4.

1 INTRODUCCION AL PRONOSTICO Y SU APLICACIN EN LA PROYECCION

DE MODELOS DE INNOVACION TECNOLOGICA DIAGNOSTICO ESTADISTICO.
1. Pronsticos a corto plazo:
En las empresas modernas, este tipo de pronstico se efecta cada mes o menos, y
su tiempo de planeacin tiene vigencia de un ao. Se utiliza para programas de
abastecimiento, produccin, asignacin de mano de obra a las plantillas de
trabajadores, y planificacin de los departamentos de fabricacin.
2. Pronsticos a mediano plazo:
Abarca un lapso de seis meses a tres aos. Este se utiliza para estimar planes de
ventas, produccin, flujos de efectivo y elaboracin de presupuestos.
3. Pronsticos a largo plazo:
Este tipo de pronstico se utiliza en la planificacin de nuevas inversiones,
lanzamiento de nuevos productos y tendencias tecnolgicas de materiales, procesos y
productos, as como en la preparacin de proyectos.
Los pronsticos pueden ser utilizados para conocer el comportamiento futuros
en muchas fenmenos, tales como:
1. Mercadotecnia:
Tamao del mercado.
Participacin en el mercado.
Tendencia de precios.
Desarrollo de nuevos productos.
2. Produccin:
Costo de materia prima.
Costo de mano de obra.
Disponibilidad de materia prima.
Disponibilidad de mano de obra
Requerimientos de mantenimiento.
Capacidad disponible de la planta para la produccin.
3. Finanzas:
Tasas de inters.
Cuentas de pagos lentos.
4. Recursos Humanos
Nmero de trabajadores.
Rotacin de personal.
Tendencias de ausentismo.
Tendencia de llegadas tarde.



5. Planeacin Estratgica.
Factores econmicos.
Cambios de precios.
Costos.
Crecimiento de lneas de productos.
Los pronsticos se utilizan para apoyar a la toma de decisiones por parte de las
Gerencias de Mercadeo, Ventas y Produccin.

4.2 DELIMITACION CONOCIMIENTO Y DISEO DE SABANAS DE DATOS DE LOS
DATOS
4.2.1 INSPECCION DE DATOS
Para qu se construye una Tabla de Datos?
Para que en la etapa de anlisis de la informacin podamos evaluar:
la semejanza entre los individuos a travs de los atributos seleccionados.
la asociacin entre las caractersticas observadas sobre el conjunto de
individuos.

Cmo obtener los datos?
Existen tres mtodos bsicos con los cuales el investigador puede obtener los datos
deseados:
1) uso de fuentes de datos ya publicados,
2) diseo de un experimento o diseo experimental, cuyos conceptos
fundamentales se estudiaran en otros captulos.
3) elaboracin de una encuesta, que es el de mayor aplicacin en una
investigacin estadstica.
Caractersticas de los datos:
Las caractersticas de los datos se estudian a travs de sus medidas de posicin y
dispersin. La medida de posicin es la caracterstica ms importante que describe o
resume un grupo de datos. Todo grupo de datos tiene asociado un valor tpico
descriptivo denominado promedio o media aritmtica. La media aritmtica es el
promedio que surge de sumar todos los valores de la muestra y dividirlos por el total de
observaciones.
Puesto que su clculo se basa en cada observacin, la media aritmtica se ve
afectada en gran medida por cualquier valor extremo; es decir, acta como punto de
equilibrio de tal forma que las observaciones menores compensan aquellas que son
mayores
4.2.2 APLICACIN DE SUAVISAMIENTO COMO MEJORA DE RESULTADOS.
Este mtodo contiene un mecanismo de autocorreccin que ajusta los pronsticos
en direccin opuesta a los errores pasados.
Es un caso particular de promedios mviles ponderados de los valores actuales y
anteriores en el cual las ponderaciones disminuyen exponencialmente. Se emplea
tanto para suavizar como para realizar pronsticos. Se emplea la siguiente frmula:
Cuando exista menos dispersin en los datos reales respecto a los datos
pronosticados entonces ser ms confiable el mtodo empleado. Para saber cuan
preciso es el mtodo empleado en la realizacin del pronstico se utiliza la siguiente
frmula del cuadrado medio del error (CME) como indicador de precisin del
pronstico:

Siendo n el nmero de errores

Ejemplo ilustrativo: Con los siguientes datos acerca de la ventas en miles de dlares
de la Empresa D & M durante los ltimos 12 meses:







1) Suavizar los datos empleando el mtodo de suavizacin exponencial con a =
0,5. Pronosticar las ventas para el mes de septiembre. Calcular el cuadrado
medio del error. Elaborar un grfico en el que consten las ventas y los
pronsticos.
2) Suavizar los datos empleando el mtodo de los promedios mviles de orden 3.
Pronosticar las ventas para mes de septiembre. Calcular el cuadrado medio del
error. Elaborar un grfico en el que consten las ventas y los promedios mviles.
3) Qu mtodo es el ms preciso?









Meses Sep. Oct. Nov. Dic. Ene. Feb. Mar. Abr. May. Jun. Jul. Ago.
Ventas 6 7 6 12 7 10 6 4 9 7 8 6
Solucin:
1) Realizando los clculos se suavizamiento se obtienen los resultados respectivos de
pronstico, los cuales se presentan en la siguiente tabla:

Observando la tabla anterior se tiene que el pronstico de ventas para el mes de
septiembre es de 6,798, o para cualquier perodo futuro, ya que los datos no presentan
una tendencia sino que se supone que varan o fluctan a largo plazo alrededor de
este valor promedio.
Calculando el cuadrado medio del error se obtienen los siguientes resultados, los
cuales se presentan en la siguiente tabla:

Aplicando la frmula se obtiene el cuadrado medio del error:

Los clculos realizados en Excel se muestran en la siguiente figura:

La grfica de las ventas y los pronsticos con el mtodo de suavizacin exponencial
elaborada en Excel se muestra en la siguiente figura:

2) Suavizando los datos empleando el mtodo de los promedios mviles de orden 3
elaborado en Excel se muestra en la siguiente figura:

Observando el grfico anterior se tiene que el ltimo pronstico calculado es de 7, por
lo que el pronstico para septiembre es de 7.
Observando el grfico anterior se tiene que el cuadrado medio del error es de 4,522.
La grfica de las ventas y los pronsticos con el mtodo de los promedios mviles
elaborada en Graph se muestra en la siguiente figura:

4) Como CME en el mtodo de suavizacin exponencial es de 7,09 y con el
mtodo de los promedios mviles es de 4,52, se concluye que el mtodo de los
promedios mviles es el ms preciso para este ejemplo ilustrativo.
Datos de series temporales: miden una variable en perodos de tiempo sucesivos. La
frecuencia puede ser el ao, el mes, el trimestre, la semana, el da e incluso podemos
trabajar con datos intrahorarios (Bolsa). Disponer de datos temporales hace que
podamos poner un subndice t (tiempo) a las variables:
t t t
C a bY c = + +



















4.3 EL USO DE TRANSFORMACIONES
4.3.1 LAS TRANSFORMACIONES LINEALES Y SU APLICACIN PRONOSTICA.
Se denomina transformacin lineal a toda funcin cuyo dominio e imagen sean
espacios vectoriales y se cumplan las condiciones necesarias.
Las transformaciones lineales ocurren con mucha frecuencia en el lgebra lineal y en
otras ramas de las matemticas, tienen una gran variedad de aplicaciones
importantes. Las transformaciones lineales tienen gran aplicacin en la fsica, la
ingeniera y en diversas ramas de la matemtica.
Estudiaremos las propiedades de las transformaciones lineales, sus diferentes tipos,
as como la imagen, el ncleo, y como se desarrolla en las ecuaciones lineales.
Una funcin T: V
se dice una transformacin lineal si, para todo a, b V,
k K (K es el cuerpo de escalares) se tiene:

T (a + b) = T (a) + T (b)

T (k a) = k T (a)
a + b) = T (a) + T (b), llamada propiedad de
linealidad.
Si T: V W es una transformacin lineal, el espacio V se llama dominio de T y el
espacio W se llama condominio de T.
Ejemplo
T: R2 R3 / x R2 : T ((x1, x2)) = (x1 + x2, x1 - x2, x2)

Se deben verificar las dos condiciones de la definicin:

a) x, y R2 : T (x + y) = T (x) + T (y) ?

x = (x1, x2)
y = (y1, y2)
x + y = (x1 + y1, x2 + y2)

T (x + y) = T (x1 + y1, x2 + y2) = (x1 + y1 + x2 + y2, x1 + y1 - x2 - y2, x2 + y2) =
= (x1 + x2, x1 - x2, x2) + (y1 + y2, y1 - y2, y2) = T (x) + T (y)

b) x R2, k R : T (k x) = k T (x) ?

T (k x) = T (k (x1, x2)) = T (k x1, k x2) = (k x1 + k x2, k x1 - k x2, k x2) =
= k (x1 + x2, x1 - x2, x2) =
= k T (x)





4.3.2 LAS TRANSFORMACIONES NO LINEALES Y SU APLICACIN
PRONOSTICA.
Se realizan las transformaciones no lineales para hacer la distribucin ms simtrica
para hacer lineal la relacin entre variables
Escalera de potencias:


Si se desea estudiar el crecimiento del consumo de gasolina en diferentes ciudades
entonces el estudio consiste en estudiar las diferencias de consumo entre dos
instantes de tiempo crecimiento Ct Ct1, pero en general resulta ms conveniente
considerar las diferencias relativas: (Ct Ct1)/Ct1 o bien (Ct Ct1)/Ct.
Una medida ms adecuada consiste en tomar logaritmos

ln C ln C = ln Ct t1
As, si se expresa la variable en logaritmos, su crecimiento en dicha escala es una
buena medida del relativo.
Por otro lado, dado que Ct Ct1, entonces

Ct Ct1
Ct

Ct
ln


Ct Ct1
C
+---------------------------------------------+
| Potencia Transformacin Re-expresin |
|---------------------------------------------|
| 3 Cubo x
3
|
| |
| 2 Cuadrado x
2
|
| |
| 1 NINGUNA x |
| |
| 1/2 Raz cuadrada raz x |
| |
| 0 Log log10 x |
| |
| -1/2 raz del recproco -1/(raz x) |
| |
| -1 Recproco -1 / x |
+---------------------------------------------+
4.3.3 SELECCIN DE UNA TRANSFORMACION
Los problemas son endmicos a casi todos los problemas economtricos
aplicados, que hacen que la tcnica de Heckman original, y las mejoras
posteriores de s mismo y de los dems, sean indispensables en econometra
aplicada.
Ejemplo
En la primera etapa, el investigador formula un modelo, basado en la teora
econmica, para la probabilidad de tener trabajo. La especificacin cannica de
esta relacin es un regresin pro bit de la forma:

Donde D indica el empleo (D = 1 si el encuestado se emplea y D = 0 en caso
contrario), Z es un vector de variables explicativas, es un vector de parmetros
desconocidos, y es la funcin de distribucin acumulativa de la norma
distribucin normal. La estimacin del modelo produce resultados que se pueden
utilizar para predecir la probabilidad de empleo para cada individuo.
En la segunda etapa, el investigador corrige para la auto-seleccin mediante la
incorporacin de una transformacin de estas probabilidades individuales
predichas como una variable explicativa adicional. Se puede especificar la
ecuacin de salarios del siguiente modo:

Donde denota una oferta salarial subyacente, que no se observa si el aludido
no trabaja. La esperanza condicional de los salarios dada que la persona trabaja
es entonces:

Bajo el supuesto de que los trminos de error son normales en forma conjunta ,
tenemos



4.4 APLICACIN DE CRITERIOS PARA ELEGIR UNA TECNICA DE
PRONOSTICO QUE SE ADECUE A LA PROYECCION DE NEGOCIOS DE
INNOVACION TECNOLOGICA.

4.5 MODELAJE DE PRONOSTICOS PARA LOS MODELOS DE INNOVACION
TECNOLOGICA
4.5.1 APLICACIN DE PRONOSTICOS CUANDO SE EJECUTAN TIEMPOS DE
SERIES NO ESTACIONALES
El pronstico de las series de tiempo significa que extendemos los valores
histricos al futuro, donde an no hay mediciones disponibles. El pronstico se
realiza generalmente para optimizar reas como los niveles de inventario, la
capacidad de produccin o los niveles de personal.

Existen dos variables estructurales principales que definen un pronstico de serie
de tiempo:


El perodo, que representa el nivel de agregacin. Los perodos ms comunes son
meses, semanas y das en la cadena de suministro (para la optimizacin del
inventario). Los centros de atencin telefnica utilizan perodos de cuartos de hora
(para la optimizacin del personal).
El horizonte, que representa la cantidad de perodos por adelantado que deben
ser pronosticados. En la cadena de suministro, el horizonte es generalmente igual
o mayor que el tiempo de entrega.

PRONOSTICO EMPIRICO
Mtodo usado con frecuencia con la practica el cual el pronstico de la demanda
para el siguiente periodo es igual a la demanda observada en el periodo actual
(Ddt)
ESTIMACION DE PROMEDIO:
Promedio mvil simple: usados para estimar el promedio de una serie de tiempo
de demanda para suprimir los defectos de fluctuaciones solo requiere calcular la
demanda promedio para los n periodos.
Promedio mvil ponderado:
Cada una de las demanda histricas intervienen en el promedio pueden tener su
propia ponderacin. La suma de las ponderaciones es igual 1.0 por ejemplo, es un
modelo con promedio mvil ponderado de tres periodos al periodo mas reciente se
le asigna una ponderacin de 0.50, al segundo mas reciente se le asingna una
ponderacin de 0.30, al tercero mas reciente es de 0.20 el promedio se obtiene
multiplicando la ponderacin de cada promedio por el valor correspondiente a
dicho periodo y sumando finalmente los productos.
Ft+1 = 0.50Dt + 0.30Dt-1+0.20Dt-1
Suaviza miento exponencial: es un mtodo de promedio mvil ponderado permite
calcular el promedio de una serie de tiempo. Asignando a las demandas recientes
mayor ponderacin que las demandas anteriores y se usa por la reducida cantidad
de datos que se requiere.

4.5.2 APLICACIN DE PRONOSTICOS CUANDO SE EJECUTAN TIEMPOS DE
SERIES ESTACIONALES
La variacin estacional, que tiene como caracterstica de variacin regular dentro
de un ao y que a su vez se repite cada ao, casos tpicos son la produccin de
algunas frutas y/o comestibles o ventas asociadas a productos como ropa de
temporada.
Una prctica frecuente en la modelizacin economtrica consiste en la utilizacin
del logaritmo en lugar del valor directo de la variable observada esta
transformacin resulta habitual ya que permite la resolucin de algunos de los
problemas simples de heteroscedasticidad este tipo de transformacin tiene la
importante propiedad de mantener la evolucin temporal de la variable original
reduciendo proporcionalmente la variacin relativa entre los distintos valores de la
serie
Adems permite la linealizacion de modelos originalmenteespecificados en
trminos no lineales
Q= (T)(K)(L)
Donde K, L representan las dotaciones (capital y trabajo)
Q es el nivel de produccin
T es una medida de la eficiencia tcnica
4.6 APLICACIN DE HERRAMIENTAS DE EVALUACION DE LOS
PRONOSTICOS
Un pronstico es una herramienta que proporciona un estimado cuantitativo -o un
conjunto de estimados- acerca de la probabilidad de eventos futuros que se
elaboran en base en la informacin de inters en su dimensin pasada y actual
(Pindyck y Rubinfeld, 2001); dicha informacin se encuentra expresada en la
forma de un modelo y existen mltiples formas de estos expresadas a travs de
tcnicas de pronsticos 2 . No obstante, sea cual sea el modelo elegido para la
elaboracin del pronstico se debe seguir un proceso lgico para llevarlo a cabo;
tal proceso consta de los siguientes pasos (Hanke y Wichern, 2006):
Formular el problema.
Recolectar los datos.
Manipular y limpiar los datos.
Construir y evaluar el modelo3
.
Aplicar el modelo.
Evaluar el pronstico.

4.7 ANALISIS DE SERIES DE TIEMPO.
Una serie de tiempo es un conjunto de datos numricos que se obtienen en
perodos regulares a travs del tiempo. Estos datos pueden ser muy variados,
generalmente son usados para evaluar el comportamiento de las ventas de una
empresa, o para evaluar el comportamiento de los ndices de precio de un pas o
de un tipo de producto pero en general pueden aplicarse a cualquier negocio y /o
rea.
Este comportamiento puede tener caractersticas de tipo estacional, o cclico o
siguen alguna tendencia ya sea a la baja, de subida o sin variacin.
Una serie de tiempo o serie temporal es una coleccin de observaciones tomadas
a lo largo del tiempo cuyo objetivo principal es describir, explicar, predecir y
controlar algn proceso. Las observaciones estn ordenadas respecto al tiempo y
sucesivas observaciones son generalmente dependientes. De hecho esta
dependencia entre las observaciones jugar un papel importante en el anlisis de
la serie. Las series pueden ser utilizadas en diversos campos como por ejemplo:
economa precios de venta en das sucesivos. exportaciones totales en sucesivos
aos.



Beneficios de una empresa en sucesivos aos
fsica (meteorologa, geofsica, etc...)
lluvias en sucesivos das.
temperatura en sucesivas horas.
presin atmosfrica en diversos das.
Demografa poblacin de un pas medida anualmente.
Procesos de control el problema consiste en detectar cambios en la ejecucin de
un proceso de manufactura. Para ello se considera una variable que nos muestra
la calidad del proceso. Esta medida se representa frente al tiempo y cuando se
aleja de un determinado valor lmite, entonces hemos de efectuar las correcciones
oportunas sobre el proceso.
Procesos binarios: son unas series temporales especiales, en las que las
observaciones, slo toman dos valores (que usualmente se representan por 0 y 1),
suelen darse en teora de la comunicacin. Por ejemplo la posicin de un enchufe,
bien apagado o encendido puede ser representado como 0 y 1, respectivamente.
Dependiendo del campo en el cual se utilizar esta metodologa, las series se
pueden clasificar en:

Serie continua.
Una serie de tiempo es continua cuando las observaciones son tomadas
continuamente en el tiempo, aun cuando la variable medida slo tome
un nmero de valores finitos.

Serie discreta
Una serie temporal es discreta cuando las observaciones son tomadas en tiempos
especficos, normalmente igualmente espaciados. Se supondrn los datos en
intervalos regulares de tiempo (horas, das, meses, aos,..).



El trmino discreto es usado aun cuando la variable medida sea continua. Las
series discretas pueden surgir de varias maneras:
Muestral dada una serie de tipo continua:
Es posible construir una serie de tipo discreta, tomando los valores en intervalos
de tiempo de igual longitud. Un ejemplo de serie temporal de tipo continua es
la temperatura en un lugar dado, considerando la temperatura diaria a las tres de
la tarde, obtenemos una serie temporal discreta muestral.
Agregada o acumulada este tipo de series ocurre cuando una variable no tiene
valor en un instante (slo tiene sentido en algunos instantes de tiempo) pero se
pueden acumular los valores en intervalos de tiempo igualmente espaciados.
Ejemplos: las lluvias torrenciales, los accidentes de trfico mensualmente,
el nmero de pasajeros mensuales en las lneas areas espaolas. De hecho los
accidentes de trfico mensuales son una agregacin de sucesos discretos.
Los valores tomados no se observan en cada instante sino que se van
acumulando en intervalos de tiempo.

Inherentes o discretas las que realmente los datos se obtienen en momentos
discretos. Por ejemplo el salario mensual. Teniendo en cuenta el nmero de
variables que observamos en cada tiempo se pueden diferenciar:
Series temporales univariantes: cuando interviene una sola variable.
Series temporales multivariantes: cuando intervienen varias variables.
El primer paso a llevar a cabo en cualquier anlisis de una serie de tiempo es
realizar la representacin grfica de la serie. En el eje horizontal se representa la
escala del tiempo, y en el eje vertical, los valores asignados a los tiempos. Es
habitual observar que los datos aparentemente fluctan a lo largo del tiempo en
torno a algn patrn.
Desde un punto de vista formal, este hecho responde al concepto de proceso
estocstico, concepto matemtico que hay subyacente en una serie temporal.
La representacin grfica de una serie de tiempo es la representacin de una
trayectoria del proceso estocstico subyacente. En dicha representacin, podemos
observar las principales fuentes de variacin.

Enfoques en anlisis de series de tiempo existen bsicamente tres
enfoques para analizar series de tiempo los cuales son:
Enfoque Clsico.
Enfoque Box-Jenkins.
Enfoque ingenieril o Analisis Espectral.


4.8 ELEMENTOS DE ECUACIONES EN DIFERENCIA

Una ecuacin en diferencias de orden k es una igualdad de la forma.



Donde la incgnita de la ecuacin es la sucesin xn.
Resolver la ecuacin es hallar la forma explcita de todas las sucesiones que
satisfacen
Esa igualdad. Esto se llama solucin general de la ecuacin. Una solucin
concreta de la
Ecuacin se llama solucin particular y generalmente se obtiene imponiendo
condiciones
Iniciales en la solucin general.
Una ecuacin en diferencias de orden k se dice lineal si y solo si es de la forma:
donde a0, a1, ..., ak1 y b son funciones de n y a0(n) 6= 0 para algn n N.
Si b(n) = 0 para todo n N, la ecuacin se llama homognea.
Si las funciones ah son constantes, la ecuacin se llama de coecientes
constantes.




4.8.1 NOTAICION Y CONCEPTOS ELEMENTALES.
Un computador es una maquina que puede llevar a cabo largas, complejas y
repetitivas secuencias de operaciones a velocidad muy alta. Estas operaciones
son aplicadas a informacin o datos suministrados por el usuario para producir
otra informacin o resultados que requiera el usuario. Los componentes
esenciales de un computador son un procesador, una memoria, y algn dispositivo
de entrada y salida.
El procesador es el que realiza la secuencia de operaciones especificadas por el
programa.
La memoria es usada para almacenar la informacin a la cual son aplicadas las
operaciones del procesador.
La memoria es de dos clases, la memoria principal y la memoria secundaria. La
memoria principal guarda tanto las instrucciones como los datos sobre los que
opera el procesador. Los dispositivos de almacenamiento secundario son cintas
magnticas, discos o tambores que tienen las siguientes caractersticas. Su
capacidad de almacenamiento es ms grande que la memoria principal y la
informacin puede ser guardada permanentemente en ellos.
Los dispositivos de entrada y salida son usados para transmitir informacin del
mundo exterior a la memoria principal del computador (entrada) y la memoria
principal del mundo exterior (salida)
El uso de un computador para una labor particular implica tres pasos esenciales
a) especificar la labor que el computador realizara en trminos de los datos de
entrada que sern suministrados y los datos de salida.
b) crear un algoritmo o secuencia de datos por los cuales el computador pueda
producir la salida requerida a partir de la entrada.
c) expresa este algoritmo como un programa de computador en un lenguaje de
programacin tal como PASCAL.
La estructura de un algoritmo puede estructurar en un diagrama estructurado en
forma de bloques donde se encuentran las diferentes tareas que deben ser
realizadas y su relacin entre ellas. Los diagramas de flujo han sido la herramienta
de programacin por excelencia.
Un diagrama de flujo utiliza smbolos estndar y en el que cada paso del algoritmo
se visualiza dentro del smbolo adecuado y el orden en que estos pasos se
ejecutan se indica conectndolos con flechas llamadas lneas de flujo, porque
indican el flujo lgico del algoritmo.
Los programas deben ser escritos en un lenguaje que pueda entender la
computadora, escribir los algoritmos en una imitacin de cdigo de las
computadoras: pseudocdigo, este surgi para superar las principales desventajas
de el diagrama de flujo, es mas fcil de utilizar ya que maneja expresiones bsicas
de la lengua nativa del programador.
As por ejemplo los smbolos matemticos para expresar en pseudocdigos las
operaciones matemticas son:
+ Suma
- Resta
* Multiplicacin
/ Divisin
Como ejemplo de palabras reservadas de distintos lenguajes de alti nivel
expresadas en pseudocdigos podramos tener las siguientes:
Inicio begin
Fin end/stop
Leer read/imput
Escribir write/print
Si if
Repetir repeat
Entero integer
Carcter char
La ventaja de utilizar un lenguaje de programacin de lato nivel, tal como PASCAL
es que un programa puede ser usado en cualquier computador para cual haya
sido provisto el compilador del lenguaje. La provisin de un compilador para un
lenguaje dado y un computador dado se llama una implementacin del lenguaje.
Codificar es escribir en lenguaje de programacin de alto nivel la representacin
del algoritmo, para realizar la conversin de algoritmo en programa se debe
sustituir las palabras reservadas en castellano por sus homnimos en ingles.
Una ves que el algoritmo se ha convertido en programa fuente mediante el
proceso de codificacin, es preciso traducir a cdigo o lenguaje maquina, nico
que la computadora es capas de entender y ejecutar. El encargado de realizar
esta funcin es un programa traductor (compilador). Si tras la compilacin se
presentan errores de compilacin es preciso modificar la codificacin del programa
de forma que esta se adapte alas reglas de sintaxis del lenguaje elegido con el fin
de corregir los errores.
Una ves obtenido el programa ejecutable se pone en funcionamiento con solo
teclear su nombre suponiendo que no existen errores durante la ejecucin se
obtendr la salida de los resultados del programa. Las instrucciones u rdenes
para compilar un programa pueden variar segn el tipo de compilador.
Los objetivos de la programacin son los siguientes:
Exactitud, un factor clave en el logro de exactitud es la simplicidad. La innecesaria
complejidad no cumple propsito alguno en la programacin de computadores.
Claridad, el diseo y la limpieza del programa es indispensable para el
programador y para otros que puedan leer y alterar el programa posteriormente.
Eficiencia, el tiempo tomado por el computador para llevar acabo la secuencia de
operaciones y la cantidad de memoria que el computador usa para esta tarea.
Un programa de computador primero es contruido como una secuencia de
simbolos o caracteres que forman el texto del programa.
Ejemplo (programa simple escrito en lenguaje de programacin (PASCAL)
program adicion (imput, output);
var primero, segundo, suma: integer;
begin
read (primero, segundo)
suma : =primero+segundo;
write (suma)
end.
Todo lenguaje de programacin tiene todo un conjunto estrictamente definido de
reglas asociadas con el que describe como puede ser construido en el lenguaje un
programa valido estas reglas son necesarias para que el programador pueda estar
seguro de la correccin y el efecto del programa que describe y para que este
programa pueda ser entendido tanto para el sistema como para quien lo lea.
Las reglas del lenguaje estn constituidas de dos partes conocidas como la
sintaxis y la semntica del lenguaje. Las reglas de sintaxis definen como las
palabras (o vocabulario) del lenguaje pueden ser puestas juntas para formar
frases. Las reglas de semntica atribuyen sentido y significado a estas
confinaciones de palabras. Estas reglas de semntica son usualmente
establecidas con menos formalidad que las reglas de sintaxis las cuales para el
lenguaje PASCAL estn descritas mediante un formalismo conocido como FBNE
(Forma Backus-Naur) la forma de un programa PASCAL esta definida por la
siguiente regla:
programa = encabezamiento bloque .
Esta regla es leda como un programa esta definido como un encabezamiento
seguido por un bloque seguido por un punto .
En el programa ejemplo dado antes la primera lnea de smbolos es el
encabezamiento. Los smbolos siguientes desde var hasta end forman un bloque.
En una regla FBNE la aparicin de un smbolo de lenguaje dentro de comillas .
Denota el smbolo mismo. Cada regla es terminada con un punto.
El vocabulario de lenguaje de programacin PASCAL consiste de letras, dgitos y
smbolos especiales. Las frases del lenguaje son entonces construidas a partir de
este vocabulario de acuerdo con la sintaxis de PASCAL. Conforme a la definicin
estndar de PASCAL una letra puede ser cualquiera de las 26 del alfabeto
romano, en forma mayscula o minscula, esto es, existen 52 letras en la
categora sintctica letra.
Letra = A, B, C, D, E, F, G, H, I, J, K, L, N, O, P, Q, R, S, T, U, V, W, X, Y, Z, a, b,
c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, x, y, z.
Un digito en PASCAL es cualquiera de los diez dgitos arbigos, es decir:
Digito = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9.
El nmero de smbolos especiales requeridos por PASCAL para puntuacin y
otros propsitos es bastante alto. Muchos de estos smbolos especiales estn
representados como palabras ms bien que como caracteres especiales.
Smbolo especial = +, -, *, /, =, <>, <, >, <=, >=, (, ), {, }, :=, ., , :, ;, div,
nil, in, or, and, not, if, then, else, case, of, repeat, until, while, do, for, to, begin,
end, with, goto, const, var, type,record, set, file, function, procedure, level, packed,
program.
Los nmeros en pascal pueden estar representados en una de las dos formas:
nmeros enteros o reales.
Un numero entero puede ser positivo, negativo o cero. El numero es escrito como
una secuencia de dgitos de cualquier longitud la cual puede o n estar precedida
por un signo (+ o -)
Ejemplo de enteros validos:
6, o, -6, +7000000
Enteros no validos:
6,437,876 un entero no puede contener no-dgitos
-6.0 un entero no puede contener un punto decimal
El nmero mximo de dgitos que pueden ser usados en un entero depende del
tamao de la localizacin de memoria en el computador que almacenara el entero.
La representacin de nmeros reales en un computador es solamente una
aproximacin mientras que los enteros son representados exactamente.
PASCAL requiere que las varias cantidades usadas en un programa, como las
piezas del texto del programa, le sean dados nombres por los cuales puedan ser
identificados. Estos nombres son conocidos como identificadores, y son creados
por el programa. Un identificador consiste en una letra seguida por cualquier
nmero de letras y dgitos, es decir.
Identificador = letra {letra/digito}
Un identificador puede ser de cualquier longitud, PASCAL impone una restriccin
a la longitud de cada lnea de texto del programa. En implementaciones que
provean tanto maysculas como minsculas, pueden ser usadas letras de
cualquiera de las dos formas en los identificadores pero el estndar PASCAL
exige que el significado de un programa no sea alterado por el cambio de forma de
alguna letra, en tal caso los siguientes identificadores son considerados como
idnticos:
algunnombre ALGUNNOMBRE Algun Nombre
Ejemplo de identificadores validos:
I
Ufo
PC49
unnombremylargo
Los siguientes son identificadores no permitidos:
1 abc un identificador debe comenzar con una letra
MA-ANA un identificador no debe contener un guio
$100 un identificador debe comenzar con una letra
Algunos de los smbolos especiales de PASCAL son palabras reservadas que no
pueden ser usadas para otros propsitos como array y begin no pueden ser
usadas como identificadores.
Ciertos identificadores, conocidos como identificadores estndar son pre
declarados en toda implementacin de PASCAL estndar, estos describen
cantidades estndar y facilidades proporcionadas por el lenguaje, tales como
funciones trigonomtricas y aritmticas.
Lista completa de identificadores estndar:
abs, arctan, boolean, char, chr, cos, dispose, eof, eoln, exp, false, get, input,
integer, in, maxint, new, odd, ord, output, pack, page, pred, put, read, readln, real,
reset, rewrite, round, sin, sqr, sqrt, succ, text, true, trunc, unpack, write, writeln.
Una secuencia de caracteres ecerrada por apostrofes forma lo que es conocida
como una cadena. Es usada dentro de un programa para denotar la secuencia de
caracteres mismos. Si la cadena de caracteres incluye un apostrofe, entonces
deber ser escrito dos veces por consiguiente la definicin sintctica de una
cadena es
Cadena = carcter-cadena {carcter-cadena}
Carcter-cadena = cualquier-carcter-exepto-comillas()
Un programa PASCAL se expresa como una secuencia de identificadores,
nmeros, cadenas y smbolos especiales. En PASCAL estndar toda secuencia
de caracteres encerrada por los smbolos { } forman lo que es conocido como un
comentario. Los comentarios pueden aparecer donde quiera que un blanco o un
fin de lnea pueda aparecer, pero no tiene absolutamente ningn significado en
cuanto a la ejecucin del programa. Sirve solamente como un recurso con el cual
un programador puede hacer el sentido d un programa mas claro mediante la
inclusin de observaciones explicativas en lenguaje natural.
Ejemplo: {este es un comentario escrito en lenguaje natural}
En el siguiente ejemplo se muestra la estructura bsica de un programa en
PASCAL, el propsito es leer dos nmeros enteros e imprimir su suma. La primera
lnea es el encabezamiento, el cual da al programa en nombre de adicin e indica
que sern ejecutadas tanto la entrada como la salida, la segunda lnea es la parte
de declaraciones, que denomina los tres tems de datos usados en el programa y
establece que sern nmeros enteros.
program adicion (imput, output);
var primero, segundo, suma: integer;
begin
read (primero,segundo);
suma: =primero+segundo;
write (suma)
end.
La cabecera de un programa en PASCAL consta de tres partes claramente
definidas: cabecera del programa, seccin de declaraciones y cuerpo del
programa.
La cabecera del programa consta de tres partes; la palabra reservada program, el
nombre del programa (un identificador) y un punto y coma (;).
Los lenguajes de programacin de alto nivel como PASCAL permite al
programador ignorar la representacin de maquina existente y expresar la
naturaleza de los datos en trminos de tipos de datos. Un tipo de datos define un
conjunto de valores todos los tipos de datos estn estructurados de tipos no
estructurados. En PASCAL un tipo no estructurado es definido por el programador
o en caso contrario es uno de los cuatro tipos predefinidos estndar
proporcionados, los tipos integer, real, char, boolean.
El tipo integer representa el conjunto de nmeros enteros y todo valor de este tipo
es por tanto un nmero entero. PASCAL define un nmero de operadores
aritmticos que toman operandos enteros y retornan resultados enteros estos son.
Smbolo Operacin resultado
+(adicin) 7+3 10
-(sustraccin) 7-3 4
*(multiplicacin) 7*3 21
div(divisin con truncamiento) 7 div 3 2
mod(modulo) 7 mod 3 1
El tipo real son el conjunto de nmeros reales PASCAL suministra un numero de
operadores matemticos que toman operadores reales y producen resultados
reales, estos son
Smbolo operacin resultado
+(Adicin) 2.1+1.4 3.5
-(sustraccin) 2.1-1.4 0.7
*(Multiplicacin) 2.1*1.4 2.94
/(Divisin) 2.1/1.4 1.5
En PASCAL el tipo char esta definido como e conjunto de caracteres disponible en
el sistema computador que ejecuta el programa. Un valor particular de tipo char es
denotado por encerramiento del carcter en comillas sencillas (apostrofes) por
ejemplo.
a 4 ? +
Un valor boolean es uno de los valores de verdad lgicos representaos por los
identificadores PASCAL estndar true (verdadero) false (falso). PASCAL
proporciona operadores estndar que toman valores booleanos como operandos y
producen un resultado booleano. Estos operadores incluyen
and y lgica
or o inclusiva lgica
not negacin lgica
Los valores booleanos pueden tambin ser producidos por aplicacin de
operadores relacionales a operandos de otros tipos. PASCAL suministra los seis
operadores relacionales de las matemticas, que son:
= igual a
<> No igual a
< menor o igual a
<= menor que o igual a
> Mayor que
>= mayor que igual a
Los tems de datos que un programa manipula pueden ser divididos en dos clases,
aquellos cuyos valores permanecen fijos durante la ejecucin de un programa, y
aquellos cuyos valores son cambiados por la ejecucin. Los primeros
mencionados son conocidos como constantes. Los segundos son conocidos como
variables. Los tems introducidos en un programa pascal dependen de su clase.
123 denota un valor particular de tipo integer
12.72 denota un valor particular de tipo real
A denota un valor particular de tipo char
True denota un valor particular de tipo boolean
Corazn denota un valor particular de tipo enumerado
La seccin de declaraciones de un programa esta compuesta por:
1. Declaracin de unidades UEES
2. Declaracin de etiquetas LAVEL
3. Declaracin de constante CONST
4. Definicin de tipos TYPE
5. Declaracin de variables VAR
6. Declaracin de procedimientos y funciones PROCEDIRE, FUNKTION
En PASCAL las constantes pueden ser de cualquier tipo, incluso constantes
estructuradas, como arrays y registros las constantes se declaran despus de la
palabra const y su forma es
Const
Nomconstante = valor;
;
La declaracin de una constante comienza ocn un identificador o nombre de
constante seguido por el signo (=) y el valor correspondiente y terminado en un
carcter punto y coma (;)
Ejemplo
Const
Pueblo = castillo chido;
Peso = 75.5;
PASCAL tiene varias constantes con nombre.
MAXINT contiene el valor entero 32767
MAXLONGINT contiene el valor entero 2.147.483.647
PI contiene el valor de Pi = 3.1415926536
TRUE, FALSE tpico lgico (boolean)
La declaracin de etiquetas comienza con la palabra determinada label, seguida
de todas la etiquetas del programa, separadas por comas. Una etiqueta se
representa mediante un identificador o mediante un nmero entero comprendido
entre 0 y 9999. Las etiquetas se utilizan para la transferencia incondicional de flujo
de programa (sentencia GOTO)
Label
Cerrar, 1, 275;
La declaracin de tipos sirve para definir los distintos tipos de datos la declaracin
se inicia con la palabra reservada type seguida por las declaraciones de los
distintos tipos que el usuario quiere definir., a su vez una declaracin de tipo
consta del identificador de tipo y la definicin del mismo separadas por un signo =.
El formato general de la seccin tipe es:
Type
Identificador1 = tipodato1;
Identificador2 = tipodato2;

La declaracin de variables va precedida por la palabra reservada var y seguida
por la declaracin de las variables, la declaracin de variables utiliza el carcter
(:) para separar el nombre de la variable de su tipo, el formato general de la
seccin var es:
Var
Nomvariable1 : tipo 1;
Nomvariable2 : tipo 2;
:
O bien el caso de diferentes variables del mismo tipo:
Var
Nomvariable1,
Nomvariable2,
Nomvariable3 : tipo 3;
Los procedimientos y funciones son de PASCAL son pequeos programas o
grupos de sentencias que realizan tareas especificas o bien que se ejecutan a lo
largo del programa varias veces. La estructura de un procedimiento o funcin es
similar a la del programa con la diferencia de que los procedimientos y funciones
comienzan su declaracin en su cabecera con las palabras reservadas
PROCEDURE o FUNCTION en lugar de program y que en ves de terminar con un
punto finaliza con un punto y coma.
Tras la seccin de declaraciones comienza el programa principal que se encuentra
acotado por las palabras reservadas BEGIN y END. Todas las sentencias que
perteneces al programa principal deben terminar con un punto y coma (;) las
reglas relativas a los puntos y coma separadores de sentencia son:
- Cada sentencia debe terminar con un punto y coma
- Se puede omitir el punto y coma final si va seguido de las palabras reservadas
end y until
- Se debe omitir el punto y coma si le sigue la palabra reservada else
- 8salvo si se trata de una estructura selectiva caseof)
Ejemplo.
Program saludo;
Var
Tu nombre: string {40}
Begin
Write (dime tu nombre: ); (*sentencia de salida*)
Readln (tu nombre); (*entrada de datos*)
Writeln (hola, tu nombre)
End.
Todo elemento del programa que quiera ser referenciado o usado en un momento
determinado del programa debe haber sido previamente definido (declarado).
La parte de declaraciones de PASCAL son los tipos de datos, constantes y
variables. La manipulacin que el programa ejecuta sobre sus tems de datos es
definida por su parte de sentencias. La parte de sentencias de fine las acciones a
ser llevadas a cabo como una secuencia de sentencias donde cada sentencia
especifica una accin correspondiente. PASCAL es un lenguaje de programacin
secuencial ya que estas sentencias son ejecutadas una despus de otra y nunca
simultneamente. La estructura de parte de sentencia es

4.8.2 USO DE OPERADORES CON RETRASO
4.9 MODELOS PARA SERIES UNIVARIADAS
4.9.1 IDENTIFICACION DE MODELOS ARIMA.
4.9.2 ESTIMACIN DE MODELOS ARIMA
4.9.3 VERIFICACION DE LOS MODELOS
4.10 PRUEBA DE RAICES UNITARIAS
Al desarrollar modelos de series de tiempo se necesita saber si se puede suponer
que el proceso estocstico que los gener es invariable en el tiempo.
A este tipo de procesos se les denomina procesos estocsticos estacionarios. Si el
proceso no es estacionario, ser muy difcil representar a la serie de tiempo
durante intervalos de tiempo pasados y futuros con un modelo algebraico simple.
Si el proceso es estacionario, entonces es modelable mediante una ecuacin de
coeficientes fijos estimables con datos pasados. En la prctica es complicado
encontrar series de tiempo surgidas de procesos estacionarios; sin embargo, hay
tcnicas que se encargan de convertir dichos procesos en estacionarios.
Los procesos estacionarios tienen caractersticas deseables. Por ejemplo, una
serie y1, y 2, ...,yT puede considerarse como generada por un conjunto de
variables aleatorias distribuidas en forma conjunta.
En otras palabras, y1,y 2,...,yT representa un resultado particular de la distribucin
de probabilidad conjunta p (y1 , y 2 ,..., yT); esto es lo que se denomina
realizacin.
De igual manera, una observacin futura yT +1 puede ser considerada como
generada por una funcin de distribucin de probabilidad condicional p(yT+1 |y1,y
2,...,yT), es decir, una distribucin de probabilidad para yT +1 dadas las
observaciones pasadas.
Entonces, de manera formal, un proceso estacionario se define como aquel cuya
distribucin conjunta y distribucin condicional es invariable respecto al
desplazamiento en el tiempo. Por lo que si la serie y t es estacionaria, se tiene que
p(yt,...., yt+k) = p(y t+m , ... y t+k +m) y p(y t) = p(yt+m ) t , k , m
Con base en este resultado se obtienen las caractersticas de una serie
estacionaria:
1 Si la serie es estacionaria, la media de la serie definida como y = E(yt), tambin
debe ser constante a lo largo del tiempo, por lo que E(yt) = E(yt + m) t , m.
2 La varianza de la serie, definida como 2y = E[(yt y)2], tambin debe ser
constante, de tal manera que E[(yt y)2] = E[(yt + m y)2].
3 Para cualquier rezago k, la covarianza de la serie k = Cov(yt,yt + k) = E[(yt
y)(yt+k y)] debe ser estacionaria, de modo que Cov(yt, yt+k ) = Cov(yt+m , y
t+k +m).
Por tanto, si un proceso estocstico es estacionario, la distribucin de probabilidad
p(yt) es la misma para todo tiempo t y su forma o al menos algunas de sus
propiedades pueden inferirse a travs de un histograma de las observaciones y1,y
2,...,yT. Si una serie no cumple con las tres caractersticas anteriores, se dice que
es no estacionaria.
Sin embargo, en el trabajo de Granger y Newbold (1974) se ha demostrado que la
mayora de las series econmicas no son estacionarias en niveles, es decir, que
son integradas de algn orden mayor que 0. Esto acarrea algunos problemas
graves en la prctica, sobre todo porque se viola un supuesto bsico del modelo
clsico de regresin: la estacionariedad de las variables.
Este problema se remonta a los resultados que obtuvo Yule (1926). Lleg a la
conclusin de que es relativamente sencillo encontrar correlaciones
estadsticamente significativas entre variables que no son estacionarias. De esta
manera se demostr, por ejemplo, que la inflacin anual de Gran Bretaa es
explicada por los casos de disentera que ocurrieron en Escocia el ao anterior
(Henry, 1980).
El problema fue abordado de manera profunda por Granger y Newbold (1974).
Determinaron llamar a las regresiones economtricas que involucran variables no
estacionarias regresiones espurias, debido a que se puede demostrar casi
cualquier relacin estadsticamente significativa con variables I(d), donde d > 0.
Segn Granger y Newbold (1974), las regresiones espurias se caracterizan por:
Una elevada bondad de ajuste (R2).
Un valor del estadstico Durbin Watson, DW, excesivamente bajo, muy inferior al
valor 2 que corresponde a la ausencia de autocorrelacin e inferior al lmite inferior
del test DW.
Las principales consecuencias de la presencia de autocorrelacin de los errores
en una regresin son:
Los coeficientes estimados por la regresin son sesgados e ineficientes.
Las proyecciones basadas en las ecuaciones son suboptimales.
La significancia de las pruebas sobre los coeficientes no es vlida.
Para analizar si las regresiones son espurias o no, se analizaron en primera
instancia las races unitarias. El nmero de races unitarias equivale al nmero de
veces que se tiene que diferenciar una serie para hacerla estacionaria. As, se
dice que una serie I(1) tiene una raz unitaria y que una serie I(d) tiene d races
unitarias.
Existen diferentes pruebas para analizar la presencia de races unitarias (o el
orden de integracin de las series); entre las ms usuales estn: Dickey-Fuller
(DF), Dickey-Fuller Aumentada (ADF), Phillips-Perron (PP), Kwiatkoski, Phillips,
Schmidt y Shin (KPSS), entre otras. A continuacin se presentarn los resultados
obtenidos con la prueba de Dickey-Fuller Aumentada (ADF). Se dejarn las dems
pruebas de lado, ya que muestran resultados equivalentes y, por tanto, no aportan
informacin adicional. El cuadro 18 muestra que las series analizadas son de
orden I(d) > 0, por lo que tienen por lo menos una raz unitaria. Se tomaron las
series en niveles y con tendencia e intercepto.
La hiptesis nula (Ho) propone que la serie tiene una raz unitaria. La prueba de
hiptesis se hace con el valor de la t estadstica. Si sta resulta positiva o est por
debajo del valor crtico, se acepta Ho.
Este resultado se confirma un poco ms intuitivamente cuando se observa que la
probabilidad de la prueba es mayor al 95% de confianza, lo cual se advierte en el
valor de probabilidad, que debe ser mayor a 0.05.
En tal caso se sabe de la existencia de al menos una raz unitaria. En todos los
casos se demuestra la existencia de al menos una raz unitaria.
Por tal razn, es necesario saber si la serie es I(1) o I(2), lo que resulta al realizar
las pruebas especificando las variables en primeras diferencias.
La obtencin de una probabilidad mayor a 0.05 sera prueba de que la serie tiene
dos races unitarias y que sera necesario sacar otra diferencia para tenerla
estacionaria.
De esta forma se analizaron las mismas series en primeras diferencias. En el
cuadro 19 se observa que las series tienen una raz unitaria, por lo que de aqu en
adelante se usarn las series en primeras diferencias para tener series
estacionarias y evitar tener una regresin espuria. Al usar primeras diferencias ya
slo se us con intercepto y se obtuvieron resultados favorables entre 6 a 10
rezagos. Con 11 rezagos Argentina y Chile mostraran dos races unitarias. Sin
embargo, la mayora de los estudios no sobrepasan los seis rezagos.
Este resultado es congruente con los resultados de los trabajos de Peir (1996) y
Ortiz (2007a). No obstante, aunque pueda haber una raz unitaria esto no evita la
posibilidad de que exista una relacin de largo plazo entre las series originales que
se analizarn a continuacin mediante la prueba de cointegracin.
Lo anterior es relevante principalmente porque al obtener primeras diferencias se
pierde informacin que puede ser valiosa para el anlisis (Maddala, 2001).
Despus de analizar las series burstiles se estudiaron los PIB mensuales.
Al igual que con las series burstiles se calculan las series originales en niveles
con tendencia e intercepto (vase cuadro 20). Se observa que todas las series
tienen por lo menos una raz unitaria.
En el cuadro 21 se muestra la existencia de una sola raz unitaria al 5% en las
series en primeras diferencias.
De esta manera, es necesario analizar las dos series en primeras diferencias
excepto que las series cointegren para evitar cualquier regresin espuria (Lora,
2007).



4.11 MODELOS PARA SERIES ESTACIONALES
4.11.1 ANALISIS DE SERIES ESTACIONALES
4.11.2 COSTRUCCION DE MODELOS
4.12 PRONOSTICO PARA SERIES DE TIEMPO
4.12.1 CASO ESTACIONARIO
4.12.2 CASO NO ESTACIONARIO
4.13.4 APLICACIONES
El anlisis practico de la estacionariedad de las series temporales

Queda clara que la aproximacin a los procesos estocsticos con modelos
AR o MA est restringida, en trminos generales, a aquellos procesos estocsticos
que cumplan, al menos de forma dbil, la condicin de estacionariedad
1
. As pues
debemos analizar la estacionariedad de las series temporales analizadas antes de
proceder a la identificacin de la estructura del proceso estocstico AR MA.

Cmo verificamos si la serie a analizar es estacionaria en media?

La no estacionariedad en media recibe vulgarmente el nombre de tendencia
aunque, tcnicamente, debera utilizarse el trmino tendencia determinista
diferencindose de lo que ms adelante denominaremos tendencia aleatoria.
Identificar tendencias deterministas en las series suele ser habitualmente muy
sencillo: normalmente es suficiente observar el grfico de la serie para diagnosticar
si su valor medio se mantiene constante o, por el contrario, crece o decrece con el
tiempo.

Debe recordarse, no obstante, que cuando observamos la estacionariedad
en media, nos interesa la estabilidad de la serie en el medio plazo,
independientemente de las variaciones de corto plazo alrededor de esa tendencia.



En este sentido, no debe considerarse como tendencia determinista un cambio
temporal en la media, una fluctuacin que parezca transitoria (Figura 1), sino un
cambio relevante y persistente en la serie que parezca dominar el valor a medio
plazo de la media (Figura 2).
Fig 1Serie sin tendencia det. Fig. 2 serie con tendencia det.

Para el analista, que necesita trabajar con series estacionarias en media, lo
interesante es poder aislar (conservar) esas variaciones eliminando exclusivamente
el componente de cambio en la media: a esta operacin se la denomina filtro de
tendencia. En el grfico siguiente (en azul) puede observarse como la serie original
presenta una tendencia lineal creciente que puede ser estimada (representada) con
la lnea discontinua (tendencia); la serie corregida (filtrada) de tendencia reproduce
exactamente las mismas variaciones que la serie original pero sin mostrar tendencia
alguna.




Ejemplo de serie, estimacin de la tendencia y serie filtrada de tendencia
-10.0000
-8.0000
-6.0000
-4.0000
-2.0000
0.0000
2.0000
4.0000
6.0000
8.0000
10.0000
12.0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5
-10.0000
0.0000
10.0000
20.0000
30.0000
40.0000
50.0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5

Cmo se genera la serie filtrada de tendencia?
Para realizar un filtro de tendencia, asumiremos simplemente que la tendencia (T
t
)
es un componente que se agrega a la serie sin tendencia (YST
t
) generando la serie
original (Y
t
): es decir, en el grfico anterior, la serie original (en azul) es la suma de
los valores de la serie sin tendencia (en rojo) ms los valores de la tendencia (lnea
discontinua):

t t t
YST T y + =

Para computar los valores de la tendencia en cada perodo basta con
efectuar una regresin simple de la serie en funcin de una variable de tiempo t (1,
2, 3,4,): el residuo de esta regresin ser la serie filtrada de tendencia. La
nica decisin a considerar ser el tipo de funcin matemtica que mejor ajusta la
tendencia de la serie (lineal, parablica, exponencial...) que sea ms conveniente;
trabajaremos con la serie del residuo, que entonces no mostrara tendencia y
podremos decir que es estacionaria en media.

Sobre la eleccin del modelo de tendencia, conviene tener en cuenta algunas
cautelas:
1.- Debe priorizarse la sencillez en la seleccin del modelo de tendencia: sta debe
slo centrarse en la evolucin a medio plazo de la serie de modo que no es
necesario que la tendencia reproduzca exactamente cada movimiento a corto plazo.
Un comportamiento oscilante podra modelizarse, por ejemplo, con una funcin
-400,00
-200,00
0,00
200,00
400,00
600,00
800,00
16
1
1
1
6
2
1
2
6
3
1
3
6
4
1
4
6
5
1
5
6
6
1
6
6
7
1
7
6
8
1
8
6
9
1
9
6
Serie Original Tendencia Serie (sin) "filtrada de" tendencia
sinusoidal pero, si este movimiento se produce alrededor de una media en sencilla
progresin creciente, bastar con proponer un modelo sencillo, montonamente
creciente, manteniendo el componente oscilatorio de la serie.

Ajuste de Tendencia Correcto (serie
oscilante alrededor de una
tendencia montonamente
creciente)
Ajuste de Tendencia Incorrecto
(tendencia sobreparametrizada)

Si existen dudas sobre el modelo de tendencia a utilizar, pueden probarse
especificaciones alternativas (lineal Vs logartmica, potencial Vs exponencial, por
ejemplo) y utilizarse los resultados de la regresin 2.- (R
2
, porcentaje de error
absoluto medio, contrastes t para los trminos incluidos en la regresin,.) con el
fin de valorar cul de las especificaciones ajusta mejor la evolucin de la serie
3.- Las tendencias pueden ser compuestas, es decir, para un determinado perodo
de anlisis pueden combinarse distintos tipos de tendencias (primero lineal
creciente, luego lineal decreciente, por ejemplo)

4.- Algunas tendencias pueden no ser lineales por lo que su estimacin con un
modelo de regresin lineal requerir la linealizacin previa de la funcin a estimar
si no se conocen mtodos de estimacin no lineales

5.- En presencia de componentes estacionales conviene habitualmente eliminarlos
antes de proceder al anlisis de tendencia

En todo caso, una vez elegido el modelo de tendencia ms adecuado, el
procedimiento de filtrado es bien sencillo:
1. Se estima, conforme al modelo elegido, la regresin de la serie en funcin
del tiempo:

0.0000
5.0000
10.0000
15.0000
20.0000
25.0000
30.0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5
0.0000
5.0000
10.0000
15.0000
20.0000
25.0000
30.0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5
En el ejemplo grfico de la pgina 2 de este documento, el ajuste lineal por MCO
implica estimar:

t t t
U bT a y + + =
resultando de la estimacin los siguientes parmetros:

t t
T y 5 150 + =


1. La tendencia se corresponde con la serie estimada (
t
y ) en tanto que la
serie filtrada es simplemente el residuo de esta regresin, es decir, la
serie original (
t
y ) menos la estimacin de la tendencia (
t
y ):

t t t t t
T y y y e YST 5 150 + = = =


II.3.- ESTACIONARIEDAD DE LAS SERIES II: Estacionariedad en VARIANZA

Definicin de la no estacionariedad en varianza. Porqu las series
deben corregirse de una varianza no estacionaria: el concepto de
tendencias estocsticas

La principal caracterstica que define al componente tendencial es la de
presentar efectos permanentes sobre una serie temporal y
t
.
En el apartado previo vimos series con un componente tendencial claro,
perfectamente, matemticamente determinado, conocido, series que
denominamos con tendencia determinista.
Si observamos algunas series con tendencia, por ejemplo en economa,
podramos caer en la tentacin de calificarlas entre aquellas con tendencias
deterministas como las anteriores; sin embargo, desde la teora econmica sera
muy difcil justificar una tendencia determinista: an existiendo componentes
tendenciales importantes desde el punto de vista terico, seguramente estos
no seran de naturaleza determinista, perfectamente conocidos.
Es muy posible, por ejemplo, que la productividad tienda a crecer de forma
natural en la medida en que, con el paso del tiempo, se va produciendo la mejora
tecnolgica de los procesos productivos. Tambin es natural que el valor aadido
nominal en servicios tienda a crecer incluso de forma ligeramente exponencial,
reemplazando la renta del sector primario, a medida que una economa va
alcanzando ciertos niveles de desarrollo.
Sin embargo, ambos procesos tericos no se producirn, con total seguridad, de
una manera invariable, constante, predecible, determinista, con el paso del tiempo.

Frente a la tendencia determinista surge por tanto la necesidad de definir un
componente tendencial, con efectos permanentes en la evolucin de la serie
analizada, pero de naturaleza estocstica.
El caso ms simple de modelo con tendencia estocstica viene determinado por lo
que se conoce como un paseo aleatorio simple:

t t t t
y y c c = A + =
t 1
y


Con c
t
ruido blanco. La solucin a la anterior ecuacin
2

=
+ =
t
i
i t
y y
1
0
c

Expresin que permite comprobar que aunque el paseo aleatorio simple es un
proceso estacionario en media por definicin:

| | | |
0 0
1
0
y y E y E y E
t
i
i t
= =
(

+ =

=
c






Presenta una varianza no constante, que se ampla con el paso del tiempo
tendiendo a infinito a medida que t tambin lo hace.

| | | | | |
| | | |
2 2 2
2
2
1 3 1 2 1
2
2
2
1
2
1
2
1
0 0
2
.... ..... .....
c
o c c c c c c c c c
c c
t E E
E y y E y E y E y V
t
t
i
i
t
i
i t t t
= + + = + + + + =
=
(

=
(

+ = =

= =


Lo ms interesante del paseo aleatorio, si se observa la ecuacin de su solucin
recursiva, es que se observa claramente como cada uno de los shocks c
t
pasados
que la serie recibi (c
0
, c
1
, ... c
t-1
, c
t
) tiene sobre el valor actual y futuro de la serie
un efecto permanente, que no se diluye, y, por tanto, tendencial,

pero al tiempo, de
naturaleza aleatoria.
El paseo aleatorio con deriva incorpora una constante a
0
a la expresin del
paseo simple:

t t t t
a y a y c c + = A + + =
0 t 1 0
y

La expresin deriva se aplica con mucho criterio ya que el proceso as definido
experimentar una variacin constante definida por el trmino a
0
dado que la
solucin genrica a la anterior ecuacin responde a la expresin:


Despus de t perodos, el valor de y
t
se ve influido por todos los shocks pasados y
presentes a travs del trmino de tendencia estocstica

=
t
i
t
1
c
y , al mismo tiempo,
de forma invariable, tambin permanente, pero adems perfectamente conocida,
por el trmino determinista a
0
t .
A diferencia del proceso aleatorio simple, la deriva incluida en este otro modelo
supone que el proceso no slo no ser estacionario en varianza sino tampoco en
media.

=
+ + =
t
i
i t
t a y y
1
0 0
c
| | | | t a y t a y E t a y E y E
t
i
i t 0 0 0 0
1
0 0
+ = + =
(

+ + =

=
c
| | | | | |
| | | |
2 2 2
2
2
1 3 1 2 1
2
2
2
1
2
1
2
0
1
0 0 0
2
.... .... .....
c
o c c c c c c c c c
c c
t E E
E t a y t a y E y E y E y V
t
t
i
i
t
i
i t t t
= + + = + + + + =
=
(

=
(

+ + = =

= =

Como ya se vio en el tema relativo a la autocorrelacin, la utilizacin de series no
estacionarias incrementa el riesgo de regresiones espurias.
Este fenmeno puede entenderse directamente, sin conocimientos adicionales, si
nos referimos a series con tendencia determinista; tras la explicacin previa,
puede entenderse tambin porqu el problema persiste cuando utilizamos series
con tendencia aleatoria, independientemente de si presentan tendencia
determinista (cambio en la media) o no.

Cmo se comprueba si una serie es estacionaria en varianza? Orden
de integracin
El anlisis grfico no es un instrumento vlido para la deteccin de tendencias
estocsticas.
Este tipo de series no estacionarias en varianza, que pueden considerarse por
tanto series con tendencia, no tienen necesariamente una representacin grfica
con cambios evidentes en la media, ya que hablamos de no estacionariedad en
varianza, no en media:
Ejemplo de representacin de un paseo aleatorio sin deriva
(serie con tendencia aleatoria)


Puede decirse que, en lo que se refiere al anlisis de la estacionariedad en
varianza, el anlisis grfico slo nos servir para identificar series sin
componentes autorregresivos claros, es decir, para identificar series de progresin
aleatoria.
Este tipo de series no autocorrelacionadas cruzan constantemente la media sin
dibujar ningn tipo de oscilacin que ocupe varios perodos.





Ejemplo de serie sin componentes de autocorrelacin

-8,0000
-6,0000
-4,0000
-2,0000
0,0000
2,0000
4,0000
6,0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5



Sin duda alguna, el test ms sencillo y habitualmente utilizado a la hora de
determinar la estacionariedad de una serie temporal es el test de DickeyFuller
(Test DF) o su versin ampliada Dickey-Fuller Ampliado (Test ADF). Se trata de
un contraste de No estacionariedad, es decir, en el que la hiptesis nula es
precisamente la presencia de una raz unitaria
3
en el proceso generador de datos
de la serie analizada.
El test DF trata de verificar si una determinada serie y
t
sigue un paseo aleatorio no
estacionario o alternativamente un proceso autorregresivo estacionario de orden
uno:
H
0
: a
1
=1

1 0 t t t
y a y c + + =

(y
t
No estacionaria en varianza)
H
1
: a
1
<1

1 1 0 t t t
y a a y c + + =

(y
t
Estacionaria en varianza)

Se trata, por tanto, de contrastar si el coeficiente a
1
es igual a la unidad o menor
que uno. Debe observarse que las series no estacionarias conforme a un paseo
aleatorio, presentan una raz (solucin) unitaria en su polinomio de retardos.
Efectivamente, en la expresin anterior, correspondiente a la hiptesis nula, el
polinomio de retardos resulta ser:




-3.0000
-2.0000
-1.0000
0.0000
1.0000
2.0000
3.0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5
( )
( ) L L
L y y y y y
t t t t t t t t
= u
= = + =

1
1
1 1
c c c


Cuya nica raz es, precisamente la unidad:

( ) 1 0 1 0 = = = u L L L

Esta es la razn por la que habitualmente decimos que las series no estacionarias
en varianza son series con races unitarias.
Debe advertirse que, en el caso de procesos autorregresivos de mayor orden, las
series pueden presentar ms de una raz unitaria, lo que se corresponde con la
idea de que sus polinomios de retados (de orden superior a 1) tengan ms de una
nica raz igual a la unidad. Por ejemplo, en el caso de un AR(2), el polinomio de
retardos es:
( )
( )
2
2 1
2
2 1 2 2 1 1 2 2 1 1
1
1
L L L
L L y y y y y y y
t t t t t t t t t t
| |
c | | c | | c | |
= u
= = + + =





De modo que recordando la expresin genrica de las soluciones de un polinomio
de grado 2 tenemos un polinomio de retardos:

( )
2
2 1
1 L L L | | = u

Cuyas races son:
2
2
2
1 1
1
2
2
2
1 1
1
2
4
y
2
4
|
| | |
|
| | |

+
=

+ +
= r r
De donde puede deducirse que si los valores de |1 y |2 suman la unidad, ambas
races del polinomio de retardos seran iguales a la unidad:

( )
1 0 ) 1 (
0 ) 1 ( 4 0 4 4 4 4 4 4
2 4 2 4 1
2
4
1 2 1 2
1 2 2 2 1
2
2 2 2 1
2
1
2
2 2
2
1
2
1 2 2
2
1 1 2 2
2
1
2
2
2
1 1
1
= + = +
= + = + + = +
= + = + =

+ +
=
| | | |
| | | | | | | | | | | | |
| | | | | | | |
|
| | |
r

Para contrastar la nulidad del coeficiente a
1
en el test ADF se realiza primero una
sencilla transformacin del modelo autorregresivo tratando de transformar la
hiptesis nula a
1
=1 en una hiptesis clsica t de nulidad del coeficiente.
As, del modelo:

1 0 t t t
y a y c + + =



Pasamos al transformado:

t t
t t
t t t t t
y a
y a a
y y a a y y
c
c
c
+ + = A
+ + = A
+ + =

1 0 t
1 1 0 t
1 1 1 0 1
y
) 1 ( y


Donde, por tanto, la hiptesis nula inicial H
0
:a
1
=1 se transforma ahora en H
0
: =0
frente a H
1
: <0.
Decir que es nulo es lo mismo que decir que a
1
=1, o sea, que existe una raz
unitaria, decir que es menor que cero equivale a decir que a
1
es menor que la
unidad (proceso autorregresivo estacionario)
4
.

Una vez estimado el modelo previo, podramos suponer que el p-value
correspondiente al contraste t de Student sobre el parmetro servira para
aceptar o rechazar la hiptesis de nulidad; sin embargo, Dickey y Fuller
demostraron que no podemos utilizar el contraste t habitual sobre la ratio
del parmetro MCO entre su desviacin estndar.
La estimacin de a
1
en
t t t
y a y c + =
1 1
ser siempre consistente pero, sin embargo,
su distribucin variar segn los valores que tome la estimacin. Utilizando las
palabras de Novales (1993), la distribucin de probabilidad asinttica del
estimador de MCO del modelo AR(1) presenta una discontinuidad cuando a
1
=1
y, como sustituto, debern utilizarse las distribuciones derivadas de forma
emprica mediante un procedimiento de Montecarlo realizado por Dickey (1976).



Ms recientemente, MacKinnon (1991) realiz un nmero mayor de simulaciones
que las tabuladas por Dickey y Fuller.

Adems, MacKinnon estim la superficie de respuesta usando los resultados de la
simulacin, lo que permite calcular los valores crticos del test DF para cualquier
tamao muestral y cualquier nmero de variables en el lado derecho de la
ecuacin.
En todo caso, el procedimiento de contraste sigue siendo aparentemente sencillo:

1.- Se estima el modelo
t t
y a c + + = A
1 0 t
y
2.- Se calcula la ratio habitual
( )

DT

3.- Se compara el valor calculado con las distribuciones de DF o MacKinnon
para un determinado nivel de confianza.

4.- Si la ratio calculada supera el valor crtico de tablas, se rechaza la
hiptesis de nulidad de , es decir, se rechaza la hiptesis de presencia de
races unitarias (hiptesis de no estacionariedad)

Sin embargo, este procedimiento estndar presenta en este caso algunas
peculiaridades. Quiz la ms importante es que los valores crticos de las
tablas DF o MacKinnon dependen de la presencia en el modelo de trminos
deterministas (trmino constante o tendencia determinista). De ese modo,
antes de proceder a contrastar el valor de debe optarse por una de las
tres especificaciones siguientes (a).- Con tendencia y trmino
independiente.
t t
y t a a c + + + = A
1 1 0 t
y
(b).- Con trmino independiente.
t t
y a c + + = A
1 0 t
y
(c).- Sin trminos deterministas.
t t
y c + = A
1 t
y

Dolado et al. (1990) y Perron (1990) propusieron, entre otros autores, seguir
un proceso en etapas a fin de garantizar el xito en la eleccin del modelo de
referencia en el mayor nmero de ocasiones:

- En primer lugar se estimara el modelo menos restringido (con trmino
constante y tendencia determinista).

- Dado que el principal error de esta tctica inicial consistira en la escasa
potencia del contraste para el rechazo de la hiptesis nula por inclusin
de variables irrelevantes, si los valores crticos indican rechazo
(ausencia de raz unitaria), terminaramos el procedimiento.

- En el caso de no rechazarse la hiptesis nula de presencia de una raz
unitaria, es decir, en el caso en que admitamos la presencia de una raz
unitaria (H
0
: =0) pasaramos ahora a examinar la significatividad del
parmetro tendencial determinista a
1
. Dado que, en este punto,
estaramos bajo la hiptesis ya admitida de que =0, utilizaramos el
valor de referencia de las tablas DF para el trmino tendencial
(denominado generalmente t
|t
)
5
e incluso, para mayor seguridad,
tambin el contraste conjunto denominado |
3
(a
1
==0).

- Si el trmino tendencial resulta significativo (a
1
=0) contrastaremos de
nuevo la presencia de una raz unitaria (H
0
: =0) pero utilizando
entonces las tablas de una normal estandarizada. Sea cual sea el
resultado del test con las nuevas tablas finalizaramos aqu el contraste
admitiendo o rechazando la presencia de una raz unitaria.

- Si el trmino tendencial es no significativo, deber replantearse el
modelo inicialmente estimado pasndose a examinar otro con trmino
constante pero sin esta tendencia determinista. Con este modelo se
vuelve a analizar la presencia de una raz unitaria (=0).

En el caso en que, nuevamente, se sostenga la presencia de una raz unitaria, se
contrastar entonces la adecuacin del trmino independiente a
0
bien con el
contraste t
o
, bien con el contraste conjunto denominado |
1
(a
0
==0)
6
. Si el
trmino independiente resulta significativo usamos de nuevo las tablas de una
normal para contrastar la presencia de la raz unitaria, concluyendo de nuevo aqu
el contraste.


- Slo si entonces la constante a
0
es no significativa se utiliza el modelo ms
simple como modelo de referencia contrastndose, de nuevo, la presencia de
raz unitaria. En este caso, no tiene cabida el uso de la distribucin normal
estandarizada.



En el caso de encontrar una raz unitaria en la serie analizada, cabe preguntarse
qu transformacin requiere la serie para convertirse en una serie
estacionaria en varianza.

Observando el caso de un paseo aleatorio simple utilizado en la hiptesis nula,
parece sencillo intuir que, si la serie original presenta una raz unitaria, la serie en
primeras diferencias ser una transformada estacionaria en varianza:


0 1 0 t t t t t
a y y a y c c + = A + + =



Las series que requieren una transformacin en diferencias (integracin)
para convertirse en series estacionarias en varianza se denominan series
Integradas de Orden 1, y se representan como I(1).

Si de una serie se dice que es I(0) es evidente que no son necesarias diferencias
para lograr la estacionariedad, es decir, que la serie original ya es estacionaria en
varianza.
Puede una serie ser I(2) I(3)?. Es decir, puede una serie tener ms de una
raz unitaria?.
Efectivamente, ya vimos anteriormente que en procesos autorregresivos de orden
superior a uno cabe la posibilidad de que exista ms de una raz unitaria.
As pues, una vez detectada la primera raz de una serie, debe repetirse de nuevo
el test DF sobre la serie diferenciada una vez, con el fin de localizar una segunda
raz.
En el caso de que el test DF detectase esa segunda raz, la serie sera entonces
I(2), es decir, necesitara ser diferenciada 2 veces para convertirse en estacionaria
en varianza:

( ) ) 0 ( ) 1 ( ) 2 (
) 0 ( ) 1 (
2
I y y I y I y
I y I y
t t t t
t t
A = A A A
A

Efectivamente, cuando una serie que sigue un proceso AR(2), por ejemplo:


2 2 1 1 t t t t
y y y c | | + + =



Presenta dos races unitarias, su polinomio de retardos puede descomponerse
factorialmente en:

( ) ( ) ( )( ) L L L L L L = u = u 1 1 1
2
2 1
| |

De modo que la serie original Y
t:


2 2 1 1 t t t t
y y y c | | + + =



Puede representarse como una serie estacionaria mediante la expresin:

( )
t t
a L Y c + = u
0


o lo que es igual,

( ) ( )( )
t t t y t t
a y a L L y a L y c c c + = A + = + = u
0
2
0 0
1 1
La presencia de ms de una raz unitaria en una serie exige que el proceso
generador de datos sea de orden superior a uno dado que de otra forma el
polinomio de retardos slo puede tener una nica raz; sin embargo, el test DF
slo contempla la posibilidad de una modelo AR(1) frente aun paseo aleatorio (de
orden 1).
Para dar cabida a modelos de orden superior (tanto en la hiptesis nula como en
la alternativa), se propone una versin extendida del test DF que se conoce como
test ADF.
Para ilustrar el modelo de contraste del test ADF, supongamos un modelo AR(2)
como base del proceso autorregresivo del que se desea analizar la
estacionariedad:


2 2 1 1 t t t t
y a y a y c + + =



En este caso, vimos anteriormente como la presencia de races unitarias se
corresponda con la situacin en la que:

1
1 2
= + a a

De modo que lo que debemos ahora contrastar con el test DF no es ya el valor de
uno de los dos coeficientes sino el de la suma de ambos.
Es decir, en este caso, las hiptesis nula y alternativa se definen del siguiente
modo:

H
0
: a
1
+ a
2
=1

2 2 1 1 0 t t t t
y a y a a y c + + + =

(y
t
No Estacionaria en varianza)

H
0
: a
1
+ a
2
<1

2 2 1 1 0 t t t t
y a y a a y c + + + =

(y
t
Estacionaria en varianza)
Una vez ms, para adaptar el test a una hiptesis clsica de nulidad de un
coeficiente, se propone la expresin:

=
+
+ A + + = A
p
i
t i t i t t
y y a y
2
1 1 0
c |

Donde nuevamente, la hiptesis nula a contrastar es H
0
: =0 frente a H
1
: <0 dado
que no resulta complejo demostrar que el coeficiente es:

|
|
.
|

\
|
=

=
p
i
i
a
1
1
siendo:

=
=
p
j
j i
a
1
|

As pues, como puede observarse, la presencia de ms de una raz unitaria en
una serie exigir aadir a la regresin del test simple DF trminos retardados de la
endgena
1 +
A
i t
y
lo que, por otro lado, servir para corregir la regresin de
contraste de posibles problemas de autocorrelacin.


http://martinmedina-pascal.blogspot.mx/p/notacion-y-conceptos-
fundamentales.html