La Metodología Box-Jenkins (1x1)

La Metolodoga Box-Jenkins Box Jenkins
A continuacin di i i discutiremos l modelos ARIMA (d i los d l (de sus siglas en Ingls Autoregressive/ Integrated / Moving Average , los cuales fueron popularizados por , George Box y Gwilym Jenkins en los aos 70s. Como herramienta principal de esta metodologa en la p p g identificacin de un modelo apropiado utilizaremos el Coeficiente de Correlacin rk discutido previamente, te asi como el Coeficiente de Autocorrelacin Parcial Coeficiente de orden k, el cual denotamos como rkk.
si k = 1 i r1 k 1 rk rk 1 j ( rk j ) 1, rkk = si k = 2,3,... i 23 j =1 k 1 1 rk 1,, j ( rj ) j=1

Mtro. Ral Castro 232
donde :
rkj = rk 1, j rkk rk 1,k j

para : j = 1, 2,..., k 1

Las autocorrelaciones parciales son utilizadas para L l i i l ili d medir el grado de asociacin entre Yt y Yt-k cuando los efectos de otros retrasos (lags 1, 2, 3, , k-1) son ( lags k 1) removidos. Estos indicadores buscan as ofrecer informacin adicional sobre los ya conocidos indicadores de autocorrelacin simple. Por ejemplo, suponga que existe una correlacin significativa entre Yt y Yt-1. Entonces debe existir una correlacin significativa entre Yt-1 y Yt-2 (dado que tambin estos valores se encuentran a una unidad de distancia). Esto implica que tambin hay una correlacin entre Yt y Yt-2 (dado que ambas se relacionan con Yt-1). El objetivo es entonces medir la correlacin real entre Yt y Yt-2 quitando el efecto del valor Yt-1.

Ejemplo No 23 : No. Considere la siguiente serie de tiempo de 36 valores. Obtenga los primeros 3 Coeficientes de Autocorrelag p cin Parcial. Corrobore su resultado con la asistencia de Minitab y mediante la tabla y la grfica para 10 retrasos. retrasos
Mtro. Ral Castro
234

Al d desarrollar en E l t d ll Excel tendramos l siguiente t bl : la i i t tabla
Mtro. Ral Castro
235

En Minitab E Mi it b procedemos d l siguiente manera : d de la i i t
Mtro. Ral Castro
236

La tabla L t bl y grfica resultante es l siguiente: fi lt t la i i t
1 t0.05/ 2,(361) g .l . = 0.338 36
S rkk
Mtro. Ral Castro
1 = n
Lmites :
237
0 t / 2,( n 1) g .l . S rkk
( )

Cabe C b comentar que cuando tenemos un modelo d d d l de ruido blanco, todos los valores de la Funcin de Autocorrelacin Parcial deben ser cercanos a cero. Recordemos que un modelo de este tipo tiene la forma siguiente :
Yt = k + et
donde : y cada
et N 0, 2 ,
et es independiente
Cuando la variable de inters en el tiempo t depende tanto de su valor previo como de un ruido blanco, decimos que tenemos un Modelo de Caminata q Aleatoria (Random Walk) :
Yt = Yt 1 + et

Un U requisito i i i l para poder id ifi i i inicial d identificar un modelo d l ARIMA apropiado a una Serie de Tiempo consiste en tener datos estacionarios. Si la serie original no presenta estacionariedad, sta puede lograrse mediante diferencias de sus valores iniciales. Por ejemplo, si la Serie Yt no es estacionaria podemos definir :
Yt ' = Yt Yt 1
Pero cmo saber a esencia cierta si nuestra serie original requiere diferenciacin? Para este propsito podemos utilizar la Prueba de Estacionariedad de Dickey-Fuller, Dickey-Fuller la cual utiliza el siguiente modelo de regresin :
Yt ' = + Yt 1 + t
239
Mtro. Ral Castro

Las hiptesis l t d L hi t i planteadas son :
H 0 : La Serie de Tiempo es estacionaria

(Existe (E i una raz unitaria) i i )
Ha :
La Serie de Tiempo no es estacionaria (No existe una raz unitaria) ( )
Para tomar una decisin se compara la t estadstica asociada al coeficiente en l regresin anterior vs el i d l fi i la i i l valor crtico de tablas propuesto por Fuller (1976). Si es menor a dicho valor crtico rechazamos H0.
Tamao de muestra 25 Nivel de Significancia 2% 5% 10% -3.75 -3.33 -2.63 2.63 -3.58 -3.22 -2.60 2.60 -3.51 -3.17 -2.58 2.58 -3.43 -3.12 -2.57 2.57 50 100
Mtro. Ral Castro
240

Ejemplo No 25 : No. Considere los siguientes datos correspondientes al ndice TSE 300 de Enero de 1997 a Diciembre de 1998. Utilice la prueba de Dick-Fueller para determinar si esta Serie de Tiempo es estacionaria a un nivel de confianza del 90% Corrobore su resultado mediante el 90%. uso de una grfica.
Mtro. Ral Castro
241

Al desarrollar la tabla correspondiente tenemos :
Mtro. Ral Castro
242

Y al correr la regresin sobre las 2 ltimas columnas de la forma :
Yt ' = + Yt 1 + et
Mtro. Ral Castro
243

Nos queda la siguiente tabla :
0 < n < 25
25 Nivel de Significancia 2% 5% 10% -3.75 -3.33 -3 33 -2.63
Tamao de muestra 50 100 -3.58 -3.22 -3 22 -2.60 -3.51 -3.17 -3 17 -2.58
-3.43 -3.12 -3 12 -2.57
Mtro. Ral Castro
244

Conclusin : En vista de que el valor Estadstico t (-1.8125) es mayor al valor crtico de tablas de Fuller (-2.63), concluimos ( ) que la Serie s es Estacionaria. La grfica de la Serie de Tiempo es la siguiente :
9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 5 10 15 20 25 30
Mtro. Ral Castro
245

Anteriormente ya habamos comentado que cuando la Serie no es estacionaria podemos sacar primeras diferencias para obtener una nueva serie que s lo sea. p q Esto equivale a obtener la Serie de Tiempo :
Yt ' = Yt Yt 1
En caso de que este procedimiento no llegara a funcionar, podemos sacar diferencias por segunda vez (obteniendo una diferencia de segundo orden) de la siguiente manera :
Yt '' = Yt ' Yt '1 = (Yt Yt 1 ) (Yt 1 Yt 2 )
= Yt 2Yt 1 + Yt 2
Q Qu ocurre cuando la Serie es Estacional?

Cuando la Serie de Tiempo es Estacional puede ser Estacional, apropiado tomar diferencias estacionales (esto es, diferencias entre cada observacin y su equivalente q un ao antes). Por ejemplo para datos mensuales bajo un patrn mensual tendramos :
Yt ' = Yt Yt 12
As, los efectos remanentes d no estacionariedad A l f t t de t i i d d pueden ser removidos (en caso de ser necesario) con u a d e e ca una diferencia ms sobre la serie anterior. Esto s sob e a se e a te o . sto es, mediante :
Yt* = Yt ' Yt '1 = (Yt Yt 12 ) (Yt 1 Yt 13 ) = Yt Yt 1 Yt 12 + Yt 13


Ejemplo No 26 : No. Considere los datos del Ejemplo previo No. 15 (Tiger Sports Drink). Convierta los datos en una serie p ) estacionaria, haciendo la comprobacin estadstica correspondiente.
250
200
150
100
50
0 0 10 20 30 40
Mtro. Ral Castro
248

A continuacin definiremos una notacin de gran utilidad para los mtodos ARIMA : El operador de rezago BackShift : g
BYt = Yt 1
lo l anterior implica que : l
B ( BYt ) = B 2Yt = Yt 2
El operador BackShiftes aropiado para describir el proceso de diferencias. Por ejemplo, una primera diferencia sobre la Serie de Tiempo original puede expresarse como :
Yt = Yt Yt 1 = Yt BYt = (1 B ) Yt
'

En el caso de una segunda diferencia tendramos :
Yt '' = Yt ' Yt '1 = (Yt Yt 1 ) (Yt 1 Yt 2 )

= Yt 2Yt 1 + Yt 2
= 1 2 B + B 2 Yt
= (1 B ) Yt
2
Nota : Cabe hacer la distincin entre lo que se conoce q como una Diferencia de Segundo Orden ( denotada por (1-B)2 ) y una Segunda diferencia ( denotada por la l expresin 1 B2 ) i 1-B ).
Mtro. Ral Castro
250

En general la primera diferencia de orden d simo general, d-simo puede ser expresada mediante :
(1 B) Yt
d
Una diferencia estacional seguida por una diferencia g p de primer orden se representa mediante :
(1 B ) (1 B s )Yt
= 1 B B s + B s +1 Yt
= Yt Yt 1 Yt s + Yt s 1
Mtro. Ral Castro
251

Considere el modelo siguiente donde existe una siguiente, relacin de dependencia entre los trminos de error sucesivos :
Yt = b0 + b1et 1 + b2 et 2 + ... + bq et q + et
Dicha ecuacin es denominada Modelo de Promedios Mviles (o simplemente Modelo MA). En la prctica, los modelos auto-regresivos AR pueden ser mezclados de forma efectiva con los modelos MA para f formar una clase ms general d modelos l l de d l denominados ARMA (Auto-regresivos de Promedios Mviles). Sin embargo , stos slo pueden ser usados ) g p cuando la Serie de Tiempo es Estacionaria.
Mtro. Ral Castro
252

Cuando la Serie de Tiempo original no es Estacionaria, podemos extender los modelos ARMA a otros denominados ARIMA con parmetros p, d, q ( o simplemente ARIMA( d ) ) : i l ARIMA(p,d,q)
AR : p = Orden de la parte auto-regresiva

I : d = Grado de la primera diferencia
( exponente de (1-B) ) p ( ) medios mviles
MA : q = Orden del componente de proNota : Si alguno de los parmetros p, d q son iguales a cero, entonces el modelo puede ser re-escrito p eliminando las partes sin usar de la notacin ARIMA. Asimismo, el modelo bsico anterior no contempla todava una posible estacionalidad

Algunos ejemplos de la familia de modelos ARIMA son los siguientes : 1) ARIMA(1 0 0) = AR(1) : ARIMA(1,0,0)
Yt = c + 1Yt 1 + et
2) ARIMA(1,0,1) = ARMA(1,1) :
N (0,1)
Yt = c + 1Yt 1 + et 1et 1
3) ARIMA(0,0,1) = MA(1) : ) ( ) ( )
Yt = c + et 1et 1
Los coeficientes 1 y 1 tienen algunas restricciones en cuanto a los valores que pueden tomar, mismas que discutiremos a continuacin. di ti ti i

Analizaremos a continuacin a ms detalle los modelos AR, partiendo del modelo general de orden p :
Yt = c + 1Yt 1 + 2Yt 2 + ... + pYt p + et

donde : Trmino t t c = T i constante j = J-simo parmetro auto-regresivo et = Trmino de error en el tiempo t
Como se plante previamente, existen restricciones especficas sobre el rango de valores que pueden tomar los parmetros auto-regresivos. Por ejemplo : * Si p = 1 : * Si p = 2 :
Mtro. Ral Castro
1 < 1 < 1 1 < 2 < 1

255
1 + 2 < 1
2 1 < 1

Para valores de ms complejas.
p 3 se deben cumplir condiciones
Podemos utilizar l notacin B kShift d fi id P d tili la t i BackShift definida previamente si re-expresamos el modelo general de la siguiente manera : g
Yt 1Yt 1 2Yt 2 ... pYt p = c + et
1 1 B ... p B p Yt = c + et
En la prctica es posible hacer uso de la Simulacin para modelar el patrn que siguen tanto la funcin de autocorrelacin como la de autocorrelacin parcial, de manera que podamos identificar ms fcilmente un modelo AR(p)

Consideremos inicialmente el siguiente modelo AR(1) :
Yt = 5 + 0.8Yt 1 + et
donde podemos simular el valor del error aleatorio como una variable aleatorio N(0,1). Para hacer esto, generamos como :
et = U i 6
i =1
12
Uniforme(0,1) Analicemos as el comportamiento de las funciones as, ACF (Auto Correlation Function) y PACF (Partial Auto Correlation Function) para un total de 100 valores de Y. )p

Tendramos as (con la asistencia de Minitab) y un valor inicial de Y1 = 0 :
Mtro. Ral Castro
258

Probemos ahora el modelo AR(1) :
Yt = 5 0 8Yt 1 + et 0.8
Mtro. Ral Castro
259

En el modelo AR(2) :
Yt = 6 + 1 2Yt 1 0.8Yt 2 + et 1.2 08
Mtro. Ral Castro
260

En general, se puede observar lo siguiente para el modelo AR(p) : Funcin ACF F i Cada exponencial o disminuda en f i d forma d de onda senoidal. El patrn exacto depende de los p signos y magnitudes de los coeficientes 1 ,..., p En AR(1) hay una cada exponencial si 1 > 0 y es l alternante en signo si 1 < 0
Funcin PACF F i Picos en los rezagos 1 al luego acercarse a p, para l cero de ah en adelante.
En AR(1) el pico es positivo si 1 > 0 y es negativo si ocurre que 1 < 0

Analicemos a continuacin a ms detalle el modelo MA de orden q :
Yt = c + et 1et 1 2 e t 2 ... q et q
donde : Trmino t t c = T i constante j = J-simo parmetro de promedio mvil et k = Trmino de error en el tiempo t-k
Tal y como ocurre con los modelos AR, existen restricciones especficas sobre el rango de valores que pueden tomar los parmetros. Por ejemplo : * Si q = 1 : * Si q = 2 :
Mtro. Ral Castro
1 < 1 < 1 1 < 2 < 1

262
1 + 2 < 1
2 1 < 1

Para valores de ms complejas.
q 3 se deben cumplir condiciones
Podemos utilizar la notacin BackShift en este caso de la siguiente manera :
Yt = c + et 1et 1 2 e t 2 ... q et q
Yt = c + 1 1 B 2 B 2 ... q B q et
A continuacin revisaremos las grficas asociadas a modelos ARIMA(0,0,1) y ARIMA(0,0,2) ( equivalentes de forma ms simple a los modelos MA(1) y MA(2) ). p ( ) ( ))
Mtro. Ral Castro
263

Probemos el modelo MA(1) :
Yt = 2 + et + 0 5et 1 0.5
Mtro. Ral Castro
264

Otro modelo MA(1) :
Yt = 2 + et 0 5et 1 0.5
Mtro. Ral Castro
265

Probemos el modelo MA(2) :
Yt = 0 + et et 1 + 0.8et 2
Mtro. Ral Castro
266

En general, se puede observar lo siguiente para el modelo MA(q) : Funcin ACF F i Picos en los rezagos 1 al q, para l luego acercarse a cero de ah en adelante. Funcin PACF F i Cada exponencial o disminuda en f i d forma d de onda senoidal. El patrn exacto depende de los p signos y magnitudes de los coeficientes 1 ,..., q En MA(1) hay una cada exponencial si 1 > 0 y es alternante en signo si 1 < 0
En MA(1) el pico es positivo si 1 < 0 y es negativo si ocurre que 1 < 0

Mtro. Ral Castro
267

Ejemplo No. 27 : La empresa Cameron Consulting Corporation se especializa en servicios de portafolios de inversin. Lynn p p y Stephens, analista de la compaa, fue asignada a la tarea de desarrollar tcnicas ms sofisticadas de pronstico para los ndices Dow Jones Jones. Dado que Lynn recientemente asisti a un taller sobre la Metodologa Box-Jenkins, ha decidido probar dicha tcnica para el J , p p ndice de transporte. La tabla siguiente muestra 65 valores de cierre diarios para dicho indicador en Verano.
Mtro. Ral Castro
268

Ejemplo No. 27 (Continuacin): Lynn inici su anlisis revisando la grfica de la Serie de Tiempo anterior, la cual muestra una tendencia positiva. p p Asimismo, revis la funcin de Autocorrelacin (la cual corrobora dicha tendencia de crecimiento).
350 300 250 200 150 100 50 0 0 20 40 60 80
Mtro. Ral Castro
269

Ejemplo No. 27 (Continuacin): El paso a seguir en este punto es eliminar la tendencia p para crear una Serie Estacionaria mediante el uso de diferencias. Las funciones ACF y PACF se despliegan a continuacin :
Mtro. Ral Castro
270

Ejemplo No. 27 (Continuacin): Al ver los resultados anteriores, Lynn se qued perpleja. En ambos casos el nico valor significativo se da en el g rezago No. 1. Si nos vamos por el camino del Coeficiente de Autocorrelacin todo parecera indicar un comportamiento tipo MA(1) pero si lo hacemos por el MA(1), lado del Coeficiente de Autocorrelacin Parcial sera un comportamiento AR(1). p ( ) Lynn decide entonces probar ambas opciones : un modelo ARIMA(1,1,0) y un ARIMA(0,1,1). Esto implica ( , , ) ( , , ) p probar los siguientes modelos :
ARIMA(0,1,1) :(1 B ) Yt = k + (1 B1 ) et
ARIMA(1 1 0) : (1 B ) Yt = c + 1 (1 B ) Yt 1 + et (1,1,

Ejemplo No. 27 (Continuacin): Pero antes . chequemos que la nueva Serie obtenida es realmente estacionaria :
6 4 2 0 0 -2 -4 10 20 30 40 50 60 70
vs. -3.17 (al ( 95% de Confianza)

Mtro. Ral Castro
La Serie de Diferencias s
es Estacionaria E i i
272

Ejemplo No. 27 (Continuacin): Empecemos entonces por modelar bajo ARIMA(1,1,0) : Valores iniciales propuestos
(1 B ) Yt
c +1 (1 B) Yt1
(1B) Yt =c+1 (1B) Yt1 +et
Mtro. Ral Castro
273

Ejemplo No. 27 (Continuacin): Planteamos entonces el siguiente problema de optimizacin mediante SOLVER :
Valores ptimos
(1 B ) Yt
c +1 (1 B) Yt1
(1B) Yt =c+1 (1B) Yt1 +et
Mtro. Ral Castro
274

Ejemplo No. 27 (Continuacin): El mecanismo para obtener los coeficientes a travs de MINITAB es el siguiente : g
Mtro. Ral Castro
275

Ejemplo No. 27 (Continuacin): Si sustituimos los valores propuestos a los coeficientes en nuestra hoja de clculo tenemos : j
(1 B ) Yt
c +1 (1 B) Yt1
(1 B) Yt = k + et 1et1
Ligeramente mayor al nuestro El modelo de pronstico quedara (bajo la mejor combinacin) :
(1 B ) Yt = 0.76539 + .28302 ( (1 B ) Yt 1 ) Yt = 0.76539 + Yt 1 + 0.28302 (Yt 1 Yt 2 )


Ejemplo No. 27 (Continuacin): Desarrollemos ahora el modelo ARIMA(0,1,1) con los datos de la muestra : Valores iniciales propuestos
(1 B ) Yt
(1 B) Yt = k + et 1et1
Mtro. Ral Castro
277

Ejemplo No. 27 (Continuacin): Al resolver mediante SOLVER tenemos :
Valores ptimos
(1 B ) Yt
(1 B) Yt = k + et 1et1
Mtro. Ral Castro
278

Ejemplo No. 27 (Continuacin): Si comparamos los resultados previos con aquellos que p p propone MINITAB tenemos :
(1 B ) Yt
(1 B) Yt = k + et 1ett1
Ligeramente mayor al nuestro

Ejemplo No. 27 (Continuacin): El modelo final nos queda :
(1 B ) Yt = 1.036587 0.29035 ( et 1 )
1.036587 Yt = 1 036587 + Yt 1 0.29035 ( et 1 ) 0 29035
= 1.036587 + Yt 1 0.29035 Yt 1 Yt 1
As, al seguir el criterio de escoger aquel mtodo con menor MSE tenemos : AR(1) : MSE = 3.461908 MA(1) : MSE = 3.429128 Modelo escogido
Mtro. Ral Castro
280

Ejemplo No. 27 (Continuacin): Cul sera el procedimiento a seguir en Forecast Pro XE? Probemos el modelo ARIMA(1,1,0) :
Debemos especificar que deseamos incluir el t i l trmino constante t t c en el modelo.


Ejemplo No. 27 (Continuacin): Procedemos a correr el modelo de la sig. manera :
MSE = 3.3708
Mejor que el nuestro !

Ejemplo No. 27 (Continuacin): Regresemos ahora a nuestro modelo originalmente propuesto. El siguiente paso consiste en determinar si existe autocorrelacin entre los residuales (mediante la asistencia de MINITAB) :
El modelo resulta ser apropiado
Mtro. Ral Castro
283

Ejemplo No. 27 (Continuacin): Suponga que deseamos pronosticar los dos siguientes valores de la Serie de Tiempo :
Yt = 0.76539 + Yt 1 + 0.28302 (Yt 1 Yt 2 ) = 0.76539 + 1.28302Yt 1 0.28302Yt 2

Y66 = 0 76539 + 1 28302Y65 0.28302Y64 0.76539 1.28302 0 28302 = 0.76539 + 1.28302 ( 288.57 ) 0.28302 ( 286.33)
= 289.96935
Y67 = 0 76539 + 1.28302Y66 0 28302Y65 0.76539 1 28302 0.28302

= 291.13078

Cuando mezclamos el componente auto-regresivo con el componente de promedios mviles en su caso ms simple tenemos el modelo ARIMA(1,1,1) :
(1 1B )(1 B ) Yt = c + (1 1B ) et
AR(1) Primera diferencia MA(1)
lo cual al desarrollar nos deja :
1 1 B B + 1 B 2 Yt = c + ( et 1et 1 )
(1 B ) Yt = c + 1 (1 B ) Yt 1 + et 1et 1
Yt = c + Yt 1 + 1Yt 1 1Yt 2
+et 1et 1
Mtro. Ral Castro
285

Una complejidad final que puede agregarse a los modelos ARIMA es la estacionalidad. As, la notacin puede extenderse de la siguiente manera :
ARIMA( p, d , q )( P, D, Q) s
No. perodos por estacin
Parte no Parte estacional estacional del del modelo modelo Consideremos por ejemplo : C id j l ARIMA(1,1,1)(1,1,1) ARIMA(1 1 1)(1 1 1)4
(1 1B ) (1 1B 4 ) (1 B ) (1 B 4 ) Yt = c + (1 1B ) (1 1B 4 ) e t
AR(1) no estacional
Mtro. Ral Castro
Diferencia no estac o a AR(1) estacional Diferencia estacional estacional

286
MA(1) no estacional
MA(1) estacional

Al desarrollar los factores de la expresin anterior nos queda :
Yt = c + (1 + 1 ) Yt 1 1Yt 2 + (1 + 1 ) Yt 4 (1 + 1 + 1 + 11 ) Yt 5 + (1 + 11 ) Yt 6 1Yt 8 + ( 1 + 11 ) Yt 9 11Yt 10

+et 1et 1 1et 4 + 11et 5
Un modelo de mayor complejidad sera : ARIMA(1,1,1)(2,1,2) ARIMA(1 1 1)(2 1 2)4
(1 1B ) 1 1B
= c + (1 1 B ) 1 1 B
2 B
4
( ) ) (1 B ) (1 B ) Y (B ) )e
4 2 4
4 2 2 t

La Metodología Box-Jenkins (1x1)

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

La Metodología Box-Jenkins (1x1)

Încărcat de

Drepturi de autor:

Formate disponibile

La Metolodoga Box-Jenkins Box Jenkins

si k = 1 i r1 k 1 rk rk 1 j ( rk j ) 1, rkk = si k = 2,3,... i 23 j =1 k 1 1 rk 1,, j ( rj ) j=1

rkj = rk 1, j rkk rk 1,k j

La Metolodoga Box-Jenkins Box Jenkins

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

1 t0.05/ 2,(361) g .l . = 0.338 36

La Metolodoga Box-Jenkins Box Jenkins

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

H 0 : La Serie de Tiempo es estacionaria

La Serie de Tiempo no es estacionaria (No existe una raz unitaria) ( )

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

25 Nivel de Significancia 2% 5% 10% -3.75 -3.33 -3 33 -2.63

Tamao de muestra 50 100 -3.58 -3.22 -3 22 -2.60 -3.51 -3.17 -3 17 -2.58

-3.43 -3.12 -3 12 -2.57

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Yt '' = Yt ' Yt '1 = (Yt Yt 1 ) (Yt 1 Yt 2 )

La Metolodoga Box-Jenkins Box Jenkins

Yt* = Yt ' Yt '1 = (Yt Yt 12 ) (Yt 1 Yt 13 ) = Yt Yt 1 Yt 12 + Yt 13

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

La Metolodoga Box-Jenkins Box Jenkins

Yt '' = Yt ' Yt '1 = (Yt Yt 1 ) (Yt 1 Yt 2 )

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

AR : p = Orden de la parte auto-regresiva

La Metolodoga Box-Jenkins Box Jenkins

La Metolodoga Box-Jenkins Box Jenkins

Yt = c + 1Yt 1 + 2Yt 2 + ... + pYt p + et

1 < 1 < 1 1 < 2 < 1

La Metolodoga Box-Jenkins Box Jenkins

p 3 se deben cumplir condiciones

Yt 1Yt 1 2Yt 2 ... pYt p = c + et

La Metolodoga Box-Jenkins Box Jenkins

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Mtro. Ral Castro

La Metolodoga Box-Jenkins Box Jenkins

Yt = 6 + 1 2Yt 1 0.8Yt 2 + et 1.2 08

Mtro. Ral Castro