ESCUELA DE ESTADÍSTICA

3009137 ESTADÍSTICA III

SEMESTRE 02 2019
OBJETIVOS
El objetivo general es proporcionar los elementos básicos de la teoría de series de tiempo univariadas, lineales, e introducir el manejo
de software para implementarla, con énfasis en el cálculo de pronósticos. Los elementos básicos comprenden el modelo de
descomposición clásico por regresión y filtros y los modelos ARIMA y SARIMA. El software que se utilizará en el curso es el R,
versión 3.5.3 y librerías compatibles.
CONTENIDO
1. Introducción
1.1 Instalación de R y descripción básica del paquete. Repaso regresión lineal múltiple con R. Ejemplo de regresión con variables
indicadoras. Este item será desarrollado mediante lecturas de documentos en Moodle: “Guía de Instalación y descripción
del R”; “Repaso sobre RLM con variables indicadoras, usando R”. Lecturas adicionales recomendadas: Montgomery, D. C,
Peck, E. y Vining G. G. “Introducción al Análisis de Regresión Lineal”, Capítulo 3 (secciones 3.1 a 3.5) y Capítulo 8.
1.2 Descomposición clásica y análisis descriptivo de series de tiempo con R. Estrategia de validación cruzada. Lectura
documento en Moodle: “Guía para el análisis de las componentes de una seriev02.pdf”.

2. Modelo de regresión para tendencia (series no estacionales). [Notas de Clase Capítulo 3]

2.1 Modelación global de la tendencia: Modelos de regresión lineal y no lineal. Lectura: Selección de modelos usando los
criterios de información de Akaike y de Schwarz (Sección 3.4 en Notas de Clase y páginas 22 a 27 Diapositivas de Clase:
“Modelos de Regresión Para Tendencia”).
2.2 Pronósticos puntuales e intervalos de predicción. Diagnósticos.
2.3 Ejemplo de clase: “Análisis datos RSALES”.
3. Modelos de regresión de series estacionales. [Notas de Clase Capítulo 5: Secciones 5.1, 5.2 y 5.4]
3.1 Modelos aditivos y multiplicativos. Representación de la componente estacional con variables indicadoras y trigonométricas.
Lectura: documento en Moodle: “Periodograma para el chequeo de componentes estacionales”.
3.2 Precisión de los modelos de pronóstico.
3.3 Ejemplo de clase: “Ajuste por regresión de una serie estacional de componentes multiplicativas”.

4. Modelos y ajustes locales [Notas de Clase Capítulo 4 y Capítulo 5: Sección 5.5]

4.1 Filtros lineales. Medias móviles unilaterales y bilaterales (centradas). Aplicación a la estimación de una tendencia.
4.2 Suavizamiento exponencial simple.
4.3 Regresión LOESS. Estimación de la tendencia.
4.4 Suavizamiento exponencial Holt.
4.5 Ajustes locales de series estacionales mediante suavizamiento exponencial Holt – Winters. Lectura: Documento en Moodle
“Filtro de descomposición clásica para series estacionales y su combinación con LOESS para ajustes y pronósticos locales”.
4.6 Ejemplo de clase: “Ajustes locales sobre un serie estacional aditiva”.

5. Residuales recursivos y pruebas de estabilidad en modelos globales[Notas de Clase Capítulo 5: Sección 5.3].
5.1 Hipótesis y métodos de prueba.
5.2 Ejemplos de clase.

6. Taller de repaso: Ajuste de tendencia y estacionalidad por métodos globales y locales.

7. Caracterización de ciclos. [Notas de Clase Capítulo 6 y Sección 7.3]

7.1 Procesos estocásticos. Procesos estacionarios. Ruido blanco. Funciones de autocovarianza y autocorrelación muestral.
7.2 Uso de la ACF muestral para determinar incorrelación.
7.3 Prueba de hipótesis de Ljung-Box para determinar incorrelación.
7.4 Función de autocorrelación parcial o PACF.
7.5 Modelo AR(1) y prueba de Durbin – Watson de autocorrelación de orden 1.
7.6 Ejemplos de clase sobre patrones ACF, PACF, Ljung-BOX. Análisis de la condición de la estacionariedad en covarianza.

8. Introducción a los modelos ARMA. [Notas de Clase Capítulo 7]

8.1 Operador de rezagos, polinomios de rezagos y filtros lineales. Lectura: Teorema de representación de Wold (Sección 7.2
Notas de Clase).
8.2 Modelos MA(q) y AR(p).
8.3 Modelos ARMA(p,q). Identificación y ajuste. Lectura: Función de autocorrelación extendida o EACF (Capítulo 7, Sección
7.7.2 de Notas de Clase y páginas 8-14 diapositivas sobre “Identificación, ajuste y pronósticos de modelos ARMA(p,q)).
8.4 Pronósticos.
8.5 Ejemplos sobre identificación y ajuste de modelos ARMA.
9. Recopilación. Ajustes y pronósticos en modelos de regresión con tendencia, estacionalidad y componente aleatoria ARMA.
[Notas de Clase Capítulo 8].
9.1 Definición modelo de regresión con errores ARMA
9.2 Ejemplo de clase: “Modelación de una serie multiplicativa con errores ARMA: Serie Producción trimestral Cemento
Portland”. Lectura: Documento en Moodle: Ejemplo de cálculo de pronósticos modelo de regresión con errores ARMA.

10. Modelos ARIMA. [Notas de Clase Capítulo 9]

10.1 Tendencias estocásticas y modelos ARIMA. Ajustes y pronósticos con modelos ARIMA.
10.2 Ejemplo modelos ARIMA: “Análisis Serie Tasa de Cambio Yen-Dólar”.
10.3 Lectura: Raíces unitarias regulares. Estimación y pruebas (Sección 9.7 en Notas de Clase y páginas 2 a 11 diapositivas de
clase “Raíz Unitaria Autorregresiva y Tests de Raíces unitarias”).
10.4 Ejemplo de clase tests de raíces unitarias regulares DF y ADF

11. Modelos SARIMA. [Notas de Clase Capítulo 10]

11.1 Definición. Procedimiento de identificación. Estimación y pronósticos con modelos SARIMA
11.2 Lectura: documento en Moodle “Test de raíces unitarias estacionales: Test HEGY”
11.3 Ejemplo modelos SARIMA: “Serie de producción trimestral de cemento Portland”
Sem.
MES LU MA MIÉ. JU VI Observaciones
No. ítem tema
Nota: Sección 1.1 consiste de lecturas de inducción al
16 17 18 19 20 1 R y de repaso sobre RLM por parte del estudiante.
septiembre 1.1, 1.2, 2.1 Taller 1
23 24 25 26 27 2 2.2, 2.3 Taller 2
Sept-30 1 2 3 4 3 3.1, 3.2, 3.3 publicación trabajo 1 septiembre 30
7 8 9 10 11 4 4.1, 4.2, 4.3, 4.4 Taller 3
octubre 14 15 16 17 18 5 4.5, 4.6, 5.1, 5.2 Taller 4
21 22 23 24 25 6 6, 7.1 Taller 5
Taller 6. Entrega trabajo 1: octubre 28, Examen 1
28 (T1) 29 30 31 (E1) Nov 1 7
7.2, 7.3 octubre 31
4 5 6 7 8 8 7.4, 7.5, 7.6 Publicación Trabajo 2 noviembre 5
11 12 13 14 15 9 8.1, 8.2,8.3, 8.4 Taller 7.
noviembre
18 19 20 21 22 10 8.5, 9.1, 9.2 Taller 8
25 26 27 28 (E2) 29 11 10.1, 10.2, 10.3 Taller 9, Examen 2 noviembre 28
Taller 10, Entrega trabajo 2 diciembre 2, publicación
2 (T2) 3 4 5 6 12
10.4, 11.1, 11.2 trabajo 3 diciembre 2
diciembre 9 10 11 12 13 13 Taller 11
11.3
16 17 18 19 (E3) 20 14 Taller 12. Examen 3
16 17 15
Enero 20 21 22 23 (T3) 24 16 Entrega trabajo 3 enero 23
27 28 29 17
FECHAS IMPORTANTES
• Publicación trabajo 1 (septiembre 30)
• Entrega trabajo 1 (octubre 28)
• Examen 1 (octubre 31)
• Publicación trabajo 2 (noviembre 5)
• Examen 2 (noviembre 28)
• Entrega trabajo 2 (diciembre 2)
• Publicación trabajo 3 (diciembre 2)
• Examen 3 (diciembre 19)
• Entrega trabajo 3 (enero 23)
FINALIZACIÓN PERÍODO ACADÉMICO enero 29
• Talleres
➢ Taller 1: Repaso RLM usando R. Se publica con solución (no hay sesión con el monitor del curso, se publica con
solución)
➢ Taller 2: Modelación de la tendencia determinística. Martes 24 y miércoles 25 de septiembre
➢ Taller 3: Modelos de regresión para series estacionales. Martes 8 y miércoles 9 de octubre
➢ Taller 4: Ajustes locales para series no estacionales. Martes 15 y miércoles 16 de octubre
➢ Taller 5: Ajustes locales de series con tendencia y estacionalidad. Martes 22 y miércoles 23 de octubre
➢ Taller 6: Estimación recursiva y test de estabilidad de modelos globales. Martes 29 y miércoles 30 de octubre
➢ Taller 7: Identificación de procesos estacionarios y ruido blanco en los errores de un modelo de regresión. Martes 12
y miércoles 13 de noviembre
 ➢ Taller 8: Identificación y ajuste de procesos ARMA estacionarios: Martes 19 y miércoles 20 de noviembre
➢ Taller 9: Ajuste de una serie por regresión con errores ARMA. Martes 26 miércoles 27 de noviembre
➢ Taller 10: Modelos ARIMA. Martes 3 y miércoles 4 de diciembre
➢ Taller 11: Test de raíz unitaria. Martes 10 y miércoles 11 de diciembre (se publica con solución)
➢ Taller 12: Identificación y ajuste de un SARIMA. Martes 17 y miércoles 18 de diciembre

METODOLOGÍA
El programa se desarrollará a través de exposiciones de la teoría básica, complementada con el análisis y discusión de problemas, con
lecturas y talleres utilizando datos del sector real y simulados. Se introducirá el uso del lenguaje R con varias librerías para
aplicaciones en series de tiempo.

VERSIÓN R Y LIBRERÍAS NECESARIAS: Durante este semestre se usará la versión R 3.5.3. El instalador de esta versión y
librerías compatibles, le serán enviados a su correo junto con instructivo para instalación. No se usará la versión más reciente de R por
algunos problemas que vienen presentando las actualizaciones con algunas funciones necesarias.

EVALUACIÓN
La evaluación se hará con base en tres trabajos y tres pruebas escritas
• Evaluación 1 (40%): Trabajo 1 y Prueba 1,
• Evaluación 2 (30%): Trabajo 2 y Prueba 2,
• Evaluación 2 (30%): Trabajo 3 y Prueba 3
En cada evaluación se reporta sólo una nota resultante del promedio ponderado entre el respectivo trabajo y la prueba escrita, así:
• 0.7×(nota del trabajo)+0.3×(nota prueba escrita), si la prueba es ganada con una calificación mayor o igual a la del trabajo
escrito.
• 0.6×(nota del trabajo)+0.4×(nota prueba escrita), si la prueba es ganada con una calificación menor a la del trabajo escrito.
• 0.4×(nota del trabajo)+0.6×(nota prueba escrita), si la prueba es perdida sin importar la nota del trabajo escrito.

BIBLIOGRAFIA
Autor (es) Título Editorial Año
1. Bowerman, B. L, O’Connell, R. Pronósticos, Series de Tiempo y CENGAGE Learning 2009
T y Koehler, A. B. Regresión. Un Enfoque Aplicado.
2. Chatfield, C. The Analysis of Time Series. An Chapman & Hall 1995
Introduction
3. Cowpertwait, P. and Metcalfe, A Introductory Time Series with R. Springer Science+Business Media, 2009
LLC
4. Cryer, J. D. and Chan, K-S. Time Series Analysis With Springer Science+Business Media, 2008
Applications in R. LLC,
5. Diebold, F. Elementos de Pronósticos. International Thompson Editores 1999
6. Guerrero, v. Análisis Estadístico de Series de Thompson SA. 2003
Tiempo Económicas
7. Shumway, R. H. and Stoffer, D. Time Series Analysis and Its Springer Science+Business Media, 2011
S. Applications. With R examples. Third
edition
Horario de Atención a estudiantes:
Nelfi González Alvarez: Lunes y miércoles de 2:00pm – 4:00pm. Oficina: 43-317, email: [email protected]
Talleres: Martes y miércoles en las fechas programadas, de 4:00pm-6:00pm, aula 43-110.