Estadística 3

Profr. Marco Antonio Olivera Villa

Unidad 3

Actividad 1: Presentación de datos y un modelo

Ayuda, para las preguntas 1,2 y 3, se pueden basar en la página

https://estrategiastrading.com/series-estacionarias/

1.- ¿Qué es una serie estacionaria?

Una serie es estacionaria si la media y la variabilidad se mantienen constantes a lo largo del

tiempo

El ejemplo más simple es el RUIDO BLANCO, cuando la media y la covarianza son siempre
cero. (4)

2.- ¿Cómo son la media y la varianza de una serie no estacionaria?

La media en una serie no estacionaria va cambiando en el tiempo, y la varianza no

presenta homocedasticidad es decir la varianza tampoco es constante en la serie de
tiempo (2)
3.- ¿Cuál es la importancia de que una serie sea estacionaria?

Cuando una serie es estacionaria la predicción a futuro es más fácil pues se asume
que el comportamiento de la serie estacionaria será el mismo al pasar el tiempo (1)

A.- Copia y pega el siguiente código en R y escribe lo que ocurre:

gas = scan('http://www.uam.es/joser.berrendero/datos/gas6677.dat')
plot(gas)

Observaciones: Se leen los datos de una dirección URL y se almacenan en una

variable numérica llamada “gas”, después grafica los datos de la variable gas
dando

B.- El código de abajo construye una serie de tiempo, escribe tus observaciones al
respecto

gas.ts = ts(gas, start = c(1966,1), frequency = 12)

print(gas.ts)
plot(gas.ts)
Observaciones: El código toma los datos numéricos en la variable “gas” y los
pone en una variable de serie temporal gas.ts, que empezara en 1961 con 12
años hacia adelante, posteriormente imprime el listado de la serie temporal y por
ultimo grafica la serie temporal que se muestra abajo.
C.- El código de abajo descompone una serie de tiempo, ¿En qué elementos?

gas.ts.desc = decompose(gas.ts)
plot(gas.ts.desc, xlab='Año')

Observaciones: el código muestra una gráfica con la descoposicion de la serie

temporal de la variable gas.ts la descomposición consiste en mostrar la serie
original, después la serie de tendencia, posteriormente la serie con la
estacionalidad y por último el elemento aleatorio de la serie
D.- El código de abajo estabiliza la varianza y elimina la tendencia, ¿Cómo lo hace?

plot(log(gas.ts))
x = log(gas.ts)
dif1.x = diff(x)
plot(dif1.x)
dif12.dif1.x = diff(dif1.x, lag=12)
plot(dif12.dif1.x)
Observaciones: Primero calcula el logaritmo natural de los datos en la serie de
tiempo gas.ts, posteriormente lo grafica como se muestra a continuación
Una transformación que elimina la tendencia (buscamos estacionariedad en la
media) es la diferenciación. La diferenciación nos permite eliminar la tendencia
lineal a través de las diferencias regulares, también sabemos que las diferencias
sobre los logaritmos naturales de los datos de la serie de tiempo proveen
estabilidad en la varianza. (3)
Entonces esta diferenciación consiste en calcular la diferencia entre cada dato con
el anterior. Esta operación se lleva a cabo con la instrucción dif1.x = diff(x)
colocando el resultado de estas diferencias con un retraso de 1 en la variable
diff1.x, esta diferencia la hace mes con mes ya que no se está especificando valor
de lag especifico en la instrucción, posteriormente grafica siendo el resultado la
siguiente figura:
Después vuelve a ejecutar una diferencia entre los datos calculados previamente
en la variable diff1.x y pero ahora con un retraso de 12 con la instrucción
dif12.dif1.x = diff(dif1.x, lag=12) lo que hace aquí es restar el mes correspondiente
de cada año de la serie es decir ene-1969 con ene-1968, dando el resultado
siguiente:

Lo que nos muestra esta grafica es que las diferencias entre los años 69-70, 70-
71, 71-72, son más pequeñas que en los otros años siendo mayores en los
siguientes años, esto podría interpretarse como que la varianza ha sido más
estable en los periodos mencionados que en los años siguientes, afortunadamente
 los últimos periodos muestran una diferencia pequeña, lo que podría hacer más
fácil la predicción a futuro.

Bibliografia
1) Análisis básico de series temporales con R
https://rpubs.com/joser/SeriesTemporalesBasicas
2) Homocedasticidad; https://es.wikipedia.org/wiki/Homocedasticidad
3) Introducci´on al An´alisis de Series Temporales C´alculo de Tendencias y
Estacionalidad;
http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/seriestemporales.pdf
4) Series estacionarias: Por qué son importantes para trabajar con modelos;
https://estrategiastrading.com/series-estacionarias/