PRODUCCION DE ORO

Series de Tiempo

produccion de ORO

[GRAFICA de produccion de ORO]

[GRAFICA DE ESTACIONALIDAD DE produccion de ORO]—

Periodicidad: mensual Unidad de medida: Fuente INEGI:

(GRAFICA DE PRODUCCION DE ORO)

-Pimera parte. -segunda parte.

Esta grafica nos muestra los datos obtenidos del periodo 1986-2018

se presenta una tendencia positiva, muestra el incremento de la producción de oro de de los años 1986 a 2018

(GRAFICA DE ESTACIONALIDAD DE produccion de ORO)

como se aprecia en la gráfica, hay signos de estacionalidad, ya que se repite el nivel de prodcción de oro en cada periodo de tiempo.

segunda parte.

Descomposicion de una serie

Graficas por componentes de la serie

descomposicion de la produccion del cobre en sus componentes: -Tedencia -ciclico -Estacionalidad -Irregular

Medias Moviles con panel MA(3), MA(5), MA(7) y MA(9)

grid.arrange(p1,p2,p3,p4)

Error: Invalid input: date_trans works with objects of class Date only

en la descomposicion clasica se asume que el componente estacional es constante de año a año. se puede decir; que la serie tiene estacionalidad pues se marca mayor tendencia en principio de cada año. es conocida, es decir se sabe cuando se dara mayor incremento en la produccion de oro.

autoplot (PDC,series="ORO")+autolayer(seasadj(fit) series="seasonally adj.ORO") +xlab("year")+ylab("new orders index")+ggtitle("produccion de ORO")

Error: unexpected symbol in "autoplot (PDC,series="ORO")+autolayer(seasadj(fit) series"

tercera parte #tendencias

una tendencia se presenta un incremento o decremento a largo plazo en los datos. en este caso se puede observar como la serie tiene un tendencia estacional.

summary(modelo1)

Call:
lm(formula = PDC ~ time(PDC))

Residuals:
    Min      1Q  Median      3Q     Max 
-3038.6 -1464.1    57.6  1297.5  5033.7 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept) -682443.21   17919.79  -38.08   <2e-16 ***
time(PDC)       342.79       8.95   38.30   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1658 on 388 degrees of freedom
Multiple R-squared:  0.7908,    Adjusted R-squared:  0.7903 
F-statistic:  1467 on 1 and 388 DF,  p-value: < 2.2e-16

El componente estocastico esta normalmente distribuido.

autoplot(PDC)+geom_smooth(method="lm",se=FALSE)

Error: stat_smooth requires the following missing aesthetics: y

summary(modelo1)

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

Residuals:
    Min      1Q  Median      3Q     Max 
-2481.7  -700.5    24.5   637.6  3483.9 

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)    
(Intercept)     7.013e+07  2.345e+06  29.902   <2e-16 ***
mes.February   -2.107e+01  2.238e+02  -0.094    0.925    
mes.March       1.936e+02  2.238e+02   0.865    0.388    
mes.April       1.482e+02  2.238e+02   0.662    0.508    
mes.May         2.261e+02  2.238e+02   1.010    0.313    
mes.June        1.486e+02  2.238e+02   0.664    0.507    
mes.July        5.606e+01  2.256e+02   0.249    0.804    
mes.August      1.036e+02  2.256e+02   0.459    0.646    
mes.September   1.106e+02  2.256e+02   0.490    0.624    
mes.October     1.553e+02  2.256e+02   0.689    0.491    
mes.November    1.644e+02  2.256e+02   0.729    0.467    
mes.December    2.096e+02  2.256e+02   0.929    0.353    
time(PDC)      -7.039e+04  2.343e+03 -30.047   <2e-16 ***
I(time(PDC)^2)  1.766e+01  5.850e-01  30.194   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 909.1 on 376 degrees of freedom
Multiple R-squared:  0.9391,    Adjusted R-squared:  0.937 
F-statistic: 445.9 on 13 and 376 DF,  p-value: < 2.2e-16

shapiro.test(rstandard(modelo1))

    Shapiro-Wilk normality test

data:  rstandard(modelo1)
W = 0.98889, p-value = 0.004612

*Gráfico Q-Q El gráfico presenta los cuantiles de los datos reales versus los cuantiles de una distribución normal teórica.

*prueba de SHAPIRO la prueba de Shapiro-Wilk se usa para contrastar la normalidad de un conjunto de datos. Se plantea como hipótesis nula que una muestra x1, …, xn proviene de una población normalmente distribuida.

La hipótesis nula se rechaza si W es demasiado pequeño, el valor de W puede oscilar entre 0 y 1

en este caso, se hacepta la hipotesis nula, siendo W mayor a 0 pero menor que 1

Shapiro-Wilk normaly test

data: rstandard(modelo1)

W = 0.98889, p-value = 0.004612

*rstandar no existen errores estandar

*ECUACIÓN DE REGRESION FINAL

\[ producción de oro= B_O+B_1t+B_2t+U \]