6. Modelos VAR.

6.1. Introduccin.

Los modelos que hemos considerado hasta aqu 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 t o por una combinacin de estas variables.
Es decir, hemos considerado modelos de regresin, modelos de series cronolgicas del tipo
ARMA o ARIMA o una combinacin de modelos cuyo propsito fue explicar siempre el
comportamiento de una nica variable y en funcin de un conjunto de variables que
podemos denominar sintticamente 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 recproca
entre las variables. Por ejemplo, puede suponerse que el nivel del producto afecta a la
inversin 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 simtricas 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 anlisis VAR. Esta abreviatura quiere denotar a
un proceso vectorial autoregresivo. Un ejemplo de proceso vectorial autoregresivo de
primer orden (porque el rezago mximo 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 trminos de
perturbacin yt y zt son dos procesos de ruido blanco incorrelacionados entre s cuyos
desvos estndares respectivos son: ( y ) y ( z ) .

Si z t vara en una unidad yt lo hace en - b12 unidades, es el efecto contemporneo de z t

sobre yt y anlogamente b21 es el efecto contemporneo de un cambio unitario de yt sobre
z t. En trminos de nuestro ejemplo sobre el producto y la inversin el modelo supone que
los valores actuales y pasados del producto influyen sobre el nivel de inversin y
recprocamente los niveles de esta influyen sobre los valores de aquel. Tambin influyen los
valores pasados, en este caso restringidos al perodo anterior.

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

El sistema anterior puede escribirse:

1 b12 y t

b

21 1 zt

1 b12

b21 1

Si se hace: B

y
xt t
zt

yt
b10 11 12 y t 1
b
z
zt
20
21
22 t 1

b10

b20

C0

11 12

21 22

C1

yt 1

zt 1

xt 1

Resulta la ecuacin: 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
A0 B 1C0 10
a20

a11
a21

A1 B 1C1

a12
a22

e1t
et B 1 t
e
2t

yt

zt

Esta nueva notacin permite escribir el sistema como:

yt a10 a11 yt 1 a12 zt 1 e1t

zt a20 a21 yt 1 a22 zt 1 e2t

Bajo esta forma el sistema se denomina reducido o estndar.

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

yt b12 zt
e

E (et ) E 1 t E ( B 1 t ) E
/ (1 b12b21 )

e1 t
zt b21 yt

0
0

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

yt b12 zt
yt b12 zt

zt
21
yt

E[et et ] E[ B 1 t ( B 1 t )] E

zt b21 yt / (1 b12b21 ) 2

Var (e1t )
Cov(e1t , e2t )
12 12

=
Cov (e , e )
2
Var (e2t )
1t
2t

21 2

y2 b122 z2
(b21 y2 b12 z2 )
2
/ (1 b12b21 )
2
2
2
2
2

(
b

21 y
12 z
z
21 y

Esto significa que e1 t y e2 t estn correlacionados.

Por otra parte:

yt b12 zt
yt i b12 zt i
zt b21 yt

E[et et i ] E[ B 1 t ( B 1 t i )] E

zt i b21 yt i / (1 b12b21 ) 2

0 0
=

0 0

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

En sntesis, 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 cules 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 trminos:

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

Si se efectan n iteraciones se tendr:

n

xt ( I A1 A12 .... A1n ) A0 A1i et i A1n 1 xt n 1

i 0

n
Para que esta expresin tenga sentido A 1 debe anularse para n suficientemente grande. Esto

sucede si las races caractersticas de A1 son menores que la unidad en valor absoluto. Una
breve revisin de los conceptos relacionados con las races caractersticas de una matriz se
puede encontrar en el Apndice a este captulo.

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 e2t

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 cmputo 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 sucesin de comandos:
Datos, Anlisis de Datos, Generacin de nmeros aleatorios, Nmero de variables 2,
Nmero de observaciones 100, Normal, Media 0, Desvo Estndar 1.

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

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

colocaron ceros. En C3 se escribi: =0,75*C2+0,15*D2+A3 < Enter>. En D3 se escribi:
=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 continuacin.

alea1

alea2

z
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 consisti en importar desde el Eviews los datos generados en el Excel.
Esto se efectu mediante los procedimientos corrientes: 1) se abri 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 abri el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especific que las series se
disponan en columnas, se indic el rango de observaciones y se seal en qu 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 continuacin. El grfico 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:
a11
a21

A1

a12
0, 75 0,15

a22
0, 75 0,15

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

6
4
2
0
-2
-4
-6
10

20

30

40

50
Y

60

70

80

90

100

6.4. Identificacin y estimacin de los modelos VAR.

El modelo VAR en su versin 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 contemporneas
y los procesos de error estn correlacionados con esas variables; como z t explica a y t y
z forma parte de z t entonces el proceso de error z est relacionado contemporneamente
con y t . Otro tanto ocurre entre y y z t . En cambio, puede ser estimada la versin estndar
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 limitacin importante: permite estimar
nueve parmetros, 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 parmetros, cuatro b ij, cuatro ij, la varianza de y
y la varianza de z . Esto hace que el modelo estructural se halle subidentificado.

Para que el modelo original pueda ser identificado plenamente debe incorporarse una
restriccin, si se incorporara ms de una restriccin el VAR original estara
sobreidentificado. Una restriccin bastante frecuente es que b 21 es igual a cero en el sistema
original lo que implica que yt no tiene efecto contemporneo sobre zt .
Sin embargo esta restriccin o las que se desee formular deben estar fundadas en motivos
econmicos para que el sistema no sea desnaturalizado.

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

econmicas del modelo as 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

queda:

1 b12
0 1 .

A fin de mostrar el procedimiento de estimacin 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
unitaria

2t

son dos sucesiones independientes de ruido blanco normal con varianza

En primer trmino se generaron 100 nmeros 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, Anlisis de Datos, Generacin de nmeros aleatorios, Nmero de
variables 2, Nmero de observaciones 100, Distribucin Normal, Iniciar con 1234, Media
0, Desvo Estndar 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 escribi: =2+0,75*C2+0,15*D2+A3 < Enter>. En D3 se
escribi: =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 continuacin.

alea1

alea2

z
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 consisti en importar desde el Eviews los datos generados en el Excel.
Esto se efectu mediante los procedimientos corrientes: 1) se abri 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 abri el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especific que las series se
disponan en columnas, se indic el rango de observaciones y se seal en qu celda
comenzaban los datos, en este caso C2.

El grfico de las series se presenta a continuacin. Se aprecia que aparentan ser

estacionarias aproximadamente a partir de la vigsimo quinta observacin 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
8
4
0
-4
10

20

30

40

50
Y

60
Z

70

80

90

100

La estimacin de las variables y y z puede hacerse mediante los mtodos de mnimos

cuadrados ordinarios aplicndolos a cada una de las regresiones. En los dos casos: en el de
la regresin de y como en el de la regresin 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.

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 estimacin son muy parecidos a los propuestos
en el modelo.

En el caso de z los resultados fueron:

Coefficie
nt

Std. Error

t-Statistic

Prob.

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

Tambin 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 mostr
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 ms 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

RESI04

0.816308

0.042116

0.042116

0.950154

2
Como Var (e2 ) z

2
2
2
entonces z 0,95 . Adems: Cov(e1 , e2 ) = (b21 y b12 z ) y como

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

Adems: 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 .
Tambin de a11 11 b12 21 se puede deducir que: 11 = 0,724 y de a12 12 b12 22 y que
12 = 0,167.

El modelo estructural con la restriccin 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 ms ntida las interrelaciones del proceso y
conocer las influencias contemporneas 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 versin estructural la influencia
contempornea de z t sobre y t no habra sido reconocida.

Cabe sealar que la estimacin del modelo se poda 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 permiti reducir el nmero de lags a uno aun cuando
los parmetros correspondientes a los rezagos de orden dos no eran significativamente
distintos de cero. Debido a esta limitacin 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 continuacin y excepto que no fue posible reducir el

nmero 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(-1)

0.714502

0.159786

(0.10399)

(0.11094)

[ 6.87095]

[ 1.44032]

0.029979

0.005174

(0.09560)

(0.10198)

[ 0.31361]

[ 0.05073]

0.219324

0.862020

(0.09623)

(0.10266)

[ 2.27927]

[ 8.39717]

-0.032925

-0.139242

(0.09783)

(0.10437)

[-0.33654]

[-1.33410]

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

Y(-2)

Z(-1)

Z(-2)

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
nmero 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 e2 t

Este modelo es el que estima por defecto el Eviews en Proc Make Vector Autoregression
Unrestricted Var.

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

x1t
x
2 t
..

xnt

A
10
A 20
..

A n 0

A11 ( L)
A21 ( L)
....
An1 ( L)

A12 ( L) .. A1 n ( L )
A22 ( L) .. A2 n ( L)
....

....
....

An 2 ( L) .... Ann ( L )

e1t
x1t 1
x
2t 1 e2t
..
..

ent
xnt 1

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

p en el operador de rezagos L y eit denota a los trminos de perturbacin. 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 razn de verosimilitud, o los
criterios de Akaike o Schwarz considerando que en un VAR con n ecuaciones y p rezagos el
nmero total de parmetros estimados es N = n 2 * p + n, donde n 2 * p son los parmetros
que se estiman en la matriz que incluyen los rezagos y el ltimo sumando corresponde a las
n constantes del modelo.

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

Un modelo vectorial autoregresivo tambin puede tener una representacin bajo la forma de
promedios mviles en cuyo caso se denomina proceso vectorial de medias mviles 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 versin 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 ecuacin de abajo se despeja z t se sustituye este valor en la primer ecuacin y

luego se despeja y t queda:

yt

a10 (1 a22 ) a12 a20 (1 a22 L)e1t a12 e2 t 1

(1 a11 L)(1 a22 L) a12 a21 L2

De manera similar se puede hallar z t :

zt

a20 (1 a11 ) a21a10 (1 a11L)e2t a21e1t 1

(1 a11 L)(1 a22 L) a12 a21 L2

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

yt

a10 (1 a22 ) a12 a20

(1 a11 )(1 a22 ) a12 a21

zt

a20 (1 a11 ) a21a10

(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 mviles:

xt ( I A1 A12 .... A1n ) A0 A1i et i A1n 1 xt n 1

i 0

Se puede escribir como solucin particular:

y t
z
t

yt

A1i et i

z
i 0
t

Si los et se expresan en funcin de los t y recordando que: et = B-1 t la ecuacin anterior se

puede escribir:
y t
z
t

yt

A1i B 1 t i

z
i 0
t

y t
i 1
Y haciendo i A1 B resulta:
zt

yt

i t i .

z
i 0
t

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

i 1
El primer trmino de i t i A1 B t i se expone a continuacin.

0 t A10 B 1 t B 1 t

1
1
1 b12b21 b21

b12 yt
yt b12 zt
1

1 zt
1 b12b21 b21 yt yt

Se puede apreciar que el coeficiente - b12 / (1 b12b21 ) indica el impacto instantneo que zt
tiene sobre yt , en tanto que - b21 / (1 b12b21 ) indica el impacto instantneo 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 as 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 trminos de perturbacin, los zt y los yt en cada
caso, ejercen sobre las variables yt y zt , respectivamente.

Si se hace:

i 0

i t i

11 (i ) 12 (i )
22 (i)
i 0 21 (i )

yt i

zt i

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. Anlogamente

21 (i ) representa el efecto de los yt sobre yt

y tambin

i 0

21

(i ) representa el efecto

acumulado sobre zt .

Cada uno de los cuatro coeficientes jk (i ) van tomando valores a medida que vara i, el
rezago de la perturbacin; son considerados como funciones de i y cada uno de esas
funciones se denomina funcin de respuesta a impulsos. El grfico de cada una de estas
funciones jk (i ) contra i permite apreciar cmo vara la sucesin yt o zt segn el caso, en
respuesta a los distintos shocks que impactan en las series.

Sin embargo, como se ha visto en el punto 6.4. Identificacin y estimacin de los modelos
VAR el sistema primitivo se halla subidentificado, de manera que es necesario imponer
alguna restriccin para identificar las respuestas a los impulsos. Esta restriccin (si es que

posee sentido econmico) puede ser que b21 0 , lo que significa que yt no tiene efecto
contemporneo sobre zt .

e1t
1 b12

0 1
e2 t

En este caso los trminos de error resultan:

yt
.
zt

Esto significa que: e1t yt b12 zt y que e2t zt . Si uno conoce la sucesin {e2t } conoce la
sucesin { 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
2
2
2
2
2
la sucesin { yt } , ya que: Var (e1t ) y b12 z , Var (e 2t ) z y Cov(e1t , e2 t ) b12 z .

Con relacin 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 versin reducida puede ser escrito:

xt A0 A1 xt 1 ..... Ap xt p vt

A0 [ a10 a20 .......an 0 ]

Donde: yt [ y1t y2t ....... ynt ]
y donde las A i son matrices
de coeficientes similares a las que se han considerado hasta aqu.

Si se supone que el proceso de error v t en lugar de ser ruido blanco est autocorrelacionado
y que la estructura de correlacin posee una representacin MA:

vt et M 1et 1 ...... M q et q

donde et [e1t e2 t ........ent ] es ruido blanco y M i son matrices de coeficientes, entonces el

proceso se denomina proceso vectorial autoregresivo y de medias mviles (a veces tambin
proceso vectorial mixto) y se denota mediante la sigla VARMA. Estos procesos exceden los
lmites de este trabajo y no sern 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 contempornea y la
otra en la que los valores rezagados de una de ellas anticipa, en el sentido que tiene una
cierta relacin, con los valores futuros de la otra. Esta relacin 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 parmetros
correspondientes a los coeficientes de los trminos que incluyen a esos p rezagos deben ser
distintos de cero, en caso contrario todos ellos deben ser iguales a cero.

Si todos los parmetros correspondientes a los coeficientes de los trminos que incluyen a
esos p rezagos son iguales a cero se dir que z t no causa en el sentido de Granger a y t . Se
dir que s lo causa si el parmetro que corresponde a algn coeficiente de un trmino
rezagado de z t es distinto de cero.

Si la ecuacin contiene un solo rezago y el coeficiente de z t-1 es a 12 , entonces se deber

determinar si a 12 es igual a cero o no. Si la ecuacin contiene ms de un rezago se deber
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 ms 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 regresin restringida, SCR n r es la suma de

cuadrados de la regresin no restringida, m es el nmero de restricciones y n es el nmero
de observaciones y k es el nmero de parmetros estimados en la regresin no restringida.

La causalidad es una condicin ms dbil que la exogeneidad, esta incluye adems 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 exgena si no est afectada ni
por el valor presente ni por los valores pasados de z t , es decir adems de no ser causada en
el sentido de Granger por z t tampoco recibe ninguna influencia contempornea de esta. La
idea de exogeneidad se relaciona con la forma en que una variable se comporta con relacin
a las otras u otra variable del modelo, si su variacin es autonma e independiente de las
otras u otra variable del modelo entonces es exgena con respecto a las otras dentro del
marco de ese modelo, en caso contrario se la denomina endgena.

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

Estos modelos son adecuados para conocer las relaciones que hay entre las variables, en
este ejemplo se indagar acerca de las influencias recprocas entre el pbi y la inversin
correspondientes al perodo 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 continuacin.

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 inversin tambin 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 grfico de las mismas se presenta a

continuacin. Loinver se calcul 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

LOINVER

98

00

02

04

LOPBI

Para determinar si las series poseen races unitarias se les aplic el test de Dickey Fuller,
verificndose que el logaritmo de la inversin no posee races unitarias, en cambio s posee
lopbi. Sin embargo, si se incorpora una tendencia determinstica lopbi tampoco posee races
unitarias con un nivel de significacin de 5%. Los resultados del test aumentado de Dickey
Fuller se presentan a continuacin.

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 determinstica se consigue que lopbi lo sea. Esta posibilidad resulta atractiva ya
que mantiene la sencillez del modelo evitando transformaciones que pueden dificultar los
clculos posteriores.

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

Despus de varias pruebas los dos modelos estimados, uno para cada variable, que podan
considerarse satisfactorios ya que sus resultados combinaban criterios de parsimonia, de
razonabilidad y de adecuacin 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
t

Std. Error

t-Statistic

Prob.

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,
seal de que las series incluyen factores estacionales y que estos estarn presentes en los
resultados quitndole nitidez a las conclusiones. La estacionalidad fue corroborada para
ambas series, lopbi y loinver, mediante el Census X12 tanto en la versin multiplicativa
como en la aditiva, las que mostraron, en ambos casos, que se trata de estacionalidad
estable. Como los anlisis con series desestacionalizadas no reflejaron resultados
satisfactorios y como por otra parte se comprob que los factores estacionales eran muy
similares para ambas series, se prefiri 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
t

Std. Error

t-Statistic

Prob.

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 teora de la inversin debe pasar un cierto tiempo para que esta
madure y, por lo tanto, se puede suponer que la inversin no afecta contemporneamente al
pbi aunque los movimientos de esta variable s pueden influir contemporneamente sobre la
inversin. Un pbi en crecimiento, por ejemplo, propende a un mejor clima de negocios y
sienta las bases para un mejor desempeo de la inversin. De manera que la restriccin
adicional que se requiere para pasar del modelo reducido al estructural se puede fundar
naturalmente en la teora de la inversin. Esta restriccin supone que b12 = 0.

Las ecuaciones son un poco ms complicadas que en el caso considerado en el punto 6.4.
Identificacin y estimacin de los modelos VAR ya que se incluyen ms parmetros que
deben ser estimados, los que corresponden a los rezagos de orden dos y el que corresponde
a la tendencia determinstica.

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 determinstica.

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

 1 0
b

21 1

y t
zt

11 12 13 14 15
b10
b
22 23 24 25
21
20

yt 1
y
t 2
zt 1

zt 2
w

yt

zt

0
1
despus de efectuar las operaciones resulta:
b21 1

1
Si se multiplica por B

yt 1
y
t 2
yt
b10
11
12
13
14
15

y t
zt 1
z
b b b b

yt b21 zt
22 b21 12 23 b21 13 24 b21 14 25 b 21 15

20
21 10
21
21 11
t

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 determinstica 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

2
2
2
2
Adems como Var (e1t ) y , Var (e 2t ) y b21 z y teniendo en cuenta que

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
zt

0 zt 1 0,159 zt 2 0, 002w

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 .

2
Como Cov(e1t , e2 t ) 0, 006811 y Var (e1t ) y = 0,003184 resulta b21 - 2,139

Adems: a10 b10 = 5,884 as 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.
Tambin: 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 ltimo: 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
zt

0,377 yt 1 0 yt 2 0 zt 1 0,159 zt 2 0, 002 w

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

Esta ltima ecuacin revela que hay una gran influencia contempornea del pbi sobre la
inversin.

Ejercicio. Compruebe que si se hubiera incorporado la restriccin 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 yt 0,137 yt 1 0 yt 2 0,841zt 1

0 zt 2 0 w

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

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

primer orden, cuya forma es la siguiente:

y t
z
t

a 10
a11
a a
20 21

a 12 e1t
a 22 e2t

En el punto 6.5. El modelo VMA. Funcin de respuesta a impulsos se ha indicado que estas
ecuaciones pueden transformarse en:

 y t
z
t

yt

A1i B 1 t i

z
i 0
t

Donde:

yt

a10 (1 a22 ) a12 a20

(1 a11 )(1 a22 ) a12 a21

B 1

1
1
1 b12b21 b21

zt

b12
1

a20 (1 a11 ) a21a10

(1 a11 )(1 a22 ) a12 a21

et = B-1 t

y t
i 1
Y haciendo i A1 B resulta:

zt

yt
z i t i .
i 0
t

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

Tambin se haba sealado que a los elementos de la matriz i se los denomina

multiplicadores de impacto

i 0

i t i

11 (i ) 12 (i )
22 (i)
i 0 21 (i )

yt i

zt i

Por ejemplo: 12 (i) representa el efecto de los zt sobre yt

y anlogamente 21 (i )

representa el efecto de los yt sobre yt ; los valores de jk (i ) donde j y k son fijos,

representan una funcin de respuesta a impulsos.

Para presentar un ejemplo se considerar el modelo estimado en el punto 6.4.

Identificacin y estimacin 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 restriccin b 21 = 0 se haba 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 obtencin de los 12 (i) que representan el efecto de los zt sobre yt
.
a11
Las matrices requeridas son: A
a21
i
1

a12
0, 73 0, 20

0,13 0, 76
a22

1 0, 044
1
0

B 1

0 1
1
As: 0 A1 B B En esta matriz 12 0, 044 es el efecto contemporneo de zt sobre

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
0,13 0, 76 0
0,13 0, 006

1 A1 B 1

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

 0, 73 0, 20
2 A12 B 1

0,13 0, 76

1 0, 044
0,559 0, 025
=
0

0, 095 0, 004

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

0, 73 0, 20
3 A13 B 1

0,13 0, 76

1 0, 044
0, 427 0, 019
=
0

0, 073 0, 003

En esta matriz 12 0, 019 es el efecto de zt 3 sobre yt y as siguiendo.

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

shocks aleatorios zt ; zt 1 ; zt 2 ; zt 3 ; etc., es decir como reacciona yt por la accin 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 informacin detallada.

Ejercicio.
En el modelo

yt 2,3 0, 65 yt 1 0, 24 zt 1 e1t
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 continuacin

RESIE1

RESIE1

RESIE2

0.004567

0.003415

RESIE2

0.003415

0.002698

Donde RESIE1 = e 1t y

RESIE2 = e 2t , con la restriccin b 21 = 0 obtenga el modelo

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

Apndice. Autovalores y Autovectores de una matriz.

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

En esa ecuacin, si x 0, existe una solucin que no es trivial si la matriz A - I es

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

1 2
0
y dado que I

entonces:
3 2
0

Por ejemplo, si A

A I 0 resulta:

1
3

2
(1 ) (2 ) 6 4 3 2 0 . Las races de esta
2

ecuacin, denominada caraterstica, son 1 -1 y 2 4 .

Los autovectores de la matriz A se hallan reemplazando en la ecuacin ( A - I ) x por
las races de la ecuacin caracterstica. Para la raz 1 1 se tiene:
2 2 x1
3 3 x

2 x1 2 x2

3x 3 x Es decir, x1 x2 .

1
2

 3 2 x1
Para la raz 2 4 resulta:

3 2 x2

3 x1 2 x2
2

. En este caso x1 x2 .
3 x 2 x
3

1
2

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
x2

1
1
en tanto que x1
. El primer autovector es
2
2

1 1
2 ; 2 .

3
13 2
4 2
x2 x22 1 o bien
x2 1 , es decir x2
en tanto que
13
9
9

Para el segundo vector es

x1

2 3
2

. El segundo autovector es
3 13
13

2
3
;
.
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 fcilmente el
problema para una matriz simtrica.

Por ejemplo, se hallarn los autovectores y los autovalores de la matriz simtrica 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 simtrica. 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
anloga 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 llam matrix03. Luego se escribi: matrix03=@eigenvectors(sym01). Los
autovectores aparecen a continuacin. 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 as 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 simtrica 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 nmero de filas ( o

columnas) linealmente independientes sigue que el rango de una matriz A es el nmero de

races caractersticas distintas de cero.