Benemérita Universidad Autónoma de Puebla

Facultad de Ciencias de la Electrónica

Ingeniería en Mecatrónica

Asignatura. Costos e Ingeniería Económica

Profesor Carlos Álvarez González

Método de Box – Jenkins y método

Winters

Juárez Campos Ernesto

201745409

Primavera 2021
 MÉTODO DE BOX – JENKINS

El método Box & Jenkins fue generado en el año 1970 buscando facilitar el trabajo de los
estadistas al construir un modelo de una serie temporal, para explicar su estructura y predecir
la evolución de esta serie en el futuro. Una serie temporal se puede considerar como un
conjunto de observaciones, de una variable, tomados en intervalos regulares de tiempo. En
particular, la metodología Box- Jenkins es un procedimiento de análisis estadístico para
ajustar a una serie un tipo especial de modelos, denominados ARIMA (Autorregresive
Integrated Moving Average).

EN QUÉ CONSISTE

Usa un método iterativo para identificar un modelo posible de una clase general de modelos.
Enseguida, el modelo seleccionado se ajusta correctamente si los residuales son pequeños,
están distribuidos aleatoriamente y no contienen información útil. Si el modelo especificado
no es satisfactorio, el proceso se repite mediante un nuevo modelo diseñado para mejorar el
original. Se sigue aplicando hasta que se encuentra un procedimiento satisfactorio.

PASOS DEL MÉTODO

Paso 1: identificación del modelo.

• Se determina si la serie es estacionaria; es decir, si la serie de tiempo aparenta variar
alrededor de un nivel fijo. Si la serie no es estacionaria con frecuencia puede
convertirse en una serie estacionaria al tomar sus diferencias.
• Una vez que se ha obtenido una serie estacionaria, el analista debe identificar la forma
del modelo que habrá que utilizar.

Paso 2: estimación de modelos.

• Deberán estimarse los parámetros para dicho modelo.
• Se calcula el error cuadrado medio de los residuales, un estimado de la varianza del
error.

Paso 3: evaluación del modelo.

• Muchas de las gráficas de los residuales que son útiles para el análisis de regresión
pueden desarrollarse para los residuales de un modelo ARIMA.
 • Las autocorrelaciones residuales individuales deberán ser pequeñas y, por lo general,
estar dentro de cero.
• Las autocorrelaciones residuales significativas en retrasos cortos o estacionales
sugieren que el modelo no es adecuado y que se debe elegir un modelo nuevo o
modificado.

Paso 4: realización del pronóstico.

• Se pueden llevar a cabo los pronósticos para un periodo, o varios, en el futuro.
También pueden construirse intervalos de predicciones con base en los pronósticos.
• A medida que se tienen más datos disponibles, se puede usar el mismo modelo
ARIMA para generar pronósticos revisados que procedan de otro origen de tiempo.
• Si el patrón de la serie parece cambiar con el tiempo, los nuevos datos podrían usarse
para volver a estimar los parámetros del modelo o de ser necesario, desarrollar un
modelo completamente nuevo.}

CRITERIOS PARA LA SELECCIÓN DE UN MODELO

• Si los modelos contienen el mismo número de parámetros, se preferirá el modelo con

el error cuadrado más pequeño.
• Si los modelos contienen distintos números de parámetros, el principio de parsimonia
conduce a la selección del modelo más sencillo. No obstante, es posible que el modelo
con más parámetros tenga un error cuadrado medio apreciablemente más pequeño.
• El criterio de la información de Akaike, o AIC, es seleccionar el mejor modelo de un
grupo de modelos candidatos como aquel que minimiza
2
𝐴𝐼𝐶 = ln(𝜎̂ 2 ) + 𝑟
𝑛
• El criterio bayesiano que desarrollo Schwarz o BIC. Selecciona el modelo que
minimiza
ln 𝑛
𝐴𝐼𝐶 = ln(𝜎̂ 2 ) − 𝑟
𝑛
 MÉTODO WINTERS

El método de Holt Winters es utilizado para realizar pronósticos del comportamiento de una
serie temporal a partir de los datos obtenidos anteriormente. El método se basa en un
algoritmo iterativo que, a cada tiempo, realiza un pronóstico sobre el comportamiento de la
serie en base a promedios debidamente ponderados de los datos anteriores. Este método tiene
dos principales modelos, dependiendo del tipo de estacionalidad:

MODELO MULTIPLICATIVO ESTACIONAL

Este modelo presupone que a medida que se incrementan los datos, también se incrementa el
patrón estacional. La mayoría de las gráficas de series de tiempo muestran este patrón. En
este modelo, la tendencia y los componentes de estación se multiplican y luego se suman al
componente de error.

𝑌𝑡
𝐿𝑡 = 𝛼 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )
𝑆𝑡−𝑝

𝑇𝑡 = 𝑌(𝐿𝑡 + 𝐿𝑡−1 ) + (1 − 𝑌)𝑇𝑡−1

𝑌𝑡
𝑆𝑡 = 𝛿 + (1 − 𝛿)𝑆𝑡−𝑃
𝐿𝑡

𝑌̂𝑡 = (𝐿𝑡−1 + 𝑇𝑡−1 )𝑆𝑡−𝑃

Donde

• 𝐿𝑡 es el nivel en el tiempo 𝑡
• 𝑇𝑡 es la tendencia en el tiempo 𝑡
• 𝑌 es la ponderación para la tendencia
• 𝑆𝑡 es el componente estacional en el tiempo 𝑡
• 𝛿 es la ponderación para el componente estacional
• 𝑝 es el periodo estacional
• 𝑌𝑡 es el valor de los datos en el tiempo 𝑡
• 𝑌̂𝑡 es el valor ajustado, o el pronostico de un tiempo adelante en el tiempo 𝑡
MODELO ADITIVO ESTACIONAL

Es un modelo de datos en el que los efectos de los factores individuales se diferencian y se

agrupan para modelar los datos. Un modelo aditivo es opcional para los procedimientos de
descomposición y para el método de Winters.

𝐿𝑡 = 𝛼(𝑌𝑡 − 𝑆𝑡−𝑝 ) + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )

𝑇𝑡 = 𝑌(𝐿𝑡 − 𝐿𝑡−1 ) + (1 − 𝑌)𝑇𝑡−1

𝑆𝑡 = 𝛿(𝑌𝑡 − 𝐿𝑡 ) + (1 − 𝛿)𝑆𝑡−𝑃

𝑌̂𝑡 = 𝐿𝑡−1 + 𝑇𝑡−1 + 𝑆𝑡−𝑃

BIBLIOGRAFÍA

[1] Elias, G. L. S. (s. f.). METODOLOGIA DE BOX-JENKINS. prezi.com. Recuperado 15

de marzo de 2021, de https://prezi.com/qilwyg5ezlpe/metodologia-de-box-jenkins/

[2] Métodos y fórmulas para la Método de Winters - Minitab. (s. f.). (C) Minitab, LLC. All

rights Reserved. 2019. Recuperado 15 de marzo de 2021, de

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-

statistics/time-series/how-to/winters-method/methods-and-formulas/methods-and-

formulas/#:%7E:text=datos%20sin%20tendencia.-

,Pron%C3%B3sticos,pron%C3%B3stico%20para%20generar%20los%20pron%C3

%B3sticos.

[3] RPubs - Holt-Winters. (2017, 7 junio). RPubs. https://rpubs.com/nanrosvil/283121