ClubEnsayos.com - Ensayos de Calidad, Tareas y Monografias
Buscar

Modelos autorregresivos de primer orden AR

gtrlmatEnsayo13 de Mayo de 2016

531 Palabras (3 Páginas)304 Visitas

Página 1 de 3

Modelos autorregresivos de primer orden AR (1)

Se dice que la serie  es un  AR (1), si puede escribirse como [pic 1]

[pic 2]

El modelo AR (1)  si  satisface que:[pic 3]

  • [pic 4]
  • [pic 5]
  • [pic 6]
  • [pic 7]

Más aún si   el proceso es estacionario. En el caso de que | el proceso es explosivo. [pic 8][pic 9]

[pic 10]

Con las siguientes instrucciones se pueden simular proceso AR (1), realizar la gráfica de la serie de tiempo, la función de autocorrelación simple y parcial, para el valor de [pic 11]

y<-arima.sim(500,model=list(order=c(1,0,0), ar=c(0.75)),sd=3)

par(mfrow=c(3,1))

plot(seq(1,length(y)),y, type="l")

acf(y)

pacf(y)

  1. Realiza 3  simulaciones de  procesos AR(1), para distintos valores de , interpreta las gráficas. Recuerda que   .[pic 12][pic 13]
  2. De acuerdo a lo anterior que puedes concluir de los AR(1) en forma general de la gráfica de la serie de tiempo, de la  acf y de la pacf.
  3. Investiga que hace el comando de R, ar().
  4. Simula una AR(1) con  y sd=3. Aplica la función ar() a la serie obtenida e interpreta.[pic 14]
  5. Se desea realizar predicciones para los siguientes 5 periodos, ¿Cómo las obtendrías?

Cuando el proceso no es estacionario, ya sea porque presenta tendencia o ciclos, sabemos que una solución al problema es diferenciar la serie.

En R se encuentra la base de datos co2, la cual presenta las concentraciones mensuales  de CO2 (en ppm, partes por millón) de enero de 1959 a diciembre de 1997.

  1. Realiza la gráfica de la serie de tiempo e interpreta.
  2. Correo los siguientes comandos:

x1<-diff(co2,lag=12)

plot(x1)

¿Qué hace el primer comando? e interpreta la  gráfica.

  1. Gráfica las funciones acf y pacf para x1
  2. Utiliza el comando  ar()  para  la serie x1, interpreta el resultado.


1.- Con  [pic 15]

[pic 16]

Con [pic 17]

[pic 18]

Con [pic 19]

[pic 20]

Con [pic 21]

[pic 22]

2.- entre mas aumenté el valor de fi, para la gráfica de la serie de tiempo van siendo más dispersos los datos, y para a función de autocorrelacion se va viendo que cuanto más grande es el valor de fi más información de los datos anteriores nos va a influir.

3.- Da los coeficientes autorregresivos estimados para el modelo ajustado.

4.- [pic 23]

[pic 24]

Se muestra una gran dispersión en los datos de la serie de tiempo, es un proceso estacionario, además en la función de autocorrelación observamos que los 6 anteriores nos influyen y sin significativos.

5.- [pic 25]

Cuenta con ciclos además de tener una variación constante, por lo tanto no es un proceso estacionario.

6.- [pic 26]

En la gráfica anterior podemos ver que como no se tenía un proceso estacional se sacaron diferencias y fueron graficadas, esto gracias a la función diff.

7.- la función diff nor sirve para sacar las diferencias y poder tener un proceso estacionario.

8.-  [pic 27][pic 28]

Para la autocorrelacion podemos observar que en la normal tenemos muchos datos anteriores que no influyen, sin embargo ya viendo la parcial vemos que sigue un ciclo.

...

Descargar como (para miembros actualizados) txt (4 Kb) pdf (448 Kb) docx (986 Kb)
Leer 2 páginas más »
Disponible sólo en Clubensayos.com