6. Modelos VAR.

6.1. Introducción.

Los modelos que hemos considerado hasta aquí son uniecuacionales: en ellos una variable
y es explicada por una o varias variables explicativas x o por su historia pasada, los valores
de y t-k , k = 1, 2, …, p, o por shocks aleatorios ε t o por una combinación de estas variables.
Es decir, hemos considerado modelos de regresión, modelos de series cronológicas del tipo
ARMA o ARIMA o una combinación de modelos cuyo propósito fue explicar siempre el
comportamiento de una única variable y en función de un conjunto de variables que
podemos denominar sintéticamente como regresores. La variable explicada se suele
denominar dependiente y a los regresores se los denomina variables independientes del
modelo.

Pero estas especificaciones no consideran que una variable puede influir sobre otra y esta a
su vez influir sobre aquella, es decir no toma en cuenta el feedback o influencia recíproca
entre las variables. Por ejemplo, puede suponerse que el nivel del producto afecta a la
inversión y que esta a su vez afecte el nivel de aquel. Si se incorporan estos efectos en el
modelo o sea si se permite que haya influencias simétricas entre las variables y que estas
influencias puedan extenderse a los valores presentes y pasados de aquellas los modelos
son multiecuacionales y se denominan de análisis VAR. Esta abreviatura quiere denotar a
un proceso vectorial autoregresivo. Un ejemplo de proceso vectorial autoregresivo de
primer orden (porque el rezago máximo entre las variables es uno) con dos variables es:

yt  b10  b12 zt   11 yt 1   12 zt 1   yt
zt  b20  b21 yt   21 yt 1   22 zt 1   zt

Se supone que las dos sucesiones { yt } y {z t }son estacionarias y que los términos de
perturbación  yt y  zt son dos procesos de ruido blanco incorrelacionados entre sí cuyos
desvíos estándares respectivos son:   ( y ) y   ( z ) .
Si z t varía en una unidad yt lo hace en - b12 unidades, es el efecto contemporáneo de z t
sobre yt y análogamente – b21 es el efecto contemporáneo de un cambio unitario de yt sobre
z t. En términos de nuestro ejemplo sobre el producto y la inversión el modelo supone que
los valores actuales y pasados del producto influyen sobre el nivel de inversión y
recíprocamente los niveles de esta influyen sobre los valores de aquel. También influyen
los valores pasados, en este caso restringidos al período anterior.

Este sistema de ecuaciones se denomina primitivo o estructural y puesto que supone efectos
contemporáneos entre las variables no puede ser estimado bajo esa forma, es necesario
transformarlo. La transformación se efectúa de manera sencilla si se emplea notación
matricial tal como lo hacen prácticamente todos los textos. En particular aquí hemos
seguido en gran medida el desarrollo de W. Enders, Applied Econometric Time Series,
Wiley, 1995.

El sistema anterior puede escribirse:

 1 b12   yt   b10    11  12   yt 1   yt 
b       
 21 1   zt  b20   21  22   zt 1    zt 

 1 b12  y  b     y   
Si se hace: B    xt   t  C0   10  C1   11 12  xt 1   t 1   t   yt 
b21 1   zt  b20   21  22   zt 1   zt 

Resulta la ecuación: B xt  C0  C1 xt 1   t y premultiplicando por B -1 se tiene:

xt  B 1C0  B 1C1 xt 1  B 1 t que puede escribirse: xt  A0  A1 xt 1  et donde:

a  a a12  e 
A0  B 1C0   10  A1  B 1C1   11 et  B 1 t   1t 
 a20   a21 a22  e2t 
Esta nueva notación permite escribir el sistema como:

yt  a10  a11 yt 1  a12 zt 1  e1t

zt  a20  a21 yt 1  a22 zt 1  e2 t

Bajo esta forma el sistema se denomina reducido o estándar.

Se comprueba fácilmente que E ( e t ) = 0 ya que

e   yt  b12 zt  0
E (et )  E  1t   E ( B 1 t )  E   / (1  b12b21 )   
 e1t   zt  b21 yt  0

Además la matriz de varianzas y covarianzas de e t es :

 yt  b12 zt 
E[et et ´]  E[ B 1 t ( B 1 t )´]  E 
  b    yt  b12 zt  zt  b21 yt  / (1  b12b21 ) 2
 zt 21 yt 

 Var (e1t ) Cov (e1t , e2t )    12  12 

Cov(e , e ) =  
 1t 2t Var (e2t )   21  22 

  y2  b122  z2 (b21 y2  b12 z2 ) 

 / (1  b12b21 )
2
=
 (b  2

 21 y 12 z b  2
)  2
z  b 2

21 y
2


Esto significa que e1 t y e2 t están correlacionados.

Por otra parte:

 yt  b12 zt 
E[et et i ´]  E[ B 1 t ( B 1 t i )´]  E    yt i  b12 zt i  zt i  b21 yt i  / (1  b12b21 ) 2
 zt  b21 yt 

0 0 
=  
0 0 

Esto significa que Cov(e1t , e1t i )  E[e1t e1t i ]  0 .Análogamente: Cov(e2t , e2t i )  0 .

En síntesis, ni la media, ni las varianzas ni las covarianzas dependen del tiempo, el proceso
es estacionario.

6.2. Estabilidad del VAR.

En este punto se pretende contestar la pregunta ¿cuáles son las condiciones que garantizan
que el modelo VAR xt  A0  A1 xt 1  et sea estable, es decir, converja?.

Como xt 1  A0  A1 xt  2  et 1 se puede escribir: xt  A0  A1 ( A0  A1 xt 2  et 1 )  et , o bien:

xt  ( I  A1 ) A0  A12 xt  2  A1et 1  et .

Si ahora se reemplaza xt-2 por A0  A1 xt 3  et  2 resulta:

xt  ( I  A1 ) A0  A12 ( A0  A1 xt 3  et 2 )  A1et 1  et
o bien ordenando los términos:

xt  ( I  A1  A12 ) A0  A13 xt 3  A12 et  2  A1et 1  et .

Si se efectúan n iteraciones se tendrá:

n
xt  ( I  A1  A12  ....  A1n ) A0   A1i et i  A1n 1 xt n 1
i0

n
Para que esta expresión tenga sentido A1 debe anularse para n suficientemente grande. Esto
sucede si las raíces características de A1 son menores que la unidad en valor absoluto. Una
breve revisión de los conceptos relacionados con las raíces características de una matriz se
puede encontrar en el Apéndice a este capítulo.

6.3.Un ejemplo del VAR.

Con el VAR

yt  a10  a11 yt 1  a12 zt 1  e1t

zt  a20  a21 yt 1  a22 zt 1  e2 t
donde a10 = a 20 = 0; a11 = a 22 = 0,75 y a12 = a 21 = 0,15 y donde e1t y e 2t son dos
sucesiones independientes de ruido blanco normal con varianza unitaria, se generaron 100
observaciones empleando el programa de cómputo Excel 2003.

Las ecuaciones son:

yt  0, 75 yt 1  0,15 zt 1  e1t
zt  0,15 yt 1  0, 75 zt 1  e2t

Estas observaciones fueron construidas de la siguiente manera: las dos primeras columnas
corresponden a las sucesiones e1t y e 2t y fueron denotadas mediante alea1 y alea2
respectivamente. Los valores se obtuvieron utilizando la siguiente sucesión de comandos:
Datos, Análisis de Datos, Generación de números aleatorios, Número de variables 2,
Número de observaciones 100, Normal, Media 0, Desvío Estándar 1.

Conviene indicar que si se utiliza el Excel 2007 Análisis de datos se halla en Datos, si se
utiliza el Excel 2003 se halla en Herramientas. Análisis de Datos puede ser cargado en el
Excel 2003 abriendo Herramientas Complementos y colocando un tilde en Herramientas
para Análisis. En el Excel 2007 se carga a partir de Botón de Office Opciones
Complementos Herramientas para Análisis Ir y luego colocando un tilde en Herramientas
para análisis.

Las columnas correspondientes a y y a z se llenaron de la siguiente manera: en C2 y D2 se

colocaron ceros. En C3 se escribió: =0,75*C2+0,15*D2+A3 < Enter>. En D3 se escribió:
=0,75*D2+0,15*C2+B3 < Enter>. Luego, se arrastraron las celdas hacia abajo con el
mouse. Las series fueron guardadas como planilla de Microsoft Excel 2003 y los primeros
datos se presentan a continuación.

alea1 alea2 y z

0 0

-0,30023216 -1,27768317 -0,30023216 -1,27768317

0,24425731 1,27647354 -0,17256929 0,27317634

1,19835022 1,7331331 1,1098997 1,91212997

-2,18358764 -0,23418124 -1,06434337 1,36640119

1,09502253 -1,08670065 0,50172518 -0,22155126

-0,69020416 -1,69043233 -0,34714297 -1,781337

El segundo paso consistió en importar desde el Eviews los datos generados en el Excel.
Esto se efectuó mediante los procedimientos corrientes: 1) se abrió un Workfile con 100
observaciones 2) Luego: File Import Read Text-Lotus- Excel y hacer click sobre el nombre
de archivo con que fue guardado en el Excel 3) Se abrió el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especificó que las series se
disponían en columnas, se indicó el rango de observaciones y se señaló en qué celda
comenzaban los datos, en este caso C2.

Una vez que los datos fueron importados se graficaron y los recorridos de las series se
presentan a continuación. El gráfico sugiere que los procesos son estables en consonancia
con los autovalores de la matriz A1 que son menores que uno en valor absoluto.

En efecto:

a a12  0, 75 0,15

A 1   11 
 a21 a22  0, 75 0,15

Los autovalores son:  1  0, 6 y  2  0,9 .

 6

-2

-4

-6
10 20 30 40 50 60 70 80 90 100

Y Z

6.4. Identificación y estimación de los modelos VAR.

El modelo VAR en su versión original o estructural:

yt  b10  b12 zt   11 yt 1   12 zt 1   yt
zt  b20  b21 yt   21 yt 1   22 zt 1   zt
no puede ser estimado directamente porque las variables tienen relaciones contemporáneas
y los procesos de error están correlacionados con esas variables; como z t explica a y t y

ε z forma parte de z t entonces el proceso de error ε z está relacionado contemporáneamente

con y t . Otro tanto ocurre entre ε y y z t . En cambio, puede ser estimada la versión estándar
o reducida del VAR :

yt  a10  a11 yt 1  a12 zt 1  e1t

zt  a20  a21 yt 1  a22 zt 1  e2t

Sin embargo, el modelo reducido presenta una limitación importante: permite estimar
nueve parámetros, los valores de los seis coeficientes a ij , las dos varianzas de los residuos
de las regresiones y la covarianza entre e1t y e2t . Esto es insuficiente para identificar el
modelo original ya que este contiene diez parámetros, cuatro b ij, cuatro γij, la varianza de ε y
y la varianza de εz . Esto hace que el modelo estructural se halle subidentificado.

Para que el modelo original pueda ser identificado plenamente debe incorporarse una
restricción, si se incorporara más de una restricción el VAR original estaría
sobreidentificado. Una restricción bastante frecuente es que b 21 es igual a cero en el sistema
original lo que implica que yt no tiene efecto contemporáneo sobre zt .

Sin embargo esta restricción o las que se desee formular deben estar fundadas en motivos
económicos para que el sistema no sea desnaturalizado.

Por ejemplo, si se suprime b 21 en el sistema primitivo (debido a que las características

económicas del modelo así lo requieren) entonces el sistema reducido queda:

yt  a10  a11 yt 1  a12 zt 1  e1t

zt  a20  a21 yt 1  a22 zt 1  e2t

donde: a10  b10  b12b20 , a11   11  b12 21 , a12   12  b12 22 , a20  b20 , a21   21 , a22   22
Estos resultados se obtienen reemplazando por 0 el valor de b 21 en la matriz B. Entonces B
1 b12 
queda: 0 1  .
 

A fin de mostrar el procedimiento de estimación con el Eviews se construyeron 100

observaciones con el Excel 2003. El sistema propuesto fue:

yt  2  0, 75 yt 1  0,15 zt 1  e1t
zt  1  0,15 yt 1  0, 75 zt 1  e2t

donde e1t y e 2t son dos sucesiones independientes de ruido blanco normal con varianza
unitaria

En primer término se generaron 100 números aleatorios ubicados en las columnas A y B

que fueron denotados como alea 1 y alea 2. Con el cursor colocado en A3 los comandos
fueron: Herramientas, Análisis de Datos, Generación de números aleatorios, Número de
variables 2, Número de observaciones 100, Distribución Normal, Iniciar con 1234, Media
0, Desvío Estándar 1.

Las columnas correspondientes a y y a z se llenaron de la siguiente manera: en C2 y D2 se

colocaron ceros. En C3 se escribió: =2+0,75*C2+0,15*D2+A3 < Enter>. En D3 se
escribió: =1+0,75*D2+0,15*C2+B3 < Enter>. Luego, se arrastraron las celdas hacia abajo
con el mouse. Las series fueron guardadas como planilla de Microsoft Excel 2003 y los
primeros datos se presentan a continuación.

alea1 alea2 y z

0 0

-1,15449211 -2,48375727 0,84550789 -1,48375727

-0,28076101 -0,62105755 2,13080631 -0,60704932

0,53488293 -0,72081548 4,04193026 0,14351848

 -0,0849775 0,66804432 4,96799797 2,38197272

-1,15628154 -0,2377999 4,92701284 3,29387934

0,27591113 0,04089998 6,46525267 4,25036141

0,69341013 -1,16724777 8,17990384 3,99031118

-0,37302698 -0,21292522 8,36044758 5,00679375

El segundo paso consistió en importar desde el Eviews los datos generados en el Excel.
Esto se efectuó mediante los procedimientos corrientes: 1) se abrió un Workfile con 100
observaciones 2) Luego: File Import Read Text-Lotus- Excel y hacer click sobre el nombre
de archivo con que fue guardado en el Excel 3) Se abrió el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especificó que las series se
disponían en columnas, se indicó el rango de observaciones y se señaló en qué celda
comenzaban los datos, en este caso C2.

El gráfico de las series se presenta a continuación. Se aprecia que aparentan ser

estacionarias aproximadamente a partir de la vigésimo quinta observación y que presentan
un recorrido bastante similar. Los autovalores de la matriz A1 que fueron calculados en el
ejemplo anterior son menores que uno en valor absoluto ya que  1  0, 6 y  2  0,9 .

20

16

12

-4
10 20 30 40 50 60 70 80 90 100

Y Z
La estimación de las variables y y z puede hacerse mediante los métodos de mínimos
cuadrados ordinarios aplicándolos a cada una de las regresiones. En los dos casos: en el de
la regresión de y como en el de la regresión de z, las variables explicativas son comunes a
las dos regresiones y son y t-1 y z t-1 . En ambos casos se incorporaron constantes.

Coefficie
nt Std. Error t-Statistic Prob.  

C 1.771732 0.365944 4.841541 0.0000

Y(-1) 0.731419 0.056800 12.87704 0.0000
Z(-1) 0.199592 0.060836 3.280801 0.0014

R-squared 0.937880     Mean dependent var 14.97679

Adjusted R-squared 0.936585     S.D. dependent var 3.643462
S.E. of regression 0.917506     Akaike info criterion 2.695519
Sum squared resid 80.81445     Schwarz criterion 2.774159
-
Log likelihood 130.4282     Hannan-Quinn criter. 2.727337
F-statistic 724.6927     Durbin-Watson stat 2.026559
Prob(F-statistic) 0.000000

Se puede apreciar que los resultados de la estimación son muy parecidos a los propuestos
en el modelo.
En el caso de z los resultados fueron:

Coefficie
nt Std. Error t-Statistic Prob.  

C 1.078462 0.394807 2.731621 0.0075

Z(-1) 0.763619 0.065635 11.63440 0.0000
Y(-1) 0.126875 0.061280 2.070407 0.0411

R-squared 0.916180     Mean dependent var 12.03213

Adjusted R-squared 0.914434     S.D. dependent var 3.383988
S.E. of regression 0.989872     Akaike info criterion 2.847352
Sum squared resid 94.06527     Schwarz criterion 2.925992
-
Log likelihood 137.9439     Hannan-Quinn criter. 2.879170
F-statistic 524.6585     Durbin-Watson stat 1.794535
Prob(F-statistic) 0.000000

También estos resultados son muy similares a los propuestos en el modelo con el que se
generaron las observaciones. El correlograma de los residuos en ambas regresiones mostró
que estos eran ruido blanco; se omiten por razones de brevedad.

El modelo estimado, redondeando en dos decimales los coeficientes fue:

 yt  1, 77  0, 73 yt 1  0, 20 zt 1  e1t
zt  1, 07  0,13 yt 1  0, 76 zt 1  e2t

Para determinar los coeficientes del sistema estructural hay que utilizar estas estimaciones,
las varianzas de cada una de las series de residuos y la covarianza entre ellas y sustituir los
valores hallados en las relaciones especificadas más arriba entre los coeficientes del modelo
reducido y los del modelo estructural.

La matriz de varianzas y covarianzas de los residuos donde RESI03 denota a e1t y RESI04
a e2t es:

RESI03 RESI04
RESI03  0.816308  0.042116
RESI04  0.042116  0.950154

Como Var (e2 )   z entonces  z  0,95 . Además: Cov(e1 , e2 ) = (b21 y  b12 z ) y como
2 2 2 2

b21  0 se tiene que Cov(e1 , e2 ) = - b12 z2 ; esto significa que b12  - 0,042 / 0,95 = -0,044.

Además: b20  a20  1, 07,  21  a21  0,13,  22  a22  0, 76 .

De a10  b10  b12b20 , se tiene que 1,77 = b10  (0, 044) *1, 07 es decir: b10  1, 723 .

También de a11   11  b12 21 se puede deducir que: γ11 = 0,724 y de a12   12  b12 22 y que
γ12 = 0,167.

El modelo estructural con la restricción b21  0 puede escribirse entonces como:

 yt  1, 723  0, 044 zt  0, 724 yt 1  0,167 zt 1   yt
zt  1, 07  0 yt  0,13 yt 1  0, 76 zt 1   zt

De esta forma se pueden apreciar en forma más nítida las interrelaciones del proceso y
conocer las influencias contemporáneas entre las variables. Por ejemplo, en la forma
reducida el coeficiente de z t-1 es 0,20 y en el modelo estructural ese coeficiente se escinde
en 0,167 que le corresponde a z t-1 y 0,044 que le corresponde a z t.

Si el modelo no hubiera sido presentado en su versión estructural la influencia

contemporánea de z t sobre y t no habría sido reconocida.

Cabe señalar que la estimación del modelo se podía haber efectuado directamente con el
Eviews. A partir de la planilla que incluye la serie de datos agrupada de y y z haciendo
click en Proc Make Vector Autoregression Unrestricted Var se obtienen los resultados con
dos lags. Sin embargo el programa no permitió reducir el número de lags a uno aun cuando
los parámetros correspondientes a los rezagos de orden dos no eran significativamente
distintos de cero. Debido a esta limitación las regresiones individuales que hemos
presentado anteriormente permiten mayor flexibilidad y son preferibles a los modelos VAR
suministrados por el programa.

Estos resultados se presentan a continuación y excepto que no fue posible reducir el

número de lags a uno, los mismos son comparables a los obtenidos anteriormente.

 Vector Autoregression Estimates

 Date: 12/02/09 Time: 16:14
 Sample (adjusted): 3 100
 Included observations: 98 after adjustments
 Standard errors in ( ) & t-statistics in [ ]

Y Z

Y(-1)  0.714502  0.159786

  (0.10399)  (0.11094)
[ 6.87095] [ 1.44032]

Y(-2)  0.029979  0.005174

 (0.09560)  (0.10198)
[ 0.31361] [ 0.05073]

Z(-1)  0.219324  0.862020

 (0.09623)  (0.10266)
[ 2.27927] [ 8.39717]

Z(-2) -0.032925 -0.139242

 (0.09783)  (0.10437)
[-0.33654] [-1.33410]

C  1.734775  0.987561
 (0.42611)  (0.45458)
[ 4.07122] [ 2.17246]

 R-squared  0.928897  0.904474

 Adj. R-squared  0.925838  0.900365
 Sum sq. resids  80.64761  91.78659
 S.E. equation  0.931224  0.993455
 F-statistic  303.7382  220.1396
 Log likelihood -129.5069 -135.8464
 Akaike AIC  2.745040  2.874417
 Schwarz SC  2.876926  3.006303
 Mean dependent  15.10787  12.16111
 S.D. dependent  3.419515  3.147337

 Determinant resid covariance (dof

adj.)  0.854188
 Determinant resid covariance  0.769249
 Log likelihood -265.2573
 Akaike information criterion  5.617496
 Schwarz criterion  5.881268

El VAR de primer orden que hemos considerado puede ser extendido tanto aumentando el
número de ecuaciones en consonancia con la cantidad de variables que se desee analizar
como incrementando el orden de los procesos autorregresivos que se consideren.

Por ejemplo, un VAR bivariado con dos rezagos, es decir de orden dos puede ser escrito:

yt  b10  b12 zt   11 yt 1   12 yt 2   13 zt 1   14 zt  2   yt
zt  b20  b21 yt   21 yt 1   22 yt 2   23 zt 1   24 zt 2   zt

Mediante transformaciones similares a las presentadas anteriormentre puede ser escrito en

forma reducida como:

yt  a10  a11 yt 1  a12 yt  2  a13 zt 1  a14 zt  2  e1t

zt  a20  a21 yt 1  a22 yt  2  a23 zt 1  a24 zt 2  e2t
Este modelo es el que estima por defecto el Eviews en Proc Make Vector Autoregression
Unrestricted Var.

También puede ser representado un VAR con n ecuaciones donde cada ecuación contiene n
variables con p rezagos cada una. Por ejemplo, en su versión reducida se puede escribir:

 x1t   A10   A11 ( L) A12 ( L) .. A1n ( L)   x1t 1   e1t 

 x   A   A ( L) A22 ( L) .. A2 n ( L)   x2t 1   e2t 
 2t    20   21 
 ..   ..   .... .... .... ....   ..   .. 
       
 xnt   An 0   An1 ( L) An 2 ( L) .... Ann ( L)   xnt 1   ent 

Donde Ai 0 denota a los términos constantes de la ecuación, Aij ( L) es el polinomio de orden

p en el operador de rezagos L y eit denota a los términos de perturbación. Los elementos de
las matrices Aij ( L) pueden denotarse como aij (k ) k  1, 2,..., p .

Para determinar el orden de los rezagos se pueden emplear la razón de verosimilitud, o los
criterios de Akaike o Schwarz considerando que en un VAR con n ecuaciones y p rezagos
el número total de parámetros estimados es N = n2 * p + n, donde n2 * p son los parámetros
que se estiman en la matriz que incluyen los rezagos y el último sumando corresponde a las
n constantes del modelo.

6.5. El modelo VMA. Función de respuesta a impulsos.

Un modelo vectorial autoregresivo también puede tener una representación bajo la forma de
promedios móviles en cuyo caso se denomina proceso vectorial de medias móviles y se
denota mediante VMA. En este modelo y t y z t son influenciadas por los valores presentes
y pasados de shocks aleatorios. Generaremos un VMA a partir de un VAR.
El VAR de orden uno en su versión reducida puede ser escrito:

yt  a10  a11 yt 1  a12 zt 1  e1 t

zt  a20  a21 yt 1  a22 zt 1  e2t

Si ambas ecuaciones son expresadas utilizando el operador de rezagos resulta:

(1  a11 L) yt  a10  a12 Lzt  e1 t

(1  a22 L ) zt  a20  a21 Lyt  e2t

Si en la ecuación de abajo se despeja z t se sustituye este valor en la primer ecuación y

luego se despeja y t queda:

a10 (1  a22 )  a12 a20  (1  a22 L)e1t  a12e2t 1

yt 
(1  a11 L)(1  a22 L)  a12 a21L2

De manera similar se puede hallar z t :

a20 (1  a11 )  a21a10  (1  a11 L)e2t  a21e1t 1

zt 
(1  a11 L)(1  a22 L)  a12 a21L2

Si se consideran valores medios de y t y z t se tiene:

a10 (1  a22 )  a12 a20 a20 (1  a11 )  a21a10

yt  zt 
(1  a11 )(1  a22 )  a12 a21 (1  a11 )(1  a22 )  a12 a21
Considerando el resultado hallado en el punto 6.2. Estabilidad del VAR donde este se
expresaba como un modelo de medias móviles:

n
xt  ( I  A1  A12  ....  A1n ) A0   A1i et i  A1n 1 xt n 1
i 0

Se puede escribir como solución particular:

 yt   yt   i
 z    z    A1et i
 t   t  i0

Si los et se expresan en función de los εt y recordando que: et = B-1 εt la ecuación anterior se

puede escribir:

 yt   yt   i 1
 z    z    A1 B  t i
 t   t  i0

 yt   yt  
 resulta:        i t i .
i 1
Y haciendo i  A1 B
 zt   zt  i  0

Esta es la representación MA del VAR, es decir, la representación VMA.

El primer término de  i t i  A1 B  t i se expone a continuación.

i 1

1  1 b12   yt  1   yt  b12 zt 
 0 t  A10 B 1 t  B 1 t    
1  b12b21  b21 1   zt  1  b12b21  b21 yt   yt 
Se puede apreciar que el coeficiente - b12 / (1  b12b21 ) indica el impacto instantáneo que  zt
tiene sobre yt , en tanto que - b21 / (1  b12b21 ) indica el impacto instantáneo que  yt tiene
sobre zt . Otro tanto ocurre con los elementos que resultan del producto de la matriz 1 por
el vector  t 1 y así siguiendo. Por este motivo a los elementos de la matriz  i se los
denomina multiplicadores de impacto. Si se suman los elementos apropiados de la matriz  i
se obtiene el efecto acumulado que los términos de perturbación, los  zt y los  yt en cada
caso, ejercen sobre las variables yt y zt , respectivamente.

Si se hace:

 
 (i ) 12 (i )   yt i 
 
i 0
i t i    11
i  0 21 (i ) 22 (i)   zt i 

n
Se aprecia que 12 (i ) representa el efecto de los  zt sobre yt y por lo tanto 
i 0
12 (i )

representa el efecto acumulado sobre yt , es el multiplicador de largo plazo. Análogamente

n
 21 (i) representa el efecto de los  yt sobre yt y también 
i 0
21 (i ) representa el efecto

acumulado sobre zt .

Cada uno de los cuatro coeficientes  jk (i ) van tomando valores a medida que varía i, el
rezago de la perturbación; son considerados como funciones de i y cada uno de esas
funciones se denomina función de respuesta a impulsos. El gráfico de cada una de estas
funciones  jk (i ) contra i permite apreciar cómo varía la sucesión yt o zt según el caso, en
respuesta a los distintos shocks que impactan en las series.

Sin embargo, como se ha visto en el punto 6.4. Identificación y estimación de los modelos
VAR el sistema primitivo se halla subidentificado, de manera que es necesario imponer
alguna restricción para identificar las respuestas a los impulsos. Esta restricción (si es que
posee sentido económico) puede ser que b21  0 , lo que significa que yt no tiene efecto
contemporáneo sobre zt .

 e1t  1 b12   yt 
En este caso los términos de error resultan:      .
 e2t   0 1   zt 

Esto significa que: e1t   yt  b12 zt y que e2t   zt . Si uno conoce la sucesión {e2t } conoce la
sucesión { zt } y con el auxilio de la varianzas de e1t y de e2t y de la covarianza entre las dos
sucesiones, {e1t } y {e2t } , se puede hallar el valor de b12 y se pueden obtener las varianzas de
la sucesión { yt } , ya que: Var (e1t )   y  b12 z , Var (e 2t )   z y Cov(e1t , e2t )  b12 z .
2 2 2 2 2

Con relación a las restricciones se puede consultar a la obra ya citada de W. Enders,

Applied Econometric Time Series, Wiley, 1995.

6.6. Los modelos VARMA.

El modelo VAR ( p) en su versión reducida puede ser escrito:

xt  A0  A1 xt 1  .....  Ap xt  p  vt

Donde: yt  [ y1t y2t ....... ynt ] A0  [a10 a20 .......an 0 ] y donde las A i son matrices
de coeficientes similares a las que se han considerado hasta aquí.
Si se supone que el proceso de error v t en lugar de ser ruido blanco está autocorrelacionado
y que la estructura de correlación posee una representación MA:

vt  et  M 1et 1  ......  M q et  q

donde et  [e1t e2t ........ent ] es ruido blanco y M i son matrices de coeficientes, entonces el
proceso se denomina proceso vectorial autoregresivo y de medias móviles (a veces también
proceso vectorial mixto) y se denota mediante la sigla VARMA. Estos procesos exceden
los límites de este trabajo y no serán considerados en lo que sigue.

6.7. Causalidad en el sentido de Granger.

En los modelos vectoriales como los que nos ocupan una pregunta que uno se debe
formular es si los rezagos de una variable influyen o no sobre alguna otra variable. Si la
respuesta es positiva pueden distinguirse dos tipos de influencia: una contemporánea y la
otra en la que los valores rezagados de una de ellas anticipa, en el sentido que tiene una
cierta relación, con los valores futuros de la otra. Esta relación de precedencia es la que
importa con respecto a la causalidad.

En un modelo de dos ecuaciones con p rezagos uno puede querer indagar si los rezagos de
z t afectan o no a y t o viceversa. Si la respuesta es afirmativa los parámetros
correspondientes a los coeficientes de los términos que incluyen a esos p rezagos deben ser
distintos de cero, en caso contrario todos ellos deben ser iguales a cero.

Si todos los parámetros correspondientes a los coeficientes de los términos que incluyen a
esos p rezagos son iguales a cero se dirá que z t no causa en el sentido de Granger a y t . Se
dirá que sí lo causa si el parámetro que corresponde a algún coeficiente de un término
rezagado de z t es distinto de cero.
Si la ecuación contiene un solo rezago y el coeficiente de z t-1 es a 12 , entonces se deberá
determinar si a 12 es igual a cero o no. Si la ecuación contiene más de un rezago se deberá
determinar si los coeficientes de A 12 ( L )son iguales a cero o no, es decir se debe decidir
si: a 12 (1) = a 12 (2) =…..= a 12 (p) = 0 o no.

Si se incluye un solo rezago se trata de una prueba individual en cuyo caso se puede aplicar
un test “t” , si se trata de más de un rezago se puede efectuar una prueba “F”. Esta prueba
“F” se puede formular como:

 SCR r  SCR nr / m 
 
 SCR nr / (n  k ) 

Donde: SCR r es la suma de cuadrados de la regresión restringida, SCR n r es la suma de

cuadrados de la regresión no restringida, m es el número de restricciones y n es el número
de observaciones y k es el número de parámetros estimados en la regresión no restringida.

La causalidad es una condición más débil que la exogeneidad, esta incluye además de los
efectos de las variables rezagadas el efecto derivado del valor presente de la variable. En el
caso de un sistema VAR bivariado con un solo rezago y t es exógena si no está afectada ni
por el valor presente ni por los valores pasados de z t , es decir además de no ser causada en
el sentido de Granger por z t tampoco recibe ninguna influencia contemporánea de esta. La
idea de exogeneidad se relaciona con la forma en que una variable se comporta con relación
a las otras u otra variable del modelo, si su variación es autonóma e independiente de las
otras u otra variable del modelo entonces es exógena con respecto a las otras dentro del
marco de ese modelo, en caso contrario se la denomina endógena.

6. 8. Un ejemplo de un modelo VAR. Relaciones entre el PBI y la inversión.

Estos modelos son adecuados para conocer las relaciones que hay entre las variables, en
este ejemplo se indagará acerca de las influencias recíprocas entre el pbi y la inversión
correspondientes al período que abarca desde el I trimestre de 1985 al IV trimestre de 2005.
Los datos del pbi a precios de mercado base 1993 = 100, trascriptos por columna, se
presentan a continuación.

180408 201912 206256 242215 265025 237417

189025 200890 237072 244468 286412 240361
186481 189269 232797 236566 278473 228596
195457 189575 228817 260752 283566 265402
181770 181943 216370 262167 264556 261535
202700 191778 241872 267020 285275 268561
212564 166291 242646 256388 276768 254330
208023 185125 245132 281770 278092 284376
188626 192868 232945 284092 259200 284392
211615 198211 257477 287515 284796 293467
217420 179818 253468 271702 263127 274595
207753 210052 257342 301208 248865 313927
197623 212476 237968 293315 216849 310593
208841 218103 248094 286268 246315 319939

Los datos correspondientes a la inversión también valuados a precios de mercado base

1993 = 100, trascriptos por columna, son los siguientes:

26289 34982 32649 44020 48384 26714

27497 32855 41667 44565 53304 30388
 29313 28934 42734 41460 54758 27659
30634 27209 43650 47591 56019 35024
26511 23664 37325 51558 45938 38707
30267 28074 43956 53327 49232 45248
35004 19186 48221 48511 50995 41571
34507 22633 50776 56800 51843 47908
30839 24014 45580 60489 41580 51702
36399 25661 51527 62390 46196 55936
38771 22442 53182 57077 42220 47159
36619 30152 54637 62699 37002 59863
34347 32225 46129 62903 22719 63851
35418 35537 43400 60443 26311 70961

Las series fueron convertidas en logaritmos y el gráfico de las mismas se presenta a

continuación. Loinver se calculó como: loinver = log (inver) y lopbi = log (pbi), donde log
denota logaritmos naturales.
 13.0

12.5

12.0

11.5

11.0

10.5

10.0

9.5
86 88 90 92 94 96 98 00 02 04

LOINVER LOPBI

Para determinar si las series poseen raíces unitarias se les aplicó el test de Dickey – Fuller,
verificándose que el logaritmo de la inversión no posee raíces unitarias, en cambio sí posee
lopbi. Sin embargo, si se incorpora una tendencia determinística lopbi tampoco posee raíces
unitarias con un nivel de significación de 5%. Los resultados del test aumentado de Dickey
Fuller se presentan a continuación.

Null Hypothesis: LOPBI has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 4 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.508375 0.0453

Test critical values: 1% level -4.078420

5% level -3.467703
10% level -3.160627
 El VAR requiere que ambas series sean estacionarias de modo que si se incorpora una
tendencia determinística se consigue que lopbi lo sea. Esta posibilidad resulta atractiva ya
que mantiene la sencillez del modelo evitando transformaciones que pueden dificultar los

cálculos posteriores.

Entonces se estimaron mediante MCO los modelos correspondientes a lopbi y a loinver

Después de varias pruebas los dos modelos estimados, uno para cada variable, que podían
considerarse satisfactorios ya que sus resultados combinaban criterios de parsimonia, de
razonabilidad y de adecuación fueron los siguientes:

Dependent Variable: LOPBI

Method: Least Squares
Date: 12/07/09 Time: 13:54
Sample(adjusted): 1985:3 2005:4
Included observations: 82 after adjusting endpoints

Variable Coefficien Std. Error t-Statistic Prob.

t

C 5.884002 1.037926 5.669001 0.0000

LOINVER(-2) 0.158571 0.037177 4.265315 0.0001
LOPBI(-1) 0.377238 0.106795 3.532349 0.0007
@TREND 0.002444 0.000513 4.762101 0.0000

R-squared 0.871319 Mean dependent var 12.38359

Adjusted R-squared 0.866370 S.D. dependent var 0.158267
S.E. of regression 0.057855 Akaike info criterion -
2.814196
Sum squared resid 0.261084 Schwarz criterion -
 2.696795
Log likelihood 119.3820 F-statistic 176.0507
Durbin-Watson stat 1.970610 Prob(F-statistic) 0.000000

Los residuos de ambas regresiones poseen picos significativos en los rezagos 4, 8 y 12,
señal de que las series incluyen factores estacionales y que estos estarán presentes en los
resultados quitándole nitidez a las conclusiones. La estacionalidad fue corroborada para
ambas series, lopbi y loinver, mediante el Census X12 tanto en la versión multiplicativa
como en la aditiva, las que mostraron, en ambos casos, que se trata de estacionalidad
estable. Como los análisis con series desestacionalizadas no reflejaron resultados
satisfactorios y como por otra parte se comprobó que los factores estacionales eran muy
similares para ambas series, se prefirió proseguir las estimaciones con estacionalidad tanto
por las razones de sencillez apuntadas como para evitar que las estimaciones fueran poco
consistentes.

Dependent Variable: LOINVER

Method: Least Squares
Date: 12/07/09 Time: 13:45
Sample(adjusted): 1985:2 2005:4
Included observations: 83 after adjusting endpoints

Variable Coefficien Std. Error t-Statistic Prob.

t

LOPBI(-1) 0.137151 0.065224 2.102787 0.0386

LOINVER(-1) 0.840820 0.076215 11.03216 0.0000

R-squared 0.814452 Mean dependent var 10.59796

Adjusted R-squared 0.812161 S.D. dependent var 0.302587
S.E. of regression 0.131142 Akaike info criterion -
1.201270
Sum squared resid 1.393058 Schwarz criterion -
1.142984
Log likelihood 51.85269 Durbin-Watson stat 2.289285
El modelo VAR estimado, redondeando los coeficientes en tres decimales, es el siguiente:

lopbi  5,884  0,377 lopbi ( 1)  0,159 loinver ( 2)  0, 002@ trend
loinver  0,137 lopbi (1)  0,841 loinver (1)

Como los valores pasados de una variable afectan a la otra existe entre ambas variables
causalidad en el sentido de Granger, una ”causa” a la otra en el sentido de Granger.

Pero de acuerdo con la teoría de la inversión debe pasar un cierto tiempo para que esta
madure y, por lo tanto, se puede suponer que la inversión no afecta contemporáneamente al
pbi aunque los movimientos de esta variable sí pueden influir contemporáneamente sobre la
inversión. Un pbi en crecimiento, por ejemplo, propende a un mejor clima de negocios y
sienta las bases para un mejor desempeño de la inversión. De manera que la restricción
adicional que se requiere para pasar del modelo reducido al estructural se puede fundar
naturalmente en la teoría de la inversión. Esta restricción supone que b12 = 0.

Las ecuaciones son un poco más complicadas que en el caso considerado en el punto 6.4.
Identificación y estimación de los modelos VAR ya que se incluyen más parámetros que
deben ser estimados, los que corresponden a los rezagos de orden dos y el que corresponde
a la tendencia determinística.

Las ecuaciones estructurales son:

yt  b10  b12 zt   11 yt 1   12 yt 2   13 zt 1   14 zt 2   15 w   yt
zt  b20  b21 yt   21 yt 1   22 yt 2   23 zt 1   24 zt 2   25 w   zt

Donde w representa a la tendencia determinística.

Estas ecuaciones se pueden escribir en forma matricial con b12 = 0 como:

  yt 1 
y 
 1 0   yt   b10    11  12  13  14  15   t 2   yt 
b   z    b    z 
 21 1   t   20   21  22  23  24  25   t 1   zt 
 zt  2 
 w 

1  1 0
Si se multiplica por B    después de efectuar las operaciones resulta:
 b21 1 

 yt 1 
y 

t 2 
 yt   b10    11  12  13  14  15   yt 
 z   b  b b     b    zt 1    
 t   20 21 10   21 21 11  22  b21 12  23  b21 13  24  b21 14  25  b21 15     yt  b21 zt 
 zt  2 
 w 
Mediante transformaciones similares a las presentadas anteriormentre puede ser escrito en
forma reducida como:

yt  a10  a11 yt 1  a12 yt  2  a13 zt 1  a14 zt  2  a15 w  e1t

zt  a20  a21 yt 1  a22 yt  2  a23 zt 1  a24 zt 2  a25 w  e2t

Donde: yt representa a lopbi, zt denota a loinver, w denota a la tendencia determinística y

a10  b10 , a11   11 , a12   12 , a13   13 , a14   14 , a15   15

a20  b20  b21b10 , a21   21  b21 11 , a22   22  b21 12 , a23   23  b21 13 , a24   24  b21 14 ,

a25   25  b21 15
Además como Var (e1t )   y , Var (e 2t )   y  b21 z y teniendo en cuenta que
2 2 2 2

Cov(e1t , e2t )  (b21 y2  b12 z2 ) / (1  b12b21 ) 2 y que b12 = 0 resulta: Cov(e1t , e2t )  b21 y2 .

Ahora bien, las ecuaciones obtenidas pueden escribirse:

yt  5,884  0,377 yt 1  0 yt  2  0 zt 1  0,159 zt  2  0, 002w

zt  0  0,137 yt 1  0 yt  2  0,841zt 1  0 zt  2  0 w

Y la matriz de varianzas y covarianzas de los residuos es:

RESIE1 RESIE2
RESIE1  0.003184  0.006811
RESIE2  0.006811  0.016988
donde RESIE1 denota a e 1t y RESIE2 denota a e 2t .

Como Cov(e1t , e2t )  0, 006811 y Var (e1t )   y = 0,003184 resulta b21  - 2,139
2

Además: a10  b10 = 5,884 así que de: a20  b20  b21b10 resulta 0 = b20 + 2,139 * 0, luego
b20 = 0.

Como: a11   11 = 0,377 y a21   21  b21 11 se tiene: 0,137 =  21 -(-2,139)* 0,377, o sea

 21 = -0,669.

También: a12   12 = 0 y a22   22  b21 12 Reemplazando sigue que:  22 = 0.

Dado que a13   13 = 0 y que a23   23  b21 13 queda:  23  0,841 .

Como a14   14 = 0,159 y resulta: a24   24  b21 14  24 = - 0,340

Por último: a15   15 = 0,002 y a25   25  b21 15 , entonces :  25 = -0,004

De acuerdo con estos resultados las ecuaciones estructurales pueden escribirse:

yt  5,884  0 zt  0,377 yt 1  0 yt  2  0 zt 1  0,159 zt  2  0, 002 w

zt  0  2,139 yt  0, 669 yt 1  0 yt  2  0,841zt 1  0,340 zt  2  0, 004 w

Esta última ecuación revela que hay una gran influencia contemporánea del pbi sobre la
inversión.

Ejercicio. Compruebe que si se hubiera incorporado la restricción b21  0 se hubiera

obtenido:

yt  5,884  0, 401 zt  0, 432 yt 1  0 yt  2  0,337 zt 1  0,159 zt  2  0, 002 w

zt  0  0 yt  0,137 yt 1  0 yt  2  0,841zt 1  0 zt  2  0 w

6. 8. Un ejemplo de una función de respuesta a impulsos.

Supongamos que en un problema práctico hemos estimado un modelo VAR bivariado de

primer orden, cuya forma es la siguiente:

 yt   a10   a11 a12   e1t 

 z   a   a  
 t   20   21 a22  e2t 

En el punto 6.5. El modelo VMA. Función de respuesta a impulsos se ha indicado que estas
ecuaciones pueden transformarse en:
  yt   yt   i 1
 z    z    A1 B  t i
 t   t  i0

Donde:

a10 (1  a22 )  a12 a20 a20 (1  a11 )  a21a10

yt  zt 
(1  a11 )(1  a22 )  a12 a21 (1  a11 )(1  a22 )  a12 a21

1  1 b12 
B 1  et = B-1 εt
1  b12b21  b21 1 

 yt   yt  
Y haciendo  i  A1 B resulta:         i t i .
i 1

 zt   zt  i  0

Esta es la representación MA del VAR, es decir, la representación VMA.

También se había señalado que a los elementos de la matriz  i se los denomina

multiplicadores de impacto

 
 (i ) 12 (i )   yt i 
 
i 0
i t i    11
i  0 21 (i ) 22 (i)   zt i 

Por ejemplo: 12 (i ) representa el efecto de los  zt sobre yt y análogamente  21 (i )

representa el efecto de los  yt sobre yt ; los valores de  jk (i ) donde j y k son fijos,
representan una función de respuesta a impulsos.
Para presentar un ejemplo se considerará el modelo estimado en el punto 6.4.
Identificación y estimación de los modelos VAR donde:

yt  1, 77  0, 73 yt 1  0, 20 zt 1  e1t
zt  1, 07  0,13 yt 1  0, 76 zt 1  e2t

Con la restricción b 21 = 0 se había obtenido el modelo estructural:

yt  1,723  0, 044 zt  0, 724 yt 1  0,167 zt 1   yt

zt  1,07  0 yt  0,13 yt 1  0, 76 zt 1   zt

Nos detendremos en la obtención de los  12 (i ) que representan el efecto de los  zt sobre yt

.
i
 a11 a12  0, 73 0, 20  1 0, 044 
Las matrices requeridas son: A   i
 B 1  
1
 a21 a22   0,13 0, 76  0 1 

Así:  0  A1 B  B En esta matriz  12  0, 044 es el efecto contemporáneo de  zt sobre

0 1 1

yt . O sea, yt se modifica en -0,044 por el efecto de un shock aleatorio  zt .

 0, 73 0, 20  1 0, 044   0, 73 0, 003

1  A1 B 1    0 =  0,13 0, 006 
 0,13 0, 76   1   

En esta matriz  12  0, 003 es el efecto de  zt 1 sobre yt .

  0, 73 0, 20  1 0, 044  =  0,559 0, 025
2

 2  A12 B 1    
 0,13 0, 76   0 1   0, 095 0, 004 
 

En esta matriz  12  0, 025 es el efecto de  zt  2 sobre yt .

 0, 73 0, 20  1 0, 044  =  0, 427 0, 019 

3

 3  A13 B 1    
 0,13 0, 76   0 1   0, 073 0, 003

En esta matriz  12  0, 019 es el efecto de  zt 3 sobre yt y así siguiendo.

Los valores:-0.044; -0,003; -0,025; 0,019 muestran la respuesta de yt a la acción de los

shocks aleatorios  zt ;  zt 1 ;  zt  2 ;  zt 3 ; etc., es decir como reacciona yt por la acción de los
 zt i para i = 0,1,2,3,……

Las operaciones con matrices se pueden efectuar con el Eviews, la “ayuda” o Help de este
programa suministra información detallada.

Ejercicio.

yt  2,3  0, 65 yt 1  0, 24 zt 1  e1t
En el modelo
zt  1, 4  0, 22 yt 1  0,57 zt 1  e2t

cuya matriz de varianzas y covarianzas de e 1t y e 2t es la que se presenta a continuación

RESIE1 RESIE2
RESIE1  0.004567  0.003415
 RESIE2  0.003415  0.002698

Donde RESIE1 = e 1t y RESIE2 = e 2t , con la restricción b 21 = 0 obtenga el modelo

estructural, los primeros cuatro valores de  21 (i ) e indique su significado. Halle las raíces
características y verifique si el modelo es estable.

Apéndice. Autovalores y Autovectores de una matriz.

Si A es una matriz cuadrada a veces se requiere la solución de una ecuación matricial cuya
forma es A x = λ x o lo que es igual ( A - λ I ) x= 0, donde I es la matriz identidad. Los
vectores x que cumplen con esa propiedad se denominan autovectores y los valores de λ se
denominan autovalores de la matriz.

En esa ecuación, si x ≠ 0, existe una solución que no es trivial si la matriz A - λ I es

singular, o sea │ A - λ I│= 0, donde │H│denota el determinante de la matriz H.

1 2   0 
Por ejemplo, si A    y dado que  I    entonces:
3 2  0 

1  2
A   I  0 resulta:  (1   ) (2   )  6   4  3   2  0 . Las raíces de esta
3 2
ecuación, denominada caraterística, son 1  -1 y 2  4 .

Los autovectores de la matriz A se hallan reemplazando λ en la ecuación ( A - λ I ) x por

las raíces de la ecuación característica. Para la raíz 1   1 se tiene:

 2 2   x1   2 x1  2 x2 
 3 3   x    3 x  3 x  Es decir, x1   x2 .
  2  1 2
  3 2   x1   3x1  2 x2  2
Para la raíz 2  4 resulta:       . En este caso x1  x2 .
 3 2   x2   3 x1  2 x2  3

Si ahora se normalizan los vectores ( haciendo que su longitud sea igual a 1) es decir,
x12  x22  1 , entonces como para el primer vector x1   x2 , se tiene: 2 x22  1 o bien

1 1  1 1 
x2  en tanto que x1   . El primer autovector es  2 ; 2  .
2 2  

4 2 2 13 2 3
Para el segundo vector es  x2   x2  1 o bien x2  1 , es decir x2  en tanto que
9  9 13
2 3 2  2 3 
x1   . El segundo autovector es  ; .
3 13 13  13 13 

Cuando el rango de la matriz es superior a dos, resulta complicado hallar los autovalores y
autovectores de una matriz, pero con el Eviews el problema se puede resolver fácilmente el
problema para una matriz simétrica.

Por ejemplo, se hallarán los autovectores y los autovalores de la matriz simétrica A:

1.000000 2.000000 4.000000

2.000000 3.000000 2.000000
4.000000 2.000000 5.000000

Para cargar los datos se abre un Workfile y se hace click en Object New Object Matrix, se
indican 3 filas y 3 columnas y que se trata de una matriz simétrica. Cuando se da Enter
aparece una matriz 3*3. Se hace click en Edit y se cargan los datos. Se le da nombre a la
matriz, por ejemplo sym01.

Luego se debe obtener un vector donde guardar los datos. Este vector se genera de manera
análoga a la empleada para obtener la matriz, es decir: Object New Object Matrix, se
indican 3 filas y 1 columna y se le da nombre, por ejemplo matrix02. Se escribe:
matrix02=@eigenvalues(sym01). El programa genera los autovalores en matrix02. En este
caso los autovalores fueron: -1.584803; 1.794590 y 8.790213.

Los autovectores se obtienen en forma similar. Se debe generar una matriz para guardar los
vectores, esto se hizo mediante Object New Object Matrix, indicando 3 filas y 3 columnas
y se la llamó matrix03. Luego se escribió: matrix03=@eigenvectors(sym01). Los
autovectores aparecen a continuación. Deben leerse por columna.

-0.864279 -0.075893 0.497254

0.170599 0.885736 0.431704
0.473199 -0.457944 0.752576

En general una matriz n*n posee n autovalores que pueden ser distintos. Una matriz 2*2
posee dos autovalores, una 3*3 posee 3 autovalores y así siguiendo.

El determinante de una matriz cuadrada es igual al producto de sus autovalores. Es decir:

n
A   i
i 1
En el ejemplo el determinante de la matriz simétrica A es: -1.584803* 1.794590 *
8.790213 = 25.

Por otra parte, los autovectores de una matriz A correspondientes a distintos autovalores
son linealmente independientes y como el rango de una matriz es el número de filas ( o
columnas) linealmente independientes sigue que el rango de una matriz A es el número de
raíces características distintas de cero.