- ALUMNAS: RANGEL ADA G. CI. 19.752.385 GIL VENECIA A. S. CI. 20.198.319 -CATEDRA: COMPUTACION ESTADISTICA.

Slides:



Advertisements
Presentaciones similares
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES
Advertisements

Estadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel Series Temporales.
Regresión mínimo cuadrada (I)
MÉTODOS DE MEDICIÓN DE COSTOS.
ESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ANÁLISIS EXPLORATORIO DE DATOS
Bivariadas y Multivariadas
UNIVERSIDAD AUTÓNOMA DEL CARIBE
Ingeniería Industrial II CicloEducativo 2011
PRONÓSTICOS Y LA ADMINISTRACIÓN DE ESTRATÉGICA DE LA DEMANDA
AUTORES: peter b. seddon y min-yenkiew
SERIES DE TIEMPO INTEGRANTES : GELSI VASQUEZ MICHAEL MUÑOZ JULIO TAPIA.
INFERENCIA ESTADISTICA
Pruebas de Especificación en el Modelo de Regresión Múltiple
PROPIEDADES ESTADÍSTICAS DE LOS ESTIMADORES
SERIES UNIVARIADAS Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para el futuro si ha de sobrevivir y progresar.
Capitulo 7: Autocorrelación
Modelo básico de regresión Lineal
INTRODUCCIÓN A LAS SERIES DE TIEMPO
1 Modelos Cuantitativos Pronósticos PRONÓSTICO Predicción de lo que ocurrirá sobre la base de: 1. Identificación de tendencias a futuro sobre.
Capitulo 10: La metodología Box-Jenkins
ALGUNOS CONCEPTOS PREVIOS
Estadística Descriptiva: 4. Correlación y Regresión Lineal
Estadística Descriptiva: 4. Correlación y Regresión Lineal Ricardo Ñanculef Alegría Universidad Técnica Federico Santa María.
Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.
Regresión Lineal Simple
Análisis de Correlación y de Regresión lineal simple
SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES
MÉTODOS DE PROYECCIÓN Existen varias alternativas para determinar el comportamiento futuro de un producto, lo cual exige de los proyectistas, un análisis.
Biograma Introducir datos en una matriz. Elegir método para máximos y mínimos. Calcular los máximos y mínimos observados. Límites.
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
Análisis de series de tiempo Cuarta semana Abril Julio 2009.
Pronósticos Los pronósticos y la planeación de la capacidad de mantenimiento son dos funciones importantes para el diseño de un sistema de mantenimiento.
SERIES DE TIEMPO INTEGRANTES :.
Universidad Autónoma de Madrid
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Modelos Pronósticos Prof. Dr. Héctor Allende.
Pronósticos, Series de Tiempo y Regresión
La estimacion de parametros
1. PRINCIPIOS DEL PROCESO DE MODELIZACION
LOGO Econometría III Esquema del trabajo de ordenador. Curso Parte 3. Análisis de cointegración y formas de los modelos.
Proyección de ingresos tributarios Juan C. Gómez-Sabaini
ANALISIS DE SERIES TEMPORALES
1 TEMA II Prof. Samaria Muñoz Análisis de Regresión simple: ESTIMACION.
Concepto Según la estrategia de medidas repetidas, las unidades son observadas a lo largo de una serie reducida de intervalos de tiempo u ocasiones.
Estimación de modelos ARMA
Regresión lineal simple
Índice: Introducción Conceptos básicos Procesos elementales
Ramón Giraldo H MSc. Estadística. Profesor Universidad Nacional
Estadística Aplicada a las Ciencias Políticas
SERIES CRONOLOGICAS O DE TIEMPO
Definición del Modelo de Regresión Simple Estimaciones por MCO Método de MCO Valores Esperados y Varianzas por MCO.
SAS STAT: REG Y GLM -DANIEL ALEJANDRO GARCIA C.I.:
SERIES DE TIEMPO Suscribase a SERIES DE TIEMPO Suscribase a
Análisis de los Datos Cuantitativos
Método de mínimos cuadrados
Unidad 4 Análisis de los Datos.
PRONÓSTICO DE VARIABLES ECONÓMICAS DR. LUIS MIGUEL GALINDO.
REGRESIÓN LINEAL SIMPLE
TEMA : ANALISIS DE REGRESION
Supuestos en el análisis de regresión Miles, J. & Shervin, M. (2011). Applyng regression & correlation. A guide for students and researchers. London: Sage.
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Capitulo II.
19. Prueba de hipótesis para promedios Módulo IV: Análisis de datos numéricos Análisis de Datos Aplicado a la Investigación Científica
INTRODUCCIÓN A LA ECONOMETRÍA
REGRESIÓN LINEAL SIMPLE
RELACIÓN ENTRE UNA VARIABLE DEPENDIENTE Y UNA O MAS INDEPENDIENTES.
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
METODO DE HOLT Suavización exponencial ajusta a la tendencia.
Tarea # 4 PRUEBAS DE HIPÓTESIS ESTADÍSTICAS. PRUEBA DE HIPÓTESIS Hipótesis es una aseveración de una población elaborado con el propósito de poner a prueba,
M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.
Transcripción de la presentación:

- ALUMNAS: RANGEL ADA G. CI GIL VENECIA A. S. CI CATEDRA: COMPUTACION ESTADISTICA

SISTEMA INTEGRADO DE PROGRAMAS INDEPENDIENTES PARA EL PROCESAMIENTO Y ANALISIS MODELADO Y SIMULACION SERIES DE TIEMPO ANALISIS Y PREDICCION ECONOMERTIA ETS DISEÑOMODULAR ANALISIS FINANCIERO

MODELADO ECONOMETRICO SIMULACION  MODELO  SYSLIN  DIMLIN  MODELO  SYSLIN  DIMLIN PROCEDIMIENTOS  NORMALIDAD  ESTACIONALIDAD  RUIDO BLANCO  PRUEBA DE HIPOTESIS  ENTRE OTROS  NORMALIDAD  ESTACIONALIDAD  RUIDO BLANCO  PRUEBA DE HIPOTESIS  ENTRE OTROS PRUEBAS  MCO  MODELOS CON Y SIN VARIABLES FICTICIAS  MODELOS QUE CORRIGEN AUTOCORRELACION  MODELOS QUE CORRIGEN HETEROSCEDASTICIDAD  SISTEMAS DE ECUACIONES LINEALES  MODELOS NO LINEALES  SISTEMAS DE ECUACIONES DIFERENCIALES  CORTE T. Y SERIES DE TIEMPO  MCO  MODELOS CON Y SIN VARIABLES FICTICIAS  MODELOS QUE CORRIGEN AUTOCORRELACION  MODELOS QUE CORRIGEN HETEROSCEDASTICIDAD  SISTEMAS DE ECUACIONES LINEALES  MODELOS NO LINEALES  SISTEMAS DE ECUACIONES DIFERENCIALES  CORTE T. Y SERIES DE TIEMPO PREDICCION

DATOS UNIVARIADOS DATOS MULTIVARIADOS DATOS UNIVARIADOS DATOS MULTIVARIADOS ESTIMAR RELACIONES  PANEL  AUTOREG  PDIREG  ARIMA  STATESPACE  SPECTRA  PANEL  AUTOREG  PDIREG  ARIMA  STATESPACE  SPECTRA PROCEDIMIENTOS GENERAR PREDICCIONES

COMBINACION DEL CONOCIMIENTO PASADO Y LAS EXPECTATIVAS FUTURAS CON UN MODELO ESTIMADO PROCEDIMIENTOS  AUTOREG  ARIMA  ESM  AUTOREG  ARIMA  ESM

APLICACION AMPUTAR,EXPLORAR Y ANALIZAR DATOS DE SERIES DE TIEMPO UNIVARIANTES  SELECCIÓN DE MODELO AUTOMATICO  SELECCIÓN DEL MODELO QUE MEJOR SE AJUSTE  FUNCIONES DE DIAGNOSTICO  HERRAMIENTAS DE MODELADO  SELECCIÓN DE MODELO AUTOMATICO  SELECCIÓN DEL MODELO QUE MEJOR SE AJUSTE  FUNCIONES DE DIAGNOSTICO  HERRAMIENTAS DE MODELADO

CONVERTIR DATOS ESPACIADOS IRREGULARMENTE  EXPAND  X11  X12  EXPAND  X11  X12 PROCEDIMIENTOS CONVERTIR DATOS DE SERIES DE TIEMPO DE UNA FRECUENCIA A OTRA INTERPOLAR VALORES PERDIDOS

 COMPARAR PRESTAMOS  ANALIZAR PRESTAMOS DE TASA FIJA Y VARIABLE  REALIZAR CALCULOS E INFORMES FINANCIEROS  COMPARAR PRESTAMOS  ANALIZAR PRESTAMOS DE TASA FIJA Y VARIABLE  REALIZAR CALCULOS E INFORMES FINANCIEROS  LOAN  COMPUTAB  LOAN  COMPUTAB PROCEDIMIENTOS

MODELIZACION (BOX-JENKINS) MODELIZACION (BOX-JENKINS)  AUTOCORRELACION PARCIAL  AUTOCORRELACION INVERSA  AUTOCORRELACION CRUZADA  AUTOCORRELACION PARCIAL  AUTOCORRELACION INVERSA  AUTOCORRELACION CRUZADA  MINIMOS CUADRADOS CONDICIONALES  MINIMOS CUADRADOS INCONDICIONALES  MAXIMO VEROSIMILITUD  MINIMOS CUADRADOS CONDICIONALES  MINIMOS CUADRADOS INCONDICIONALES  MAXIMO VEROSIMILITUD DIAGNOSTICO E IDENTIFICACION DEL MODELO PROC ARIMA DIAGNOSTICO E IDENTIFICACION DEL MODELO PROC ARIMA AR(P) MA(Q) ARMA(P,Q) AR(P) MA(Q) ARMA(P,Q)

ESTIMAR Y PREDECIR MODELOS DE REGRESION LINEAL CON ERRORES AUTORREGRESIVOS  PROBAR HIPOTESIS LINEALES  MODELOS DE ESTIMACION  PRUEBA DE HETEROSCCEDASTICIDAD  PROBAR HIPOTESIS LINEALES  MODELOS DE ESTIMACION  PRUEBA DE HETEROSCCEDASTICIDAD PREDICCION AUTOMATICA PROC FORECAST PREDICCION AUTOMATICA PROC FORECAST  SUAVIZADO EXPONENCIAL  METODO HOLT-WINTERS  SUAVIZADO EXPONENCIAL  METODO HOLT-WINTERS CUANDO HAY MUCHAS SERIES A PRONOSTICAR SIN TENER QUE DESARROLLAR UN MODELO PARA CADA SERIE CUANDO HAY MUCHAS SERIES A PRONOSTICAR SIN TENER QUE DESARROLLAR UN MODELO PARA CADA SERIE TENDENCIA

LOS MODELOS PUEDEN SER ALMACENADOS EN ARCHIVOS  ESTIMACION DE PARAMETROS  SIMULACION  PREDICCION  ESTIMACION DE PARAMETROS  SIMULACION  PREDICCION

En enero de 1983, el gobierno británico aprobó una ley de cinturón de seguridad obligatoria con el fin de reducir el número de víctimas en accidentes de carretera. Las leyes del cinturón de seguridad son a menudo controvertidas. Los opositores a veces afirman que no reducen significativamente el número de víctimas. Un análisis gráfico de los valores pronosticados y los límites de confianza del 95% superior e inferior de un modelo de intervención nos da información valiosa sobre el impacto de la legislación. La variable LESIONES, contiene el número de muertes y lesiones graves a los conductores de automóviles en las carreteras en Gran Bretaña, desde enero de 1980 a diciembre de En enero de 1983, una ley de cinturón de seguridad obligatoria entró en vigor. La variable LEYDELCINTURON toma el valor 0 antes del 1 de enero de 1983 y un valor de 1 a partir de entonces.

jan dec