar, estos últimos son siempre estacionarios, lo cual
deriva de la característica de memoria finita. En segundo término, se debe notar que un
proceso no estacionario no puede ser transformado algebraicamente en uno
estacionario ni viceversa. Por tal motivo, la única condición para que un AR sea
invertible en un MA, que por definición es estacionario, es que el AR original también
lo sea. En cambio, para invertir un MA en un AR es necesario imponer condiciones de
estacionariedad para el AR resultante.
Modelos AR(p) Modelos MA(p)
Memoria Infinita Finita
Estacionariedad | Raíces de la ecuación característica | < 1 Siempre
Si | Raíces de la ecuación característica | < 1
Invertibilidad Si es estacionario, entonces AR(P) → MA(∞)
entonces MA(p) → AR(∞)
Explicitadas las principales características de los procesos de Medias Móviles,
procederemos a continuar con el esquema analítico propuesto para el estudio de los
1
Estas notas fueron pensadas para ser utilizadas exclusivamente en el marco del curso de Econometría de
la profesora Eva Cattaneo Tibis, de la FCE-UBA y son una continuación de las notas de clase de procesos
autorregresivos. Críticas, correcciones, dudas, comentarios, etc. a: nicolas.ajzenman@gmail.com.
2. modelos Autorregresivos: invertibilidad, momentos (valor medio, FAS y FAC) y
correlograma.
Modelos MA(1) : Yt = ε t − ϕε t −1
El siguiente esquema simboliza la relación existente entre el ruido blanco (ε t ) y el valor
que toma la variable explicada (Yt ) en cada período.
Yt Yt +1 Yt + 2
−ϕ −ϕ −ϕ
εt ε t +1 ε t +2
Se advierte que la memoria de los procesos MA(1) es finita, ya que su efecto residual se
acaba al segundo período sucedido luego del shock aleatorio.
1. Estacionariedad:
Como se expresó en párrafos previos, los modelos MA(1) son siempre estacionarios,
por lo que no hay que analizar ninguna condición de estacionariedad.
2. Invertibilidad:
Para que un modelo del tipo MA(1) se invertible, es necesario que se cumplan ciertas
condiciones. Analizaremos la invertibilidad del proceso utilizando dos métodos
diferentes: (A) Por sustitución y (B) Por operador π t . De allí derivaremos las
condiciones necesarias y suficientes.
(A) Invertibilidad por sustitución
Partimos de la expresión original:
(1) Yt = ε t − ϕε t −1
Luego despejamos el error:
(2) ε t = Yt + ϕε t −1
Y le aplicamos el operador rezago:
(3) ε t −1 = Yt −1 + ϕε t − 2 y (4) ε t − 2 = Yt − 2 + ϕε t −3
Reemplazando (3) en (1):
(5) Yt = ε t − ϕYt −1 − ϕ 2ε t − 2
Reemplazando (4) en (5):
(6) Yt = ε t − ϕYt −1 − ϕ 2Yt − 2 − ϕ 3ε t −3
Si continuamos rezagando la ecuación (2) y realizando reemplazos sucesivos (N veces),
obtendremos la siguiente expresión:
3. Yt = ε t − ϕYt −1 − ϕ 2Yt − 2 − ϕ 3Yt −3 − ... − ϕ N ε t − N
AR(N-1)
Lo cual se puede expresar como:
Yt = AR( N − 1) − ϕ N ε t − N
Si | ϕ |< 1 ⇒ lim ϕ N ε t − N = 0 ⇒ Yt ≅ AR(∞)
N →∞
Conclusión: Un modelo del tipo MA(1) será invertible en un AR(∞) toda vez que se
cumpla la siguiente condición2:
| Raíces de la Ecuación característica | < 1
O, lo que es equivalente,
| Raíces del Polinomio característico | > 1
(B) Invertibilidad utilizando operador π ∞
Arribaremos a las mismas conclusiones siguiendo otro procedimiento para invertir el
modelo de Medias Móviles. Para ello, utilizaremos como herramienta un polinomio
operador de retardos π ( ∞ ) ( L) .
Partimos de:
Yt = ε t − ϕε t −1
Aplicamos el operador retardo:
Yt = (1 − ϕL)ε t
Despejamos ε t :
1 1
(1) ε t =
1 − ϕL Yt , denominamos
1 − ϕL = π L
Sabemos que se cumple la siguiente igualdad, siempre que | ϕ |< 1 3:
1
1 − ϕ = 1 + ϕ + ϕ + ... + ϕ
2 n
Por lo que:
1
1 − ϕL = 1 + ϕL + (ϕL) + ... + (ϕL) ,
2 n
Yt +1 = ε t +1 − ϕε t Yt = (1 − ϕL)ε t
2
Raíces de la Ec. Caract.: 0 = λλ − ϕλt t
Raíces del Pol. Caract.: 1 = ϕL
0 = λ (λ − ϕ ) →| λ = ϕ |< 1
t
1
| L = |> 1
ϕ
3
4. 1
1 − ϕL = π L = 1 + π 1 L + π 2 L + ... + π n L
(2) 2 n
Reemplazando (2) en (1):
ε t = (1 + π 1 L + π 2 L2 + ... + π n Ln )Yt
Aplicando los operadores de retardo y distribuyendo Yt :
(3) ε t = Yt + π 1Yt −1 + π 2Yt −2 + ... + π nYt −n
Hallamos el valor de los parámetros π i que, hasta el momento, son desconocidos.
Partimos de (2):
1 = (1 − ϕL)(1 + π 1 L + π 2 L2 + ... + π n Ln ) ,
Distribuimos:
1 = 1 + (π 1 − ϕ ) L + (π 2 − ϕπ 1 ) L2 + (π 3 − ϕπ 2 ) L3 + ....
Considerando que 1 = 1:
(π 1 − ϕ ) = 0 ⇒ π 1 = ϕ
(π 2 − ϕπ 1 ) = 0 ⇒ π 2 = ϕ 2
π3 = ϕ3
.
.
.
Reemplazando lo hallado en (3):
ε t = Yt + ϕYt −1 + ϕ 2Yt −2 + ... + ϕ nYt −n
Despejando Yt :
Yt = −ϕYt −1 − ϕ 2Yt −2 − ... + ϕ nYt − n + ε t
La expresión encontrada representa un modelo AR(∞) estacionario. Nótese, que para
que sea válido el desarrollo, debe cumplirse la misma condición que se enunció en
el método utilizado previamente.
3. Momentos de un MA(1):
Partimos de la expresión original: Yt = ε t − ϕε t −1 , siendo ε t ≈ IID ( 0 ; σ ε
2
)
A. Media
Aplicamos esperanza a la expresión original:
5. E (Yt ) = E (ε t ) − ϕE (ε t −1 ) = 0
0 0
Entonces: E (Yt ) = 0
B. FAS
Partimos de la definición de función de FAS:
γ k = E[Yt Yt −k ] = E[(ε t − ϕε t −1 )(ε t −k − ϕε t −k −1 )]
Si k = 0:
γ 0 = E[(ε t − ϕε t −1 )(ε t − ϕε t −1 )]
γ 0 = E (ε t 2 ) − 2 E (ϕε t ε t −1 )) + E ( ϕε t )
2
σε2 0 ϕ 2σ ε 2
γ 0 = σ ε 2 (1 + ϕ 2 )
Si k = 1:
γ 1 = E[(ε t − ϕε t −1 )(ε t −1 − ϕε t −2 )]
γ 0 = E (ε t ε t −1 ) − E (ϕε t − 2ε t ) − E (ϕε t −1ε t −1 ) + E (ϕε t −1ε t −2 )
0 0 ϕσ ε 2 0
γ 1 = −ϕσ ε 2
Si k = 2:
γ 2 = E[(ε t − ϕε t −1 )(ε t −2 − ϕε t −3 )]
γ 0 = E (ε t ε t −2 ) − E (ϕε t −3ε t ) − E (ϕε t −1ε t − 2 ) + E (ϕε t −1ε t −3 )
0 0 0 0
γ2 = 0
Nota: La esperanza del producto de dos errores en diferentes momentos del tiempo
es igual a 0 porque los errores son estadísticamente independientes.
En general, γ k = 0 ∀ k > p , lo que refleja la memoria finita de los procesos MA(p).
γ 0 = σ ε 2 (1 + ϕ 2 )
γ 1 = −ϕσ ε 2
γ k>p = 0
C. FAC
6. γk
Partimos de la definición de función de FAC: ρ k =
γ0
Entonces:
σ ε (1 + ϕ 2 )
2
ρ0 = 2 =1
σ ε (1 + ϕ 2 )
− ϕσ ε −ϕ
2
ρ1 = =
σ ε (1 + ϕ )
2 2
(1 + ϕ 2 )
ρk>p = 0
4. Correlograma de un MA(1):
Si ϕ < 0
k
0 1 2 3 4 5 6 7 8 9
Si ϕ > 0
0 1 2 3 4 5 6 7 8 9
k
7. Nuevamente, queda claro que la memoria de los shocks aleatorios del momento t es
finita, y su duración se extiende hasta el período p. Una vez superado el momento p, se
pierde todo registro del shock inicial.
Modelos MA(1) con constante: Yt = ε t − ϕε t −1 + δ
A continuación observaremos la caracterización del modelo MA(1) cuando incluye
constante.
En este caso, comenzamos estudiando sus momentos, particularmente la media:
A. Media
E (Yt ) = E (ε t ) − ϕE (ε t −1 ) + E (δ ) = δ , ya que la media de los shocks es igual a 0 en
cualquier momento del tiempo.
B. FAS
γ k = E[(Yt − E (Yt )][Yt − k − E (Yt − k )] = E[(Yt − δ ][Yt −k − δ ]
Yt − δ = ε t − ϕε t −1 + δ − δ
Yt − δ = ε t − ϕε t −1
Yt − k − δ = ε t −k − ϕε t − k −1 + δ − δ
Yt − k − δ = ε t −k − ϕε t − k −1
Entonces, debemos calcular γ k = E[(ε t − ϕε t −1 )(ε t −k − ϕε t −k −1 )] .
Nótese que la expresión hallada es idéntica a la FAS del modelo sin constante. En
consecuencia, las conclusiones son exactamente iguales, es decir que tanto la FAS,
como la FAC y el correlograma coinciden en el modelo MA(1) con y sin constante.
Modelos MA(2) : Yt = ε t − ϕ1ε t −1 − ϕ 2 ε t −2
El siguiente esquema simboliza la relación existente entre el ruido blanco (ε t ) y el valor
que toma la variable explicada (Yt ) en cada período.
Yt Yt +1 Yt + 2 Yt +3
− ϕ1 − ϕ1 − ϕ1
εt ε t +1 ε t +2 ε t +3
− ϕ2
− ϕ2
Al igual que en el modelo de Medias Móviles de orden 1, se advierte que la memoria
de los shocks aleatorios es finita, sólo que su influencia dura un período más. A
continuación, procederemos a desarrollar la caracterización del MA(2) a través del
estudio de su estacionariedad, invertibilidad, momentos y correlograma.
8. 1. Estacionariedad:
Como se expresó en párrafos previos, los modelos MA(2) son siempre estacionarios,
por lo que no hay que analizar ninguna condición de estacionariedad.
2. Invertibilidad:
De manera similar a lo que sucede en MA(1), para que un modelo del tipo MA(2) sea
invertible, es necesario que se cumplan ciertas condiciones. Analizaremos la
invertibilidad del proceso utilizando el método de operador π t . De allí derivaremos las
condiciones necesarias y suficientes.
Partimos de:
Yt = ε t − ϕ1ε t −1 − ϕ 2 ε t −2
Aplicamos el operador retardo:
Yt = (1 − ϕ1 L − ϕ 2 L2 )ε t
Despejamos ε t :
1 1
(1) ε t =
1 − ϕ L − ϕ L2 Yt , denominamos
1 − ϕ L − ϕ L2 =πL
1 2 1 2
Sabemos que se cumple la siguiente igualdad, siempre que | 1 − ϕ1 L − ϕ 2 L2 |> 1 4:
1
(2)
1 − ϕ L − ϕ L2 = π L = 1 + π 1 L + π 2 L2 + ... + π n Ln
1 2
Reemplazando (2) en (1):
ε t = (1 + π 1 L + π 2 L2 + ... + π n Ln )Yt
Aplicando los operadores de retardo y distribuyendo Yt :
(3) ε t = Yt + π 1Yt −1 + π 2Yt −2 + ... + π nYt −n
Hallamos el valor de los parámetros π i que, hasta el momento, son desconocidos. Parto
de (2):
1
1 − ϕ L − ϕ L2 = π L = 1 + π 1 L + π 2 L + ... + π n L
2 n
1 2
1 = (1 − ϕ1 L − ϕ 2 L2 )(1 + π 1 L + π 2 L2 + ... + π n Ln )
Distribuimos el paréntesis
4
Esta condición es equivalente a la que se utilizó en el modelo MA(1) y se refiere al módulo de las raíces
de la ecuación característica. Sin esta condición el desarrollo no es válido.
9. 1 = 1 + π 1 L + π 2 L2 + ... + π n Ln − ϕ1 Lπ 1 L − ϕ1 Lπ 2 L2 − ϕ1 Lπ n Ln − ϕ 2 L2 − ϕ 2 L2π 1 L − ϕ 2 L2π n Ln
Agrupamos
1 = 1 + (π 1 − ϕ1 ) L + (π 2 − ϕ1π 1 − ϕ 2 ) L2 + .... + (...) Ln
Considerando que 1 = 1:
(π 1 − ϕ1 ) = 0 ⇒ π 1 = ϕ1
(π 2 − ϕ1π 1 − ϕ 2 ) = 0 ⇒ π 2 = ϕ1π 1 +ϕ 2 = ϕ1 +ϕ 2
2 2
.
.
.
Reemplazando lo hallado en (3):
ε t = Yt + ϕ1Yt −1 + (ϕ1 2 + ϕ 2 )Yt −2 + ...
Despejando Yt :
Yt = ε t − ϕ1Yt −1 − (ϕ1 + ϕ 2 )Yt −2 − ..
2
AR(∞)
La expresión encontrada representa un modelo AR(∞) estacionario. Nótese, que para
que sea válido el desarrollo, debe cumplirse la condición de raíces características,
en módulo, menores a uno (o bien, módulo de las raíces del polinomio
característico mayores a uno).
Conclusión: Un modelo del tipo MA(2) será invertible en un AR(∞) estacionario toda
vez que se cumpla la siguiente condición:
| Raíces de la Ecuación característica | < 1
O, lo que es equivalente,
| Raíces del Polinomio característico | > 1
Partimos de la expresión original:
3. Momentos de un MA(2):
Partimos de la expresión original: Yt = ε t − ϕ1ε t −1 − ϕ 2 ε t −2 , siendo
ε t ≈ IID ( 0 ; σ ε
2
)
A. Media
Aplicamos esperanza a la expresión original:
E (Yt ) = E (ε t ) − ϕ1 E (ε t −1 ) − ϕ 2 E (ε t −2 ) = 0
10. 0 0 0
Entonces: E (Yt ) = 0
Nótese que, al igual que en MA(1), si añado una constante al modelo, la esperanza
será igual a ella.
B. FAS
Partimos de la definición de función de FAS:
γ k = E[Yt Yt − k ] = E[(ε t − ϕ1ε t −1 − ϕ 2ε t − 2 )(ε t −k − ϕ1ε t −1− k − ϕ 2ε t − 2− k )]
Si k = 0:
γ 0 = E[(ε t − ϕ1ε t −1 − ϕ 2ε t −2 )(ε t − ϕ1ε t −1 − ϕ 2ε t − 2 )]
γ 0 = E (ε t 2 ) − 2ϕ1 E (ε t ε t −1 ) − 2ϕ 2 E (ε t ε t − 2 ) + ϕ12 E (ε t2−1 ) + 2ϕ1ϕ 2 E (ε t −1ε t −2 ) + ϕ 2 E (ε t2−2 )
2
σε2 0 0 ϕ12σ ε 2 0 ϕ2σ ε 2
2
γ 0 = σ ε 2 (1 + ϕ1 2 + ϕ 2 2 )
Si k = 1:
γ 1 = E[(ε t − ϕ1ε t −1 − ϕ 2ε t − 2 )(ε t −1 − ϕ1ε t − 2 − ϕ 2 ε t −3 )]
γ 1 = E (ε t ε t −1 ) − ϕ1 E (ε t ε t − 2 ) − ϕ 2 E (ε t ε t −3 ) − ϕ1 E (ε t2−1 ) + (ϕ12 − ϕ 2 ) E (ε t −1ε t − 2 )
0 0 0 ϕ1σ ε 2 0
+ ϕ1ϕ 2 E (ε t −1ε t −3 ) + ϕ1ϕ 2 E (ε t2− 2 ) + ϕ 2 E (ε t − 2ε t −3 )
2
0 ϕ1ϕ 2σ ε 2 0
γ 1 = ϕ1σ ε 2 (−1 + ϕ 2 )
Si k = 2:
γ 1 = E[(ε t − ϕ1ε t −1 − ϕ 2ε t − 2 )(ε t − 2 − ϕ1ε t −3 − ϕ 2ε t − 4 )]
γ 1 = E (ε t ε t −2 ) − ϕ1 E (ε t ε t −3 ) − ϕ 2 E (ε t ε t − 4 ) − ϕ1 E (ε t −1ε t − 2 ) + ϕ12 E (ε t −1ε t −3 ) + ϕ 2ϕ1 E (ε t −1ε t −4 )
0 0 0 0 0 0
− ϕ 2 E (ε t2−2 ) + ϕ1ϕ 2 E (ε t −2 ε t −3 ) + ϕ 2 E (ε t − 2ε t −4 )
2
− ϕ 2σ ε
2
0 0
γ 2 = −ϕ 2σ ε 2
11. Si k = 3:
γ 1 = E[(ε t − ϕ1ε t −1 − ϕ 2ε t − 2 )(ε t −3 − ϕ1ε t −4 − ϕ 2ε t −5 )]
γ 1 = E (ε t ε t −3 ) − ϕ1 E (ε t ε t −4 ) − ϕ 2 E (ε t ε t −5 ) − ϕ1 E (ε t −1ε t −3 ) + ϕ12 E (ε t −1ε t − 4 ) + ϕ 2ϕ1 E (ε t −1ε t −5 )
0 0 0 0 0 0
− ϕ 2 E (ε t −2 ε t −3 ) + ϕ1ϕ 2 E (ε t − 2ε t −4 ) + ϕ 2 E (ε t − 2ε t −5 )
2
0 0 0
γ3 = 0
En general, γ k = 0 ∀ k > p , lo que refleja la memoria finita de los procesos MA(p).
γ 0 =σ ε
2
(1 + ϕ 1 + ϕ 2 )
2 2
γ 1 = ϕ 1σ ε
2
(−1 + ϕ 2 )
γ 2 = − ϕ 2σ ε
2
γ k> p = 0
C. FAC
γk
Partimos de la definición de función de FAC: ρ k =
γ0
Entonces:
σ 2 (1 + ϕ1 2 + ϕ 2 )
ρ0 = ε 2 =1
σ ε (1 + ϕ1 2 + ϕ 2 )
ϕ1σ ε 2 (−1 + ϕ 2 ) ϕ (−1 + ϕ )
ρ1 = = 1 2 2
σ ε (1 + ϕ1 + ϕ 2 ) (1 + ϕ1 + ϕ 2 )
2 2
− ϕ 2σ ε − ϕ2
2
ρ2 = =
σ ε (1 + ϕ1 + ϕ 2 )
2 2
(1 + ϕ1 + ϕ 2 )
2
ρk> p = 0
12. 4. Correlograma de un MA(1)5:
k
0 1 2 3 4 5 6 7 8 9
k
Nuevamente, al igual que sucedía en el caso del MA(1), queda claro que la memoria de
los shocks aleatorios del momento t tienen una memoria finita, cuya duración se
extiende hasta el período p. Una vez superado el momento p, se pierde todo registro del
shock inicial.
5
La forma (positivos/negativos) dependerá del valor de los parámetros. Lo cierto es que al período tres,
los valores de la FAC se igualan a 0.