Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Usando un programa de computadora para modelar con ARIMA, obtenga una gráfica
de los datos, las autocorrelaciones de la muestra y las autocorrelaciones parciales de
la muestra. Desarrolleun modelo ARIMA adecuado y genere los pronósticos de los
siguientes 12 periodos a partir del origen del pronóstico t = 96.
DATOS:
GRAFICA DE LA SERIE
El gráfico de la serie original, la cual muestra un comportamiento creciente, indicando con
esto la no presencia de estacionariedad. Es decir, d=1.
al analizar la autocorrelación parcial se observa que existen datos fuera de los límites
de confianza por lo que el q será igual a 1.
RAIZ UNITARIA
Al realizar la raix unitaria, se rechaza Ho y se concluye que los datos no son estacionarios y se
sugiere que es requerida una diferenciación.
DATOS DIFERENCIADOS
Al aplicar la difrenciacion se observa que no se rechaza Ho y se dice que los datos si son
estacionarios.
Luego de la diferenciación se obtienen las autocorrelaciones total y parcial en la que no se
mira tendencia ni estacionalidad.
ARIMA
Puesto que en el Fas y en Fap se observo que p=0, q=1,d=1, se utilizara el modelo ARIMA
(0,1,1).
PRONOSTICOS
Utilizando el modelo ARIMA(0,1,1) se ha obtenido la gráfica para los siguientes 12
periodos.
Ejercicio N ° 12
Los datos de la tabla P-12 son los precios semanales de las acciones de IBM.
Se puede observar que tiene tendencia positiva por lo que al pasar los meses tiende a crecer y
es necesario hacer una diferenciación a la serie
a) Usando un programa de computadora para modelar con ARIMA, obtenga una gráfica
de los datos, las autocorrelaciones de la muestra y las autocorrelaciones parciales de
la muestra. Use esta información para identificar tentativamente un modelo ARIMA
adecuado para esta serie.
Se puede observar que la autocorrelacion simple tiende a desvanecerse por lo que se asume
que podría ser un AR(1)
Se puede observar que la autocorrelacion parcial tiene solo un coeficiente significativo por lo
que se dice que q=0
La serie no es estacionaria por lo que es necesario hacer una diferenciación para poder ajustar
a un modelo ARIMA como se presenta a continuación
Y se puede observar que al hacer una diferenciación ya presenta estacionariedad
Al ajustar el modelo de idoneidad se puede asumir que sus pronósticos a plazo medio serán
muy acertados que tienden a la media de sus datos
13. Los datos de la tabla P-13 son las cotizaciones de 150 días de las acciones de DEF
Corporation al cierre de operaciones. Determine el modelo ARIMA adecuado y
pronostique el precio de la acción cinco días adelante del origen del pronóstico t
145.Compare sus pronósticos con los precios reales usando el MAPE. ¿Qué tan
exactos son sus pronósticos?
En las gráficas se puede observar que se eliminó tendencia y que igual tenemos un valor autor
regresivo, por lo que si fue necesario realizar diferenciación.
Observando los tres modelos ARIMA sugeridos podemos decir el que mejor se ajuste es el
modelos ARIMA(1,1,0), este modelo es óptimo debido que presenta un AICc=51.7, por lo que
genera un mejor parsimonia, en comparación con los dos modelos.
Realizando los pronósticos con los valores reales podemos decir que al predecir los 5 valores a
partir de t=45, son exactos con respecto a la tabla.
14. Los datos de la tabla P-14 son las cifras de accidentes automovilísticos semanales de
los años 2006 y 2007 en el condado de Havana. Determine el modelo ARIMA adecuado
y pronostique los accidentes para la semana 91. Haga comentarios sobre la exactitud de
su pronóstico.