1

Ejemplos de estudios de series de tiempo

Ejemplo 1

Pasajeros Aerolneas Internacionales (PAI)

Este estudio est realizado sobre un famoso conjunto de datos mensuales, el

nmero de pasajeros de aerolneas internacionales, que ha sido analizado por
muchos autores incluyendo a Box y Jenkins.

Problema
Encontrar un modelo ARIMA adecuado que reproduzca la serie y predecir
los doce meses siguientes al ltimo mes para el que se dispone dato.

Grfica de los datos

Una etapa importante en el anlisis de una serie de tiempo es la representacin
grfica de los datos en los sucesivos perodos de tiempo.
Esta grfica mostrar las caractersticas de la serie, si tiene tendencia,
estacionalidad, discontinuidades, o existen datos situados fuera de los lmites
esperados.
A continuacin se observa la grfica de los datos mensuales del nmero de
Pasajeros de Aerolneas Internacionales (PAI), para el perodo enero 1949 a
diciembre 1960, 144 datos.
700
Pasajeros Aerolneas Internacionales

600
500
400
300
200
100
0
49 50 51 52 53 54 55 56 57 58 59 60
SER01

La grfica muestra que los datos tienen una tendencia creciente y un marcado
patrn estacional. Adems, a medida que el nivel medio de la serie aumenta,
tambin se incrementa la magnitud de la variacin estacional.
En el lenguaje de los modelos ARIMA, esto indica que podra ser adecuado
ajustar a los datos un modelo estacional multiplicativo.

Transformacin de los datos

En algunos casos, la grfica de los datos sugiere considerar una transformacin de
los mismos, por ejemplo tomar los logaritmos o la raz cuadrada
Si hay tendencia en los datos y la varianza se incrementa con la media resulta
aconsejable transformar los datos.
En la serie que se estudia, Box y Jenkins decidieron tomar el logaritmo de la
serie. Al observar que la desviacin estndar de los datos es directamente
proporcional a la media, la transformacin logartmica sera adecuada.

6.5

6.0

5.5

5.0

4.5
49 50 51 52 53 54 55 56 57 58 59 60
LPAI

Cuando la serie tiene tendencia y la magnitud del efecto estacional se

incrementa con la media, puede ser aconsejable transformar los datos para
que el efecto estacional sea constante en el tiempo. De esta forma, en la serie
transformada el efecto estacional se dice que es aditivo mientras que en los datos
originales era multiplicativo. Esta transformacin solamente estabilizar la
varianza, si el trmino de error de la serie tambin crece cuando aumenta la
media. Esta ltima circunstancia tambin tiene que ser considerada antes de la
transformacin de los datos.
La grfica que antecede, describe la serie transformada, elaborada con los
logaritmos de la variable original, logaritmo del nmero de Pasajeros Aerolneas
Internacionales, LPAI.
El argumento dado por Box y Jenkins para tomar el logaritmo de los datos
originales, fue que los logaritmos son tomados para analizar datos de ventas,
porque es el porcentaje de variacin el que sera comparable a diferentes
volmenes de ventas.

Identificacin del modelo

Luego de transformados los datos y observada la grfica

transformados, examinamos el correlograma de los mismos.

de los datos

Correlograma de los datos transformados LPAI

Sample: 1949:01 1960:12
Included observations: 144
Autocorrelation
.|*******|
.|*******|
.|*******|
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|***** |
.|***** |
.|**** |
.|**** |
.|**** |
.|**** |
.|**** |
.|**** |
.|**** |
.|**** |
.|**** |
.|**** |
.|*** |
.|*** |
.|*** |
.|*** |
.|** |
.|** |
.|** |
.|** |
.|** |
.|** |
.|** |

Partial Correlacin
.|*******|
*|.
|
.|.
|
.|.
|
.|*
|
.|.
|
.|.
|
.|*
|
.|** |
.|.
|
.|*
|
.|.
|
****|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|.
|
.|.
|
.|.
|
**|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.954
0.899
0.851
0.808
0.779
0.756
0.738
0.727
0.734
0.744
0.758
0.762
0.717
0.663
0.618
0.576
0.544
0.519
0.501
0.490
0.498
0.506
0.517
0.520
0.484
0.437
0.400
0.364
0.337
0.315
0.297
0.289
0.295
0.305
0.315
0.319

0.954
-0.118
0.054
0.024
0.116
0.044
0.038
0.100
0.204
0.064
0.106
-0.042
-0.485
-0.034
0.042
-0.044
0.028
0.037
0.042
0.014
0.073
-0.033
0.061
0.031
-0.194
-0.035
0.036
-0.035
0.044
-0.045
-0.003
0.034
-0.020
0.028
0.029
-0.004

133.72
253.36
361.29
459.44
551.20
638.37
721.86
803.60
887.42
974.33
1065.2
1157.6
1240.0
1311.1
1373.4
1428.0
1476.9
1521.9
1564.1
1604.9
1647.3
1691.5
1737.9
1785.3
1826.6
1860.7
1889.5
1913.5
1934.3
1952.6
1969.0
1984.6
2001.1
2018.8
2038.0
2057.8

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

En primer lugar observemos que los 36 primeros coeficientes de autocorrelacin

son positivos, como consecuencia de la tendencia que tienen los datos. Es
necesario diferenciar la serie. Veamos nuevamente el correlograma de la serie
diferenciada una vez,
LPAIt. =

LPAIt - LPAIt-1

En la terminologa de los modelos ARIMA, d = 1.

Correlograma de la primera diferencia de LPAI, o sea LPAIt
Sample: 1949:02 1960:12
Included observations: 143
Autocorrelation
.|** |
*|.
|
**|.
|
**|.
|
*|.
|
*|.
|
*|.
|
**|.
|
**|.
|
*|.
|
.|** |
.|****** |
.|** |
*|.
|
**|.
|
**|.
|
*|.
|
*|.
|
*|.
|
**|.
|
*|.
|
*|.
|
.|** |
.|***** |
.|** |
*|.
|
**|.
|
*|.
|
*|.
|
.|.
|
*|.
|
**|.
|
*|.
|
.|.
|
.|*
|
.|**** |

Partial Correlation
.|**
**|.
*|.
**|.
.|.
**|.
*|.
****|.
**|.
****|.
*|.
.|****
*|.
*|.
.|*
.|.
.|.
*|.
.|.
*|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
*|.
*|.
.|.
.|.
.|*
*|.
.|*
*|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.303
-0.102
-0.241
-0.300
-0.094
-0.078
-0.092
-0.295
-0.192
-0.105
0.283
0.829
0.285
-0.106
-0.222
-0.231
-0.062
-0.066
-0.090
-0.297
-0.163
-0.083
0.256
0.701
0.257
-0.098
-0.196
-0.174
-0.069
-0.042
-0.078
-0.247
-0.157
-0.047
0.195
0.580

0.303
-0.213
-0.160
-0.222
0.010
-0.191
-0.154
-0.455
-0.234
-0.547
-0.130
0.571
-0.149
-0.172
0.067
0.062
0.008
-0.080
0.037
-0.095
-0.005
-0.008
-0.039
-0.042
-0.025
-0.035
0.016
-0.065
-0.126
0.007
0.026
0.067
-0.132
0.086
-0.116
-0.010

13.393
14.928
23.549
37.011
38.341
39.272
40.573
53.921
59.612
61.328
73.903
182.73
195.64
197.44
205.43
214.15
214.78
215.51
216.88
231.76
236.26
237.44
248.72
334.36
345.97
347.68
354.55
360.01
360.88
361.20
362.32
373.70
378.34
378.76
386.10
451.19

0.000
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Con 144 observaciones en la serie LPAI, una regla til para decidir si un
coeficiente de autocorrelacin es significativamente diferente de cero es ver si su
valor excede 2/T. Aqu el valor crtico es 0.17 y encontramos coeficientes de
autocorrelacin significativos para los rezagos 1, 3, 4, 8, 9, 11, 12, 13, 15, 16, 20,
23, 24, 25, 27, 28, 32, 35 y 36. No hay signos de que la funcin de
autocorrelacin disminuya, por tanto se necesita otra
diferenciacin para
obtener una serie estacionaria. Dado que los datos son mensuales y presentan una
marcada estacionalidad se realiza la diferenciacin de orden 12 de la primera
diferencia de LPAI.
Correlograma de la diferencia 12 de LPAI, 12 LPAIt
Sample: 1949:02 1960:12
Included observations: 131
Autocorrelation

Partial Correlation

***|.
.|*
**|.
.|.
.|.
.|.
.|.
.|.
.|*
*|.
.|.
***|.
.|*
*|.
.|*
*|.
.|*
.|.
.|.
*|.
.|.
*|.
.|**
.|.
*|.
.|.
.|.
.|.
.|.
.|.
.|.
.|*
*|.
.|*
*|.
.|.

***|.
.|.
**|.
*|.
.|.
.|.
*|.
.|.
.|**
.|.
.|.
***|.
*|.
*|.
.|.
*|.
.|.
.|*
.|.
*|.
.|*
*|.
.|*
*|.
*|.
.|.
.|.
*|.
.|.
.|.
*|.
.|.
.|.
.|.
.|.
*|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

-0.341
0.105
-0.202
0.021
0.056
0.031
-0.056
-0.001
0.176
-0.076
0.064
-0.387
0.152
-0.058
0.150
-0.139
0.070
0.016
-0.011
-0.117
0.039
-0.091
0.223
-0.018
-0.100
0.049
-0.030
0.047
-0.018
-0.051
-0.054
0.196
-0.122
0.078
-0.152
-0.010

-0.341
-0.013
-0.193
-0.125
0.033
0.035
-0.060
-0.020
0.226
0.043
0.047
-0.339
-0.109
-0.077
-0.022
-0.140
0.026
0.115
-0.013
-0.167
0.132
-0.072
0.143
-0.067
-0.103
-0.010
0.044
-0.090
0.047
-0.005
-0.096
-0.015
0.012
-0.019
0.023
-0.165

15.596
17.086
22.648
22.710
23.139
23.271
23.705
23.705
28.147
28.987
29.589
51.473
54.866
55.361
58.720
61.645
62.404
62.442
62.460
64.598
64.834
66.168
74.210
74.265
75.918
76.310
76.463
76.839
76.894
77.344
77.848
84.590
87.254
88.340
92.558
92.577

0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.003
0.001
0.001
0.002
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Examinando el correlograma y teniendo en cuenta que el valor crtico de los

coeficientes de autocorrelacin es tambin aproximadamente 0.17, encontramos
valores significativos en los rezagos 1, 3, 9, 12 y 23, siendo el resto de los
valores los suficientemente pequeos, para concluir que no hay signos de no
estacionariedad. El valor significativo en el rezago 9 se puede considerar
extrao y se ignora a menos que exista informacin externa indicando que debe
considerarse.

Ahora estamos en condiciones de identificar el modelo a ajustar a los datos.

Previamente introducimos la notacin habitual para el modelo general ARIMA
con estacionalidad multiplicativa, el modelo llamado SARIMA.
p (L) P (L) Wt = q (L) Q (Ls) t
donde L representa al operador del polinomio de rezagos, p ,P ,q , Q son
polinomios de orden p,P, q,Q respectivamente, t es un proceso puramente
aleatorio y Wt es la variable d D Yt.
Examinamos en el ltimo correlograma presentado los valores de la funcin de
autocorrelacin en los rezagos 12, 24, 36, comenzando con la parte estacional del
modelo, para elegir los valores de P y Q, es decir el orden del polinomio de
rezagos de la parte autorregresiva y el orden del polinomio de la parte de medias
mviles El valor para el rezago 12 es grande, pero para los restantes resulta no
significativo. Esta comprobacin indicara que no tiene trminos autorregresivos,
pero si de medias mviles en la parte estacional. Por este motivo se hace Q = 1 y
P = 0.
Los valores p y q de la parte no estacional son establecidos luego de examinar
los primeros valores de la funcin de autocorrelacin. Son valores significativos
los correspondientes a 1 y 3 rezagos. Comenzamos probando con un trmino de
medias mviles haciendo p = 0 y q = 1.

Estimacin
Luego de identificado el modelo a ajustar, que en este caso es un modelo ARIMA
estacional con p = 0, q = 1, P = 0 y Q = 1, es decir ( 0, 1, 1) ( 0, 1, 1 )12 se
procede a estimar los parmetros del modelo.
En la tabla siguiente se presenta la estimacin del modelo realizada utilizando el
EVIEWS.

El resultado es:
12 LPAIt = ( 1 - 0.3765 L) ( 1 - 0.6242 L12 ) t

Sample: 1950:02 1960:12

Included observations: 131
Convergence achieved after 6 iterations
Backcast: 1949:01 1950:01
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
MA(1)
MA(12)

-0.000215
-0.376502
-0.624213

0.000909
0.080696
0.070534

-0.236397
-4.665673
-8.849842

0.8135
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.364299
0.354366
0.036840
0.173717
248.0909
1.960799

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.000291
0.045848
-3.741845
-3.676001
36.67621
0.000000

(** Esta especificacin del modelo difiere de la elegida en Prctico 9 Ejercicio 4 (2009). En este
ltimo no se incluy trmino constante en el modelo).

Luego de la estimacin del modelo se procede a examinar si el modelo ajustado

proporciona una adecuada descripcin de los datos. Para esto, como es usual se
estudian los residuos del modelo. Tenemos un buen modelo cuando los residuos
son aleatorios y prximos a cero.
En la grfica siguiente en la parte superior se presentan el valor ajustado y las
observaciones superpuestos y en la parte inferior los residuos del ajuste. La
grfica de los residuos parece indicar que estamos frente a un proceso puramente
aleatorio. Examinamos el correlograma de los residuos para confirmar esta
afirmacin.
0.2
0.1
0.0
-0.1
0.10
-0.2
0.05
0.00
-0.05
-0.10
-0.15
51

52

53

54

Residual

55

56

57

Actual

58

59
Fitted

60

Correlograma de los residuos del modelo ajustado

Sample: 1950:02 1960:12
Included observations: 131
Q-statistic
probabilities
adjusted for 2
ARMA term(s)
Autocorrelation

Partial Correlation

.|.
.|.
*|.
*|.
.|.
.|*
*|.
.|.
.|*
*|.
.|.
.|.
.|.
.|.
.|.
*|.
.|.
.|.
*|.
*|.
.|.
.|.
.|**
.|.
.|.
.|.
.|.
.|.
.|.
*|.
.|.
.|*
*|.
.|.
.|.
.|.

.|.
.|.
*|.
*|.
.|.
.|.
*|.
.|.
.|*
*|.
.|.
.|.
.|*
.|.
.|.
*|.
.|.
.|.
*|.
*|.
.|.
.|.
.|*
.|.
.|.
.|*
.|.
*|.
.|.
.|.
.|.
.|.
*|.
.|.
*|.
*|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.014
0.010
-0.125
-0.141
0.059
0.069
-0.073
-0.042
0.104
-0.080
0.045
-0.008
0.042
0.031
0.050
-0.150
0.028
0.008
-0.105
-0.109
-0.029
-0.030
0.229
0.037
-0.017
0.060
-0.043
-0.053
-0.054
-0.073
-0.051
0.116
-0.126
-0.001
-0.050
-0.016

0.014
0.009
-0.125
-0.139
0.065
0.059
-0.115
-0.051
0.153
-0.095
-0.012
0.031
0.083
-0.019
0.041
-0.111
0.047
0.004
-0.129
-0.167
0.036
-0.043
0.152
-0.017
0.049
0.072
0.006
-0.097
-0.036
-0.047
-0.041
0.018
-0.094
-0.008
-0.059
-0.068

0.0249
0.0374
2.1526
4.8620
5.3360
6.0042
6.7536
6.9986
8.5568
9.4835
9.7818
9.7914
10.057
10.199
10.568
13.992
14.110
14.119
15.835
17.689
17.822
17.963
26.454
26.682
26.732
27.329
27.645
28.121
28.626
29.553
30.000
32.366
35.200
35.200
35.645
35.691

0.142
0.088
0.149
0.199
0.240
0.321
0.286
0.303
0.368
0.459
0.525
0.598
0.647
0.450
0.517
0.590
0.536
0.476
0.534
0.590
0.190
0.224
0.268
0.289
0.324
0.353
0.379
0.385
0.414
0.351
0.276
0.319
0.345
0.389

Al mirar el valor de los coeficientes de autocorrelacion para 1, 2 y 12 vemos que

no son significativamente distintos de cero. Si lo fueran habra que modificar el
modelo para tener en cuenta esos valores significativos.

PREDICCIN
Dado el ltimo dato observado PAI60:12 del proceso SARIMA (0, 1, 1) (0, 1, 1)12
se desea estimar la variable para el perodo 1961/1 a 1961/12.Veamos en detalle
como hacerlo.
La variable modelada fue 12 LPAIt, la prediccin para el perodo t+1, es decir
61/1, de esta variable es 0.010814.
La variable 12 LPAIt se nombra Wt y se escribe la relacin entre esa variable y
las originales PAI:
Wt = 12 LPAIt = ( 1 L ) ( 1 - L12 ) LPAIt =
LPAIt - LPAIt-1 - LPAIt-12 + LPAIt-13 == ( 1 - 0.3765 L) ( 1 - 0.6242 L12 ) t
Por tanto, el proceso LPAI se obtiene sumando, o lo que es lo mismo
integrando el proceso W.
Tengamos en cuenta que partimos de una serie no estacionaria PAI, que fue
diferenciada para alcanzar un proceso estacionario, sin tendencia y sin
estacionalidad. Por tanto el modelo integrado es aquel obtenido por suma o
integracin de un proceso estacionario, luego de remover la tendencia y
estacionalidad de la serie.
El valor de LPAI61/1 es 6,1084 siendo el antilogaritmo 450. De esta forma se
obtiene la prediccin de la serie original el nmero de pasajeros aerolneas
internacionales, PAI para enero de 1961 y operando en forma similar se completa
la prediccin hasta diciembre de1961.

0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
50 51 52 53 54 55 56 57 58 59 60 61
D1D12LPAI

D1D12LPAIF

10

El grfico anterior contiene la prediccin de la variable, Wt, para el perodo

1949/1 a 1961/12 (lnea punteada) y las observaciones disponibles del perodo
1949/1 a 1960/12.

Conclusiones
La serie estudiada, tiene tendencia y estacionalidad muy marcadas, y el modelo
estacionario resultante despus de removidas ambas, es decir luego de la
diferenciacin conveniente de los datos, es un modelo de medias mviles, tanto
en la componente estacional como en la no estacional.
Luego de realizar ste ejercicio, cabe preguntarse si no hubiera sido ms
razonable utilizar el mtodo de alisamiento exponencial, examinado en la
primera parte del curso, para modelar la tendencia y estacionalidad de esta serie, y
realizar una prediccin de corto plazo.
Utilizando el EVIEWS 3, aplicando la tcnica de alisamiento exponencial, a la
misma serie (PAI) le ajustamos un modelo de tendencia lineal con estacionalidad
multiplicativa, para realizar una prediccin mensual de enero de 1961 a diciembre
de 1961, de la misma forma que lo hicimos con la aproximacin ARIMA.
Aplicamos el mtodo de Holt Winters multiplicativo, mtodo apropiado para la
prediccin cuando la serie tiene una tendencia lineal y una variacin estacional
multiplicativa.
A continuacin se presenta la grfica con los valores observados y la prediccin
de la serie LPAI.
7.0

6.5

6.0

5.5

5.0

4.5
50 51 52 53 54 55 56 57 58 59 60 61
LPAISM

LPAI

El valor de LPAI61/1 es 6,109579 siendo el antilogaritmo 450.

Por tanto el resultado de la prediccin es idntico al obtenido con el modelo
SARIMA.

11

Ejemplo 2
Para este segundo ejemplo de aplicacin de las tcnicas de modelizacin
ARIMA se eligi una serie de datos mensuales, que presentan tendencia y
estacionalidad. Se trata de la entrada mensual de leche a plantas de Conaprole, en
millones de litros, desde enero de 1990 a julio de 1998.

Problema
Elaborar un modelo ARIMA estacional que sea til para la prediccin mensual
del perodo agosto 1998 / diciembre 1998.

Grfica de los datos

El examen grfico de la serie mensual de Entrada de leche a plantas de
Conaprole (de aqu en ms LECHE), es el primer paso para atender las
caractersticas que presenta la serie, considerar si tiene tendencia, es decir si es
no estacionaria en media, que ocurre con la varianza y tener en cuenta la
estacionalidad de la misma.
90000
80000
70000
60000
50000
40000
30000
90

91

92

93

94

95

96

97

98

LECHE

Se observa que la serie LECHE tiene tendencia y estacionalidad, contiene un

componente peridico que se repite cada doce observaciones, s = 12. En este caso,
se espera que la leche entrada en plantas de Conaprole en el mes de setiembre de
1998, dependa de la entrada de setiembre de 1997 y posiblemente de la entrada de
1996.
A diferencia con el Ejemplo 1, serie PAI, en ste caso, no se observa que la
varianza se incremente con la media. Cuando se examin la serie PAI, para
remover ese efecto se realiz la transformacin logartmica de los datos. No se
considera necesario en este caso.

12

Identificacin del modelo

En primer lugar observemos el correlograma de los datos Leche
Autocorrelation
. |****** |
. |**** |
. |*. |
.*| . |
**| . |
***| . |
**| . |
.*| . |
. |*. |
. |*** |
. |***** |
. |****** |
. |***** |
. |*** |
. |*. |
.*| . |
**| . |
***| . |
**| . |
.*| . |
. |*. |
. |*** |
. |**** |
. |***** |
. |**** |
. |** |
.|. |
**| . |
***| . |
***| . |
**| . |
.*| . |
.|. |
. |** |
. |*** |
. |*** |

Partial Correlation
. |****** |
****| . |
**| . |
.|. |
.|. |
**| . |
. |** |
. |*. |
. |*** |
. |** |
. |*. |
.|. |
**| . |
. |*. |
.*| . |
. |*. |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
**| . |
.|. |
. |*. |
.|. |
.*| . |
. |*. |
.|. |
.*| . |
.|. |
.|. |
.|. |
. |*. |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.835
0.525
0.164
-0.129
-0.291
-0.357
-0.295
-0.145
0.120
0.435
0.681
0.779
0.638
0.381
0.068
-0.175
-0.302
-0.344
-0.274
-0.133
0.096
0.355
0.548
0.615
0.472
0.225
-0.045
-0.240
-0.335
-0.342
-0.257
-0.131
0.055
0.258
0.396
0.433

0.835
-0.572
-0.235
0.065
0.065
-0.204
0.221
0.135
0.443
0.301
0.077
0.015
-0.305
0.159
-0.129
0.131
0.027
-0.037
-0.012
-0.029
-0.027
0.052
-0.020
0.034
-0.215
-0.021
0.115
-0.026
-0.079
0.084
-0.015
-0.152
-0.051
0.014
-0.040
0.070

73.997
103.51
106.41
108.23
117.61
131.83
141.66
144.06
145.71
167.73
222.31
294.46
343.34
360.95
361.51
365.32
376.78
391.82
401.49
403.81
405.02
421.89
462.45
514.17
545.06
552.15
552.44
560.77
577.13
594.50
604.39
607.01
607.48
617.87
642.87
673.15

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Los coeficientes de los 36 primeros coeficientes de autocorrelacin son todos

significativos. En ste resultado est influyendo la tendencia de la serie y su
marcada estacionalidad. Por tanto, diferenciamos la serie para eliminar a ambas,
una diferencia de orden 1 y otra de orden 12:
( 1 - L )( 1 - L12 )

13

Correlograma de la serie 12 Leche

Included observations: 90
Autocorrelation

Partial Correlation

.|.
****| .
.|.
.|.
.|.
. |*.
.|.
.*| .
.|.
. |**
. |*.
****| .
.*| .
. |***
.|.
.*| .
. |*.
.*| .
.*| .
.|.
.|.
. |*.
.|.
.|.
. |*.
.*| .
.*| .
. |**
.*| .
.|.
. |*.
.|.
.|.
.*| .
.*| .
.|.

.|.
****| .
.*| .
**| .
.|.
.|.
.|.
.*| .
.*| .
. |*.
. |*.
***| .
.|.
.|.
.|.
.|.
. |**
.*| .
.*| .
**| .
.*| .
.|.
. |*.
.*| .
. |*.
.|.
.*| .
.|.
.|.
.|.
.*| .
.|.
.|.
.|.
.|.
.*| .

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

-0.016
-0.460
-0.039
0.017
0.057
0.075
-0.048
-0.082
-0.055
0.198
0.140
-0.485
-0.093
0.368
0.053
-0.083
0.105
-0.147
-0.141
0.034
0.054
0.068
-0.021
0.047
0.073
-0.162
-0.112
0.198
-0.072
-0.013
0.115
0.016
0.006
-0.104
-0.092
0.049

-0.016
-0.460
-0.071
-0.253
-0.010
-0.043
-0.034
-0.073
-0.120
0.171
0.091
-0.440
-0.031
-0.014
-0.022
-0.051
0.230
-0.127
-0.069
-0.216
-0.155
0.048
0.077
-0.135
0.082
-0.014
-0.170
0.040
-0.034
-0.025
-0.093
0.056
0.042
-0.010
0.019
-0.099

0.0230
19.896
20.038
20.065
20.383
20.937
21.170
21.854
22.167
26.212
28.265
53.237
54.172
68.962
69.273
70.040
71.297
73.770
76.092
76.228
76.575
77.141
77.195
77.470
78.149
81.563
83.204
88.427
89.135
89.157
91.020
91.056
91.061
92.651
93.924
94.299

0.879
0.000
0.000
0.000
0.001
0.002
0.004
0.005
0.008
0.003
0.003
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

El valor crtico para los coeficientes de autocorrelacin es 0.21 y encontramos

valores significativos para estos coeficiente en los rezagos 2, 12, y 14, siendo el
resto de los mismos lo suficientemente pequeos para concluir que no hay signos
de no estacionariedad.
Si 12 Leche es una serie estacionaria, estamos en condiciones de
identificar el modelo ARMA que se ajusta mejor a los datos.

14

A partir del correlograma de la serie 12 Leche se identifica el siguiente

modelo: SARIMA (0,1,2)(0,1,12)12.
Estimacin
Utilizando el software EVIEWS 3.0 se estiman los parmetros del modelo.
El resultado es:
12 Lechet = (1 + 0.039L - 0.506L2 ) ( 1 - 0.658L12 ) t
La tabla que sigue contiene el resultado detallado de la estimacin.
Sample(adjusted): 1991:02 1998:07
Included observations: 90 after adjusting endpoints
Convergence achieved after 11 iterations
Backcast: 1989:12 1991:01
Variable

Coefficient

Std. Error

t-Statistic

Prob.

MA(1)
MA(2)
SMA(12)

0.038573
-0.506095
-0.658028

0.091660
0.076612
0.067051

0.420824
-6.605953
-9.813843

0.6749
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.537982
0.527361
2667.851
6.19E+08
-836.1915
1.908953

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

29.78644
3880.582
18.64870
18.73203
50.65220
0.000000

Respecto de los coeficientes estimados del modelo, cabe sealar que el

coeficiente del MA(1) no es significativo, en cambio tanto el del MA(2) como el
del SMA(12), correspondiente a la componente estacional, son altamente
significativos.
En la parte inferior de la tabla se presentan un conjunto de estadsticos, entre los
cuales Akaike Information Criterion (AIC), es de utilidad para considerar la
bondad del ajuste en el caso de que en la etapa de identificacin se especifiquen
varios modelos alternativos. El criterio de AKAIKE consiste en seleccionar
aquel modelo para el que se obtiene el estadstico AIC ms bajo.
En el caso a estudiado el modelo seleccionado, fue el que tuvo el mnimo AIC,
entre las especificaciones probadas.
Luego del examen de los estadsticos anteriores preparamos el correlograma de
los residuos del modelo ajustado. Si el modelo especificado es correcto, los
residuos, es decir la diferencia entre los valores observados y los estimados,
tienen que tener un comportamiento similar a un ruido blanco. Los coeficientes
de autocorrelacin y autocorrelacin parcial estimados que se presentan en ese
correlograma , no deben ser significativamente distintos de cero.

15

Sample: 1991:02 1998:07

Included observations: 90
Q-statistic
probabilities
adjusted for 3
ARMA term(s)
Autocorrelation

Partial Correlation

.|.
.|.
.|.
.*| .
.|.
.|.
.*| .
.*| .
.|.
.|.
. |*.
.*| .
.|.
. |**
. |*.
.|.
.|.
**| .
.*| .
.|.
.|.
.|.
.|.
. |*.
.|.
. |*.
.*| .
. |*.
.*| .
.|.
.|.
.*| .
.|.
.*| .
.*| .
.|.

.|.
.|.
.|.
.*| .
.|.
.|.
.*| .
**| .
.|.
.|.
. |*.
.*| .
.|.
. |**
. |*.
.*| .
.|.
.*| .
.*| .
.*| .
.|.
.|.
.|.
.|.
.*| .
.|.
.*| .
. |*.
.*| .
.|.
. |*.
.|.
. |*.
.*| .
.*| .
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.028
-0.026
-0.044
-0.133
-0.037
-0.011
-0.146
-0.167
-0.017
0.012
0.183
-0.064
0.016
0.253
0.076
-0.032
0.008
-0.230
-0.129
-0.044
-0.041
0.015
0.034
0.077
0.063
0.066
-0.132
0.190
-0.089
-0.014
0.050
-0.114
0.046
-0.076
-0.129
-0.025

0.028
-0.026
-0.043
-0.132
-0.034
-0.019
-0.162
-0.193
-0.043
-0.028
0.124
-0.143
-0.004
0.259
0.074
-0.085
0.033
-0.118
-0.073
-0.107
-0.020
0.042
0.046
0.032
-0.059
0.037
-0.173
0.119
-0.089
0.017
0.070
0.006
0.151
-0.110
-0.171
-0.037

0.0729
0.1341
0.3198
2.0232
2.1584
2.1705
4.2902
7.1222
7.1529
7.1673
10.678
11.110
11.138
18.129
18.761
18.876
18.884
24.955
26.900
27.132
27.333
27.361
27.501
28.249
28.751
29.317
31.594
36.396
37.467
37.495
37.852
39.712
40.024
40.887
43.394
43.486

0.155
0.340
0.538
0.368
0.212
0.307
0.412
0.221
0.268
0.347
0.079
0.094
0.127
0.169
0.051
0.043
0.056
0.073
0.097
0.122
0.133
0.152
0.170
0.137
0.066
0.068
0.086
0.101
0.089
0.104
0.110
0.086
0.105

16

10000
5000
0
10000

-5000

5000

-10000

0
-5000
-10000
92

93

94

95

Residual

96

97

Actual

98

Fitted

La grfica de los residuos tambin estara indicando que estamos frente a una
serie de ruido blanco.

Prediccin
La prediccin realizada con el modelo SARIMA (0,1,2)(0,1,1)12 para 1998/8
de leche entrada a plantas de Conaprole es de 65004 millones de litros.
Se recuerda que el ltimo dato observado para el estudio, fue 1998/7.
La prediccin realizada por el mtodo de Alisamiento Exponencial (Holt
Winters multiplicativo), para igual mes es de 65793 millones de litros.
El grfico siguiente presenta con lnea punteada la variable Leche estudiada y con
lnea llena el resultado del alisamiento exponencial, incluido la prediccin hasta
1998/12.
100000

80000

60000

40000

20000
90

91

92

93

94

LECHESM

95

96

97

LECHE

98