UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS MATEMÁTICAS

______________

ESCUELA PROFESIONAL DE COMPUTACIÓN CIENTÍFICA

SÍLABO 2017-II

1. DESCRIPCIÓN GENERAL

1.1. Nombre del curso : Modelos Matemáticos de la Ciencia II.

1.2. Código del curso : 03C072
1.3. Número de créditos : 6.0
1.4. Prerrequisito : Modelos Matemáticos de la Ciencia I.
1.5. Escuela Profesional : Computación Científica (14.5)
1.6. Carácter : Obligatorio
1.7. Duración : 17 semanas
1.8. Semestre académico : 2017-II
1.9. Horas semanales : Teoría (4 horas) Viernes: 18:00-22:00
Práctica (4 horas) Sábados: 08:00-12:00
1.10. Profesores : MSc. Luis Javier Vásquez Serpa (Teoría)
Miriam Valeria Seminario Nuñez (Práctica)
2. SUMILLA
Estadística Descriptiva. Probabilidades. Funciones de distribución de probabilidades
discretas y continuas. Estadística inferencial. Intervalos de confianza. Prueba de hipótesis
para la media. Aplicaciones de chi cuadrada. Modelos de mínimos cuadrados ordinarios
(MCO). Violación de los supuestos del modelo MCO. Linealidad. Heteroscedasticidad.
Autocorrelación. Normalidad. Ortogonalidad. Variables importantes y redundantes.
Modelos series de tiempo. Proceso estacionario. Modelos AR(p), MA(q), ARMA(p,q) y
ARIMA(p,d,q). Metodología Box-Jenkis. Raiz unitaria. Modelos de volatilidad
condicional: ARCH(q), GARCH(p,q), TGARCH, EGARCH. Modelos de series de
tiempo multivariado y Cointegración. Modelo Autorregresivo multiple (VAR).
Cointegración. Métodos de Engle-Granger y Johansen. Funciones impulso-respuesta.
Modelo VEC.

3. OBJETIVOS GENERALES
Proporcionar al estudiante la formación teórica y práctica para diseñar e implementar
estudios que involucren modelos de regresión, así como leer, entender, analizar,
evaluar y aplicar la literatura que use el análisis del modelo de regresión lineal.

Que el alumno sea capaz de aplicar la teoría estadística y econométrica para el análisis
y resolución de los problemas de en áreas como economía, finanzas y otros afines.

Página 1 de 6
 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS MATEMÁTICAS

______________

4. CONTENIDO CALENDARIZADO

4.1 Introducción a la estadística. Estadística descriptiva. Colección de datos (muestro).

Distribución de frecuencias. Medidas de tendencia central: Media, mediana y
moda. Medidas de dispersión: Rango, cuartiles, desviación absoluta y varianza.
Medidas de asociación: Diagramas de dispersión y de series de tiempo,
coeficientes de correlación y variación.

4.2 Variable aleatoria. Espacio Muestral. Evento. Probabilidad. Teoría de conjuntos

y probabilidades. Teorema de Bayes. Distribuciones de probabilidad. Funciones
de distribución de probabilidades discretas: distribución Binomial,
Hipergeométrica y Poisson. Distribución de probabilidades continuas:
distribución uniforme, exponencial, normal, Chi cuadrada, t student, F de
Fisher. Distribución de probabilidad muestral: distribución muestral de la media
y de la proporción.

4.3 Estadística inferencial. Estimación puntual. Intervalos de confianza. Intervalos

de confianza para la media poblacional cunado la varianza poblacional es y no
es conocida. Intervalos de confianza para el caso de las proporciones. Pruebas
de hipótesis para la media. Pruebas de hipótesis para la media poblacional
cuando la varianza poblacional es y no es conocida. Prueba de hipótesis para las
proporciones. Aplicaciones de la chi cuadrada. Prueba de hipótesis de la
varianza poblacional.

4.4 Definición de Econometría. Objeto y método de la investigación econométrica.

Modelo de mínimos cuadrados ordinarios (MCO). Diagramas de dispersión.
Supuestos del modelo MCO. Modelo MCO univariado. El coeficiente de
determinación (R2). Error estándar. Análisis de varianza. Prueba de hipótesis
individuales de los coeficientes de la regresión. Aplicaciones usando Eviews:
Testeo del modelo de equilibrio de activos financieros (Capital Asset Pricing
Model-CAPM).

4.5 Modelo mínimos cuadrados ordinarios (MCO) multivariado. Pruebas de bondad

de ajuste: El coeficiente de determinación (R2). Varianza de los errores
estimados. Varianza de los estimadores. Propiedades de los coeficientes
estimados por el modelo MCO: Isesgamiento, eficiencia y consistencia.
Aplicación: El modelo de valoración por arbitraje. Hipótesis lineales. Variables
cualitativas: variables dummy valores extremos (outliers). No linealidad de la
relación entre “Y” y “X”. Regresión polinomial.

4.6 Análisis de los supuestos del modelo de mínimo cuadrados ordinarios (MCO).
Supuesto de linealidad. Supuesto de la media de los errores es cero. Supuesto de
homocedasticidad: Test de heterocedasticidad de White, consecuencias de la
heterocedasticidad.

Página 2 de 6
 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS MATEMÁTICAS

______________

4.7 Supuesto de no autocorrelación: Test de Durbin Watson, test de Durbin-

Watson, test de Breusch-Godfrey. Posibles causas de la autocorrelación de los
errores. Errores estándar ajustados por autocorrelación y hetercedasticidad: El
método de Newey-West. Mala especificación de la dinámica del modelo.

4.8 Supuesto a que los errores siguen una distribución normal con media cero y
varianza constante. El test de normalidad de Jarque-Bera. Consecuencias de la
normalidad de los errores. Posibles causas de la normalidad. Supuesto de
Ortogonalidad.

4.9 Examen Parcial

4.10 Otros problemas asociados al modelo MCO. Multicolinealidad: Consecuencias

de cuasi multicolinealidad y soluciones al problema de multicolinealidad.
Forma funcional: Consecuencias de errores de especificación funcional. El test
de Ramsey. Omisión de variables importantes. Variables redundantes.
Estabilidad de los parámetros estimados: Test de Chow y test de errores de
predicción. Modelo de mínimos cuadrados generalizados. Método de Cochrane-
Orcutt.

4.11 Modelos de series de tiempo. Procesos estacionarios: Estacionariedad estricta y

débil. Autocovarianza, autocorrelación y Correlograma: El proceso ruido blanco
y pruebas de autocorrelación. Modelos de medias móviles MA(q). Modelos
Autorregresivos AR (p): Estacionariedad de procesos AR(p). Raíz unitaria.
Modelos ARMA(p,q). Modelos ARIMA(p,d,q).

4.12 Criterios de información. Pronósticos: con los modelos AR(p), MA(q),

ARMA(p,q). Evaluación de los pronósticos: Media de los errores al cuadrados
(Mean Square Error-MSE), media absoluta de los errores (Mean Absolute
Error-MAE), Media absoluta de los errores porcentuales (Mean Absolute
Percentage Error-MAPE). EL coeficiente de desigualdad de Theli.
Descomposición de los errores de predicción. La metodología de Box Jenkis.

4.13 Modelos de volatilidad condicional. Modelos básicos de volatilidad. Modelos

de heteroscedasticidad condicional autorregresiva. Modelo ARCH(q):
Momentos del modelo ARCH, detección de la presencia de los efectos ARCH.
El modelo ARCH generalizado: GARCH(p,q). Modelo GARCH(1,1) como un
modelo ARMA(1,1). Representación del modelo GARCH(p,q) como un
modelo ARCH(∞). Modelo ARCH-M. Curva de impacto de las noticias:
modelo TARCH, modelo EGARCH, modelo de componentes ARCH.
Pronóstico de la volatilidad.

4.14 Modelos de series de tiempo multivariados y concepto de cointegración.

Estacionariedad. Tipo de estacionariedad. No estacionariedad en tendencia. No
estacionariedad estocástica. Diferenciar una serie no estacionara en tendencia.
Métodos visuales para la detención de no estacionariedad. Método aumentado
de Dickey-Fuller (ADF).

Página 3 de 6
 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS MATEMÁTICAS

______________

4.15 Modelo Autorregresivo Multiple (VAR). Generalidades. Determinación del

orden de rezagados del modelo VAR. Interpretación de los resultados obtenidos
con el modelo VAR: Significancia en bloques y la causalidad de Granger.
Funciones de impulso-respuesta. Descomposición de la varianza. Pronósticos.
Cointegración. Modelo de corrección de errores. Determinación de la existencia
de vectores de cointegración: Método de Engle-Granger, Método de Johansen.
Modelo VEC: funciones de impulso-respuesta y pronósticos.

4.16 Examen Final

4.17 Examen Sustitutorio

5. METODOLOGÍA

El profesor expondrá el desarrollo del programa y buscará la participación activa de los

estudiantes, considerando:

5.1. Las clases teórico-prácticas se desarrollarán de acuerdo al contenido dosificado por

semanas. El profesor proporcionará la participación en forma activa de los alumnos
en clase.
5.2. La profesora de práctica realizará las clases aplicando el software Econometrics
Views (Eviews), R u otro software alternativo brindando asesoría en el laboratorio y
realizando dinámica de grupo en las prácticas dirigidas.
5.3. Se utilizará el método inductivo-deductivo en el desarrollo del curso.

6. SISTEMA DE EVALUACION

El sistema de evaluaciones está compuesto por exámenes, exposición de trabajos y

prácticas calificadas.

Exámenes: Son dos evaluaciones escritas cuyo contenido comprende:

Examen Parcial: el avance del silabo desarrollado desde la primera semana del
semestre hasta la octava semana.
Examen Final: el avance del silabo desarrollado desde la novena semana del
semestre hasta la semana quince.
Examen Sustitutorio: Se toma en la semana diecisiete.
Prácticas Calificadas: Son evaluaciones escritas u orales durante el desarrollo del
curso. Se evaluarán trabajos teórico-prácticos y exposiciones
de trabajos grupales e individuales.

Página 4 de 6
 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS MATEMÁTICAS

______________

Calificación Final: La nota final se obtendrá mediante el siguiente promedio:

EP+EF+PP
NF =
3

Donde:
EP = Nota Examen Parcial
EF = Nota de Examen Final
PP = Promedio de Practicas Calificadas

Examen sustitutorio: En la última semana del semestre académico, se tomará el

examen sustitutorio que comprende todo el curso, cuya nota
reemplazará a la menor nota entre el EP y EF.

7. OBSERVACIONES

7.1 Si el alumno dejó de asistir más del 30% del total de horas establecidas para
el dictado del curso (teoría y práctica), tendrá promedio final como cero.

7.2 La inasistencia a alguno de los exámenes será calificada con nota cero y para
tener derecho al sustitutorio, tendrá que justificar su inasistencia.
7.3 El alumno que no haya rendido alguno de los exámenes en la fecha
programada por la Escuela Profesional de Computación Científica, sólo
tendrá un plazo de 48 horas para justificar su inasistencia a la respectiva
Escuela.

8. MATERIAL BIBLIOGRÁFICO

Notas de clase y artículos presentados durante el desarrollo del curso.

Material Consulta

[1] Wooldridge, J., M. (2010). Introducción a la Econometría. Michigan Sate

University. Cengage Learning.
[2] Gujarati, D., y Porter, D. (2009). Econometría. Mc. Graw Hill, México.
[3] Novales, A. (1993). Econometría. The Mc. Graw Hill/Interamericana de
España.
[4] Court, E., y Rengijo, E. W. (2011). Estadísticas y Econometría Financiera.
Fordham University. Centrum PUCP. Cengage Learning.
[5] CASTRO, J. F., RIVAS-LLOSA, R. (2003). Econometría Aplicada.
Universidad del Pacífico, Perú.

Página 5 de 6
 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS MATEMÁTICAS

______________

[6] Greene, W. (2003). Econometric Analysis. New York University. Prentice

Hall, New Jersey, Fifth edition.
[7] Hamilton, L. C. (1994). Time Series Analysis. Pincenton University Press.
[8] ENDERS, W.(1995). Applied Time Series Econometrics. Wiley.

L.J.V.S.

Página 6 de 6