1.

- INTRODUCCIN
En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a
identificar, estimar y diagnosticar modelos dinmicos de series temporales
en los que la variable tiempo juega un papel fundamental. Una parte
importante de esta metodologa fue pensada para liberar al investigador la
tarea de especificacin de los modelos dejando que los propios datos
temporales de la variable a estudiar nos indiquen las caractersticas de la
estructura probabilstica subyacente (AZNAR, A. Y TRIVEZ, F.J.(1993).
En parte, los procedimientos que se abordan en este primer informe son el
inicio de una cadena de modelos que se estructuran y combinaran entre
ellos a fin de analizar valores temporales de una forma diferente a la
tradicional. As tambin identificar y especificar un modelo apoyndose en
las teoras subyacentes al fenmeno analizado aunque, convenientemente
utilizados, los conceptos y procedimientos que se examinan constituyen una
herramienta til para ampliar y complementar los conocimientos de
prediccin multiple.
En esta primera parte se comenzar analizando un modelo auto regresivo
(AR) en los que una variable es explicada utilizando exclusivamente una
"exgena" o su propio pasado. En este sentido se considera exclusiva de los
valores pasados de una determinada variable para explicar su evolucin
presente y futura supone, al mismo tiempo, una ventaja y un inconveniente.
Es imperativo indicar que este informe describe un ensayo teorico con
valores aleatorios y no una serie de tiempo real de alguna variable de datos
temporales, esto se ha realizado a fin de demostrar el funcionamiento del
modelo las capacidades y dificultades que presenta al aplicarlo.
2.- PLANTEAMIENTO DEL PROBLEMA

3.- OBJETIVOS
3.1 Objetivos generales

Generar un modelo auto-regresivo de orden 3 AR(3) en base a datos

aleatorios.

3.2 Objetivos especficos

Especficamente se desea:

Generar 80 valores de un modelo AR(3).

Darse los valores de los parmetros: fi1, fi2, fi3, media mu y varianza
de los residuos a(t)
Generar 100 valores a(t)
Generar 100 valores z(t)-mu, haciendo algn supuesto para z(t-1)..z(t3)
Despreciar los 20 primeros valores

Para la serie de tiempo de 80 valores se desea calcular la funcin de

autocorrelacin y autocorrelacin parcial y verifique que los
parmetros del modelo AR que se deriva de estos datos son "iguales"
a los inicialmente considerados.

4.- METODOLOGA
4.1 Introduccin a la Auto-regresin
En general, las tcnicas de prediccin utilizan como instrumento
fundamental el anlisis de regresin, que constituye la tcnica fundamental,
frente al anlisis de correlacin. La distincin entre ambas es bsica. En esta
ltima, el objetivo fundamental se concreta en la medicin del grado de
asociacin lineal entre dos variables, no existiendo en ningn momento
distincin entre variable dependiente y explicativa. Sin embargo, el anlisis
de regresin parte de la existencia de una relacin causal entre dos
variables, dependiente y explicativa, siendo la primera aleatoria y la
segunda fija o no estocstica. El objetivo de la tcnica consiste en estimar
y/o predecir el valor medio poblacional de la variable dependiente a partir
de valores conocidos y fijos de las variables explicativas, obtenidos
mediante un proceso de muestras repetidas.
Para la estimacin de esa relacin se cuenta con varios mtodos, cada cual
ms apropiado en unas u otras circunstancias. La estimacin de modelos
AR, tiene peculiaridades especiales que se abordaran ene el siguiente
punto. En un contexto general, podemos decir que un modelo uniecuacional
puede ser estimado mediante:
- El mtodo de mnimos cuadrados ordinarios,
- El mtodo de mnimos cuadrados generalizados o de Aitken,
- El mtodo de mxima verosimilitud.
Cada uno de ellos es ms apropiado en funcin de las caractersticas
estadsticas del proceso a modelizar. El ms conocido es sin duda el de
mnimos cuadrados ordinarios. En este mtodo se eligen los parmetros
atendiendo a una cualidad que se cree importante, cual es que la suma del
cuadrado de los errores (diferencia entre los valores reales de la variable a
explicar y los valores obtenido para tal variable por los parmetros
estimados) sea la mnima posible.
4.2 Variable aleatoria o trmino de error
El termino de error

at

se aade en un modelo AR como modo de

introducir aleatoriedad en la relacin entre la variable

Y t1 ,

Y t2..

Yt

y sus retardos

Efectivamente, en ausencia de este trmino de error, la

relacin entre la variable a modelar y sus explicativas (los retardos) es

determinista. Quiere ello decir que se establece una relacin exacta entre
un conjunto de valores

Y t1 , y

Y t2..

la variable

Yt

. El anlisis se

enriquece cuando se introduce una variable aleatoria como es el trmino de

error. Entonces la relacin entre las variables pasa a ser estocstica de
forma que un conjunto de valores

Y t1 ,

Y t2..

(los retardos) se

Yt

relacionan con la variable

, por medio de una determinada

probabilidad. Pues bien, para ese trmino de error, que no es ms que una
variable aleatoria que relaciona valores con probabilidades, se asumen (y se
contrastan) algunos supuestos de comportamiento como son:

0,
N ( a 2)

o media 0 y varianza sigma a cuadrado.

4.3 Modelizacin AR
La modelizacin AR parte de considerar que el valor observado de una serie
(un dato de una variable temporal) en un momento determinado de tiempo

es una realizacin de una variable aleatoria

momento de tiempo. Por tanto, una serie de

un vector de

Yt

definida en dicho

datos es una muestra de

variables aleatorias ordenadas en el tiempo al que

denominamos proceso estocstico.

En este caso se pretende predecir el comportamiento de una variable y en

un momento futuro t , a partir del comportamiento que la variable tuvo en

un

momento

pasado,

por

ejemplo,

en

el

perodo

anterior,

Y t1 .

Formalmente se escribira como

Y 1=f (Y t 1 )
es decir, que el valor de la variable
valor tomado en el perodo

en el momento t

es funcin del

t 1 .

Puesto que en el comportamiento de una variable influyen ms aspectos,

debemos incluir en la relacin anterior un trmino de error,

at , que es

una variable aleatoria a la que suponemos ciertas caractersticas

estadsticas apropiadas. Es decir:

Y 1=f (Y t 1 , at )

Ahora se debe elegir una forma funcional concreta para esta expresin. La
que queda descrita como forma lineal segn:

Y 1= 0 + 1 Y t 1+ at

donde

es un trmino independiente y

multiplica al valor de la variable

1 es un parmetro que

en el perodo

t1 . Utilizando

mtodos estadsticos adecuados podemos estimar los parmetros

y

1 de forma que estos cumplan propiedades estadsticas razonables y

sean una buena (la mejor posible) estimacin. Con ello obtendramos una
expresin como

Y 1= 0 + 1 Y t 1
que utilizaramos a efectos de prediccin.
Esta es la esencia de los modelos autorregresivos (o modelos AR). Se
realiza una regresin de la variable

Yt

sobre s misma (auto-regresin) o,

mejor dicho, sobre los valores que la variable tom en el perodo anterior.
Un aspecto importante es el orden del modelo AR. Por ejemplo, el modelo

Y 1= 0 + 1 Y t 1+ at

es de orden 1, y se denota como AR(1). Si tomamos en el modelo como

explicativas los valores de la variable y en los 2 perodos anteriores, es decir

Y 1= 0 + 1 Y t 1+ 2 Y t2 +at

entonces hemos especificado un modelo AR(2).

De esta forma el modelo buscado para este ejercicio AR(3) estara dado
segn la cadena

Y 1= 0 + 1 Y t 1+ 2 Y t2 + 3 Y t 3+ at

En este sentido se puede determinar la ecuacin para un modelo AR de

orden p o AR(p), el cual viene dado por

Y 1= 0 + 1 Y t 1+ 2 Y t2 + p Y t p +at

Deduccin del ctm

1 ( C1 1 B 1 B2 2 B3 ) =1+ 1 B+ ( 2 + 21 ) B + ( 3 +2 1 + 2+ 31) +e
1 1 B 2 B2 3 B3
0 1 B+ 2 B 2+ 3 B 3

1 B 1 B 1 2 B 1 3 B

5.- RESULTADOS
6.- DISCUSIONES Y CONCLUSIONES
6.1 Discusiones
6.2Conclusiones
7.- REFERENCIAS BIBLIOGRAFICAS