Documente Academic
Documente Profesional
Documente Cultură
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:
de -0,6 y
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.
Punto 3)
A partir de un proceso AR (1): = 0.81 + , encuentre los 10
primeros valores de en la representacin:
2=11 + 20 + 31 + 4 2
3=12 + 21 +30 + 41
4 =13 +22+ 31+ 40
queda
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
se comporte Como
yt
es
, y la
=
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:
y t = + t + 1 t1 +2 t 2
2=
1 ( 1+2 )
2
(1+1 +2)
2
(1+ 21 +22 )
Nuevamente para un
y ty t k
k = k=0
yt 2
k=0
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:
=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
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
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 :
Tambin se obtuvo: