Documentos de Académico
Documentos de Profesional
Documentos de Cultura
600
150
500
140
Salario real 1990-enero a 2012-junio
15
400
130
scan()
300
120
yt
10
200
110
100
5
100
90
0
0 50 100 150 200 1990 1995 2000 2005 2010 0 20 40 60 80
10
80
70
5
70
60
Yt
0
Yt
Et
60
50
40
-5
50
30
-10
0 10 20 30 40 50
20
-15
5
0
0
Et
Et
Et
0
-5
-10
-5
-10
-10
-20
-15
1.0
1.0
150
400
140
Salario real 1990-enero a 2012-junio
200
0.5
0.5
130
0
serie
ACF
ACF
120
0.0
0.0
-200
110
-0.5
-0.5
100
-400
90
1990 1995 2000 2005 2010 0 10 20 30 40 0 50 100 150 200 250 300 0 10 20 30 40
1.0
250
0.8
50
200
0.6
0.5
0.4
datos
serie
ACF
ACF
150
0.2
0.0
-50
100
0.0
-0.2
-0.5
-100
50
Proceso ARMA(1,1) simulado ACF muestral de Proceso ARMA(1,1) simulado Proceso MA(1) simulado ACF muestral de Proceso MA(1) simulado
1.0
60
1.0
150
0.8
40
0.8
100
0.6
20
50
0.6
0.4
serie
serie
ACF
ACF
0
0
0.4
0.2
-20
-50
0.2
0.0
-100
-40
0.0
-0.2
-150
-60
0 50 100 150 200 250 300 0 10 20 30 40 0 50 100 150 200 250 300 0 10 20 30 40
11. Cuando en una serie existe un patrón estacional que se puede considerar periódico exacto ¿cómo se refleja esto en
la ACF muestral? Y cuando existe tendencia no constante ¿cómo se refleja esto en la ACF muestral? Y si existe tanto
tendencia no constante como estacionalidad periódica exacta, ¿cómo se espera que se comporte la ACF?
12. Con relación a los errores de un modelo de regresión para una serie de tiempo, sobre los cuales suponemos que son
independientes en el tiempo e idénticamente distribuidos N(0,σ2) ¿podemos decir que se asume también que tales
errores son un proceso estacionario en covarianza? ¿cuál tipo de proceso estacionario?
13. ¿Qué dice el resultado de Bartlett respecto a la distribución asintótica de la función 𝜌(𝑘) (la ACF muestral de orden
k) para un proceso de ruido blanco?
14. Explique cómo es usado el resultado de Bartlett para probar que un proceso estacionario de media cero es un ruido
blanco usando la ACF muestral. Enuncie claramente los tests de la ACF con sus estadísticos de prueba y cómo se
concluye en cada uno, el criterio de rechazo en cada uno y cómo se usa el conjunto de m pruebas (es decir, evaluando
individualmente la significancia de la ACF, en k=1, 2, …, m) para aceptar o rechazar el supuesto de ruido blanco
(R.B).
15. Enuncie el test Ljung-Box y Box – Pierce: H0 y H1, estadísticos de prueba y criterio de decisión y cómo se concluye
a favor o en contra de si el proceso estocástico que generó una serie dada es un R.B. Explique en qué difieren estos
tests de los tests ACF ¿con cuál tipo de test crece la probabilidad de cometer error tipo I al aumentar el orden m
hasta el cual se evalúa si la función de autocorrelación es nula? ¿con cuál tipo de test puede crecer la probabilidad
del error tipo II al aumentar el orden m hasta el cual se evalúa si la función de autocorrelación es nula?
16. Qué mide la función de autocorrelación parcial o PACF y en qué difiere de la ACF?
17. Para la PACF de un ruido blanco
a. ¿Cuál es su patrón esperado?
b. ¿Cuál es la distribución asintótica de la PACF muestral?
2
c.
¿Cómo se prueba ruido blanco usando la PACF muestral? Escriba claramente H0, H1, estadístico de la
prueba y criterio de rechazo.
18. Para las series que se ilustran a continuación, realice los tests ACF y PACF (determine en las respectivas gráficas
hasta qué valor m se hacen las respectivas pruebas) para determinar cuáles proviene de un proceso R.B, y en los
casos donde rechace este tipo de proceso determine si por lo menos los procesos son estacionarios en covarianza,
explique por qué.
150
100
50
50
serie2
serie
0
-50
-50
-150 -100
-100
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Time Time
ACF muestral de Proceso Z1t simulado PACF muestral de Proceso Z1t simulado ACF muestral de Proceso Z2t simulado PACF muestral de Proceso Z2t simulado
1.0
1.0
1.0
1.0
0.8
0.8
0.8
0.8
0.6
0.6
0.6
0.6
Partial ACF
Partial ACF
ACF
ACF
0.4
0.4
0.4
0.4
0.2
0.2
0.2
0.2
0.0
0.0
0.0
0.0
-0.2
-0.2
-0.2
-0.2
0 10 20 30 40 0 10 20 30 40 0 10 20 30 40 0 10 20 30 40
200
100
100
50
serie3
serie4
0
0
-50
-100
-150 -100
-200
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Time Time
ACF muestral de Proceso Z3t simulado PACF muestral de Proceso Z3t simulado ACF muestral de Proceso Z4t simulado PACF muestral de Proceso Z4t simulado
1.0
1.0
1.0
1.0
0.5
0.5
0.5
0.5
Partial ACF
Partial ACF
ACF
ACF
0.0
0.0
0.0
0.0
-0.5
-0.5
-0.5
-0.5
0 10 20 30 40 0 10 20 30 40 0 10 20 30 40 0 10 20 30 40
3
Proceso Z5t simulado Proceso Z6t simulado
150
100
100
50
50
0
serie5
serie6
0
-50
-150 -100
-50
-100
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Time Time
ACF muestral de Proceso Z5t simulado PACF muestral de Proceso Z5t simulado ACF muestral de Proceso Z6t simulado PACF muestral de Proceso Z6t simulado
1.0
1.0
0.4
0.4
0.5
0.2
0.2
0.5
Partial ACF
Partial ACF
ACF
ACF
0.0
0.0
0.0
0.0
-0.2
-0.2
-0.5
-0.4
-0.4
-0.5
-1.0
0 10 20 30 40 0 10 20 30 40 0 10 20 30 40 0 10 20 30 40
100
50
50
serie7
serie8
0
0
-50
-50
-100
-100
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Time Time
ACF muestral de Proceso Z7t simulado PACF muestral de Proceso Z7t simulado ACF muestral de Proceso Z8t simulado PACF muestral de Proceso Z8t simulado
1.0
0.5
0.4
0.4
0.5
0.2
0.2
0.0
Partial ACF
Partial ACF
ACF
ACF
0.0
0.0
0.0
-0.5
-0.2
-0.2
-0.5
-0.4
-0.4
-1.0
-1.0
10 20 30 40 0 10 20 30 40 0 10 20 30 40 0 10 20 30 40
19. Para las series presentadas en el numeral 18 se han obtenido los resultados siguientes de los tests Ljung-Box y Box-
Pierce. Realice los test con cada valor de m mostrado en cada caso, indicando claramente H0 y H1, estadístico de
prueba y criterio de decisión y conclusión sobre si los procesos estocásticos que generaron tales series son o no un
R.B.
Para Z1t simulado Para Z2t simulado
Resultados R Box-Pierce Resultados R Ljung-Box Resultados R Box-Pierce Resultados R Ljung-Box
m X.squared df p.value m X.squared df p.value m X.squared df p.value m X.squared df p.value
6 6.165202 6 0.4049410 6 6.255296 6 0.3952078 6 345.6728 6 0 6 350.3535 6 0
12 17.263698 12 0.1399442 12 17.800409 12 0.1218866 12 349.1691 12 0 12 353.9868 12 0
18 23.362263 18 0.1770503 18 24.275945 18 0.1461936 18 349.5632 18 0 18 354.4053 18 0
24 26.329116 24 0.3366795 24 27.491692 24 0.2820610 24 353.0338 24 0 24 358.1782 24 0
30 27.778026 30 0.5821984 30 29.095881 30 0.5125640 30 357.7044 30 0 30 363.3318 30 0
36 32.575613 36 0.6322495 36 34.549619 36 0.5375824 36 385.3136 36 0 36 394.7183 36 0
42 34.147148 42 0.8003594 42 36.366285 42 0.7159600 42 403.0551 42 0 42 415.1939 42 0
48 38.135872 48 0.8451941 48 41.076506 48 0.7501050 48 405.4604 48 0 48 418.0690 48 0
4
Para Z3t simulado Para Z4t simulado
Resultados R Box-Pierce Resultados R Ljung-Box Resultados R Box-Pierce Resultados R Ljung-Box
m X.squared df p.value m X.squared df p.value m X.squared df p.value m X.squared df p.value
6 68.80280 6 7.195355e-13 6 69.50877 6 5.155876e-13 6 434.3752 6 0 6 308.5678 6 0
12 74.55774 12 4.453726e-11 12 75.48012 12 2.981004e-11 12 445.8332 12 0 12 380.9776 12 0
18 80.57524 18 6.795241e-10 18 81.89906 18 3.978688e-10 18 452.9197 18 0 18 395.6649 18 0
24 87.78168 24 3.346770e-09 24 89.69329 24 1.620220e-09 24 457.4482 24 0 24 418.6545 24 0
30 101.63981 30 1.021046e-09 30 105.06195 30 2.899221e-10 30 493.5778 30 0 30 447.2584 30 0
36 115.53029 36 2.866799e-10 36 120.78585 36 4.337797e-11 36 515.1640 36 0 36 469.0158 36 0
42 122.97087 42 7.123783e-10 42 129.46302 42 7.587264e-11 42 525.4653 42 0 42 505.3187 42 0
48 128.80232 48 2.567239e-09 48 136.43347 48 2.064753e-10 48 532.2849 48 0 48 524.5021 48 0
Para Z5t simulado Para Z6t simulado
Resultados R Box-Pierce Resultados R Ljung-Box Resultados R Box-Pierce Resultados R Ljung-Box
m X.squared df p.value m X.squared df p.value m X.squared df p.value m X.squared df p.value
6 140.5990 6 0 6 142.6719 6 0 6 142.1418 6 0 6 144.3647 6 0
12 144.0968 12 0 12 146.3055 12 0 12 152.0042 12 0 12 154.5781 12 0
18 150.3463 18 0 18 152.9239 18 0 18 160.9862 18 0 18 164.1449 18 0
24 155.0201 24 0 24 157.9905 24 0 24 202.9033 24 0 24 209.5679 24 0
30 173.4705 30 0 30 178.5226 30 0 30 230.2788 30 0 30 239.8382 30 0
36 188.3448 36 0 36 195.3608 36 0 36 251.1757 36 0 36 263.4733 36 0
42 201.5612 42 0 42 210.6591 42 0 42 254.9873 42 0 42 267.8911 42 0
48 208.8788 48 0 48 219.3381 48 0 48 276.3334 48 0 48 293.2592 48 0
Para Z7t simulado Para Z8t simulado
Resultados R Box-Pierce Resultados R Ljung-Box Resultados R Box-Pierce Resultados R Ljung-Box
m X.squared df p.value m X.squared df p.value m X.squared df p.value m X.squared df p.value
6 12.60118 6 0.04982506 6 12.77929 6 0.04667792 6 474.5947 6 0 6 482.9917 6 0
12 14.04887 12 0.29759841 12 14.28615 12 0.28281003 12 767.8678 12 0 12 787.3035 12 0
18 23.14217 18 0.18518577 18 23.92734 18 0.15742274 18 839.0529 18 0 18 862.7594 18 0
24 24.66361 24 0.42422041 24 25.57592 24 0.37502732 24 854.5433 24 0 24 879.4511 24 0
30 26.13549 30 0.66819800 30 27.20391 30 0.61254455 30 858.3937 30 0 30 883.7408 30 0
36 31.58501 36 0.67858568 36 33.41143 36 0.59233397 36 878.0733 36 0 36 906.0969 36 0
42 33.85755 42 0.81037533 42 36.04206 42 0.72904008 42 914.6437 42 0 42 948.5274 42 0
48 39.65672 48 0.79882268 48 42.90914 48 0.68098422 48 987.8849 48 0 48 1035.5833 48 0
20. Escriba la ecuación teórica para un proceso autorregresivo de orden 1 e interprétela. Explique cuándo tal proceso
es estacionario en covarianza según el valor del coeficiente autorregresivo 𝜙 .¿Qué patrón se espera observar en la
ACF de un AR(1) si 0 < 𝜙 < 1 y si −1 < 𝜙 < 0? ¿y en su PACF?
21. ¿Qué dice el Teorema de representación de Wold y cómo se usa para probar estacionariedad en covarianza de un
proceso? Ejemplifique su uso con un proceso AR(1).
22. Para los siguientes procesos estocásticos, escriba su ecuación teórica asumiendo que la media es cero, especifique
también las ecuaciones de los polinomios autorregresivos y de medias móviles que definen tales procesos, en
términos del operador de rezagos 𝐵 . Denote por 𝑎 a las innovaciones en el modelo, 𝜙 a los parámetros AR, 𝜃 a
los parámetros MA:
a. El proceso 𝑊 ∈ℤ tal que es un MA(2)
b. El proceso 𝐸 ∈ℤ tal que es un ARMA(2,1)
c. El proceso 𝑋 ∈ℤ tal que es un AR(3)
d. El proceso 𝑈 ∈ℤ tal que es un ARMA(3,5)
e. El proceso 𝑍 ∈ℤ tal que es un MA(4)
23. Para los procesos listados en 22) describa cuál es el patrón esperado de “Cola amortiguada” o de “corte” esperado
en ACF y PACF.
24. Para los procesos listados en 22) indique cómo se identificaría los órdenes p, q usando la ACF y PACF muestrales.
25. Para los procesos listados en 22) indique cómo a partir de los polinomios autorregresivo y de medias móviles se
chequearía,
a. Estacionariedad en covarianza
b. Invertibilidad
26. Sean los procesos 𝑍 = 0.5𝑍 − 0.8𝑍 + 𝑎 con 𝑎 ∼ 𝑅. 𝐵 𝑁(0, 𝜎 ); 𝐸 = −0.9𝐸 + 𝑎 + 0.4𝑎 − 0.7𝑎 con
𝑎 ∼ 𝑅. 𝐵 𝑁(0, 𝜎 ) y 𝑊 = 𝑎 + 1.2𝑎 con 𝑎 ∼ 𝑅. 𝐵 𝑁(0, 𝜎 ) . Para cada uno determine qué tipo de proceso
ARMA(p,q) corresponde a esta ecuación, cuál es el polinomio autorregresivo asociado, ϕ (𝐵), cuál es el polinomio
de medias móviles asociado, θ (𝐵). Determine si el proceso es
a. Estacionario en covarianza ¿por qué?
b. Invertible ¿por qué?
27. Explique qué mide la función de autocorrelación extendida o EACF y cómo es usada para identificar los órdenes
p, q de un ARM(p,q) estacionario. Ejemplifique gráficamente cómo identificaría un ARMA(3,5).
28. Para los procesos asociados a las series presentadas en el numeral 18, junto con sus ACF y PACF estimadas, en los
casos donde se rechaza ruido blanco pero identifica estacionariedad, determine qué tipo de patrón “Cola” o “Corte”
se observa en ambas funciones y el posible modelo ARMA estacionario tanto el nombre como la ecuación del
5
proceso identificado y la condición necesaria y suficiente que deben cumplir los polinomios de tal modelo, para
estacionariedad e invertibilidad, según el caso.
29. Considere la serie mensual de muertes en accidente de tránsito en Ontario, enero 1960 a diciembre 1974 (Fuente:
Ledolter (1983)) que se ilustra a continuación junto con su logaritmo natural y la componente de tendencia de ésta
última, obtenida por descomposición clásica. Para el logaritmo natural de la serie, log(𝑌 ), se ajustó un modelo de
regresión lineal (MODELO 1) de tendencia cuadrática y estacionalidad con funciones trigonométricas en las
frecuencias Fj=j/12, j=1,2,…,6, usando los primeros n=168 datos (de enero 1960 a diciembre 1973). A continuación
se presentan los resultados de las estimaciones del modelo, las gráficas de los residuos, ACF y PACF muestrales de
tales residuales, test Ljung-Box y test Durbin Watson de orden 1.
250
5.5
5.5
200
decompose(log(datos))$trend
5.0
5.0
log(datos)
datos
150
4.5
4.5
100
4.0
4.0
50
0 50 100 150 1960 1965 1970 1975 1960 1965 1970 1975
0.2
0.2
0.1
0.1
Partial ACF
0.0
ACF
0.0
-0.1
-0.1
-0.2
-0.2
0 10 20 30 40 0 10 20 30 40
Lag Lag
𝒋𝒕 𝒋𝒕
* 𝐬𝐞𝐧𝐣 = 𝒔𝒊𝒏 , 𝒋 = 𝟏, 𝟐, … , 𝟓 y 𝐜𝐨𝐬𝐣 = 𝒄𝒐𝒔 , 𝒋 = 𝟏, 𝟐, … , 𝟔 y los coeficientes asociados son 𝜶𝒋 y 𝜸𝒋 respectivamente
𝟔 𝟔
a. Escriba la ecuación teórica del MODELO 1, incluyendo supuestos sobre el error estructural e interprete las
estimaciones de los pares de parámetros 𝛼 , 𝛾 .
b. Analice la gráfica de residuales vs. Tiempo y determine si existe algún patrón que contradiga el supuesto
de que los errores estructurales del MODELO 1 provienen de un proceso R.B.
c. Realice los tests ACF, PACF y Ljung-Box. Para cada uno indique claramente sobre cuál variable del modelo
aplican (defina las funciones ACF, PACF sobre la variable que corresponda). En cada caso, escriba las
hipótesis nula y alternativa, el estadístico de la prueba, el criterio de decisión y las conclusiones pertinentes.
d. Para el modelo log-cuadrático estacional considerado en el MODELO 1 realice el test Durbin-Watson de
orden 1 (D-W 1), establezca claramente cuál es el modelo para log(𝑌 ) y el término de error estructural en
este test ¿Qué proceso estacionario asume para este último? Plantee las hipótesis nula y alternativa
6
apropiada con base en los resultados que se muestran a continuación, dé el valor del estadístico de la
prueba, el criterio de decisión y concluya (recuerde que debe escoger H1 según el valor observado del
estadístico de la prueba 𝑑 ). De acuerdo al resultado podemos decir que (justifique sus respuestas)
i. El error estructural del MODELO 1 es un R.B,
ii. El error estructural del MODELO 1 no es u R.B pues se detecta al menos autocorrelación positiva
de orden 1
iii. El error estructural del MODELO 1 no es un R.B pues se detecta al menos autocorrelación negativa
de orden 1
iv. El error estructural del MODELO 1 es un proceso AR(1) estacionario de media cero.
𝜌(1) Estadístico D-W VP para 𝐻 : 𝜌(1)>0 VP para 𝐻 : 𝜌(1)<0
0.2050815 1.58205 0.003 0.996
30. Vea a continuación la EACF muestral construida con los residuos del MODELO 1.
AR/MA
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0 x x o o o o o o o o o o o o o o o o o o o o o o o
1 x o o o o o o o o o o o o o o o o o o o o o o o o
2 x x o o o o o o o o o o o o o o o o o o o o o o o
3 x o x o o o o o o o o o o o o o o o o x o o o o o
4 x o x o o o o o o o o o o o o o o o o o o o o o o
5 x x x o o o o o o o o o o o o o o o o o o o o o o
6 x o x o o o o o o o o o o o o o o o o o o o o o o
7 x o x o o x o o o o o o o o o o o o o o o o o o o
8 x x x o o o o o o o o o o o o o o o o o o o o o o
9 x x o x o o o o o o o o o o o o o o o o o o o o o
10 x x o x o o o x x o o o o o o o o o o o o o o o o
11 x x o x x o o o x o o o o o o o o o o o o o o o o
12 x x x x o o o o o x o o o o o o o o o o o o o o o
13 x x o x o o o o o x o o o o o o o o o o o o o o o
14 x x o x o o o o o o o o o o o o o o o o o o o o o
15 x x o x o o o o o o o o o o o o o o o o o o o o o
16 o x x o o o o o o o o o o o o o o o o o o o o o o
17 o x x o o o o o o o x x o o x o o o o o o o o o o
18 o x x o o o o o o x x x o o x o o o o o o o o o o
19 x x x x x x x o o o x x o o x o o o o o o o o o o
20 o o x x o o o o o o o o o o o o o o o o o o o o o
21 o o o x o o o o o o o o o o o o o o o o o o o o o
22 x o o x o o o o o o o o o o o o o o o o o o o o o
23 x x x x x o o o o o o o o o o o o o o o o o o o o
24 x x o o o o o o o o o o o o o o o o x o o o o o o
Teniendo en cuenta esta EACF determine los dos modelos ARMA(p,q) más parsimoniosos que posiblemente sigan
los errores estructurales del MODELO 1. ¿Será plausible entre tales modelos considerar un MA(2)? ¿por qué?
31. A continuación se presentan los resultados R de la función auto.arima( ) aplicada sobre el vector de residuos del
ajuste del MODELO 1 sin convertirlos en serie de tiempo (es decir, sobre residuals(mod1)) y sobre el objeto serie de
tiempo serieEt que guardó los residuales como un objeto ts() (es decir,
SerieEt=ts(residuals(mod1),freq=12,start=c(1960,1)), en cada caso usando tanto AIC como BIC para la
identificación del modelo:
> auto.arima(residuals(mod1),ic="aic")
Series: residuals(mod1)
ARIMA(4,0,1) with zero mean
Coefficients:
ar1 ar2 ar3 ar4 ma1
-0.2463 0.2611 0.1421 -0.0809 0.4128
s.e. 0.3998 0.0978 0.1026 0.0888 0.3958
sigma^2 estimated as 0.01375: log likelihood=121.6
AIC=-231.19 AICc=-230.67 BIC=-212.45
> auto.arima(residuals(mod1),ic="bic")
Series: residuals(mod1)
ARIMA(2,0,0) with zero mean
Coefficients:
ar1 ar2
0.1667 0.1876
s.e. 0.0757 0.0758
sigma^2 estimated as 0.01397: log likelihood=120.31
AIC=-234.62 AICc=-234.48 BIC=-225.25
7
> auto.arima(SerieEt,ic="aic")
Series: SerieEt
ARIMA(2,0,0)(2,0,0)[12] with zero mean
Coefficients:
ar1 ar2 sar1 sar2
0.1776 0.1857 -0.0044 -0.1326
s.e. 0.0761 0.0769 0.0831 0.0838
sigma^2 estimated as 0.01373: log likelihood=121.55
AIC=-233.1 AICc=-232.73 BIC=-217.48
> auto.arima(SerieEt,ic="bic")
Series: SerieEt
ARIMA(2,0,0)(2,0,0)[12] with zero mean
Coefficients:
ar1 ar2 sar1 sar2
0.1776 0.1857 -0.0044 -0.1326
s.e. 0.0761 0.0769 0.0831 0.0838
sigma^2 estimated as 0.01373: log likelihood=121.55
AIC=-233.1 AICc=-232.73 BIC=-217.48
Con cada resultado responda a lo siguiente
a. Escriba la ecuación teórica del modelo ARMA identificado para el error estructural
b. Escriba los polinomios AR y MA estimados con base en las estimaciones de los parámetros reportados por
la función auto.arima( ) y con base en estos determine
i. Si el proceso identificado es estacionario
ii. Si el proceso identificado es invertible
32. Para los primeros n=168 datos también fueron ajustados los siguientes cuatro modelos:
MODELO 2: Log-cuadrático estacional con trigonométricas en las frecuencias Fj=j/12, j=1,2,…,6, y error estructural
AR(2).
MODELO 3: Log-cuadrático estacional con trigonométricas en las frecuencias Fj=j/12, j=1,2,…,6, y error estructural
ARMA(4,1).
MODELO 4: Log-cuadrático estacional con trigonométricas en las frecuencias Fj=j/12, j=1,2,…,6, y error estructural
ARMA(2,0)xARMA(2,0)[12].
MODELO 5: Log-cuadrático estacional con trigonométricas en las frecuencias Fj=j/12, j=1,2,…,6, y error estructural
ARMA(2,0)xARMA(3,0)[12].
Los resultados R de los ajustes para estos modelos se muestran a continuación.
MODELO 2
*PARÁMETROS ESTIMADOS CI, PRECISIÓN PRONÓSTICOS, TEST SHAPIRO
Estimate Std. Error t value Pr(>|t|) p AIC BIC
ar1 0.16683859 0.07065814 2.3612 0.019484 * 16 293.8244 395.6392
ar2 0.18800604 0.03549004 5.2974 4.052e-07 ***
intercept 4.53650091 0.03937824 115.2032 < 2.2e-16 *** MSE(escala log)= 0.01543842
t 0.00491664 0.00090081 5.4580 1.916e-07 ***
t2 -0.00001279 NaN NaN NaN Shapiro-Wilk normality test
sen1 -0.31630184 0.01612547 -19.6150 < 2.2e-16 *** data: residuals(mod2)
cos1 -0.07125819 0.01461122 -4.8769 2.690e-06 *** W = 0.99181, p-value = 0.4548
sen2 -0.05608270 0.01217150 -4.6077 8.559e-06 ***
cos2 0.05799645 0.01170414 4.9552 1.906e-06 *** ME RMSE MAE MPE MAPE
sen3 -0.02439160 0.01071054 -2.2773 0.024160 * -8.29604 17.65274 13.72807 -7.139738 10.4724
cos3 0.04645512 0.01053987 4.4076 1.966e-05 ***
sen4 -0.01079573 0.01092288 -0.9884 0.324547 Amplitud Cobertura(%)
cos4 0.02253726 0.01082868 2.0813 0.039087 * 78.53841 91.66667
sen5 0.02772437 0.01223025 2.2669 0.024809 *
cos5 0.03815946 0.01212424 3.1474 0.001983 **
cos6 0.01617003 0.00926884 1.7446 0.083083
𝒋𝒕 𝒋𝒕
*𝐭𝟐 = 𝒕𝟐 , 𝐚𝐫𝟏 = 𝟏, 𝐚𝐫𝟐 = 𝟐 . 𝐬𝐞𝐧𝐣 = 𝒔𝒊𝒏 , 𝒋 = 𝟏, 𝟐, … , 𝟓 y 𝐜𝐨𝐬𝐣 = 𝒄𝒐𝒔 , 𝒋 = 𝟏, 𝟐, … , 𝟔, y los coeficientes asociados a estas
𝟔 𝟔
funciones trigonométricas son 𝜶𝒋 y 𝜸𝒋 respectivamente.
8
Gráfico de normalidad residuos de ajuste mod2
0.3
Real
250 ajustada modelo 2
0.2
200
0.1
Sample Quantiles
datos
0.0
150
-0.1
100
-0.2
-0.3
50
0.1
0.1
Partial ACF
0.0
ACF
0.0
-0.1
-0.1
-0.2
-0.2
0 10 20 30 40 0 10 20 30 40
Lag Lag
OJO: en ACF y PACF se resalta con línea de referencia azul corte de límite inferior ocurriendo en k=36 (un múltiplo de s=12)
MODELO 3
*PARÁMETROS ESTIMADOS CI, PRECISIÓN PRONÓSTICOS, TEST SHAPIRO
Estimate Std. Error t value Pr(>|t|) p AIC BIC
ar1 -2.4652e-01 3.9760e-01 -0.6200 0.536179 19 297.7161 423.8780
ar2 2.6158e-01 8.4334e-02 3.1017 0.002302 **
ar3 1.4240e-01 8.7040e-02 1.6360 0.103955 MSE(escala log)= 0.0155044
ar4 -8.1143e-02 8.4134e-02 -0.9644 0.336384
ma1 4.1311e-01 3.9493e-01 1.0460 0.297239 Shapiro-Wilk normality test
intercept 4.5391e+00 4.0518e-02 112.0269 < 2.2e-16 *** data: residuals(mod3)
t 4.8561e-03 1.0409e-03 4.6654 6.801e-06 *** W = 0.99243, p-value = 0.5272
t2 -1.2497e-05 NaN NaN NaN
sen1 -3.1656e-01 1.6665e-02 -18.9949 < 2.2e-16 *** ME RMSE MAE MPE MAPE
cos1 -7.1021e-02 1.5603e-02 -4.5518 1.097e-05 *** -8.466326 17.71665 13.60262 -7.212539 10.34936
sen2 -5.6324e-02 1.1873e-02 -4.7437 4.870e-06 ***
cos2 5.8287e-02 1.1460e-02 5.0860 1.084e-06 *** Amplitud Cobertura(%)
sen3 -2.4509e-02 9.8880e-03 -2.4786 0.014305 * 79.30125 91.66667
cos3 4.6871e-02 9.8069e-03 4.7794 4.176e-06 ***
sen4 -1.0866e-02 1.1447e-02 -0.9492 0.344053
cos4 2.3133e-02 1.1465e-02 2.0178 0.045410 *
sen5 2.7325e-02 1.3638e-02 2.0036 0.046923 *
cos5 3.8268e-02 1.3644e-02 2.8048 0.005706 **
cos6 1.5950e-02 7.4265e-03 2.1477 0.033351 *
𝒋𝒕 𝒋𝒕
*t2=t2, ar1=φ1, ar2=φ2, ar3=φ3, ar4=φ4, ma1=θ1. 𝐬𝐞𝐧𝐣 = 𝒔𝒊𝒏 , 𝒋 = 𝟏, 𝟐, … , 𝟓 y 𝐜𝐨𝐬𝐣 = 𝒄𝒐𝒔 , 𝒋 = 𝟏, 𝟐, … , 𝟔 luego, los coeficientes
𝟔 𝟔
asociados son 𝜶𝒋 y 𝜸𝒋 respectivamente.
9
Gráfico de normalidad residuos de ajuste mod3
Real
250 ajustada modelo 3
0.2
200
0.1
Sample Quantiles
0.0
datos
150
-0.1
100
-0.2
-0.3
50
0.1
0.1
0.0
Partial ACF
ACF
0.0
-0.1
-0.1
-0.2
-0.2
0 10 20 30 40 0 10 20 30 40
Lag Lag
OJO: en ACF y PACF se resalta con línea de referencia azul corte de límite inferior ocurriendo en k=36 (un múltiplo de s=12)
MODELO 4
*PARÁMETROS ESTIMADOS CI, PRECISIÓN PRONÓSTICOS, TEST SHAPIRO
Estimate Std. Error t value Pr(>|t|) p AIC BIC
ar1 1.7773e-01 7.5299e-02 2.3603 0.0195479 * 18 295.9069 413.5404
ar2 1.8625e-01 7.5157e-02 2.4782 0.0143144 * MSE(escala log)= 0.01535924
sar1 -7.1035e-03 7.8546e-02 -0.0904 0.9280597
sar2 -1.3897e-01 4.0787e-02 -3.4073 0.0008425 *** Shapiro-Wilk normality test
intercept 4.5385e+00 3.9867e-02 113.8421 < 2.2e-16 *** data: residuals(mod4)
t 4.9481e-03 1.0657e-03 4.6430 7.443e-06 *** W = 0.9895, p-value = 0.2486
t2 -1.3346e-05 NaN NaN NaN
sen1 -3.1530e-01 1.4379e-02 -21.9276 < 2.2e-16 *** ME RMSE MAE MPE MAPE
cos1 -7.0507e-02 1.4134e-02 -4.9885 1.664e-06 *** -5.347976 16.69055 12.76323 -5.159339 9.638517
sen2 -5.6555e-02 1.0818e-02 -5.2279 5.659e-07 ***
cos2 5.8095e-02 1.0762e-02 5.3983 2.576e-07 *** Amplitud Cobertura(%)
sen3 -2.5266e-02 9.4720e-03 -2.6674 0.0084839 ** 77.01396 91.66667
cos3 4.6970e-02 9.4660e-03 4.9620 1.871e-06 ***
sen4 -1.1941e-02 9.6098e-03 -1.2426 0.2159699
cos4 2.2623e-02 9.6109e-03 2.3539 0.0198756 *
sen5 2.7949e-02 1.0688e-02 2.6151 0.0098321 **
cos5 3.7920e-02 1.0679e-02 3.5510 0.0005130 ***
cos6 1.6849e-02 8.0786e-03 2.0857 0.0387036 *
𝒋𝒕 𝒋𝒕
*t2=t2, ar1=φ1, ar2=φ2, sar1=Φ1, sar2=Φ2, 𝐬𝐞𝐧𝐣 = 𝒔𝒊𝒏 , 𝒋 = 𝟏, 𝟐, … , 𝟓 y 𝐜𝐨𝐬𝐣 = 𝒄𝒐𝒔 , 𝒋 = 𝟏, 𝟐, … , 𝟔, y los coeficientes asociados a
𝟔 𝟔
estas funciones trigonométricas son 𝜶𝒋 y 𝜸𝒋 respectivamente.
Gráfico de normalidad residuos de ajuste mod4
Real
250
ajustada modelo 4
0.2
200
0.1
Sample Quantiles
0.0
datos
150
-0.1
100
-0.2
-0.3
50
10
ACF mod4 PACF mod4
0.2
0.1
0.1
0.0
Partial ACF
0.0
ACF
-0.1
-0.1
-0.2
-0.2
0 10 20 30 40 0 10 20 30 40
Lag Lag
OJO: en ACF y PACF se resalta con línea de referencia azul corte de límite inferior ocurriendo en k=36 (un múltiplo de s=12)
MODELO 5
*PARÁMETROS ESTIMADOS CI, PRECISIÓN PRONÓSTICOS, TEST SHAPIRO
Estimate Std. Error t value Pr(>|t|) p AIC BIC
ar1 0.17232816 0.07545255 2.2839 0.0237888 * 19 275.4533 392.1810
ar2 0.20242225 0.07556352 2.6788 0.0082181 **
sar1 -0.06866539 0.07963101 -0.8623 0.3899111 MSE(escala log)= 0.01424705
sar2 -0.14944123 0.07224450 -2.0685 0.0403168 *
sar3 -0.28861115 0.07170916 -4.0247 9.046e-05 *** Shapiro-Wilk normality test
intercept 4.53726419 0.03456467 131.2688 < 2.2e-16 *** data: residuals(mod5)
t 0.00515696 0.00082049 6.2852 3.426e-09 *** W = 0.99296, p-value = 0.5917
t2 -0.00001524 NaN NaN NaN
sen1 -0.31022457 0.01102341 -28.1423 < 2.2e-16 *** ME RMSE MAE MPE MAPE
cos1 -0.06969973 0.01081775 -6.4431 1.526e-09 *** -0.3398988 18.45345 14.60645 -2.540461 10.40204
sen2 -0.05891036 0.00816999 -7.2106 2.605e-11 ***
cos2 0.05700750 0.00813584 7.0070 7.836e-11 *** Amplitud Cobertura(%)
sen3 -0.02706932 0.00715243 -3.7846 0.0002225 *** 71.81575 91.66667
cos3 0.04657049 0.00714969 6.5136 1.060e-09 ***
sen4 -0.01456143 0.00732085 -1.9890 0.0485283 *
cos4 0.02285208 0.00730374 3.1288 0.0021118 **
sen5 0.02785292 0.00824571 3.3779 0.0009322 ***
cos5 0.03803620 0.00823524 4.6187 8.285e-06 ***
cos6 0.01784663 0.00630719 2.8296 0.0053040 **
𝒋𝒕 𝒋𝒕
*t2=t2, ar1=φ1, ar2=φ2, sar1=Φ1, sar2=Φ2, sar3=Φ3, 𝐬𝐞𝐧𝐣 = 𝒔𝒊𝒏 , 𝒋 = 𝟏, 𝟐, … , 𝟓 y 𝐜𝐨𝐬𝐣 = 𝒄𝒐𝒔 , 𝒋 = 𝟏, 𝟐, … , 𝟔, y los coeficientes
𝟔 𝟔
asociados a estas funciones trigonométricas son 𝜶𝒋 y 𝜸𝒋 respectivamente.
Gráfico de normalidad residuos de ajuste mod5
Real
250
ajustada modelo 5
0.2
200
0.1
Sample Quantiles
0.0
datos
150
-0.1
100
-0.2
50
-0.3
Partial ACF
ACF
0.0
-0.1
-0.15
0 10 20 30 40 0 10 20 30 40
Lag Lag
real
pron. M1
pron. M2
200
pron. M3
pron. M4
pron. M5
180
predicciones
160
140
120
100
Time
g. Considere las medidas de precisión de los pronósticos puntuales junto con la gráfica comparativa de estos
pronósticos ¿cuál modelo pronostica mejor de manera puntual?
h. Considerando tanto los resultados de validez de supuestos, calidad de ajuste y de pronóstico ¿cuál modelo
se recomienda?
12
33. Para el MODELO 2, calcule el pronóstico puntual para L=2 Para ello realice lo siguiente
a. Calcule el pronóstico para log 𝑌 (2).
b. Lleve a la escala original usando factor de corrección de sesgo por transformación log, es decir, calcule
𝑌 (2) = exp(log 𝑌 (2)) × exp(𝑀𝑆𝐸/2)
Información del ajuste del MODELO 2 que puede necesitar adicional a la tabla de parámetros estimados para
el pronóstico pedido:
t=165 t=166 t=167 t=168
residuos_ajuste 𝒂𝒕 0.05155254 -0.03904414 -0.1311608 -0.06252491
residuos_estructurales 𝑬𝒕 0.12062754 0.02784156 -0.1038324 -0.07460846
MSE(MODELO 2)= 0.01543842
34. A continuación, se ilustran las ACFs y PACFs poblacionales de 12 procesos estocásticos. Asuma que en cada caso las variables
del proceso se denotan por 𝐸 y las innovaciones por 𝑎 .
13
a. En cada caso determine el modelo ARMA con los órdenes p, q correspondientes. En caso de que no sea posible dar valor a
estos órdenes, escriba las letras, p, q como respuesta
b. De acuerdo al patrón de la ACF, indique cuales de los procesos tienen parte AR con raíces complejas en su polinomio 𝜙 (𝐵)
c. De acuerdo al patrón de la PACF, indique cuales de los procesos tienen parte MA con raíces complejas en su polinomio 𝜃 (𝐵)
14