Mostrar el registro sencillo del ítem

Modelación de series temporales en el sector productivo del norte de santander

dc.contributor.authorGALLARDO PÉREZ, HENRY DE JESÚS
dc.contributor.authorRojas Suárez, Jhan Piero
dc.contributor.authorGallardo Pérez, Oscar Alberto
dc.date.accessioned2021-11-11T19:15:13Z
dc.date.available2021-11-11T19:15:13Z
dc.date.issued2019-10
dc.identifier.isbn9789588489889
dc.identifier.urihttp://repositorio.ufps.edu.co/handle/ufps/897
dc.description.tableofcontentsPrólogo Introducción Capítulo 1. Series temporales 1.1. Definición 1.2. Métodos para modelar series temporales 1.3. Método estructural para el análisis de series temporales. 1.3.1. Tendencia a largo plazo 1.3.2. Efecto ciclo 1.3.3. Efecto estacional 1.3.4. Variación irregular 1.3.5. Construcción del modelo 1.4. Método de Box y Jenkins para el análisis de series temporales 1.4.1. Procesos estocásticos 1.4.2. Procesos estacionarios 1.4.3. Modelo ARIMA 1.4.3.1. Modelo autorregresivo 1.4.3.2. Procesos de promedio móvil 1.4.3.3. Procesos ARIMA (p,d,q) 1.4.3.4. Comportamiento típico de la FAC y la FACP 1.4.3.5. Procesos no estacionarios 1.4.3.6. Procesos estacionales 1.4.3.7. Datos faltantes 1.4.4. Construcción de modelos para series univariadas 1.5. Estructura fractal de series temporales 1.5.1. Movimiento browniano 1.5.2. Distribuciones de probabilidad 1.5.2.1. Distribuciones estables 1.5.2.2. Distribuciones fractales 1.5.2.3. Movimiento browniano fraccional 1.5.3. Análisis R/S (rango estandarizado o reescalado) 1.5.3.1. Índice de escala temporal 1.5.3.2. Rango 1.5.3.3. Rango estandarizado 1.5.4. El exponente Hurst 1.5.5. Ciclos no periódicos y V-análisis 1.5.5.1. Ciclos no periódicos 1.5.5.2. La estadística V Capítulo 2. Simulación de series temporales 2.1. Proceso de ruido blanco gaussiano 2.2. Proceso caótico 2.3. Proceso AR(1) 2.4. Proceso MA(2) Capítulo 3. Análisis de series temporales 3.1. Índice de Precios al Consumidor (IPC) - Cúcuta 3.1.1. Ajuste de un modelo estructural 3.1.2. Ajuste de un modelo ARIMA 3.1.3. Estructura fractal 3.2. Índice de Precios al Consumidor (IPC) – Colombia 3.2.1. Ajuste de un modelo estructural 3.2.2. Ajuste de un modelo ARIMA 3.2.3. Estructura fractal 3.3. Consumo residencial de energía eléctrica en Cúcut 3.3.1. Ajuste de un modelo estructural 3.3.2. Ajuste de un modelo ARIMA 3.3.3. Estructura fractal 3.4. Consumo residencial de energía eléctrica en Norte de Santander 3.4.1. Ajuste de un modelo estructural 3.4.2. Ajuste de un modelo ARIMA 3.4.3. Estructura fractal 3.5. Sacrificio de ganado vacuno en Norte de Santander 3.5.1. Ajuste de un modelo estructural 3.5.2. Ajuste de un modelo ARIMA 3.5.3. Estructura fractal 3.6. Índice de Costos de Construcción de Vivienda (ICCV) en Cúcuta 3.6.1. Ajuste de un modelo estructural 3.6.2. Ajuste de un modelo ARIMA 3.6.3. Estructura fractal 3.7. Movimiento del parque urbano automotor de pasajeros en Cúcuta 3.7.1. Ajuste de un modelo estructural 3.7.2. Ajuste de un modelo ARIMA 3.7.3. Estructura fractal Conclusiones Bibliografíaspa
dc.format.extent120 Páginasspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherBogotá: Ecoe Ediciones Limitadaspa
dc.relation.ispartof
dc.titleModelación de series temporales en el sector productivo del norte de santanderspa
dc.typeLibrospa
dcterms.referencesAlonso, A. (s.f.). Introducción al análisis de series temporales. Madrid: Universidad Carlos III de Madrid.spa
dcterms.referencesBarnsley, M. (1988). Fractals Everywhere. New York: Academic Press.spa
dcterms.referencesBANREP. (2019). Índice de Precios al Consumidor. Bogotáspa
dcterms.referencesBox, G. y Jenkins, G. (1969). Time Series Analysis, Forecasting and Control. San Francisco: Holden Day.spa
dcterms.referencesBurgos, T. y Pérez, E. (1999). Estimation of the Fractal Dimension of a Rainfall Time Series over a Zone Relevant to the Agriculture in Havana. SOMETCUBA Bulletin. 5(1).spa
dcterms.referencesDepartamento Administrativo Nacional de Estadística (DANE). (2017). Ficha metodológica. Índice de costos de construcción de vivienda. Bogotá.spa
dcterms.referencesDANE. (2019a). Boletín técnico. Encuesta de sacrificio de ganado. Bogotá.spa
dcterms.referencesDANE. (2019b). Boletín técnico. Índice de precios al consumidor. Bogotá.spa
dcterms.referencesDANE. (2019c). Boletín técnico. Movimiento del parque urbano automotor de pasajeros. Bogotá.spa
dcterms.referencesFernández, S. (s.f.). Series temporales. Madrid: Universidad Carlos III de Madrid.spa
dcterms.referencesGallardo, H. y Nieto, F. (1996). Cálculo del número mínimo de datos necesarios para estimar el vector de observaciones faltantes en una serie temporal generada por un modelo AR (p). Revista Colombiana de Estadística. 33-34:57-76.spa
dcterms.referencesGao, J., Cao, Y., Tung, W. y Hu, J. (2007). Multiscale Analysis of Complex Time Series: Integration of Chaos and Random Fractal Theory, and Beyond. New Jersey: John Wiley & Sons.spa
dcterms.referencesGras, J. (2001). Diseño de series temporales: técnicas de análisis. Barcelona: EUB.spa
dcterms.referencesGuerrero, V. (2003). Análisis estadístico de series de tiempo económicas. México: Universidad Autónoma Metropolitana.spa
dcterms.referencesGonzález, V. y Guerrero, C. (2001). Fractales: fundamentos y aplicaciones, parte I: concepción geométrica en la ciencia e ingeniería. Ingenierías, 4(10), 53-59.spa
dcterms.referencesMandelbrot, B. (1985). The Fractal Geometry of Nature. New York: W. H. Freeman.spa
dcterms.referencesMandelbrot, B. (1993). Los objetos fractales: forma, azar, dimensión. (3ª ed.). Barcelona: Tusquets Editores S.A.spa
dcterms.referencesNova, A. (2013). Procesamiento de series de tiempo. México: Fondo de Cultura Económica.spa
dcterms.referencesPeña, D. (1990). Estadística modelos y métodos: 2. Modelos lineales y series temporales. Barcelona: Alianza Editorial.spa
dcterms.referencesPeña, D. (2010). Análisis de series temporales. Barcelona: Alianza Editorial.spa
dcterms.referencesPeña, D. y Maravall, A. (1991). Interpolation, Outliers and Inverse Auto-Correlations. Communication in Statistics - Theory Meth, 20(10),3175-3186.spa
dcterms.referencesNieto, F. y Martínez, J. (1994). A Recursive Approach for Estimating Missing Observations in a Time Series when the ARIMA Model for of Process Known. Communication in Statistics - Theory and Methods, 25(9),2101-2116.spa
dcterms.referencesQuintero, O. y Ruiz, J. (2011). Estimación del exponente de Hurst y la dimensión fractal de una superficie topográfica a través de la extracción de perfiles. Geomática UD.GEO (5), 84-91.spa
dcterms.referencesUnidad de Planeación Minero-Energética (UPME). (2019). Boletín estadístico de minas y energía. Bogotá: Minminas.spa
dcterms.referencesUPME. (2019). Sistema de información minero energético colombiano. Bogotá: SIMEC.spa
dc.description.edition1th edspa
dc.publisher.editorCúcuta: Universidad Francisco de Paula Santanderspa
dc.publisher.placeBogotá,Colombiaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembEconometríaspa
dc.subject.lembCasos - Norte de Santanderspa
dc.subject.lembAspectos económicosspa
dc.subject.lembModelos econométricosspa
dc.type.coarhttp://purl.org/coar/resource_type/c_2f33spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bookspa
dc.type.redcolhttps://purl.org/redcol/resource_type/LIBspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa


Ficheros en el ítem

Thumbnail
Nombre:
2.Modelación de series temporales ...
Tamaño:
5.214Mb
Formato:
application/pdf
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem