Академический Документы
Профессиональный Документы
Культура Документы
TAREA 1
(1) Estime la tendencia de las series de consumo de gasolina en España utilizando una línea recta
en el período de 1945 a 1995 y genere pronósticos para 24 meses. Compara los resultados con
el método de Holt.
(2) Aplique un método de descomposición a las series de consumo de gasolina y estime los
coeficientes estacionales. Compara los resultados cuando el método de Holt y el uso de
promedios móviles.
(5) Demuestre que las predicciones hechas usando el método de Holt verifican la ecuación
recursiva
TAREA 2
(1) La Figura 1 muestra la precipitación mensual en Santiago de Compostela durante los años
1988-1997. ¿Sería un proceso estacionario?
(6) Dada una serie estacionaria, demuestre que si las autocovarianzas son todas positivas, la
media del proceso se estimará con mayor variación que si todas las autocovarianzas sean nulas.
(7) Demostrar que la media del proceso en el ejercicio (4) se estima con menos variabilidad que
en un proceso con datos independientes y la misma varianza marginal.
TAREA 3
PROCESOS AUTORREGRESIVOS
(2) Obtenga la función de autocorrelación teórica del proceso zt = .7zt − 1 + en, donde at es un
ruido blanco. Compare los resultados teóricos con los observados en la muestra del ejercicio
anterior.
(3) Obtenga la función de autocorrelación teórica del proceso zt = .9zt − 1 - .18zt − 1 + en, donde
at es un ruido blanco. Genere una realización del proceso utilizando una computadora y
compare la función de muestra con la teórica.
(4) Expresar en notación de operador los procesos de ejercicios (2) y (3). Represente el proceso
en la forma zt = Pψiat − i obteniendo los operadores inversos.
(5) Escriba la función de autocorrelación teórica del proceso (1 - 1.2B + .32B2) zt = at. Obtenga
la representación de este proceso como zt = Pψiat − i y comente la relación entre los coeficientes
ψ y la función de autocorrelación.
(7) Demuestre que el proceso anterior se puede escribir como yt = −.09zt − 2 + at - .1at − 1.
(10) Calcule los coeficientes teóricos de autocorrelación parcial para el siguiente proceso AR (2):
zt = .7zt − 1 - .5zt − 1 + at, where at es un ruido blanco.
(12) Demostrar que si un proceso es AR (1) y hacemos la regresión zt = αzt − 1 + βzt + 1 + ut,
obtenemos βb = αb = φ / (1 + φ 2) y var (ut) = γ0 (1 - φ 2) / (1 + φ 2). Observe que la varianza de
las innovaciones es ahora menor que la de un AR (1) y menor que en el ejercicio anterior e
interprete este resultado.
TAREA 3
(1) Dado el proceso de media cero zt = (1 - .7B) en: (a) calcule la función de autocorrelación; (b)
Escríbalo como un proceso AR ().
(2) Demostrar que el MA (1) procesa zt = at - .5at − 1 y zt = at - 2at − 1 tiene la misma estructura
de autocorrelación pero que uno es invertible y el otro no.
(3) Demuestre que los dos procesos zt = at + .5at − 1 y zt = .5at + at − 1 son indistinguibles ya
que tienen la misma varianza y la misma estructura de autocorrelación.
(4) Dado el proceso MA (2) zt = at - 1.2at − 1 + .35at − 2: (a) verifique si es invertible; (b) calcular
su estructura de autocorrelación; (c) Escríbalo como un proceso AR ().
(8) Demostrar que si agregamos dos procesos MA (1) obtenemos un nuevo proceso MA (1) con
un parámetro MA que es una combinación lineal de los parámetros MA de los dos procesos, con
ponderaciones que son proporcionales a los cocientes entre las variaciones de las innovaciones
de los sumarios relacionadas con la variación de la innovación del proceso de suma.
TAREA 5
(1) Probar que la suma y la diferencia de dos procesos estacionarios son estacionarias.
(2) Demuestre que el modelo zt = a + bt + ct2 + en, donde at es un proceso de ruido blanco, se
convierte en un proceso estacionario no invertible cuando se toman dos diferencias.
(3) Demuestre que las autocorrelaciones de una caminata aleatoria pueden aproximarse por
ρ (t, t + k) =1 - k /2t
(4) Simule un proceso ARIMA (0,1,1) utilizando valores de parámetros θ = .4, .7 y .9, y estudie el
deterioro de la función de autocorrelación del proceso.
TAREA 6
(1) Encuentre los coeficientes estacionales para una serie trimestral que sigue el modelo zt = 10
+ cos (πt / 2 + π / 8) + at.
(2) Demuestre que la serie del ejercicio anterior se puede modelar usando ∇4zt = (1 - B4) at.
(3) Suponemos que una serie mensual sigue el modelo zt = 30 + cos (πt / 6 + π / 8) + Vt + at,
donde at es un proceso de ruido blanco con varianza σ2a y el proceso Vt verifica Vt = Vt −12 +
et, donde et es un proceso de ruido blanco con varianza σ2. Demuestre que esta serie sigue el
modelo ARIMA ∇12zt = (1 - ΘB12) en, donde θ ≤ 1. (Sugerencia: pruebe que el proceso et + at -
at − 12 tiene una estructura MA (1) 12 y que la autocorrelación de el orden doce es - σ 2 a / (σ 2
+ 2σ 2 a)).
(5) Encuentre la función de autocorrelación teórica del proceso (1 - .4B) (1 - .8B12) wt = at.
TAREA 7
(1) Dado el proceso zt = 2 + .8zt − 1 −.1zt − 1 + at y cuatro observaciones (4, 3, 1, 2.5) genere
predicciones para los siguientes 4 períodos.
(2) Indique cuál será el pronóstico a largo plazo generado por el modelo del ejercicio anterior.
(3) Suponiendo que la varianza de las innovaciones en el ejercicio anterior es 2, calcule los
intervalos de confianza para las predicciones para uno y dos pasos adelante.
(4) Calcule las predicciones para t = 100, 101 y 102 y la ecuación de predicción final del proceso
MA (2) zt = 5 + en - .5at − 1, sabiendo que las predicciones realizadas con información hasta t =
97 ha estado : zb97 (1) = 5.1, y zb97 (1) = 5.3, y que luego hemos observado z98 = 4.9 y z99 =
5.5.
(5) Explique la estructura de los pronósticos generados por el modelo: ∇zt = 3 + (1 - .7B)at
(6) Explique la estructura a largo plazo de los pronósticos utilizando el modelo: ∇∇12zt = (1 -
.7B)at.
TAREA 8
(1) Un criterio inicial para determinar el número de diferencias necesarias para hacer una serie
estacionaria es el Criterio de Titner, que consiste en diferenciar mientras que la varianza de las
series resultantes disminuye y se detiene cuando la varianza aumenta al tomar una nueva
diferencia. Demostrar que si comenzamos con una serie estacionaria pero con una
autocorrelación de primer orden mayor que .5, la varianza de la serie disminuye cuando se
diferencia. Sugerencia: digamos que xt denota la serie original y nt = ∇xt, luego V ar(nt) = 2σ 2 x
(1 - ρ1).
(4) Justifique que una muestra de 100 observaciones generadas por el modelo (1 - .2B) zt = at se
puede identificar fácilmente como una generada por un MA (1) o un ARMA (1,1). Sugerencia:
exprese el modelo como un MA (1) y tenga en cuenta que los límites de los coeficientes de la
ACF y la PACF son T −1/2.
(5) Verifique que el modelo de corrección de errores para comprobar si el modelo verdadero es
el M1: (1 − .7B) ∇zt = at o M2: (1 - .7B) (1 - φB) zt = at, usando | φ | <1, es ∇zt = αzt − 1 + .7∇zt −
1 + at. ¿Qué valores de α indican cada uno de los dos modelos?
(6) Verifique la equivalencia entre la condición α0 = 1 y una raíz unitaria en la prueba aumentada
de Dickey-Fuller obteniendo los coeficientes αi en función de φ, igualando las potencias en
ambos polinomios. Verifique que se obtenga αp = −φp + 1, αp − 1 = −φp + 1 - φp, y en general
αi = - Pp + 1 j = i + 1 φj; i ≥ 1 y α0 = φ1 + ... + φp + 1, lo que confirma que la condición (1 - φ1 - ...
- φp + 1) = 0, implica la condición α0 = 1.
TAREA 9
(1) Probar que la varianza del estimador de µ para un AR (p) obtenida por estimación condicional
es mayor que la varianza de la media muestral de todo el proceso.
(6) Escriba las ecuaciones de espacio de estado para un MA (1) y pruebe que Ω = 0 1 0 0, H =
(0,1) y R = σ 2 1 −θ −θ θ2 se verifican.
(7) Usando eso para matrices cuadradas, A y C, y matrices rectangulares, B y D, con las
dimensiones apropiadas, se verifica que (A + BCD) −1 = A − 1 −A − 1B (DA − 1B + C - 1) −1DA − 1,
demuestre que la ecuación de revisión de las covarianzas de la estimación del estado se puede
escribir como S −1 t = S −1 t | t − 1 + H 0 t V − 1 t Ht.
(8) Si la precisión denota la varianza inversa, justifique que la expresión anterior se interpreta
como que la precisión final es la suma de la precisión inicial aportada por la última observación.
(9) Escriba las ecuaciones del filtro de Kalman para un AR (2) y relacione el método de cálculo
de las predicciones con lo estudiado en el Capítulo 8.
TAREA 10
(1) Ajuste un modelo a los datos de desempleo en España y analice los residuos del modelo para
verificar que sean adecuados.
(3) Utilice el resultado anterior para obtener la media y la varianza cuando combinamos
predicciones de diferentes modelos.
(4) Demuestre que si el modelo más probable es el de menor varianza residual, los intervalos
construidos por el promedio del modelo serán más amplios que los de un solo modelo.