FACULTA

DEPARTAMENTO D
MUESTREO
E2: MÉTODOS NO-PARAMÉ
15 de
Sem

El Ministerio de Comercio, Industria y Turismo está revisando las políticas de comercio exterior para 6 de sus pro
estos productos. Usted ha sido contratado como analista para generar el reporte de uno de sus productos (ver la

1. ¿Qué producto podría semejar el comportamiento de esta demanda? Denle un nombre a su serie de tiempo y
La venta de celulares se asemeja a el comportamiento de los datos, ya que con el paso del tiempo este producto
2. Construya la ACF de la serie de tiempo en la hoja ACF. Hágalo teniendo en cuenta 15 rezagos. Si la serie es esta

3. Construya los dos métodos de pronóstico que más se ajustan a las componentes de su serie de tiempo. Tenga
- En el caso de MMS proponga un valor de m que sea acorde al comportamiento de los datos.
- En el caso del SES, SEB, SEH, SEHWM, SEHWA optimice los parámetros del modelo usando SOLVER.
- Justifique los valores iniciales usados en los métodos de suavizamiento exponencial. En el SEH se escogieron lo
estos valores representan el nivel y la tendencia de la serie respectivamente. Y para el modelo SEB se escogió com
adecuado es dar este valor al SSE y SED porque si pusieramos la media por ejemplo estariamos dando un valor m
- En el caso en que la serie sea estacional justifique el valor de L.
- Complete la tabla de la hoja RESUMEN.
- Construya el modelo con los períodos de 2001 a 2010, deje el resto de períodos para evaluar su modelo.
- Guarde todos sus cálculos en la hoja RESULTADOS.

4. Elija el mejor modelo para cada uno de los criterios enunciados a continuación (elija sólo uno en cada caso ex

Criterio MMS SES SEDB SEDH

1. Componentes de la serie X X

2. Ajuste gráfico del modelo X

3. Valores MAPE del ajuste X

4. Valores SDE del ajuste X

5. Valores MAPE del pronóstico X

6. Valores SDE del pronóstico X

 7. Valores de pronósticos futuros X

8. Gráfico de los porcentajes del X

error

9. Gráfico de los errores X

10. ¿Con cuál modelo se quedaría X

finalmente?

5. Muestre que con el modelo final escogido se logró modelar toda la estructura de autocorrelación de los datos

Como se puede observar en la gráfica de la ACF de los errores del modelo SEB los datos son completamente al

6. Mencione dos similitudes entre los modelos de medias móviles simples y suavizamiento exponencial simple
Ambos modelos sirven para modelar series estacionarias. Ambos modelos utilizan valores para suavizar la serie.
mucho pero queda rezagado, mientras que cuando m es gran
7. ¿Qué sucede en los modelos de Holt-Winter cuando α=β=γ=0?

Cuando alpha, beta y gama son iguales a cero, se le da todo el valor al pasado, sin tener en consideración el v

NOTA: Envíe este informe por el classroom del curso. Tenga en cuenta:
ii. Por favor marquen el archivo de Excel sólo con sus primeros nombres y primeros apellidos: Nombre1Apellido1
iii. Verifique que su archivo se vaya con las 6 hojas diligenciadas. Si alguna de las hojas no es entregada, el inform
iv. Este informe se recibe sólo hasta las 12:00 meridiano.
v. Los criterios de evaluación son como siguen:

Puntos
Criterio de evaluación Subcriterio de evaluación Puntos obtenidos
1. Definición producto 2 2
2. Construcción ACF 5 2.5

3. Construcción de modelos 5 5.0

Examen presencial 4. Resumen de modelos 10 9.0

5. Elección de modelos 15 15.0
6. ACF (errores) 5 5.0
6. Comparación MMS-SES 5 4.8
7. α=β=γ=0 3 1.5
Total 50 44.8
Nota 4.5
 FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
MUESTREO Y SERIES DE TIEMPO
E2: MÉTODOS NO-PARAMÉTRICOS DE SERIES DE TIEMPO (20%)
15 de marzo de 2018
Semestre 2018-01

mercio exterior para 6 de sus productos principales. Por este motivo, el Ministerio revisa la demanda trimestral de
e de uno de sus productos (ver la hoja PRODUCTOS) teniendo en cuenta los siguientes aspectos:

un nombre a su serie de tiempo y justifiquen su respuesta

el paso del tiempo este producto está cogiendo más apogeo y se está vendiendo cada vez más en el país.
enta 15 rezagos. Si la serie es estacional hágalo para 3L rezagos

ntes de su serie de tiempo. Tenga en cuenta:

o de los datos.
delo usando SOLVER.
encial. En el SEH se escogieron los valores iniciales de Bo(gorro) y B1(gorro) para at y bt respectivamente, ya que
para el modelo SEB se escogió como valor inicial la primera observación ya que al ser una serie con tendencia lo más
mplo estariamos dando un valor muy superior al verdadero valor inicial o de referencia.

dos para evaluar su modelo.

n (elija sólo uno en cada caso excepto para el criterio 1). Marque con una X. Argumente

HWM HWA Justificación

La serie tiene tendencia por lo cual estos son los modelos adecuados para este
tipo de series.

Aunque en el gráfico se observa que los dos modelos son muy parecidos y
ambos están un poco rezagados con respecto a la serie, se elige el modelo de
Brown ya que como tenemos tendencia y además el pronóstico de este
modelo trata de seguir con esta, mostrando valores mayores al de SEDH.
Al realizar ambos modelos, se obtuvo un menor valor de MAPE en el modelo
SEDB, por lo cual se elige.
Al realizar ambos modelos, se obtuvo un menor valor de SDE en el modelo
SEDB, por lo cual se elige.
Al realizar ambos modelos, se obtuvo un menor valor de MAPE para los
pronósticos en el modelo SEDB, por lo cual se elige.
Al realizar ambos modelos, se obtuvo un menor valor de SDE para los
pronósticos en el modelo SEDB, por lo cual se elige.
 Con respecto al gráfico de la venta de celulares, al comparar los valores reales
con el pronóstico hecho con ambos modelos, escogemos el SEB ya que este
pronostica unos valores un poco mayores al SEH acercandose un poco más a
los valores originales

Aunque el gráfico de los porcentajes del errores en ambos modelos son

similares, se aprecia que en el de SEB los valores son un poco menores, por lo
cual se elige.
Aunque el gráfico de los errores en ambos modelos son similares y ambos
lograron modelar la tendencia, se aprecia que en el de SEB los valores son un
poco menores, por lo cual se elige.

Se elige el modelo SEB debido a que en todos los criterios ya mencionados

anteriormente se elegía este como el mejor modelo, ya que es el que logra
modelar mejor la serie, realiza mejores pronósticos y además tiene un MAPE
menor al otro modelo.

a de autocorrelación de los datos. Hágalo en la hoja ACF (errores) y concluya

B los datos son completamente aleatorios, es decir, son ruido blanco, además de no evidenciar la tendencia de la serie por lo cual se conclu
logró modelar.
vizamiento exponencial simple
zan valores para suavizar la serie. La m del MMS y alpha Para SES. Cuando m es pequeño o alpha tiende a infinito el modelo con respecto a
, mientras que cuando m es grande y alpha tiende a cero el modelo suaviza mucho con respecto a la serie.

o, sin tener en consideración el valor del presente, debido a esto el pronóstico del modelo no va a ser bueno además de sobrestimar la ser

ros apellidos: Nombre1Apellido1.Nombre2.Apellido2.xlsx

s hojas no es entregada, el informe no es válido.

¿Por qué usaron todos los datos?

1

1
 1

de la serie por lo cual se concluye que esta componente si se

nfinito el modelo con respecto a la serie se parece

no además de sobrestimar la serie. ¿Cómo se ve?

 YESENIA ARIAS JULIANA CHICA
YHORMAN BEDOYA SEBASTIÁN CASTELLANOS

SANTIAGO MARULANDA CRISTIAN QUINTO MARBEL MORENO LINDA VILLA

MANUELA FORONDA NATHALIA MONTOYA CARMENZA OSORIO ALEJANDRO HERRERA

DEISY ARENAS SILVIA CASTAÑO LAURA DÍAZ SARA CATAÑO

VICTOR AGUDELO OMAR SÁNCHEZ ANDREA RINCÓN MICHAEL GRANADOS

A B C D
1013496 1058344 137332 69661
1035886 1216295 1643747 71661
1106894 1294318 2082939 74914
1098553 1406386 1569749 74527
922507 1141105 1231556 65592
1016156 1252886 1842075 79417
1085140 1319478 2386591 75495
1157004 1476158 1835882 70564
1050777 1111514 1803114 62227
1073700 1179349 2461442 60433
1249469 1249733 1527154 78071
1196482 1469566 3498503 92319
1192018 1018334 4271723 86085
1280630 1098272 2599116 89801
1358451 1188158 1833423 97288
1341410 1387128 893127 107330
1108636 1073005 1450278 102805
1213279 1187324 1923143 122036
1226186 1303484 3265899 133714
1278788 1480780 3354693 127361
1302054 1153439 1567914 114169
1396527 1268138 2599869 126913
1467977 1500842 3557846 135298
1543083 1778049 653498 142116
1522205 1480742 1527589 130139
1610628 1425938 2328158 130765
1665316 1697368 156272 159177
1831978 1941350 2565727 174233
1795396 1522858 2072403 157593
1922714 1597787 1160922 194130
1982243 1793331 3967054 160166
1907995 2065109 4306167 182971
1841121 1567776 3129752 167305
1878705 1784026 1886076 153785
1936963 2109619 1420421 168116
1783373 2498679 1839207 193760
1716503 1901909 2886205 165451
1858232 1836345 2823306 157135
1885045 1860171 3297704 164744
1913182 2340668 1805619 168492
2001782 1807024 1913175 168078
2091929 1942294 2392260 202986
2147534 2170801 1316278 212723
2306837 2582038 329247 207258
2074908 1980146 338355 187091
2056557 2181309 3203182 199796
2225756 2335530 3297868 186730
2142250 2782461 2417620 198013
1957145 1953418 1401565 186863
2080884 2208191 1973895 207008
 DANIELA LONDOÑO
OSCAR RIVERA

ANGIE VARGAS ELDA MORA

MATEO PÉREZ LISANDRO BEDOYA

LEIDY HURTADO NATALIA CEBALLOS

AMYLKAR URREA KELLY RODRÍGUEZ

E F
20169 2624371
19534 2168177
20670 1530110
28257 1998054
15606 2437468
16533 1930577
17124 2166253
25488 2340747
13421 1813964
16185 1817608
20345 2276670
28170 2763811
16464 2591385
20954 2135990
22785 2226871
41350 2112909
21415 1072792
29309 1396208
36830 2351253
52659 2246861
27747 1631632
36085 1552658
41673 1844067
71285 1802190
35854 1857764
44906 2129254
49178 2146154
78094 2105727
44848 2216778
52618 1462383
59163 1412755
87967 2116384
51529 2318184
51636 2728620
60072 2330792
84988 2173199
46074 2424689
63120 2300227
81749 2216343
137300 1965348
77415 1990655
103887 2562614
126982 2200980
182601 2484628
112478 2544024
123580 1834989
147019 2235089
198472 3035011
137786 2964194
91020 2533875
 D yt-ybar yt-1-ybar promedio denominador k
69661 -67226 136886 112215006198 0
71661 -65225 -67226 1
74914 -61972 -65225 2
74527 -62359 -61972 3
65592 -71294 -62359 4
79417 -57469 -71294 5
75495 -61391 -57469 6
70564 -66322 -61391 7
62227 -74659 -66322 8
60433 -76453 -74659 9
78071 -58815 -76453 10
92319 -44567 -58815 11
86085 -50801 -44567 12
89801 -47085 -50801 13
97288 -39598 -47085 14
107330 -29556 -39598 15
102805 -34081 -29556
122036 -14850 -34081
133714 -3173 -14850
127361 -9525 -3173
114169 -22717 -9525
126913 -9973 -22717
135298 -1589 -9973
142116 5229 -1589
130139 -6747 5229
130765 -6121 -6747
159177 22291 -6121
174233 37347 22291
157593 20706 37347
194130 57244 20706
160166 23280 57244
182971 46085 23280
167305 30419 46085
153785 16899 30419
168116 31230 16899
193760 56874 31230
165451 28565 56874
157135 20249 28565
164744 27857 20249
168492 31606 27857
168078 31191 31606
202986 66100 31191
212723 75837 66100
207258 70372 75837
187091 50205 70372
199796 62910 50205
186730 49844 62910
198013 61127 49844
186863 49977 61127
207008 70122 49977
acf ls li
1 0.28284271 -0.2828427
0.906363406 0.28284271 -0.2828427
0.856269115 0.28284271 -0.2828427
1
0.803451618 0.28284271 -0.2828427
0.8
0.764239596 0.28284271 -0.2828427
0.693846324 0.28284271 -0.2828427 0.6
0.657281298 0.28284271 -0.2828427 0.4
0.590271337 0.28284271 -0.2828427 0.2
0.526264278 0.28284271 -0.2828427
0
0.43722865 0.28284271 -0.2828427 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
-0.2
0.379655652 0.28284271 -0.2828427
0.33270838 0.28284271 -0.2828427 -0.4

0.308067697 0.28284271 -0.2828427 -0.6

0.253376911 0.28284271 -0.2828427 -0.8
0.205311567 0.28284271 -0.2828427 -1
0.131412646 0.28284271 -0.2828427
a cf ls li
9 10 11 12 13 14 15

li
año periodo Tiempo Celulares SES SED at bt
i 1 69661 69661 69661 69660.554 0
ii 2 71661 70321 69878.6415 70763.6307 218.087533
iii 3 74914 71838 70525.3701 73149.765 646.728596
2001 iv 4 74527 72725 71251.7204 74199.2165 726.350308
i 5 65592 70371 70960.7978 69780.247 -290.92267
ii 6 79417 73357 71751.9723 74962.5221 791.174527
iii 7 75495 74063 72514.9165 75610.909 762.944225
2002 iv 8 70564 72908 72644.5748 73170.7222 129.658302
i 9 62227 69381 71567.2429 67195.4798 -1077.3319
ii 10 60433 66427 69870.3041 62984.2044 -1696.9388
iii 11 78071 70271 70002.697 70539.9412 132.392879
2003 iv 12 92319 77550 72494.5306 82606.2764 2491.83358
i 13 86085 80368 75093.9219 85642.1323 2599.39136
ii 14 89801 83482 77863.3285 89101.453 2769.40662
iii 15 97288 88040 81223.1656 94857.2296 3359.83707
2004 iv 16 107330 94409 85576.2778 103241.007 4353.11223
i 17 102805 97181 89407.402 104953.927 3831.12413
ii 18 122036 105387 94682.8207 116090.227 5275.41873
iii 19 133714 114739 101304.101 128172.951 6621.28021
2005 iv 20 127361 118906 107115.176 130696.25 5811.07485
i 21 114169 117342 110491.514 124192.54 3376.33851
ii 22 126913 120502 113796.396 127207.452 3304.88129
iii 23 135298 125387 117622.842 133150.383 3826.44601
2006 iv 24 142116 130910 122009.382 139809.762 4386.54068
i 25 130139 130655 124863.708 136446.431 2854.32579
ii 26 130765 130691 126787.706 134595.201 1923.99798
iii 27 159177 140096 131181.346 149010.534 4393.63982
2007 iv 28 174233 151366 137845.209 164886.857 6663.86293
i 29 157593 153422 142987.7 163855.692 5142.49124
ii 30 194130 166861 150869.42 182853.077 7881.72014
iii 31 160166 164651 155419.334 173882.676 4549.91412
2008 iv 32 182971 170699 160463.877 180934.397 5044.54225
i 33 167305 169579 163473.056 175684.17 3009.17991
ii 34 153785 164364 163767.356 164961.611 294.299806
iii 35 168116 165603 164373.439 166832.893 606.082341
2009 iv 36 193760 174899 167848.37 181949.48 3474.93102
i 37 165451 171780 169146.258 174413.028 1297.88814
ii 38 157135 166945 168419.496 165470.332 -726.76134
iii 39 164744 166218 167692.733 164743.56 -726.76353
2010 iv 40 168492 166969 167453.768 166484.06 -238.9648
i 41 168078 167335
ii 42 202986 179105
iii 43 212723 190204
2011 iv 44 207258 195834
 i 45 187091 192948
ii 46 199796 195209
iii 47 186730 192409
2012 iv 48 198013 194259
i 49 186863 191818
2013 ii 50 207008 196833
SEB et(SEB) |pet|(SEB) alpha at bt SEH et(SEH)
0.33014447 53836 3334.6
69660.554 2001 0.0279214 64297.3009 6876.54333 57170.6 14491
70981.7182 3933 0.05249532 73013.4628 7790.8268 71173.8442 3741
73796.4936 731 0.00980189 77717.0727 6256.49169 80804.2896 -6277
74925.5668 -9333 0.14229053 74933.5704 1763.64894 83973.5644 -18381
69489.3243 9928 0.12500961 78034.9466 2428.49434 76697.2193 2720
75753.6966 -259 0.00343077 78019.7743 1214.00127 80463.441 -4969
76373.8533 -5810 0.08233998 74969.7422 -905.20717 79233.7756 -8670
73300.3805 -11074 0.17795884 68242.5559 -3798.7087 74064.535 -11838
66118.1479 -5685 0.09406562 62471.4994 -4778.9581 64443.8472 -4010
61287.2656 16784 0.21497877 67714.735 202.034195 57692.5414 20378
70672.3341 21647 0.23448095 79918.2077 6166.70363 67916.7692 24403
85098.11 987 0.01146322 86084.9158 6166.70585 86084.9114 0
88241.5236 1560 0.01736988 91046.5667 5567.79809 92251.6217 -2450
91870.8596 5417 0.05568035 96945.6057 5732.42359 96614.3648 674
98217.0667 9113 0.08490634 104965.936 6869.50475 102678.029 4652
107594.119 -4789 0.04658415 107394.222 4662.23545 111835.441 -9030
108785.051 13251 0.10858246 116964.48 7101.50412 112056.457 9980
121365.646 12348 0.09234576 128810.713 9459.61665 124065.984 9648
134794.231 -7433 0.05836482 132904.963 6793.04979 138270.33 -10909
136507.325 -22338 0.19565654 127142.83 553.171268 139698.013 -25529
127568.879 -656 0.00516572 127311.053 361.853693 127696.001 -783
130512.333 4785 0.03536798 131422.753 2225.51314 127672.907 7625
136976.829 5139 0.03615862 137812.528 4295.1354 133648.267 8467
144196.303 -14058 0.10802025 136221.235 1369.60281 142107.664 -11969
139300.756 -8535 0.06527329 134233.977 -298.74416 137590.838 -6826
136519.199 22658 0.14234573 146349.526 5871.11228 133935.233 25242
153404.174 20829 0.11954477 163046.375 11251.4624 152220.638 22012
171550.72 -13958 0.08857099 166082.076 7168.2599 174297.838 -16705
168998.184 25132 0.12945776 183519.003 12271.7486 173250.336 20879
190734.797 -30568 0.19085346 178270.473 3564.23673 195790.751 -35624
178432.59 4538 0.02480215 182393.376 3841.89179 181834.71 1136
185978.939 -18674 0.1116155 176925.273 -785.14043 186235.268 -18930
178693.35 -24908 0.16196763 165145.783 -6249.2903 176140.133 -22355
165255.911 2861 0.01701506 163430.921 -3995.6967 158896.493 9220
167438.975 26321 0.13584257 176316.301 4394.13458 159435.224 34325
185424.411 -19974 0.12072309 173205.584 664.251382 180710.436 -15260
175710.916 -18576 0.11821371 165639.7 -3426.0945 173869.835 -16734
164743.571 0 1.2152E-07 163457.851 -2807.7092 162213.605 2530
164016.796 4475 0.02656151 164506.925 -890.90269 160650.142 7842
166245.095 1832 0.01090268 163616.022 4462
166006.13 36980 0.18218025 162725.119 40261
165767.166 46956 0.22073759 161834.217 50889
165528.201 41730 0.20134211 160943.314 46315
165289.236 21802 0.11653187 160052.411 27039
165050.271 34745 0.17390467 159161.509 40634
164811.306 21918 0.11738047 158270.606 28459
164572.342 33441 0.16888221 157379.703 40634
164333.377 22530 0.12056927 156488.801 30375
164094.412 42913 0.20730317 155597.898 51410

MAPE(AJUSTADO) 8.9057% MAPE(AJUSTADO)

SDE(AJUSTADO) 14187.4392 SDE(AJUSTADO)

MAPE(PRONOSTICO) 15.197% MAPE(PRONOSTICO)

SDE(PRONOSTICO) 34876.8732 SDE(PRONOSTICO)
|pet|(SEH) ALPHA BETA
0.49180723 0.49699621 250000
0.20221254
200000
0.04993071
f(x) = 3334.5522845535x + 53835.6537386539
0.08422841 150000 R² = 0.8790342459
0.28023332
0.03424979 100000

0.06581587 50000
0.12286967
0.19023903 0
0.06636075
0.26102316 Cel ul a res Li near (Cel ul ares )
0.26432909 SEB SEH

1.0577E-07
40000 0.3
0.02728532
30000 0.25
0.00692294
20000
0.04334331 0.2
10000
0.08784013 0.15
0
0.08177557 1 4 7 10 13 16 19 22 25 28 31 34 37 40 0.1
-10000
0.07215081
-20000 0.05
0.08565813
-30000 0
0.22360352
-40000
0.00616737
et(SEB) et(SEH) |pet|(SEB) |pet|(SEH)
0.05635451
0.05958015
0.09197092
0.05219705
0.15857897
Venta celulares
250000
0.12633761
200000
0.10600275
0.1075541 150000
0.22242033 100000
0.00620835
50000
0.1131476
0.14536514 0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55
0.05484253
0.17715016 Cel ul a res SEB SEH

0.09223137
0.10649718
0.01535687
0.04654258
0.0265447
0.19834396
0.23922617
0.22346376
0.14452261
0.20337859
0.15240811
0.20520624
0.16254956
0.24834759

10.2425%
15456.2258

18.040%
40530.4113
7386539

Li nea r (Cel ul ares )

SEH

|pet|(SEB) |pet|(SEH)

46 49 52 55
 GRÁFICO DE LA SERIE Y MODELOS AJUSTADOS

Venta celulares
250000

200000

150000

100000

50000

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55

Cel ul ares SEB SEH

1
 DESCRIPCIÓN DE LA
ACF ACF

1
0.8
0.6
0.4
0.2
0 En la ACF se puede
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 observar que la serie
-0.2 tiene tendencia ya que
los rezagos decaen
-0.4
lentamente a cero.
-0.6
-0.8
-1
acf ls li

0.5 1
COMPONENTES DE LA MODELOS NO-PARAMÉTRICOS PAR
SERIE SUGERIDOS MMS SES

a1
Suavizamiento exponencial de
Aleatoriedad y Holt (SEH) y Suavizamiento
tendencia. exponencial de Brown (SEB)

MAPE MAPE
(pronóstico) (pronóstico)

SDE SDE
(pronóstico) (pronóstico)

MAPE MAPE
(Ajuste) (Ajuste)

SDE SDE
(Ajuste) (Ajuste)

1 1
 PARÁMETROS / VALORES INICIALES / MAPE
SES SEDB SEDH HWM

α α
0.49180723

α 0.330 β
β 0.497
γ

a1 y1 a1 Bo(gorro) aL

bL
b1 0 b1 B1(gorro)
Ii ; i=1,…,L

MAPE MAPE MAPE

8.9057% 10%
(pronóstico) (pronóstico) (pronóstico)

SDE SDE SDE

14,187 15,456
(pronóstico) (pronóstico) (pronóstico)

MAPE MAPE MAPE

15.20% 18%
(Ajuste) (Ajuste) (Ajuste)

SDE SDE SDE

34,877 40,530
(Ajuste) (Ajuste) (Ajuste)

1 1
 HWA

aL

bL

Ii ; i=1,…,L

MAPE
(pronóstico)

SDE
(pronóstico)

MAPE
(Ajuste)

SDE
(Ajuste)
 GRÁFICO DE ERRORES DE LOS DOS MODELOS AJUSTADOS

40000

30000

20000

10000

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
-10000

-20000

-30000

-40000
et(SEB) et(SEH)

1
 GRÁFICO DE LOS PE DE LOS DOS MODELOS AJUSTADOS
0.3

0.25

0.2

0.15

0.1

0.05

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39

|pet|(SEB) |pet|(SEH)

1
 COMPONENTES DE LA SERIE QUE NO SE LOGRARON MODELAR

Como se observa en la gráfica de los errores, en ninguno de los 2 modelos se logro modelar
la componente de aleatoriedad

0.5
¿Qué dice la ACF?
et(SEB) et-ebar et-1-ebar promedio -56.2161707 k
2000.888 2057.104171 denominador 7648647077 0
3932.653774 3988.869945 2057.104171 1
730.5054314 786.7216021 3988.869945 2
-9333.17583 -9276.95965 786.7216021 3
9927.918682 9984.134852 -9276.95965 4
-259.004598 -202.788427 9984.134852 5
-5810.20925 -5753.99308 -202.788427 6
-11073.7745 -11017.5584 -5753.99308 7
-5684.70894 -5628.49277 -11017.5584 8
16783.57241 16839.78858 -5628.49277 9
21647.16394 21703.38012 16839.78858 10
986.8105023 1043.026673 21703.38012 11
1559.839279 1616.05545 1043.026673 12
5417.023071 5473.239242 1616.05545 13
9113.003065 9169.219236 5473.239242 14
-4789.08495 -4732.86878 9169.219236 15
13250.97166 13307.18783 -4732.86878
12347.87727 12404.09344 13307.18783
-7433.39224 -7377.17606 12404.09344 conclusión
-22337.979 -22281.7629 -7377.17606 Como se puede observar en la gráfica de la ACF de los errores
-655.598621 -599.382451 -22281.7629 evidenciar la tendencia de la se
4785.200554 4841.416725 -599.382451
5138.701351 5194.917522 4841.416725
-14057.6141 -14001.3979 5194.917522
-8535.47993 -8479.26376 -14001.3979
22658.22655 22714.44272 -8479.26376
20828.61921 20884.83538 22714.44272
-13958.1311 -13901.9149 20884.83538
25131.60733 25187.8235 -13901.9149
-30568.3254 -30512.1092 25187.8235
4538.065391 4594.281562 -30512.1092
-18673.8418 -18617.6256 4594.281562
-24908.2144 -24851.9982 -18617.6256
2860.511668 2916.727839 -24851.9982
26320.83002 26377.04619 2916.727839
-19973.7184 -19917.5022 26377.04619
-18575.5545 -18519.3383 -19917.5022
-0.02001994 56.19615078 -18519.3383
4475.407692 4531.623863 56.19615078
 acf ls li
1 0.320256308 -0.32025631
-0.05752035 0.320256308 -0.32025631 1
-0.19233105 0.320256308 -0.32025631 0.8
-0.06760714 0.320256308 -0.32025631
0.6
0.114373954 0.320256308 -0.32025631
0.4
-0.01173384 0.320256308 -0.32025631
-0.01037323 0.320256308 -0.32025631 0.2

-0.21088513 0.320256308 -0.32025631 0

0 1 2 3 4 5 6 7 8 9 10 11 12 13 1
0.166197132 0.320256308 -0.32025631 -0.2
-0.00213692 0.320256308 -0.32025631 -0.4
-0.17380343 0.320256308 -0.32025631
-0.6
-0.04873586 0.320256308 -0.32025631
-0.8
0.272078019 0.320256308 -0.32025631
0.073077629 0.320256308 -0.32025631 -1
-0.08041775 0.320256308 -0.32025631 a cf ls li
-0.16046949 0.320256308 -0.32025631

n la gráfica de la ACF de los errores del modelo SEB los datos son completamente aleatorios, es decir, son ruido blanco, además de no
evidenciar la tendencia de la serie por lo cual se concluye que esta componente si se logró modelar.
 9 10 11 12 13 14 15

li

blanco, además de no