CODIGO R - ARIMA

En este apartado, se muestra la base de datos del gasto de agua mínimo anual instantáneo en
metros cúbicos por segundo que se usó para llevar a cabo la aplicación de la teoría de series de
tiempo, la cual fue extraída del Boletín Hidrométrico de la Comisión Federal de Electricidad (CFE,
2005).
La base de datos cuenta con 49 registros hidrométricos que van del periodo 1957 a 2005, también
se indica la fecha en la que fueron tomados cada uno de los registros.

1. Como primer paso se grafica la serie simple de la variable en estudio, para así poder apreciar
las características más relevantes de la variable en consideración, tales como tendencia, variación,
estacionalidad y ciclos en los datos. Se descarta la estacionalidad debido a que en esta variable se
tratan datos anuales.
Se observa en el correlograma que, las primeras auto correlaciones caen lentamente a cero en
forma de onda, lo cual significa que la serie no es estacionaria, al menos en lo que se refiere al
nivel.

Con el fin de cancelar cualquier tendencia en los datos del gasto de agua se prosigue a aplicar
primera diferencia a la serie. La gráfica de la serie así como su correspondiente función de
autocorrelación muestral. Asimismo, en la Figura 4.5 b) se observa que las autocorrelaciones
tienden a desaparecer rápidamente, sin presentar un patrón específico, lo que se toma como
indicador de estacionalidad en la serie.

Se muestra la serie resultante después de aplicar la primera diferencia

Al inspeccionar la FAC muestral, se aprecia que la primera autocorrelacion es sensiblemente

grande en comparación con las otras autocorrelaciones, entonces es razonable postular un valor
de q = 1 para un modelo ARIMA; mientras que en la FACP muestral se observa que no hay un corte
notorio en las autocorrelaciones parciales para un cierto retraso p, sino que la caída de la FACP es
un poco suave, así pues, es razonable proponer al 1 y 2 como posibles valores para representar al
parámetro p.

MODELO ARIMA111
Call:
 arima(x = dga, order = c(1, 1, 1))

Coefficients:
ar1 ma1
-0.4339 -1.0000
s.e. 0.1372 0.0617

sigma^2 estimated as 0.3512: log likelihood = -43.59, aic = 93.18

MODELO ARIMA211
> (modelo.pbn.ARIMA211<-arima(dga,order=c(2,1,1)))

Call:
arima(x = dga, order = c(2, 1, 1))

Coefficients:
ar1 ar2 ma1
-0.5607 -0.3135 -1.0000
s.e. 0.1428 0.1460 0.0719

sigma^2 estimated as 0.3149: log likelihood = -41.44, aic = 90.88

Analisis de los residuos – MODELO ARIMA211

La gráfica indica que las autocorrelaciones son las correspondientes a un proceso de ruido blanco,
esto debido a que cada una de las autocorrelaciones se encuentra dentro de la banda de confianza,
es decir, no difieren significativamente de cero.
Los residuos presentan media significativamente cero, y la varianza no parece seguir algún patrón
de crecimiento o de decrecimiento.