ESCUELA SUPERIOR DE FSICA Y MATEMTICAS

SEMINARIO DE TITULACIN

Pronstico del IPC, usando modelos Autorregresivos Integrados

de Media Movil

Damian Jimnez Beatriz

Surez Gonzlez Jess Alejandre
GRUPO: 8MV1

PROFESORA:
Gallegos Mndez Dennys Ingrid

Ciudad de Mxico a 27 de Octubre de 2016

ndice
1

Resumen

1.1

Resumen: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Abstract: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Conceptos Clave: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Justificacin

Objetivos

Viabilidad

11

Hiptesis

13

Estado del Arte

15

Introduccin

17

7.1

Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

7.2

IPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

Planteamiento del Problema

19

Marco Terico

21

9.1

Series de Tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

9.1.1

Componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

9.1.2

Clasificacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

9.1.3

Procesos Estocsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

10 Mtodologa

23

10.1 Modelos ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

10.1.1 Modelos AR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

10.1.2 Modelos MA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

10.1.3 Modelos ARMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

10.1.4 ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24
3

10.1.5 Lag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11 Resolucin del Problema

24
25

11.1 Obtencin y descripcin de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

11.2 Estimacin del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

11.2.1 1. Prueba de raiz unitaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

11.2.2 Estimacin del Modelo ARIMA(p,d,q) . . . . . . . . . . . . . . . . . . . . . .

28

11.2.3 Pronstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

11.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

12 Conclusiones

31

13 Codigo en R

33

Bibliography

35

C HAPTER

Resumen
1.1

Resumen:

En el presente trabajo se propone el uso de la metodologa ARIMA y GARCH para el estudio de series de
tiempo, que en este proyecto, la serie que se analizar ser el ndice de Precios y Cotizaciones [IPC]. Los
objetivos principales de este trabajo son estudiar las propiedades de los modelos propuestos, proponer un
modelo en particular para el caso de estudio y evaluar su desempeo para posterior mente poder realizar
un pronstico a corto plazo.

1.2

Abstract:

In this paper, propouse the use of ARIMA and GARCH methodology for the study of time series, in
this project, the series that will be discussed will be the Index of Prices and Quotations [IPC]. The main
objectives of this work are to study the properties of this models, to propose a particular model for the
case study and evaluate their performance for later mind to carry out a short-term forecast.

1.3

Conceptos Clave:

Proceso Estocstico, Variables Aleatorias, Opciones financieras, Call, Put, Modelos Autorregresivos,
Pronstico.

C HAPTER

Justificacin
En el rea financiera es muy importante saber los precios, indicadores y razones ya que de ellos pedenden
muchos factores dentro de las empresas o para los inversionistas, por ello el poder pronosticarlos ayuda a
prepararse financieramente a futuro.
Gracias a los modelos matemticos nos permiten estimar o dar un valor esperado conjunto a un intervalos de certeza que ayudar a prevenirse y actuar a futuro. Sin embargo, dichos modelos sirven para
series estacionarias, es decir, precios que rondan sobre una media lo cual en la mayoria de los casos,
esto no sucede, los precios no son estacionarios para ello se implementarn otros modelos refinando los
anteriores para poder estimar a futuro, series no estacionarias.
Otra cuestin a abordar es el qu tan certero es el modelo, y si se puede mejorar la estimacin y
certeza, para ello se implementarn los modelos GARCH y la varianza condicional con el fin de mejorar
las estimaciones.

C HAPTER

Objetivos
Los objetivos del trabajo son los siguientes:
1. Obtener pronsticos de IPC con frecuencia diaria.
2. Proveer la mejor prediccin posible en el corto plazo.
3. Visualizar los comportamientos estacionales del IPC.
Para ello, se propone utilizar un modelo autorregresivo integrado de media mvil (ARIMA). utilizando
las variaciones y regresiones de datos histricos con el fin de encontrar patrones para una prediccin hacia
el futuro

C HAPTER

Viabilidad
El acceso a la informacin no representa problema alguno ya que existen estudios anteriores en modelos
economtricos, adems de contar con los datos histricos proporcionados por las debidas instituciones.
Para adquirir ms herramientas y conocimiento se cuenta con el asesoramiento de dos especialistas en
finanzas y econometra, por lo cul no se requiere de un presupuesto ostentoso ya que stas se reciben
dentro del plantel. El tiempo estimado mnimo para poder concluir este proyecto de investigacin es de
seis meses y los materiales requeridos son los que se enlistan:

Material

Cantidad

Costo

Computadora

$0

Hojas blancas

100

$50

Lpices

$20

Tinta (cartuchos)

$300

Unidad CD

$50

11

C HAPTER

Hiptesis
Tipo de hiptesis: Estadstica de Estimacin
Hiptesis: generalmente se plantean dos hiptesis mutuamente excluyentes: la hiptesis de investigacin (H0 ) y la hiptesis alternativa (Hi ).
La hiptesis de estimacin supone el valor de alguna caracterstica de la muestra se fue seleccionada y de
la poblacin en su conjunto. Para formularlas se tiene en cuenta datos adquiridos previamente.
Hiptesis de investigacin
Los valores de los precios dependen de su comportamiento pasado ms un ruido blanco, lo cual al
tomar el conjunto de datos en tiempo "pasado" se podr estimar el futuro del precio.

Hiptesis alternativa
Los valores de los precios son independientes de su pasado y el prximo valor es una variable aleatoria.

13

C HAPTER

Estado del Arte

El desarrollo de este trabajo est basado en el estudio de series temporales aplicado a la prediccin de
precios y valores de acciones y activos.
Los primeros intentos de crear modelos de prediccin de series temporales se caracterizan por la idea de
un mundo determinista. La mayor contribucin fue de Yule que aplico el concepto de proceso estocstico
a la series de tiempo. A partir de este postulado se fueron desarrollando los conceptos de modelos lineales
de prediccin. Los trabajos de Slutsky, Walker, Yaglom o Yule crean los trminos conocidos como
modelos autorregresivos (AR), modelos de medias mviles (MA). Tambin aportarn a esta metodologa
el Teorema de descomposicin de Wold, o los problemas de prediccin lineal de Kolmogorov. Aunque el
punto de inflexin lleg con la publicacin de Time Series Analysis:Forecasting and Control de Box y
Jenkins (1970), que ha tenido un gran impacto tanto tericamente como prcticamente en la prediccin
de series temporales. Se populariz el uso de modelos ARIMA, aplicndose a la prediccin de series
temporales de diversos campos.
Actualmente, estos modelos se han desarrollado en paqueteras para diferentes programas, para
facilitar el uso de estos mtodos sin un conocimiento completo de la teora.

15

C HAPTER

Introduccin
7.1

Introduccin

En el presente proyecto se muestra el desarrollo metodolgico de algunos modelos ARIMA y GARCH

con la finalidad de pronosticar valores "a corto plazo" del Indice de Presios y Cotizaciones.
El creciente mercado financier en Mxico, como los principales mercados financieros a nivel mundial
requiere del conocimiento de modelos que puedan brindar cierta certeza al momento de trabajarlos
La mayora de los fenmenos reales que se estudian en las finanzas, o en economa, poseen una naturaleza
compleja. Cuando se intenta explicar, modelar o pronosticar alguna variable econmica-financiera,
comnmente, se enfrentar a una serie de inconvenientes, tal como lo es la no estacionariedad de la serie.
El actual trabajo pretende mostrar el uso de un par de herramientas para lidiar con estos hechos, en ese
sentido se presentan los modelos ARIMA Y GARCH como una alternativa de solucin.
As pues, el principal objetivo de este proyecto ser detallar la metodologa de estos modelos, tomando
como ejemplo al IPC.
Usando la estratgia Box-Jenkins: identificacin de un modelo ARIMA, estimacin de parmetros,
verificacin del modelo y uso del modelo (pronstico)

7.2

IPC

EL IPC se refiere al Indice de Precios y Cotizaciones de la Bolsa Mexicana de Valores (BMV).

Es el principal indicador de la BMV y es una medida de la evolucin de los precios de las acciones que
cotizan en ella, es decir, refleja el desempeo del mercado accionario mexicano en su conjunto. Se calcula
en funcin de las variaciones de precios de una seleccin de acciones, llamada muestra, balanceada,
ponderada y representativa de todas las acciones cotizadas en la BMV. El IPC se reporta diariamente. El
cambio porcentual del ndice respecto al valor del da anterior se interpreta como el rendimiento diario del
mercado burstil mexicano, para esa fecha particular. Las acciones que componen la muestra del IPC
renen dos requisitos:
1) Son de bursatilidad alta y media, es decir, se pueden comprar y vender con facilidad en la BMV.
2) Su valor de capitalizacin, es decir, el producto del precio de la accin por la cantidad de acciones en
circulacin, representa una ponderacin significativa del IPC.

17

C HAPTER

Planteamiento del Problema

19

C HAPTER

Marco Terico
9.1

Series de Tiempo

Una serie tiempo es una secuencia de observaciones, medidos en determinados momentos del tiempo,
ordenados cronolgicamente y, espaciados entre s de manera uniforme, as los datos usualmente son
dependientes entre s. El principal objetivo de una serie de tiempo Xt donde t = 0, 1, 2, ..., n es su anlisis
para hacer pronstico.

9.1.1

Componentes

El anlisis clsico de las series temporales se basa en la suposicin de que los valores que toma la variable
de observacin es la consecuencia de tres componentes, cuya actuacin conjunta da como resultado los
valores medidos, estos componentes son:
. a) Tendencia: Se puede definir como un cambio a largo plazo que se produce en la relacin al nivel
medio, o el cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave de la
serie a largo plazo.
. b) Estacional: Muchas series temporales presentan cierta periodicidad o dicho de otro modo, variacin
de cierto perodo (semestral, mensual, etc.). Por ejemplo las Ventas aumentan por los meses de noviembre
y diciembre por las festividades navideas. Estos efectos son fciles de entender y se pueden medir explcitamente o incluso se pueden eliminar de la serie de datos, a este proceso se le llama desestacionalizacin
de la serie.
. c) Aleatoria: Esta componente no responde a ningn patrn de comportamiento, sino que es el resultado
de factores fortuitos o aleatorios que inciden de forma aislada en una serie de tiempo.
De estos tres componentes los dos primeros son componentes determinsticos, mientras que la ltima
es aleatoria. As se puede denotar la serie de tiempo como:

Xt = Tt + Et + t
Donde Tt es la tendencia, Et es la componente estacional y t es la componente aleatoria.
21

9.1.2

Clasificacin

Las series temporales se pueden clasificar en:

. a) Estacionarias: Una serie es estacionaria cuando es estable a lo largo del tiempo, es decir, cuando la
media y varianza son constantes en el tiempo. Esto se refleja grficamente en que los valores de la serie
tienden a oscilar alrededor de una media constante y la variabilidad con respecto a esa media tambin
permanece constante en el tiempo.
. b) No Estacionarias: Son series en las cuales la tendencia y/o variabilidad cambian en el tiempo. Los
cambios en la media determinan una tendencia a crecer o decrecer a largo plazo,por lo que la serie no
oscila alrededor de un valor constante.

9.1.3

Procesos Estocsticos

Un proceso estocstico se describe como una secuencia de datos que evolucionan en el tiempo. Las series
temporales se definen como un caso particular de los procesos estocsticos

Proceso Estacionario: Un proceso estocstico se dice que es estacionario si su media y su varianza

son constantes en el tiempo y si el valor de la covarianza entre dos periodos depende solamente de la
distancia o rezago entre estos dos periodos de tiempo y no del tiempo en el cual se ha calculado la
covarianza.
Sea Xt una serie de tiempo entonces con estas propiedades:
M edia : E(Xt ) =
V arianza : V (Xt ) = V (Xt+k ) = 2
Covarianza : E[(Xt )(Xt+k )] = k
donde k , la covarianza (o autocovarianza) al rezago k, es la covarianza entre los valores de Xt y
Xt+k , que estn separados k periodos

22

C HAPTER

Mtodologa
10.1

Modelos ARIMA

Un modelo autorregresivo integrado de promedio mvil o ARIMA (acrnimo del ingls autoregressive
integrated moving average) es un modelo estadstico que utiliza variaciones y regresiones de datos
estadsticos con el fin de encontrar patrones para una prediccin hacia el futuro. Se trata de un modelo
dinmico de series temporales, es decir, las estimaciones futuras vienen explicadas por los datos del
pasado y no por variables independientes.

10.1.1

Modelos AR

La notacin AR(p) se refiere a un modelo autorregresivo de orden p. Un modelo AR(p) puede escribirse
como:
Xt = c +

p
X

i Xti + t

i=1

Donde 1 , ..., p son parmetros del modelo, c es una constante y t es un trmino de error
Se debe tener en cuenta que es necesario imponer ciertas restricciones a los valores de los parmetros de
este modelo para que funcione correctamente (proceso estacionario). Por ejemplo, en un modelo AR(1),
si |1 | > 1 el modelo no ser estacionario.

10.1.2

Modelos MA

La notacin M A(q) se refiere a un modelo de media mvil de orden q.

Xt = t +

q
X

i ti

i=1

Donde 1 , ..., p son parmetros del modelo y t , ..., tq son trminos de error

10.1.3

Modelos ARMA

La notacin ARM A(p, q) se refiere a un modelo con p trminos autorregresivos y q trminos de media
mvil. Este modelo combina los modelos AR e MA:
Xt = t +

p
X
i=1

i Xti +

q
X

i ti

i=1

23

10

10.1.4

ARIMA

El modelo ARIMA necesita identificar los coeficientes y nmero de regresiones que se utilizarn. Este
modelo es muy sensible a la precisin con que se determinen sus coeficientes.
Se suele expresar como ARIM A(p, d, q) donde los parmetros p, d y q son nmeros enteros no
negativos que indican el orden de las distintas componentes del modelo respectivamente, las componentes autorregresiva, integrada y de media mvil. Cuando alguno de los tres parmetros es cero, es
comn omitir las letras correspondientes del acrnimo AR para la componente autorregresiva, I para la
integrada y MA para la media mvil.
Yt = 0 +

p
X

i d Yti

i=1

10.1.5

q
X

i ti +

i=1

Lag

Es un operador de retardo, el cual se representa como un polinmio, se representa con la letra Ld o como
tambin se usa en diferencias como d , donde d indica el grado del retardo.
L(Xt ) = Xt1
(Xt ) = Xt Xt1

24

C HAPTER

Resolucin del Problema

En nuestro problema, nuestra serie de tiempo sern los valores del IPC que registra sus valores diariamente.
Uno de los principales problemas con el que nos enfrentaremos ser el hecho de que la serie de tiempo con
la que trabajaremos no es estacionaria. Aunado a esto, debemos tomar en cuenta posibles transformaciones
lineales a la serie, es decir, aplicarle alguna funcin tal que se preserve el orden de dispersin de la misma;
por ejemplo, la funcin logaritmo.
En el trabajo, al tomar las diferencias logartmicas del IPC, lo que estaremos obteniendo seran los
rendimientos del IPC y con ello, lograramos de iguam manera, volver la serie estacionaria, esto dicho,
podremos expresarlo de la siguiente manera:
Sea yi la variable que represente al IPC, y x que representa la transformacin del IPC. La variable a
estudiar ser una transformacin de la siguiente forma:
xt = log(

yt
)
yt1

t T
Notemos, que xt representaria una diferencia logaritmica, que al modelar con el mtodo ARIMA, lo que
estaramos representando sera:
(L)d Xt = (L)
donde d es el nivel de integracin.
Usando estos modelos, podremos ahora proceder a trabajar con los datos del IPC y aplicarlos para
predecir su comportamiento

25

11

11.1

Obtencin y descripcin de datos

Los datos que se utilizaron en este trabajo corresponden al valor de cierre diario del ndice de precios y
coticiaciones que es el principal indicador de la bolsa mexicana de valores en el perioda comprendido de
8 de Noviembre de 1991 al 10 de Mayo del 2016, los cuales se presentan en la Grfica 11.1.

Figure 11.1: Comportamiento Histrico del ndice de Precios y Cotizaciones

Donde se ve que la serie no es estacionaria, por ello, se recurrir a la transformacin logratmica y

posteriormente a la diferencia de los valores resultantes de la transformacin
Enla grfica 11.2 se presenta el comportamiento de la diferencia lgaritmica del IPC, que como
previamente se dijo, nos muestra el rendimiento del mismo. Se observa que la volatilidad tiene algunos
puntos de alta volatilidad, pero en general, se comporta como una serie estacionaria
Al realizar un anlisis de las principales caractersticas que se pueden apreciar en el IPC se observa la
siguiente informacin, de la Grfica 11.2:

26

Figure 11.2: Transformacin Diferencias Logartmicas del IPC

Figure 11.3: Estadisticos descriptivos del IPC

27

11.2

Estimacin del Modelo

Usando el software de R, se modelar la serie de valores del logIPC Para ello, se sigui el siguiente
proceso.
1. Prueba raiz unitaria.
2. Estimacin del Model ARIMA(p, d, q).
3. Pronstico

11.2.1

1. Prueba de raiz unitaria

En la siguiente seccin, se realizar la prueba Dickey-Fuller para comprobar si la serie tiene una raiz
unitaria, en caso de tenerla, la serie no sera estacionaria, para lo cual, se deber hacer una transformacin
ms. Se hizo la prueba en las dos series, el IPC y el logIPC, dado que empricamente, asumimos que la
serie del IPC no era estacionaria y la del logIPC s, sin embargo, la prueba confirmar lo esperado. La H0
Ser que tiene raiz unitaria

Table 11.1: Test Dickey-Fuller

Time Series
IPC
LogIPC

Test D-F
-2.1875
-17.1875

H0
Se acepta
Se rechaza

Con el siguiente test, confirmamos lo esperado, que la serie logIPC es estacionaria, lo cual nos ayudar
a pronosticar de mejor manera.

11.2.2

Estimacin del Modelo ARIMA(p,d,q)

El software de R, cuenta con una paquetera donde se puede estimar p, d, q de nuestro modelo, el cul, dio
como resultado que el modelo que se adeca ms a nuestra serie de tiempo es el modelo ARIMA(3, 0, 1),
del que arroj los siguientes resultados:

Table 11.2: Modelo ARIMA(3,0,1)

Coefficients
s.e

ar1
-0.8156
0.0417

ar2
0.0639
0.0169

Con una estimacin de la varianza de 2 = 2.243

28

ar3
-0.0552
0.0129

ma1
0.9297
0.0399

intercept
0.0569
0.0204

11.2.3

Pronstico

El pronstico para el logIPC se realiz para 20 periodos, las cuales, podemos observar en la serie 11.2 ,
tiendea un comortamiento lineal, no obstante debemos recordar que la serie que nos interesa pronsticar
es el IPC.

Figure 11.4: Pronstico logIPC

Para generar el pronstico del IPC, se regresar la transformacin que se hizo, de la siguiente forma:
Recordemos que xt era el rendimiento del IPC, con la transformacin logartmica, y que fue la serie que
se pronstico, entonces:
xt+1 = log(

IP Ct
)
IP Ct+1

Recordemos que nuestros datos llegan hasta T , donde IP CT representa nuestro ltimo dato de la serie
original; luego, despejando IP CT +1 tendramos:
IP CT +1 = IP CT exT +1
De igual manera, se har con los periodos siguientes.

29

11.3

Resultados

Se presentar en esta seccin los resultados del pronstico, y se compararn a los datos actualizados hasta
el 27 de Mayo del 2016
Table 11.3: Pronstico vs IPC
ndice
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14

30

LogIPCF
0.0032578
0.09804946
0.01765842
0.09420315
0.02125406
0.09022301
0.0249501
0.08674848
0.02824657
0.08362735
0.03120072
0.08083074
0.0391625
0.0181192

Fecha
09/05/2016
10/05/2016
11/05/2016
12/05/2016
13/05/2016
16/05/2016
17/05/2016
18/05/2016
19/05/2016
20/05/2016
23/05/2016
24/05/2016
25/05/2016
26/05/2016
27/05/2016

IPCF
45250.34
45398.00
50074.78
50966.87
56001.53
57204.53
62605.69
64187.35
70004.16
72009.73
78290.68
80771.91
87571.89
91069.46
92734.61

IPC
45250.34
45506.87
45685.82
45402.47
45843.14
45872.18
45551.20
45051.27
45155.91
45236.16
45497.46
45710.94
46039.69
46124.15
46017.21

Error %
0.0%
0.2%
9.6%
12.3%
22.2%
24.7%
37.4%
42.5%
55.0%
59.2%
72.1%
76.7%
90.2%
97.4%
101.5%

C HAPTER

Conclusiones
Los modelos ARIMA representan una enorme ventaja en tanto que no se requiere de otras variables para
explicar el objeto de estudio. La metodologa Box-Jenkings representa una herramienta sencilla y til
para la manipulacin de series univariadas (como fue el caso deestudio)
A la transformacin realizada en el trabajo, debemos asegurar que se pueda integrar nuevamente a
la original, es decir, que debe existir su funcin inversa, que permita despejar a la variable en dicha
transformacin.
Los pronsticos para largo plazo no se deberan hacercon modelos Arima, puesto que estos se desempean
mejor a corto plazo; por otra parte, se deber preferentemente considerar un modelo con el menor nmero
de parmetros que resulte eficiente, puesto que ser ms sencillo de manipular y comprender, adems es
menos restrictivo, pues quiz requiera de un menor nmero de clculos, menor nmero de raices, etc.

31

12

C HAPTER

Codigo en R
Figure 13.1: Cdigo R

33

13

Bibliography
-Sampieri, Hernndez Roberto. Metodologa de la Investigacin [en lnea]. Ed. 2. [McGRAW - HILL] :
Mxico, enero de 1997.

Disponible en: http://www.dgsc.go.cr/dgsc/documentos/cecades/metodologia-de-la-in

pdf.
-Investing.com [en lnea]. ndices: IPC (MXX)- [citado 9 octubre 2016].
Disponible en Internet: http://mx.investing.com/indices/ipc>.

-Escuela Nacional de Biblioteconoma y Archivonoma, ENBA [en lnea]. Series de Tiempo.

Disponible en Internet: http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.
pdf.

-Universidad Autonoma de Madrid, UMA [en lnea]. Modelos ARIMA.

Disponible en Internet: https://www.uam.es/personal-pdi/economicas/anadelsur/
pdf/Box-Jenkins.PDF.

35

Nombre del documento:INTRODUCCIN A LOS MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD CONDICIONAL (ARCH)
Autor:Rafael de Arce, Universidad Autonoma Metropolitana.
Referencia bibliogrfica:https://www.uam.es/
Palabras clave de bsqueda: Modelos GARCH
Ubicacin: https://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf
Descripcin: Explica la parte matemtica de modelos autorregresivos.
Conceptos abordados: Modelos ARCH, esperanza, varianza, ruido blanco.
Observaciones: Este artculo ayuda a determinar un patrn de comportamiento estadstico para la varianza
de los modelos Autorregresivos condicionales heterocedsticos.

36

Nombre del documento: Procesos Estocsticos Estacionarios

Autor: Jos Ortega, CIMAT.
Referencia bibliogrfica: Anderson, T.W., An Introduction to Multivariate Statistical Analysis, 2nd.
Ed., Wiley, 1984.
Palabras clave de bsqueda: Procesos estacionarios.
Ubicacin: https: http://www.cimat.mx/ jortega/MaterialDidactico/ST2013/ProcAlea.pdf
Descripcin: Explica y define un proceso estacionario.
Conceptos abordados: Sucesin de variables, Teorema de Kolmogorov, separabilidad, incrementos
independientes.
Observaciones: En este artculo se define bajo teoremas un proceso estacionario y las clases importantes de ste.

37

Nombre del documento:

Autor:
Referencia bibliogrfica:
Palabras clave de bsqueda:
Ubicacin: https:
Descripcin:
Conceptos abordados:
Observaciones:

38

Nombre del documento:

Autor:
Referencia bibliogrfica:
Palabras clave de bsqueda:
Ubicacin: https:
Descripcin:
Conceptos abordados:
Observaciones:

39

Nombre del documento:

Autor:
Referencia bibliogrfica:
Palabras clave de bsqueda:
Ubicacin: https:
Descripcin:
Conceptos abordados:
Observaciones:

40

Nombre del documento:

Autor:
Referencia bibliogrfica:
Palabras clave de bsqueda:
Ubicacin: https:
Descripcin:
Conceptos abordados:
Observaciones:

41

Nombre del documento:

Autor:
Referencia bibliogrfica:
Palabras clave de bsqueda:
Ubicacin: https:
Descripcin:
Conceptos abordados:
Observaciones:

42