INTERVALOS DE PREDICCIÓN SIEVE BOOTSTRAP PARA SERIES DE TIEMPO CONTAMINADAS

Abstract

La construccion de intervalos de prediccion en series de tiempo es un problema de interes en diversas areas tales como medicina, economa, control o ingeniera en general. Las tecnicas bootstrap aplicadas a series de tiempo para la obtencion de intervalos de prediccion han obtenido desempe~nos comparables a las tecnicas clasicas donde la distribucion de las innovaciones se asume conocida, no obstante, al igual que con las tecnicas clasicas estos intervalos se ven adversamente afectados por la presencia de datos atpicos u outliers en la serie de tiempo, de este modo produciendose una in acion no deseada en el largo de los intervalos de prediccion obtenidos. En este trabajo de tesis se estudia como mitigar el impacto de los datos atpicos innovativos en la obtencion de intervalos de prediccion sieve bootstrap en series de tiempo lineales y no lineales (GARCH). Los resultados bajo simulacion de los algoritmos computacionales propuestos son comparables y superiores a los algoritmos actuales respecto a la medida combinada CQM, la cual relaciona el largo y cobertura tanto emprica como teorica de los intervalos de prediccion simulados. Tambien la aplicacion de este algoritmo en series de tiempo reales muestra resultados comparables a los algoritmos actuales