Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Docente
Economista
ECONOMETRIA
VIII SEMESTRE
ADMINISTRACION FINANCIERA
HONDA, TOLIMA
2023
CONTENIDO
INTRODUCCION
1.1. ¿QUÉ ES UNA SERIA DE TIEMPO, CUÁLES SON SUS COMPONENTES Y COMO SE
CLASIFICAN?.......................................................................................................................................5
1.2. ¿QUÉ ES UN PROCESO ESTOCÁSTICO Y EN QUÉ CASOS ES POSIBLE VALIDAR
SU APLICACIÓN?................................................................................................................................6
1.3. ¿QUÉ SON PROCESOS LINEALES ESTACIONARIOS Y LINEALES NO
ESTACIONARIOS?..............................................................................................................................7
1.4. ¿CUÁLES SON LAS PRINCIPALES DIFERENCIAS ENTRE LOS PROCESOS
LINEALES ESTACIONARIOS Y LINEALES NO ESTACIONARIOS?..........................................8
1.5. ¿CUÁLES ES LA APLICABILIDAD DE LAS SERIES DE TIEMPO EN EL CAMPO
ECONÓMICO Y FINANCIERA, VALIDAR A TRAVÉS DE UN EJEMPLO PRÁCTICO?...........9
CONCLUSIONES
REFERENCIAS
2
INTRODUCCIÓN
Las series de tiempo son conjuntos de datos recopilados a lo largo del tiempo, en
intervalos regulares. Estas series son muy utilizadas en diversas disciplinas, como la
economía, las finanzas, la meteorología, la física, la ingeniería y muchas otras.
Permitan analizar y comprender la evolución de una variable en función del tiempo,
identificar patrones, tendencias y comportamientos, así como realizar pronósticos y
tomar decisiones informadas.
Las series de tiempo univariadas, que consisten en una sola variable, son ampliamente
utilizadas para analizar y pronosticar fenómenos unidimensionales, como el precio de
las acciones, el consumo de energía, el tráfico vehicular o el clima. Por otro lado, las
series de tiempo multivariadas involucran múltiples variables interrelacionadas y se
utilizan para estudiar fenómenos más complejos, como el comportamiento económico
de diferentes sectores o la interacción de variables climáticas.
3
El análisis de series de tiempo es una herramienta poderosa para comprender la
evolución y el comportamiento de variables a lo largo del tiempo. Permite identificar
patrones, tendencias y estructuras subyacentes, así como realizar pronósticos y tomar
decisiones informadas en diversos campos. Al utilizar técnicas estadísticas y modelos
matemáticos, es posible extraer información valiosa de los datos y obtener una visión
más completa de cómo cambian las variables a lo largo del tiempo.
4
1. PREGUNTAS QUINTA UNIDAD: SERIES DE TIEMPO
5
La clasificación de una serie de tiempo como univariada o multivariada depende de la
cantidad de variables que se estén analizando en la serie.
6
1. Cuando existen evidencias empíricas de que los datos siguen un comportamiento
probabilístico y están influenciados por factores aleatorios.
7
hace que el análisis y la predicción sean más desafiantes. Los procesos lineales no
estacionarios a menudo exhiben tendencias, cambios estructurales u otros patrones
que hacen que las propiedades estadísticas cambien con el tiempo. Para analizar
procesos lineales no estacionarios, es necesario aplicar técnicas y modelos específicos
que consideren la no estacionariedad, como la diferenciación para transformar los
datos en estacionarios o el uso de modelos autoregresivos integrados de media móvil
(ARIMA, por sus siglas en inglés).
8
constantes en el tiempo y/o la autocorrelación varía
en el tiempo.
Los procesos lineales estacionarios tienen una media y varianza constantes, la auto
covarianza depende solo de la separación en el tiempo y no muestran tendencia o
patrones sistemáticos.
Por otro lado, los procesos lineales no pueden tener estacionarios medios y/o varianza
cambiantes, la autocovarianza depende del tiempo y pueden mostrar tendencia o
patrones sistemáticos.
9
3. Modelado: Utilizas modelos de series de tiempo, como el modelo de media móvil
auto regresiva (ARMA) o el modelo auto regresivo integrado de media móvil (ARIMA),
para capturar los patrones y la estructura subyacente de los datos. Estos modelos
consideran la auto correlación en los datos y te permiten realizar pronósticos basados
en los patrones históricos.
10
CONCLUSIONES
Las series de tiempo son una herramienta fundamental para analizar y comprender la
evolución de variables a lo largo del tiempo. Su estructura temporal y orden cronológico
suficiente sobre patrones, tendencias y comportamientos pasados, lo que permite
realizar pronósticos y tomar decisiones informadas.
Los procesos estocásticos son utilizados para modelar fenómenos que presentan
incertidumbre y resultados. Su aplicación es válida cuando el fenómeno en estudio
exhibe cierto grado de aleatoriedad y cuando se cumple la propiedad de independencia
o dependencia débil entre las observaciones.
11
campos como la economía y las finanzas es amplia y contribuye a la toma de
decisiones fundamentales.
12
REFERENCIAS
Stock, J. H., & Watson, M. W. (2018). Introducción a la econometría (3rd ed.). Pearson
Educación.
13