MAESTRÍA EN CONTABILIDAD

MENCIÓN:TRIBUTACIÓN

ESTADÍSTICA

SERIES TEMPORALES

Dra. Katia García Alfaro

 Introducción
• Una serie temporal es un conjunto de observaciones ordenadas en el
tiempo, que pueden representar la evolución de una variable
(económica, física, etc.) a lo largo de él.
El objetivo del análisis de una serie temporal es el conocimiento de su
patrón de comportamiento, para así prever su evolución futura,
suponiendo que las condiciones no variarán.
Dado que no se trata de fenómenos deterministas, sino sujetos a una
aleatoriedad, el estudio del comportamiento pasado ayuda a inferir la
estructura que permita predecir su comportamiento futuro, pero es
necesaria una gran cautela en la previsión debido a la inestabilidad del
modelo.
Cuando se estudia una serie temporal, lo primero que se tiene que hacer
es dibujarla y considerar las medidas descriptivas básicas.
OBJETIVOS
• Entender la estructura de la información en una serie temporal.
• Comprender qué está sucediendo con los datos (patrón de
comportamiento).
• Predecir valores futuros.
DEFINICIÓN:
Llamamos Serie de Tiempo a un conjunto de
mediciones de cierto fenómeno o experimento
registradas secuencialmente en el tiempo. Estas
observaciones serán denotadas por
{Y(t1), Y(t2), ..., Y(tn)} = {Y(t) : t T R}
con Y(ti) el valor de la variable Y en el instante ti.
Si T = Z : es serie de tiempo discreto
Si T = R : es serie de tiempo continuo.
Cuando ti+1 - ti = k para todo i = 1,...,n-1, se dice que la
serie es equiespaciada, en caso contrario será no
equiespaciada.
A menudo, se representa la serie en un gráfico temporal,
con el valor de la serie en el eje de ordenadas y los
tiempos en el eje de abscisas.
 Series De Tiempo Ejemplos
Innumerables
- Precios de un artículo
aplicaciones en
1. Series económicas: - Tasas de desempleo
distintas áreas - Tasa de inflación
del - Índice de precios, etc.
conocimiento: - Meteorología
• economía, - Cantidad de agua caída
2. Series Físicas: - Temperatura máxima diaria
• física, geofísica, - Velocidad del viento (energía
• química, eólica)
- Energía solar, etc.
• electricidad, - Series sismologías
3. Geofísica
• demografía,
- Tasas de crecimiento de la
• marketing, población
4. Series demográficas:
• Telecomunica- - Tasa de natalidad, mortalidad
ciones, - Resultados de censos
poblacionales
transporte, etc.
5. Series de marketin - Series de demanda, gastos,
ofertas
6. Series de - Análisis de señales
telecomunicación:
7. Series de transporte: - Series de tráfico
 Clasificación de series temporales
• Estacionaria.- Una serie es estacionaria si la media y
la variabilidad se mantienen constantes a lo largo del
tiempo.
• No estacionarias.- Una serie es no estacionaria si la
media y/o la variabilidad cambian a lo largo del tiempo.
Las series no estacionarias pueden mostrar cambios
de varianza, también, pueden mostrar una tendencia,
es decir que la media crece o baja a lo largo del tiempo.
Además, pueden presentar efectos estacionales, es
decir que el comportamiento de la serie es parecido en
ciertos tiempos periódicos en el tiempo
Ventajas de una Serie Estacionaria
• Con series estacionarias podemos obtener predicciones
fácilmente.
• Como la media es constante, podemos estimarla con
todos los datos, y utilizar este valor para predecir una
nueva observación.
• También se pueden obtener intervalos de predicción
(confianza) para las predicciones asumiendo que Yt
sigue una distribución conocida, por ejemplo, normal.
 Componentes de una serie temporal
Una serie temporal Yt está compuesta por los siguientes
componentes básicos:
• TENDENCIA: Tt Movimientos de larga duración que se
mantienen durante todo el periodo de observación.
• ESTACIONALIDAD: Et Movimiento que se produce,
dentro de un periodo anual, por motivos no
estrictamente económicos (climáticos, sociales, etc.).
Muchas series temporales presentan variación de cierto
periodo (anual, mensual ...).
• IRREGULARIDAD: It Movimientos erráticos generados
por causas ajenas al fenómeno económico y no
repetidos en el tiempo
• Es necesario aislar de alguna manera la componente
aleatoria y estudiar qué modelo probabilístico es el más
adecuado. Este aislamiento de la componente aleatoria
se suele abordar de dos maneras.
1. Enfoque descriptivo: Se estima Tt y St y se obtiene It
como It = Yt − Tt − St
2. Enfoque de Box-Jenkins: Se elimina de Yt la
tendencia y la parte estacional (mediante
transformaciones o filtros) y queda sólo la parte
probabilística. A esta última parte se le ajustan
modelos paramétricos.
 Análisis de una serie temporal
• La mejor forma de comenzar a analizar los
datos de una serie temporal es
representar las observaciones vs. el
tiempo a fin de detectar tendencias,
patrones estacionarios, y outliers.
 Enfoque Descriptivo
Análisis de la tendencia:
• El análisis de la tendencia es un método que consiste
en ajustar un modelo de tendencia general a una serie
temporal con el fin de realizar predicciones.
• La tendencia es un movimiento que puede ser
estacionario o ascendente, y su recorrido, una línea
recta o una curva.
• Los datos deben estar todos en la misma columna.
Minitab permite elegir entre cuatro modelos diferentes:
lineal, cuadrático, exponencial, y curva en forma de S.
En el caso de elegir este último, es necesario eliminar
de la columna todas las casillas que no contengan datos
válidos.
Análisis de la tendencia
• Hay varios métodos para estimar T(t). Los más
utilizados consisten en:
1) Ajustar una función del tiempo, como un polinomio,
una exponencial u otra función suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.
 Medidas para estimar la bondad del ajuste:
1. MAPE: El error porcentual absoluto medio mide la
exactitud de los valores ajustados de las series de
tiempo. MAPE expresa la exactitud como un
porcentaje. (Yt Yˆt ) / Yt
MAPE 100 (Yt 0)
n
2. MAD: Desviación media absoluta, mide la exactitud de
los valores estimados de la serie de tiempo. Expresa la
exactitud en las mismas unidades de los datos.
Yt Yˆt
MAD
n
3. MSD: Desviación cuadrática media, es más sensible a
errores anormales de pronóstico que el MAD.
2
Yt Yˆt
MSD
n
Descomposición de series:
El método de descomposición permite, dada una serie
temporal, separarla en sus respectivos componentes:
por un lado proporcionará la tendencia lineal y, por otro,
su estacionalidad.
Se usa el método de descomposición cuando:
(a) se realizan predicciones y la serie tiene un
componente estacional, o
(b) se quiere examinar la naturaleza de los componentes
de la serie.
Descomposición de series:
Esquemas alternativos de descomposición de una serie
temporal:
• ADITIVO: Yt Tt St I t
• MULTIPLICATIVO: Yt = Tt ´ St + I t
• MIXTO: Yt = Tt ´ (1+ St ) + I t
• Generalmente, se realiza la descomposición en un solo paso a
partir de las observaciones colocadas en una única columna.
• Cuando las observaciones muestren una tendencia no lineal, es
conveniente realizar una descomposición de los residuos del
modelo de tendencia previamente calculado. Esta alternativa suele
mejorar el ajuste del modelo al combinar la información del análisis
de tendencia con la información de la descomposición.
Medias móviles
• El método de las medias móviles es un método dinámico
que consiste en promediar observaciones consecutivas
de una serie para “suavizar” el patrón que siguen los
datos y realizar predicciones a corto plazo.
• Para calcular la media móvil se promedian grupos de
observaciones consecutivas.
Ejemplo
Empleados de una empresa
Durante 60 meses, se ha ido registrando el número de
empleados de una gran empresa (fichero Empleados.mtw).
Se desea hacer una predicción, sobre la evolución de este
indicador, en los próximos 12 meses.
Solución:
En primer lugar se obtiene el, grafico de Serie de Tiempo:
En MINITAB se usa la opción:
Estadísticas > Series de tiempo > Gráfica de serie de
tiempo
 Gráfica de series de tiempo de Empleados
400

390

380

370
Empleados

360

350

340

330

320

310
1 6 12 18 24 30 36 42 48 54 60
Índice

Se observa en los datos un patrón curvilíneo, por lo que se usará un

modelo cuadrático para ajustar las observaciones.
También se observa un componente estacional, por lo que guardaremos
los residuos a fin de realizar, más adelante, una descomposición de los
mismos y poder así mejorar nuestro modelo.
Análisis de la tendencia

• Para obtener la tendencia se selecciona:

Estadísticas > Series de tiempo > Análisis de tendencia.
• En el cuadro de dialogo:
En Variable, ingrese Empleados.
En Tipo de modelo, seleccione Cuadrática.
Seleccione Generar pronósticos. En Número de
pronósticos, ingrese 12.
Haga clic en Aceptar.
Los resultados son:
Análisis de tendencia para Empleados
Método
Tipo de modelo Modelo de tendencia cuadrática
Datos Empleados
Longitud 60
Número de valores faltantes 0
Ecuación de tendencia ajustada
Yt = 320.76 + 0.509×t + 0.01075×t^2

Medidas de exactitud Pronósticos

MAPE 1.7076 Período Pronóstico
MAD 5.9566 61 391.818
MSD 59.1305
62 393.649
63 395.502
64 397.376
65 399.271
66 401.188
67 403.127
68 405.087
69 407.068
70 409.071
71 411.096
72 413.142
 Gráfica de análisis de tendencia de Empleados

El gráfico muestra las observaciones (Actual), la curva de tendencia que se ajusta a las
mismas (Ajustes), y los valores pronosticados (Pronósticos).
Las observaciones presentan una tendencia creciente, con un claro componente
estacional. La curva obtenida parece ajustarse bastante bien a la tendencia de las
observaciones, pero el patrón estacional no está siendo considerado en este modelo.
Análisis de descomposición
Elegir la opción:
Estadísticas > Series de tiempo > Descomposición.
En el cuadro de dialogo:
1.En Variable, ingrese RESID1.
2.En Longitud estacional, ingrese 12.
3.En Tipo de modelo, elija Aditivo.
4.Seleccione Generar pronósticos. En Número de
pronósticos, ingrese 12
5.Seleccione almacenamiento y marque ajustes, residuos y
pronosticos
6.Haga clic en Aceptar.
Los resultados son:
Descomposición de series de tiempo para RESID1
Método
Tipo de modelo Modelo aditivo
Datos RESID1
Longitud 60
Número de valores faltantes 0
 Ecuación de tendencia ajustada
Yt = 2.535 - 0.0831×t
Índices estacionales Pronósticos Medidas de exactitud
Período Índice Período Pronóstico
1 -8.4826 61 -11.0172 MAPE 527.615
2 -13.3368 62 -15.9545 MAD 2.646
3 -11.4410 63 -14.1418 MSD 9.828
4 -5.8160 64 -8.5999
5 0.5590 65 -2.3080
6 3.5590 66 0.6089
7 1.7674 67 -1.2659
8 3.4757 68 0.3594
9 3.2674 69 0.0679
10 5.3924 70 2.1098
11 8.4965 71 5.1309
12 12.5590 72 9.1103
 Gráfica de descomposición de series de tiempo de RESID1

En el primer gráfico (Gráfica de descomposición de series de tiempo de

RESID1) se observa que los residuos obtenidos en el análisis de tendencia se
ajustan bastante bien por el modelo generado usando el método de
descomposición.
 Descomposición - Análisis de componente para RESID1
Análisis de componente para RESID1
Modelo aditivo
Datos originales Datos con tendencia invertida

10 10

0 0

-10 -10

-20 -20
1 12 24 36 48 60 1 12 24 36 48 60
Índice Índice

Datos ajustados estacionalmente Datos con elim. de tend. y ajuste estac.

10 5

0
0
-10

-20 -5
1 12 24 36 48 60 1 12 24 36 48 60
Índice Índice

En el gráfico (Análisis de componente para RESID1) se muestran datos sin

tendencia, datos ajustados con estacionalidad y los datos ajustados estacionalmente
y sin tendencias (los residuos). El valor estimado en el primero de los ciclos es
considerablemente menor que el valor real, mientras que ocurre todo lo contrario en
el último de los ciclos
Descomposición - Análisis estacional para RESID1
Análisis estacional para RESID1
Modelo aditivo
Índices estacionales Datos con tendencia invertida por estación

10
10

0 0

-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Variación porcentual por estación Residuos por estación

12
5

0
4

-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Finalmente, en el último conjunto de gráficos se muestra un análisis

estacional: gráfico de índices estacionales, gráfico de variación porcentual
por estaciones, gráfico de boxplots referidos a observaciones (residuos)
agrupadas por períodos estacionarios, y gráfico de boxplots de los residuos
(de las observaciones) agrupados por períodos estacionarios.
Ahora, se deben calcular los valores estimados y los pronosticados:
Se selecciona Calc > Calculadora.
Se guarde los nuevos valores estimados “Ajuste-fin”, obtenidos como
suma (por ser modelo aditivo) de:
(a) los valores estimados provenientes del análisis de la tendencia
(AJUSTES1), y
(b) los provenientes de la descomposición de los residuos (AJUSTES2)
Lo mismo se hace para los valores pronosticados “Pronos-fin”

Finalmente se deben graficar estos datos en un solo grafico de series de

tiempo.
Usando la opción:
Gráfica > Gráfica de serie de tiempo o Estadísticas > Series de
tiempo > Gráfica de serie de tiempo.
Elementos del cuadro de diálogo
Serie: Ingrese las columnas de Empleados, Ajuste-fin y Pronos-fin
Hacer clic en Tiempo/Escala y elegir Valores iniciales > Un conjunto para
cada variable:
Para Empleados y Ajuste-fin desde 1 y para Pronos-fin desde el último 61
Hacer clic en Múltiples gráficas y elegir sobrepuesto en la misma gráfica
Gráfica de series de tiempo de Empleados; Ajuste-fin; Pronos-fin

Se observa que los valores ajustados son muy similares a los originales por lo
tanto el modelo escogido es el adecuado. El valor del MSD para la combinación
de tendencia cuadrática y descomposición de residuos es de 11.8989, lo que
indica que este método combinado es el que proporciona un mejor ajuste.
MSD = SUM((Empleados - Ajuste-fin)^2)/(N(Empleados))
 FUNDAMENTO PROBABILISTICO DE
UNA SERIE DE TIEMPO.
Por definición una serie temporal es la realización
particular de un proceso escolástico, luego las leyes que
gobiernan a una proceso estadístico, también gobiernan
en una serie de tiempo. Y en general aquellas que rigen
para la familia de variables que definen a un proceso
estocástico.
Una serie temporal es completamente caracterizado, si
se conocen los “r”- esimos momentos finito
dimensionales. Sin embargo al observar en la realidad
solamente una observación por periodo de tiempo se
requiere suponer algunas propiedades que hacen
posible realizar las inferencias estadísticas a partir del
conjunto de datos disponibles.
Dos de estas propiedades recaen en la
ESTACIONARIEDAD y en la ERGODICIDAD.
 MODELOS DE SERIE DE TIEMPO
Estructuras especificas para la componente Dt ,determinaran las
formas generales de una serie de tiempo.
1.- FORMA DE MEDIA MOVIL INFINITO.- Se fundamenta, en que toda
serie de tiempo se origina como una suma infinita de choques
aleatorios; es decir, se genera bajo el esquema de la siguiente
ecuación;
Zt 0 t 1 t 1 e
2 t 2 3 t 3 ... ... , t 1,2,3, ... , T
Donde los j son los parámetros del modelo, y t las
perturbaciones aleatorias, Y “B” el operador de desface o
rezago, y opera solo sobre la variable aleatoria cuyo parámetro
indicador es el tiempo “t”.

Choques aleatorios Serie observada

Filtro Lineal
Entrada Salida
Este modelo fue denominado, modelo lineal discreto, y se usa
para propósitos de investigar las propiedades estadísticas
teóricas de una serie de tiempo.
 MODELOS DE SERIE DE TIEMPO
2.- FORMA AUTORREGRESIVA O INVERTIDA.- Bajo ciertas
condiciones apropiadas( condiciones de invertibilidad), el
proceso lineal discreto, puede expresarse en su forma
autoregresiva, es decir, como una suma ponderada de sus
valores pasados, mas un choque aleatorio.

Zt 0 Z
1 t 1 Z
2 t 2 Z
3 t 3 ... t t 1,2,3, ... , T
La forma autoregresiva es más conveniente para efectos de la
obtención de los pronósticos.
3.- FORMA DE ECUACION DE DIFERENCIAS.- Una forma alternativa
entre los dos modelos se puede formular aplicando una razón
de dos polinomios de orden finito del siguiente modo;
f(B) Zt = θ(B) t , t=1,2,3,....,T
Donde los polinomios f(B), y θ(B) tienen elementos finitos, y
por tanto pueden usarse para calcular los pronósticos
respectivos.
 Funciones de Autocorrelación
• En series de tiempo las herramientas fundamentales, a partir de los
cuales se inicia el análisis exploratorio de los datos, recaen en la Función
de autocorrelación, y la función de autocorrelación parcial; las mismas
que se definen de la siguiente manera;
ρ(k) = γ(k) / γ(0)
• Donde γ(k) es la función de autocovarianza y se estima desde la muestra
observada, a través de la función de autocovaianza muestral, el cual se
define como; T -k
1
g ( k ) =C k = å(Z t -Z )( Z t +k -Z ) ; k =1,2, ...,T -1
T t =1

Consecuentemente las funciones de autocorrelación se estimaran a

través de la siguiente ecuación;
r (k) = c (k) / c (0) ; k=0,1,...., T-1
y cumplen las siguientes propiedades:
• ρ(0) = 1
• ρ(k) = ρ(-k)
• | ρ(-k) | ≤ 1
• ρ(-k) = 0, si las observaciones Zt y Zt-k son independientes.
Función de Autocorrelación Parcial
En las ecuaciones anteriores si se reemplazan las funciones de autocovarianza
por las funciones de autocovarianza condicional, a que los valores intermedios
permanezcan constantes, entonces se obtiene la función de autocorrelación
parcial; luego la función de autocorrelación parcial se define;

kk Corr{ [ Zt E ( Zt / Zt 1 ,...., Zt k 1 ) ; Zt k E (Zt k / Zt 1,...., Zt k 1 )]}

De esta manera este coeficiente esta calculando la correlación entre dos
variables, separando el efecto de las variables intermedias entre ellas. En la
práctica resulta más fácil calcular este coeficiente desde las regresiones de la
variable mas reciente sobre sus valores pasados, en órdenes crecientes
iniciándose en una variable.
Zt = ϕ11 Zt-1 + at
Zt = ϕ11 Zt-1 + ϕ22 Zt-2 + at
...
...
Zt = ϕ11 Zt-1 + ϕ22 Zt-2 + ................+ ϕkk Zt-k + at
Estas funciones tienen propiedades análogas a las funciones de
autocorrelación.
• Autocorrelación y autocorrelación parcial
• A la hora de realizar pronósticos, sería muy útil detectar
la existencia, en las observaciones, de algún patrón que
nos indicase cómo varían los datos de un instante
temporal al siguiente. Por ejemplo, podría ocurrir que un
valor por debajo de la media en el instante t propiciara
obtener un valor alto en el instante t+1 (o viceversa).
• La función de autocorrelación nos puede ayudar a
identificar tales patrones. La idea es calcular el
coeficiente de correlación entre el conjunto de
observaciones y el conjunto de observaciones
desplazadas en n instantes temporales (lag = n).
• Lógicamente, estaremos interesados en detectar niveles
altos de autocorrelación. Pero no debemos olvidar que
los coeficientes de autocorrelación son dependientes
entre sí.
• Autocorrelación y autocorrelación parcial
• Por ejemplo: si la primera columna (observaciones) está
fuertemente correlacionada con la segunda (lag = 1), y
ésta a su vez con la tercera (lag = 2), entonces la
primera estará también correlacionada con la tercera.
• Por este motivo, suele ser interesante calcular también
la función de autocorrelación parcial, en la cual ya se
eliminan las dependencias con columnas intermedias.
En cierto sentido, podríamos decir que la
autocorrelación parcial proporciona una visión más clara
de las dependencias entre las observaciones.
En resumen las funciones de autocorrelación y autocorrelación
parcial en los procesos ARMA, tienen el siguiente comportamiento:
Proceso Descripción de las fac
AR(p) Es infinita y decae exponencialmente y/o según una
senoide amortiguada
MA(q) Es finita y tiene un corte(=0), a partir del rezago “q”
ARMA(p,q) Es infinita, y decae exponencialmente y/o una senoide
amortiguada después del rezago q-p.
Proceso Descripción de las facp
AR(p) Es finita y tiene un corte después del rezago p.(similar a
las fac de un MA.
MA(q) Es infinita y tiene un decaimiento exponencial y/o
senoide amortiguada.(similar a las fac de un AR)
ARMA(p,q) Es infinita, y para j>p-q es similar a las facp de un MA
puro, y para j p-q no tiene un patrón general (es
errático).
Ejemplo
• En el archivo Rio.mtw se ha registrado (en la variable
Temp) la temperatura del agua de un río durante 90
horas.
• La evolución de la temperatura a través de las horas es:
Gráfica de series de tiempo de Temp

45.0

42.5
Temp

40.0

37.5

35.0
1 9 18 27 36 45 54 63 72 81 90
Índice
En primer lugar, a fin de determinar si la temperatura en
una hora concreta está correlacionada con la
temperatura registrada una hora antes, dos horas antes,
etc., calcularemos la función de autocorrelación con
lags = 24
En MINITAB, para hacer la hallar la función de autocorrelación se sigue la
secuencia
Estadísticas > Series de tiempo > Autocorrelación.
Elementos del cuadro de diálogo
Serie: Marcar la columna que contiene la serie de datos:
variable Temp.
Hacer clic en aceptar
 Autocorrelation Function: Temp
Resultados:
Lag ACF T LBQ
1 0.949284 9.25 88.34 13 -0.678601 -2.19 472.74
2 0.835845 4.87 157.57 14 -0.622735 -1.91 516.86
3 0.674533 3.21 203.14 15 -0.531927 -1.57 549.45
4 0.477057 2.06 226.19 16 -0.409360 -1.18 569.00
5 0.261378 1.08 233.18 17 -0.262960 -0.75 577.17
6 0.038862 0.16 233.34 18 -0.096963 -0.27 578.29
7 -0.172223 -0.70 236.44 19 0.076070 0.21 578.99
8 -0.355473 -1.44 249.83 20 0.242756 0.69 586.23
9 -0.504385 -2.00 277.09 21 0.393810 1.11 605.55
10 -0.610853 -2.33 317.54 22 0.524039 1.45 640.21
11 -0.673287 -2.43 367.27 23 0.617273 1.68 688.98
12 -0.695611 -2.37 420.99 24 0.661579 1.75 745.79

Función de autocorrelación para Temp En el gráfico la función de

(con límites de significancia de 5% para las autocorrelaciones)
correlación tiene una forma
1.0

0.8 senosuidal, lo cual sugiere que las

0.6
temperaturas de horas cercanas
0.4
Autocorrelac n

estarán positivamente
ió

0.2

0.0
correlacionadas, mientras que
-0.2

-0.4 temperaturas separadas por 12

-0.6
horas estarán negativamente
-0.8

-1.0 correlacionadas (-0,7 en este

2 4 6 8 10 12
Desfase
14 16 18 20 22 24
ejemplo).
Función de autocorrelación parcial
Estadísticas > Series de tiempo > Autocorrelación parcial
Elementos del cuadro de diálogo
Serie: Elija la columna que contiene las series de tiempo: variable Temp.

Los resultados se muestran en la siguiente salida:

Función de autocorrelación parcial: Temp
Lag PACF T
1 0.949284 9.25
2 -0.660484 -6.44 13 -0.071727 -0.70
3 -0.287041 -2.80 14 0.035829 0.35
4 -0.233553 -2.28 15 0.041150 0.40
5 -0.085672 -0.84 16 0.097852 0.95
6 -0.164297 -1.60 17 0.073607 0.72
7 -0.011439 -0.11 18 0.159767 1.56
8 0.024720 0.24 19 0.006566 0.06
9 -0.078660 -0.77 20 -0.016697 -0.16
10 -0.031144 -0.30 21 0.019504 0.19
11 -0.078779 -0.77 22 0.139352 1.36
12 -0.140029 -1.36 23 -0.095038 -0.93
24 -0.128472 -1.25
 Función de autocorrelación parcial de Temp
(con límites de significación de 5% para las autocorrelaciones parciales)

1.0

0.8

0.6
Autocorrelac n parcial

0.4

0.2
ió

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

2 4 6 8 10 12 14 16 18 20 22 24
Desfase

Minitab genera la Función de autocorrelación parcial con bandas de regiones de

aproximadamente α = 0.05 para las hipótesis que las correlaciones son igual a cero.
En el ejemplo, hay dos picos y más dos barras que pueden ser significativas lo que
indica que puede ser un proceso autoregressivo de orden tres y además no decae
inmediatamente lo que hace suponer que puede ser un proceso de medias móviles de
orden 2:
Modelo ARIMA
Para crear un modelo ARIMA, se sigue las siguientes instrucciones de Minitab
1 Hoja de trabajo: ( Worksheet) Rio.mtw.
2 Estadísticas > Series de tiempo > ARIMA (Stat > Time Series > ARIMA).
3 Se debe especificar los ítems de la ventana de ARIMA: En Series, Ingresar la columna
que contiene la variable de respuesta: entonces poner Temp.
4 Seleccionar Ajustar modelo estacional. En Periodo poner 12
5 Modelo: Autorregresivo: en No estacional , poner p = 3
Diferencia: en Estacional, poner D = 1
Promedio móvil: en No estacional, poner q = 2.
Resultados:
Modelo ARIMA: Temp
Estimaciones finales de los parámetros
Tipo Coef SE Coef Valor T Valor p
AR 1 1.096 0.103 10.67 0.000
AR 2 0.629 0.195 3.23 0.002
AR 3 -0.844 0.101 -8.40 0.000
MA 1 -0.126 0.106 -1.19 0.239
MA 2 0.8294 0.0855 9.70 0.000
Constante -0.0084 0.0192 -0.44 0.662
Diferenciación: 0 regular, 1 estacional de orden 12
Número de observaciones: Serie original 95, después de diferenciar 83
Sumas de los cuadrados de los residuos
GL SC MC
77 23.4388 0.304400

Se excluyeron
Estadístico los pronósticos
de chi-cuadrada modificadoretrospectivos
de Box-Pierce (Ljung-Box)

Desfase 12 24 36 48
Chi-cuadrada 52.96 72.38 82.78 98.30
GL 6 18 30 42
Valor p 0.000 0.000 0.000 0.000

Pronósticos del periodo 95

Límites de 95%
Período Pronóstico Inferior Superior Actual
96 38.7412 37.6596 39.8228
97 40.1432 38.4355 41.8510
98 41.8403 39.7348 43.9458
99 43.5267 41.0690 45.9844
100 44.6786 42.0066 47.3506
101 45.3857 42.5640 48.2074
102 45.8303 42.9491 48.7116
103 46.1668 43.2674 49.0663
104 46.1037 43.2039 49.0035
105 45.9161 42.9969 48.8353
106 45.1873 42.1924 48.1822
107 44.0506 40.9211 47.1801
En casi todos los coeficientes, el nivel descriptivo o de significación (p-value) es menor a
0.05 por lo que podemos afirmar que los parámetros asociados al modelo son
significativamente diferentes de cero. Salvo el coeficiente de primer retardo en MA
El MSE (0.3044) es usado para comparar los ajustes de diferentes modelos ARIMA,
cuando se ajustan varios modelos se escoge aquel que tiene menor MSE.
El estadístico de Ljung-Box tiene valores significativos (p-values < 0.05), lo que indica que
los residuos pueden estar aun correlacionados por lo que es significativo modelar las
medias móviles.

Gráfica de series de tiempo de Temp

(con pronósticos y sus límites de confianza de 95%)
50.0

47.5

45.0
Temp

42.5

40.0

37.5

35.0
1 12 24 36 48 60 72 84 96
Tiempo