Professional Documents
Culture Documents
Ejemplo 1
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.
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.
6.5
6.0
5.5
5.0
4.5
49 50 51 52 53 54 55 56 57 58 59 60
LPAI
de los datos
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
LPAIt - LPAIt-1
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
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
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
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).
52
53
54
Residual
55
56
57
Actual
58
59
Fitted
60
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
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
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
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.
91
92
93
94
95
96
97
98
LECHE
12
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
13
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
14
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
29.78644
3880.582
18.64870
18.73203
50.65220
0.000000
15
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