DMC ONLINE #YoMeQuedoEnCasa

SESIÓN 05:

ANÁLISIS FORECAST
CON R & Python
Soy

César Quezada
Especialista en Analítica de Data & BI en DMC Peru

Me puedes encontrar como:

cesar.quezada@dmc.pe

[www.linkedin.com/in/quezada7ba19382]

[cesar.quezada19]

w w w. d m c . p e
#YoMeCapacitoEnCasa
DMC ONLINE #YoMeCapacitoEnCasa

Reglas e Itinerario

www.dmc.pe
 DMC ONLINE

Reglas
Puntualidad

Mantener silenciado el micrófono durante la sesión

Las preguntas se realizarán por el chat/ en caso sea necesario se

habilita el micrófono

w w w. d m c . p e
Realizar las actividades encomendadas

#YoMeCapacitoEnCasa
 DMC ONLINE

Itinerario
6:30 PM – 7:00 PM Soporte técnico DMC

7:00 PM – 8:20 PM Aprendizaje Teórico

Test de refuerzo Validación de competencias
8:30 PM – 8:40 PM Pausa activa
8:40 PM – 10:00 PM Aprendizaje Práctico

w w w. d m c . p e
Refuerzo Tareas de Programación

#YoMeCapacitoEnCasa
 DMC ONLINE

Calificación

Tareas de Trabajo final

Asistencia
programación

(10%) + (30%) + (60%)

w w w. d m c . p e
#YoMeCapacitoEnCasa
 DMC ONLINE

Agenda
1. Proceso estacionario.
- Autocorrelación
- Autocorrelación parcial

2. Enfoque Box Jenkins

- Proceso autorregresivos
- Proceso media móvil

w w w. d m c . p e
- Proceso ARMA
- Proceso ARIMA
- Proceso SARIMA

#YoMeCapacitoEnCasa
DMC ONLINE #YoMeCapacitoEnCasa

Procesos estacionarios

www.dmc.pe
 Proceso estacionario:
#YoMeCapacitoEnCasa
¿Cuál de estas series crees que es estacionario?

w w w. d m c . p e
#YoMeCapacitoEnCasa Proceso estacionario:

Diferenciación

Las transformaciones como

los logaritmos pueden
ayudar a estabilizar la
varianza de una serie
temporal. La diferenciación
puede ayudar a estabilizar la
media de una serie temporal
eliminando los cambios en el
nivel de una serie temporal y,
por lo tanto, eliminando (o

w w w. d m c . p e
reduciendo) la tendencia y la
estacionalidad.
#YoMeCapacitoEnCasa
Auto-correlación

En ocasiones en una serie de tiempo acontece, que los valores que toma una
variable en el tiempo no son independientes entre sí, sino que un valor
determinado depende de los valores anteriores, existen dos formas de medir
esta dependencia de las variables.

w w w. d m c . p e
#YoMeCapacitoEnCasa
Auto-correlación

• ACF: La auto-correlación mide la correlación entre dos variables separadas por

k periodos.

• La auto-correlación de periodo k=0 (p0) siempre es 1 por definición.

• La auto-correlación es simétrica pi=p-i

w w w. d m c . p e
• La auto-correlación siempre es menor que 1 y mayor que -1 (|pk| < 1)
#YoMeCapacitoEnCasa
Auto-correlación

• Un valor de pi próximo a 1 indica que hay mucha relación entre una

observación y la i posiciones posterior, y que esa relación es positiva (si el valor
es próximo a -1 que esa relación es negativa).

w w w. d m c . p e
#YoMeCapacitoEnCasa
Auto-correlación

Línea recta

w w w. d m c . p e
onda sinusoidal
#YoMeCapacitoEnCasa
Auto-correlación

w w w. d m c . p e
onda sinusoidal con una tendencia lineal
#YoMeCapacitoEnCasa
Auto-correlación Parcial

• PACF: La auto-correlación parcial mide la correlación entre dos variables

separadas por k periodos cuando no se considera la dependencia creada por los
retardos intermedios existentes entre ambas.

w w w. d m c . p e
#YoMeCapacitoEnCasa
Curvas típicas de ACF y PACF

w w w. d m c . p e
#YoMeCapacitoEnCasa

w w w. d m c . p e
DMC ONLINE #YoMeCapacitoEnCasa

Enfoque Box - Jenkins

www.dmc.pe
#YoMeCapacitoEnCasa

w w w. d m c . p e
#YoMeCapacitoEnCasa
Proceso estacionario

Una de las principales suposiciones de la familia de modelos ARIMA es que

la serie de entrada es un proceso estacionario. Esta suposición se basa en
el teorema de representación de Wold, que establece que cualquier proceso
estacionario puede representarse como una combinación lineal de ruido
blanco. El proceso estacionario, en el contexto de series de tiempo, describe
un estado estocástico de la serie. Los datos de series temporales son
estacionarios si cumplen las siguientes condiciones:

La estructura de correlación de la serie, junto con sus retrasos,

w w w. d m c . p e
sigue siendo la misma a lo largo del tiempo.
#YoMeCapacitoEnCasa
El proceso AR

 El proceso AR define el valor actual de la serie, Yt, como una

combinación lineal de los p rezagos anteriores de la serie, y se puede
formalizar con la siguiente ecuación:

 Los siguientes son los términos utilizados en la ecuación anterior:

AR (p): es la notación para un proceso AR con orden p

w w w. d m c . p e
c: representa una constante p: define el número de retrasos contra Yt
Φi: es el coeficiente del retraso de la serie (aquí 𝛷1debe estar entre -1 y 1, de lo contrario,
la serie tendría una tendencia ascendente o descendente y, por lo tanto, no puede ser
estacionaria con el tiempo).
Yt-i : es el retraso de la serie.
εt : Representa el término de error, que es ruido blanco.
#YoMeCapacitoEnCasa
El proceso AR

 Por ejemplo:

w w w. d m c . p e
#YoMeCapacitoEnCasa

w w w. d m c . p e
#YoMeCapacitoEnCasa

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso MA

 El objetivo del proceso de promedio móvil es capturar patrones en los

residuos, si existen, modelando la relación entre Yt, el término de error,
𝜺𝒕 y los términos de error pasados ​de los modelos (por ejemplo, 𝜀𝑡−1,
𝜀𝑡−2, …, 𝜀𝑡−𝑞 ) .

 La estructura del proceso de MA es bastante similar a la del AR. La

siguiente ecuación define un proceso de MA con un orden q:

 Donde:

w w w. d m c . p e
MA(q): es la notación para un proceso de MA con orden q
µ: representa la media de la serie. 𝜺𝒕−𝟏, 𝜺𝒕−𝟐, …,
𝜺𝒕−𝒒: son términos de error de ruido blanco.
θi: es el coeficiente correspondiente de 𝜀𝑡−𝑖
q: define el número de términos de error pasados ​que se utilizarán en la ecuación.
#YoMeCapacitoEnCasa
El proceso MA

 A diferencia de los procesos AR (1), los modelos MA (1) no exhiben un

comportamiento radicalmente diferente al cambiar θ

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso MA

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso MA

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso ARMA

 En algunos casos, combinar los dos nos permite manejar datos de

series de tiempo más complejas. El modelo ARMA es una combinación
de los procesos AR (p) y MA (q) y se puede escribir de la siguiente
manera:

 Por ejemplo, un modelo ARMA (3,2) se define mediante la siguiente

ecuación:

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso ARIMA

 El modelo ARIMA proporciona una solución para este problema al agregar

el proceso integrado al modelo ARMA. El proceso Integrado (I) es
simplemente diferenciar la serie con sus retrasos, donde el grado de
diferenciación está representado por el parámetro d. El proceso de
diferenciación, como vimos anteriormente, es una de las formas en que
puede transformar una serie de no estacionario a estacionario.

 Yd es la diferencia d de la serie. Agreguemos el componente de

diferenciación al modelo ARMA y formalicemos el modelo ARIMA:

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso ARIMA

 Como puede ver, los modelos AR y MA se pueden representar con el

modelo ARMA, también puede representar los modelos AR, MA o ARMA
con el modelo ARIMA, por ejemplo:

El modelo ARIMA (0, 0, 0) es equivalente al ruido blanco.

El modelo ARIMA (0, 1, 0) es equivalente a un camino aleatorio.
El modelo ARIMA (1, 0, 0) es equivalente a un proceso AR (1)
El modelo ARIMA (0, 0, 1) es equivalente a un proceso MA (1)
El modelo ARIMA (1, 0, 1) es equivalente a un proceso ARMA (1,1)

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso Estacional ARIMA

 Un modelo estacional ARIMA se forma al incluir términos estacionales

adicionales en los modelos ARIMA que hemos visto hasta ahora. Está
escrito de la siguiente manera:

Parte no Parte
estacional del estacional de

w w w. d m c . p e
modelo del modelo
#YoMeCapacitoEnCasa
El proceso Estacional ARIMA

 Por ejemplo, un modelo ARIMA (1,1,1) (1,1,1) 4 (sin una constante) es

para datos trimestrales (m = 4) y puede escribirse como

w w w. d m c . p e
#YoMeCapacitoEnCasa
El proceso se explica mejor con un ejemplo:

w w w. d m c . p e
¡EMPECEMOS A
PROGRAMAR!

w w w. d m c . p e
 w w w. d m c . p e
¡GRACIAS!