LA METODOLOGIA BOX-JENKINS

Slides:



Advertisements
Presentaciones similares
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES
Advertisements

Estimación de una probabilidad en muestras pequeñas
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
Selección del modelo adecuado
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Econometria 2. Modelo de Regresión Lineal Simple
Capitulo 10: La metodología Box-Jenkins
Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.
Tema 2: Métodos de ajuste
Tests de hipótesis Los tres pasos básicos para testear hipótesis son
Diseño en bloques completamente aleatorizados
Importancia de las aplicaciones de estadística en el control de procesos Guatemala 2010.
Pronósticos, Series de Tiempo y Regresión
SERIES DE TIEMPO INTEGRANTES :.
VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDAD
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Modelos Pronósticos Prof. Dr. Héctor Allende.
DISTRIBUCIONES DE MUESTREO
ANALISIS DE FRECUENCIA EN HIDROLOGIA (2)
Métodos de calibración: regresión y correlación
Universidad Nacional de Colombia Curso Análisis de Datos Cuantitativos.
ESTIMACION POR INTERVALOS
Titular: Agustín Salvia
Introducción a la Inferencia Estadística
Inferencia Estadística
Dr. José Guadalupe Ríos1 MUESTRA DE ANÁLISIS DE CONFIABILIDAD Consiste en seleccionar al azar n productos, poniéndolos a funcionar hasta que fallan. Entonces.
Estimación de modelos ARMA
PROBABILIDAD II Distribuciones. Distribución de frecuencia: es un listado de frecuencias observadas de todos los resultados de un experimento que se presentaron.
LA CARTA DE AJUSTE POR RETROALIMENTACIÓN Suponer una variable de calidad Y, que tiene un “target” T. Suponer una variable controlable X que influye en.
Estimación Diferencia de dos medias
Regresión Lineal Simple
Método de mínimos cuadrados
RIESGO, RENDIMIENTO Y VALOR
CONTRASTE DE HIPÓTESIS Dimensiones Largo275mm. 169 mm 2 Ancho175mm.49 mm 2 Alto175mm.49 mm 2 Peso16 Kg.1 Kg 2. SITUACIÓN PROBLEMA.
INFERENCIA ESTADÍSTICA
REGRESIÓN LINEAL SIMPLE
NUMEROS ALEATORIOS. La idea es hallar un generador que sea fácil de implementar en la computadora, que sea rápido y que no ocupe mucho espacio memoria,
REGRECION LINEAL SIMPLE, MULTIPLE Y CORRELACION. REGRECION LINEAL SIMPLE.
Un criterio para detectar outliers. Otro criterio para detectar errores groseros (outliers)
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO FACULTAD DE INGENIERÍA COORDINACIÓN DE MATERIAS PROPEDÉUTICAS INGENIERÍA ELECTRÓNICA ASIGNATURA: MÉTODOS NUMÉRICOS.
Danny Rafael Amaya Cotes Marcos Elías López Guerra.
METODOLOGÍA CUALITATIVA Licenciatura en Comunicación Social, U. del Pacífico Cuarta semana de clases El proceso de construcción de un marco teórico Prof.
Experimentos con un solo factor: anÁlIsis de varianza
VERIFICACIÓN DEL SUPUESTO: DE IGUALDAD DE VARIANZAS: OBSERVACIÓN GRÁFICA Y PRUEBA DE BARTLETT.
Grafica lineal Presentado por: Johanis lozano Presentado a : Beatriz Rodríguez Grado: 8º06.
Intervalos de Confianza M. C. José Juan Rincón Pasaye UMSNH – FIE Mayo de 2003.
Estadística I.
PRONOSTICOS CON REGRESION LINEAL MULTIPLE En la regresión lineal simple se investiga la relación entre una variable independiente y otra dependiente. A.
CAPÍTULO 6 REGRESIÓN NO LINEAL Nazira Calleja Miles, J. & Shevlin, M. (2011). Applying regression & correlation. A guide for students and researchers.
REGRESIÓN Y CORRELACIÓN LINEAL, SERIES DE TIEMPO Msc. Esmelda Aguirre Téllez Master en Administración de Negocios.
C ONCEPTOS BÁSICOS DE I NFERENCIA II 1. Teorema 1. Si X~N(µ, σ) y Y=aX+b donde a y b son constantes, entonces: Teorema 2. Si X1, X2, …, Xn son variables.
ESCURRIMIENTO NO PERMANENTE
ERRORES E INCERTIDUMBRES
BIOESTADÍSTICA Y ESTADÍSTICA BÁSICA CHILLÁN, SEGUNDO SEMESTRE PROF. SOC. M© KEVIN VILLEGAS.
PRUEBAS DE NORMALIDAD 1.- HISTOGRAMA DE RESIDUOS
Rodrigo Ferrer Urbina Universidad de Tarapacá.  ¿Qué es? ◦ Un conjunto de procedimientos.  ¿Qué hacen? ◦ Resumir y organizar información.  ¿Para que?
Tarea # 1. Una variable es un símbolo que actúa en las funciones, las fórmulas, los algoritmos y las proposiciones de las matemáticas y la estadística.
M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.
C ÁLCULO I NTEGRAL Profesor: Manuel Guillermo López Félix Multiversidad Latinoamericana Hermosillo Norte Repaso primero parcial Sexto semestre Competencias.
INFERENCIA EN LOS MODELOS ARIMA ECONOMETRÍA II CAPÍTULO VI D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero.
Presentado por : Diana Marcela Oviedo Pardo Diana Marcela Oviedo Pardo.
DISEÑO FRACCION UN CUARTO. DISEÑOS FACTORIALES FRACCIONADOS 2 K-2 DISEÑOS FACTORIALES FRACCION UN CUARTO Dependiendo del numero de factores y del costo.
APLICACIONES TAI EN TELEFORMACIÓN. ¿Qué es la teleformación? La Teleformación o el e-learning permite realizar acciones formativas a través de Internet.
Bioestadistica II 2014 FACULTAD DE CIENCIAS EXACTAS, FÍSICAS Y NATURALES. UNIVERSIDAD NACIONAL DE CÓRDOBA.
Taller introducción a los conceptos básicos de Estadística PRIMERA PARTE 2016 Propósito: Introducir algunos conceptos básicos de Estadística por medio.
ANALISIS DE FRECUENCIA EN HIDROLOGIA (3)
UNIVERSIDAD TECNOLOGICA DE AGUASCALIENTES
Métodos Cuantitativos de Análisis de Datos I. Medidas de Variación.
Estadística y Biometría Modelación Estadística Regresión lineal.
Análisis y diseño de experimentos
Transcripción de la presentación:

LA METODOLOGIA BOX-JENKINS MODELOS ARIMA

METODOLOGIA BOX-JENKINS Esta metodología es diferente a la mayoría de los métodos para generar pronósticos porque no supone ningún patrón en particular en los datos históricos de las series que se van a pronosticar. Se fundamenta en un enfoque iterativo para identificar un modelo posible a partir de una clase general de modelos. Luego, el modelo seleccionado se coteja con los datos históricos para ver si describe los datos con exactitud.

METODOLOGIA BOX-JENKINS El modelo está bien ajustado si los residuos son generalmente pequeños, están distribuidos aleatoriamente. Si el modelo especificado no es satisfactorio, el proceso se repite usando un nuevo modelo diseñado para mejorar el original y se repite hasta que se encuentra un modelo satisfactorio y en ese momento el modelo se considera útil para pronosticar.

DIAGRAMA DE FLUJO Postular una clase general de modelo Identificar el modelo que se considera tentativamente Estimar los parámetros en el modelo considerado tentativamente Diagnosticar el modelo (¿El modelo es adecuado?) No Si Usar el modelo para pronosticar

ESTRATEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO IDENTIFICACION DEL MODELO El primer paso consiste en determinar si la serie es estacionaria, es decir, si la serie de tiempo parece variar alrededor de un nivel fijo. Es útil observar una gráfica de la serie junto con la función de autocorrelación de la muestra. Se recomienda una serie de tiempo estacionaria si la serie parece crecer o declinar en el tiempo y las autocorrelaciones de la muestra no se desvanecen rápidamente.

ESTARTEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO Una vez se haya obtenido una serie estacionaria, el analista debe identificar la forma del modelo que utilizará. la identificación de la forma del modelo se lleva a cabo comparando las autocorrelaciones y las autocorrelaciones parciales calculadas con los datos de las autocorrelaciones y autocorrelaciones parciales teóricas de los diferentes modelos ARIMA.

ESTRATEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO ESTIMACION DEL MODELO Una vez que se ha seleccionado un modelo tentativo, se deben estimar los parámetros de ese modelo. Los parámetros de los modelos ARIMA se estiman minimizando la suma de cuadrados de los errores de ajuste. Estos deben obtenerse, en general, usando un procedimiento no lineal de mínimos cuadrados

ESTRATEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO VERIFICACION DEL MODELO Antes de utilizarse el modelo debe verificarse qué tan adecuado es. En esencia es verificar que los residuos son aleatorios. Muchas de las gráficas residuales en el análisis de regresión, se pueden desarrollar para los residuos de un modelo ARIMA. Un histograma y una gráfica de probabilidad normal

ESTRATEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO 2. Las autocorrelaciones residuales individuales deben ser pequeñas y generalmente de cero 3. Las autocorrelaciones residuales como grupo deben ser congruentes con aquellas producidas por los errores aleatorios

ESTRATEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO ELABORACION DE PRONOSTICOS Una vez que se ha encontrado un modelo adecuado, es factible elaborar los pronósticos de uno o varios períodos. Con base en los pronósticos se pueden construir intervalos de predicción. En general, para un nivel de confianza dado, cuanto más largo sea el tiempo guía del pronóstico, mayor será el intervalo de predicción.

ESTRATEGIA DE IMPLEMENTACION DE LA CONSTRUCCION DEL MODELO Si el patrón de la serie parece estar cambiando con el tiempo, los datos nuevos se pueden usar para recalcular los parámetros del modelo o si es necesario, desarrollar un modelo completamente nuevo.