Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo Dos
Capitulo Dos
CAPITULO II
el análisis discriminante.
2.1.1 Definiciones
encuentran:
Matriz de datos
de:
x (11) x (1p)
x ( x (ij))
x (ij)
x ( n1) x ( np)
de dimensión nxp que también puede expresarse como
x (1)
x x(1) x(p)
x (n )
80
se define por:
n
x ( j) 1 / n x(ij)
i 1
n
s(ij) 1/n (x(ij) - x ( j))
i 1
2
define por:
:
n
s(ij) 1/n (x(ij) - x ( j))
i 1
2
s(11) s(1p)
y se define la covarianza entre la j - ésima
S
y la k - ésima variable por : s( jk )
n
s( jk ) 1/n (x(ij) - x ( j))( x (ik ) x (k )) s( p1) s( pp)
i 1
j, k 1,......., p
la matriz formada por el arreglo de
los s(jk) y los s(jj) será la matriz de varianzas y covarianzas
81
Matriz de Correlación R
k-ésima variable.
s( jk ) s( jk )
r ( jk )
s(ij)s( kk ) s( j)s( k )
1 r (1p)
1
R
1
r ( p1) r ( pk ) 1
dispersión.
nuestros días.
principales son:
......... p .
de donde obtenemos
85
y covarianzas como,
a ]= 1
87
representa como,
k = 1,2,................., p-1
i k .
para i k
= 1 + 2+.......................................+ p
....... i 1,2,.....p
i
1 2 p
para valores grandes de p , puede ser explicada por una, dos o tres
e
Yi , x k
ik ii
kk
i, k 1,2......p
90
Y2,.......de una variable Y, en los momentos t1, t2, .........tn . Así Y es una
2.2.1.1Clasificación de Movimientos
Series Plot
500
400
V
A 300
R( 200
1)
100
0
0 100 200 300 400 500
Case
Series Plot
400000
300000
VA 200000
R( 100000
1) 0
-100000
-200000
-300000
0 20 40 60 80
Case
Series Plot
200000
100000
V
A
R( 0
1)
-100000
-200000
0 10 20 30 40 50 60 70
Case
2.5
Series
4000
Plot
00
3000
00
V 2000
A 00
R(
1) 1000
00
0
0 1 2 3 4 5 6 7
0 0 0Cas0 0 0 0
e
componentes básicos.
Y = TCSI ( 1)
factores
posibles
de medias aritméticas.
N N N
96
orden N.
X̂ i 1 X i
donde
X i X i 1 X i 2 .......X i n 1
Xi
n
En estas ecuaciones :
i número del último o más reciente término.
Xˆ i1 estimación del siguiente término.
Xi valor del promedio móvil.
n número del términos del promedio móvil.
y 3 años.
aditiva:
98
componentes . Más precisamente notemos X t*, Zt*, St*, ut* las t ésimas
como f es lineal ; nosotros tenemos: X *t = Z*t+ S*t+ u*t ; por otra parte,
componentes.
99
m1 X t m m .......... ... m
*
X t 1 1 1 X t - m1 1 2 X t m2
m2
X
*
X t
i -m1
i t i
donde m1, m 2 y - m1
,......., m .
2
m2
X * MX [ j Bi ] X
i -m1
100
Definición
m2
M B
i m1
i
i
101
Notando aFcaracteriz
El polinomio el operador
a laavanzado definido
media centrada M.por B yen efecto el
SeFconoce
-1
de
orden el polinomio tal que
esta media, :
ya que 2m 1 d 0 1 y evidenteme nte sus
coeficientes, iguales a los del polinomio .
(X) -m
-m 1 X .......... .... m X 2 m
se tiene :
M Bm (F)
de procedimientos de desestacionalización .
102
formas :
momentos ).
Cov( Y t, Ys ) E[( Y t )( Ys
t s)] t ,s
104
momentos.
varía.
o en media si :
106
t : E [ Yt ] =
períodos.
t : E[(Y ) ( Y t )]
tk k
Y ]
Cov [Yt k, t k
Cov[Y Y ]
t k , t k
Para Cov [Y Y ] t 0, t
0
Var [Y ]
0 t
sea ergódico.
lim
k
k
0
cero.
108
serán consistentes.
Ruido blanco.
Y t t
donde
1.E[
]0
t
]
2 2
2.E[
t
3.E[
, ] 0
t1 t2
(L) Yt = t.
( 1 ....... )
2 2 2 2
0 1 2 q
- ......
1 1 q q
si 1,......q
1 .........
2
1
2
q
0 si q
110
- .................- qt-q
Wt = d Yt.
=1–L
wt = ( 1 – L ) d Yt
(L )(1 – L )d Yt = ( L ) t .
constante ).
rechazados.
la estimación.
113
( Determinación de p y q ).
identificar el proceso.
autocorrelación muestral.
FACE
N
W t W W t W
t 1
N 2
W
t
W
t 1
tamaño t - .
115
para 1,2,3............. constituye el correlograma estimado que es una forma
gráfica de la FACE.
autocorrelación teórica ) .
para i = 1,2,...........p.
116
1
1 1 p1 1
1
1 1 1
p 1
p1 p
Ahora bien cuando se trabaja con series reales se desconoce p. Si el
AR(1) 11
constituyen la FACPT.
11
1 11
1
1
21 1 1
1 2 22
1
22
31 1 1
1 2
1 33
32 1 1
1
33 2 1
118
Y Y
t 11 t 1
Y 21Y t 1 22Y t 2
t
Y Y .........
k 2Y t 2 kk Y t k
t t 1
.
k1
cero.
varianza 1.
Modelos AR(p)
o alternado .
Modelos MA(q)
AR(p).
anularse.
de cero.
modelo ARMA (p, q-1 ) . Esto quiere decir , que queremos examinar
ruido blanco ).
q ) si âp / ( Vâp ) ½
< 1.96; de lo contrario se acepta la
ˆ (B)
e t
X
ˆ (B) t
varianza 2 y gausianos.
de s t .
k
Q N ˆ h e
h 1
123
0
( B) do Z t 0 ( B) B t
( B) d Bt (B) t
´
a plantear un modelo :
( B ) ( B ) do d Z
´
t 0
( B ) ( B ) t
0
serie .
modelos alternativos .
disponibles :
La estimación ˆ 1 o ˆ 2 de la varianza.
126
2 ˆ 2
R 1-
V
veces .
R 2
1-
2
/( N p q )
V / N 1
4. El estadístico de Fisher :
F
(V ˆ) / pq
2
ˆ /( N p q )
2
127
se supone que:
0 son conocidos .
~
Y
(T l)/T l j T J l 1 t 1 l 2 T 2
j 0
2
...... 2
l 1
128
129
130
.
131