UNIVERSIDAD DE LOS ANDES

FACULTAD DE INGENIERIA
Departamento de Ingeniera Industrial
Pronsticos y series de tiempo

Gianfranco lucchetti
Punto 1)
Genere un proceso AR (1): = 1 + , encuentre y grafique la
funcin de auto correlacin simple y parcial.
A continuacin se le asigna un valor al parmetro y se grafica la
funcin de auto correlacin simple a partir de la frmula, como
K
sabemos k =
Para este primer ejercicio se le asign un valor al parmetro que fue
de 0,6 y a partir de este valor se calcularon los valores y se
obtuvieron los siguientes resultados para el proceso auto regresivo de
primer orden:

Como podemos observar se cumple el comportamiento esperado para

una AR(1) con coeficiente positivo, se muestra una serie que se van
reduciendo todos con el mismo signo .

Para este primer ejercicio se le asign un valor al parmetro que fue

de -0,6 y

Como podemos observar se cumple el comportamiento esperado para

una AR (1) con coeficiente negativo, se muestra una serie que se
alternan entre valores positivos y negativos que reducen su
magnitud,

Para poder obtener las grficas de auto correlacin parcial se realiz o

se generaron una serie de datos o nmeros aleatorios y a partir de
estos se obtuvo la grfica de auto correlacin parcial al correr las
mismas series en el programa estadstico de Sas estos fueron los
valores que se obtuvieron, nuevamente manteniendo el mismo de
0,6:
Obtuvimos las siguientes correlaciones parciales, nuevamente
moteamos un comportamiento de las correlaciones que tienden a
cero y que suelen ser positivas.

Si el de -0,6 se obtuvieron la siguiente funcin de auto correlacin

parcial:

Punto 2)
En el siguiente ejemplo se debe generar un proceso AR (2): =
11 + 22 + , encuentre y grafique la funcin de auto
correlacin simple y parcial. Cambie los signos de los coeficientes y
repita la operacin.
Como se sabe los siguientes son las condiciones que deben cumplir
los del proceso AR(2) , en principio son 3 reglas principales:
1 + 2<1
21 <1

| 2|< 1

1=0,5
2=0,4
A partir de lo cual se sabe que :
2

1=

; 2= 1 + 2
1 2
1 2

k =1 k1+ 2 k2
Se generaron con las siguientes formulas los valores a continuacin
tomando los parmetros como positivos, como se puede observar con
este modelo entre mayor sea el periodo de rezago menos peso se le
quiere asignar en la determinacin de la variable actual.

Como podemos observar la grfica anterior que nos muestra la

funcin de auto correlacin simple cumple con el precepto que en el
largo plazo la correlacin tiende a cero.
Ahora se toman los parmetros pero como negativos, y se vuelve a
calcular la funcin de auto correlacin simple y se obtuvo lo siguiente:

Como podemos observar la grfica anterior que nos muestra la

funcin de auto correlacin simple cumple con el precepto que en el
largo plazo la correlacin tiende a cero, aunque las correlaciones
nuevamente se alternan entre valores negativos y positivos.
Cuando graficamos la funcin de auto correlacin con los parmetros
positivos obtenemos las siguientes graficas:

Cuando graficamos la funcin de auto correlacin con los parmetros

nagtivos , nuevamente encontramos que los valores se intercalan
alrededor del cero

Punto 3)
A partir de un proceso AR (1): = 0.81 + , encuentre los 10
primeros valores de en la representacin:

Como podemos observar los a medida que es mayor el rezago son

menores lo cual indica que la relacin entre el error rezagado y el
actual disminuye.
Punto 4)
Para el proceso AR (4): = 0.41 + 0.64_3 0.2564 +
encuentre los 12 primeros trminos de la funcin de auto correlacin
simple por medio de las ecuaciones de Yule-Walker.
Para resolver este punto tenemos en cuenta lo siguiente, se tiene un
sistema de ecuaciones
0=1
1= 10 + 21 +32 + 4 3

2=11 + 20 + 31 + 4 2
3=12 + 21 +30 + 41
4 =13 +22+ 31+ 40

12 =111 + 210 +39 + 48

Entonces obtenemos que todo el que este multiplicado a

queda

siendo el mismo valor al final obtenemos la siguiente ecuacin:

Al graficarlos obtenemos la siguiente grfica:

e)
Un proceso MA (1), o ms conocido como promedio mvil tiene que la
ecuacin caracterstica de este tipo de funciones es la siguiente
y t = + t + t1

Para este tipo de proceso se espera que el

un ruido Blanco, sabemos que la esperanza de

se comporte Como
yt

es

, y la

varianza del proceso es la siguiente

o= 2 (1+2 )
1= 2
Como sabemos para un k mayor las covarianzas tienden a cero, y
entonces los coeficientes de correlacin tienden a cero, como se sabe
los coeficientes de correlacin se obtienen a partir de la siguiente
formula:
1

=
0 1+2
Para poder mostrar el comportamiento de los coeficientes de
correlacin a partir de la definicin de un valor de teta se obtuvo:

Como podemos observar bajo este tipo de modelos solo es

significativo la primera correlacin pero ya a partir de la segunda el
valor es cero
f)
Un proceso MA (2), o ms conocido como promedio mvil se tiene la
siguiente ecuacin

y t = + t + 1 t1 +2 t 2

Para este tipo de procesos las funciones de auto correlacin estn

dadas por las siguientes formulas:
1=

2=

1 ( 1+2 )
2

(1+1 +2)
2
(1+ 21 +22 )

Nuevamente para un

con un k>2 , se tienen valores igual a cero.

Como dijimos anteriormente solamente hay coeficientes vlidos para

los fas mayores a 2 es cero.
Punto2)
Como sabemos cundo tenemos una serie podemos encontrar la
funcin de auto correlacin simple a travs de la siguiente formula:
n

y ty t k

k = k=0

yt 2
k=0

La funcin de auto correlacin parcial se calcul a travs de la

siguiente formula, se toman los coeficientes de correlacin simples y
luego se hace una matriz cuadrada con tamao igual al coeficiente de
correlacin parcial que se quiere determinar, luego estos se
multiplican por los coeficientes de correlacin:

De este modo el nico valor que nos importa es el ltimo valor que se
obtenga de un coeficiente de correlacin parcial.
Para la primera serie:

Para lo cual obtenemos las siguientes graficas:

Como podemos ver La funcin de auto correlacin simple y la parcial

no decrecen rpidamente en ningn punto por lo que podemos decir
con bastante facilidad que la mejor representacin de esta serie de
datos la puede hacer un AR, para poder determinar el grado del
proceso auto regresivo se determin que la mejor forma, ser uno con
grado 3, puesto que hasta este rezago podemos observar el
decrecimiento suavizado de la funcin de auto correlacin simple.
Para la segunda serie:

Para lo cual obtenemos las siguientes graficas:

En esta grafica podemos observar que la mejor representacin de la

serie seria una MA(2) por es con este parmetro que la serie cae
repentinamente a cero en la funcin de auto correlacin parcial ,
aunque el resto de valores no sea cero como en la teora es similar a
los resultados que presenta sas y que ya presentamos anteriormente.
Punto3)
a)
=ara poder resolver estas ecuaciones en principio se tom la
consideracin que el error se comporta como un ruido blanco , luego
se empieza a realizar a estimar para cada modelo la funcin de auto
correlacin simple , para lo cual recordamos que el actual proceso es
una ARMA(1,1)

=4.6+0.231+0.811
=4.60.231+0.811
=4.60.2310.811
Sabemos que estas son las covarianzas que necesitamos para
encontrar los datos de auto correlacin a partir de los datos de cada
modelo, sabemos tambin que el error se comporta como ruido
blanco y ~(0 ,0.4) :

1=

0=

(1 ) ( ) 2

2
1
2 ( 1+2 +2 )
1

A partir de las covarianzas obtenemos los coeficientes del primero y

a partir de este obtenemos el del resto.
1=

1
0

k =1 k1
Para el primer modelo sabemos que:
=0,23

=0,81

Al graficarlo obtenemos:

podemos ver que a partir del cuarto rezago el resto de valores es cero
, sea la correlacion es cero a partir de dicho rezago

Para el segundo modelo sabemos que:

=0,23
=0,81

Al graficarlo obtenemos :

Podemos ver que a partir del cuarto rezago el resto de valores es casi
cero, en este caso los valores son positivos y negativos .
Para el tercer modelo sabemos que:
=0,23
=0,81

Al graficarlo obtenemos :

Ahora generemos los 200 datos para el primer modelo obtuvimos:

Tambin se obtuvo:

Para el segundo modelo se obtuvieron las siguientes grficas