11. La tabla P-11 contiene una serie de tiempo de 96 observaciones mensuales.

Usando un programa de computadora para modelar con ARIMA, obtenga una gráfica
de los datos, las autocorrelaciones de la muestra y las autocorrelaciones parciales de
la muestra. Desarrolleun modelo ARIMA adecuado y genere los pronósticos de los
siguientes 12 periodos a partir del origen del pronóstico t = 96.
DATOS:

GRAFICA DE LA SERIE
El gráfico de la serie original, la cual muestra un comportamiento creciente, indicando con
esto la no presencia de estacionariedad. Es decir, d=1.
al analizar la autocorrelación parcial se observa que existen datos fuera de los límites
de confianza por lo que el q será igual a 1.
RAIZ UNITARIA
Al realizar la raix unitaria, se rechaza Ho y se concluye que los datos no son estacionarios y se
sugiere que es requerida una diferenciación.

DATOS DIFERENCIADOS

Se observa que con una diferenciación los datos ya no poseen tendencia.

Al aplicar la difrenciacion se observa que no se rechaza Ho y se dice que los datos si son
estacionarios.
Luego de la diferenciación se obtienen las autocorrelaciones total y parcial en la que no se
mira tendencia ni estacionalidad.
ARIMA

Se sabe que d=1 puesto que se tiene una diferenciación, p = 0 , y q=1

Puesto que en el Fas y en Fap se observo que p=0, q=1,d=1, se utilizara el modelo ARIMA
(0,1,1).

PRONOSTICOS
Utilizando el modelo ARIMA(0,1,1) se ha obtenido la gráfica para los siguientes 12
periodos.
Ejercicio N ° 12

Los datos de la tabla P-12 son los precios semanales de las acciones de IBM.

Grafica de la serie original

Se puede observar que tiene tendencia positiva por lo que al pasar los meses tiende a crecer y
es necesario hacer una diferenciación a la serie

a) Usando un programa de computadora para modelar con ARIMA, obtenga una gráfica
de los datos, las autocorrelaciones de la muestra y las autocorrelaciones parciales de
la muestra. Use esta información para identificar tentativamente un modelo ARIMA
adecuado para esta serie.
Se puede observar que la autocorrelacion simple tiende a desvanecerse por lo que se asume
que podría ser un AR(1)

Se puede observar que la autocorrelacion parcial tiene solo un coeficiente significativo por lo
que se dice que q=0

b) ¿Es estacionaria la serie de IBM? ¿Qué corrección recomendaría usted si la serie

fuera no estacionaria?

La serie no es estacionaria por lo que es necesario hacer una diferenciación para poder ajustar
a un modelo ARIMA como se presenta a continuación
Y se puede observar que al hacer una diferenciación ya presenta estacionariedad

Prueba de la raíz unitaria

Y mediante la prueba muestra que no se rechaza Ho por lo que ya se asume que es

estacionarias

c) Ajuste un modelo ARIMA a la serie de IBM. Interprete el resultado. ¿Los cambios

Sucesivos son aleatorios?

Al ajustar el modelo ARIMA (1,1,0) se observa que su AIC es 328.03al compararlo con el
modelo ARIMA(0,1,1) su AIC es de 328.77 por lo que el modelo idóneo es el modelo
ARIMA(1,1,0)

d) Ejecute la verificación del diagnóstico para determinar la idoneidad de su modelo

ajustado.

Al ajustar el modelo de idoneidad se puede asumir que sus pronósticos a plazo medio serán
muy acertados que tienden a la media de sus datos

e) Después de que se ha encontrado un modelo satisfactorio, pronostique el precio de

las acciones de IBM para la primera semana de enero del año siguiente. ¿Cómo
difiere su pronóstico del pronóstico informal, el cual dice que el pronóstico de la
primera semana de enero es el precio de la última semana de diciembre (precio
actual)?
Para la primera semana de enero se estimaron valores que van desde 311.37 a 322.83 y estos
valores difieren con el pronóstico informal de la serie.

13. Los datos de la tabla P-13 son las cotizaciones de 150 días de las acciones de DEF
Corporation al cierre de operaciones. Determine el modelo ARIMA adecuado y
pronostique el precio de la acción cinco días adelante del origen del pronóstico t
145.Compare sus pronósticos con los precios reales usando el MAPE. ¿Qué tan
exactos son sus pronósticos?

Ilustración 1. Gráfica del ggAcf

Al analizar las gráficas de la serie se puede observar que la gráfica tiene tendencia, además
contiene un valor autor regresivo, ya que se encuentra fuera del intervalo.

En las gráficas se puede observar que se eliminó tendencia y que igual tenemos un valor autor
regresivo, por lo que si fue necesario realizar diferenciación.
Observando los tres modelos ARIMA sugeridos podemos decir el que mejor se ajuste es el
modelos ARIMA(1,1,0), este modelo es óptimo debido que presenta un AICc=51.7, por lo que
genera un mejor parsimonia, en comparación con los dos modelos.

Realizando los pronósticos con los valores reales podemos decir que al predecir los 5 valores a
partir de t=45, son exactos con respecto a la tabla.
14. Los datos de la tabla P-14 son las cifras de accidentes automovilísticos semanales de
los años 2006 y 2007 en el condado de Havana. Determine el modelo ARIMA adecuado
y pronostique los accidentes para la semana 91. Haga comentarios sobre la exactitud de
su pronóstico.

Al analizar los datos de accidentes automovilísticos se observa claramente que al

parecer no existe tendencia, por lo que no es necesario hacer una diferenciación para
tratar la misma. Es decir, d=0.
Al analizar la gráfica de autocorrelación de los datos originales se observa que existe
un patrón de tendencia. Y al analizar la autocorrelación parcial se observa que existen
dos puntos fuera de los límites de confianza por lo que el p es decir las autoregresiones
serán igual será igual a 2 y debido al patrón de desvanecimiento el q podría ser igual a
1.

Para eliminar la posible tendencia se hace una diferenciación obteniendo lo siguiente:

Al analizar la gráfica de autocorrelación de los datos diferenciados se observa que
existe me mantiene el mismo patrón de tendencia. Y al analizar la autocorrelación
parcial se observa que se mantienen los dos puntos fuera de los límites de confianza
por lo que el p es decir las autoregresiones serán igual será igual a 2 y debido al patrón
de desvanecimiento el q podría ser igual a 1.
Debido a lo anteriormente concluido se ajusto al modelo ARIMA(2,1,1) se observa que
se obtiene un AICC de 718.32, al compararlo con el obtenido en el modelo
ARIMA(0,1,1) que arrojo un valor de 740.12 y a su vez ambos comparar con el modelo
recomendado por el software, ARIMA(2,0,1) SU AIC=724.6. Por los valores obtenidos
del AIC mas recomdable es el del modelo ARIMA(2,1,1), pero debido a la parsimonia se
recomienda usar el ARIMA(2,0,1) debido a que es un modelo más simple que el antes
mencionado.
Al utilizar el ARIMA(2,0,1) se ha obtenido la gráfica para la semana 91.

El número de accidentes automovilísticos para la semana 91 a una confianza del 95%

será de 131,53