SERIES DE TIEMPO

r = read.csv("C:/Users/jvr_l/OneDrive/Escritorio/produccion de mineral.csv",header=T,sep=",")

## Definimos la clase de la serie de tiempo

peruplom = ts(r[,10],start=c(2001,1),frequency=4)
peruplom

par(mfrow=c(2,2))
plot(peruplom,col="blue",type="o",ylab="Miles de TM" , xlab="Trimestre/Año",main="Exportacion de
plomo")
acf(peruplom,col="blue",ci=0.95,ci.type="white",main="fac de plomo al 95%")
pacf(peruplom,col="blue",ci=0.95,main="facP de plomo al 95%")
boxplot(peruplom ~ cycle(peruplom),col="bisque")
DEFINICION:
La secuencia de observaciones observadas en el tiempo, y en periodos equidistantes,
denotadas por Z= Z1, Z2, ..., Zt , es llamada serie de tiempo; no obstante, el parámetro
indicador del tiempo «t» puede ser una escala diferente, pero perfectamente ordenada. De
esta manera la sucesión de variables aleatorias Z= (Z1, Z2, ..., Zt) es una sucesión de «t»
variables aleatorias, en donde interpretamos que t=1, ..., T como instantes equidistantes en
el tiempo, por lo que Zt puede interpretarse como el resultado de un experimento aleatorio
en el instante de tiempo t. Por ejemplo, la producción nacional mensual de espárragos,
pronostico en el próximo mes es de interés.
Tipos de variación de una serie de tiempo:
Variación en media, en tendencia, en estación y aleatoria.

𝑍𝑡 = θ0 + 𝑇𝑡 + 𝑆𝑡 + ϵ𝑡
Para estimar la componente de la tendencia, se ajusta funciones suaves del tiempo paramétricas y
no paramétricas:

𝑚
Polinomio de grado “m” 𝑇𝑡 = 𝑎0 + 𝑎1 𝑡
𝑇𝑡 = ∑ 𝑎𝑖 𝑡 𝑖
𝑖=0
𝑛 𝑛
Suavización Centrada
𝑀𝑡 = ∑ 𝜗𝑍𝑡+𝑗 𝑀𝑡 [𝑘] = ∑ 𝜗𝑀𝑡 [𝑘−1]
𝑗=−𝑛 𝑗=−𝑛

𝑟−1 𝑟−1
Suavización no Centrada 1 1
[𝑘]
𝑀𝑡 = ∑ 𝑍𝑡−𝑗 𝑀𝑡 = ∑ 𝑀𝑡 [𝑘−1]
𝑟 𝑟
𝑗=0 𝑗=0

Diferenciación ∆𝑍𝑡 = (1 − 𝐵)𝑍𝑡 ∆𝑑 𝑍𝑡 = (1 − 𝐵)𝑑 𝑍𝑡

1. Metodología

(1) Realizar el análisis exploratorio a través del grafico Producción de Hierro a nivel nacional
entre los periodos de 1970 a 2017.

1
Análisis exploratorio:

Gráfico 1. Producción de Hierro a nivel nacional (01/1970-12/2017)

Gráfica 2. Correlograma de la producción de Hierro para 20rezagos

Del análisis exploratorio se puede justificar con el Correlograma que existe 4 rezagos que
demoran en caer ,además se puede observar que los datos son estacionados en el tiempo
por lo que es una fuerte señal de que un ajuste polinomial o diferenciación no serían
adecuados de usar en la serie de Producción de Hierro a nivel nacional (1970-2017)

2
 (2) Aplicar el Ajuste Polinomial y colocar los resultados en una tabla que contenga los ajustes
lineales, cuadrático, cubico, de acuarto grado y quinto grado, con sus correspondientes
indicadores los cuales servirán para elegir el mejor ajuste.

Método Ajuste Polinomial:

a) Ecuación del Ajuste del modelo Polinomial

̂ 𝒕 = 𝑰𝒏𝒕𝒆𝒓𝒄𝒆𝒑𝒕𝒐 + 𝒂 ∗ 𝒕 + 𝒃 ∗ 𝒕𝟐 + 𝒄 ∗ 𝒕𝟑 + 𝒅 ∗ 𝒕𝟒 + 𝒆 ∗ 𝒕𝟓
𝒁

coeficientes A. Lineal A. Cuadrático A. Cúbico A. Cuarto Grado A. Quinto Grado

Intercepto 4358908 8593055 9073298. 9347502. 9020618
t 13012.40 -495085.1 -606969. -709412.9 -534552.9
t^2 - 10369.34 16019.26 25202.86 1242.631
t^3 - - -76.86969 -366.3762 916.8505
t^4 - - - 2.954148 -26.34903
t^5 - - - - 0.239210
Cuadro 1. Valor de los coeficientes de la ecuación de cada Modelo Polinomial.

b) Indicadores del modelo Polinomial

A. Lineal A. Cuadrático A. Cúbico A. Cuarto Grado A. Quinto Grado

R cuadrado ajustado 0.007 0.782082 0.788358 0.789705 0.790975
Suma Cuadrado Error 2056964 974719.2 971433.9 9795533.5 988127.9
Akaike 31.95213 30.47815 30.49059 30.52587 30.56148
Schwarz 32.03010 30.59510 30.64652 30.72079 30.79538
Cuadro 2. Indicadores que miden el ajuste de los modelos polinomiales

Como mencionamos anteriormente en los gráficos del Correlograma se observó que no es posible
hacer un ajuste polinomial para los datos , pero supongamos que el Correlograma nos indico que si
se podía hacer algo con los primeros rezagos , entonces en el caso de ajustar 5 modelos polinomiales,
el modelo con el cual nos quedaríamos seria el de grado 2 esto dado que tanto su coeficiente de
Akaike como el de Schwarz son en este punto en la cual disminuyen , dado que si se sigue
aumentando los grados polinomiales , el coeficiente incrementará y además de no ser un buen
modelo , los términos t,t^2 , etc se pueden volver no significativos.

(3) Realizar el análisis del Correlograma del modelo elegido.

Mejor Modelo Polinomial:

Se escogió el modelo de ajuste Polinomial cuadrático.

3
 Análisis del Correlograma

Gráfico 3. Correlograma del modelo de ajuste de grado cuadrático

La serie pronosticada no tiene tendencia, ya que no se ajusta muy bien a la serie original.En
resumen notamos que en el Correlograma parcial notamos que es un modelo AR(1)y dado que este
tipo de modelos son estacionarios, además se observa que los rezagos se demoran en caer pero es
estacionaria ya que se puede ver una forma sinoidal .

Método Diferenciación:

a) Primera Diferenciación:

4
 Gráfico 4. Correlograma de 20 últimos rezagos de la 1° Diferenciación

b) Segunda Diferenciación

Gráfico 5. Correlograma de 20 últimos rezagos de la 2° Diferenciación

c) Selección de la mejor diferenciación:

La técnica de diferenciación se utiliza para estabilizar una serie que posee tendencia,
existen varios grados de diferenciación pero la mejor elección es aquella que
convierte la serie con tendencia en estacionaria eliminando la tendencia.
Ahora al analizar ambos Correlograma se observa que en ningún caso se vuelve
estacionaria de manera más rápida , y como se comentó líneas arriba , dado que el

5
 comportamiento de la serie se adecuada para otro tipo de modelos , la
diferenciación tampoco será la adecuada .

Gráfica 6. Serie Diferenciación 1° orden vs 2° orden

(4) Realizar un análisis comparativo entre los métodos de estimación de tendencia.

2. Resultados y discusiones

Los resultados de tablas y gráficos debidamente están sustentados en forma lógica, coherente y
ordenada de acuerdo a los conocimientos tomados en clases.
Gráfica 1 y 2, nos indican que la serie la producción de Hierro (1970 – 2017) tienen una tendencia
fuerte.
Cuadro 1 y 2, permiten comparar y escoger el mejor ajuste polinomial que se adecue a la tendencia
de la serie.
Gráfico 3, El Correlograma del mejor ajuste polinomial (Cuadrático) es estacionaria
Gráfica 4, 5 y 6, Evaluamos que orden de diferenciación mejor estabiliza la serie y la vuelve
estacionaria, escogiendo la diferenciación de primer orden, ya que es más estacionaria.
De acuerdo a los resultados observados en el Cuadro 2 y Gráfico 6, escogemos el mejor método de
estimación de la tendencia de la serie.

3. Conclusiones

Los indicadores que miden que tan bueno es el ajuste señalan que el ajuste polinomial de quinto
grado es el que mejor se adecua a los datos dado que este posee un mejor R cuadrado , esto se debe
a que un polinomio se asemejará mejor a los datos mientras más grado tenga, pero en cierto punto
al aumentar más variables la eficiencia de la predicción del modelo disminuirá debido al sobreajuste
, además se debe tener en cuenta que desde que se realizó el análisis exploratorio respectivo se
detectó que la serie de la producción de Hierro entre los años 1970-2017 no se podrán ajustar a
técnicas de modelado polinomial, suavización o diferenciación ,es por esto que un pequeño estudio
practica nos indica que nos quedaremos con el modelo polinomial cuadrático dado que tanto el R
cuadrado ajustado como los indicadores de Akaike y Schwarz decrecen hasta dicho polinomio y luego
empiezan a subir , además no podemos usar el método de diferenciación por el motivo comentado
líneas arriba , en lo cual se sugiere realizar algunos modelos que vean el comportamiento de la
periodicidad o estacionariedad como por ejemplo modelos ARMA o AR , cuyos fundamentos teóricos
se realizaran más adelante en el curso .