Professional Documents
Culture Documents
Carrera de Economa
Lima Per
2015-1
ndice
ndice
Introduccin
1. Captulo 1
1.1. Modelos ARMA y ARIMA: Condiciones de estacionariedad e
3
5
85
98
100
102
Introduccin
Una serie de tiempo es una secuencia de observacin, medidos en
determinados momentos del tiempo, ordenados cronolgicamente y,
espaciados entre s de manera uniforma, as los datos usualmente son
dependientes entre s. El principal objetivo de una serie de tiempo X t donde
t=1,2, ,n
Estimacin de parmetros
del mtodo escogido
Examen de diagnstico:
Los residuos estimados son de ruido blanco?
Si
No
(Ir al paso
4)
(Regresar al paso
1)
Pronstico
Captulo 1
Modelos ARMA y ARIMA: Condiciones de estacionariedad e invertibilidad,
diferenciacin y correlograma
Esperanza de vida -
(y)
Grfico 1.2:
Grfico 1.3:
tenga raz unitaria. Lo cual nos llevara que la variable no necesita ser
6
(a)
a , se puede apreciar
Grfico 1.6:
Grfico 1.7:
Grfico 1.8:
Se puede
apreciar en
Luego de
concluir
que
la
variable es
no estacionaria a nivel, se procede a sacar su primera diferencia con
intercepto y obtenemos el siguiente cuadro, de el podemos concluir a la
primera diferencia, la variable es un proceso estacionario, con la cual ya es
posible hacer la metodologa de Box-Jenkins.
Grfico 1.11:
( b)
Grfico 13
Grfico 1.14
10
Grfico 1.15:
11
( x)
Grfico 1.19:
Grfico 1.20:
14
Grfico 1.21:
Grfico 1.22:
15
Captulo 2
2.1. Metodologa de Box-Jenkins
16
Identificacin
o Tenga en cuenta que antes de aplicar la metodologa de BoxJenkins el modelo a analizar debe ser estacionario, de lo contrario
se deber diferenciar hasta lograr su estacionariedad.
o Para identificar el proceso de un modelo se aplican los conceptos
del FAS (funcin de auto correlacin simple) y FAP (funcin de
auto
correlacin
parcial)
adems
tambin
del
uso
de
tenerse
en
cuenta
los
patrones
tpicos
de
los
y el
estimacin.
Examen de diagnstico
o Observar los errores estimados mediante correlogramas y
Cuadro 2.2
18
Cuadro 2.3:
19
El modelo es el siguiente:
Y t = 0+ y Yt 1+ y Yt2+ y Yt3+t
Se ha tenido que diferenciar una vez, integrando en orden 1, es decir, la
primera diferencia es estacionaria.
Cuadro 2.5:
20
Y vemos que
correlograma
dentro de la
que es
estacionario,
tanto, el modelo captura los movimientos.
el
queda
banda y
por lo
Cuadro 2.7
Cuadro 2.8
21
22
Cuadro 2.10
Cuadro 2.11:
Cuadro 2.12:
23
El modelo es el siguiente:
A t =a At1+ t+ at1
Las emisiones se han diferenciado una vez para integrada de orden 1, es decir,
es estacionaria. Siendo sus t Stadistics >2 en valores absolutos.
Cuadro 2.13:
24
25
Cuadro 2.15
26
27
Cuadro 2.17:
28
Cuadro 2.18:
Cuadro 2.19:
29
El modelo es el siguiente:
B t= 0+bBt 1+t
Sin embargo, luego se ha tenido que diferenciar una vez, integrando en orden
1, es decir, la primera diferencia es estacionaria.
Cuadro 2.20:
Cuadro 2.22:
31
32
Cuadro 2.24
Cuadro 2.25
33
Cuadro 2.26
34
El modelo es el siguiente:
X t =Xt 1+ t1+ t
35
Cuadro 2.28:
Cuadro 2.29
36
37
Captulo 3
3.1 Modelos de causalidad de Granger
Este modelo en trminos comunes, la causalidad entre dos series de tiempo
significa que una variable contiene informacin estadstica en sus datos que es
til para predecir a la otra variable, utilizando el mtodo de MCO para tal
prediccin.
Dadas dos series de tiempo tales como
causa a
Yt
de la siguiente forma
Xt
XT Y T
Yt
, se denota que
Xt
38
Los tipos de causalidad que existen entre dos series de tiempo son los
siguientes:
I.
Causalidad unidireccional de
Xt
hacia
YT
Xt Y t
II.
Causalidad unidireccional de
Yt
hacia
Xt
Y t Xt
III.
IV.
Xt
y
Xt
Yt
y
X t Y t Y t X t
:
Yt
X t >Y t Y t > X t
Seguimos los siguientes pasos para poder obtener la causalidad segn el libro
de Econometra 1 de la Universidad San Ignacio de Loyola. Presentaremos los
test para todas las variables.
A con B
1) Causalidad unidireccional
B t At
2) Tamao de muestra
n=50
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
A t = i Bt i + j At j +ut
39
A t = A t j+ t
j=1
40
H 1 : 1 0 i=1,2, , k Bt GRANGER A t
10)Estadstico
X
X
S CR R SCR NR
kR
X
SCR NR
nk NR
3.10E+082.45 E+08
1
=
=
2.45 E+08
502
12.7346934
H0
=F F (1 ;502 ;0.25)=1.36
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
1.36 rechazar H 0
A con X
41
1) Causalidad unidireccional
Xt At
2) Tamao de muestra
n=50
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
A t = i X ti + j A t j +ut
A t = A t j+ t
j=1
Cuadro 3.4:
H 1 : 1 0 i=1,2, , k X t GRANGER At
10)Estadstico
X
X
SCR R SCR NR
kR
X
SCR NR
nk NR
3.10E+083.10E+08
1
=
=
3.10E+08
502
H0
=F F (1 ;502 ;0.25)=1.36
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
Y t At
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
A t = i Y t i+ j A t j+u t
A t = A t j+ t
j=1
H 1 : 1 0 i=1,2, , k Y t GRANGER A t
10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
3.10E+083.02E+08
1
=
=
3.02E+08
502
1.27152318
H0
=F F (1 ;502 ;0.25)=1.36
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
1.36 No rechazar H 0
B con A
1) Causalidad unidireccional
45
A t Bt
2) Tamao de muestra
n=49
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
B t= i A t i + j Bt j +ut
B t= Bt j +t
j=1
46
Cuadro 3.8:
H 1 : 1 0 i=1,2, , k At GRANGER Bt
10)Estadstico
X
X
S CR R SCR NR
kR
SCR XNR
nk NR
3.87E+093.70E+09
2
=
=1.03378378
3.70E+09
494
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
1.44 No rechazar H 0
B con X
1) Causalidad unidireccional
47
Xt Bt
2) Tamao de muestra
n=46
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
B t= i X t i+ j Bt j +ut
B t= Bt j +t
j=1
H 1 : 1 0 i=1,2, , k X t GRANGER Bt
10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR
3.77E+092.40E+09
5
=
=4.11
2.40E+09
4610
H0
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
1.39 Rechazar H 0
B con Y
1) Causalidad unidireccional
49
Y t Bt
2) Tamao de muestra
n=49
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
B t= i Y ti + j Bt j+ ut
B t= Bt j +t
j=1
50
H 1 : 1 0 i=1,2, , k Y t GRANGER B t
10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR
3.87E+093.76E+09
2
=
=0.65824468
3.76E+09
494
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
51
1.44 No rechazar H 0
X con A
1) Causalidad unidireccional
Xt At
2) Tamao de muestra
n=49
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
X t = i A ti + j X t j +ut
X t = X t j + t
j=1
H 1 : 1 0 i=1,2, , k At G RANGER X t
10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
446.4644379.0204
2
=
=4.00371589
379.0204
494
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2
12)Prueba de hiptesis
53
Rechazar H 0
2
i=1
j=1
X t = i Bt i+ j X t j+u t
54
X t = X t j + t
j=1
H 1 : 1 0 i=1,2, , k Bt GRANGER X t
10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
446.4644375.6653
2
=
=4.24042292
375.6653
494
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
55
Rechazar H 0
2
2.601644173>1.44 Rechazar H 0
X con Y
1) Causalidad unidireccional
Y t Xt
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k
i=1
j =1
X t = i Y t i+ j X t j +ut
X t = X t j + t
j=1
H 1 : 1 0 i=1,2, , k Y t GRANGER X t
10)Estadstico
X
X
SCR R SCR NR
kR
X
SCR NR
nk NR
446.4644378.5842
2
=
=4.03425315
378.5842
494
H0
57
F F
=F F (2 ;494 ; 0.25)=1,44
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
Y con A
1) Causalidad unidireccional
At Y t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
Y t = i At i+ j Y t j +u t
58
Y t = Y t j + t
j =1
59
H 1 : 1 0 i=1,2, , k At GRANGER Y t
10)Estadstico
X
X
SCR R SCR NR
kR
X
SCR NR
nk NR
0.0005270.000396
5
=
=2.38181818
0.000396
4610
H0
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
3.075>1.41 Rechazar H 0
Y con B
1) Causalidad unidireccional
60
B t Y t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
Y t = i Bti + j Y t j +ut
Y t = Y t j + t
j =1
Cuadro 3.22:
H 1 : 1 0 i=1,2, , k Bt GRANGER Y t
4) Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
0.0005270.000432
5
=
=1.58333333
0.000432
4610
H0
(k R ;nk NR ; )
2
6) Prueba de Hiptesis
2.971559633>1.41 Rechazar H 0
Y con X
62
1) Causalidad unidireccional
Xt Y t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k
i=1
j =1
Y t = i X t i+ j Y t j+u t
63
Y t = Y t j + t
j =1
H 1 : 1 0 i=1,2, , k X t GRANGER Y t
10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR
0.0005270.000466
5
=
=0.94248927
0.000466
4610
H0
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
64
Rechazar H 0
2
2.434934498>1.41 chazar H 0
Despus de evaluar el test de causalidad de Granger en cada combinacin de
variable posible en nuestro trabajo, nos dio como resultado nueve
combinaciones de las cuales se acept el
H1
A con B
A con X
B con X
X con A
X con B
X con Y
Y con A
Y con B
Y con X
H0
en el test de causalidad de
Granger.
65
Captulo 4
IV.1
A con B
1) Contexto
A t = 0+ Bt 1+ A t1
2) hiptesis
3) Por MCO
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
a. Hiptesis:
H 0 : t I ( 0 ) At Bt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) At Bt CI ( d , b )=CI (1,1)
Cuadro 4.2:
H0
67
Cuadro 4.4:
Cuadro 4.5:
68
A con X
1) Contexto
A t = 0+ X t1 + At 1
2) hiptesis
3) Por MCO
Cuadro 4.6:
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
a. Hiptesis:
69
H 0 : t I ( 0 ) At Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) At Xt CI ( d , b )=CI (1,1)
Cuadro 4.7:
H0
Cuadro 4.9:
70
Cuadro 4.10:
B con X
1) Contexto
B t= 0 + X t1 + X t 2+ X t3 + X t 4 + X t5 +B t1 + Bt2 + Bt3 + Bt 4 +B t5
2) hiptesis
3) Por MCO
Cuadro 4.11:
71
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
a. Hiptesis:
H 0 : t I ( 0 ) Bt Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Bt Xt CI ( d , b )=CI (1,1)
Cuadro 4.12:
72
H0
73
Cuadro 4.14:
Cuadro 4.15:
X con A
74
Contexto:
X t =0 + A t 1 + At 2+ X t 1 + X t2
Hiptesis:
Por MCO:
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
75
H 0 : t I ( 0 ) Xt At CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt At CI ( d , b )=CI (1,1)
Cuadro 4.17:
76
Cuadro 4.19:
Cuadro 4.20:
77
X con B
Contexto:
X t =0 +B t1 +B t2 + X t 1+ X t2
Hiptesis:
Por MCO:
78
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
H 0 : t I ( 0 ) Xt Bt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt Bt CI ( d , b )=CI (1,1)
Cuadro 4.22:
79
80
Cuadro 4.24:
Cuadro 4.25:
X con Y
81
Contexto:
X t =0 +Y t1 +Y t 2 + X t1 + X t 2
Hiptesis:
Por MCO:
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
82
H 0 : t I ( 0 ) Xt Yt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt Yt CI ( d , b )=CI (1,1)
Cuadro 4.27:
83
Cuadro 4.29:
Cuadro 4.30:
84
Y con A
Contexto:
Y t = 0 + A t1 + A t 2 + A t3 + A t 4 + A t 5 +Y t 1+ Y t2 +Y t 3 +Y t 4 +Y t 5
Hiptesis:
Por MCO:
85
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
H 0 : t I ( 0 ) Yt At CI ( d , b )=CI (1,1)
H 1 : t I ( 0)Yt At CI ( d , b ) =CI (1,1)
Cuadro 4.32:
86
87
Cuadro 4.34:
Cuadro 4.35:
Y con X
Contexto:
88
Y t = 0 + X t1 + X t 2+ X t 3 + X t4 + X t5 +Y t 1+Y t 2+ Y t3 +Y t 4 +Y t5
Hiptesis:
Por MCO:
Siendo:
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
H 0 : t I ( 0 ) Yt Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0)Yt Xt CI ( d , b )=CI (1,1)
89
Cuadro 4.37:
90
Cuadro 3.39:
Cuadro 4.40:
H0 .
91
Captulo 5
Test ARCH-GARCH:
Justo como el trmino de error
en el tiempo
(t1)
puede estar
en un esquema
en el tiempo t ,
92
Test de ARCH
Variable A
I.
Contexto:
A t =a At1+ t+ at1
Las emisiones se han diferenciado una vez para integrada de orden 1, para
que sea estacionaria.
II.
Objetivo:
^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1
Cuadro 5.1.
IV.
ARCH(4):
2
2
2
2
2
^ =c+ 1 t 1+ 2 t 2+ 3 t 3 + 4 t4 + et
T =45
R 2=0.579570
V.
Hiptesis:
VI.
Estadstico:
2
LM calculado=T . R =26.08065
Dado=5
VII.
(q ;
VIII.
H 0 LM X 2(Q)
=11.14328678
=2,5)
2
Si : LM calculado> LM crtico R H 0
2
26.08065>11.14328678 R H 0
Como se rechaza la hiptesis nula, por lo tanto se acepta que hay un ARCH(4)
en la corrida.
IX.
Estimacin
94
Variable B
B t= 0+bBt 1+t
I.
Contexto:
II.
III.
Modelo Auxiliar:
^2 = 0 + i 2t i+ et e t WN (0 ; 2 )
i=1
Cuadro 5.2.
95
IV.
ARCH(1):
T =48
R 2=0.065787
V.
Hiptesis:
VI.
Estadstico:
LM calculado=T . R2=3.157778
Dado =5
VII.
H 0 LM X 2(Q)
96
LM crtico= X
VIII.
2
(q ;
=5.02388619
=2,5)
2
Si : LM calculado> LM crtico R H 0
2
3.157778<5.02388619 NR H 0
Como se no se rechaza la hiptesis nula, por lo tanto se rechaza que hay un
ARCH(1) en la corrida.
IX.
Estimacin
Variable X
97
I.
Contexto:
X t =Xt 1+ t1+ t
Objetivo:
^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1
Cuadro 5.3.
IV.
ARCH(1):
R 2=0.000315
V.
Hiptesis:
98
VI.
Estadstico:
2
LM calculado=T . R =0.015141
Dado=5
VII.
VIII.
2
(q ;
H 0 LM X 2(Q)
=5.02388619
=2,5)
2
Si : LM calculado> LM crtico R H 0
2
0.015141<5.02388619 NR H 0
Como se no se rechaza la hiptesis nula, por lo tanto no se acepta que hay un
ARCH(1) en la corrida.
IX.
Estimacin
99
Variable Y
I.
Contexto:
Objetivo:
^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1
Cuadro 5.4.
IV.
ARCH(2):
100
R 2=0. 262285
V.
Hiptesis:
VI.
Estadstico:
LM calculado=T . R2=11.80282
Dado=5
VII.
(q ;
VIII.
H 0 LM X 2(Q)
=7.37775891
=2,5)
2
Si : LM calculado> LM crtico R H 0
2
11.80292>7.37775891 R H 0
Como se rechaza la hiptesis nula, por lo tanto se acepta que hay un ARCH(2)
en la corrida.
IX.
Estimacin
101
Test de GARCH
Variable A:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q
= 0 +
2
t
i=1
2
i t1
+ j t j + vt
2
j=1
102
2t = 0 + 1 2t1 + 1 2t 1+v t
Despus de obtener el rezago optimo gracias los criterios de informacin,
hemos obtenido que el modelo es un ARCH (1) GARCH (1).
Variable B:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q
i=1
j=1
2t = 0 + i 2t1 + j 2t j + vt
103
2t = 0 + 1 2t1 + 1 2t 1+v t
Variable X:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q
= 0 +
2
t
i=1
2
i t1
+ j 2t j + vt
j=1
2t = 0 + 1 2t1 + 1 2t 1+v t
= 0 +
2
t
i=1
2
i t1
+ j 2t j + vt
j=1
106
107
Variable X:
X t =^
10+ ^11 X t 1+ ^
^11 Y t1 + ^12 Y t2 + ^11 B t1+ ^
^11 At 1+ ^
12 X t2 +
12 Bt 2+
12 A t2 + Xt
Variable Y:
Y t =^
20 + ^21 X t1+ ^
^21 Y t 1+ ^
^
^
^
^22 A t 2+ Yt
22 X t 2 +
22 Y t 2+
21 B t 1+
22 Bt 2+
21 A t1 +
Variable B:
B t= ^
^31 X t 1+ ^
^31 Y t1 + ^32 Y t 2 + ^31 Bt1 + ^32 Bt2 + ^31 At 1+ ^
30 +
32 X t2 +
32 A t2 + Bt
Variable A:
A t =^
40+ ^41 X t 1 + ^
42 X t2 + ^41 Y t 1+ ^
^41 Bt1 + ^42 Bt 2+ ^
41 A t1 + ^42 At 2+ At
42 Y t2 +
Cuadro 6.2.
108
Esperanza de
vida al nacer,
total (aos)
PBI (mill.
Emisiones
S/. de
de CO2 (kt) 2007)
1960
47.69158537
8173.743
69946
1961
48.23292683
8643.119
75085
1962
48.75278049
9970.573
82620
1963
49.24865854
10234.597
86196
1964
49.72804878
12266.115
91840
1965
50.21443902
11965.421
97003
1966
50.73678049
13256.205
104995
1967
51.31853659
13655.908
109040
1968
51.96919512
14502.985
109206
1969
52.68726829
15302.391
113044
1970
53.4537561
17784.95
116849
1971
54.24168293
18613.692
122213
1972
55.01758537
18173.652
126463
1973
55.758
19757.796
134401
1974
56.45141463
21360.275
147017
1975
57.09682927
21965.33
153340
1976
57.7047561
22442.04
155559
1977
58.29414634
23340.455
156102
1978
58.881
22460.375
151977
1979
59.47034146
22273.358
158194
1980
60.06363415
24121.526
167596
1981
60.65892683
24103.191
176901
1982
61.24970732
23670.485
176507
1983
61.8305122
20450.859
158136
Exportacion
es de
bienes y
servicios
(% del PIB)
20.761764
18
21.375350
86
20.510688
7
18.950041
79
19.017476
21
16.097923
05
15.987460
82
15.844298
57
18.602498
67
17.941299
14
17.892856
6
14.217099
99
14.124783
3
13.689038
89
14.499138
19
10.850615
31
12.048881
1
15.896706
12
20.733182
67
27.741325
04
27.450980
39
19.101123
6
19.594594
59
22.909090
91
109
1984
62.39936585
20692.881
163842
1985
62.95482927
19512.107
167219
1986
63.49443902
21847.986
182981
1987
64.01921951
25782.677
200778
1988
64.53217073
25107.949
181822
1989
65.0347561
21840.652
159436
1990
65.53043902
21169.591
151492
1991
66.02365854
20417.856
154854
1992
66.51736585
20388.52
154017
1993
67.0134878
23556.808
1994
67.5125122
23230.445
1995
68.01543902
23883.171
1996
68.5237561
24363.548
1997
69.03253659
27407.158
1998
69.53680488
27806.861
1999
70.03009756
29358.002
2000
70.50543902
30296.754
2001
70.95239024
27165.136
2002
71.36692683
27187.138
2003
71.74756098
26380.398
2004
72.09680488
31895.566
2005
72.41860976
37135.709
2006
72.72097561
35063.854
2007
73.01487805
43208.261
2008
73.30729268
41279.419
2009
2010
73.60368293
73.90509756
47355.638
57579.234
162093
182043.
615
195536.
023
201009.
307
214028.
281
213189.
911
216376.
808
222206.
672
223579.
534
235773.
036
245592.
63
257769.
796
273971.
072
294597.
852
319692.
999
348923.
004
352584.
017
382380
23.063973
06
27.498448
17
16.947439
35
13.182269
27
15.560878
24
17.871931
57
16.125181
1
12.415546
12
12.793182
42
12.671540
05
13.119701
89
12.890482
18
13.568600
35
14.710423
13.819073
32
15.485004
56
16.787069
63
16.475841
14
17.067087
14
18.531859
7
22.417509
05
26.569058
02
29.972113
1
30.498456
83
28.392962
26
25.186030
59
26.559760
110
37
Fuente:
Banco Mundial (Esperanza de vida, Emisiones y exportaciones)
BCRP (PBI)
BIBLIOGRAFA
http://www.bcrp.gop.pe/
112