Análisis de series temporales : modelos ARIMA

Este documento es de utilidad como material docente a cualquier estudiante o persona interesada que quiera introducirse en el estudio del análisis de series temporales. Puede ser utilizado como libro de texto en algunas de las asignaturas que se imparten en la licenciatura en Economía y en la licenciatura en Administración de Empresas. Los modelos de series temporales ARIMA constituyen el núcleo del contenido de este documento. Estos modelos se basan en la teoría de los procesos estocásticos que se desarrolla en el capítulo 2. Los modelos ARMA estacionarios se explican con detalle en el capítulo 3 y los modelos ARIMA no estacionarios en el capítulo 4. La metodología de modelización ARIMA con las fases de identificación, estimación y contraste de diagnósticos se explica detalladamente en el capítulo 5 y el capítulo 6 se dedica a la predicción. El capítulo 7 trata sobre la especificación de los modelos de series temporales adecuados a los datos estacionales. Por último, el capítulo 8 reúne una colección de ejercicios para el trabajo propio del lector.

Técnicas de predicción económica

Este documento es de utilidad como material docente a cualquier estudiante o persona interesada que quiera introducirse en el estudio de la predicción económica. De hecho, está pensado para su utilización, todo o en parte, en los cursos de predicción que se imparten en la licenciatura en Economía y en la licenciatura en Administración de Empresas.El contenido se centra en las técnicas de predicción cuantitativas de análisis de series temporales univariante. En el capítulo 1 se introduce la necesidad de la predicción y se describen las principales técnicas y sus limitaciones. El capítulo 2 define la noción de modelos de componentes no observados, objetivo central de este libro. Estos modelos se desarrollan con más detalle en el capítulo 3 que analiza las series con tendencia, en el capítulo 4 que trata de las series con estacionalidad y en el capítulo 5 que estudia los Modelos Estructurales de series temporales que son modelos basados en la idea de los componentes no observados pero especificados de forma estocástica. Por último, en el capítulo 6 se presenta de forma sucinta la teoría de la predicción con modelos ARIMA y el capítulo 7 ofrece al lector una colección de ejercicios como apoyo para trabajar los distintos temas planteados.

Analysis of multivariate stochastic signals sampled by on-line particle analyzers: Application to the quantitative assessment of occupational exposure to NOAA in multisource industrial scenarios (MSIS)

In multisource industrial scenarios (MSIS) coexist NOAA generating activities with other productive sources of airborne particles, such as parallel processes of manufacturing or electrical and diesel machinery. A distinctive characteristic of MSIS is the spatially complex distribution of aerosol sources, as well as their potential differences in dynamics, due to the feasibility of multi-task configuration at a given time. Thus, the background signal is expected to challenge the aerosol analyzers at a probably wide range of concentrations and size distributions, depending of the multisource configuration at a given time. Monitoring and prediction by using statistical analysis of time series captured by on-line particle analyzers in industrial scenarios, have been proven to be feasible in predicting PNC evolution provided a given quality of net signals (difference between signal at source and background). However the analysis and modelling of non-consistent time series, influenced by low levels of SNR (Signal-Noise Ratio) could build a misleading basis for decision making. In this context, this work explores the use of stochastic models based on ARIMA methodology to monitor and predict exposure values (PNC). The study was carried out in a MSIS where an case study focused on the manufacture of perforated tablets of nano-TiO2 by cold pressing was performed