Nombre: Joaquín Núñez, Eckamn Rodríguez, Emilio Rosas ID: 158974,159564,159694

Nombre del curso: Regresión y series de tiempo Nombre del profesor:

Dr. Carlos A. Juárez Alonso

Examen: Tercer Parcial Primavera 2020 Fecha: 08/05/2020

1. Introducción
El presente documento muestra las soluciones del examen con sus procedimientos y
respectivas conclusiones para cada una de las series de datos presentados.

2. Contenido

I. Considere la Serie 1, y usando las siguientes expresiones

 Y  Y Y 
n

t t k Y
rk  t  k 1

 Y  Y 
n
2
t
t 1

 Calcule los primeros 5 coeficientes de autocorrelación y autocorrelación parcial.

El procedimiento mediante el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 1”.
Autocorrelación Autocorrelación parcial
-0.402 -0.402
0.333 0.205
-0.205 -0.020
0.111 -0.034
-0.183 -0.136

LII 3101 Regresión y series de tiempo

  Construya la gráfica de autocorrelación y autocorrelación parcial. (6 ptos.)
El procedimiento mediante el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 1”.

0.4 ACF PACF

0.3
0.3 0.2
0.2 0.1
0.1 0.0
1 2 3 4 5
0.0 -0.1
1 2 3 4 5
-0.1 -0.2
-0.2 -0.3
-0.3 -0.4
-0.4 -0.5

 Muestre los valores y la gráfica obtenida usando minitab. (6 ptos.)

A continuación, se presentan los valores y las gráficas usando Minitab (con 5 retrasos)

LII 3101 Regresión y series de tiempo

LII 3101 Regresión y series de tiempo
De esta manera podemos corroborar que obtuvimos las mismas gráficas para los
coeficientes de autocorrelación y autocorrelación parcial con ambas herramientas.
Si consideramos k = 16 obtenemos:
Lag ACF T LBQ
1 -0.401525 -3.24 10.97
2 0.333244 2.34 18.65
3 -0.204772 -1.33 21.59
4 0.111059 0.70 22.47
5 -0.182873 -1.15 24.90
6 0.010786 0.07 24.91
7 0.017535 0.11 24.93
8 -0.076049 -0.47 25.37
9 0.041382 0.25 25.51
10 -0.016234 -0.10 25.53
11 0.142618 0.87 27.17
12 -0.112985 -0.68 28.22
13 0.091000 0.55 28.91
14 0.034521 0.21 29.01
15 0.018183 0.11 29.04
16 0.133607 0.80 30.63

Lag PACF T
1 -0.401525 -3.24
2 0.205086 1.65
3 -0.019988 -0.16
4 -0.034493 -0.28
5 -0.136220 -1.10
6 -0.126544 -1.02
7 0.069713 0.56
8 -0.056123 -0.45
9 -0.044177 -0.36
10 0.008517 0.07
11 0.143474 1.16
12 -0.025350 -0.20
13 -0.044664 -0.36
14 0.126580 1.02
15 0.080036 0.65
16 0.205837 1.66

LII 3101 Regresión y series de tiempo

  Calcule los valores de Q y Q*. (6 ptos.)
Es importante
h mencionar que se tomaron en cuenta solo los 5 retrasos que se ocuparon
Q=n ∑ r k2
en los
k=1
ejercicios anteriores. El procedimiento mediante el cual se obtuvieron estos
coeficientes se muestra en el documento de Excel anexado al final de este documento, en
la hoja “pregunta 1. Para el cálculo de Q utilizaremos la prueba de Box-Pierce con la

fórmula y obtemnemos un valor de Q = 23.40

h
Q =n ( n+2 ) ∑ ( n−k ) r 2k
¿ −1

k=1
Para Q* se utiliza la fórmula de la prueba de Ljung-Box
obteniendo el valor Q*=24.90
Si hubiéramos considerado k = 16 tendríamos Q: 27.88 y Q*: 30.63

 Interprete su resultado. (6 ptos.)

Consideramos que H0: el conjunto de rk no son significativamente diferentes de cero
Como α χ 2h−m= 11.07 y los valores de Q y Q* son mayores, se rechaza H 0 con una confianza
del 95%, lo que significa que la serie es significativamente diferente de cero, es decir, no es
ruido blanco. Podemos reforzar esta afirmación con las gráficas de autocorrelación y
correlación, donde existen picos que exceden los límites. Si hubiéramos considerado k =

16, =26.29 y la conclusión hubiera sido la misma.

 Usando las siguientes expresiones, calcule los primeros 3 coeficientes de

autocorrelación parcial. (6 ptos.)
k −1
r k −∑ ( r k−1 , j )( r k− j ) r kj =r k −1 , j−( r kk ) ( r k−1 , k− j )
j=1
r kk = k−1
1−∑ ( r k−1 , j ) ( r j)
El procedimiento mediante
j =1
el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 1. Para los
valores en posiciones kk se utilizó la primera formula (3 veces) y para aquellos valores que

LII 3101 Regresión y series de tiempo

se encontraban en una posición kj se utilizó la segunda formula, aunque solo fue necesario
utilizarla para un valor: r21
En rojo se encuentran los valores kk y en negro el valor r21
Los valores calculados quedaron de la siguiente manera:
1 -0.402
2 -0.319 0.205
3 -0.020

II. Considere los datos de la Serie 2:

 Construya la gráfica de la serie. (6 ptos.)
Mediante un análisis realizado en Excel podemos construir la gráfica de la serie. De la
misma manera, se construyó la gráfica con Minitab que se muestra más abajo.

Demanda
70.00

60.00

50.00

40.00

30.00

20.00

10.00

0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51

LII 3101 Regresión y series de tiempo

 Time Series Plot of Demanda
60

50
Demanda

40

30

20

1 5 10 15 20 25 30 35 40 45 50
Index

 Describa las características de la serie. (6 ptos.)

La serie mostrada no es estacionaria en media, es decir, podemos observar una tendencia
muy marcada porque empieza en un valor de demanda totalmente distinto al que termina.
Es importante mencionar que no se aprecia estacionalidad, es decir, no se aprecian
fluctuaciones periódicas de longitud constante.

 Construya las gráficas de Autocorrelación y Autocorrelación parcial y proponga un

modelo. (6 ptos.)

En primera instancia, se construyen las gráficas de autocorrelación y autocorrelación

parcial para la serie original con Minitab. Estas se muestran a continuación:

LII 3101 Regresión y series de tiempo

 Autocorrelation Function for Demanda
(with 5% significance limits for the autocorrelations)

1.0

0.8

0.6

0.4
Autocorrelation

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Lag

Partial Autocorrelation Function for Demanda

(with 5% significance limits for the partial autocorrelations)

1.0

0.8

0.6
Partial Autocorrelation

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Lag

En la gráfica de autocorrelación se aprecia que la serie no es estacionaria en media (tiene

tendencia) debido a que los valores no caen rápidamente a cero, misma conclusión que ya
habíamos obtenido previamente al analizar visualmente la gráfica. A partir de esto,

LII 3101 Regresión y series de tiempo

generaremos una primera diferencia de longitud 1 para eliminar la parte no estacionaria
(tendencia), a continuación, se presentan las gráficas de autocorrelación y autocorrelación
parcial de la nueva serie diferenciada.

Autocorrelation Function for 1 Diferencia

(with 5% significance limits for the autocorrelations)

1.0

0.8

0.6

0.4
Autocorrelation

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Lag

Partial Autocorrelation Function for 1 Diferencia

(with 5% significance limits for the partial autocorrelations)

1.0

0.8

0.6
Partial Autocorrelation

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Lag

LII 3101 Regresión y series de tiempo

Si graficamos la serie diferenciada podemos apreciar que efectivamente es una serie
estacionaria en media, es decir, que ya eliminamos la parte de tendencia.

Time Series Plot of 1 Diferencia

4

2
1 Diferencia

-1

-2

-3
1 5 10 15 20 25 30 35 40 45 50
Index

Una vez que la serie es estacionaria en media, con la ayuda de las gráficas ya vistas se
propondrá un modelo, este corresponde a un modelo ARIMA (3,1,1)

 ¿Cómo decidieron este modelo? (6 ptos.)

Una vez que la serie no cuenta con tendencia ni estacionalidad, en primera instancia
podemos apreciar en la gráfica de autocorrelación (de la serie con una primera diferencia de
longitud 1) que existe un pico en el retraso 1 y después se corta a cero, esto significa que
estamos hablando de un modelo de promedios móviles de orden 1. Luego, en la gráfica de
autocorrelación parcial podemos apreciar 3 picos seguidos del retraso 1 al retraso 3, lo cual
significa que es un modelo autorregresivo de orden 3. Finalmente, recordemos que
realizamos una primera diferencia de longitud 1, por lo que nuestro modelo resultante es
ARIMA (3,1,1). Para justificar nuestro modelo, calculamos los residuales y después

LII 3101 Regresión y series de tiempo

observamos sus graficas de autocorrelación y autocorrelación parcial, que se muestran a
continuación:

Partial Autocorrelation Function for RESI2

(with 5% significance limits for the partial autocorrelations)

1.0

0.8

0.6
Partial Autocorrelation

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Lag

Autocorrelation Function for RESI2

(with 5% significance limits for the autocorrelations)

1.0

0.8

0.6

0.4
Autocorrelation

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12 13
Lag

LII 3101 Regresión y series de tiempo

De acuerdo con las gráficas de autocorrelación y autocorrelación parcial de los residuales
del modelo ARIMA (3,1,1), podemos apreciar que los buenos modelos como el nuestro
minimizan los errores, por lo tanto, una manera de validar la bondad de nuestro modelo
será cuando estos sean ruido blanco, es decir, completamente aleatorios como lo podemos
observar.

 Escriba la ecuación del pronóstico de la demanda. (6 ptos.)

Y^ t =Y t −1 + ∅^ 1 ( Y t−1−Y t−2 ) + ^∅2 ( Y t−2−Y t−3 ) + ^∅3 ( Y t−3 −Y t−4 )−θ1 e t−1 +c

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.4667 0.1679 -2.78 0.008
AR 2 -0.5952 0.1516 -3.92 0.000
AR 3 -0.1497 0.1627 -0.92 0.362
MA 1 0.8137 0.1023 7.95 0.000
Constant 1.57288 0.02143 73.41 0.000

Sustituyendo los valores de los coeficientes que nos brinda Minitab, la ecuación sería:

Y^ t =Y t −1 −0.4667 ( Y t−1−Y t−2 )−0.5952 ( Y t −2−Y t −3) −0.1497 ( Y t −3−Y t −4 )−0.8137 et −1+ 1.57288

 Usando minitab, pronostique la demanda para los siguientes tres periodos a partir del
origen del pronóstico 52. (6 ptos.)
 Period Forecast Lower Upper Actual
 53 57.3308 55.6794 58.9821
 54 58.0095 56.3580 59.6610
 55 59.1823 57.4590 60.9056

Con un 95% de confianza podemos pronosticar la demanda para el periodo 53, que será de
57.3308, después la demanda para el periodo 54, que será de 58.0095 y finalmente la
demanda para el periodo 55, que será de 59.1823

LII 3101 Regresión y series de tiempo

III. Se desea proyectar el consumo aparente hasta el año 2010 en función al precio
utilizando una curva de Gompertz Y = e (a – b/X) (considere ∆S = 0)
Para el crecimiento del precio tomar en cuenta una tasa de crecimiento del 3%
correspondiente a la tasa de inflación (media aritmética).

Comportamiento Histórico de la Demanda y Oferta

Producción Precios
Importación Exportación Oferta Población
Año nacional Constantes
[Ton] [Ton] [Ton] [Miles]
[Ton] [$]
2001 160 10 5 8 110 NSD*
2002 175 12 6 10 112 875
2003 182 15 3 11 115 NSD
2004 189 10 3 12 115 NSD
2005 190 12 2 15 117 950

 Calcule el consumo aparente para los periodos 2001 – 2005. (7 ptos.)

El procedimiento mediante el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 2”. El
consumo Aparente se calcula sumando la producción nacional (P) + importación (I) -la
exportación (X) + ∆S = 0 para cada año.

CAp = P + I – X + ∆S
Para los años 2001 a 2007, se calcula el consumo aparente en la siguiente tabla:

Año Consumo aparente

2001 165
2002 181
2003 194
2004 196
2005 200

LII 3101 Regresión y series de tiempo

  Para la curva de Gompertz Y = e (a – b/X) estime los parámetros del modelo. (7 ptos.)
El procedimiento mediante el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 3”.
Primero tenemos que linealizar la función aplicando a ambos lados un logaritmo
natural, de esta manera: Ln(Y)= Ln(e (a – b/X) )
Ln(Y)= a-b/X
Entonces
a = b0 = 5,5563
b = b1 = 3,505

 Calcule los valores para los parámetros del modelo. (7 ptos.)

El procedimiento mediante el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 3”.
a= 5,5563

b= 3,505

 Pronostique los valores del consumo aparente para los periodos 2006 – 2010.(7 ptos.)
El procedimiento mediante el cual se obtuvieron estos coeficientes se muestra en el
documento de Excel anexado al final de este documento, en la hoja “pregunta 3”.
Una vez obtenidos los valores de a y b sustituimos en la ecuación, pero antes se saca
el incremento en el precio del 3%. Los precios constantes se muestran en color verde.

3. Conclusión

LII 3101 Regresión y series de tiempo

De acuerdo con los objetivos y aprendizajes adquiridos en este parcial, el presente
documento presentó las soluciones del examen con sus procedimientos y respectivas
conclusiones para cada una de las series de datos presentados. Se adjunta a continuación los
documentos de Excel necesarios:

LII 3101 Regresión y series de tiempo