INTRODUCCION

El ingreso público, es toda cantidad de dinero percibida por el Estado y demás entes públicos, cuyo objetivo esencial es financiar los gastos públicos.

Las notas características del ingreso público son:

  1. El ingreso público es siempre una suma de dinero. No obstante, en algunas ocasiones el ingreso público que inicialmente se cuantifica en una cantidad de dinero, se hace efectivo en especie; como por ejemplo en aquellos casos en que la deuda tributaria se extinguen con la entrega de bienes del patrimonio histórico.

  2. Percibida por un Ente público.

  3. Tiene como objetivo esencial financiar el gasto público

fuente: "("http://www.inegi.org.mx/sistemas/bie/?idserPadre=11400090)"

Ejercicio 1. Introduccion

  1. Elegir una serie de tiempo y describir sus caracteristicas de frecuencia y unidad de medida, asimismo citar la fuente de informacio´n.
base<-read.csv(file.choose())

2.- Grafica la serie de tiempo

  1. Analizar si la serie elegida presenta estacionalidad.

Si tiene estacionalidad o variación estacionallas serie temporal ya que la variación periódica y predecible de la misma con un periodo inferior o igual a un año.

Ejercicio 2. Descomposicio´n de series de tiempo

  1. Usando la serie elegida previamente, presentar en un mismo panel MA(3), MA(5), MA(7) y MA(9) (usar la funcio´n ma() del paquete forecast).

Muestran el movimiento de los gráficos de manera suavizada. Cuanto más corta (es decir, menor número de sesiones se utilizan para calcularla) es la media, más pegada va a las cotizaciones. Y cuanto más larga, más alejada estará del ingreso

  1. Realizar una descomposicio´n cla´sica (aditiva o multiplicativa). Interpretar.

La tendencia refleja patrones anteriores de comportamiento para desarrollarmodelos de tendencia útiles en la proyección y pronóstico.. Al analizar factor Estacional podemos determinar que la variacion de ingreso del sector publico contiene estacionalidad

  1. En un mismo gra´fico presentar:
  1. Si existe evidencia de estacionalidad generar gra´fico de serie original y serie desesta- cionalizada, o
  2. Si no existe evidencia de estacionalidad generar gra´fico de serie original y componente tendencia-ciclo.

Ejercicio 4. Tendencias 1. De acuerdo con las caracter´isticas de la serie elegida en los ejercicios 1 y 2, se pide presentar una propuesta de modelo de tendencia con el mejor ajuste. Espec´ificamente se solicita: a) Presentar la estimacio´n del modelo de regresio´n en funcio´n del tiempo, el tiempo al cuadrado y/o medias estacionales.

La estacionalidad es la repetición de determinadas variaciones en alguna variable cada cierto período, normalmente igual o menor a un año. En períodos más amplios se suele hablar de ciclos, aunque las variaciones cíclicas no son tan frecuentes como las estacionales.

Este modelo presenta muchas variaciones de esacionalidad como se muestra en la grafica en todos los años.

  1. Interpretar los coeficientes estimados, significancia estad´istica y R cuadrada.
summary(reg1)

Call:
lm(formula = periodo ~ mes. + time(periodo) + I(time(periodo)^2))

Residuals:
     Min       1Q   Median       3Q      Max 
-218.359 -103.169    2.358   96.701  209.165 

Coefficients:
                     Estimate Std. Error t value Pr(>|t|)
(Intercept)         1.408e+05  2.854e+05   0.493    0.622
mes.February        7.607e+00  2.831e+01   0.269    0.788
mes.March           2.206e+01  2.831e+01   0.779    0.436
mes.April           1.330e+01  2.831e+01   0.470    0.639
mes.May             1.767e+01  2.831e+01   0.624    0.533
mes.June            4.302e+00  2.831e+01   0.152    0.879
mes.July            2.885e+01  2.831e+01   1.019    0.309
mes.August          4.571e+00  2.831e+01   0.161    0.872
mes.September       1.811e+01  2.831e+01   0.640    0.523
mes.October        -7.677e+00  2.831e+01  -0.271    0.786
mes.November        1.283e+01  2.831e+01   0.453    0.651
mes.December        2.680e+01  2.831e+01   0.947    0.344
time(periodo)      -1.390e+02  2.851e+02  -0.488    0.626
I(time(periodo)^2)  3.435e-02  7.119e-02   0.483    0.630

Residual standard error: 115 on 382 degrees of freedom
Multiple R-squared:  0.02335,   Adjusted R-squared:  -0.009888 
F-statistic: 0.7025 on 13 and 382 DF,  p-value: 0.7612

De acuerdo y con respecto al mes de enero, se muestra una tasa de ingreso mayor en el mes de junio y agosto

  1. Presentar y analizar gra´fico de los residuos: gra´fica en el tiempo, gra´fico cuantil-cuantil, histograma y funcio´n de autocorrelacio´n (correlograma).

  1. Evaluar la normalidad de los residuos ocupando la prueba Shapiro-Wilk.
shapiro.test(rstandard(reg1))

    Shapiro-Wilk normality test

data:  rstandard(reg1)
W = 0.9616, p-value = 1.155e-08
  1. Escribir la ecuacio´n del modelo de regresio´n final y las conclusiones del ana´lisis

\[ Ingreso=\beta_0+\beta_1periodo+\beta_2perido^2+u \] Los ingresos públicos son los recursos que capta el sector público para realizar sus actividades.Podemos ver que mediante el modelaje que hicimos el ingreso del estado es muy inestable desde 1886.

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