La Dispersión De Factores

ANÁLISIS DE SERIES DE TIEMPO - MODELOS ARIMA

TRABAJO DE INVESTIGACIÓN

INFORME - MI8130

ANÁLISIS DE DATOS EN INGENIERÍA DE MINAS

ALUMNO:

ENRIQUE CABALLERO A.

PROFESOR

XAVIER EMERY

SEPTIEMBRE 2011

RESUMEN EJECUTIVO

El presente trabajo corresponde a un trabajo de investigación de los modelos ARIMA y su aplicación en la predicción de series de tiempo.

En este trabajo se muestra la metodología general de aplicación de los modelos ARIMA a series de tiempo, la cual se resume a continuación:

En particular se muestran nexos con series de tiempo de precios de commodities (en particular metales) y las repercusiones de una mala estimación en el perfil de estos precios (decisiones erradas de momento óptimo de entrada al negocio, malos contratos a mediano plazo, mala definición de las reservas, decisiones erradas al tener malas estimaciones de indicadores económicos como el VAN, IVAN, TIR, entre otros).

En general para los precios de los metales, no es posible establecer una buena estiamción a largo plazo, y en el caso particular del cobre:

A Corto Plazo lo mjor es un Random – Walk (Raíz Unitaria) (1 año).

A mediano Plazo lo mejor es un AR(1) (Hasta 5 años).

A mayor escala de tiempo (más de 5 años), ningún modelo es útil para predecir.

Tabla de contenido

1 Introducción 1

2 Antecedentes 2

2.1 Conceptos Importantes 2

2.1.1 Nociones Básicas de Series de Tiempo 2

2.1.2 Commodities 2

2.2 Motivación 3

3 Modelos ARIMA 4

3.1 Proceso Estocástico 4

3.1.1 Serie Temporal Y Proceso Estocástico 4

3.1.2 Estacionaiead de un Proceso 4

3.2 Proceso estocástico “ruido – blanco” 6

3.2.1 Camino Aleatorio 6

3.3 Modelos autorregresivos AR(p) 6

3.4 Operador y polinomio de retardos 8

3.5 Modelo de medias móviles MA(q) 8

3.6 Modelos ARMA(P,Q) Y ARIMA(P,d,Q) 9

4 Predicción de Valores de Series de Tiempo Utiliazando modelos ARIMA 11

4.1 Componentes de las Series de Tiempo 11

4.1.1 Ciclicidad 12

4.1.2 Tendencia 12

4.1.3 Estacionalidad 13

4.1.4 Componente Errática 13

4.2 Test de Raíz Unitaria (Estacionariedad en Varianza) 14

4.3 Identificación de Estructuras 16

4.4 Ajuste y Predicción 19

4.4.1 Mínimos Cuadrados 19

4.4.2 Ajuste de un Modelo Lineal de Una Variable 21

4.4.3 Ajuste de un Modelo Lineal de Varias Variables 23

4.4.4 Significancia de un Modelo de Varias Variables (Bondad de Ajuste) 25

4.5 Predicción de Precios de Commodities 26

4.5.1 Link entre Geostadística y Modelos ARIMA 27

5 Conclusiones 28

6 Referencias 29

TABLA DE FIGURAS

Figura 1: Serie de Tiempo del PIB 2

Figura 2: ALGUNOS Commodities 2

Figura 3: Series de Tiempo de Precios de Commodities 2

Figura 4: Componentes en las Series de Tiempo 11

Figura 5: Ciclicidad 12

Figura 6: Tendencia 12

Figura 7: Estacionalidad 13

Figura 8: CoMparación de estacionariedad en varianza - Procesos AR(2) 14

Figura 9: Correlogramas ACF y PACF de un AR(1) 18

Figura 10: Criterios para Determinar el Valor de los Parámetros para un Modelo ARMA(p,q) 18

Figura 11: Esquema del Ajuste y Validación de los Modelos ARIMA a Series de Tiempo 19

Introducción

En 1970, Box y Jenkins desarrollaron un cuerpo metodológico destinado a identificar, estimar y diagnosticar modelos dinámicos de series temporales en los que la variable tiempo juega un papel fundamental, los modelos ARIMA. La metodología ARIMA es sólo una pequeña parte de los que se conoce normalmente como “Econometría de Series Temporales” pero, sin duda alguna, una de las más utilizadas y germen de otros muchos desarrollos posteriores.

En este trabajo se muestra la metodología general de aplicación de los modelos ARIMA a series de tiempo, detallando cada paso y entregando los conceptos fundamentales detrás de esta metodología. En particular se muestran nexos con series de tiempo de precios de commodities (en particular metales) y las repercusiones de una mala estimación en el perfil de estos precios.

Antecedentes

Conceptos Importantes

...