Modelos y Simulación
Transcript of Modelos y Simulación
![Page 1: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/1.jpg)
Modelos y Simulación
Ing. Carlos Zelada M.Sc.Ing. Carlos Zelada M.Sc.
![Page 2: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/2.jpg)
ModelosModelos
• Econometría– Medición Económica
Análisis cuantitativo de fenómenos económicos– Análisis cuantitativo de fenómenos económicos reales basados en el desarrollo simultaneo de la observación y la teoría relacionados a través deobservación y la teoría, relacionados a través de apropiados métodos de inferencia.
![Page 3: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/3.jpg)
Metodología de la econometríaMetodología de la econometría
1 i d d l í hi ó i1. Enunciado de la teoría o hipótesis2. Especificación del modelo econométrico dirigido
a probar la teoría.3. Estimación de los parámetros del modelos p
escogido.4. Verificación o inferencia estadística4. Verificación o inferencia estadística5. Predicciones o pronostico6 Utilización del modelo para fines de control o6. Utilización del modelo para fines de control o
formulación de políticas.
![Page 4: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/4.jpg)
RegresionRegresion
• Estudio de la dependencia de una variable,– Variable dependientep
• De una o mas variables adicionales,V i bl li i– Variables explicativas
• Con la perspectiva de estimar y/o predecir el p p y pvalor medio o promedio de la primera en términos de valores conocidos o fijos de lastérminos de valores conocidos o fijos de las segundas.
![Page 5: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/5.jpg)
Relaciones Estadísticas VS. Relaciones Deterministicas.
![Page 6: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/6.jpg)
Regresión vs CausaciónRegresión vs. Causación
• Aunque el análisis de regresión tiene que ver con la dependencia de una variable con prelación a otras variables, esto no implica necesariamente que exista una relación denecesariamente que exista una relación de casualidad.
![Page 7: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/7.jpg)
Regresión vs CorrelaciónRegresión vs. Correlación
• Correlación.– El objetivo fundamental es la medición de la jfuerza o grado de asociación lineal entre dos variables.
![Page 8: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/8.jpg)
TerminologíaTerminología
Variable dependiente Variable Explicativa
Variable explicadaVariable independiente
Predictor
Predicha
Regresada
Regresor
Regresada
Endógena
Variables de control o estimulo
Exógena
![Page 9: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/9.jpg)
Naturaleza y fuentes de información para el análisis econométrico
Existen tres tipos de datos que generalmente se di ibl li áli i í iencuentran disponibles para realizar análisis empírico:
1 Series de tiempo1. Series de tiempo
2. Series de corte transversal
3. Combinación de series de tiempo y series de corte ltransversal
![Page 10: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/10.jpg)
Series TemporalesSeries Temporales
![Page 11: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/11.jpg)
Series de corte transversalSeries de corte transversal
![Page 12: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/12.jpg)
Combinación de series de tiempo y series de corte transversal
![Page 13: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/13.jpg)
Modelo de regresión con dos variablesModelo de regresión con dos variablesY
e1
e3
e4
e2 ii XY 21ˆˆˆ ββ +=
X
X1 X2 X3 X4
X
![Page 14: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/14.jpg)
Estimadores de mínimos cuadradosEstimadores de mínimos cuadrados
∑ˆ ii yxβ
∑∑= 22
i
ii
xy
βXXx −=∑ ix
YYyXXx ii
−==
____ˆˆ
YYy ii −=
21ˆˆ XY ββ +=
![Page 15: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/15.jpg)
Características de los estimadoresCaracterísticas de los estimadores
• Están expresados únicamente en términos de cantidades observables, es decir, Xi y Yii y i.
• Son estimadores puntualesSon estimadores puntuales
![Page 16: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/16.jpg)
Características de la línea de regresiónCaracterísticas de la línea de regresión
1 Pasa a través de las medias muéstrales de X y Y1. Pasa a través de las medias muéstrales de X y Y.
2. El valor medio de iY es igual al valor medio del Y observadoiY g____
ˆ YY =3. El valor medio de los residuos e1 es cero.
4. Los residuos ei no están correlacionados con el valor i estimado de Yi.
5 Los residuos e no están correlacionados con Xi5. Los residuos ei no están correlacionados con Xi
![Page 17: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/17.jpg)
Supuestos de GaussSupuestos de Gauss
Supuesto #1 (Uniformidad)El valor medio de ui es igual a cero
( ) 0=ii XuE( )ii
Supuesto #2pNo existe auto correlación entre las u.
0)( 0),cov( =ji uu
![Page 18: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/18.jpg)
Supuesto #3Homocedasticidad o igual varianza para ui.
( ) 2var σ=Xu( )var σ=ii XuSupuesto #4pCero covarianza entre ui y Xi
0)cov( =Xu 0),cov( =ii XuSupuesto #5El modelo de regresión esta correctamente especificado.(no existen sesgos ni errores de especificación)
![Page 19: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/19.jpg)
Estimadores MELIEstimadores MELIUn estimador de MCO es el mejor estimador lineal insesgado si:Un estimador, de MCO, es el mejor estimador lineal insesgado si:
1. Es lineal, es decir, una función lineal de una variable aleatoria , ,tal como la variable dependiente Y en el modelo de regresión.
2. Es insesgado, es decir, su valor esperado es igual al valor verdadero.
3. Tiene varianza mínima entre la clase de todos los estimadoreslineales insesgados.g
![Page 20: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/20.jpg)
Varianza de los estimadores de mínimos cuadrados
( )=2
2ˆVar σβ( )
∑ 22ix
Var β
( ) 22
β ∑ iXV ( ) 2
21 σβ∑∑=
i
i
xNVar
∑
![Page 21: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/21.jpg)
Coeficiente de determinación r2oe c e te de dete ac óPunto de vista de Ballentine
02 =r 10 2 << r
12 =r
![Page 22: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/22.jpg)
LinealizacionLinealizacion
Logarítmicas
600
800
XABY =400
** XY βα+=
0 1 2 3 4 5
200XY βα+
0 1 2 3 4 5
![Page 23: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/23.jpg)
Modelo de Regresión MúltipleModelo de Regresión Múltiple
nnxxxy ββββ ++++= L22110
Notación de Yule:
nnnnnn xxxy KKKK L 234.1224.13134.1223.1 ββββ ++++=
YvariableladeAutonomoValor 23.1 →nKβ
n
xxxx depresenciaen Y,explicar paraCoef 234.12 K →β
nxxx ,,, 43 K
![Page 24: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/24.jpg)
Simulación
“La simulación es el proceso de diseñar un modelod l ll éde un sistema real y llevar a término experienciascon él, con la finalidad de comprender elcomportamiento del sistema o evaluar nuevasestrategias ‐dentro de los limites impuestos por unestrategias dentro de los limites impuestos por uncierto criterio o un conjunto de ellos ‐ para elfuncionamiento del sistema”funcionamiento del sistema
R. E. Shannon
![Page 25: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/25.jpg)
SimulaciónSimulación
![Page 26: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/26.jpg)
Modelo de SimulaciónModelo de Simulación
1. Definir el sistema
2. Definir estados posibles del sistema2. Definir estados posibles del sistema
3. Definir Eventos posibles del sistema
4. Definir el reloj de simulación
5 Un método para generar los eventos de5. Un método para generar los eventos de manera aleatoria.
![Page 27: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/27.jpg)
Ventajas y DesventajasVentajas y Desventajas
• Ventajas
• DesventajasDesventajas
![Page 28: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/28.jpg)
EjemplosEjemplos
• Tiro de una moneda
• Tiempo de Proceso
![Page 29: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/29.jpg)
Números AleatoriosNúmeros Aleatorios
• Números pseudo aleatorios
• Necesarios para agregar variabilidad a nuestra i l ió dsimulación dentro se sus eventos.
• Los trabajaremos dentro del intervalo de (0,1)
![Page 30: Modelos y Simulación](https://reader036.fdocumento.com/reader036/viewer/2022081502/5571f19e49795947648b6bdb/html5/thumbnails/30.jpg)
Distribución UniformeDistribución Uniforme
⎧ 1 [ ][ ]⎪
⎪⎨⎧ ∈
−= xabxf ba, si1
)(
ab−1 [ ]⎪⎩ ∉ bax ,si0
[ ]2
abXE +=
b
[ ] ( )12
2abXVar −=
a b