0% encontró este documento útil (0 votos)

455 vistas255 páginas

Predicción en El Dominio Del Tiempo. Análisis de Series Temporales para Ingenieros

Cargado por

jj0098

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

0% encontró este documento útil (0 votos)

455 vistas255 páginas

Predicción en El Dominio Del Tiempo. Análisis de Series Temporales para Ingenieros

Cargado por

jj0098

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

Está en la página 1/ 255

Capítulo 1

Análisis descriptivo de
series temporales

1.1. Introducción
Entendemos por Serie Temporal la secuencia de valores que una variable toma a lo
largo del tiempo de forma equiespaciada. El consumo horario de energía eléctrica en
MWh en España, el precio horario de la energía eléctrica en euros por MWh en Espa-
ña, las ventas mensuales de un determinado producto en una empresa en miles de eu-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ros, la temperatura ambiental media diaria a lo largo del año, serian ejemplos de series
temporales cuyos valores futuros sería interesante poder conocer antes de que se pro-
duzcan.
El primer paso en el análisis de series temporales siempre ha de ser un análisis descrip-
tivo del comportamiento pasado de la misma. Todo análisis de series temporales ha de
iniciarse con una representación gráfica de la misma, utilizando los ejes cartesianos, de
forma que en el eje de abscisas representaremos el tiempo y en el de ordenadas, la serie
observada Zt. Obtendremos una serie de puntos (t, Zt) que, al unirlos, nos dan una vi-
sión del patrón de comportamiento de la serie de la que se pueden sacar unas primeras
conclusiones de la evolución histórica de la misma [García Díaz, 2011b].
El estudio descriptivo de series temporales se basa en la idea de descomponer la varia-
ción de la serie en varias componentes básicas.

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Predicción en el dominio del tiempo. Análisis de series temporales para ingenieros

1.2. Componentes de una serie temporal

En el estudio clásico de las series temporales se considera que el comportamiento de la
serie es fruto de la participación de cuatro componentes, la tendencia, las variaciones
cíclicas, las variaciones estacionales y las variaciones aleatorias [González y del
Puerto, 2009].
Tendencia (T): es una componente de la serie que refleja su evolución a largo plazo.
Esta componente, en el conjunto de toda la serie, puede ser de naturaleza estacionaria o
constante, de naturaleza lineal, de naturaleza exponencial, u otras posibilidades. Ejem-
plos de este comportamiento pueden verse en las Figuras 1.3 y 1.5.
Componente cíclica (C): es una componente de la serie que recoge las oscilaciones
periódicas de amplitud superior a un año. Estas oscilaciones no son regulares y se pre-
sentan en los fenómenos económicos cuando se dan de forma alternativa etapas de
crecimiento o recesión. Solamente es caracterizable cuando se disponga de una larga
historia de la serie, y en la práctica es difícil de ajustar lo cual no significa que dicha
componente no esté condicionando el comportamiento de la misma.
Componente estacional (S): es una componente de la serie que recoge oscilaciones que
se producen en periodos de repetición iguales o inferiores a un año originalmente en
series con datos mensuales como se puede observar en el ejemplo 6. Su nombre pro-
viene precisamente de las estaciones climatológicas. Pero podemos encontrarnos con
estacionalidad distinta a la mensual como la semanal, diaria u horaria En el ejemplo 1.1
podemos ver un claro ejemplo [García Díaz, 2011a].
Componente aleatorio o irregular (I): es una componente de la serie temporal que reco-
ge las fluctuaciones debidas a la ocurrencia de eventos imprevisibles. Es por definición
imprevisible y actúa en cualquier serie temporal en mayor o menor medida.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ejemplo 1.1. Serie con componente estacional pura sin tendencia. Análisis descriptivo
de la serie temporal consumo en MWh de energía eléctrica horaria en España de lunes
a viernes (CEEsem).

34
Zt

22
0 24 48 72 96 120

Figura 1.1. Serie ‫ ܜ܈‬ൌCEEsem del consumo en MWh de energía eléctrica horaria
en España de una semana laborable de lunes a viernes

Como se puede observar en la Figura 1.1 esta serie presenta una componente estacional
de periodo o longitud 24 horas sin apenas tendencia. La Figura 1.2 es el llamado box-
plot estacional donde se refleja como el consumo eléctrico es máximo entre las 13 y 14
horas y mínimo sobre las 5 horas.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 1.2. Box-plot estacional de CEEsem

Ejemplo 1.2. Serie con tendencia y posible estacionalidad. Análisis descriptivo de la

serie temporal producción mensual en toneladas de cemento en España entre 1988 y
2004 (୲ ൌ ̶cemento”).
5000000
4000000
Tn producidas

3000000
2000000
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

1990 1995 2000 2005

Time

Figura 1.3. Serie ‫ ܜ܈‬ൌ ̶cemento” contiene la producción mensual en toneladas de

cemento en España entre 1988 y 2004

En la Figura 1.3, se observa una fuerte tendencia al alza entre 1995 y 2005 correspon-
diente al crecimiento exponencial del sector inmobiliario en esa década después de una
bajada suave entre 1988 y 1992. Se puede apreciar una clara componente estacional.
Se ha realizado la descomposición de la serie en sus componentes tendencia, estaciona-
lidad y aleatoria. En la Figura 1.4 observamos cada componente por separado y podre-
mos determinar que efectivamente el patrón de comportamiento estacional es también
muy marcado.

5000000
3500000
data
2000000

0e+00
seasonal

-4e+05
3500000
trend
2000000

1e+05
remainder

-1e+05
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

1990 1995 2000 2005 -3e+05

time
Figura 1.4. Descomposición de la serie ̶cemento”en sus componentes tendencia,
estacionalidad y aleatoria

Ejemplo 1.3. Descomposición de la serie ୲ ൌ ̶azulejos” correspondiente a la exporta-

ción mensual en m2 de baldosas cerámicas en España entre 1990 y 2006. Se ha obteni-
do la descomposición de la serie en sus componentes tendencia, estacionalidad y alea-
toria.

En la Figura 1.5, se observa una fuerte tendencia al alza entre 1993 y 2003 correspon-
diente al crecimiento exponencial del sector inmobiliario en esa década seguida de un
estancamiento. No se puede apreciar una clara componente estacional.

En la Figura 1.6, vamos a poder observar cada componente por separado y podremos
determinar que existe un el patrón de comportamiento estacional muy marcado. En este
caso podemos observar claramente como la tenencia de las exportaciones de baldosas
cerámicas había llegado a un nivel máximo estabilizado a partir del 2004.
3.5e+07
3.0e+07
2.5e+07
2.0e+07
Z

1.5e+07
1.0e+07
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

5.0e+06

1990 1995 2000 2005

Time

Figura 1.5. Serie ‫ ܜ܈‬ൌCEEsem del consumo en MWh de energía eléctrica horaria en
España de una semana laborable de lunes a viernes

3.5e+07
2.0e+07
data
5.0e+06

2e+06
seasonal

0e+00
-2e+06
3.0e+07
2.0e+07
trend
1.0e+07

4e+06
remainder

0e+00
-4e+06
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

1990 1995 2000 2005

time

Figura 1.6. Descomposición de la serie ̶azulejos”en sus componentes tendencia,

estacionalidad y aleatoria

Estas componentes pueden estar actuando según un esquema aditivo, multiplicativo o

mixto para dar el comportamiento global observable de la serie temporal.
Según el esquema aditivo la serie es el resultado de la suma de las cuatro componen-
tes, lo cual significa que pueden tratarse de forma independiente.
Zt = Tt + Ct + St + It (3.1)

Ejemplo 1.4. Obtener una serie temporal Zt = St + It mediante la combinación lineal de

una serie determinista senoidal (St) y una serie aleatoria (It) representándolas gráfica-
mente.

୲ ൌ ʹ ሺʹɎ‫ݐ‬ȀͷͲ ൅ ͲǤ͸Ɏሻ
୲ ൌ ሺͲǡͳሻ
Zt = St + It
2
1
S

0
-1
-2

0 100 200 300 400 500

t
0 1 2 3
I

-2

0 100 200 300 400 500

t
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

4
2
z

0
-2
-4

0 100 200 300 400 500

Mientras que en el caso de que exista alguna relación entre componentes y no se pue-
dan tratar como independientes estaríamos ante un esquema de tipo multiplicativo:
Zt = Tt·Ct·St·It (3.2)

Debido a la naturaleza impredecible de la componente aleatoria lo más habitual es

considerar que dicha componente actúa de forma independiente al resto y por tanto el
esquema más común es el mixto:
Zt = Tt·Ct·St + It (3.3)

La representación gráfica inicial de la serie pondrá de manifiesto información relevante

acerca de la presencia de alguna o todas las componentes presentadas y del tipo de
esquema en que se relacionan. Cuando se aprecia que las fluctuaciones estacionales
aumentan o disminuyen con la tendencia de la serie, estaríamos ante un esquema mul-
tiplicativo. Si esas fluctuaciones estacionales son más o menos constantes a lo largo del
tiempo, el esquema más apropiado sería el aditivo. En el ejemplo 1.5 podemos obser-
var cómo será el comportamiento real de una serie con las mismas en función del es-
quema de integración de las mismas.

Ejemplo 1.5. Dadas las componentes de tendencia (T), estacional (S) y aleatoria (I)
representadas gráficamente, estudiar la serie temporal resultante al aplicar un modelo
aditivo T+S+I y un modelo multiplicativo-mixto T·S+I.
10
8
6
T

4
2

0 20 40 60 80 100

x
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

1.5
0.5
S

-0.5
-1.5

0 20 40 60 80 100

x
3
2
1
I

-2 -1 0

0 20 40 60 80 100

La componente T es una tendencia lineal, la componente S estacional es una función

senoidal y la componente I es aleatoria o irregular.
La serie temporal obtenida como resultado de aplicar el modelo aditivo T + S + I tiene
el siguiente patrón de comportamiento mostrado en la Figura1.7, donde la curva en
color rojo hace referencia a la parte T+S. En este caso la componente irregular I o alea-
toria tiene cierta importancia frente a la parte “determinista” T+S.
Por otra parte, la serie temporal obtenida como resultado de aplicar el modelo mutipli-
cativo-mixto T·S+I tiene el patrón de comportamiento mostrado en la Figura 1.8, donde
la curva en color rojo hace referencia a la parte T·S. En este caso la componente irregu-
lar I o aleatoria tiene poca importancia frente a la parte “determinista” T·S. Podemos
observar como la serie resultante tiene una variabilidad que va en aumento a medida
que el tiempo aumenta debido a la interacción de una tendencia creciente con una com-
ponente estacional regular y constante.
14
12
10
8
T+S+I
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

6
4
2
0

0 20 40 60 80 100

tiempo

Figura 1.7. Esquema aditivo

15
10
5
T*S+I

0
-5
-10
-15

0 20 40 60 80 100

tiempo
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 1.8. Esquema multiplicativo

Ejemplo 1.6. La serie ୲ contiene los pasajeros mensuales transportados por una línea
aérea internacional durante el periodo comprendido entre enero de 1949 y diciembre
de 1960. Se ha obtenido la descomposición de la serie en sus componentes tendencia,
estacionalidad y aleatoria. Realizar el análisis descriptivo de la serie temporal represen-
tada.

600
500
400
pasajeros

300
200
100

1950 1952 1954 1956 1958 1960

Time
500
data
300
100
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

60
seasonal

-20 0 20
-60
500
400
trend
300
200

20 40 60
remainder

0
-40

1950 1952 1954 1956 1958 1960

time

Se observa tendencia mantenida al alza. Se aprecia una marcada componente estacional

y una variabilidad que aumente al aumentar la tendencia de la serie. Poder observar
cada componente por separado y podemos determinar que existe una tendencia lineal al
alza con un patrón de comportamiento estacional muy marcado de longitud 12 meses.

1.3. Métodos de descomposición de una serie temporal

Uno de los objetivos del análisis descriptivo será precisamente el poder aislar cada una
de las componentes de la serie lo cual nos ayudará a tomar las primeras decisiones
acerca de las técnicas más adecuadas para el análisis y construcción de los modelos de
predicción a utilizar. Dos metodologías se pueden utilizar para estudiar por separado
cada una de las componentes: el método clásico de descomposición y otro más mo-
derno, llamado método STL [González y del Puerto, 2009].

1.3.1. Método clásico descomposición

Supongamos que partimos de una serie Zt que presenta tendencia, estacionalidad y
componente aleatoria. En la versión básica del método clásico se supone que el esque-
ma que sigue la serie es aditivo y por tanto la componente estacional permanece cons-
tante para los mismos periodos dentro de los distintos ciclos estacionales,
Zt = Tt + St + It.
En el método clásico de descomposición, para aislar la componente correspondiente a
la tendencia se deben eliminar las variaciones estacionales utilizando medias móviles
centradas de orden la longitud del periodo estacional (serán objeto de estudio en el
capítulo 2). De esta forma se obtiene el componente llamado Ciclo-Tendencia (T-C).
La diferencia entre la serie original Zt y T-C nos proporciona la serie sin tendencia,
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

St + It. A continuación se determinan los índices estacionales que caracterizan la com-

ponente estacional. La componente irregular It se obtendrá por diferencia entre la serie
original y las componentes de tendencia y estacional extraídas anteriormente.

1.3.2. Descomposición STL

El método de descomposición STL está basado en un método de suavizado por regre-
sión local lo que permite ajustar una curva a los datos de forma más flexible que la
obtenida por lo métodos de regresión clásicos. La serie es descompuesta en tres com-
ponentes: tendencia (trend), estacionalidad (seasonal) y aleatoria (remainder).
El software estadístico estándar suele realizar el análisis descriptivo de series tempora-
les sin mayor dificultad presentando gráficamente y por separado las tres componentes
como se puede observar en las Figuras 1.4 y 1.6.

1.3.3. Desestacionalización
La componente estacional requiere un tratamiento especial ya que suele producir una
distorsión del verdadero comportamiento a largo plazo que tiene la serie temporal. Por
ello es frecuente el interés por desestacionalizar la serie y estudiar la tendencia real que
puede presentar la serie en cuestión. Existen diversos métodos para desestacionalizar
una serie, los más simples van desde el cálculo de los índices estacionales, la aplicación
de medias móviles o el ajuste de un modelo de regresión múltiple mediante la utiliza-
ción de variables ficticias dummy que toman valores 0 ó 1. El procedimiento clásico de
análisis de la componente estacional se basa en calcular las medias de las observacio-
nes correspondientes a cada periodo de la estacionalidad corregidos del posible efecto
de la tendencia. Las diferencias entre estas medias y la tendencia estimada mediante
una media móvil es la componente asociada a cada periodo. El concepto de media mó-
vil será tratado en el capítulo 2.
El software estadístico comercial Statgraphics implementa dentro del módulo de Análi-
sis de Series Temporales (Pronósticos) una opción completa dedicada a la Descompo-
sición Estacional. Esta opción presentada por el software permite obtener la serie
desestacionalizada y las componentes cíclica, estacional y regular.
Para mostrar el método vamos a partir del modelo multiplicativo para la serie temporal
según la ecuación 3.2 ya vista:
Zt = Tt·Ct·St·It

Se suele englobar la componente de tendencia y cíclica en un mismo término llamada

Tendencia-Ciclo, TCt, ya que ambos representan relativamente los efectos de largo
plazo. El esquema multiplicativo se puede escribir ahora como Zt = TCt·St·It. El objeti-
vo del método de desestacionalización es aislar la componente estacional St.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Los pasos de la descomposición estacional clásica se describen a continuación. El pro-

cedimiento de Descomposición Estacional divide una serie de tiempo en tres compo-
nentes tendencia-ciclo, estacional e irregular.
En primer lugar se obtiene TCt como el resultado de un promedio móvil centrado de
longitud el periodo estacional (MM) aplicado a la serie estacional. El resultado es una
estimación del componente TCt = MMt. Seguidamente se obtiene una estimación con-
junta (St·It) de la componente estacional St y de la componente irregular It mediante el
cociente de Zt y TCt y multiplicados por 100, St·It = 100·Zt / TCt. Las estimaciones
resultantes del componente estacionalidad-irregularidad son promediadas usando todas
las observaciones dentro de cada periodo estacional para eliminar el componente irre-
gular, lo que resulta en un estimador del componente estacional St. Los componentes
estacionales son entonces ajustados para que un promedio estacional tenga un valor de
100 si se usa el método multiplicativo, Ek. Los datos se dividen entonces entre los es-
timados de Tendencia-Ciclo y estacionalidad para dar el componente irregular o resi-

dual. Este componente se multiplica después por 100, It = 100·Zt / (TCt· St). Y entonces
son normalizados de manera que el residual promedio es igual a 100.
Una vez que todos los componentes han sido estimados, la serie de tiempo original
puede ser estacionalmente ajustada eliminando de ésta solamente los efectos estacio-
nales, dejando la tendencia-ciclo y los componentes irregulares. Para la descomposi-
ción multiplicativa, los datos ajustados estacionalmente están dados por [Zt]ADJ = Zt / Ek
Un gráfico interesante que proporciona Statgraphics es el gráfico en subseries por pe-
riodo de estacionalidad que no es más que la representación de la serie por estaciones
[García Díaz, 2011b].

Ejemplo 1.7. Descomposición estacional de la serie CEEsem representada en la Figura

1.1.
Como se ha comprobado en el Ejemplo 1.1, esta serie presenta una componente esta-
cional de periodo o longitud 24 horas. Statgraphics permite obtener gráficos como los
que se muestran a continuación para la serie CEEsem. El siguiente gráfico (Figura 1.9)
muestra los coeficientes estacionales de la serie Ek. Como se puede comprobar éstos
son mayores para a partir de la hora 10, y son menores antes de la hora 10, lo cual indi-
ca que hay estacionalidad.

124

114
índice estacional
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

104

74
0 5 10 15 20 25
estación

Figura 1.9. Índices estacionales Ek de la serie CEEsem

hora Ek hora Ek
1 93.003 13 117.482
2 85.9162 14 119.453
3 80.5644 15 116.476
4 77.758 16 112.158
5 76.9282 17 111.625
6 77.0507 18 111.192
7 79.2873 19 110.63
8 84.9924 20 106.98
9 93.4279 21 105.079
10 102.278 22 103.94
11 111.341 23 105.871
12 115.323 24 101.245

El siguiente gráfico (Figura 1.10) corresponde a la representación en subseries por

periodo de estacionalidad (24 horas) y muestra la descomposición estacional de la se-
rie. Las líneas horizontales para cada hora muestran la media de la serie para cada uno
de los días. Las líneas verticales que salen de cada línea horizontal indican, en cada
hora, cómo varía la serie en los diferentes días de la semana.

(X 1000,0)
41
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

35
CEEsem

23
0 5 10 15 20 25
Estación

Figura 1.10. Subseries estacionales horarias de la serie CEEsem

El siguiente gráfico (Figura 1.11) muestra la serie día a día de la semana de forma in-
dependiente. La variación de la serie en las distintas horas es muy parecida todos los
días, lo cual indica que hay estacionalidad. Podemos decir que cuanto más paralelas
sean las curvas, más nítida y perfecta es la estacionalidad.

(X 1000,0)
41 Ciclo
1
2
38
3
4
35 5
C EEsem

23
0 5 10 15 20 25
Estación

Figura 1.11. Subseries estacionales diarias de la serie CEEsem

La Tabla 1.1, muestra la descomposición estacional de forma analítica. Este procedi-

miento aplica una descomposición estacional multiplicativa a CEEsem. El propósito de
la descomposición es separar CEEsem en componentes Ciclo-Tendencia, estacional y
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

aleatorio. La columna TCt muestra los resultados de un promedio móvil centrado de

longitud 24 aplicado a CEEsem. La columna de estacionalidad se determina con el
siguiente cáculo St = 100· Zt / TCt. Se calculan entonces los índices estacionales para
cada hora Ek escalándolos de modo que la hora promedio sea igual a 100. El compo-
nente irregular o residual se cálcula cómo It = 100·Zt / (TCt· St). Por último se obtiene
la serie ajustada o desestacionalizada [Zt ] = Zt / Ek.

Tabla 1.1. Descomposición estacional clásica de la serie CEEsem

Datos Ciclo- Estacionalidad Coeficientes Irregular Zt

hora Zt Tendencia St estacionales It ajustada
MWh TCt Ek
MWh

1 27504 93.003 29573.2

2 25326 85.9162 29477.6

3 23546 80.5644 29226.3

4 22511 77.758 28950.1

5 22017 76.9282 28620.2

6 22057 77.0507 28626.6

7 23173 79.2873 29226.6

8 24044 84.9924 28289.6

9 28500 93.4279 30504.8

10 31704 102.278 30997.9

11 35100 111.341 31524.8

12 36271 115.323 31451.7

13 36897 30954 119.2 117.482 101.46 25968.2

14 37459 31026 120.7 119.453 101.07 31358.8

15 37041 31093.6 119.1 116.476 102.28 31801.4

16 35854 31168.4 115.0 112.158 102.56 31967.4

17 35701 31252.5 114.2 111.625 102.34 31983.0

18 35502 31337.5 113.3 111.192 101.89 31928.6

19 35250 31409.5 112.2 110.63 101.44 31863.0

20 34277 31487.1 108.9 106.98 101.76 32040.6

21 33538 31548.5 106.3 105.079 101.17 31916.9

22 32981 31569.5 104.5 103.94 100.51 31730.8

23 33649 31567.4 106.6 105.871 100.68 31783.0

24 32075 31554.6 101.6 101.245 100.40 31680.6

1 29340 31536.8 93.0 93.003 100.03 31547.4

2 26948 31514.3 85.5 85.9162 99.53 31365.4

3 25171 31485.5 79.9 80.5644 99.23 31243.3

4 24473 31444.2 77.8 77.758 100.09 31473.3

5 24093 31404.5 76.7 76.9282 99.73 31318.8

6 24060 31365.7 76.7 77.0507 99.56 31226.2

7 24626 31325.5 78.6 79.2873 99.15 31059.2

8 26315 31278.1 84.1 84.9924 98.99 30961.6

9 29176 31224.7 93.4 93.4279 100.01 31228.4

10 32040 31180.3 102.8 102.278 100.47 31326.4

11 34660 31145 111.3 111.341 99.95 31129.6

12 36100 31117.5 116.0 115.323 100.60 31303.4

13 36212 31098 116.4 117.482 99.12 30823.4

14 37064 31080.8 119.3 119.453 99.83 31028.1

15 36055 31067.8 116.1 116.476 99.64 30954.9

16 34856 31048.6 112.3 112.158 100.09 31077.6

17 34794 31026.3 112.1 111.625 100.46 31170.4

18 34547 31008.5 111.4 111.192 100.20 31069.7

19 34275 30994.7 110.6 110.63 99.96 30981.7

20 32977 30989.2 106.4 106.98 99.47 30825.4

21 32275 30978.5 104.2 105.079 99.15 30715.0

22 32109 30956 103.7 103.94 99.79 30891.9

23 32830 30937.1 106.1 105.871 100.23 31009.4

24 31575 30917.4 102.1 101.245 100.87 31186.7

1 28904 30896.7 93.6 93.003 100.59 31078.6

2 26555 30876 86.0 85.9162 100.10 30908.0

3 24941 30847.9 80.9 80.5644 100.36 30957.8

4 23784 30815.1 77.2 77.758 99.26 30587.2

5 23710 30772.7 77.0 76.9282 100.16 30820.9

6 23586 30735 76.7 77.0507 99.60 30611.0

7 24440 30709.7 79.6 79.2873 100.37 30824.6

8 26237 30690.7 85.5 84.9924 100.58 30869.8

9 28742 30675.1 93.7 93.4279 100.29 30763.8

10 31392 30661.8 102.4 102.278 100.10 30692.8

11 34399 30642.7 112.3 111.341 100.82 30895.2

12 35416 30610.5 115.7 115.323 100.33 30710.3

13 35904 30580.5 117.4 117.482 99.94 30561.3

14 36378 30563.5 119.0 119.453 99.64 30453.8

15 35392 30552.1 115.8 116.476 99.46 30385.7

16 33947 30546.1 111.1 112.158 99.09 30267.1

17 33667 30538.5 110.2 111.625 98.76 30160.8

18 33863 30534.5 110.9 111.192 99.74 30454.5

19 33744 30535.1 110.5 110.63 99.89 30501.7

20 32597 30532.4 106.8 106.98 99.80 30470.2

21 31908 30528.9 104.5 105.079 99.47 30365.7

22 31833 30527.1 104.3 103.94 100.33 30626.3

23 32192 30524.6 105.5 105.871 99.61 30406.8

24 30666 30523.5 100.5 101.245 99.23 30288.9

1 28372 30530.9 92.9 93.003 99.92 30506.5

2 26275 30542.8 86.0 85.9162 100.13 30582.1

3 24672 30553.1 80.8 80.5644 100.23 30623.9

4 23764 30559.3 77.8 77.758 100.01 30561.5

5 23368 30569.8 76.4 76.9282 99.37 30376.4

6 23732 30576.2 77.6 77.0507 100.73 30800.5

7 24323 30576.8 79.5 79.2873 100.33 30677.0

8 26228 30582.6 85.8 84.9924 100.90 30859.2

9 28582 30601.3 93.4 93.4279 99.97 30592.6

10 31464 30619 102.8 102.278 100.47 30763.2

11 34207 30630.3 111.7 111.341 100.30 30722.7

12 35555 30648.6 116.0 115.323 100.59 30830.8

13 36122 30663.1 117.8 117.482 100.27 30746.8

14 36730 30674 119.7 119.453 100.24 30748.5

15 35534 30685.3 115.8 116.476 99.42 30507.6

16 34101 30697.6 111.1 112.158 99.04 30404.4

17 34021 30715.9 110.8 111.625 99.23 30477.9

18 33813 30727.1 110.0 111.192 98.97 30409.6

19 33825 30729.8 110.1 110.63 99.50 30574.9

20 32794 30727.6 106.7 106.98 99.76 30654.3

21 32609 30724.3 106.1 105.079 101.00 31032.8

22 31979 30717.9 104.1 103.94 100.16 30766.8

23 32588 30702.2 106.1 105.871 100.26 30780.9

24 31151 30679.6 101.5 101.245 100.29 30767.9

1 28581 30655.7 93.2 93.003 100.25 30731.3

2 26590 30633.7 86.8 85.9162 101.03 30948.8

3 24901 30611.4 81.3 80.5644 100.97 30908.2

4 24127 30591.3 78.9 77.758 101.43 31028.3

5 23881 30573.1 78.1 76.9282 101.54 31043.2

6 23755 30554.3 77.7 77.0507 100.90 30830.3

7 24432 30528.5 80.0 79.2873 100.94 30814.5

8 26011 30508.5 85.3 84.9924 100.31 30603.9

9 28641 30498.3 93.9 93.4279 100.52 30655.7

10 31099 30483.8 102.0 102.278 99.75 30406.3

11 33819 30461.6 111.0 111.341 99.71 30374.3

12 34858 30448.4 114.5 115.323 99.27 30226.4

13 35671 117.482 30362.9

14 36124 119.453 30241.2

15 35070 116.476 30109.2

16 33603 112.158 29960.4

17 33645 111.625 30141.1

18 33286 111.192 29935.6

19 33115 110.63 29933.1

20 32543 106.98 30419.7

21 32367 105.079 30802.5

22 31525 103.94 30330.0

23 31978 105.871 30204.7

24 31130 101.245 30747.2

Como se verá en el capítulo 2, cuando se aplican medias móviles bilaterales se pierden

p/2 valores de la serie al principio y al final, siendo p la longitud del periodo estacional.
En este caso p = 24 y se pierden 12 valores al principio y 12 al final.
En la Figura 1.12 podemos observar la serie CEEsem descompuesta en sus componen-
tes de tendencia, estacionalidad y aleatoria. Se observa que la tendencia del consumo es
a la baja a partir del segundo día. La serie presenta una componente estacional muy
marcada.
Un procedimiento alternativo para modelizar la componente estacional de una serie
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

temporal es representarla mediante una función armónica como el seno o el coseno de

periodo s como se ha visto en el Ejemplo 1.4, que recoja comportamientos periódicos
no aleatorios y por tanto deterministas. Siguiendo este concepto se desarrolla una he-
rramienta denominada peridiograma que utiliza el principio de Fourier que especifica
que toda función periódica puede representarse como suma de funciones sinusoidales
de distinta amplitud y frecuencia. El peridiograma es una herramienta que permite
detectar la presencia de posibles ciclos deterministas en una serie temporal. Este tipo de
enfoque recibe el nombre de análisis espectral o análisis en el dominio de la frecuencia.
Para profundizar en esas herramientas se puede consultar las referencias González y del
Puerto (2009), y Peña (2005).

25000 30000 35000

data

6000
-6000 -2000 2000
seasonal
31500
trend
30500
29500

500
remainder

0
-1000
1 2 3 4 5 6

time
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 1.12. Descomposición de la serie ̶cemento”en sus componentes tendencia,

estacionalidad y aleatoria

1.4. Series temporales con doble o triple estacionalidad

Hasta ahora se ha considerado que la serie temporal presentaba un único patrón de
comportamiento estacional. Decíamos que la serie presentaba una componente estacio-
nal de longitud 12 meses o 24 horas, por ejemplo. Existen series que presentan más de
una componente estacional. Diremos que este tipo de series presentan, por ejemplo,
doble o triple estacionalidad. Un ejemplo claro de un comportamiento doble estacional
lo presenta la serie tratada en ejemplos anteriores del consumo de energía eléctrica
horaria en España. El estudio de series de demanda eléctrica revela estacionalidad tanto
diaria como semanal, de longitudes 24 y 168 horas respectivamente. El ejemplo si-
guiente nos muestra el análisis descriptivo de este tipo de series.

Ejemplo 1.8. La serie ୲ ൌCEEmes contiene el consumo en MWh de energía eléctrica

horaria en España de un mes completo. Realizar el análisis descriptivo de la serie tem-
poral representada.
40000
35000
CEEmes (Mwh)

30000
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

25000
20000

0 5 10 15 20 25 30

Time

Esta serie presenta dos comportamientos estacionales distintos, uno de lunes a viernes
y otro de sábado a domingo. Diremos que esta serie presenta una doble estacionalidad,
aunque realmente el patrón de comportamiento examinando la variación horaria intra-
diaria parece que es el mismo, únicamente hay una caída de nivel.

En el box-plot estacional se observa que efectivamente el comportamiento de consumo

a lo largo del día es similar aunque no el nivel lógicamente. El consumo es mayor en la
segunda parte del día que en la primera. También se observa que existe una mayor
variabilidad en las horas de la tarde y menor en las horas de la madrugada.

En el siguiente gráfico podemos observar la serie CEEmes descompuesta en sus com-

ponentes de tendencia, estacionalidad y aleatoria. Como se puede apreciar la tendencia
va cayendo de lunes a viernes suavemente y el sábado y domingo presenta un descenso
importante. Si analizamos la componente estacional vemos que el patrón de compor-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

tamiento es el mismo todos los días aunque el nivel de la serie, reflejado por la tenden-
cia, cae durante el sábado y el domingo.

Decomposition of additive time series

40000
observed
30000
3200020000
trend
28000
24000
6000
2000
seasonal
-2000
-6000
2000
random
-2000
-6000

0 5 10 15 20 25 30

Time

1.5. Parámetros y criterios de evaluación de la bondad en el ajuste de

modelos
Una serie temporal tiene naturaleza estocástica o aleatoria cuando su futuro queda par-
cialmente determinado a partir de su pasado debido a la aparición e influencia de facto-
res aleatorios no controlables. Es por ello, que una parte del comportamiento pueda ser
predecible por su naturaleza determinista pero que otra parte sea estocástica. La suma
de ambos comportamientos tiene como resultado un grado de incertidumbre asociado a
los valores futuros de dicha serie, lo que hace necesario introducir parámetros y crite-
rios que puedan indicarnos que grado precisión puedan tener nuestros modelos de pre-
dicción.
Se van a introducir en este capítulo inicial aquellos parámetros que serán utilizados
como criterios para evaluar la bondad de un modelo de predicción. Vamos a considerar
los valores conocidos de una serie temporal Y1, Y2,.., Ym y las predicciones realizadas
con el modelo a evaluar F1, F2,.., Fm. A la diferencia entre el valor real y el predicho
por el modelo le llamaremos error de predicción:
et =Yt - Ft (3.4)

Lógicamente, el modelo que presente menores errores de predicción será el más ade-
cuado. A partir de los errores de predicción cometidos periodo a periodo podemos
definir los siguientes parámetros:
• Error absoluto medio (MAD):

σ೘
భ ‫פ‬௒೟ ିி೟ ‫פ‬
‫ ܦܣܯ‬ൌ (3.5)
௠

• Error porcentual medio (MAPE):

ೊ೟ షಷ೟
σ೘
భ ‫פ‬ ‫פ‬
ೊ೟
‫ ܧܲܣܯ‬ൌ ‫ͲͲͳ כ‬ (3.6)
௠

• La raíz del error cuadrático medio (RMSE):

σ೘
భ ሺ௒೟ ିி೟ ሻ
మ
ܴ‫ ܧܵܯ‬ൌ ට (3.7)
௠

El modelo que presente los menores valores del MAD, MAPE y RMSE serán los que
mejor ajusten a la serie original. En los siguientes ejemplos podemos ver la mecánica
de cálculo y selección.
Ejemplo 1.9. Dadas las previsiones realizadas con dos modelos distintos A y B de una
serie temporal en la Tabla 1.2, seleccionar el mejor mediante las ecuaciones (3.5)-(3.7).

Tabla 1.2
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Data Forecast A Forecast B

239.155 221.972 226.951

217.483 239.153 216.377

197.129 217.485 209.929

152.607 197.131 170.055

131.224 152.611 156.791

• Para el modelo A:
Modelo A
Data Forecast Error Error^2 %Error
239.155 221.972 17.183 295.255 7.185
217.483 239.153 -21.67 469.589 -9.964
197.129 217.485 -20.356 414.367 -10.326
152.607 197.131 -44.524 1982.387 -29.176
131.224 152.611 -21.387 457.404 -16.298

ͳ͹Ǥͳͺ͵ ൅ ‫ ڮ‬൅ ʹͳǤ͵ͺ͹

‫ ܦܣܯ‬ൌ ൌ ʹͷǤͲʹͶ
ͷ
͹Ǥͳͺͷ ൅ ‫ ڮ‬൅ ͳ͸Ǥʹͻͺ
‫ ܧܲܣܯ‬ൌ ൌ ͳͶǤͷͺΨ
ͷ

ʹͻͷǤʹͷͷ ൅ ‫ ڮ‬൅ Ͷͷ͹ǤͶͲͶ

ܴ‫ ܧܵܯ‬ൌ ඨ ൌ ʹ͸Ǥͻ
ͷ

• Para el modelo B (se omite tabla errores):

ͳʹǤʹͲͶ ൅ ‫ ڮ‬൅ ʹͷǤͷ͸͹

‫ ܦܣܯ‬ൌ ൌ ͳ͵Ǥͺʹͷ
ͷ

ͷǤͳͲ͵ ൅ ‫ ڮ‬൅ ͳͻǤͶͺ͵

‫ ܧܲܣܯ‬ൌ ൌ ͺǤ͸Ψ
ͷ

ͳͶͺǤͻ͵ͺ ൅ ‫ ڮ‬൅ ͸ͷ͵Ǥ͸͹ͳ

ܴ‫ ܧܵܯ‬ൌ ඨ ൌ ͳͷǤͻͷ
ͷ

Se seleccionará el modelo con menor RMSE, por consiguiente se elige B.

Ejemplo 1.10. Una serie temporal ୲ consta de los 20 valores que aparecen la Tabla
1.3. Se ha ajustado el siguiente modelo de predicción ୲ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺͲʹ͸͵Ͷ୲ିଵ Ǥ
Partiendo de los datos originales de la serie y tomando el valor predicho por el modelo
para t = 1 indicado en la tabla, obtener: a) los errores de predicción cometidos por di-
cho modelo, y b) el RMSE.

Tabla 1.3. Datos Serie

Periodo Dato real Dato predicho modelo

1.0 95.0552 95.0412

2.0 95.0736
3.0 95.099
4.0 95.1181
5.0 95.0707
6.0 95.0395
7.0 95.0033
8.0 95.0239
9.0 95.0166
10.0 95.0517
11.0 95.0114
12.0 94.9715
13.0 94.9186
14.0 94.9375
15.0 94.96
16.0 94.9832
17.0 95.011
18.0 95.0019
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

19.0 95.0492
20.0 94.9938

a) Cálculo de los errores de predicción cometidos. El error de predicción cometido

para un instante t determinado (et) se obtiene como la diferencia entre el valor real
de la serie (‫ݖ‬௧ ) y la predicción realizada por el modelo para el instante t considerado
(‫ݖ‬Ƹ௧ ).

error(t) = valor real(t) – valor predicho por el modelo(t)

݁௧ ൌ ‫ݖ‬௧ െ ‫ݖ‬Ƹ௧

Calculemos el error de predicción cometido para el instante t = 1:

݁ଵ ൌ ‫ݖ‬ଵ െ ‫ݖ‬Ƹଵ ൌ ͻͷǤͲͷͷʹ െ ͻͷǤͲͶͳʹ ൌ ͲǤͲͳͶ

Para calcular ݁ଶ , debemos de calcular primero la predicción ‫ݖ‬Ƹଶ con la ecuación del
modelo ajustado:

ܼመ௧ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺͲʹ͸͵Ͷܼ௧ିଵ

ܼመଶ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺͲʹ͸͵Ͷܼଵ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺʹ͸͵Ͷ ൉ ͻͷǤͲͷͷʹ ൌ ͻͷǤͲͶ͹ͷ

݁ଶ ൌ ‫ݖ‬ଶ െ ‫ݖ‬Ƹଶ ൌ ͻͷǤͲ͹͵͸ െ ͻͷǤͲͶ͹ͷ ൌ ͲǤͲʹ͸ͳͷ͸

Y de la misma forma obtenemos los demás errores e3, e4,…, e20 :

ܼመଷ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺͲʹ͸͵Ͷܼଶ ൌ95.0622

ଷ ൌ ଷ െ ොଷ ൌͻͷǤͲͻͻെͻͷǤͲ͸ʹʹൌͲǤͲ͵͸͹͵ͳͶ

෠ସ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺͲʹ͸͵Ͷଷ ൌͻͷǤͲͺʹ͸

ସ ൌ ସ െ ොସ ൌͻͷǤͳͳͺͳെͻͷǤͲͺʹ͸ൌͲǤͲ͵ͷͷ͸Ͳͺ
……Ǥ

෠ଶ଴ ൌ ͳͺǤ͹ͷʹͻ ൅ ͲǤͺͲʹ͸͵Ͷଵଽ ൌͻͷǤͲͶʹ͹

ଶ଴ ൌ ଶ଴ െ ොଶ଴ ൌͻͶǤͻͻ͵ͺȂͻͷǤͲͶʹ͹ൌǦͲǤͲͶͺͺͶͳʹ

b) Determinación del RMSE
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Un parámetro muy utilizado para la evaluación de la bondad de un modelo de predic-

ción es el conocido como RMSE: la raíz cuadrada del error cuadrático medio. Su cálcu-
lo utiliza la serie de los cuadrados de los errores de predicción. Se obtiene el valor me-
dio de dicha serie (MSE) y se extrae la raíz cuadrada (RMSE). La Tabla 1.4 recoge el
cálculo de los errores periodo a periodo y el cálculo del RMSE.

ൌ σ୘୲ୀଵ ଶ୲ Τ= ሺଵଶ ൅ ଵଶ ൅ ‫ ڮ‬൅ ଶ୘ ሻ/T =

[(0.0139694)2 + (0.026156)2 +…+ (-0.0488412)2]/20 = 0.000947193

்
ܴ‫ ܧܵܯ‬ൌ ඥσ௧ୀଵ ݁௧ଶ Τܶ ൌ ξͲǤͲͲͲͻͶ͹ͳͻ͵ ൌ 0.030776502

Tabla 1.4. Cálculo del RMSE

t ࢆ࢚ ෡࢚
ࢆ et et2
1 95.05520023 95.04123083 0.0139694 0.00019514

2 95.07360675 95.04745075 0.026156 0.00068414

3 95.09895588 95.06222448 0.0367314 0.0013492

4 95.11813139 95.08257059 0.0355608 0.00126457

5 95.07069821 95.09796151 -0.0272633 0.00074329

6 95.03954337 95.05988997 -0.0203466 0.00041398

7 95.0032897 95.034884 -0.0315943 0.0009982

8 95.02393544 95.00578564 0.0181498 0.00032942

9 95.01659005 95.02235658 -0.00576653 3.3253E-05

10 95.05168201 95.01646091 0.0352211 0.00124053

11 95.01139851 95.04462691 -0.0332284 0.00110413

12 94.97146801 95.01229401 -0.040826 0.00166676

13 94.91858841 94.98024441 -0.061656 0.00380146

14 94.93751931 94.93780145 -0.000282136 7.9601E-08

15 94.9600002 94.95299603 0.00700417 4.9058E-05

16 94.9832297 94.97104 0.0121897 0.00014859

17 95.01097593 94.98968473 0.0212912 0.00045332

18 95.00194914 95.01195484 -0.0100057 0.00010011

19 95.04924256 95.00470966 0.0445329 0.00198318

20 94.99382774 95.04266894 -0.0488412 0.00238546

Error cuadrático medio MSE 0.00094719

Raíz del error cuadrático medio RMSE 0.0307765

Ejercicios propuestos

P.1.1. Realizar el análisis descriptivo de la serie Zt cuya representación frente al tiempo

se muestra en la Figura 1.13. También se presenta el gráfico de subseries estacionales
en la Figura 1.14

9
Zt

0
0 12 24 36 48 60 72 84

Figura 1.13. Serie Zt frente al tiempo

14
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

12
10
8
Zt

6
4
2
0
0 1 2 3 4 5 6 7 8 9 10 11 12
mes
TFigura 1.14. Gráfico de subseries estacionales

P.1.2. Los índices estacionales obtenidos con Statgraphics al realizar la Descomposi-

ción Estacional de la serie CEEsem del ejercicio 1.6 se muestran en la Figura 1.9. In-
terpretar dichos coeficientes y realizar una predicción del consumo para la horas 7 y 14
cuando el valor de la componente ciclo-tendencia en esas horas es 31325.5 y 31080.8
Mw respectivamente.

P.1.3. Obtener la serie Zt desestacionalizada correspondiente al precio de barril de

Brent trimestral (2010-2013) cuya descomposición e índices estacionales se dan a con-
tinuación

Data Table for precio

Seasonal decomposition method: Multiplicative
Seasonally
Period Data Trend-Cycle Seasonality Irregular Adjusted
Q1/2010 1.813
Q2/2010 2.003
Q3/2010 2.161 2.07 104.4 100.8
Q4/2010 2.147 2.159 99.48 98.46
Q1/2011 2.127 2.276 93.42 96.92
Q2/2011 2.396 2.43 98.62 99.6
Q3/2011 2.709 2.606 104.0 100.4
Q4/2011 2.826 2.768 102.1 101.0
Q1/2012 2.856 2.891 98.8 102.5
Q2/2012 2.966 2.977 99.63 100.6
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Q3/2012 3.123 3.019 103.5 99.91

Q4/2012 3.099 3.019 102.7 101.6
Q1/2013 2.919 2.978 98.03 101.7
Q2/2013 2.904 2.907 99.9 100.9
Q3/2013 2.855
Q4/2013 2.8

Seasonal Indices for precio

Seasonal decomposition method: Multiplicative

Season Index
1 96.4
2 99.02
3 103.5
4 101.0

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Capítulo 2
Técnicas de Vuavizado
de Veries Wemporales

2.1. Introducción
Los métodos de predicción por suavizado pueden ser clasificados en dos grupos: mé-
todos de medias móviles y métodos de suavizado exponencial. En el primer caso a
todos los valores históricos observados se les dota de la misma importancia. En cam-
bio, el suavizado exponencial dota de un peso distinto a cada dato del histórico. Desde
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

el punto más distante hasta el instante actual estos pesos se distribuyen de forma ex-
ponencial, de modo que el peso es mayor cuanto más cerca se sitúa el dato del instan-
te actual.
Todos los métodos de suavizado exponencial requieren de un cierto número de pará-
metros de suavizado cuyos valores oscilan entre 0 y 1, y determinarán la distribución
de los pesos en los datos pasados. El método de suavizado exponencial simple es el
más sencillo de todos ellos, y sólo necesita de un parámetro. Otros métodos como el
de Holt-Winters, incluye tres parámetros ya que introduce dos conceptos adicionales:
tendencia y estacionalidad.

2.2. Medias móviles

Los métodos basados en medias móviles son una manera simple de suavizar el histó-
rico de datos para obtener una predicción cuando no hay tendencia marcada ni esta-
cionalidad. Una manera de modificar la influencia de los datos pasados en la media
como predicción es especificar cuántas observaciones pasadas serán incluidas en el

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

cálculo de la media. Se utiliza el término medias móviles para describir este procedi-
miento puesto que conforme vamos disponiendo de nuevas observaciones se pueden
calcular nuevas medias incluyendo la nueva observación y desechando la más anti-
gua. La predicción de media siempre incluye el mismo número de observaciones y
éstas además, son las más recientes. Este método no es capaz de tratar tendencia o
estacionalidad. En definitiva con este método lo que conseguimos es suavizar el com-
portamiento de la serie cuando presenta oscilaciones periódicas y/o aleatorias fuertes.
Podemos encontrar dos tipos de medias móviles: medias móviles centradas y medias
móviles unilaterales. El primer caso es útil para modelizar la tendencia y el segundo
caso para realizar predicciones de series con media más o menos constante o estable.

2.2.1. Medias móviles centradas

El método de medias móviles centradas es interesante para dejar al descubierto la
tendencia de la serie. No tiene carácter predictivo por sí mismo, y se trata más de un
método intermedio para aplicar otras técnicas para modelizar la tendencia de la serie
una vez eliminada la componente irregular y/o estacional. Consiste en sustituir cada
observación de la serie original Yt por la media de p valores consecutivos.
Una media móvil centrada en el instante t de orden p = 2m+1 de la serie Yt se define
como:
௠
ͳ ‫ݕ‬௧ି௠ ൅‫ݕ‬௧ି௠ାଵ ൅ ‫ ڮ‬൅ ‫ݕ‬௧ ൅ ‫ݕ ڮ‬௧ା௠ିଵ ൅‫ݕ‬௧ା௠
ሺʹ ൅ ͳሻ௧ ൌ ෍ ‫ݕ‬௧ା௝ ൌ
ʹ݉ ൅ ͳ ʹ݉ ൅ ͳ
௝ୀି௠
(2.1)
Donde puede observarse que el subíndice asignado a la media móvil (t) es el mismo
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

que el de la observación central, Yt. Debe observarse también que por diseño de la
media móvil, no se pueden calcular las medias móviles correspondientes a las prime-
ras m observaciones y a las m últimas. Se cumplirá siempre que si el orden p de la
media móvil es par se perderán p/2 valores al principio y p/2 al final de la serie.
Así podemos tener en el caso más sencillo una media móvil de orden 3 y 5:
ଵ
ͳ ‫ݕ‬௧ିଵ ൅ ‫ݕ‬௧ ൅‫ݕ‬௧ାଵ
ሺ͵ሻ௧ ൌ ෍ ‫ݕ‬௧ା௝ ൌ
͵ ͵
௝ୀିଵ
ଶ
ͳ ‫ݕ‬௧ିଶ ൅ ‫ݕ‬௧ିଵ ൅ ‫ݕ‬௧ ൅‫ݕ‬௧ାଵ ൅‫ݕ‬௧ାଶ
ሺͷሻ௧ ൌ ෍ ‫ݕ‬௧ା௝ ൌ
ͷ ͷ
௝ୀିଶ

En este último caso tenemos 5 = 2·m +1 y por tanto m = 2 lo que nos produce que la
primera media móvil que se puede calcular es para la observación t = 3 ya que las 2
primeras no se pueden calcular.

‫ݕ‬ଵ ൅ ‫ݕ‬ଶ ൅ ‫ݕ‬ଷ ൅‫ݕ‬ସ ൅‫ݕ‬ହ

ሺͷሻଷ ൌ
ͷ
Si el orden de la media móvil es impar, la serie está centrada directamente pero si el
orden es par entonces hay que centrarlas mediante un promedio.

2.2.2. Medias móviles unilaterales

El método de medias móviles unilaterales si es un método realmente de predicción
que da buenos resultados en situaciones concretas a corto plazo cuando no exista una
marcada componente estacional.
ିଵ
ͳ ‫ݕ‬௧ି௠ ൅‫ݕ‬௧ି௠ାଵ ൅ ‫ ڮ‬൅ ‫ݕ‬௧ିଵ
ሺሻ௧ ൌ ෍ ‫ݕ‬௧ା௝ ൌ
݉ ݉
௝ୀି௠

(2.2)
Así podemos tener en el caso más sencillo una media móvil de orden 3:
ିଵ
ͳ ‫ݕ‬௧ିଷ ൅ ‫ݕ‬௧ିଶ ൅ ‫ݕ‬௧ିଵ
ሺ͵ሻ௧ ൌ ෍ ‫ݕ‬௧ା௝ ൌ
͵ ͵
௝ୀିଷ

Ejemplo 2.1. Sea la serie temporal de datos trimestrales siguiente: 70.8, 72.7, 72,
71.6, 73.4, 75.3, 74.8, 74.3, 76.8, 78.2, 78, 72 correspondientes a tres años completos.
Se desea: a) Calcular los dos primeros términos de la serie de medias móviles que
corrige el efecto de la estacionalidad, e indicar cuantos términos tendrá la nueva serie
(realizar el análisis con un software como Statgraphics); b) Tras ajustar la serie de
medias móviles a la tendencia se obtuvo por regresión lineal el siguiente ajuste
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Xt = 71.275 + 0.732·t (con t = 1 para el primer valor de la serie de medias móviles).

Estimar el valor de la tendencia en el 4º trimestre del año siguiente al último que figu-
ra en la serie inicial; c) Repetir el punto a) en el supuesto de que los datos fueran tri-
mestrales.

a) Calcular los dos primeros términos de la serie de medias móviles. Como la

longitud del periodo estacional es 4 (4 trimestres al año) elegiremos el orden
de la media móvil igual al periodo estacional para corregir el efecto de la es-
tacionalidad, 4:
௠
ͳ
ሺʹ ൉ Ͷ ൅ ͳሻ௧ ൌ ෍ ‫ݕ‬௧ା௝
ʹ݉ ൅ ͳ
௝ୀି௠
‫ݕ‬௧ି௠ ൅‫ݕ‬௧ି௠ାଵ ൅ ‫ ڮ‬൅ ‫ݕ‬௧ ൅ ‫ݕ ڮ‬௧ା௠ିଵ ൅‫ݕ‬௧ା௠
ൌ
ʹ݉ ൅ ͳ

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

ଶ
ͳ ‫ݕ‬௧ିଶ ൅ ‫ݕ‬௧ିଵ ൅ ‫ݕ‬௧ ൅‫ݕ‬௧ାଵ
ሺͶሻ௧ ൌ ෍ ‫ݕ‬௧ା௝ ൌ
Ͷ Ͷ
௝ୀିଶ

70,8
72,7 71,78
72 72,43 72,10
71,6 73,08 72,75
73,4 73,78 73,43
75,3 74,45 74,11
74,8 75,30 74,88
74,3 76,03 75,66
76,8 76,83 76,43
78,2 76,25 76,54
78 76,07
72

t Xt MM
1 70.8 80
2 72.7
3 72 72.1 78
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

4 71.6 72.75
5 73.4 73.425 76
Xt

6 75.3 74.1125
74
7 74.8 74.875
8 74.3 75.6625
72
9 76.8 76.425
10 78.2 76.5375 70
11 78 Q1/00 Q1/01 Q1/02 Q1/03

12 72

Figura 2.1. Medias móviles de orden 4

Como vemos en la Figura 2.1, se pierden 2 valores por “delante” y dos valores por
“detrás” quedando 8 valores. Se cumplirá siempre que si el orden p de la media móvil
es par se perderán p/2 por delante y p/2 por detrás. El gráfico muestra la nueva serie
suavizada.
b) Estimar el valor de la tendencia en el 4º trimestre del año siguiente:

Xt = 71.275 + 0.732·t = 71.275 + 0.732·14 = 81.523

c) Si los datos fueran cuatrimestrales, el orden de la media móvil sería 3 (3 cua-
trimestres por año), tendríamos 4 años. Se pierden dos valores, uno por “de-
lante” y otro por “detrás” quedando 8 valores (en la Figura 2.2).

t Xt Suavizado
1 70.8
2 72.7 71.8333
3 72 72.1
4 71.6 72.3333 80

5 73.4 73.4333
78
6 75.3 74.5
7 74.8 74.8 76
Xt
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

8 74.3 75.3
74
9 76.8 76.4333
10 78.2 77.6667 72
11 78 76.0667
70
12 72 0 3 6 9 12

Figura 2.2. Medias móviles de orden 3

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

Ejemplo 2.2. Con los datos de la serie del ejercicio 2.1, realizar a) la descomposición
estacional mediante Statgraphics, y b) calcular los índices estacionales.

a) Método de descomposición estacional: Multiplicativo

Tabla 2.1. Descomposición estacional

t Xt Ajustado por
Ciclo-Tendencia Estacionalidad Irregular
Estacionalidad
1 70.8 70.6926
2 72.7 71.4079
3 72 72.1 99.8613 100.057 72.1411
4 71.6 72.75 98.4192 100.188 72.887
5 73.4 73.425 99.966 99.8144 73.2887
6 75.3 74.1125 101.602 99.7965 73.9617
7 74.8 74.875 99.8998 100.096 74,9466
8 74.3 75.6625 98.1992 99.9644 75.6355
9 76.8 76.425 100.491 100.338 76.6835
10 78.2 76.5375 102.172 100.356 76.8101
11 78 78.1529
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

12 72 73.2942

La Tabla 2.1 muestra cada paso de la descomposición estacional. La columna Ten-

dencia-Ciclo muestra los resultados de un promedio móvil centrado de longitud 4
aplicado a Xt. La columna de estacionalidad muestra los datos divididos entre el pro-
medio móvil y multiplicados por 100. Se calculan entonces los índices estacionales
para cada estación promediando los cocientes a lo largo de todas las observaciones en
esa estación, y escalando los índices de modo que la estación promedio sea igual a
100. Los datos se dividen entonces entre los estimados de Tendencia-Ciclo (Figu-
ra2.3) y estacionalidad para dar el componente irregular o residual. Este componente
se multiplica después por 100.

a) Índices de Estacionalidad para Xt

Tabla 2.2. Índices estacionales

Estación Índice
1 100.152
2 101.809
3 99.8044
4 98.2343
La Tabla 2.2 muestra los índices estacionales para cada estación, escalados de forma
que una estación promedio sea igual a 100. Los índices van desde un mínimo de
98.2343 en estación 4 hasta un máximo de 101.809 en estación 1. Esto indica que
hay un balanceo estacional desde 98.23 % del promedio hasta 101.81 % de promedio
a lo largo del curso de un ciclo completo (Figura 2.4).

80
Gráfica de Componente de Ciclo-Tendencia para Xt

76
Xt

72 datos
ciclo-tendencia

70
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

0 2 4 6 8 10 12

Figura 2.3. Componente Ciclo-Tendencia

102
Gráfica de Índice Estacional para Xt

101
índice estacional

100

98
0 1 2 3 4 5
estación

Figura 2.4. Índices estacionales

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

2.3. Suavizado exponencial

Una extensión directa del método de predicción de medias móviles simples es el de
medias móviles ponderadas. Las medias móviles implican pesos iguales para todos los k
datos históricos. Sin embargo, en predicción, normalmente los datos más recientes ofre-
cen una mejor descripción del futuro, por lo que es conveniente disponer de un modelo
que asigne un peso mayor cuanto más reciente es el dato. Esta distribución de lo pesos
se realiza de forma exponencial, de ahí el concepto de suavizado exponencial.
Este es un esquema muy popular para producir el suavizado de series temporales.
Mientras que en promedios móviles las últimas observaciones tienen el mismo peso,
el suavizado exponencial asigna pesos exponencialmente decrecientes a medida que
las observaciones son más antiguas. Los métodos de suavizado exponencial más utili-
zados son los siguientes:
El método de suavizado exponencial simple es el único método de suavizado,
con un parámetro de suavizado que es necesario estimar.
El método de Holt hace uso de dos parámetros de suavizado diferentes y per-
mite la previsión para la serie con tendencia. Se trata de un suavizado doble.
El método de Holt-Winters consta de tres parámetros de suavizado para suavi-
zar los datos, la tendencia y la componente estacional. Se trata de un suavizado
triple.
Todos los parámetros de suavizado, son constantes que toman valores entre 0 y 1.

2.3.1. Suavizado exponencial simple

El método de suavizado exponencial simple realiza la predicción a partir de la predic-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ción del instante anterior y realiza un ajuste que depende del error de la predicción:
୲ାଵ ൌ ୲ ൅ Ƚሺ୲ െ ୲ሻ (2.3)
donde ୲ es la predicción, ୲ el valor observado y Į un valor constante que oscila
entre 0 y 1. Por lo tanto se observa que la nueva predicción es la predicción del ins-
tante anterior más un ajuste que depende del error cometido en la predicción. De la
ecuación se desprende que si Į tiene un valor cercano a la unidad, la nueva predicción
incluirá un sustancial ajuste por el error en la predicción previa. Consecuentemente, si
Į está cercano a 0 el ajuste será pequeño o nulo.
La ecuación (2.3) implica un principio básico de retroalimentación negativa, que fun-
ciona como muchos de los procesos de control utilizados por dispositivos automáticos
como termostatos, pilotos automáticos etc. El error de la predicción pasada es utiliza-
do para corregir la siguiente predicción en una dirección opuesta a la del error come-
tido. Por lo tanto habrá una serie de ajustes hasta que el error sea corregido.

Este principio, aunque pueda parecer simple, juega un papel importante en las predic-
ciones ya que puede ser utilizado para desarrollar un proceso de auto ajuste que corri-
ja las predicciones automáticamente.
Otra manera de escribir la ecuación (2.3) de predicción por suavizado exponencial
simple es la siguiente:
୲ାଵ ൌ Ƚ୲ ൅ ሺͳ െ Ƚሻ ୲ (2.4)
La predicción ሺ ୲ାଵ ሻ está basada en ponderar la observación más reciente ሺ୲ ሻ con un
pesoȽ y ponderar la predicción más reciente ሺ ୲ ሻ con un peso de ͳ െ Ƚ. Esta es la
forma en la que la generalmente es utilizada la ecuación de la predicción por suaviza-
do exponencial simple, pero los efectos del suavizado exponencial se observan mejor
si se expande la ecuación sustituyendo ୲ por sus componentes, ya que este término
también es una predicción:
୲ାଵ ൌ Ƚ୲ ൅ ሺͳ െ ȽሻሾȽ୲ିଵ ൅ ሺͳ െ Ƚሻ ୲ିଵ ሿ

ൌ Ƚ୲ ൅ Ƚሺͳ െ Ƚሻ୲ିଵ ൅ ሺͳ െ Ƚሻଶ ୲ିଵ

Si este proceso se repite sustituyendo ୲ିଵ por sus componentes, ୲ିଶ por sus compo-
nentes, y así sucesivamente, el resultado sería:
୲ାଵ ൌ Ƚ୲ ൅ Ƚሺͳ െ Ƚሻ୲ିଵ ൅ Ƚሺͳ െ Ƚሻଶ ୲ିଶ ൅ Ƚሺͳ െ Ƚሻଷ ୲ିଷ ൅ Ƚሺͳ െ Ƚሻସ ୲ିସ ൅ ‫ڮ‬
ǥ ൅ Ƚሺͳ െ Ƚሻ୲ିଵ ଵ ൅ ሺͳ െ Ƚሻ୲ ଵ

Por lo que ୲ାଵ representa una media móvil ponderada de todas las observaciones
pasadas. En la Tabla 2.3 se muestra como varían los pesos de las observaciones pasa-
das para Į = 0.2, 0.4, 0.6 y 0.8.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Tabla 2.3. Efecto del parámetro de ponderación

Į = 0.2 Į = 0.4 Į = 0.6 Į = 0.8

ܻ௧ 0.2 0.4 0.6 0.8
ܻ௧ିଵ 0.16 0.24 0.24 0.16
ܻ௧ିଶ 0.128 0.144 0.096 0.032
ܻ௧ିଷ 0.1024 0.0864 0.0384 0.0064
4 4 4
ܻ௧ିସ (0.2)(0.8) (0.4)(0.6) (0.4)(0.6) (0.8)(0.2)4

En cada caso los pesos para todos los datos pasados suman, aproximadamente, la
unidad. Si graficásemos estos pesos observaríamos que decrecen exponencialmente,
de ahí el nombre de suavizado exponencial.

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

El uso del método de suavizado exponencial simple requiere la especificación del

parámetro Į. La elección de este parámetro tiene gran importancia en los errores co-
metidos en resultados de la predicción. Una práctica habitual para determinar este
valor de Į es elegir aquel valor que minimice el RMSE (la raíz cuadrada del error
medio cuadrático) o el MAPE de la predicción. Alternativamente, ese parámetro tam-
bién podría ser determinado a través de un algoritmo de optimización no lineal.
Ejemplo 2.3. Realizar la predicción de la demanda para el período 12 utilizando el
mejor modelo de suavizado exponencial simple para los casos con Į = 0.1 y 0.5.

Tabla 2.4. Efecto del parámetro de ponderación en la predicción de la demanda

Periodo (t) Mes Demanda Dt Ft (Į = 0.1) Ft (Į = 0.5)

1 Enero 200 200 200

2 Febrero 135 200 200

3 Marzo 195 193.5 167.5

4 Abril 197.5 193.6 181.2

5 Mayo 310 194 189.4

6 Junio 175 205.6 249.7

7 Julio 155 202.6 212.3

8 Agosto 130 197.8 183.7

9 Septiembre 220 191.1 156.8

10 Octubre 277.5 193.9 188.4

11 Noviembre 235 202.3 232.9

12 Diciembre 205.6 233.9

MAD 43.4 51.8

RMSE 55.98 62.88

El mejor modelo de predicción es el primero, el que utiliza una Į = 0.1, ya que su

RMSE es inferior al del segundo modelo, por lo que aseguramos que la predicción
hecha por el primer modelo es más fiable y se ajusta más a la realidad. La predicción
para el siguiente periodo (t = 12) sería 205.6 unidades.
Vamos a mostrar cómo se calcularían las predicciones con el modelo de suavizado
exponencial simple.
El Modelo suavizado exponencial simple según la ecuación (2.4) era:

‫ܨ‬௧ାଵ ൌ ߙ‫ܦ‬௧ ൅ ሺͳ െ ߙሻ‫ܨ‬௧

dónde:
Ft+1 = predicción próximo periodo
Dt = actual demanda para el presente periodo
Ft = predicción presente periodo previamente determinada
Į = factor de suavizado

Modelo 1 con Į = 0.1:

‫ܨ‬௧ାଵ ൌ ͲǤͳ‫ܦ‬௧ ൅ ሺͳ െ ͲǤͳሻ‫ܨ‬௧

Para inicializar el algoritmo tomamos F1 = D1 = 200

Para predecir la demanda para t = 2, 3, …, 12

F2 = 0.1D1 + (1-0.1) F1 = 0.1·200 + 0.9·200 = 200

F3 = 0.1D2 + (1-0.1) F2 = 0.1·135 + 0.9·200 = 193.5

F4 = 0.1D3 + (1-0.1) F3 = 0.1·195 + 0.9·193.5 = 193.6
Y así sucesivamente.

Modelo 2 con Į = 0.5:

‫ܨ‬௧ାଵ ൌ ͲǤͷ‫ܦ‬௧ ൅ ሺͳ െ ͲǤͷሻ‫ܨ‬௧
Para inicializar el algoritmo tomamos F1 = D1 = 200

F2 = 0.5D1 + (1-0.5) F1 = 0.5·200 + 0.5·200 = 200

F3 = 0.5D2 + (1-0.5) F2 = 0.5·135 + 0.5·200 = 167.5
Y así sucesivamente.

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

Dejamos como ejercicio el cálculo de los parámetros de selección de modelos MAD y

RMSE mediante las expresiones:

ʹ
σ೘
೟సభȁ஽೟ ିி೟ ȁ σ݉
‫ݐ‬ൌͳሺ‫ ݐܦ‬െ‫ ݐܨ‬ሻ
MAD = , RMSE = ඨ
௠ ௠

La representación gráfica de la serie Demanda y los dos modelos de predicción ajus-

tados (Figura 2.5) nos dará una idea del suavizado conseguido según la variación del
factor de ponderación:

350,00

300,00

250,00

200,00

150,00

100,00 Demanda Dt
50,00 ɲ = 0.1
ɲ = 0.5
0,00
1 2 3 4 5 6 7 8 9 10 11

Figura 2.5. Efecto del suavizado sobre la demanda

2.3.2. Modelo de Holt

Holt extendió el método de suavizado exponencial simple al modelo de suavizado
exponencial lineal para permitir al método de predicción captar tendencias en las
series. Para ello Holt introduce dos constantes para el suavizado: Į y ȕ, cuyos valores
oscilan entre 0 y 1, y tres ecuaciones:
‫ܮ‬௧ ൌ ߙܻ௧ ൅ ሺͳ െ ߙሻሺ‫ܮ‬௧ିଵ ൅ ܾ௧ିଵ ሻ

ܾ௧ ൌ ߚሺ‫ܮ‬௧ െ ‫ܮ‬௧ିଵ ሻ ൅ ሺͳ െ ߚሻܾ௧ିଵ

‫ܨ‬௧ା௠ ൌ ‫ܮ‬௧ ൅ ܾ௧ ݉ (2.5)

Donde ‫ܮ‬௧ es una estimación del nivel de la serie en el instante t y ܾ௧ una estimación
de la pendiente de la serie en el instante t. Este nivel de la serie ሺ‫ܮ‬௧ ሻ es calculado a
partir del nivel en el instante anterior corregido por la tendencia de ese instante, lo que
ayuda a eliminar el retraso. En la segunda expresión, la tendencia ሺܾ௧ ሻ es actualizada

por la diferencia entre los dos últimos valores suavizados, ya que si existe alguna
tendencia en los datos, los nuevos valores deberían ser más altos o más bajos que los
anteriores. Sin embargo, también puede haber aleatoriedad por ello el valor de la ten-
dencia es calculada como una media ponderada por el parámetro ȕ entre la tendencia
en el último periodo ሺ‫ܮ‬௧ െ ‫ܮ‬௧ିଵ ሻ y el valor de la tendencia en el periodo anterior
ሺܾ௧ିଵ ሻ.
El valor de la predicción ሺ‫ܨ‬௧ା௠ ሻ es calculado como una adición de las dos componen-
tes: nivel y tendencia. Al valor del nivel se le suma el valor de la tendencia multipli-
cado por el número de periodos comprendidos entre el instante de la predicción y el
actual.

2.3.3. Modelo de Holt-Winters

Si los datos que se manejan no presentan patrones de tendencia o estacionalidad, los
métodos de medias móviles o suavizado exponencial simple pueden ser apropiados.
Si la serie muestra patrón de tendencia, se puede utilizar el método lineal de Holt, sin
embargo si la serie además muestra alguna componente estacional ninguno de estos
métodos, por sí solos, puede resolver el problema.
El método de Holt fue extendido por Winters para captar la estacionalidad de una
serie. Este método, método de Holt-Winters, se basa en tres ecuaciones de suavizado:
nivel, tendencia y estacionalidad. Es similar al método lineal de Holt, añadiendo una
ecuación para la estacionalidad. De hecho, existen dos métodos diferentes Holt-
Winters, dependiendo de cómo se modela la estacionalidad: forma aditiva o multipli-
cativa.
Estacionalidad multiplicativa. Las ecuaciones básicas del método Holt-Winters mul-
tiplicativo son las siguientes:
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Nivel: Yt
Lt = α + (1 − α )(Lt −1 + bt −1 )
St−s

Tendencia: bt = β (Lt − Lt −1 ) + (1 − β )bt −1

Estacionalidad: Yt
St = γ + (1 − γ )S t − s
Lt

Predicción: Ft + m = (Lt + bt m)S t −s +m (2.6)

Donde s es el número de periodos que abarca la estacionalidad, ‫ܮ‬௧ el nivel de la

rie,ܾ௧ la tendencia, ܵ௧ la componente estacional, y ‫ܨ‬௧ା௠ la predicción a m periodos.
La ecuación de estacionalidad (ܵ௧ ) se puede entender como el ratio entre el valor ac-

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

tual de la serie,ܻ௧ , y el valor suavizado para la serie en este mismo instante, ‫ܮ‬௧ . Es
importante señalar que ‫ܮ‬௧ es un valor suavizado de la serie, y este no incluye estacio-
nalidad, lo que es equivalente a decir que los datos han sido ajustados de forma esta-
cional. Por el contrario, los valores de ܻ௧ sí contienen estacionalidad y además com-
ponente aleatoria. Para suavizar la aleatoriedad de la serie se incluye el parámetro Ȗ
en la ecuación del índice estacional.
La ecuación de la tendencia no presenta ninguna diferencia respecto a la del método
lineal de Holt. En cambio, la ecuación para el nivel difiere levemente. En esta ecua-
ción el primer término se ha dividido por ܵ௧ି௦ para eliminar las fluctuaciones debidas
a la estacionalidad de ܻ௧ .
Como sucede con todos los métodos de suavizado exponencial, se necesitan unos
valores iníciales para poner en funcionamiento el algoritmo. Estos valores son el nivel
‫ܮ‬௧ , la tendencia ܾ௧ y el índice estacional ܵ௧ y para determinar estos valores iníciales
necesitamos, al menos, una periodo completo que incluya los s periodos de la compo-
nente estacional.
El nivel inicial del modelo puede ser calculado simplemente como la media de los s
primeros valores de la serie. Al realizar esto se está calculando una media móvil de
orden s, lo cual elimina la estacionalidad de los datos. Para inicializar la tendencia es
conveniente utilizar dos periodos completos, por tanto, los 2s primeros datos de la serie:

ଵ ଢ଼౩శభ ିଢ଼భ ଢ଼౩శమ ିଢ଼మ ଢ଼౩శ౩ ିଢ଼౩ (2.7)

ୱ ൌ ቂ ൅ ൅ ‫ڮ‬൅ ቃ
ୱ ୱ ୱ ୱ

Cada uno de estos términos sería una estimación de la tendencia sobre un período
estacional completo, el valor de ୱ es calculado como la media de esas s estimacio-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

nes. Para el índice estacional se utilizaría el ratio entre los primeros valores de la serie
y la media del nivel en el primer periodo estacional:

ଵ ଶ ୱ
ଵ ൌ ǡଶ ൌ ǡǥǡ ୱ ൌ
ୱ ୱ ୱ

Para determinar los parámetros Ȗ, Į y ȕ se utilizan aquellos valores que minimizan el

RMSE o el MAPE.
Estacionalidad aditiva. La componente estacional en el método Holt-Winters también
puede ser tratada de forma aditiva, aunque esta versión es mucho menos frecuente.
Para la versión aditiva las ecuaciones básicas serian:

Nivel: L = α (Y − S ) + (1 − α )(L + b )
t t t −s t −1 t −1

Tendencia: b = β (L − L ) + (1 − β )b
t t t −1 t −1

Estacionalidad: S = γ (Y − L ) + (1 − γ )S
t t t t −s

t + m = Lt + bt m + S t − s + m
Predicción: F (2.8)

La ecuación de tendencia es exactamente igual que en la versión multiplicativa del

método. La diferencia en el resto de ecuaciones es que ahora los índices estacionales
son sumados o restados, en lugar de estar multiplicados o divididos como sucedía en
la versión multiplicativa. Este método se puede inicializar de manera análoga al mul-
tiplicativo. Para determinar los parámetros Ȗ, Į y ȕ se utilizan aquellos valores que
minimizan el RMSE o el MAPE.

Ejemplo 2.4. Obtener los valores óptimos del modelo de Holt-Winters que mejor
explican el comportamiento de la serie “pasajeros”. Realizar la predicción para los
próximos 36 meses

El método de suavizado exponencial de Holt-Winters (HW) está muy indicado para el

análisis y predicción de series con tendencia y componente estacional. Se trata de un
modelo de suavizado exponencial triple que depende de tres parámetros de suavizado
alfa, beta y gamma que gobiernan tres ecuaciones iterativas correspondientes al nivel,
la tendencia y la estacionalidad de la serie respectivamente. En el caso de que gamma
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

sea igual a cero tendríamos el modelo de Holt, indicado para series con tendencia, si
además beta es igual a cero, tendríamos el modelo de suavizado exponencial simple.
La terna de parámetros [Į, ȕ, Ȗ] se seleccionan entre aquellos que hacen mínima la
suma de cuadrados de los errores de predicción o algún parámetro derivado como el
RMSE (raíz del error cuadrático medio). Este proceso de optimización se lleva a cabo
por métodos numéricos.
En este caso, utilizando el lenguaje R se obtiene que los valores óptimos para estos
parámetros son Į = 0.2479, ȕ = 0.0345 y Ȗ = 1 con una suma de cuadrados
SSE = 21860.18. El ajuste del modelo a la serie puede observarse en la Figura 2.6. La
predicción puntual y por intervalos de confianza para los próximos 36 meses se
observa en la Figura 2.7.

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

600
500
400
pasajeros

300
200
100

1950 1952 1954 1956 1958 1960

tiempo

Figura 2.6. Serie “pasajeros”

Figura 2.7. Serie “pasajeros”

Así para los 12 primeros meses las predicciones puntuales y los intervalos de confian-
za al 95 % son:
Tabla 2.5. Predicciones puntuales y los intervalos de confianza al 95 %

Mes Puntual lim. Sup. Lim.

Inf.

Jan 1961 447.0559 466.8057 427.3061

Feb 1961 419.7123 440.2920 399.1326
Mar 1961 464.8671 486.7712 442.9630
Apr 1961 496.0839 519.3350 472.8329
May 1961 507.5326 531.9278 483.1375
Jun 1961 575.4509 602.1935 548.7083
Jul 1961 666.5923 696.5558 636.6288
Aug 1961 657.9137 688.6454 627.1821
Sep 1961 550.3088 578.9777 521.6398
Oct 1961 492.9853 520.9553 465.0153
Nov 1961 420.2073 446.9458 393.4688
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Dec 1961 465.6345 487.9686 443.3004

Ejemplo 2.5. Se quiere comparar la bondad de predicción del modelo de suavizado

de Holt-Winters ajustado a la serie CEEsem. Obtener los valores óptimos los paráme-
tros del modelo ajustado a las primeras 96 horas y calcular la predicción para las si-
guientes 24 horas. Calcular el RMSE de dicha predicción.

En primer lugar se ajusta el modelo de Holt-Winters a los primeros 96 datos de la

serie CEEsem y reservamos los últimos 24 (ܼ௧ en la Tabla 2.6) como “banco de prue-
bas”. Como es sabido este modelo depende de tres constantes de suavizado [Į, ȕ, Ȗ]
que pueden variar entre 0 y 1. El valor óptimo de la terna de parámetros se obtiene
mediante métodos numéricos y será aquella que haga mínimo el error cuadrático me-
dio o su raíz (RMSE). En este caso encontramos Į = 0.8513572, ȕ = 0 y Ȗ = 1.
En segundo lugar con el modelo “optimizado” realizamos la proyección de la serie
para las próximas 24 horas obteniendo la serie ܼመ௧ tal y como aparece en Tabla 2.6.

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

Por diferencia entre ܼ௧ y ܼመ௧ obtenemos el error de predicción cometido periodo a
periodo y por tanto la serie residual et. Calculamos el cuadrado de los residuos y ob-
tenemos el error cuadrático medio y el RMSE.

Tabla 2.6. Bondad ajuste modelo Holt-Winters a la serie CEEsem

t ࢆ࢚ ෡࢚
ࢆ et et2
97 28581 28511.68 69.32 4805.26
98 26590 26090.71 499.29 249290.50
99 24901 24318.81 582.19 338945.19
100 24127 23519.43 607.57 369141.30
101 23881 23273.95 607.05 368509.70
102 23755 23320.29 434.71 188972.78
103 24432 23921.51 510.49 260600.04
104 26011 25668.68 342.32 117182.98
105 28641 28415.78 225.22 50724.05
106 31099 31391.77 -292.77 85714.27
107 33819 34156.36 -337.36 113811.77
108 34858 35523.07 -665.07 442318.10
109 35671 36326.06 -655.06 429103.60
110 36124 37030.66 -906.66 822032.36
111 35070 36340.67 -1270.67 1614602.25
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

112 33603 35205.63 -1602.63 2568422.92

113 33645 35087.18 -1442.18 2079883.15
114 33286 34872.65 -1586.65 2517458.22
115 33115 34574.23 -1459.23 2129352.19
116 32543 33408.57 -865.57 749211.42
117 32367 32729.77 -362.77 131602.07
118 31525 32168.28 -643.28 413809.16
119 31978 32719.90 -741.9 550415.61
120 31130 31219.28 -89.28 7970.92
Error cuadrático medio (MSE) 691828.33
Raíz del Error cuadrático medio (RMSE) 831.76

Gráficamente se puede observar el ajuste realizado contra lo observado, Figura 2.8.

Este modelo sobre estima el consumo máximo y subestima el consumo mínimo com-
portándose bien en el resto del patrón de comportamiento.

observado
36000

ajustado
34000
32000
Observado/ajustado

30000
28000
26000
24000
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

5 10 15 20

hora

Figura 2.8. Predicción próximas 24 horas de la Serie “CEEsem”

Ejemplo 2.6. Se quiere comparar la bondad del ajuste de un modelo de suavizado

exponencial simple y un modelo de suavizado de Holt-Winters a la serie CEEsem.
Obtener los valores óptimos los parámetros de ambos modelos. Calcular el RMSE de
ambos modelos y decidir cuál es el mejor. Realizar la predicción con el mejor modelo
para las próximas 24 horas.

a) Parámetros óptimos de ambos modelos

En primer lugar se ajusta el modelo de suavizado exponencial simple a la serie
CEEsem. Como es sabido este modelo depende de una constante de suavizado llama-
da Į que puede variar entre 0 y 1. El valor óptimo del parámetro Į se obtiene median-

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

te métodos numéricos y será aquel que haga mínimo el error cuadrático medio o su
raíz (RMSE). En este caso encontramos Į = 0.98528, próximo a 1.
suavizado exponencial simple
35000
observado/ajustado

30000
25000

2 3 4 5 6

tiempo
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 2.9. Ajuste de la Serie “CEEsem”

En la Figura 2.9 podemos observar que el suavizado exponencial simple con Į =

0.98528 explica muy bien el comportamiento pasado de la serie.
En segundo lugar se ajusta el modelo de Holt-Winters a la serie CEEsem. El valor
óptimo de la terna de parámetros se obtiene mediante métodos numéricos y será aque-
lla que haga mínimo el error cuadrático medio o su raíz (RMSE). En este caso encon-
tramos Į = 0.98528, ȕ = 0 y Ȗ = 1.
En la Figura 2.10 podemos observar que el modelo de Holt-Winters con Į = 0.98528,
ȕ = 0 y Ȗ = 1 explica muy bien el comportamiento pasado de la serie y no difiere sig-
nificativamente del suavizado exponencial simple.

b) Comparación de modelos mediante el RMSE

Una vez obtenido los valores óptimos de los parámetros de ambos modelos se puede
reconstruir la serie CEEsem con ambos modelos y calcular el error cuadrático medio
y su raíz. En este caso los valores obtenidos han sido:

modelo RMSE
Suavizado Exponencial Simple 264.56
Holt-Winters 254.89

En este caso hemos obtenido muy poca la diferencia entre ambos modelos y podría-
mos utilizar cualquiera de los dos sin cometer errores apreciables. Si nos tuviéramos
que decantar por un modelo de los dos es preferible utilizar el más sencillo, es decir,
el suavizado exponencial simple aunque realmente el más preciso sería el de Holt-
Winters que además está especialmente destinado a series con componente estacional
muy marcada como ocurre con la serie CEEsem.
HW
35000
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

observado/ajustado

30000
25000

2 3 4 5 6

tiempo

Figura 2.10. Ajuste de la Serie “CEEsem”

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

c) Predicciones
Una vez seleccionado el “mejor” modelo, realizamos la predicción del consumo eléc-
trico para las próximas 24 horas. En la Tabla 2.7 y la Figura 2.11 se presentan tanto
una predicción puntual como por intervalos de confianza.

Tabla 2.7. Predicción puntual y por intervalos de confianza al 95 %

Hora Puntual lim. Sup. Lim. Inf.

1 28483.86 29023.35 27944.36
2 26192.20 26880.11 25504.29
3 24445.87 25244.22 23647.51
4 23666.65 24570.81 22762.49
5 23418.46 24427.11 22409.81
6 23430.57 24541.26 22319.87
7 24041.54 25270.39 22812.68
8 25710.35 27100.07 24320.64
9 28397.54 29995.83 26799.24
10 31257.92 33072.87 29442.98
11 34029.99 36056.06 32003.92
12 35333.98 37486.73 33181.23
13 36184.83 38436.75 33932.91
14 36846.16 39184.95 34507.38
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

15 36127.05 38467.12 33786.98

16 34984.10 37298.01 32670.19
17 34937.68 37294.52 32580.84
18 34682.60 37067.86 32297.34
19 34413.67 36825.55 32001.79
20 33326.86 35709.03 30944.69
21 32661.20 35041.91 30280.48
22 32009.53 34388.89 29630.17
23 32575.70 35040.47 30110.93
24 31199.15 33552.67 28845.63

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Técnicas de suavizado de series temporales
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 2.11. Ajuste y predicción de la Serie “CEEsem”

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Prediccción en el dominio del tiempo. Análisis de series temporales para ingenieros

Ejercicios propuestos

P.2.1. ¿Cuál de las siguientes definiciones de estacionalidad es la más adecuada?

a) Es la presencia de ciclos anuales en la serie

b) Es la constancia en media y covarianza a lo largo del tiempo
c) Es la constancia de las características de una serie
d) Es la repetición periódica de comportamientos de ciclo corto.

P.2.2. Con la información siguiente, indicar cuál de las siguientes afirmaciones sobre
el modelo ajustado es verdadera.

HOLT-WINTERS SUAVIZADO EXPONENCIAL

Data Forecast Data Forecast

239.155 226.951 239.155 221.972

217.483 216.377 217.483 239.153

197.129 209.929 197.129 217.485

152.607 170.055 152.607 197.131

131.224 156.791 131.224 152.611

a) El modelo de Holt-Winters es el más adecuado para esta serie

b) El modelo de Suavizado Exponencial es el más adecuado para esta serie
c) Es un modelo con sólo dos constantes de ajuste
d) Ninguna de las anteriores.

P.2.3 Se desea realizar predicciones de una serie temporal correspondientes a la venta

(en miles de uds) de cierto producto mediante la utilización de los métodos clásicos
para lo cual se han seleccionado 5 modelos cuyos resultados se muestran a continua-
ción:
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

a) ¿Qué modelo sería el menos adecuado? Justificar la respuesta.

b) Determinar las ventas para el periodo t = 25.

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

3.1. Introducción
Es habitual que las series temporales evolucionen con cierta inercia debido a la in-
fluencia que hechos pasados tienen sobre el presente, produciendo una dependencia
entre sus valores presentes y sus valores pasados. Podemos decir que cuando se reco-
gen observaciones de una variable que evoluciona en el tiempo existe relación entre
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

observaciones recogidas en diferentes instantes del tiempo. El análisis, caracterización

y explotación de esta dependencia entre observaciones en distintos instantes del tiempo
hace posible el desarrollo de modelos de predicción basados en el pasado de la variable
objeto de estudio.

3.2. Procesos Hstocásticos

El verdadero modelo matemático para una serie temporal es el concepto de proceso
estocástico. Vamos a suponer que el valor observado de la serie en el instante t es una
extracción al azar de una variable aleatoria definida en dicho instante. Por tanto, una
serie temporal de n datos será una muestra de un vector de n variables aleatorias orde-
nadas en el tiempo (Z1, Z2,…, Zt,…, Zn). Un proceso estocástico es una sucesión de
variables aleatorias ሼܼ௧ ሽ que evolucionan a lo largo del tiempo. La serie observada es
una realización o trayectoria de dicho proceso estocástico.

Para modelar el proceso estocástico en análisis de series temporales, comúnmente, hay

principalmente dos enfoques conocidos como análisis en el dominio del tiempo y aná-
lisis en el dominio de la frecuencia.
El análisis en el dominio del tiempo se basa en la estructura de la correlación de los
procesos estocásticos estacionarios. Box y Jenkins (1970) desarrollaron una clase de
modelos lineales conocidos como autorregresivos integrados de medias móviles
(ARIMA) para tratar de modelizar y predecir series estacionarias o no estacionarias a
las que se les ha eliminado la tendencia y la estacionalidad.
Esta metodología también puede aplicarse a series multivariantes definiendo los mode-
los ARIMA vectoriales. Casos especiales de esta metodología son los modelos que
relacionan una variable salida con una o más variables entrada, conocidos como mode-
los de función de transferencia o de regresión dinámica, y como caso particular encon-
tramos el análisis de intervención.
El análisis de las series en el dominio de la frecuencia está basado en el teorema de
descomposición espectral de un proceso estacionario que nos asegura que la variabili-
dad de la serie es suma de la variabilidad de ondas seno-coseno.
Estos modelos pueden seguirse con detalle en Peña (2005), González y del Puerto
(2009) y en Aznar y Trívez (1993).

3.3. Identificación de la autocorrelación en series temporales

Existen multitud de procesos en los que observamos que datos próximos en el tiempo
guardan cierto grado de similitud, mucho más que si comparásemos observaciones
separadas por un retardo mayor. Se hace evidente que existe cierta dependencia entre
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

las variables y por tanto se necesita algún criterio estadístico para establecer dicho
grado de dependencia.
Al representar los datos contra el tiempo se pueden identificar los patrones de depen-
dencia. Se dice que existe dependencia positiva cuando, con gran frecuencia, a valores
elevados suceden valores elevados y también en el caso contrario, cuando a valores
pequeños suceden valores pequeños. Es fácil intuir el significado de dependencia nega-
tiva. Entendemos por dependencia negativa cuando, con gran frecuencia, a valores
elevados sucede un valor pequeño o viceversa. Por el contrario, también existen casos
en los que ninguno de estos dos patrones es identificable, son datos independientes y en
la gráfica se observa un comportamiento cambiante a lo largo del tiempo.
Otra forma de identificar la posible autocorrelación de una muestra de la serie es repre-
sentar cada valor de la muestra frente al valor observado en el instante anterior. De esta
forma las nubes de puntos con pendiente positiva se asociarán a tendencia negativa, y
de forma análoga, nubes de puntos con pendiente negativa se asociarán a dependencia
negativa. En el caso donde no existe dependencia entre la variable y el tiempo, el gráfi-
co mostrará una nube de puntos que recubren concéntricamente cierta región del plano.

Otra forma muy extendida para estudiar la dependencia de los datos es a través del
cálculo de los coeficientes de autocorrelación. Los coeficientes de autocorrelación
lineal miden la relación lineal que existe entre los datos de la muestra para diferentes
retardos en el tiempo. El coeficiente de correlación para un determinado retardo k viene
dado por (3.1)
σ೙ ത ത
೔సమሺ௓೔ ି௓ሻሺ௓೔షభ ି௓ሻ
‫ݎ‬ሺ݇ሻ ൌ σ೙ ത మ
(3.1)
೔సభሺ௓೔ ି௓ሻ

donde Zi es el valor de la serie en el instante i y ത es el su valor medio.

3.4. Propiedades de un proceso estocástico

Para caracterizar un proceso estocástico necesitaremos tener definida la distribución de
probabilidad conjunta de las variables aleatorias para cualquier valor de T. Estas distri-
buciones determinan la distribución de cualquier subconjunto de variables del proceso,
por lo que será necesario determinar estas distribuciones para conocer la estructura del
proceso. Se necesitaría un gran número de realizaciones de un proceso para poder de-
terminar su distribución conjunta. Pero ésta puede también quedar determinada por el
vector de medias y la matriz de varianzas y covarianzas.
La función de medias ‫ܧ‬ሾܼ௧ ሿ es una función del tiempo que proporciona la esperanza
matemática de las distribuciones marginales para cada instante:
‫ܧ‬ሾܼ௧ ሿ ൌ ߤ௧
En el caso de que todas las variables tuviesen la misma media, proceso constante en
media, la función de medias sería una constante. En cambio, en procesos en los que se
observa tendencia, el valor de la media varía con el tiempo.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

La función de varianzas proporciona el valor de la varianza del proceso para cada

instante de tiempo:
ܸܽ‫ݎ‬ሺ‫ݖ‬௧ ሻ ൌ ߪ௧ଶ
De manera análoga a la función de medias, diremos que un proceso es estable en va-
rianza, si ésta no varía a lo largo del tiempo. Que un proceso sea estable en media no
implica que también lo sea en varianza. En ciertos casos, cuando tenemos una única
realización del proceso, se pueden apreciar intervalos en los que el proceso es estable
en varianza e intervalos en los que no.
La función de covarianzas recoge la dependencia lineal entre las variables aleatorias
que intervienen en el proceso. La función que recoge las covarianzas entre dos varia-
bles del proceso se denomina función de autocovarianzas (3.2):

ߛሺ‫ݐ‬ǡ ‫ ݐ‬൅ ݆ሻ ൌ ‫ݒ݋ܥ‬൫‫ݖ‬௧ ǡ ‫ݖ‬௧ା௝ ൯ ൌ ‫ܧ‬ൣሺ‫ݖ‬௧ െ ߤ௧ ሻሺ‫ݖ‬௧ା௝ െ ߤ௧ା௝ ሻ൧ (3.2)

Para poder comparar series se deben utilizar coeficientes adimensionales, como el coe-
ficiente de autocorrelación que mide la correlación lineal entre dos variables. Se en-
tiende por función de autocorrelación (3.3):

஼௢௩ሺ௧ǡ௧ା௝ሻ ఊሺ௧ǡ௧ା௝ሻ
ߩሺ‫ݐ‬ǡ ‫ ݐ‬൅ ݆ሻ ൌ ൌ భ భ (3.3)
ఙ೟ ఙ೟శೕ ఊమ ሺ௧ǡ௧ሻఊమ ሺ௧ା௝ǡ௧ା௝ሻ

Los coeficientes de autocorrelación entre dos variables pueden ser representados en un

gráfico denominado correlograma. El correlograma muestra los coeficientes de correla-
ción para diferentes retardos. El valor del coeficiente de autocorrelación para el retardo
cero siempre es 1, puesto que obviamente se corresponde con él mismo. El resto de
valores oscilarán entre 1 y -1 dependiendo si las variables están fuerte o débilmente
correlacionadas y si la dependencia es positiva o negativa. La correlación entre dos
variables depende únicamente del retardo entre ellas, por lo que el correlograma repre-
senta las correlaciones para los distintos retardos, cualesquiera que sean las variables.
La función de autocorrelación simple de un proceso estocástico (fas o ACF) se define
como el coeficiente de correlación lineal simple entre las variables Zt y Zt-k (4):

௖௢௩ሺ௓೟ ǡ௓೟షೖ ሻ
‫ݎ‬௞ ൌ ǡ ‫݇׊‬ (3.4)
ඥ௩௔௥ሺ௓೟ ሻඥ௩௔௥ሺ௓೟షೖ ሻ

Ejemplo 3.1. Obtener el coeficiente de correlación lineal entre una serie

Zt = {5, 8, 10, 11, 13, 15, 18, 19, 22, 19} y ella misma decalada una, dos y tres unida-
des de tiempo.
El coeficiente de correlación lineal (r) mide el grado de relación lineal que existe entre
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

dos variables aleatorias X e Y tomando valores entre -1 y 1 siendo en valor absoluto

menor que 1,ȁ‫ݎ‬ȁ ൏ ͳ. Cuanto más cerca de 1 se encuentre, mayor fuerza tendrá dicha
relación lineal entre ambas variables. Por el contrario cuanto más cerca se encuentre de
cero, más débil será esa posible relación. Al coeficiente de correlación lineal entre las
variables Zt y Zt-1 se le denomina coeficiente de autocorrelación lineal de orden 1 (r1)
cuyo cálculo precisa el obtener la serie temporal decalada una unidad de tiempo (3.1):

T Zt Zt-1
1 5 - T =10
2 8 5 ¦ ( Z t − μ )(Z t −1 − μ )
t =2
3 10 8 r1 = T
= 0.715
4 11 10 ¦ (Z t − μ ) 2
5 13 11 t =1

6 15 13
7 18 15
8 19 18 μ = E[Zt]
9 22 19
10 19 22
19

De forma análoga podemos calcular los coeficientes de autocorrelación de orden 2 (r2)

entre las variables Zt y Zt-2 y de orden 3 (r3) entre las variables Zt y Zt-3.

T Zt Zt-2 Zt-3
1 5 - - T =10
2 8 - - ¦ ( Z t − μ )( Z t − 2 − μ )
3 10 5 - r2 = t =2
= 0.412
T
4 11 8 5
5 13 10 8
¦ (Zt − μ )2
t =1
6 15 11 10
7 18 13 11
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

8 19 15 13 T =10
9 22 18 15 ¦ ( Z t − μ )( Z t − 3 − μ )
t =3
10 19 19 18 r3 = T
= 0.146
22 19 ¦ (Zt − μ )2
19 22 t =1
19

Ejemplo 3.2. La serie precios dada en la Tabla 3.1 ha sido decalada hasta 10 unidades de
tiempo. Con un programa determinado se ha obtenido los coeficientes de autocorelación de
orden 1 hasta 10. Representar gráficamente dichos coeficientes de autocorrelación frente al
decalaje o retardo.

Tabla 3.1. (Nota: P-1 es la serie Precios decalada una unidad de tiempo y así sucesivamente)

Precios P-1 P-2 P-3 P-4 P-5 P-6 P-7 P-8 P-9 P-10
107.8 * * * * * * * * * *
116.9 107.8 * * * * * * * * *
117.4 116.9 107.8 * * * * * * * *
131.9 117.4 116.9 107.8 * * * * * * *
130.9 131.9 117.4 116.9 107.8 * * * * * *
140.9 130.9 131.9 117.4 116.9 107.8 * * * * *
137.8 140.9 130.9 131.9 117.4 116.9 107.8 * * * *
145.5 137.8 140.9 130.9 131.9 117.4 116.9 107.8 * * *
135.9 145.5 137.8 140.9 130.9 131.9 117.4 116.9 107.8 * *
139.1 135.9 145.5 137.8 140.9 130.9 131.9 117.4 116.9 107.8 *
141.5 139.1 135.9 145.5 137.8 140.9 130.9 131.9 117.4 116.9 107.8
151.5 141.5 139.1 135.9 145.5 137.8 140.9 130.9 131.9 117.4 116.9
148.8 151.5 141.5 139.1 135.9 145.5 137.8 140.9 130.9 131.9 117.4
158.9 148.8 151.5 141.5 139.1 135.9 145.5 137.8 140.9 130.9 131.9
156.7 158.9 148.8 151.5 141.5 139.1 135.9 145.5 137.8 140.9 130.9
173.1 156.7 158.9 148.8 151.5 141.5 139.1 135.9 145.5 137.8 140.9
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

164.1 173.1 156.7 158.9 148.8 151.5 141.5 139.1 135.9 145.5 137.8
173.1 164.1 173.1 156.7 158.9 148.8 151.5 141.5 139.1 135.9 145.5
173.9 173.1 164.1 173.1 156.7 158.9 148.8 151.5 141.5 139.1 135.9
182.9 173.9 173.1 164.1 173.1 156.7 158.9 148.8 151.5 141.5 139.1
170.4 182.9 173.9 173.1 164.1 173.1 156.7 158.9 148.8 151.5 141.5
181.3 170.4 182.9 173.9 173.1 164.1 173.1 156.7 158.9 148.8 151.5
176.7 181.3 170.4 182.9 173.9 173.1 164.1 173.1 156.7 158.9 148.8
172.3 176.7 181.3 170.4 182.9 173.9 173.1 164.1 173.1 156.7 158.9
175.1 172.3 176.7 181.3 170.4 182.9 173.9 173.1 164.1 173.1 156.7
196.1 175.1 172.3 176.7 181.3 170.4 182.9 173.9 173.1 164.1 173.1
191.2 196.1 175.1 172.3 176.7 181.3 170.4 182.9 173.9 173.1 164.1
183.4 191.2 196.1 175.1 172.3 176.7 181.3 170.4 182.9 173.9 173.1

Los coeficientes de autocorrelación y el correlograma se muestran a continuación:

r1 0.830129
r2 0.724760
1,0
0,8
r3 0.564142
0,6

r4 0,4
0.526811
0,2

r5 0,0
0.412807 r -0,2

r6 0.386669 -0,4
-0,6

r7 0.284119 -0,8
-1,0
r8 0.251491 1 2 3 4 5 6 7 8 9 10
retardo o decalaje

r9 0.115279
r10 0.044702

Figura 3.1. Correlograma

Como se puede observar (Figura 3.1), del correlograma se desprende que la estructura
de autocorrelación va decreciendo entre instantes del tiempo cada vez más separados lo
que significa que la dependencia de la serie con el tiempo es cada vez menor.
La función de autocorrelación parcial (fap o PACF) se define como la correlación
lineal existente entre Zt y Zt-k, pero descontando del efecto que tienen los retardos in-
termedios sobre ellas.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Un proceso se dirá que es estacionario si la función de medias y la función de varianzas

son constantes. Un caso especial de proceso estocástico estacionario, fundamental para el
análisis ARIMA, es el denominado proceso de ruido blanco. Este proceso estacionario se
caracteriza por tres aspectos: media nula, varianza constante y variables incorrelaciona-
das presentando ambos correlogramas, ACF y PACF, todos sus valores nulos, excepto
para el retardo 0 cuyo valor de correlación será 1 como en todos los correlogramas.

3.5. Modelos lineales

Mediante modelos lineales sencillos podemos construir modelos estocásticos estacio-
narios que representen esa dependencia entre observaciones de una serie temporal en
distintos instantes del tiempo. De este modo es posible escribir el valor de la serie en
un instante t como una combinación lineal de valores pasados de la propia serie suma-
da a una perturbación aleatoria que le de naturaleza estocástica al proceso:

( Z t − μ ) = φ 1 ( Z t −1 − μ ) + φ 2 ( Z t − 2 − μ ) + ... + φ p ( Z t − p − μ ) + ... + a t (3.5)

donde φ1, φ2, ..., φp son parámetros constantes a determinar en el proceso de ajuste del
modelo, μ es la media de la serie y at es una sucesión de variables incorreladas que
siguen un proceso de ruido blanco. Este modelo lineal recibe el nombre de modelo
autoregresivo (AR).
Otra forma de representar dicha dependencia respecto al pasado consiste en escribir el
valor de la serie en un instante t como una combinación lineal no de valores pasados de
la propia sino de una serie de hechos aleatorios independientes entre sí con estructura
de ruido blanco:
( Z t − μ ) = θ 1 a t −1 + θ 2 a t − 2 + ... + θ q a t − q + ... + a t (3.6)

donde θ1 , θ 2 ,..., θ q son parámetros constantes a determinar en el proceso de ajuste del

modelo, μ es la media de la serie y at es una sucesión de variables incorreladas que
siguen un proceso de ruido blanco. Este modelo lineal recibe el nombre de modelo de
medias móviles (MA).
Al ser modelos lineales podemos obtener el valor de Zt como combinación lineal de
una estructura autoregresiva (3.5) y una de medias móviles (3.6) resultando (3.7):
( Z t − μ ) = φ1 ( Z t −1 − μ ) + φ 2 ( Z t − 2 − μ ) + ... + φ p ( Z t − p − μ ) + θ1a t −1 + θ 2 a t − 2 +
+ ... + θ q a t − q + ... + a t
(3.7)

Este modelo lineal recibe el nombre de modelo autoregresivo de medias móviles

(ARMA).
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ejemplo 3.3. Dada la serie Zt = {61, 61.625, 61,64, 63.75, 63.375, 63.875} obtener la
serie Wt de las primeras y segundas diferencias de Zt. Obtener la serie centrada en la
media suponiendo que ésta es μ = 62.

a) La serie de las primeras diferencias se obtiene mediante Wt = Zt – Zt-1 con t = 2,

3,…,7:
w2 = z2 – z1 = 61.625 - 61 = 0.625
w3 = z3 – z2 = 61 - 61.625 = - 0.625
w4 = z4 – z3 = 64 - 61 = 3
w5 = z5 – z4 = 63.75 - 64 = - 0.25
w6 = z6 – z5 = 63.375 - 63.75 = - 0.375
w7 = z7 – z6 = 63.875 - 63.375 = 0.5

Obteniendo finalmente la serie diferenciada una vez:

Wt = {0.625, -0.625, 3, -0.25, -0.375, 0.5}.

Como podemos comprobar cuando se aplica una diferencia a una serie se obtiene otra
que contiene un valor menos. En nuestro caso hemos pasado de 7 a 6 valores.
De forma sintética podemos expresar la diferenciación de una serie mediante el opera-
dor retardo (B) y diferencia regular (ߘሻ:

୲ ൌ ୲ିଵ

‫ ୲׏‬ൌ ሺͳ െ ሻ୲ ൌ ୲ െ ୲ିଵ ൌ ୲

b) En este caso se trata de obtener la diferencia de la serie diferencia una vez. La

serie de las segundas diferencias se obtiene mediante Wt = (Zt – Zt-1) - (Zt-1 – Zt-2)
con t = 3,…7:

w3 = (z3 – z2) – (z2 – z1) = -0.625 - 0.625 = - 1.25

w4 = (z4 – z3) - (z3 – z2) = 3- (-0.625) = 3.625

w5 = (z5 – z4) - (z4 – z3) = - 0.25 - 3 = - 3.25

w6 = (z6 – z5) - (z5 – z4) = - 0.375 – 0.25 = - 0.4

w7 = (z7 – z6) - (z6 – z5) = 0.5 - 0.375 = 0.125

Obteniendo finalmente la serie diferenciada dos veces:

Wt = {1.25, 3.625, -3.25, -0.4, 0.125}.

Como podemos comprobar cuando se aplican dos diferencias a una serie se obtiene
otra que contiene dos valores menos. En nuestro caso hemos pasado de 7 a 5 valores.
De forma sintética podemos expresar la diferenciación de una serie mediante el opera-
dor retardo (B) y diferencia regular (ߘ ଶ ሻ:

୲ ൌ ୲ିଵ

‫׏‬ଶ ୲ ൌ ሺͳ െ ሻଶ ୲ ൌ ሺͳ െ ʹ ൅ ଶ ሻ୲ ൌ ୲ െ ʹ୲ିଵ ൅ ୲ିଶ ൌ ୲

c) Obtener la serie ܼ෨௧ correspondiente a las desviaciones a la media de la serie Zt.

Supongamos que la media de la serie Zt = {61, 61.625, 61,64, 63.75, 63.375, 63.875}
es constante y vale μ = 62; entonces la serie de las desviaciones a la media se puede
obtener mediante ‫ݖ‬ǁ௧ ൌ ‫ݖ‬௧ െ ߤ con t = 1, 2, 3,…, 7:
‫ݖ‬ǁଵ ൌ ‫ݖ‬ଵ െ ߤ ൌ ͸ͳ െ ͸ʹ ൌ െͳ
‫ݖ‬ǁଶ ൌ ‫ݖ‬ଶ െ ߤ ൌ ͸ͳǤ͸ʹͷ െ ͸ʹ ൌ െͲǤ͵͹ͷ
…..
‫ݖ‬ǁ଻ ൌ ‫ ଻ݖ‬െ ߤ ൌ ͸͵Ǥͺ͹ͷ െ ͸ʹ ൌ ͳǤͺ͹ͷ

Obteniendo finalmente la serie

ܼ෨௧ = {-1, -0.375,…, 1.875}.

Las series Zt y ෨୲ tienen las mismas propiedades estadísticas, excepto su media lógica-
mente, siendo su varianza la misma. Este resultado se aplicará en ejercicios posteriores
para representar la serie “centrada en su media” a la hora de desarrollar los modelos
ARIMA.

3.6. Modelos auto regresivos (AR)

Los modelos autorregresivos explican la evolución de una variable a partir de su de-
pendencia lineal con otra variable, en el caso de las series temporales esta variable es t.
Al trabajar con modelos autorregresivos se podrían utilizar tantos instantes anteriores al
actual como se desease, pero en la práctica se observa que solamente un número limi-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

tado de instantes anteriores tienen influencia significativa sobre el instante actual, lo

cual simplifica el modelo.
Un modelo autorregresivo (3.5) que depende de sus últimos p valores, se denota por
AR(p) y se puede escribir de forma compacta como (3.8)
߶௣ ሺ‫ܤ‬ሻܼ௧ ൌ ܿ ൅ ࣵ௧ (3.8)

donde ߶௣ ሺ‫ܤ‬ሻ es el polinomio autorregresivo de orden p, dado por

(
߶௣ ሺ‫ܤ‬ሻ ൌ 1 − φ1B − φ2 B − ... − φ p B
2 p
) (3.9)

y B es el operador retardo:
BZt = Zt −1 (3.10)

Los parámetros c, φ1, φ2, ..., φp son constantes a determinar en el proceso de ajuste del
modelo. Para que un proceso AR(p) sea estacionario se debe verificar que las raíces del
polinomio autorregresivo (3.9) tienen su módulo mayor que la unidad.
En el correlograma visto hasta ahora, se incluían los coeficientes de autocorrelación
entre dos variables separadas un retardo t. Estos coeficientes recogen todas las relacio-
nes posibles entre dos variables, por ello se llama correlación total o simple. Existe
además otro tipo de correlograma que ayuda a determinar el orden del proceso, es el
que representa la función de autocorrelación parcial (fap). La autocorrelación parcial
recoge únicamente la relación entre dos variables, sin tener en cuenta el resto de rela-
ciones que se pudieran establecer debidas a la dependida lineal de los valores interme-
dios.
El correlograma simple de un proceso AR(p) presenta una serie de infinitos términos no
nulos que decrecen a medida que aumenta el retardo según una mezcla de exponencia-
les y sinusoidales amortiguadas.
El correlograma parcial muestra tantos elementos no nulos como el número de orden
del proceso AR(p) que representa, además del valor 1 para el retardo 0.

Ejemplo 3.4. Dado el siguiente proceso estocástico AR(1): ୲ ൌ ͲǤͺ୲ିଵ ൅ ࣵ୲ obtener

por simulación una serie de 1000 valores que sigan dicho proceso. Estudiar cómo evo-
luciona la autocorrelación en función del tiempo mediante gráficos de correlación sim-
ple.

Una vez obtenidos los 1.000 valores por simulación se construyen los scatters-plots de
la serie y ella misma decalada en el tiempo (lag1, lag2, lag3 y lag4) mostrados en la
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 3.2. Donde el scatter-plot denominado “lag 1” hace referencia al diagrama de

dispersión entre la serie Zt y ella misma decalada o retardada 1 unidad de tiempo; esto
es Zt-1. Este gráfico nos permite visualmente estudiar la autocorrelación de orden 1. De
forma análoga podemos estudiar la autocorrelación de orden 2 de Z mediante el scatter-
plot “lag 2” (Zt, Zt-2), la de orden 3 mediante el scatter-plot “lag 3” (Zt, Zt-3), y la de la
de orden 4 mediante el scatter-plot “lag 4” (Zt, Zt-4).

-6 -4 -2 0 2 4

4
20
Z

Z
-2
-4
-6

lag 1 lag 2

4
2
0
Z

-2
-4
-6
lag 3 lag 4
-6 -4 -2 0 2 4

Figura 3.2. Scatters-plots serie decalada

Como se puede apreciar la estructura de correlación de la serie va decayendo con el

tiempo. La nube de puntos va pasando de una estructura elíptica a otra circular indi-
cando que la correlación lineal entre ambas variables va disminuyendo con el decalaje
o retardo.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ejemplo 3.5. Dado el siguiente proceso estocástico AR(1): ୲ ൌ െͲǤͺ୲ିଵ ൅ ࣵ୲ se

pide: a) comprobar si el proceso es estacionario, b) calcular su f.a.s, c) calcular su f.a.p,
d) representar la f.a.s. y la f.a.p., e) obtener predicciones para 1, 2, 3 periodos si el úl-
timo valor observado fue 100, f) determinar su valor medio.

a) ¿Proceso estacionario? Como ȁെͲǤͺȁ ൏ ͳ, es estacionario

b) Función de autocorrelación simple (f.a.s, ACF):
ɏሺሻ ൌ Ԅ୩
ɏሺͲሻ ൌ െͲǤͺ଴ ൌ ͳ
ɏሺͳሻ ൌ െͲǤͺଵ ൌ െͲǤͺ
ɏሺʹሻ ൌ െͲǤͺଶ ൌ ͲǤ͸Ͷ
ɏሺ͵ሻ ൌ െͲǤͺଷ ൌ െͲǤͷͳʹ

c) Función de autocorrelación parcial (f.a.p., PACF):

ɏ‫ כ‬ሺͳሻ ൌ Ԅଵ ൌ ɏሺͳሻ ൌ െͲǤͺ
ɏ‫ כ‬ሺሻ ൌ Ͳ‫ ׊‬൐ ͳ

d) Representar la f.a.s. y la f.a.p:

e) Dado el proceso estocástico ୲ ൌ െͲǤͺ୲ିଵ ൅ ࣵ୲ Ǣ ൌ ͳǡʹǡ͵ con ଴ ൌ ͳͲͲ

෠ଵ ൌ െͲǤͺ଴ ൅ ࣵଵ
෠ଶ ൌ െͲǤͺଵ ൅ ࣵଶ
෠ଷ ൌ െͲǤͺଶ ൅ ࣵଷ
Como ȁԄଵ ȁ ൏ ͳ ୲ es estacionario

ࣵ୲ ̱ ՜ ࣵ୲ ̱ሺͲǡ ɐࣵ ሻ

෠ଵ ൌ െͲǤͺ ൉ ଴ ൅ ሾࣵଵ ሿ ൌ െͲǤͺ ൉ ͳͲͲ ൌ െͺͲ donde ሾࣵଵ ሿ ൌ Ͳ

෠ଶ ൌ െͲǤͺ ൉ ሺെͺͲሻ ൌ ͸Ͷ
෠ଷ ൌ െͲǤͺ ൉ ͸Ͷ ൌ െͷͳǤʹ
f) Valor medio
En general, para un AR(1) con constante
୲ ൌ ൅ Ԅଵ ୲ିଵ ൅ ࣵ୲
Para que sea estacionario debemos considerar ȁԄଵ ȁ ൏ ͳ y por lo tanto media constante
ሾ୲ ሿ ൌ Ɋ ൌ
ሾ୲ ሿ ൌ ሾ ሿ ൅ ሾԄଵ ୲ିଵ ሿ ൅ ሾࣵ୲ ሿ
Ɋ ൌ ൅ Ԅଵ Ɋ ൅ Ͳ
Ɋ െ Ԅଵ Ɋ ൌ

Ɋሺͳ െ Ԅଵ ሻ ൌ

Ɋൌ
ͳ െ Ԅଵ
En nuestro caso al ser c = 0, tendremos que la media es nula: ሾ୲ ሿ ൌ Ɋ ൌ Ͳ

Ejemplo 3.6. Dado el proceso autoregresivo de segundo orden, ୲ ൌ ͸Ǥͷ ൅ ͳǤ͸୲ିଵ െ

ͲǤͺ୲ିଶ ൅ ୲ ǤVerificar a) si es estacionario y calcular su media, b) Calcular los coefi-
cientes de autocorrelación simple para los retardos k = 1, … ,8 y dibujar el correlogra-
ma, c) Sabiendo que Z6 = 23 y que Z7 = 28.5 ¿se puede esperar que Z8 esté por encima
o por debajo de la media del proceso?
a) Verificar si es estacionario y calcular su media.
Ԅଵ ൅ Ԅଶ ൏ ͳ ՜ ͳǤ͸ െ ͲǤͺ ൏ ͳ ՜ ͲǤͺ ൏ ͳ
Ԅଶ െ Ԅଵ ൏ ͳ ՜ െͲǤͺ െ ͳǤ͸ ൏ ͳ ՜ െʹǤͶ ൏ ͳ
ȁԄଶ ȁ ൏ ͳ ՜ ȁെͲǤͺȁ ൏ ͳ ՜ ͲǤͺ ൏ ͳ
Luego el proceso sí es estacionario y por tanto su valor medio será:
͸Ǥͷ
ሾ୲ ሿ ൌ Ɋ ൌ ൌ ൌ ͵ʹǤͷ
ͳ െ Ԅଵ െ Ԅଶ ͳ െ ͳǤ͸ ൅ ͲǤͺ
b) Calcular los coeficientes de autocorrelación para los instantes t = 1, … ,8 y dibujar
el correlograma.
ɏଵ ൌ Ԅଵ ൅ Ԅଶ ɏଵ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ɏଶ ൌ Ԅଵ ɏଵ ൅ Ԅଶ
൐ ʹɏ୩ ൌ Ԅଵ ɏ୩ିଵ ൅ Ԅଶ ɏ୩ିଶ
ͳǤ͸
ɏଵ ൌ ͳǤ͸ െ ͲǤͺɏଵ ՜ ͳǤͺɏଵ ൌ ͳǤ͸ ՜ ɏଵ ൌ ൌ ͲǤͺͻ
ͳǤͺ
ɏଶ ൌ ͳǤ͸ ൉ ͲǤͺͻ െ ͲǤͺ ൌ ͲǤ͸ʹͶ
ɏଷ ൌ Ԅଵ ɏଷିଵ ൅ Ԅଶ ɏଷିଶ ൌ Ԅଵ ɏଶ ൅ Ԅଶ ɏଵ ൌ ͳǤ͸ ൉ ͲǤ͸ʹͶ െ ͲǤͺ ൉ ͲǤͺͻ ൌ ͲǤʹͺ͸
ɏସ ൌ Ԅଵ ɏଷ ൅ Ԅଶ ɏଶ ൌ ͳǤ͸ ൉ ͲǤʹͺ͸ െ ͲǤͺ ൉ ͲǤʹʹͶ ൌ െͲǤͲͶʹ
ɏହ ൌ Ԅଵ ɏସ ൅ Ԅଶ ɏଷ ൌ ͳǤ͸ ൉ ሺെͲǡͲͶʹሻ െ ͲǤͺ ൉ Ͳǡʹͺ͸ ൌ െͲǤʹͻ͸
……
ɏ଼ ൌ Ԅଵ ɏ଻ ൅ Ԅଶ ɏ଺ ൌ െͲǤ͵ͻͶ

El correlograma o función de autocorrelación simple (fas, ACF) será la representación

gráfica del coeficiente de autocorrelación frente al retardo. Como se puede observar en
la Figura 3.3, la función de autocorrelación simple presenta un decaimiento mezcla de
sinusoides y exponenciales que se amortiguan en el tiempo característico de procesos
cuyos polinomios autoregresivos, en este caso, presentarán raíces complejas.

Función de autocorrelación simple

1.0
0.5
r
0.0
-0.5

0 5 10 15 20 25 30
retardo

Figura 3.3. ACF

Vamos a comprobar la naturaleza de esas raíces.

En Matlab: En R:

C = [0.8, -1.6 ,1] polyroot(z = c(1, -1.6, 0.8))

= 1+0.5i , 1-0.5i
B = roots(C)
abs(polyroot(z = c(1, -1.6,
B= 1.0000 + 0.5000i
0.8))) = 1.118034, 1.118034
1.0000 - 0.5000i
abs(B) = 1.118, 1.118

Presenta raíces complejas que están fuera del círculo unidad en el plano complejo (Figura
3.4) y por tanto es estacionario tal y como se ha comprobado en el apartado a).

c) Sabiendo que Z6 = 23 y que Z7 = 28.5 ¿se puede esperar que Z8 estuviera por en-
cima o por debajo de la media del proceso?
଼ ൌ ͳǤ͸଻ െ ͲǤͺ଺ ൅ ͸Ǥͷ ൌ ͳǤ͸ ൉ ʹͺǤͷ െ ͲǤͺʹ͵ ൅ ͸Ǥͷ ൌ ͵͵Ǥ͹ ൐ ͵ʹǤͷ

Figura 3.4. Raíces en el plano complejo

3.7. Modelos de medias móviles (MA)

El concepto de medias móviles se vio ya en los métodos de suavizado exponencial.

Teniendo en cuenta que utilizamos los q últimos valores para realizar la predicción se
podría expresar mediante (3.6):
ܼ௧ ൌ ࣵ௧ െ ߠଵ ࣵ௧ିଵ െ ߠଶ ࣵ௧ିଶ െ ‫ ڮ‬െ ߠ௤ ࣵ௧ି௤

O con el operador retardo (3.10):

ܼ௧ ൌ ܿ ൅ ߠ௤ ሺ‫ܤ‬ሻࣵ௧ (3.11)

Donde se define el polinomio de medias móviles de orden q en B

(
ߠ௤ ሺ‫ܤ‬ሻ ൌ 1 − θ1 B − θ 2 B − ... − θ q B
2 q
) (3.12)

Los procesos MA(q) son estacionarios por definición y serán invertibles si las raíces del
polinomio de medias móvilesɅ୯ ሺሻ dado por (3.12) se encuentran fuera del círculo uni-
dad del plano complejo, por lo que su módulo será estrictamente mayor que la unidad.

El correlograma simple siempre tiene tantos elementos no nulos como orden del mode-
lo además de, evidentemente, el que se corresponde con el instante cero que es 1 en
todos los casos. El correlograma parcial es una mezcla de sinusoidales amortiguadas
que decrece desde cero a infinito.
Un modelo de medias móviles MA(q) puede ser expresado como un modelo autorre-
gresivo AR(p) simplemente trasladando el polinomio a uno u otro lado de la igualdad.
ͳ
ܼ௧ ൌ ߠ௤ ሺ‫ܤ‬ሻࣵ௧ ՜ ܼ ൌ ࣵ௧
ߠ௤ ሺ‫ܤ‬ሻ ௧
ͳ
߶௤ ሺ‫ܤ‬ሻܼ௧ ൌ ࣵ௧ ՜ ܼ௧ ൌ ࣵ
߶௤ ሺ‫ܤ‬ሻ ௧
Puesto que la inversa de un polinomio es otro polinomio de grado infinito, un AR(p)
puede representarse por un MA() y un MA(q) por un AR().

Ejemplo 3.7. Dado el siguiente proceso estocástico MA(1): ୲ ൌ ࣵ୲ െ ͲǤͺ୲ିଵ se pide:

a) comprobar si el proceso es invertible, b) calcular su f.a.s, c) calcular su f.a.p, d) re-
presentar la f.a.s. y la f.a.p., e) determinar su valor medio
a) MAĺ siempre estacionario e MA(1) ĺ invertible si ȁșଵ ȁ ൏ ͳ ĺ luego en nuestro
caso es invertible
b) Función de autocorrelación simple (f.a.s., ACF)
Ʌଵ ͲǤͺ
ɏଵ ൌ െ ଶ ൌ െ ͳ ൅ ͲǤͺଶ ൌ െͲǤͶͻ
ͳ ൅ Ʌଵ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ɏଶ ൌ ͲǢɏ୩ ൌ Ͳ‫ ׊‬൒ ʹ

ɏଵ ൏ Ͳ‫݅ݏ‬Ʌଵ ൐ Ͳ‫ݕ‬ɏଵ ൐ Ͳ‫݅ݏ‬Ʌଵ ൏ Ͳ

c) Función de autocorrelación parcial (f.a.p., PACF):

1
(1 − 0.82)
α 1 = − 0. 8 = −0.49
1 − 0.82(1+1)

k (1 − θ 2) 2
(1 − 0.82)
αk = − θ , k ≥1 α 2 = − 0.8 = −0.31
1 − θ 2(k + 1) 1 − 0.82( 2+1)
3
(1 − 0.82)
α 3 = − 0.8 = −0.22
1 − 0.82(3+1)

d) Representar la f.a.s. y la f.a.p:

e) Valor medio ୲ ൌ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ

Por ser estacionario la media constante ሾ୲ ሿ ൌ Ɋ ൌ y ࣵ୲ ̱ ՜ ࣵ୲ ̱ሺͲǡ ɐࣵ ሻ

ሾࣵ୲ ሿ ൌ ሾࣵ୲ିଵ ሿ ൌ Ͳ
ሾ୲ ሿ ൌ ൅ ሾࣵ୲ ሿ െ Ʌଵ ሾࣵ୲ିଵ ሿ ൌ ൅ Ͳ െ Ʌଵ Ͳ ൌ ൌ Ɋ୸
En nuestro caso al ser c = 0 ሾ୲ ሿ ൌ Ɋ ൌ Ͳ

3.8. Modelos autorregresivos de medias myviles (ARMA)

Los modelos autorregresivos de medias móviles son modelos en cuya representación
intervienen los dos modelos citados anteriormente y por tanto presentan una mezcla de
estos dos tipos de procesos (AR) y (MA). La notación de estos modelos es ARMA(p,q)
donde p y q se corresponden con el orden de la parte (AR) y (MA) del modelo, respec-
tivamente. Haciendo uso del operador retardo quedaría expresado como:
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ԅ௣ ሺ‫ܤ‬ሻ‫ݖ‬௧ ൌ ߠ௤ ሺ‫ܤ‬ሻܽ௧ (3.13)

El correlograma simple de un modelo ARMA es generalmente decreciente, suma de
sinusoidales y exponenciales amortiguadas. El aspecto del correlograma parcial es
bastante parecido al simple, excepto para los p-q+1 primeros valores si p es mayor que
q+1, donde no sigue un decrecimiento de sinusoidales y exponenciales amortiguadas.

Ejemplo 3.8. Sea el siguiente modelo ୲ ൌ െͳǤͷ୲ିଵ െ ͲǤͻ୲ିଶ ൅ ࣵ୲ .

Determinar
a) modelo ARMA
b) si es estacionario e invertible.
a) Modelo ARMA
୲ ൅ ͳǤͷ୲ିଵ ൅ ͲǤͻ୲ିଶ ൌ ࣵ୲

୲ ൅ ͳǤͷ୲ ൅ ͲǤͻ ଶ ୲ ൌ ࣵ୲

ሺͳ ൅ ͳǤͷ ൅ ͲǤͻ ଶ ሻ୲ ൌ ࣵ୲

Ԅଶ ሺሻ୲ ൌ ࣵ୲ ՜ ሺʹሻ

b) Es invertible por el hecho de ser un AR, para ver si además es estacionario las
raíces del polinomio Ԅଶ ሺሻ deben ser en módulo mayor que uno (deben estar fue-
ra del circulo unidad en el plano complejo).
ͳ ൅ ͳǤͷ ൅ ͲǤͻ ଶ ൌ Ͳ

െͳǤͷ േ ξͳǤ ͷଶ െ Ͷ ൉ ͲǤͻ ൉ ͳ െͳǤͷ േ ξെͳǤ͵ͷ െͳǤͷ േ ͳǤͳ͸ʹ ൉ ξെͳ

ൌ ൌ ൌ
ͳǤͺ ͳǤͺ ͳǤͺ
െͳǤͷ േ ͳǤͳ͸ʹ ൉
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ൌ ൌ െͲǤ ǡͺ͵͵ േ ͲǤ͸Ͷͷ

ͳǤͺ
ଵ ൌ ඥሺെͲǤͺ͵͵ሻଶ ൅ ͲǤ͸Ͷͷଶ ൌ ͳǤͲͷͶ ൐ ͳ

ଶ ൌ ඥሺെͲǤͺ͵͵ሻଶ ൅ ሺെͲǤ͸Ͷͷሻଶ ൌ ͳǤͲͷͶ ൐ ͳ

Luego las dos raíces están fuera del círculo unidad en el plano complejo (Figura 3.5) y
por tanto sí es estacionario.

En Matlab: En R:

C = [0.9, 1.5 ,1] polyroot(Z=c (1, 1.5, 0.9))

B = roots(C) abs(polyroot(Z=c (1, 1.5, 0.9))) =
B= -0.8333 + 0.6455i = 1.0541, 1.0541
-0.8333 - 0.6455i
abs(B) = 1.0541, 1.0541
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 3.5. Raíces en el plano complejo

Ejemplo 3.9. Sea el siguiente modelo ୲ ൌ ͲǤͷ୲ିଵ ൅ ࣵ୲ െ ͲǤʹ୲ିଵ .

Determinar:
a) modelo ARMA,
b) si es estacionario e invertible,
c) los coeficientes de autocorrelación parcial para los retardos k = 1, … ,5 y dibujar el
correlograma.

a) Modelo ARMA(p,q)
୲ ൌ ͲǤͷ୲ିଵ ൅ ࣵ୲ െ ͲǤʹ୲ିଵ ՜ ୲ െ ͲǤͷ୲ ൌ ሺͳ െ ͲǤʹሻࣵ୲
ሺͳ െ ͲǤͷሻ୲ ൌ ሺͳ െ ͲǤʹሻࣵ୲
Ԅଵ ሺሻ୲ ൌ Ʌଵ ሺሻࣵ୲ ՜ ሺͳǡͳሻ
con Ԅଵ = 0.5 y Ʌଵ = 0.2

b) El proceso ୲ será estacionario si ȁԄଵ ȁ ൏ ͳ e invertible si ȁɅଵ ȁ ൏ ͳ . En este caso

se cumplen ambas condiciones y por tanto ୲ es estacionario e invertible.
c) La función de autocorrelación simple (f.a.s, ACF) para un ARMA(1,1) viene dada
por:
ሺͳ െ Ԅଵ Ʌଵ ሻሺԄଵ െɅଵ ሻ
ɏଵ ൌ ɏ୩ ൌ Ԅଵ ɏ୩ିଵ ‫ ׊‬൐ ͳ
ͳ ൅ Ʌଵଶ െ ʹԄଵ Ʌଵ
luego:

ሺଵି଴Ǥହ൉଴Ǥଶሻሺ଴Ǥହି଴Ǥଶሻ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ɏଵ ൌ ൌ ͲǤ͵ʹͳͶ
ଵା଴Ǥଶమ ିଶ൉଴Ǥହ൉଴Ǥଶ

ɏଶ ൌ Ԅଵ ɏଵ ൌ ͲǤͷ ൉ ͲǤ͵ʹͳͶ ൌ ͲǤͳ͸Ͳ͹

ɏଷ ൌ Ԅଵ ɏଶ ൌ ͲǤͷ ൉ ͲǤͳ͸Ͳ͹ ൌ ͲǤͲͺͲ͵
ɏସ ൌ Ԅଵ ɏଷ ൌ ͲǤͷ ൉ ͲǤͲͺͲ͵ ൌ ͲǤͲͶͲͳ
ɏହ ൌ Ԅଵ ɏସ ൌ ͲǤͷ ൉ ͲǤͲͶͲͳ ൌ ͲǤͲʹͲ

Presenta un rápido decaimiento exponencial hacia cero.

3.9. Modelos ARIMA no estacionarios

Anteriormente se ha definido el operador retardo (B), a partir de éste se puede definir el
operador diferencia ሺ‫׏‬ሻ dado por (3.14):
‫׏‬ൌ ͳ െ ‫ܤ‬ (3.14)

Este operador diferencia nos permite obtener la variación de un proceso estocástico con
respecto al instante anterior, si lo aplicásemos más de una vez obtendríamos el incre-
mento acumulado.
‫ݖ׏‬௧ ൌ ሺͳ െ ‫ܤ‬ሻ‫ݖ‬௧ ൌ ‫ݖ‬௧ െ ‫ݖ‬௧ିଵ

Al aplicar este operador a un proceso estocástico se produce una estacionarización de

su estructura, condición indispensable para que un proceso pueda ser estudiado como
ARMA(p,q). En ocasiones el operador debe ser aplicado varias veces para conseguir
estacionarizar el proceso. Se conoce como orden de diferenciación (d) al número de
veces que necesitamos aplicar el operador diferencia para estacionarizar el proceso.
El modelo no estacionario del que partiríamos se denota por ARIMA (p,d,q), donde p y
q son el orden de la parte autorregresiva y de medias móviles respectivamente y d es el
orden de diferenciación.
Al contrario que sucede en los procesos estocásticos estacionarios, los correlogramas
simple y parcial de un modelo ARIMA no estacionario dependen tanto del retardo con
respecto al instante inicial como del propio instante considerado.
ߩሺ‫ݖ‬௧ ǡ ‫ݖ‬௧ା௞ ሻ ് ߩሺ‫ݖ‬௦ ǡ ‫ݖ‬௦ା௞ ሻ‫ݏ ് ݐ׊‬
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Es por esto que los correlogramas no pueden ser entendidos del mismo modo que en el
resto de procesos vistos hasta ahora. La ACF de un ARIMA consiste simplemente en
un decrecimiento de los coeficientes de autocorrelación.

Ejemplo 3.10. Sea el siguiente modelo ୲ ൌ ͲǤ͵୲ିଵ െ ͳǤʹ୲ିଶ ൅ ࣵ୲ െ ͲǤʹࣵ୲ିଵ ൅

ͳǤͶࣵ୲ିଶ . Determinar a) modelo ARMA, b) si es estacionario e invertible.
a) Obtener la forma ARMA (p,d,q)
୲ ൌ ͲǤ͵୲ିଵ െ ͳǤʹ୲ିଶ ൅ ࣵ୲ െ ͲǤʹࣵ୲ିଵ ൅ ͳǤͶࣵ୲ିଶ
୲ െ ͲǤ͵୲ିଵ ൅ ͳǤʹ୲ିଶ ൌ ࣵ୲ െ ͲǤʹࣵ୲ିଵ ൅ ͳǤͶࣵ୲ିଶ

Teniendo en cuenta que

୲ିଵ ൌ ୲ Ǣ
୲ିଶ ൌ ଶ ୲ Ǣ
ࣵ୲ିଵ ൌ ࣵ୲ Ǣ
ࣵ୲ିଶ ൌ ଶ ࣵ୲ ;
Podemos reescribir
୲ െ ͲǤ͵୲ ൅ ͳǤʹ ଶ ୲ ൌ ࣵ୲ െ ͲǤʹࣵ୲ ൅ ͳǤͶ ଶ ࣵ୲
ሺͳ െ ͲǤ͵ ൅ ͳǤʹ ଶ ሻ୲ ൌ ሺͳ െ ͲǤʹ ൅ ͳǤͶ ଶ ሻࣵ୲
Ԅଶ ሺሻ୲ ൌ Ʌଶ ሺሻࣵ୲ ՜ ARMA (2,2)

b) Será estacionario si las raíces de Ԅଶ ሺሻ están fuera del círculo unidad, será inver-
tible si las raíces de Ʌଶ ሺሻ se hallan fuera del círculo unidad. Estacionario si se
cumplen las siguientes condiciones:
Ԅଵ ൅ Ԅଶ ൏ ͳǢ ͲǤ͵ െ ͳǤʹ ൌ െͲǤͻ ൏ ͳ
Ԅଶ െԄଵ ൏ ͳǢെͳǤʹ െ ͲǤ͵ ൌ െͳǤͷ ൏ ͳ
ȁԄଶ ȁ ൏ ͳ ǢȁെͳǤʹȁ ൌ ͳǤʹ ൐ ͳ

Luego NO es estacionario.Invertible si se cumplen las siguientes condiciones:

Ʌଵ ൅ Ʌଶ ൏ ͳǢെͲǤʹ ൅ ͳǤͶ ൌ ͳǤʹ ൐ ͳ
Ʌଶ െɅଵ ൏ ͳǢ ͳǤͶ ൅ ͲǤʹ ൌ ͳǤ͸ ൐ ͳ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ȁɅଶ ȁ ൏ ͳ ǢȁͳǤͶȁ ൐ ͳ

Luego NO es invertible. El proceso no es ni estacionario ni invertible.

Ejemplo 3.11. Desarrollar la ecuación explícita de los siguientes procesos integrados:

ARIMA(0,1,0), ARIMA(0,1,1), ARIMA(1,1,0), ARIMA(0,2,0), ARIMA(0,2,2),
ARIMA(2,2,2)
a) ARIMA(0,1,0) = I(1) = Paseo aleatorio (random walk)
୲ ̱ ሺͲǡͳǡͲሻ
‫ ୲׏‬ൌ ࣵ୲
ሺͳ െ ሻ୲ ൌ ࣵ୲
୲ ൌ ୲ିଵ ൅ ࣵ୲
‫ ׌‬c ՜ ୲ ൌ ൅ ୲ିଵ ൅ ࣵ୲ se llama random walk con deriva

b) ARIMA(0,1,1) = IMA (1,1)

Corresponde a la estructura EWMA, un proceso de suavizado exponencial simple.
୲ ̱ ሺͲǡͳǡͳሻ ൌ ሺͳǡͳሻ
‫ ୲׏‬ൌ Ʌଵ ሺሻࣵ୲
ሺͳ െ ሻ୲ ൌ ሺͳ െ Ʌଵ ሻࣵ୲
୲ െ ୲ିଵ ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ
୲ ൌ ୲ିଵ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ

c) ARIMA(1,1,0) = ARI (1,1)

୲ ̱ ሺͳǡͳǡͲሻ ൌ ሺͳǡͳሻ
Ԅଵ ሺሻ‫ ୲׏‬ൌ ࣵ୲
ሺͳ െ Ԅଵ ሻሺͳ െ ሻ୲ ൌ ࣵ୲
ሺͳ െ െ Ԅଵ ൅ Ԅଵ ଶ ሻ୲ ൌ ࣵ୲
୲ ൌ ሺͳ ൅ Ԅଵ ሻ୲ିଵ െ Ԅଵ ୲ିଶ ൅ ࣵ୲

d) ARIMA(0,2,0) = I(2)
୲ ̱ ሺͲǡʹǡͲሻ
‫׏‬ଶ ୲ ൌ ࣵ୲
ሺͳ െ ሻଶ ୲ ൌ ࣵ୲
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ሺͳ െ ʹ ൅ ଶ ሻ୲ ൌ ࣵ୲
୲ ൌ ʹ୲ିଵ െ ୲ିଶ ൅ ࣵ୲

e) ARIMA(0,2,2) = IMA (2,2)

୲ ̱ ሺͲǡʹǡʹሻ ൌ ሺʹǡʹሻ
‫׏‬ଶ ୲ ൌ Ʌଶ ሺሻࣵ୲ ൌ ሺͳ െ Ʌଵ െ Ʌଶ ଶ ሻࣵ୲
ሺͳ െ ሻଶ ୲ ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ
ሺͳ െ ʹ ൅ ଶ ሻ୲ ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ
୲ ൌ ʹ୲ିଵ െ ୲ିଶ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ

f) ARIMA(2,2,2)
୲ ̱ ሺʹǡʹǡʹሻ
‫׎‬ଶ ሺሻሺͳ െ ሻଶ ୲ ൌ Ʌଶ ሺሻࣵ୲
ሺͳ െ ‫׎‬ଵ െ ‫׎‬ଶ ଶ ሻሺͳ െ ሻଶ ୲ ൌ ሺͳ െ Ʌଵ െ Ʌଶ ଶ ሻࣵ୲
ሺͳ െ ‫׎‬ଵ െ ‫׎‬ଶ ଶ ሻሺͳ െ ʹ ൅ ଶ ሻ୲ ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ
ሾͳ െ ሺʹ ൅ ‫׎‬ଵ ሻ ൅ ሺͳ ൅ ʹ‫׎‬ଵ െ ‫׎‬ଶ ሻ ଶ ൅ ሺʹ‫׎‬ଶ െ ‫׎‬ଵ ሻ ଷ െ ‫׎‬ଶ ସ ሿ ୲
ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ
୲ െ ሺʹ ൅ ‫׎‬ଵ ሻ௧ିଵ ൅ ሺͳ ൅ ʹ‫׎‬ଵ െ ‫׎‬ଶ ሻ௧ିଶ ൅ ሺʹ‫׎‬ଶ െ ‫׎‬ଵ ሻ௧ିଷ െ ‫׎‬ଶ ௧ିସ
ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ
୲ ൌ ሺʹ ൅ ‫׎‬ଵ ሻ௧ିଵ െ ሺͳ ൅ ʹ‫׎‬ଵ െ ‫׎‬ଶ ሻ௧ିଶ െ ሺʹ‫׎‬ଶ െ ‫׎‬ଵ ሻ௧ିଷ ൅ ‫׎‬ଶ ௧ିସ
൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ Ʌଶ ࣵ୲ିଶ

Ejemplo 3.12. Dado el proceso ሺͲǡͳǡʹሻ cuya estructura es la siguiente

ሺͳ െ ሻ୲ ൌ ሺͳ െ ͲǤͳ ൅ ͲǤͷ ଶ ሻࣵ୲ ǤComprobar si es invertible.

Para un MA(2) se debe cumplir:

Ʌଵ ൅ Ʌଶ ൏ ͳǢ ͲǤͳ െ ͲǤͷ ൌ െͲǤͶ ൏ ͳ
Ʌଶ െɅଵ ൏ ͳǢെͲǤͷ െ ͲǤͳ ൌ െͲǤ͸ ൏ ͳ
ȁɅଶ ȁ ൏ ͳǢȁͲǤͷȁ ൏ ͳ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Luego SI es invertible. También se puede comprobar si un proceso ARIMA es inverti-

ble a través de su polinomio de retardos. Para ello las raíces del polinomio de medias
móviles de orden 2, Ʌଶ ሺሻǡ deben estar fuera del círculo unidad (en valor absoluto >1):

ͲǤͷ‫ܤ‬ଶ െ ͲǤͳ‫ ܤ‬െ ͳ ൌ Ͳ

ͲǤͳ േ ξͲǤͳଶ െ ͶͲǤͷ
ൌ ͲǤͳ േ ξെͳǤͻͻ ൌ ͲǤͳ േ ͳǤͶͳ݅
ʹ ൉ ͲǤͷ
݉×݀‫ ݋݈ݑ‬՜ ඥͲǤͳଶ ൅ ͳǤͶͳଶ ൌ ͳǤͶͳ ൐ ͳ

El polinomio tiene dos raíces complejas siendo en valor absoluto mayor que la unidad.
También podemos utilizar Matlab:
ሺͳ െ ͲǤͳ ൅ ͲǤͷ ଶ ሻ ൌ Ͳ
C = [0.5, -0.1, 1]; B = roots(C)
B = 0.1000 + 1.4107i, 0.1000 - 1.4107i
abs(B) = 1.4142, 1.4142

Ejemplo 3.13. Desarrollar la ecuación de predicción para un proceso

୲ ̱ ሺͳǡͳǡͳሻ con constante. Particularizando para el siguiente caso: modelo
ARIMA (1,1,1) estimado sin constante, la serie original tiene 49 observaciones, los
coeficientes de los polinomios son Ԅଵ ൌ ͲǤʹɅଵ ൌ ͲǤͺ, y que ସ଼ ൌ ʹͷǢ ସଽ ൌ ͵Ͳ y
el residuo de la última observación es ࣵସଽ ൌ െʹ, obtener las predicciones para t = 50,
51, 52.

a) Ecuación de predicción
୲ ̱ ሺͳǡͳǡͳሻ ՜ Ԅଵ ሺሻ‫ ୲׏‬ൌ ൅ Ʌଵ ሺሻࣵ୲
Ԅଵ ሺሻ ൌ ሺͳ െ Ԅଵ ሻ
‫׏‬ൌ ሺͳ െ ሻ
Ʌଵ ሺሻ ൌ ሺͳ െ Ʌଵ ሻ

Entonces podemos escribir:

ሺͳ െ Ԅଵ ሻሺͳ െ ሻ୲ ൌ ൅ ሺͳ െ Ʌଵ ሻࣵ୲
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ሺͳ െ െ Ԅଵ ൅ Ԅଵ ଶ ሻ୲ ൌ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ
୲ ൌ ୲ିଵ ൅ Ԅଵ ୲ିଵ െ Ԅଵ ୲ିଶ ൅ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ
y la ecuación de predicción será

୲ ൌ ୲ିଵ ൅ ሺ୲ିଵ െ ୲ିଶ ሻԄଵ ൅ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ

b) Predicciones.
En este caso tendremos que para t = 50 y c = 0
෠ହ଴ ൌ ସଽ ൅ ሺସଽ െ ସ଼ ሻͲǤʹ െ ͲǤͺࣵସଽ ൌ ͵Ͳ ൅ ሺ͵Ͳ െ ʹͷሻͲǤʹ െ ͲǤͺሺെʹሻ ൌ ͵ʹǤ͸
Para t = 51
෠ହଵ ൌ ෠ହ଴ ൅ ൫෠ହ଴ െ ସଽ ൯ͲǤʹ െ ͲǤͺࣵොହ଴ ൌ ͵ʹǤ͸ ൅ ሺ͵ʹǤ͸ െ ͵ͲሻͲǤʹ െ ͲǤͺ ൉ Ͳ ൌ ͵͵Ǥͳʹ

Donde hemos considerado que ࣵොହ଴ ൌ0 puesto que al realizar la predicción desde
t =49, no podemos conocer cuánto valdría ହ଴ y por tanto ࣵොହ଴ ൌ ହ଴ െ ෠ହ଴ no se
puede calcular pero sí que sabemos que por término medio valdría cero, es decir to-
mamos el valor medio ‫ܧ‬ሾࣵොହ଴ ሿ ൌ ͲǤ
Y para t = 52:
෠ହଶ ൌ ෠ହଵ ൅ ൫෠ହଵ െ ෠ହ଴ ൯ͲǤʹ െ ͲǤͺࣵොହଵ ൌ ͵͵Ǥͳʹ ൅ ሺ͵͵Ǥͳʹ െ ͵ʹǤ͸ሻͲǤʹ െ ͲǤͺ ൉ Ͳ
ൌ ͵͵Ǥʹʹ
con ‫ܧ‬ሾࣵොହଵ ሿ ൌ ͲǤ En este último caso la predicción se ha construido con predicciones
anteriores exclusivamente y por tanto incorporando a la propia incertidumbre de la
predicción actual la incertidumbre de las predicciones anteriores.

Ejemplo 3.14. Dado el modelo ୲ ൌ ୲ିଵ ൅ Ԅଵ ሺ୲ିଵ െ ୲ିଶ ሻ ൅ Ԅଶ ሺ୲ିଶ െ ୲ିଷ ሻ ൅

Ԅଷ ሺ୲ିଷ െ ୲ିସ ሻ ൅ ࣵ୲ , comprobar que se trata de un modelo ARIMA (3,1,0). Con la
información suministrada en la tabla siguiente realizar las predicciones para los si-
guientes tres periodos.

Año Ventas

2004 1648

2005 1665

2006 1627
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

2007 1791

2008 1797

a) Modelo ARIMA (3,1,0).

Ԅ୮ ሺሻ‫׏‬ୢ ୲ ൌ ൅ Ʌ୯ ሺሻࣵ୲
con ൌ ͳǡ ൌ ͵ǡ ൌ Ͳǡ ൌ Ͳ tendremos
Ԅଷ ሺሻ‫׏‬ଵ ୲ ൌ Ʌ଴ ሺሻࣵ୲
ሺͳ െ Ԅଵ െ Ԅଶ ଶ െ Ԅଷ ଷ ሻሺͳ െ ሻ୲ ൌ ࣵ୲
ሺͳ െ െ Ԅଵ ൅ Ԅଵ ଶ െ Ԅଶ ଶ െԄଷ ଷ ൅ Ԅଶ ଷ ൅ Ԅଷ ସ ሻ୲ ൌ ࣵ୲

୲ െ ୲ିଵ െ Ԅଵ ୲ିଵ ൅ Ԅଵ ୲ିଶ െ Ԅଶ ୲ିଶ െ Ԅଷ ୲ିଷ ൅ Ԅଶ ୲ିଷ ൅ Ԅଷ ୲ିସ ൌ ࣵ୲

୲ ൌ ୲ିଵ ൅ Ԅଵ ሺ୲ିଵ െ ୲ିଶ ሻ ൅ Ԅଶ ሺ୲ିଶ െ ୲ିଷ ሻ ൅ Ԅଷ ሺ୲ିଷ െ ୲ିସ ሻ ൅ ࣵ୲

Dados los últimos 5 valores de la serie y dados Ԅଵ ൌ ͲǤͶʹǢԄଶ ൌ െͲǤʹͲǢԄଷ ൌ

െͲǤ͵Ͳ obtener las predicciones de los próximos 3 años.
෠଴ଽ ൌ ଴଼ ൅ ͲǤͶʹሺ଴଼ െ ଴଻ ሻ െ ͲǤʹሺ଴଻ െ ଴଺ ሻ െ ͲǤ͵Ͳሺ଴଺ െ ଴ହ ሻ ൅ ࣵ଴ଽ
෠଴ଽ ൌ ͳ͹ͻ͹ ൅ ͲǤͶʹሺͳ͹ͻ͹ െ ͳ͹ͻͳሻ െ ͲǤʹሺͳ͹ͻͳ െ ͳ͸ʹ͹ሻ െ ͲǤ͵ሺͳ͸ʹ͹ െ ͳ͸͸ͷሻ
ൌ ͳ͹ͻ͹ ൅ ʹǤͷʹ െ ͵ʹǤͺ ൅ ͳͳǤͶ ൌ ͳ͹͹ͺǤͳʹ
෠ଵ଴ ൌ ෠଴ଽ ൅ ͲǤͶʹ൫෠଴ଽ െ ଴଼ ൯ െ ͲǤʹሺ଴଼ െ ଴଻ ሻ െ ͲǤ͵Ͳሺ଴଻ െ ͸ሻ ൅ ࣵොଵ଴

ሾࣵොଵ଴ ሿ ൌ Ͳ

෠ଵଵ ൌ ෠ଵ଴ଽ ൅ ͲǤͶʹ൫෠ଵ଴ െ ෠଴ଽ ൯ െ ͲǤʹ൫෠଴ଽ െ ଴଼ ൯ െ ͲǤ͵Ͳሺ଴଼ െ ͸ሻ ൅ ࣵොଵଵ

ሾࣵොଵଵ ሿ ൌ Ͳ

3.10. Modelos ARIMA estacionales

Se dice que un modelo presenta estacionalidad, cuando se repite un mismo patrón de
conducta cada cierto número de observaciones. Este fenómeno sucede con gran fre-
cuencia en un gran número de series temporales como por ejemplo en series de deman-
da energética, factores climáticos, series económicas etc.
Esta estacionalidad significa que, aunque de forma repetitiva lo cual ayuda al estudio
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

de una serie, el comportamiento de la misma sea diferente en cada periodo.

De forma análoga al operador diferencia que se utiliza en procesos ARIMA no estacio-
nales, podemos definir el operador diferencia estacional ሺ‫׏‬ୱ ሻ como (3.15):
‫׏‬௦ ൌ ͳ െ ‫ ܤ‬௦ (3.15)
Donde B es el operador retardo y s es el número de periodos que abarca el ciclo esta-
cional del proceso, de forma que al aplicarlo obtendremos la variación experimentada
por el proceso respecto a un periodo estacional.
‫׏‬௦ ‫ݖ‬௧ ൌ ሺͳ െ ‫ ܤ‬௦ ሻ‫ݖ‬௧ ൌ ‫ݖ‬௧ െ ‫ݖ‬௧ି௦
Un proceso no estacionario podría estacionarizarse mediante la aplicación del operador
diferencia estacional.

Al igual que en los procesos ARMA, las pautas cíclicas del comportamiento del proce-
so pueden ser modelizadas mediante modelos autorregresivos y de medias móviles. A
partir de polinomios en Bs podemos expresar un modelo AR puramente estacional
ARሺሻୱ por:
Ȱ୔ ሺ ୱ ሻ୲ ൌ ࣵ୲ (3.16)
Donde s es el número de periodos que abarca el ciclo estacional. Del mismo modo
podríamos expresar los modelos MA y ARMA como:
୲ ൌ ȣ୕ ሺ ୱ ሻࣵ୲ ՞ ሺሻୱ (3.17)

Ȱ୔ ሺ ୱ ሻ୲ ൌ ȣ୕ ሺ ୱ ሻࣵ୲ ՞ ሺǡ ሻୱ (3.18)

Si nos encontrásemos ante un modelo no estacionario al cual debemos aplicar el opera-
dor diferencia estacional D veces para estacionarizarlo tendríamos:
‫׏‬ୈ
ୗ ୲ ̱ሺǡ ሻୱ ՜ ୲ ̱ ሺǡ ǡ ሻୱ (3.19)
Los correlogramas simple y parcial de los modelos estacionales son similares a los no
estacionales, con la salvedad de que en los primeros sólo se representan los retardos
múltiplos del ciclo estacional.

Ejemplo 3.15. Desarrollar la ecuación explícita del proceso estacional ሺʹǡͳሻ଻ .

ARIMA estacional puro ୲ ̱ሺʹǡͳሻ଻ ൌ ሺʹሻ଻ ൅ ሺͳሻ଻

Ȱଶ ሺ ଻ ሻ ୲ ൌ ȣଵ ሺ ଻ ሻࣵ୲
Ȱଶ ሺ ଻ ሻ ൌ ሺͳ െ Ȱଵ ଻ െ Ȱଶ ଵସ ሻ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ȣଵ ሺ ଻ ሻ ൌ ሺͳ െ ȣଵ ଻ ሻ
ሺͳ െ Ȱଵ ଻ െ Ȱଶ ଵସ ሻ୲ ൌ ሺͳ െ ȣଵ ଻ ሻࣵ୲
୲ െ Ȱଵ ୲ି଻ െ Ȱଶ ୲ିଵସ ൌ ࣵ୲ െ ȣଵ ࣵ୲ି଻
୲ ൌ Ȱଵ ୲ି଻ ൅ Ȱଶ ୲ିଵସ ൅ ࣵ୲ െ ȣଵ ࣵ୲ି଻

Ejemplo 3.16. Dado el modelo ୲ ̱ሺͳǡͳሻୗ : a) Obtener la ecuación de predic-

ción, y b) calcular la ACF para datos mensuales hasta el retardo ͺ con
Ȱଵ ൌ െͲǤ͹ȣଵ ൌ ͲǤ͹.
a) Modelo ARMA estacional puro ୲ ̱ሺͳǡͳሻୗ siendo S la longitud del periodo
estacional.
୲ ̱ሺͳǡͳሻୗ ՜ Ȱଵ ሺ ୗ ሻ ୲ ൌ ȣଵ ሺ ୗ ሻࣵ୲
ሺͳ െ Ȱଵ ୗ ሻ୲ ൌ ሺͳ െ ȣଵ ୗ ሻࣵ୲
୲ െ Ȱଵ ୲ିୗ ൌ ࣵ୲ െ ȣଵ ୲ିୗ
୲ ൌ Ȱଵ ୲ିୗ ൅ ࣵ୲ െ ȣଵ ୲ିୗ

Para datos mensuales s =12: ୲ ൌ Ȱଵ ୲ିଵଶ ൅ ࣵ୲ െ ȣଵ ୲ିଵଶ

Para datos trimestrales s = 4: ୲ ൌ Ȱଵ ୲ିସ ൅ ࣵ୲ െ ȣଵ ୲ିସ

La ACF de este tipo de proceso se puede comprobar que tiene la siguiente for-
ma:

ͳ ൌ Ͳ
‫ۓ‬
ۖ ሺͳ െ Ȱଵ ȣଵ ሻሺȰଵ െȣଵ ሻ
ۖ ൌ
ͳ ൅ ȣଵଶ െ ʹȰଵ ȣଵ
ɏሺሻ ൌ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

‫۔‬
ۖԄଵ ɏ୦ିୗ ൌ ʹǡ ͵ǡ ǥ Ͳ
ۖ
‫ Ͳ ە‬

Para datos mensuales s =12: ୲ ൌ െͲǤ͹୲ିଵଶ ൅ ࣵ୲ െ ͲǤ͹୲ିଵଶ

ሺͳ െ Ȱଵ ȣଵ ሻሺȰଵ െȣଵ ሻ ሺͳ െ ሺെͲǤ͹ሻͲǤ͹ሻሺെͲǤ͹ െ ͲǤ͹ሻ

ɏሺͳʹሻ ൌ ൌ ൌ ͲǤͺͶͶͷ
ͳ ൅ ȣଵଶ െ ʹȰଵ ȣଵ ͳ ൅ ሺെͲǤ͹ሻଶ െ ʹሺെͲǤ͹ሻͲǤ͹
ɏሺʹͶሻ ൌ െͲǤ͹ ൉ ሺെͲǤͺͶͶͷሻ = 0.5911
ɏሺ͵͸ሻ ൌ െͲǤ͹ ൉ ͲǤͷͻͳͳ= - 0.4138
ɏሺͶͺሻ ൌ െͲǤ͹ሺെͲǤͶͳ͵ͺሻ= 0.2896

ɏሺ͸Ͳሻ ൌ െͲǤ͹ ൉ ͲǤʹͺͻ͸= - 0.2027

ɏሺ͹ʹሻ ൌ െͲǤ͹ሺെͲǤʹͲʹ͹ሻ= 0.1419
ɏሺͺͶሻ ൌ െͲǤ͹ ൉ ͲǤͳͶͳͻ = - 0.0993
ɏሺͻ͸ሻ ൌ െͲǤ͹ሺെͲǤͲͻͻ͵ሻ= 0.0695

3.1 Modelos ARIMA generales

En general diremos que una serie temporal se puede modelizar mediante una parte
regular y una parte estacional, mediante el siguiente modelo ARIMA general
୲ ̱ ሺǡ ǡ ሻሺǡ ǡ ሻୱ (3.20)
‫׎‬୮ ሺሻȰ୔ ሺ ୱ ሻ୲ ‫׏‬ୗ ‫׏‬ୈ ୱ
ୗ ൌ ൅ Ʌ୯ ሺሻȣ୕ ሺ ሻࣵ୲ (3.21)

Ejemplo 3.17. Desarrollar la ecuación explícita del proceso estacional

ሺͳǡͳǡͲሻሺͲǡͳǡͳሻʹͶǤ

୲ ̱ARIMA(1,1,0)(0,1,1)24

Ԅଵ ሺሻ‫׏׏‬ଶସ ୲ ൌ ȣଵ ሺ ଶସ ሻࣵ୲

ሺͳ െ Ԅଵ ሻ‫׏׏‬ଶସ ୲ ൌ ሺͳ െ ȣଵ ଶସ ሻࣵ୲
ρ (h)
ሺͳ െ Ԅଵ ሻሺͳ െ ሻሺͳ െ ଶସ ሻ୲
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ൌ ሺͳ െ ȣଵ ଶସ ሻࣵ୲

ሺͳ െ Ԅଵ ሻሺͳ െ ଶ െ ଶସ ൅ ଶହ ሻ୲
ൌ ሺͳ െ ȣଵ ଶସ ሻࣵ୲

ሺͳ െ Ԅଵ െ ଶ ൅ Ԅଵ ଷ െ ଶସ ൅ ଶହ ൅ Ԅଵ ଶହ െ Ԅଵ ଶ଺ ሻ୲ ൌ ሺͳ െ ȣଵ ଶସ ሻࣵ୲

୲ െ Ԅଵ ୲ିଵ െ ୲ିଶ ൅ Ԅଵ ୲ିଷ Ȃ ୲ିଶସ ൅ ୲ିଶହ ൅ Ԅଵ ୲ିଶହ െ Ԅଵ ୲ିଶ଺ ൌ ࣵ୲ െ ȣଵ ࣵ୲ିଶସ

୲ ൌ Ԅଵ ୲ିଵ ൅ ୲ିଶ െ Ԅଵ ୲ିଷ ൅ ୲ିଶସ െ ୲ିଶହ െ Ԅଵ ୲ିଶହ ൅ Ԅଵ ୲ିଶ଺ ൅ ࣵ୲ െ ȣଵ ࣵ୲ିଶସ

Ejemplo 3.18. El modelo de líneas aéreas ୲ ̱ ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ se ha utilizado

para ajustar los datos de la serie temporal correspondiente a los pasajeros mensuales
transportados por una línea aérea internacional durante el periodo comprendido entre
enero de 1949 y diciembre de 1960. Obtener la ecuación de explícita del modelo y
calcular la predicción para t = 121 sabiendo que la serie tiene n = 120 datos y con la
información de la tabla.

Figura 3.6. Serie “pasajeros”

a) El modelo ARIMA que mejor se ajusta a la serie anterior tiene estructura de un

doble IMA.

ܼ௧ ̱‫ܣܯܫܴܣ‬ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ ՜ߘߘଵଶ ܼ௧ ൌ ߠଵ ሺ‫ܤ‬ሻ߆ଵ ሺ‫ܤ‬ଵଶ ሻࣵ௧

ߘߘଵଶ ܼ௧ ൌ ሺͳ െ ߠଵ ‫ܤ‬ሻሺͳ െ ߆ଵ ‫ܤ‬ଵଶ ሻࣵ௧

ሺͳ െ ‫ܤ‬ሻሺͳ െ ‫ܤ‬ଵଶ ሻܼ௧ ൌ ሺͳ െ ߠଵ ‫ܤ‬ሻሺͳ െ ߆ଵ ‫ܤ‬ଵଶ ሻࣵ௧
ሺͳ െ ‫ ܤ‬െ ‫ܤ‬ଵଶ ൅ ‫ܤ‬ଵଷ ሻܼ௧ ൌ ሺͳ െ ߠଵ ‫ ܤ‬െ ߆ଵ ‫ܤ‬ଵଶ ൅ ߠଵ ߆ଵ ‫ܤ‬ଵଷ ሻࣵ௧
ܼ௧ െ ܼ௧ିଵ െ ܼ௧ିଵଶ ൅ ܼ௧ିଵଷ ൌ ࣵ௧ െ ߠଵ ࣵ௧ିଵ െ ߆ଵ ࣵ௧ିଵଶ ൅ ߠଵ ߆ଵ ࣵ௧ିଵଷ
ܼ௧ ൌ ܼ௧ିଵ ൅ ܼ௧ିଵଶ െ ܼ௧ିଵଷ ൅ ࣵ௧ െ ߠଵ ࣵ௧ିଵ െ ߆ଵ ࣵ௧ିଵଶ ൅ ߠଵ ߆ଵ ࣵ௧ିଵଷ

b) Utilizando el modelo anterior y con la información siguiente:

t Zt थ‫ܜ‬

108 880.000 12.81

109 875.024 -12.85

120 993.733 70.88

ሺͳ െ ሻሺͳ െ ଵଶ ሻ୲ ൌ ሺͳ െ ͲǤͺͶͲሻሺͳ െ ͲǤ͸͵͸ଵଶ ሻࣵ୲

୲ ൌ ୲ିଵ ൅ ୲ିଵଶ െ ୲ିଵଷ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ ȣଵ ࣵ୲ିଵଶ ൅ Ʌଵ ȣଵ ࣵ୲ିଵଷ

෠ଵଶଵ ൌ ଵଶ଴ ൅ ଵଶଵିଵଶ െ ଵଶଵିଵଷ ൅ ࣵଵଶଵ െ ͲǤͺͶͲࣵଵଶ଴ െ ͲǤ͸͵͸ࣵଵଶଵିଵଶ

൅ ͲǤͷ͵ࣵଵଶଵିଵଷ

෠ଵଶଵ ൌ ଵଶ଴ ൅ ଵ଴ଽ െ ଵ଴଼ ൅ ࣵଵଶଵ െ ͲǤͺͶͲࣵଵଶ଴ െ ͲǤ͸͵͸ࣵଵ଴ଽ ൅ ͲǤͷ͵ࣵଵ଴଼

෠ଵଶଵ ൌ ͻͻ͵Ǥ͹͵ ൅ ͺ͹ͷǤͲʹ െ ͺͺͲ ൅ Ͳ െ ͲǤͺͶሺ͹ͲǤͺͺሻ െ ͲǤ͸͵͸ሺെͳʹǤͺͷሻ

൅ ͲǤͷ͵ሺͳʹǤͺͳሻ ൌ ͻͶͶǤʹʹ

Ejemplo 3.19. Dado el proceso estacional ሺͲǡͳሻሺͳǡͲሻଵଶ , determinar la ecuación

de predicción considerando que es estacionario. Considerando que la función de auto-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

correlación simple, f.a.s o ACF se puede obtener mediante las expresiones dadas más
abajo, calcular la ACF para ୲ ൌ ͲǤͺ୲ିଵଶ ൅ ͲǤͷ୲ିଵ ൅ ୲
r ͶͲ.

a) ୲ ̱ሺͲǡͳሻሺͳǡͲሻଵଶ

‫׎‬଴ ሺሻȰଵ ሺଵଶ ሻ୲ ൌ Ʌଵ ሺሻȣ଴ ሺଵଶ ሻࣵ୲

ሺͳ െ Ȱଵ ଵଶ ሻ୲ ൌ ሺͳ െ Ʌଵ ሻࣵ୲

୲ ൌ Ȱଵ ୲ିଵଶ െ Ʌଵ ୲ିଵ ൅ ୲

b) La ACF de este tipo de proceso cuando es estacionario se puede comprobar que

tiene la siguiente forma:

ɏሺͳʹሻ ൌ Ȱ୦ , h =1, 2,…

஘
ɏሺͳʹ െ ͳሻ ൌ ɏሺͳʹ ൅ ͳሻ ൌ ĭ୦ , h = 0, 1, 2,…
ଵା஘మ

ɏሺሻ ൌ Ͳǡ

En nuestro caso como ୲ ൌ െͲǤͷ୲ିଵ ൅ ͲǤͺ୲ିଵଶ , tenemos que:

ି଴Ǥହ
Para h=0 ɏሺͳሻ ൌ ͲǤͺ଴ = - 0.4
ଵାሺି଴Ǥହሻమ

Para h=1 ɏሺͳʹሻ ൌ Ȱଵ ൌ ͲǤͺ

ି଴Ǥହ
ɏሺͳͳሻ ൌ ɏሺͳ͵ሻ ൌ ͲǤͺଵ ൌǦͲǤ͵ʹ
ଵାሺି଴Ǥହሻమ

ൌʹ ɏሺʹͶሻ ൌ Ȱଶ ൌ ͲǤͺଶ ൌ ͲǤ͸Ͷ

ି଴Ǥହ
ɏሺʹ͵ሻ ൌ ɏሺʹͷሻ ൌ ͲǤͺଶ ൌǦͲǤʹͷ͸
ଵାሺି଴Ǥହሻమ

ɏሺ͵͸ሻ ൌ Ȱଷ ൌ ͲǤͺଷ ൌ ͲǤͷͳʹ

ൌ͵

ି଴Ǥହ
ɏሺ͵ͷሻ ൌ ɏሺ͵͹ሻ ൌ ͲǤͺଷ ൌǦͲǤʹͲͷ
ଵାሺି଴Ǥହሻమ

ɏሺʹሻ ൌ ɏሺ͵ሻ ൌ ‫ ڮ‬ൌ ɏሺͳͲሻ ൌ Ͳ

ɏሺͳͶሻ ൌ ɏሺͳͷሻ ൌ ‫ ڮ‬ൌ ɏሺʹʹሻ ൌ Ͳ

ɏሺʹ͸ሻ ൌ ɏሺʹ͹ሻ ൌ ‫ ڮ‬ൌ ɏሺ͵Ͷሻ ൌ Ͳ

ɏሺ͵ͺሻ ൌ ɏሺ͵ͻሻ ൌ ɏሺͶͲሻ ൌ Ͳ

c) Gráficamente, el correlograma simple, ACF:

Figura 3.7. ACF

Ejercicios propuestos

P.3.1. Se han simulado 1000 observaciones de un proceso AR(2)Ǥ Estudiar la correla-

ción entre la serie Zt y la serie decalada en el tiempo 0, 1, 2,…,7 unidades de tiempo,
comentado como serán los coeficientes de correlación lineal entre las parejas de varia-
bles consideradas.

Correlación entre la serie y la serie decalada 0,1,2,…,7

unidades de tiempo
Lag 0 Lag 1 Lag 2
40

40
ro =1 r 1 = 0 .9 r 2 = 0.6
Z[t-1]

Z[t-2]
35

35
Z[t]
30

30
25

25
20

20
20 25 30 35 40 20 25 30 35 40 20 25 30 35 40

Z[t] Z[t] Z[t]

Lag 3 Lag 4 Lag 5

40
r3 = 0 .3
35

35
Z[t-3]

Z[t-4]

Z[t-5]
30

30
25

r4 = 0 r5 = - 0 .3
20

20 25 30 35 40 20 25 30 35 40 20 25 30 35 40

Z[t] Z[t] Z[t]

ACF of AR(2) process

Lag 6 Lag 7
1 .0
40

40
35

35
Z[t-6]

Z[t-7]

0. 5
r
30

0.0
25

r6 = - 0 .5 r 7 = - 0.6
-0 .5
20

20 25 30 35 40 20 25 30 35 40 0 5 10 15 20 25 30

Z[t] Z[t] Lag

Figura 3.8. Scatters-plots serie decalada

P.3.2. Los residuos de un modelo ARIMA siguen un proceso de ruido blanco si....
a) la media es nula y la varianza es nula, están incorrelacionados y si-
guen una distribución normal
b) todos los coeficientes de autocorrelación son nulos
c) la media no permanece constante y es distinta de cero
d) ninguna de las anteriores

P.3.3. Los correlogramas de los residuos de un proceso estocástico son los siguientes:
Partial Autocorrelation

0,6

0,2

-0,2

-0,6

-1
0 4 8 12 16 20 24
lag
1
Autocorrelations

0,6

0,2
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

-0,2

-0,6

-1
0 4 8 12 16 20 24
lag

Indicar cuál es verdadera

a) es un proceso autoregresivo de orden 1
b) se trata de un MA(3) estacional
c) es un proceso de medias móviles de orden 3
d) es siempre estacionario

P.3.4. Dado el modelo ARIMA (1+0.5B)(1-B)Zt = (1-0.2B2)(1-0.95B12+0.1B24)at.

Indicar cuál de los siguientes es:
a) ARIMA(1,1,1)(0,1,1)12
b) ARIMA(0,2,1)(1,0,2)12
c) ARIMA(1,1,2)(0,0,2)12
d) ARIMA(1,1,1)(0,0,2)12
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

4.1. Metodología Box-Jenkins para el ajuste de modelos ARIMA

El proceso de modelización de series temporales mediante los modelos ARIMA consta
básicamente de tres pasos según la metodología Box-Jenkins, tal y como se recogen en
el diagrama de flujo de la Figura 4.1. Una etapa previa sería la realización de un análi-
sis descriptivo de la serie temporal mediante la representación gráfica de la misma
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

frente al tiempo, donde se pone de manifiesto su comportamiento y por tanto las com-
ponentes más marcadas lo que nos permitirá concluir si la serie es estacionaria o no.
La primera etapa consiste en identificar el posible modelo ARIMA para lo cual debe-
mos de conseguir en primer lugar la estacionareidad de la serie. Debemos de transfor-
mar la serie para estabilizar la varianza si esta no fuera constante, diferenciar la serie
regularmente si la media no fuera constante y si presentara componente estacional
diferenciarla de forma no regular o estacional. Seguidamente obtener un modelo tenta-
tivo como resultado del comportamiento observado en la representación de las funcio-
nes de autocorrelación simple y parcial.
El segundo paso sería la fase de estimación del modelo tentativo donde se decide si los
parámetros estimados son significativos o no. Como resultado obtenemos una serie que
contiene los residuos del ajuste del modelo más adecuado.
En la tercera etapa se realiza la validación del modelo ajustado mediante la diagnosis
de la serie de residuos obtenida en la etapa anterior. En esta fase se comprueba si los
residuos son independientes y siguen un proceso estocástico de Ruido Blanco. De ser

así, diremos que la estructura de autocorrelación ha sido capturada por el modelo y por
tanto dicho modelo es válido para realizar predicciones. Si los residuos no presentan
comportamiento de Ruido Blanco habrá que volver a especificar un nuevo modelo
utilizando la información sobre la estructura de autocorrelación remanente en dichos
residuos.

4.2. Obtención de una serie estacionaria

Como puede verse en la Figura 4.1, deberemos de comprobar si la serie es estacionaria
y si presenta estacionalidad. Esta comprobación es necesaria debido a que la metodolo-
gía Box-Jenkins es efectiva cuando se aplica a series estacionarias en media y en va-
rianza.

4.2.1. Varianza constante

En primer lugar deberemos de asegurarnos de que la serie original presenta varianza
constante, es decir, que dicha varianza no es función del tiempo. Si no fuera constante
es necesario estabilizar la varianza mediante transformaciones adecuadas. Existe una
familia de transformaciones muy adecuadas, llamadas transformaciones de Box-Cox,
entre las que se encuentra la transformación logaritmo natural muy habitual cuando la
serie presenta varianza proporcional a la tendencia. En los Ejemplos 4.1 y 4.2 puede
apreciarse su efectividad.

4.2.2. Valor medio constante

En segundo lugar deberemos de asegurarnos de que la serie original presenta media
constante, es decir, que dicha media no es función del tiempo. Si no fuera constante es
necesario estabilizar la media mediante transformaciones adecuadas. Se aplicará el
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

operador diferencia regular hasta conseguir estabilidad en la media.

4.2.3. Presencia de estacionalidad en el comportamiento de la serie

Un comportamiento estacional tiene como consecuencia que la serie no sea estable en
media. Por tanto, si hemos detectado estacionalidad deberemos de transformar la serie
adecuadamente. Se aplicará el operador diferencia estacional o no regular.

100

García, D. J. C. (2016). Predicción en el dominio del tiempo : Análisis de series temporales para ingenieros. Editorial de la Universidad Politécnica de Valencia.
Created from bibliotecaupves-ebooks on 2023-11-02 11:29:02.
Modelización ARIMA
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 4.1. Metodología Box-Jenkins

101

Ejemplo 4.1. La Figura 4.2 muestra una representación de una serie Xt frente al tiem-
po. Con esta información avanzar si la serie es estacionaria o no.

9
Xt

0
0 12 24 36 48 60 72 84
Tiempo

Figura 4.2. Serie Xt frente al tiempo

Se puede observar como la serie presenta varianza no constante debido a ese aumento
proporcional al tiempo. Se aprecia una ligera tendencia que pone de manifiesto una no
estabilidad frente al tiempo y por ello no sería estacionaria en media. Por último se
observa que existe un patrón estacional que se repite cada 12 unidades de tiempo.
Podríamos concluir diciendo que la serie no estacionaria ya que presenta varianza no
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

constante, media no constante y además es estacional. Por tanto, antes de empezar a

modelizar la serie, se deberían llevar a cabo las transformaciones y diferenciaciones
correspondientes para obtener una serie estacionaria.

102

Ejemplo 4.2. La Figura 4.3 muestra una representación de la serie Xt frente al tiempo
del Ejemplo 4.1 transformada logarítmicamente.
La serie original Xt no era estacionaria ya que presenta varianza no constante. Si se le
aplica una transformación logarítmica, Ln(Xt), se obtiene una serie temporal que ya es
estable en varianza, como se aprecia en la figura siguiente.

2,5

2
Ln(Xt)

1,5

0,5

0
0 12 24 36 48 60 72 84
Tiempo

Figura 4.3. Serie Ln(Xt) frente al tiempo

4.3. Identificación de un modelo tentativo

Los modelos AR(p) presentan una función de autocorrelación simple (ACF) que decaen
exponencialmente o mezcla de sinusoides y exponenciales que se amortiguan en el
tiempo, y una función de autocorrelación parcial (PACF) con los p primeros coeficien-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

tes no nulos y se anula a partir del retardo p.

Los modelos MA(q) presentan una ACF con los q primeros coeficientes no nulos y se
anula a partir del retardo q. La PACF decae exponencialmente o mezcla de sinusoides
y exponenciales que se amortiguan en el tiempo.
Por tanto, los modelos AR se identifican bien en la PACF y los MA en la ACF.
En los modelos estacionales debemos de distinguir entre la parte regular, retardos com-
prendidos entre retardos estacionales, y la parte estacional, es decir los retardos esta-
cionales. Para la parte regular el comportamiento de ACF y PACF como en los mode-
los ARMA. Para los retardos estacionales, la misma pauta que los modelos ARMA
pero en los retardos estacionales.

Ejemplo 4.3. El gráfico de la Figura 4.4. corresponde a una serie estacionaria cuyas
funciones de autocorrelación simple y parcial son las mostradas en la Figura 4.5. Del
comportamiento de dichas funciones de autocorrelación proponer un modelo ARIMA
para dicha serie.

103

4,5

2,5
temperatura

0,5

-1,5

-3,5
0 20 40 60 80 100 120

Figura 4.4. Serie temperatura frente al tiempo.

Se trata de una serie que presenta razonable estabilidad en varianza y en media y no

muestra comportamiento estacional, por tanto podemos considerar que se trata de una
serie estacionaria.
Estimated Autocorrelations for temperatura

0,6
Autocorrelations

0,2

-0,2

-0,6
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

-1
0 5 10 15 20 25
lag

Estimated Partial Autocorrelations for temperatura

1
Partial Autocorrelations

0,6

0,2

-0,2

-0,6

-1
0 5 10 15 20 25
lag

Figura 4.5. ACF y PACF

104

El comportamiento observado (Figura 4.5) en PACF (partial autocorrelations) es el

correspondiente a un proceso AR(1) que se corrobora en la ACF (autocorrelations).

Ejemplo 4.4. Funciones de autocorrelación simple y parcial de procesos estacionales

puros.
Serie temporal estacional dada por ୲ ൌ Ȱଵ ୲ିଵଶ ൅ ࣵ୲
AR(1)12 : Ȱଵ = 0.6
ACF PACF
1
1

0,6
0,6

0,2
0,2

-0,2
-0,2

-0,6
-0,6

-1
-1
0 12 24 36 48 0 12 24 36 48

AR(1)12 : Ȱଵ = -0.6
ACF PACF
1
1

0,6
0,6

0,2 0,2
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

-0,2 -0,2

-0,6 -0,6

-1 -1
0 12 24 36 48 60 0 12 24 36 48 60

105

Serie temporal estacional dada por ୲ ൌ ࣵ୲ െ ȣଵ ࣵ୲ି଻

MA(1)7 : ȣଵ = 0.8
ACF PACF
1 1

0,6 0,6

0,2 0,2

-0,2 -0,2

-0,6 -0,6

-1
-1
0 7 14 21 28 35 42 49 56
0 7 14 21 28 35 42 49 56

MA(1)7 : ȣଵ = - 0.8
ACF PACF
1 1

0,6 0,6

0,2 0,2

-0,2 -0,2

-0,6
-0,6

-1
-1
0 7 14 21 28 35 42 49 56
0 7 14 21 28 35 42 49 56
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ejemplo 4.5. En los gráficos siguientes (Figura 4.6) se muestra una representación de
una serie Xt frente al tiempo y sus funciones de autocorrelación simple (ACF) y parcial
(PACF). Con esta información avanzar si la serie es estacionaria o no y comentar que
habría que hacer para obtener una serie estacionaria.

Visualmente podemos determinar que la serie Xt presenta tendencia y varianza no cons-

tante por lo que la serie no será ni estacionaria en media ni en varianza. Además pre-
senta componente estacional.
Como puede verse presenta una ACF característica de los procesos integrados: decai-
miento lento y lineal de coeficientes de autocorrelación simple elevados. En la PACF
observamos el primer coeficiente cercano a 1 típico de procesos integrados. También
se deduce que la estacionalidad debe ser de longitud 12. Por tanto antes de modelizar
deberemos de estabilizar la varianza mediante alguna transformación y diferenciar la
serie tanto regular como estacionalmente mediante los operadores diferencia corres-
pondientes.

106

100 200 300 400 500 600

0 20 40 60 80 100 120 140

1.0

1.0
0.5

0.5
PACF
ACF

0.0

0.0
-0.5

-0.5

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.6. Serie Xt frente al tiempo con sus correspondientes ACF y PACF

La serie anterior ha sido transformada logarítmicamente para estabilizar la varianza,

୲ ൌ log(Xt). La varianza de la serie se ha estabilizado como se puede ver en el gráfico

siguiente:
6.5
600

6.0
500
400
Xt

5.5
300
200

5.0
100

1950 1952 1954 1956 1958 1960

1950 1952 1954 1956 1958 1960
Time
Time

Figura 4.7. Serie Xt y su transformada ‫ ܜ܈‬ൌ log(Xt)

107

Ejemplo 4.6. La serie temporal ୲ “ratio de aire-gas de alimentación” a un quemador

industrial contiene el registro de 296 observaciones (Figura 4.8). Analizar dicha serie y
realizar las transformaciones y/o diferenciaciones necesarias para conseguir una serie
estacionaria. Obtener un modelo tentativo para la serie original y estimarlo.
Serie temporal input (Xt)

1 1

0,6 0,6
ACF

PACF

0,2 0,2

-0,2 -0,2

-0.6 -0.6
-1 -1
0 5 10 15 20 25 0 5 10 15 20 25
retardo retardo
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 4.8. Serie Gas Rate frente al tiempo y sus corres`pondientes ACF y PACF

Los correlogramas sugieren un modelo autoregresivo de orden 3, AR(3), del tipo si-
guiente:
ܺ௧ ൌ ൅ ‫׎‬ଵ ܺ௧ିଵ ൅ ‫׎‬ଶ ܺ௧ିଶ ൅ ‫׎‬ଷ ܺ௧ିଷ ൅ ܽ௧

108

García, Díaz, Juan Carlos. Predicción en el dominio del tiempo: análisis de series temporales para ingenieros, Editorial de la Universidad Politécnica de
Valencia, 2016. ProQuest Ebook Central, http://ebookcentral.proquest.com/lib/bibliotecaupves-ebooks/detail.action?docID=4795086.
Created from bibliotecaupves-ebooks on 2023-11-02 11:53:42.
Modelización ARIMA

La Tabla 4.1 muestra el ANOVA de la estimación del modelo mediante Statgraphics:

Tabla 4.1 ANOVA de la estimación del modelo

ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value

------------------------------------------------------------------------------

AR(1) 1.97032 0.0548841 35.8996 0.0000

AR(2) -1.36384 0.0994767 -13.7102 0.0000

AR(3) 0.337436 0.0549045 6.14587 0.0000

Estimated white noise standard deviation = 0.188856

Para que sea estacionario hay que comprobar que las raíces del polinomio autoregresi-
vo se encuentran fuera del circulo unidad en el plano complejo o lo que es lo mismo
que en modulo sean mayores que 1. Se puede comprobar mediante Matlab o R. En este
caso utilizamos el lenguaje R:
abs(polyroot(z=c(1,-1.97, 1.36, -0.34)))
1.240507, 1.539788, 1.539788
Luego las tres raíces son en modulo >1 y por tanto el proceso es estacionario. Obtene-
mos el siguiente modelo sin constante, ya que no ha salido significativa (no mostrado
en tabla anterior):
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

୲ ൌ ͳǤͻ͹୲ିଵ െ ͳǤ͵͸୲ିଶ ൅ ͲǤ͵Ͷ୲ିଷ ൅ ୲

Ejemplo 4.7. La serie temporal ୲ “Temperatura” contiene el registro de 225 lecturas

de temperatura. Analizar dicha serie y realizar las transformaciones y/o diferenciacio-
nes necesarias para conseguir una serie estacionaria. Obtener un modelo tentativo para
la serie original.

109

28
TEMPERATURA
26

18
0 40 80 120 160 200 240

Figura 4.9. Serie Temperatura frente al tiempo

Análisis descriptivo. Una vez representada la serie frente al tiempo nos planteamos la
pregunta de si la serie es estacionaria o no, para lo cual debemos de comprobar si la
serie es estacionaria en media, en varianza y si presenta estacionalidad.
Como se observa en la gráfica de la serie (Figura 4.9), ésta presenta claros síntomas de
no estacionareidad pues su media no es constante con el tiempo al presentar cambios de
tendencia importantes. Si observamos sus correlogramas simple y parcial podremos
corroborar este hecho.
La Figura 4.10 representa la ACF y PACF de la serie Temperatura. La ACF presenta el
comportamiento típico de un proceso con media no constante, es decir, un decrecimien-
to lento y lineal de los coeficientes de autocorrelaión lineal con valores muy altos. La
PACF presenta el primer coeficiente con un valor próximo a la unidad, típico de proce-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

sos integrados. Por ello la serie original debe ser diferenciada al menos una vez.
1.0

1.0
0.8

0.8
0.6

0.6
PACF
0.4

0.4
ACF

0.2

0.2
0.0

0.0
-0.2

-0.2

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.10. ACF y PACF

110

En cuanto a la posible no estacionareidad en varianza, podemos decir que no se aprecia

que la dispersión de la serie no sea constante con el tiempo. Parece que tampoco pre-
senta comportamiento estacional.
Obtención serie estacionaria. Se procede a diferenciar la serie una vez y los correlo-
gramas de la serie diferenciada (Figura 4.11) parecen sugerir que ésta sigue un modelo
autoregresivo de orden 1, AR(1).
0.8

0.8
0.6

0.6
0.4

0.4
PACF
ACF

0.2

0.2
0.0

0.0
-0.2

-0.2

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.11. ACF y PACF de la serie diferenciada

Luego aparentemente ya hemos conseguido una serie que ha sido estabilizada en media
y por tanto podemos considerar que la serie diferenciada regularmente ሺ୲ ) es estacio-
naria.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

୲ ̱ARIMA(0,1,0)
୲ ൌ ‫୲׏‬
୲ ൌ ሺͳ െ ሻ୲ ൌ ୲ െ ୲ିଵ

El siguiente paso será modelizar la serie ୲ como un proceso ARMA(1,0). Es decir

podemos estimar el modelo ୲ ̱ARIMA(1,1,0).

111

0.2

0.2
0.1

0.1
PACF
ACF

0.0

0.0
-0.1

-0.1
-0.2

-0.2
5 10 15 20 5 10 15 20

Lag Lag

Figura 4.12. ACF y PACF de los residuos de la serie ajustada Zt

Una vez ajustado el modelo ARIMA(1,1,0) a la serie “Temperatura” obtenemos los

correlogramas de la serie residual que se representan en la Figura 4.12.
Otra opción sería el replantearse si los correlogramas de la serie original sin diferenciar
pueden presentar un comportamiento asimilable a un proceso autoregresivo de orden 2,
AR(2) pues la PACF presenta los dos primeros coeficientes distintos de cero y el resto
nulos y la PACF presenta un decaimiento hacia cero. Proponemos como modelo tenta-
tivo para la serie original un modelo ୲ ̱ARIMA(2,0,0).
Los correlogramas de la serie residual del nuevo modelo ajustado, Figura 4.13, no se
alejan significativamente de los que presentaría un ruido blanco, por tanto, el modelo
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

propuesto se acepta como modelo tentativo a estimar.

0.2

0.2
0.1

0.1
PACF
ACF

0.0

0.0
-0.1

-0.1
-0.2

-0.2

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.13. ACF y PACF de los residuos de la serie ajustada Zt ̱AR(2)

112

Ejemplo 4.8. La serie ୲ ൌCEEsem contiene el consumo en MWh de energía eléctrica

horaria en España de una semana laborable de lunes a viernes. Realizar (a) el análisis
descriptivo de la serie temporal representada, (b) Estudiar las posibles transformacio-
nes y/o diferenciaciones a realizar para conseguir una serie estacionaria.

34
Zt

22
0 24 48 72 96 120

Figura 4.14. Serie ‫ ܜ܈‬ൌCEEsem

a) Análisis descriptivo. El primer paso en el análisis de una serie temporal es de

naturaleza descriptiva. Una vez representada la serie frente al tiempo nos plan-
teamos la pregunta de si la serie es estacionaria o no, para lo cual debemos de
comprobar si la serie es estacionaria en media, en varianza y si presenta estaciona-
lidad.
Observando la gráfica de la Figura 4.14, podemos concluir que aparentemente tiene
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

media y varianza constante pues no presenta tendencia ni aumento de variabilidad con

el tiempo. Presenta claramente un comportamiento estacional que se repite cada 24
horas. También se observa como durante las primeras horas del primer día aparece un
consumo inferior ligeramente menor que los demás días. Esto será debido a que el día
anterior era Domingo. Deberemos estar atentos a posibles problemas generados al ser
estos puntos de la serie generados bajo otras circunstancias.
Luego la conclusión del análisis descriptivo es que al menos habrá que diferenciar
estacionalmente la serie original.
b) Obtención serie estacionaria. Como parece que la serie tiene varianza constante
no se plantea transformación alguna.
En principio la serie no presenta una clara tendencia que nos sugiera que la media de la
misma no permanece constante con el tiempo. Por tanto no aplicaremos ninguna dife-
rencia regular. La serie presenta una clara estacionalidad de longitud 24, por tanto pro-

113

cederemos a diferenciar estacionalmente la serie al menos una vez. La ACF y la PACF

de la serie diferenciada se presentan a continuación:
0.8

0.8
0.6

0.6
0.4

0.4
PACF
ACF

0.2

0.2
0.0

0.0
-0.2

-0.2
5 10 15 20 5 10 15 20

Lag Lag

Figura 4.15. ACF y PACF de la serie diferenciada estacionalmente

Como se observa en la Figura 4.15, la serie diferenciada estacionalmente presenta un

comportamiento típico de un proceso integrado, es decir con media no constante. Se
decide por tanto aplicar una diferencia regular a la serie original además de la diferen-
cia estacional.
La ACF y la PACF de la serie diferenciada se presentan a continuación:
0.3

0.3
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

0.2

0.2
0.1

0.1
0.0

0.0
PACF
ACF

-0.3 -0.2 -0.1

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.16. ACF y PACF de la serie diferenciada regularmente

114

Luego aparentemente ya hemos conseguido una serie que ha sido estabilizada en media
y por tanto podemos considerar que la serie diferenciada regular y estacionalmente
ሺ୲ ) es estacionaria.
୲ ̱ARIMA(0,1,0)(0,1,0)24
୲ ൌ ‫׏׏‬ଶସ ୲
୲ ൌ ሺͳ െ ሻሺͳ െ ଶସ ሻ୲ ൌ ሺͳ െ ଶ െ ଶସ ൅ ଶହ ሻ୲
୲ ൌ ୲ െ ୲ିଶ െ ୲ିଶସ ൅ ୲ିଶହ

El siguiente paso será modelizar la serie ୲ como un proceso ARMA:

୲ ̱ARMA(p,q)(P,Q)24

Ejemplo 4.9. Obtener un modelo tentativo para la serie del ejercicio anterior
୲ ൌCEEsem utilizando la información de los correlogramas de ୲ .

Partimos de un modelo ୲ ̱ARMA(0,0)(0,0)24. De la observación de la ACF y de la

PACF se puede deducir que ୲ sigue un modelo de tipo autoregresivo de orden 1 en su
parte regular o no estacional. Luego, probamos un modelo ୲ ̱ARMA(1,0)(0,0)24.
0.2

0.2
0.1

0.1
PACF
ACF

0.0

0.0
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

-0.1

-0.1
-0.2

-0.2

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.17. ACF y PACF de los residuos de la serie ajustada Wt

La ACF y la PACF de los residuos del modelo ajustado aparentemente son los que
presentarian un proceso estocástico de ruido blanco.
Por tanto el modelo tentativo podría ser el modelo ୲ ̱ARIMA(1,1,0)(0,1,0)24.
Ԅଵ ሺሻ‫׏׏‬ଶସ ୲ ൌ ࣵ୲
ሺͳ െ Ԅଵ ሻሺͳ െ ሻሺͳ െ ଶସ ሻ୲ ൌ ࣵ୲

115

Ejemplo 4.10. Se presenta la serie de residuos y sus correspondientes correlogramas

ACF y PACF obtenidos después de transformar logarítmicamente y diferenciar tanto
regular como estacionalmente una vez la serie del Ejemplo 4.5. Con esta información
comenzar la modelización de la serie original.

La serie Xt del Ejemplo 4.5 ha sido transformada logarítmicamente para estabilizar la

varianza y ha sido diferenciada una vez tanto regular como estacionalmente resultando
una serie estacionaria.
୲ ൌ ‫݊ܮ‬ሺXt)
El modelo ARIMA a ajustar será del tipo ୲ ̱ARIMA(p, 1 q) (P, 1, Q)12 donde los
valores de p, q, P y Q deben ser determinados. A la vista de la PACF en la Figura 4.18
se intuye un decaimiento exponencial hacia cero de los primeros coeficientes de auto-
correlación sugiriendo un modelo MA(1) para la parte no estacional o regular y por
tanto p = 0 y q =1. De forma análoga podemos sugerir un modelo MA(1) para la parte
estacional y por tanto P = 0 y Q = 1.
0.15
0.05
-0.05
-0.15

1950 1952 1954 1956 1958 1960

0.2

0.2
0.1

0.1
-0.4 -0.3 -0.2 -0.1 0.0

-0.4 -0.3 -0.2 -0.1 0.0

PACF
ACF

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.18. Serie Zt frente al tiempo con sus correspondientes ACF y PACF

116

Resumiendo, a la vista de la ACF y de la PACF un modelo posible podría ser AR-

MA(0,1) tanto para la parte regular como para la estacional. Ajustamos el modelo
ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ a la serie ୲ y estudiamos sus residuos.
La Figura 4.19 nos muestra la serie residual obtenida y la ACF y PACF de la misma.
Como se puede observar todos los coeficientes caen dentro de las bandas de confianza
y por tanto podemos concluir que son nulos. Aparentemente ya hemos obtenido un
modelo que capta toda la estructura de autocorrelación de la serie original.

res
0.10
0.05
0.00
-0.10

1950 1952 1954 1956 1958 1960

0.2

0.2
0.1

0.1
PACF
ACF

0.0

0.0
-0.1

-0.1
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

-0.2

5 10 15 20 5 10 15 20

Lag Lag

Figura 4.19. Serie residual del modelo ajustado con sus correspondientes ACF y PACF

Como resultado tenemos que un modelo tentativo a estimar podría ser el siguiente:
୲ ̱ ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ

‫׏׏‬ଵଶ ୲ ൌ Ʌଵ ሺሻȣଵ ሺଵଶ ሻࣵ୲

‫׏׏‬ଵଶ ୲ ൌ ሺͳ െ Ʌଵ ሻሺͳ െ ȣଵ ଵଶ ሻࣵ୲

୲ ൌ ‫݊ܮ‬ሺXt)

117

5.1. Estimación del Podelo

El proceso de modelización de series temporales mediante los modelos ARIMA consta
básicamente de tres pasos según la metodología Box-Jenkins, tal y como se recogen en
el diagrama de flujo de la Figura 4.1. Una vez hemos identificado un modelo tentativo
se lleva a cabo la estimación los parámetros que caracterizan el modelo identificado. La
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

estimación se realizará normalmente mediante el método de máxima verosimilitud para

obtener los mejores estimadores posibles de los parámetros del modelo identificado. Se
debe verificar que dichos parámetros estimados son significativamente distintos de
cero y cumplen las condiciones de estacionariedad y/o invertibilidad.

5.2. Análisis de la significación de los parámetros

El análisis de la significación de los parámetros: constante del modelo y, coeficientes
de los polinomios autoregresivos y de medias móviles tanto de la parte regular como de
la parte estacional, realmente se trata de una fase de diagnosis del modelo.
Asumiendo normalidad en el error, podemos calcular los t-ratios asociados a cada
parámetro y compararlos con una t de Student. Se realiza mediante los contrastes de
hipótesis correspondientes:
H0: pi = 0 vs H1: pi 0 (5.1)

119

donde pi es el parámetro del modelo cuya significación queremos analizar. Definiendo

el estadístico:
ෞഢ ି଴
୮
ൌቚ ෞഢ ሻ
ቚ (5.2)
ୢୣୱ୴Ǥ୲୧୮ሺ୮

Si T > 2 (para un nivel de significación del 5 %) no podemos aceptar la hipótesis nula y

por tanto debemos concluir que ୧ ് Ͳ y por tanto aceptamos el valor estimado ෞ.
న

Las herramientas básicas serán las tablas del análisis de la varianza proporcionadas por
el software correspondiente, utilizando directamente los valores de los p-value para un
nivel de significación dado. Para ello, consideraremos el p-value de la tabla de estima-
ción (Analysis summary) del Statgraphics por ejemplo,
• Si p-value < 0.05, entonces aceptamos como bueno el valor estimado para el
parámetro pi.
• Si p-value Ӌ 0.05, entonces consideramos que el parámetro es igual a 0.
Estos métodos pueden seguirse con detalle en García Díaz (2011 a y b).

5.3. Análisis de las estacionareidad e invertivilidad de los modelos

Se debe verificar que dichos parámetros cumplen las condiciones de estacionariedad
y/o invertibilidad. Se debe comprobar que las raíces de los polinomios autoregresivos
y/o de medias móviles son, en módulo, mayores que la unidad.

Ejemplo 5.1.Se ajustó un modelo AR(1) con constante a una determinada serie tempo-
ral mediante el programa Minitab. A partir de la salida del programa, que aparece en la
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Tabla 5.1, a) comprobar numéricamente que el valor de la media del proceso es

14.6349 y b) desarrollar la ecuación de predicción del modelo ajustado.

Tabla 5.1. Tabla del ANOVA Ejemplo 5.1

Final Estimates of Parameters

Type Coef SE Coef T P-value

AR 1 0.7078 0.1161 6.10 0.000

Constant 4.2761 0.1953 21.89 0.000

Mean 14.6349 0.6684

120

a) Comprobación del valor medio del proceso. En general, para un AR(1) con constan-
te la ecuación de predicción tiene la siguiente estructura tal y como se ha visto en
ejercicios anteriores:
୲ ൌ ൅ Ԅଵ ୲ିଵ ൅ ࣵ୲

Como puede observarse el coeficiente Ԅଵ , AR(1), y la constante han salido muy signi-
ficativos (ȁ‫ݐ‬ȁ ൐ ʹ, p-value << 0.05). Para que sea estacionario debemos considerar
ȁԄଵ ȁ ൏ ͳ y por lo tanto media constante ሾ୲ ሿ ൌ Ɋ ൌ . En nuestro caso tenemos
que Ԅଵ ൌ ͲǤ͹Ͳ͹ͺ y la constante c = 4.2761 y por tanto la media del proceso se puede
calcular mediante:
ͶǤʹ͹͸ͳ
Ɋൌ ൌ ൌ ͳͶǤ͸͵Ͷ
ͳ െ Ԅଵ ͳ െ ͲǤ͹Ͳ͹ͺ

b) Determinación ecuación de predicción. En nuestro caso tenemos

୲ ൌ ͶǤʹ͹͸ͳ ൅ ͲǤ͹Ͳ͹ͺ୲ିଵ ൅ ࣵ୲

Y considerando que ሾࣵ୲ ሿ ൌ Ͳ

෠୲ାଵ ൌ ͶǤʹ͹͸ͳ ൅ ͲǤ͹Ͳ͹ͺ୲

Donde ෠୲ାଵ es la predicción para el próximo instante del tiempo.

121

Ejemplo 5.2. Se ha seleccionado un posible modelo ARIMA(0,1,1)(0,1,1)24 para cons-

truir un modelo de predicción para la serie CEEsem tratada en ejemplos anteriores. Se
ha estimado el modelo mediante Statgraphics obteniendo la siguiente salida del pro-
grama, Tabla 5.2. Estudiar la significatividad de los parámetros comprobando que se
trata de un proceso estacionario e invertible.

Tabla 5.2. Tabla del ANOVA Ejemplo 5.2.

ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value
-----------------------------------------------------------------------
-
MA(1) 0.224496 0.103058 2.17833 0.031938
SMA(1) 0.285416 0.0849717 3.35895 0.001140
Mean -16.6032 20.8041 -0.798074 0.426883
Constant -16.6032

Como puede observarse los coeficientes ፽ଵ (MA(1)) y ȣଵ (SMA(1)) han resultado

significativos al 5 % (ȁ‫ݐ‬ȁ ൐ ʹǡp-value < 0.05) mientras que la constante no ha resulta-
do significativa (ȁ‫ݐ‬ȁ ൏ ʹ, p-value > 0.05), por lo que habrá que estimar el modelo sin
constante:

ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value

--------------------------------------------------------------------
MA(1) 0.216784 0.10243 2.1164 0.036981
SMA(1) 0.287281 0.0839465 3.4222 0.000925

La estimación de los coeficientes no ha cambiado sustancialmente. El modelo estimado

tendrá la siguiente estructura con ፽ଵ ൌ ͲǤʹͳ͸͹ͺͶ ȣଵ = ͲǤʹͺ͹ʹͺͳ:
‫׏׏‬ଶସ ୲ ൌ ሺͳ െ Ʌଵ ሻሺͳ െ ȣଵ ଶସ ሻࣵ୲
‫׏׏‬ଶସ ୲ ൌ ሺͳ െ ͲǤʹͳ͸͹ͺͶሻሺͳ െ ͲǤʹͺ͹ʹͺͳଶସ ሻࣵ୲

El proceso será estacionario al tener exclusivamente término de medias móviles y será

invertible si ȁ፽ଵ ȁ ൏ ͳ y ȁȣଵ ȁ ൏ ͳ , en nuestro caso se cumplen ambas condiciones ya
que ȁͲǤʹͳ͸͹ͺͶȁ ൏1 y ȁͲǤʹͺ͹ʹͺͳȁ ൏ ͳ.

122

Ejemplo 5.3. Se ha seleccionado un posible modelo ARIMA(0,1,0)(1,1,1)24 para cons-

truir un modelo de predicción. Se ha estimado el modelo mediante Minitab resumido
en la Tabla 5.3. Estudiar la significatividad de los parámetros comprobando que se trata
de un proceso estacionario e invertible.

La estimación del modelo ARIMA(0,1,0)(1,1,1)24 con constante mediante Minitab se

muestra a continuación.
Tabla 5.3. Tabla del ANOVA y test Ljung-Box Ejemplo 5.3

Final Estimates of Parameters

Type Coef SE Coef T P

SAR 24 -0.9840 0.0455 -21.64 0.000

SMA 24 -0.7980 0.1226 -6.51 0.000

Constant -33.65 53.35 -0.63 0.530

Differencing: 1 regular, 1 seasonal of order 24

Number of observations: Original series 120,
after differencing 95
Residuals: SS = 8035745 (backforecasts excluded)
MS = 87345 DF = 92

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Chi-Square 9.4 19.4 24.7 43.1

DF 9 21 33 45

P-Value 0.398 0.561 0.849 0.553

La salida del programa está estructurada en 4 bloques, (1) estimación de parámetros del
modelo, (2) operadores diferencia aplicados, (3) Residuos y (4) test de Ljung-Box de
no autocorrelación de los residuos.
Como puede observarse los coeficientes ‫׎‬ଵ ሺܵ‫ʹܴܣ‬Ͷሻ y ȣଵ ሺܵ‫ʹܣܯ‬Ͷሻ han resultado
muy significativos (ȁ‫ݐ‬ȁ ൐ ʹ, p-value << 0.05) mientras que la constante no ha resulta-
do significativa (ȁ‫ݐ‬ȁ ൏ ʹ, p-value > 0.05), por lo que habrá que estimar el modelo sin
constante:

123

Final Estimates of Parameters

Type Coef SE Coef T P

SAR 24 -0.9840 0.0453 -21.70 0.000

SMA 24 -0.7973 0.1221 -6.53 0.000

La estimación de los coeficientes no ha cambiado sustancialmente. El modelo estimado

tendrá la siguiente estructura con ‫׎‬ଵ ൌ െͲǤͻͺͶͲ ȣଵ = െ 0.7973:
ሺͳ െ ‫׎‬ଵ ଶସ ሻ‫׏׏‬ଶସ ୲ ൌ ሺͳ െ ȣଵ ଶସ ሻࣵ୲

ሺͳ ൅ ͲǤͻͺͶͲଶସ ሻሺͳ െ ሻሺͳ െ ଶସ ሻ୲ ൌ ሺͳ ൅ ͲǤ͹ͻ͹͵ ଶସ ሻࣵ୲

Para que sea estacionario ȁ‫׎‬ଵ ȁ ൏ ͳ e invertible ȁȣଵ ȁ ൏ ͳ , en nuestro caso se cumplen
ambas condiciones ya que ȁെͲǤͻͺͶͲȁ ൏1 y ȁെͲǤ͹ͻ͹͵ȁ ൏ ͳ.

Ejemplo 5.4. Se ajustó un modelo ARIMA(0,1,1)(0,1,1)12 con constante a la serie

log(pasajeros) mediante el programa Minitab. A partir de la salida del programa, que
aparece en la Tabla 5.4, a) extraer la información más relevante, b) realizar los contras-
tes sobre los parámetros manualmente, c) comprobar si es estacionario e invertible, y d)
escribir la ecuación de predicción del modelo ajustado.

Tabla 5.4. Tabla del ANOVA y test Ljung-Box Ejemplo 5.4

Final Estimates of Parameters
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Type Coef SE Coef T P-value

MA 1 0.3948 0.0812 4.86 0.000

SMA 12 0.5798 0.0776 7.47 0.000

Constant -0.0000161 0.0003991 -0.04 0.968

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48

Chi-Square 8.8 24.9 35.1 44.8

DF 10 22 34 46

P-Value 0.548 0.300 0.418 0.524

124

El modelo puede ser estimado con cualquier programa estadístico estándar que tenga
implementado un módulo de análisis de series temporales como Statgraphics, Minitab
o en lenguaje R.
a) Como puede observase en la Tabla 5.4 de estimación de parámetros los coeficien-
tes son significativos, mientras que la constante no lo es:Ʌଵ ൌ ͲǤ͵ͻͶͻǡ ȣଵ ൌ
ͲǤͷ͹ͻͺ y c = 0. La segunda parte de la tabla muestra el test de Ljung-Box para
contrastar la hipótesis de que los residuos del modelo no están autocorrelaciona-
dos. En este caso al presentar el p-value > 0.05 para los 12 primeros, 24 primeros,
36 primeros y 48 primeros coeficientes de autocorrelación simple (ACF) podemos
concluir que todos los coeficientes de autocorrelación simples son nulos.

b) Vamos a comprobar si los parámetros del modelo son estadísticamente significa-

tivos mediante el correspondiente test individual (5.1):

଴ ǣ Ʌଵ ൌ Ͳ vs ଵ ǣ Ʌଵ ്Ͳ
Estadístico del contraste (5.2):
Ʌ෠ଵ െ Ͳ ͲǤ͵ͻͶͻ െ Ͳ
ൌቤ ቤൌฬ ฬ ൌ ͶǤͺ͸
Ǥ ሺɅ෠ଵ ሻ ͲǤͲͺͳʹ

Como T > 2 (para un nivel de significación del 5 %) no podemos aceptar la hipótesis nula
y por tanto debemos concluir que Ʌଵ ് Ͳ y por tanto aceptamos el valor estimado
෡ ଵ ൌ ͲǤ͵ͻͶͻ. De forma análoga para ȣଵ tendriamos que al ser T > 2 aceptamos el valor
Ʌ
෡ଵ ൌ ͲǤͷ͹ͻͺ mientras que la constante será nula al ser T < 2.
estimado ȣ
c) Como sólo tiene estructura de medias móviles tanto en la parte regular como en la
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

estacional, será siempre estacionario, e invertible cuando ȁɅଵ ȁ ൏ ͳ‫ ݕ‬ȁȣଵ ȁ ൏ ͳ. En

nuestro caso se cumplen ambas condiciones y por tanto el proceso será también
invertible.
d) La ecuación de predicción del modelo. En ejercicios anteriores hemos llegado a la
ecuación general de un ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ . En este caso ya podemos particu-
larizarla con nuestros datos:
Xt: serie temporal “pasajeros”
୲ ൌ log(Xt) ՜ ୲ ̱ ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ
‫׏׏‬ଵଶ ୲ ൌ Ʌଵ ሺሻȣଵ ሺଵଶ ሻࣵ ୲

‫׏׏‬ଵଶ ୲ ൌ ሺͳ െ Ʌଵ ሻሺͳ െ ȣଵ ଵଶ ሻࣵ୲

‫׏׏‬ଵଶ ୲ ൌ ሺͳ െ ͲǤ͵ͻͶͻሻሺͳ െ ͲǤͷ͹ͻͺଵଶ ሻࣵ୲
෠୲ ൌ ୲ିଵ ൅ ୲ିଵଶ െ ୲ିଵଷ െ ͲǤ͵ͻͶͻࣵ୲ିଵ െ ͲǤͷ͹ͻͺࣵ୲ିଵଶ ൅ ͲǤʹʹͺͻࣵ୲ିଵଷ

125

Ejemplo 5.5. En el Ejemplo 4.7 se obtuvo un modelo tentativo ARIMA(2,0,0) para la

serie temporal ୲ “Temperatura”. Estimar dicho modelo y verificar las condiciones
exigidas a los parámetros.
El modelo tentativo identificado era un ARIMA(2,0,0) :
୲ ̱ARIMA(2,0,0) ՜ ߶ଶ ሺ‫ܤ‬ሻܼ௧ ൌ ܿ ൅ ࣵ௧
ሺͳ െ ߶ଵ ‫ ܤ‬െ ߶ଶ ‫ܤ‬ଶ ሻܼ௧ ൌ ܿ ൅ ࣵ௧

Se ha estimado el modelo mediante Statgraphics obteniendo la siguiente salida del

programa (Tabla 5.5).
Tabla 5.5. Tabla del ANOVA Ejemplo 5.5

ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------
AR(1) 1.81943 0.037209 48.8977 0.0000
AR(2) -0.830993 0.0373449 -22.2519 0.0000
Mean 22.355 0.81652 27.3784 0.0000
Constant 0.258454
----------------------------------------------------------------------

Tanto los coeficientes ߶ଵ ߶ଶ como la constante del modelo son significativos al 5 %
(ȁ‫ݐ‬ȁ ൐ ʹǡp-value < 0.05).
Vamos a comprobar que se trata de un proceso estacionario. Para un AR(2) se debe
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

cumplir que
Ԅଵ ൅ Ԅଶ ൏ ͳ ՜ ͳǤͺͳͻͶ͵ െ ͲǤͺ͵Ͳͻͻ͵ ൏ ͳ ՜ ͲǤͻͺͺͶ ൏ ͳ
Ԅଶ െ Ԅଵ ൏ ͳ ՜ െͲǤͺ͵Ͳͻͻ͵ െ ͳǤͺͳͻͶ͵ ൏ ͳ ՜ െʹǤ͸ͷͲͶ ൏ ͳ
ȁԄଶ ȁ ൏ ͳ ՜ ȁെͲǤͺ͵Ͳͻͻ͵ȁ ൏ ͳ ՜ ͲǤͺ͵ͳ ൏ ͳ
Luego el proceso es estacionario. Por definición los AR(p) son invertibles. El modelo
propuesto y estimado será:
ሺͳ െ ͳǤͺʹ ൅ ͲǤͺ͵ ଶ ሻ୲ ൌ ͲǤʹ͸ ൅ ࣵ୲
ܼ௧ െ ͳǤͺʹܼ௧ିଵ ൅ ͲǤͺ͵ܼ௧ିଶ ൌ ͲǤʹ͸ ൅ ࣵ௧
ܼ௧ ൌ ͳǤͺʹܼ௧ିଵ െ ͲǤͺ͵ܼ௧ିଶ ൅ ͲǤʹ͸ ൅ ࣵ௧

Y si el modelo pasa la fase de validación, la ecuación de predicción será:

ܼመ௧ ൌ ͲǤʹ͸ ൅ ͳǤͺʹܼ௧ିଵ െ ͲǤͺ͵ܼ௧ିଶ

126

Ejercicios propuestos

P.5.1 Se ha realizado mediante la metodología de Box-Jenkins el análisis de una serie

temporal obteniéndose las Tablas siguientes 5.6 y 5.7 para un nivel de confianza del
95 %.

Tabla 5.6. Tabla del ANOVA

Analysis Summary

Data variable: INDICE_PI

Number of observations = 96
Start index = 1,0
Sampling interval = 1,0
Length of seasonality = 12

Forecast Summary
----------------
Nonseasonal differencing of order: 1
Seasonal differencing of order: 1

Forecast model selected:

Number of forecasts generated: 12
Number of periods withheld for validation: 0

Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 13,3149
MAE 10,3157
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

MAPE 3,18528
ME -0,239258
MPE -0,249895

ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
MA(1) 0,455872 0,100983 4,51436 0,000022
SAR(1) -0,0000270501 0,0000676529 -0,399837 0,690370
SAR(2) -0,0000131266 0,0000777432 -0,168846 0,866355
SMA(1) 0,625981 0,0914215 6,84719 0,000000
Mean -0,0400145 0,53367 -0,07498 0,940423
Constant -0,0400161
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 185,8 with 78 degrees of freedom
Estimated white noise standard deviation = 13,6308
Number of iterations: 11

127

1) A la vista de la Tabla 5.6 ¿cuáles de las siguientes afirmaciones son FALSAS

(justificando las respuestas)? La serie original es
a) estacionaria en media
b) estacionaria en varianza
c) presenta estacionalidad de periodo 12
d) se ha aplicado una transformación logarítmica

2) Con la información anterior y la Tabla 5.7, realizar una previsión para el pe-
riodo 97. (trabajar con 2 decimales)

Tabla 5.7. Tabla valores predichos por el modelo

Forecast Table for INDICE_PI

Period Data Forecast Residual

--------------------------------------------------------------------
79,0 361,1 349,118 11,9817
80,0 268,5 278,89 -10,3902
81,0 358,2 351,575 6,62536
82,0 374,4 374,059 0,340577
83,0 392,7 368,716 23,9839
84,0 377,5 374,146 3,35401
85,0 379,5 375,618 3,88194
86,0 396,3 376,987 19,3134
87,0 423,1 406,237 16,8626
88,0 397,8 413,609 -15,8087
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

89,0 418,8 409,496 9,30364

90,0 412,3 415,037 -2,73658
91,0 389,4 403,088 -13,6884
92,0 293,4 313,644 -20,244
93,0 415,3 384,749 30,5513
94,0 415,9 419,344 -3,44416
95,0 419,1 419,856 -0,756288
96,0 413,0 409,319 3,68068
--------------------------------------------------------------------

128

6.1. Introducción
Finalizada las etapas de identificación y estimación del modelo tentativo llegamos a su
diagnosis y validación cuyo objetivo es asegurar que el modelo seleccionado es ade-
cuado para realizar predicciones. Cuando el modelo sea validado podremos realizar la
comparación con otros modelos también válidos.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Una primera etapa sería la de diagnosis sobre los parámetros estimados de los coefi-
cientes de los polinomios del modelo tentativo propuesto, como ya se ha visto en capí-
tulos anteriores. Dichos parámetros deben de cumplir lo siguiente:
1. Deber ser significativamente distintos de cero.
2. Los parámetros estimados han de cumplir las condiciones de estacionariedad
y/o invertibilidad.
Las herramientas básicas serán las tablas del análisis de la varianza proporcionadas por
el software correspondiente, utilizando directamente los valores de los p – value para
un nivel de significación dado, Į.
La validación del modelo consiste en comprobar si los residuos del modelo ajustado
siguen un proceso de ruido blanco, es decir, siguen una distribución normal, tienen
media nula, su varianza es constante y están incorrelacionados. Si no siguen este proce-
so de ruido blanco, volvemos a la fase de identificación y reformulamos el modelo
hasta encontrar otro que pueda ser válido. Si los residuos sí que siguen un proceso de

129

ruido blanco, consideramos que el modelo es adecuado y puede pasar a ser explotado
para realizar predicciones.
Las herramientas básicas serán:
• los correlogramas f.a.s (ACF) y f.a.p (PACF) de la serie residual del modelo ajus-
tado y también el test Box-Pierce o el test Ljung-Box: residuos incorrelacionados
o independientes,
• el papel probabilístico normal de los residuos: distribución normal y media nula, y
• el test de la razón de verosimilitudes: varianza constante.

6.2. Normalidad de los residuos y media cero

Vamos a comprobar si los residuos se ajustan razonablemente bien a una distribución
normal y si tienen media nula. Esta comprobación se puede realizar con la aplicación
de tests estadísticos sobre la normalidad de una distribución como los tests de Shapiro-
Wilk, Kolmogorov-Simirnov o el de Jarque-Bera, o mediante métodos gráficos más
directos como el papel probailístico normal.
El contraste de Jarque-Bera es el más utilizado en estos contextos y es explicado con
detalle en el Ejemplo 6.7.
Si utilizamos un gráfico de probabilidad normal, Figura 6.1, podemos realizar ambas
comprobaciones de una sóla vez. Por ejemplo, en el gráfico siguiente vemos que los
residuos se ajustan bastante bien a una distribución normal, y que, además, tienen me-
dia nula ya que:
• como los residuos se ajustan aproximadamente a una recta, diremos que siguen
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

un modelo normal, y
• observamos mediante las flechas rojas, que para el percentil 50 (mediana) el
valor que nos da es aproximadamente 0, con lo cual podemos deducir que la
media es nula.

130

Figura 6.1. Papel probabilístico normal de los residuos del modelo ajustado

6.3. Varianza constante de los residuos

Una vez comprobado que los residuos se distribuyen normalmente, podemos realizar el
contraste de homocedasticidad o varianza constante. Dicha comprobación se puede
realizar numéricamente mediante un contraste de igualdad de varianzas o gráficamente
representando los residuos frente al tiempo y comprobar que fluctúan de forma aleato-
ria en una banda constante sin presentar un patrón de aumento o disminución claro.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

La forma más sencilla de contrastar la homocedasticidad de los residuos es dividir

dicha serie en dos trozos y plantear el contraste de igualdad de varianzas basado en el
ratio de varianzas muestrales (utilizado por Statgraphics) donde las hipótesis son:

a) H0: σ12 = σ22 (igualdad de varianzas)

b) H1: σ12 ≠ σ22 (6.1)
Para comprobar si la varianza es constante, podemos utilizar un test más potente cómo
el test de la razón de verosimilitudes. Para el análisis de homocedasticidad, dividimos
la serie en k grupos homogéneos que cuando existe estacionalidad es recomendable
sean de tamaño la longitud del periodo estacional. A partir de estos datos tenemos el
siguiente contraste hipótesis:
c) H0: σ12 = σ22 = σ32 =... = σ2 (igualdad de varianzas)
d) H1: ∃! σi2 ≠ σj2 ; ∀ i≠j (6.2)

131

Este contraste no suele estar soportado por el software estándar tipo Statgraphics. En el
Ejemplo 6.10 se muestra como realizar este contraste mediante el test de la razón de
verosimilitudes. En el Ejemplo 6.11 se presenta una función en Matlab para realizar
dicho test de forma automática.

6.4. Residuos incorrelacionados e independientes

Lo normal, llegados a esta fase del análisis, es que hayamos comprobado mediante los
correlogramas (fas y fap) del modelo tentativo ajustado que no existe autocorrelación
en los residuos.
Los coeficientes de autocorrelación pueden ser utilizados para estimar la dependencia o
no de los datos de una muestra. Pero el uso de estos coeficientes está limitado ya que
para calcular el coeficiente de orden k se necesita al menos una muestra tamaño k, y
además para que la decisión sobre si los datos presentan o no dependencia, el tamaño
de la muestra debería ser bastante mayor al último coeficiente de autocorrelación en
que se apoya la decisión. Por ello, en la práctica, se utiliza un número reducido de coe-
ficientes.
Los coeficientes de autocorrelación tienen una distribución límite normal de media
cero y varianza 1/n, siendo n el número de residuos implicados y considerando la hipó-
tesis de independencia:
ͳ
ሺሻ̱ሺͲǢ ሻ

Se puede completar el análisis de la incorrelación de los residuos comprobando su

aleatoriedad mediante los contrastes estadísticos siguientes.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

6.4.1. Los contrastes de Box-Pierce y de Ljung-Box

Una forma más práctica de contrastar la hipótesis de independencia es realizar el con-
traste sobre si los primeros m coeficientes de autocorrelación son nulos. Para este enfo-
que uno de los estadísticos más extendidos es, y disponible en Statgraphics, el test de
Box-Pierce para excesiva autocorrelación, cuyas hipótesis son:
H0: excesiva autocorrelación, datos correlacionados
H1: independencia de datos
El estadístico del contraste de Box-Pierce ( ୆୔ ሻ es el siguiente:
୫
ܳ‫ כ‬ሺሻ ൌ σ୩ୀଵ ୩ଶ (6.3)
donde n es el número de residuos disponibles y m es el conjunto de los m primeros
coeficientes de autocorrelación simple (ACF).

132

Una versión más avanzada e interesante es el contrate basado en el estadístico de

Ljung-Box, que sigue una distribución aproximada de ɖଶ୫ି୮ , donde el subíndice m
representa el número de coeficientes de autocorrelación ߩ௜ implicados en el contraste y
donde p es el número de parámetros del modelo incluida la constante si la hubiera. Las
hipótesis de dicho contraste son
‫ܪ‬଴ ǣߩଵ ൌ ߩଶ ൌ ‫ ڮ‬ൌ ߩ௠ ൌ Ͳ
‫ܪ‬ଵ ǣ ݊‫ߩݏ݋݀݋ݐ݋‬ଵ ǡ ǥ ߩ௠ ‫ݏ݋݈ݑ݊݊݋ݏ‬ (6.4)

El estadístico de Ljung-Box ሺܳ ‫ כ‬ሻ es el siguiente

ଵ
ܳ ‫ כ‬ሺሻ ൌ ሺ ൅ ʹሻ σ୫
୩ୀଵ ଶ (6.5)
୬ି୩ ୩

ܳ ‫̱ כ‬ɖଶ୫ି୮ ܾ݆ܽ‫ܪ݋‬଴ (6.6)

La regla de decisión del contraste para una probabilidad de error Tipo I ߙ es:
ଶሺఈሻ
‫ כܳ݅ݏ‬൏ ܺ௠ି௣ ՜ ܽܿ݁‫ܪݏ݋݉ܽݐ݌‬଴
ଶሺఈሻ
‫ כܳ݅ݏ‬൒ ܺ௠ି௣ ՜ ‫ܪܽݖ݄ܽܿ݁ݎ݁ݏ‬଴ (6.7)
Si utilizamos los “p-value”:
Si p-value < ߙ no podemos aceptar la ‫ܪ‬଴
Si p-value > ߙ aceptamos la ‫ܪ‬଴ (6.8)

6.4.2. Contrastes de aleatoriedad de los residuos: tests basados en rachas

Una forma de contrastar estadísticamente la posible dependencia de una muestra es a

través de las rachas. Una racha es una sucesión de valores consecutivos repetidos que
está flanqueada por valores adyacentes distintos.
Resulta bastante evidente pensar que el número o la longitud de las rachas presentes en
un conjunto de datos constituye una medida de lo aleatoriedad de los datos que consti-
tuyen dicha muestra. Una dependencia positiva podría ser detectada a través de la
presencia de un número pequeño de rachas lo que significaría que existen largas suce-
siones de valores similares. En cambio un número elevado de rachas significaría una
gran alternancia de valores, dependencia negativa.

6.4.2.1 Contraste del número total de rachas.

Consideraremos una muestra de tamaño n en la que la variable dependiente solamente
puede tomar dos valores posibles. Del total de las n observaciones n1 serán de un tipo y
n2 del otro tipo. Se designa por R al número total de rachas observadas en la muestra.
Pueden determinarse la media y la varianza de la variable aleatoria R:

133

ଶ௡భ ௡మ
‫ܧ‬ሺܴሻ ൌ ͳ ൅ (6.9)
௡

ଶ௡భ ௡మ ሺଶ௡భ ௡మ ି௡ሻ

ܸܽ‫ݎ‬ሺܴሻ ൌ (6.10)
௡మ ሺ௡ିଵሻ

La distribución de la variable R puede aproximarse a una normal, con los anteriores

parámetros, cuando n tiende a infinito. En la práctica los paquetes estadísticos simplifi-
can mucho esta tarea, ya que son capaces de calcular el número de rachas de la serie y
la distribución adecuada para determinar la significancia estadística.
Originalmente este test está diseñado para variables que sólo puedan adquirir dos valo-
res posibles, pero puede adaptarse fácilmente al resto de casos estimando primeramente
la mediana del conjunto de datos y después asignando un “+“si el dato en cuestión
queda por encima de ésta o un “–“ si está por debajo.

6.4.2.2 Contraste de rachas ascendentes y descendentes.

Cuando la distribución a estudio es de tipo continuo, es más aconsejable utilizar un
contraste que haga un uso más intensivo de la continuidad de la variable. Este contras-
te se basa en el número total de rachas ascendentes o descendentes.
La manera de operar es la siguiente:
• Se anota un “+” para cada par de datos en orden ascendente. Es decir, se com-
para el dato número 1 con el dato número 2 y si éste último es mayor se anota
un “+”. Se procede de igual modo comparando el dato número 2 con el núme-
ro 3 y así sucesivamente.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

• Si el par comparado sigue orden descendente se anotará un “-“.

• Sobre el conjunto de signos (+,-) obtenidos de comparar los pares de datos, se
cuenta el número total de rachas (R).
Un número elevado de rachas ascendentes y descendentes es indicio de que podemos
estar ante una dependencia de tipo negativo. En cambio si el número de rachas es muy
bajo se tratará de dependencia de tipo positivo.
Para juzgar si el número de rachas (R) es significativamente grande o pequeño debe-
mos comprobar la distribución de probabilidad del estadístico R bajo la hipótesis de
dependencia. La distribución de probabilidad de R se encuentra tabulada para diferen-
tes tamaños de muestra. En la mayoría de tablas estos tamaños de muestra (n) son bas-
tante pequeños, pero muchos paquetes estadísticos son capaces de calcular la función
de probabilidad para cualquier tamaño de muestra. De manera práctica, cuando n su-
pera los valores tabulados, también se puede aproximar por una normal de media (2n-
1)/3 y varianza (16n-29)/90.

134

6.4.3. Contrastes sobre los residuos disponibles en Statgraphics

Statgraphics ofrece el análisis de los residuos de dos formas. La primera aparece en la
tabla resumen de comparación de modelos adoptando la forma siguiente (Tabla 6.1),
correspondiente a un ejemplo:

Tabla 6.1. Análisis de los residuos del modelo ajustado

Model RMSE RUNS RUNM AUTO MEAN VAR

----------------------------------------------

(A) 7.42622 OK * * OK OK

(B) 5.65525 OK OK OK OK OK
(C) 5.97829 OK OK *** ** OK
(D) 5.81232 OK OK *** OK OK

(E) 5.993 OK OK * OK OK

Donde cada columna corresponde a:

RMSE, es la raíz cuadrada del error cuadrático medio.
RUNS
Test para excesivas rachas arriba y abajo,
n1= número de veces que el valor aumenta
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

n2= número de veces que el valor disminuye

La hipótesis de independencia de los datos muestrales tenderá a rechazarse si el núme-

ro de rachas ascendentes y descendentes es muy grande o muy pequeña.
H0: excesivas rachas arriba y abajo, dependencia de datos
H1: independencia de datos
• p-value > 0.05 se rechaza H0, por tanto aceptamos la independencia de datos.
RUNM
Test para excesivas rachas a un lado y otro de la mediana:
• Se parte de una muestra de n datos
• se calcula la mediana

135

• se clasifican los datos de la muestra según:

+ , si el dato en cuestión es mayor que la mediana
- , si el dato en cuestión es menor que la mediana

con esta clasificación tendríamos dos valores:

n1= número de datos por encima de la mediana
n2= número de datos por debajo de la mediana

Las hipótesis serían las siguientes:

H0: excesivas rachas, dependencia de datos
H1: independencia de datos
• si p-value > 0.05 se rechaza H0 , luego los datos son independientes (H1)

AUTO
Test de Box-Pierce para excesiva autocorrelación,
H0: excesivas autocorrelación, datos correlacionados
H1: independencia de datos
• si p-value > 0.05 se rechaza H0 , luego los datos son independientes (H1).

MEAN
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Test de diferencia de medias entre la primera y la segunda pate de la serie de datos

• si p-value > 0.05 la media de las dos partes se considera igual, por lo tanto es
constante en media.

VAR
Test de diferencia de varianzas entre la primera y la segunda parte de la serie de datos
• si p-value > 0.05 la varianza de las dos partes se considera igual, por lo tanto
es constante en varianza.

136

La otra información se encuentra en la opción del análisis de la aleatoriedad de los

residuos, veamos un ejemplo (versión castellano):

Prueba de Aleatoriedad de residuos

(1) Corridas arriba o abajo de la mediana

Mediana = 0.00886634
Número de corridas arriba o abajo de la mediana = 21
Número esperado de corridas = 24
Estadístico z para muestras grandes = 0.74554
Valor-P = 0.455943
La primera prueba cuenta el número de veces que la secuencia estuvo arriba o abajo de
la mediana. El número de tales corridas es igual a 21, comparado con un valor espera-
do de 24 si la secuencia fuera aleatoria. Puesto que el valor-P (p-value) para esta prue-
ba es mayor o igual que 0.05, no se puede rechazar la hipótesis de que los residuos son
aleatorios, con un nivel de confianza del 95.0% o mayor.

(2) Corridas arriba y abajo

Número de corridas arriba y abajo = 29
Número esperado de corridas = 30.3333
Estadístico z para muestras grandes = 0.297324
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Valor-P = 0.766215
La segunda prueba cuenta el número de veces que la secuencia ascendió o descendió.
El número de tales corridas es igual a 29, comparado con un valor esperado de 30.3333
si la secuencia fuera aleatoria. Puesto que el valor-P para esta prueba es mayor o igual
que 0.05, no se puede rechazar la hipótesis de que la serie es aleatoria, con un nivel de
confianza del 95.0% o mayor.

(3) Prueba Box-Pierce

Prueba basada en las primeras 15 autocorrelaciones
Estadístico de prueba para muestras grandes = 18.5834
Valor-P = 0.136599
La tercera prueba está basada en la suma de cuadrados de los primeros 15 coeficientes
de autocorrelación. Puesto que el valor-P para esta prueba es mayor o igual que 0.05,

137

no se puede rechazar la hipótesis de que la serie es aleatoria, con un nivel de confianza

del 95.0% o mayor.
En este ejemplo al tener los tres test los p-value > 0.05 nos indican que la serie de resi-
duos corresponde a una secuencia aleatoria e incorrelacionada resultando ser un ruido
blanco si además son normales con media cero.

6.5. Peridiograma acumulado

El peridiograma integrado de los residuos es una herramienta gráfica muy interesante
para detectar comportamientos no aleatorios asociados a componentes estacionales. El
peridiograma integrado de los residuos muestra la suma acumulada de las ordenadas
del peridiograma, dividida por la suma de las ordenadas sobre todas las frecuencias de
Fourier. El gráfico muestra una línea diagonal principal de coordenadas (0,0) y (0.5,1).
Además muestra dos parejas de bandas paralelas a la diagonal principal que represen-
tan los intervalos de confianza del test de Kolmogorov-Smirnov al 95% y al 99 % de
nivel de confianza. Una secuencia de valores que siguen un proceso de Ruido Blanco
presentaría un el peridiograma acumulado normalizado fluctuando muy próximo a la
diagonal principal sin atravesar las bandas de confianza.

Periodograma para Residuos

0,8
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

O rd e n a d a

0,6

0,4

0,2

0
0 0,1 0,2 0,3 0,4 0,5
frecuencia
Figura 6.2. Peridiograma integrado de los residuos del modelo ajustado

138

En la Figura 6.2 podemos observar un ejemplo del peridiograma acumulado normali-

zado fluctuando muy próximo a la diagonal principal sin atravesar las bandas de con-
fianza evidenciando que los residuos presentan un comportamiento de ruido blanco. En
el Ejemplo 6.13 se expone un ejemplo explicado sobre dicha herramienta.

Ejemplo 6.1. Se ajustó un modelo ARIMA a una determinada serie temporal. Se obtu-
vo una serie de 100 residuos y se calcularon los coeficientes de autocorrelación simple
hasta de orden 12. Se quiere contrastar si existe autocorrelación en los residuos. A
partir de tabla que aparece a continuación, determinar el estadístico del contraste de
Box-Pierce y el de Ljung-Box para los primeros 12 coeficientes de autocorrelación.

Coeficientes de autocorrelación simple muestrales estimados (ACF) correspondientes a

los residuos del modelo ajustado:
r1 r2 r3 r4 r5 r6
-0.10 0.22 0.01 0.09 -0.14 0.08
r7 r8 r9 r10 r11 r12
-0.18 0.12 -0.23 -0.05 -0.04 0.11

El estadístico de Box-Pierce ( ୆୔ ሻ es el siguiente (6.3):

୫

୆୔ ሺሻ ൌ ෍ ୩ଶ
୩ୀଵ

Donde n es el número de residuos disponibles (n = 100). En nuestro caso m = 12, para

el conjunto de los 12 primeros coeficientes de autocorrelación simple (ACF) tenemos:
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

୆୔ ሺͳʹሻ ൌ ͳͲͲሺଵଶ ൅ ଶଶ ൅ ଷଶ ൅ ‫ ڮ‬൅ ଵଶ

ଶ ሻ
ൌ
ͳͲͲሺሺെͲǤͳͲሻଶ ൅ ͲǤʹʹଶ ൅ ‫ ڮ‬൅ ͲǤͳͳଶ ሻ ൌ 20.87

El estadístico de Ljung-Box ሺ ୐୆ ሻ es el siguiente (6.5)

୫
ͳ ଶ
୐୆ ሺሻ ൌ ሺ ൅ ʹሻ ෍
െ ୩
୩ୀଵ

ଷଶ ଵଶ ଶ
ଵଶ ଶଶ
୐୆ ሺͳʹሻ ൌ ͳͲͲሺͳͲͲ ൅ ʹሻ ቆ ൅ ൅ ൅ ‫ڮ‬൅ ቇൌ
ͳͲͲ െ ͳ ͳͲͲ െ ʹ ͳͲͲ െ ͵ ͳͲͲ െ ͳʹ
ሺെͲǤͳͲሻଶ ͲǤʹʹଶ ͲǤͳͳଶ
ൌ ͳͲʹͲͲ ቈ ൅ ൅ ‫ڮ‬൅ ቉ ൌ ʹʹǤ͹ͳ
ͳͲͲ െ ͳ ͳͲͲ െ ʹ ͳͲͲ െ ͳʹ

139

Ejemplo 6.2. En los Ejemplos 4.7 y 5.5 se obtuvo un modelo ARIMA(2,0,0) con
constante para la serie temporal ୲ “Temperatura”. Validar el modelo estimado.
Vamos a comprobar gráficamente, Figura 6.3, que los residuos están incorrelacionados
y que siguen un modelo normal.

Normal Q-Q Plot

0.6
0.4
Sample Quantiles

0.2
0.0
-0.2
-0.4

-0.4 -0.2 0.0 0.2 0.4 0.6

-3 -2 -1 0 1 2 3

Theoretical Quantiles

Figura 6.3. Probabilístico normal y box-plot de los residuos del modelo ajustado

Tanto el box-plot como el Normal QQ- Plot nos indican que los residuos no se alejan
de forma significativa del modelo normal. En el box-plot se observan claramente la
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

presencia de datos atípicos o anómalos.

El tratamiento de datos atípicos en el análisis de series temporales no es trivial y re-
quiere herramientas específicas para la detección, clasificación y modelización de sus
efectos en el comportamiento general de la serie temporal. El análisis de posibles datos
anómalos debería realizarse como paso previo al proceso de predicción. Si aparecen
datos atípicos la serie original debería ser “limpiada” y proceder de nuevo al proceso de
estimación del modelo tentativo y una vez validado explotarlo para realizar prediccio-
nes. Estas herramientas se presentarán en el capítulo 8. En este ejemplo no vamos a
considerar la posible influencia de dichos atípicos.
Cómo previamente se ha comprobado mediante la ACF y la PACF, los coeficientes de
autocorrelación de los residuos han resultado ser nulos y por tanto los residuos no están
autocorrelacionados. Realizamos el test de Box-Pierce según (6.3), (6.4) y (6.8) para
corroborar este punto, Tabla 6.2.

140

Tabla 6.2. Test de Box-Pierce de los residuos del modelo ajustado

Box-Pierce Test
---------------
Test based on first 24 autocorrelations
Large sample test statistic = 28.0547

P-value = 0.173875

Se verifica que no existe autocorrelación en los residuos (p-value > 0.05). Esta condi-
ción junto a la normalidad de los mismos, hace posible el considerar los residuos como
ruido blanco y por tanto aceptaremos el modelo propuesto y estimado como válido para
hacer predicciones.

Ejemplo 6.3. Una vez determinado el estadístico del contraste de Ljung-Box para los
primeros 12 coeficientes de autocorrelación simple del Ejemplo 6.1, decidir si existe o
no autoccorrelación en los residuos originales mediante la utilización de tablas y me-
diante el cálculo del “p-value”.

Recordemos que, de forma general, para los primeros m coeficientes de autocorrelación

simple se plantea el siguiente contraste de hipótesis:
଴ ǣɏଵ ൌ ɏଶ ൌ ‫ ڮ‬ൌ ɏ୫ ൌ Ͳ vs ଵ ǣ ɏଵ ǡ ǥ ɏ୫

Es conocido que el estadístico ሺሻ sigue asintóticamente una distribución chi-

cuadrado con m grados de libertad (ɖଶ୫ ሻcuando la hipótesis nula es cierta. Por tanto
podemos escribir
ሺሻ̱ɖଶ୫ ଴

‫୐ ݅ݏ‬୆ ൏ ɖଶሺఈሻ
௠ ՜ ‫ܪ‬଴
‫୐ ݅ݏ‬୆ ൒ ɖଶሺఈሻ
௠ ՜ ‫ܪܽݖ݄ܽܿ݁ݎ݁ݏ‬଴

En nuestro caso para el estadístico de Ljung-Box ሺ ୐୆ ሻ según (6.5), utilizando las

tablas de la distribución chi-cuadrado y para una significación del 5 % (Į = 0.05) tene-
ଶሺ଴Ǥ଴ହሻ
mos que ɖଵଶ ൌ ʹͳǤͲʹ͸ y ୐୆ ሺͳʹሻ ൌ ʹʹǤ͹ͳ. Como se cumple que ୐୆ ൒ ʹͳǤͲʹ͸
concluimos que existe autocorrelación en los residuos. Gráficamente lo podemos ob-
servar en la Figura 6.4.

141

ʹሺͲǤͲͷሻ
ɖͳʹ ൌ ʹͳǤͲʹ͸
Figura 6.4. Resolución gráfica del contraste de Ljung-Box mediante tablas

Mediante el cálculo del p-value correspondiente podemos llegar al mismo resultado.

Recordemos que el p-value (p-valor) de un contraste de hipótesis es el mínimo valor
del nivel de significación del test (Į) para el cual el valor observado del estadístico
implica el rechazo de la hipótesis nula. El criterio de decisión será rechazar la Ho cuan-
do el p-value sea menor al nivel de significación establecido (p-value Į), según (6.8).
En nuestro caso la forma de calcular dicho p-value sería, para un Į = 0.05:
p-value = ሺɖଶ୫ ൐ ୐୆ ሻ ൌ ͳെሺɖଶ୫ ൑ ୐୆ ሻ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ଶ
= ͳെሺɖଵଶ ൑ ʹʹǤ͹ͳሻ § ͳ െ ͲǤͻ͹ ൌ ͲǤͲ͵ ൏ ͲǤͲͷ

por tanto estamos en la zona de poder aceptar Ho. Gráficamente lo podemos observar
en la Figura 6.5.

142

0,1

ʹ
0,08 ͳʹ

0,06

0,04

0,02
P-value

0
0 10 20 30 40
Q(LB) = 22.71
Figura 6.5. Resolución gráfica del contraste de Ljung-Box mediante el p-value

También es habitual considerar que el estadístico del contraste de Ljung-Box bajo la

hipótesis nula se distribuye aproximadamente según una chi-cuadrado con m - 1 grados
de libertad:
ሺሻ̱ɖଶ୫ିଵ ଴

En este caso
p-value = ͳെሺɖଶ୫ିଵ ൑ ୐୆ ሻ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ଶ
= ͳെሺɖଵଵ ൑ ʹʹǤ͹ͳሻ § ͳ െ ͲǤͻͺ ൌ ͲǤͲʹ ൏ ͲǤͲͷ

Ejemplo 6.4. Escribir una función en matlab para realizar el contrate de Ljung-Box
para los primeros m coeficientes de autocorrelación simple correspondientes a una serie
de residuos (x), presentando una columna con los retardos (lag), otra con el estadístico
Q y otra con los “p-value”. Utilizar la aproximación ሺሻ̱ɖଶ୫ ଴ .

143

function Q = LB(x,m)

[T n]=size(x);
Q=zeros(m-1+1,n);
for s=1:n;
ser=x(:,s); sumsq=ser'*ser;
r2jTj=zeros(m,1);
for j=1:m;
r2jTj(j)=((ser(j+1:T)'*ser(1:T-j)/sumsq)^2)/(T-j);
end;
for i=1:m;
Q(i-1+1,s)=sum(r2jTj(1:i));
end;
end;
Q=T*(T+2)*Q;

QPval=zeros(m-1+1,n);
for i=1:m;
QPval(i-1+1,:)=1-chi2cdf(Q(i-1+1,:),(i));
end;

for s=1:n;
out = [(1:m)' Q(:,s) QPval(:,s)]';
disp(' Q P-value');
fprintf(1,'lag %2d %10.4f %10.4g \n',out);
disp(' ');
end;
>> LB(x,12)
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Q-satistic P-value
lag 1 0.0105 0.9183
lag 2 0.1441 0.9305
lag 3 0.1450 0.9859
lag 4 0.4138 0.9813
lag 5 1.0216 0.9608
lag 6 7.0850 0.3131
lag 7 7.1081 0.4177
lag 8 7.1745 0.5179
lag 9 7.1748 0.6189
lag 10 7.3508 0.6920
lag 11 7.9843 0.7147
lag 12 8.9489 0.7073

144

Ejemplo 6.5. Se ajustó un modelo AR(1) con constante a una determinada serie tempo-
ral mediante el programa Minitab. A partir de la salida que aparece en la Tabla 6.3,
a) determinar si podemos concluir que la serie residual no presenta autocorrelación,
b) resolver los contrastes de forma manual mediante tablas.

Tabla 6.3. Test de Ljung-Box de los residuos del modelo ajustado

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.7078 0.1161 6.10 0.000
Constant 4.2761 0.1953 21.89 0.000
Mean 14.6349 0.6684

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 9.4 23.2 30.0 *
DF 10 22 34 *
P-Value 0.493 0.390 0.662 *

Recordemos que, de forma general, para los primeros m coeficientes de autocorrelación

simple se plantea el siguiente contraste de hipótesis:
଴ ǣɏଵ ൌ ɏଶ ൌ ‫ ڮ‬ൌ ɏ୫ ൌ Ͳ vs ଵ ǣ ɏଵ ǡ ǥ ɏ୫
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ሺሻ̱ɖଶ୫ି୮ ଴

Donde p (no confundir con el orden del AR(p)) es el número de parámetros del modelo
incluida la constante si la hubiera. En este caso al ser un AR(1) con constante, tenemos
que el modelo tiene dos parámetros: el coeficiente Ԅଵ ൌ ͲǤ͹Ͳ͹ͺ y la constante
c = 4.2761, es decir p = 2.
El contraste anterior se puede resolver de dos formas: mediante el cálculo de su
“p-value” dado por algunos programas de ordenador como Minitab o mediante el mé-
todo tradicional del cálculo del valor crítico mediante las tablas de la distribución chi-
cuadrado.

145

a) Mediante los “p-values”

Minitab reporta los p-values para retardos acumulados múltiplo de 12. Como se puede
observar en la Tabla 6.3, el p-value para los primeros 12, 24 y 36 coeficientes de auto-
correlación es mayor que 0.05 y por tanto, podemos concluir, que no se puede rechazar
la hipótesis de incorrelación de los residuos con un nivel de significación del 5 %
(Į = 0.05).
b) Mediante “tablas”
Para contrastar los primeros m = 12 coeficientes de autocorrelación (m = 12), el esta-
dístico Q(12) sigue una distribución chi-cuadrado con m-p grados de libertad
(DF = 12 - 2 = 10) bajo la hipótesis nula. En nuestro caso, el estadístico muestral
Q*(12) = 9.4.

Para un nivel de significación del 5 % (Į = 0.05), el valor de una chi-cuadrado con 10

grados de libertad que deja a su derecha y por debajo de su función de densidad un área
ଶ ሺ଴Ǥ଴ହሻ ଶ ሺ଴Ǥ଴ହሻ
del 5 % es 18.3, valor crítico ( ɖଵ଴ ൌ ͳͺǤ͵). Por tanto al ser Q*(12) < ɖଵ଴ no
podemos rechazar la H0 y los 12 primeros coeficientes de autocorrelación podemos
considerarlos como nulos. Gráficamente lo podemos observar en la Figura 6.6.

χ m−
2
p
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Q*(m) χ m−
2( α )
p

Figura 6.6. Resolución gráfica del contraste de Ljung-Box mediante tablas

En el caso de los primeros m = 24, tenemos, de forma análoga, Q*(24) = 23.2 y

ሺ଴Ǥ଴ହሻ ሺ଴Ǥ଴ହሻ
ɖଶଶଶ ൌ ͵͵Ǥͻ. Por tanto al ser Q*(24) < ɖଶଶଶ no podemos rechazar la H0 y los
24 primeros coeficientes de autocorrelación podemos considerarlos como nulos.

146

Y por último, en el caso de los primeros m =36, tenemos, de forma análoga,

ሺ଴Ǥ଴ହሻ ሺ଴Ǥ଴ହሻ
Q*(36) = 30.0, y ɖଶଷସ ൌ ͷͲǤͻ. Por tanto al ser Q*(36) < y ɖଶଷସ no podemos
rechazar la H0 y los 36 primeros coeficientes de autocorrelación podemos considerarlos
como nulos.
Ejemplo 6.6. La serie de residuos procedente de la estimación de un modelo alternati-
vo ARIMA(0,1,1)(0,1,1)24 para la serie CEEsem tratada en ejercicios anteriores se
analiza para validar dicho modelo. Se han realizado un box-plot y un Normal QQ-plot
para verificar si los residuos siguen un modelo normal, Figura 6.7. Analizar dichos
gráficos y comentar posibles datos anómalos.

Se puede observar en la Figura 6.6, como tanto el box-plot como el Normal QQ-plot
nos indican que los residuos no se alejan de forma significativa del modelo normal. En
el box-plot se observa claramente la presencia de dos datos anómalos o atípicos que
vuelve a aparecer en el Normal QQ-plot. Dichos datos anómalos puede ser debido a
que el consumo eléctrico en las primeras horas de la serie se produjo en condiciones
distintas al resto debido a que el día anterior era domingo y por tanto con un caracterís-
tico menor consumo eléctrico horario. En este ejemplo no vamos a considerar la posi-
ble influencia de dicho atípico. Por otra parte la media de los residuos es prácticamente
nula.

Normal Q-Q Plot

500
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

0
Sample Quantiles

-500
-1000

-2 -1 0 1 2

Theoretical Quantiles

Figura 6.6. Papel probabilístico normal y box-plot de los residuos del modelo ajustado

Cómo previamente se ha comprobado mediante la ACF y la PACF, los coeficientes de

autocorrelación de los residuos han resultado ser nulos y por tanto los residuos no están
autocorrelacionados. Realizamos el test de Ljung-Box para corroborar este punto, cu-
yos resultados se pueden observar en la Tabla 6.4.

147

Tabla 6.4. Test de Ljung-Box de los residuos del modelo ajustado

Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 9.7 23.0 37.6 52.7
DF 10 22 34 46
P-Value 0.468 0.403 0.307 0.230

Se verifica que no existe autocorrelación en los residuos. Esta condición junto a la

normalidad de los mismos, hace posible el considerar los residuos como ruido blanco y
por tanto queda validado el modelo estimado de forma suficiente.
Ejemplo 6.7. De una serie de 379 residuos se conoce su coeficiente de asimetría
1.50555 y su coeficiente de curtosis 6.432967. Aplicar el contraste de Jarque-Bera para
determinar si siguen una distribución normal.

El test de Jarque-Bera trata de contrastar las siguientes hipótesis:

଴ ǣ

ଵ ǣ

El estadístico del contraste de Jarque-Bera se define como:

ଶ ሺ െ ͵ሻଶ ͵͹ͻ ሺ͸ǤͶ͵ െ ͵ሻଶ

ൌ ቈ ൅ ቉ൌ ቈͳǤͷͳଶ ൅ ቉ ൌ ͵ʹͺǤͻ
͸ Ͷ ͸ Ͷ

donde n es el número de residuos, S es el coeficiente de asimetría y K el coeficiente de

curtosis de los residuos. El estadístico JB se distribuye como una chi-cuadrado con 2
grados de libertad cuando es cierta la hipótesis nula Ho.

̱ɖଶଶ ଴

El valor crítico de dicha distribución al 5 % de nivel de significación obtenido en tablas

es de 5.99 y por tanto se rechaza la hipótesis nula de normalidad al nivel de significa-
ción del 5% si JB > 5.99.
En nuestro caso JB > 5.99 y por tanto no podemos aceptar la hipótesis nula del contra-
te; es decir que los residuos siguen un modelo normal. Concluimos que los residuos no
se distribuyen normalmente. Gráficamente lo podemos observar en la Figura 6.8.

148

χ22

α = 0.05

JB χ22(α =0.05) = 5.99

Figura 6.8. Resolución gráfica del contraste de Jarque-Bera mediante tablas

Ejemplo 6.8. Se han obtenido 150 residuos del ajuste de un determinado modelo
ARIMA a una serie temporal. Mediante un determinado software estadístico se han
realizado los tests de Shapiro-Wilk, Kolmogorov-Simirnov y Jarque-Bera obteniendo
la información que se muestra en la Tabla 6.5. Analizar gráficamente y mediante los
contrastes referidos a un nivel de significación del 5 % si los residuos cumplen con la
hipótesis de normalidad.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Tabla 6.5. Tests de Shapiro-Wilk, Kolmogorov-Simirnov y Jarque-Bera de los residuos del

modelo ajustado

Shapiro-Wilk normality test:

W = 0.9956, p-value = 0.9383
One-sample Kolmogorov-Smirnov test:
D = 0.0663, p-value = 0.5244
alternative hypothesis: two-sided
Jarque Bera Test:
X-squared = 0.6585, df = 2, p-value = 0.7195

149

a) Se han representado el histograma y un QQ-plot, Figura 6.9, de los residuos ob-

servándose que no existen indicios de no normalidad en los mismos ya que ambos
gráficos presentan el comportamiento típico de datos procedentes de una distribu-
ción normal de media 0.
Normal Q-Q Plot

Histogram of x

2
35
30

1
25

Sample Quantiles

0
20
Frequency

-1
10
5

-2
0

-2 -1 0 1 2
-2 -1 0 1 2
Theoretical Quantiles
x

Figura 6.9. Histograma y papel probabilístico normal de los residuos del modelo ajustado

b) El contraste que se plantea en los tres casos es el siguiente:

଴ ǣ

ଵ ǣ

La regla de decisión para resolver el contraste es que si el p-value es mayor que el nivel
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

de significación fijado (Į = 0.05, por ejemplo) no se puede rechazar la hipótesis de

normalidad de los residuos. En nuestro caso como los “p-value” son mayores que 0.05,
podemos concluir que los residuos son normales.

Ejemplo 6.9. Se ajustó el modelo ARIMA(0,1,1)(0,1,1)12 a la serie log(pasajeros) me-

diante R. Se obtuvo la validación gráfica de los residuos mostrada en la Figura 6.10.
Comentar dicha información.
El primer gráfico corresponde a los residuos estandarizados, donde los valores de los
mismos deben estar entre 2 y -2 para que sean normales. El segundo gráfico es la ACF
donde todos los coeficientes deben de estar entre las bandas de confianza. El tercer
gráfico es una representación gráfica de los p-value acumulados hasta el retardo consi-
derado del test de Ljung-Box, donde los cuales deben estar por encima de la cota 0.05
(nivel de significación del 5%).

150

Standardized Residuals
-1 0 1 2 3
-3

0 20 40 60 80 100 120 140

Time

ACF of Residuals
1.0
0.6
ACF

0.2
-0.2

0 5 10 15 20

Lag

p values for Ljung-Box statistic

0.8
p value

0.4
0.0
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

2 4 6 8 10

lag

Figura 6.10. Validación gráfica de los residuos del modelo ajustado

Ejemplo 6.10. Realizar el contraste de homocedasticidad de la serie ܽ௧ de los 83 resi-

duos del modelo ajustado a una serie mediante un contraste de igualdad de varianzas.
Una de las condiciones a exigir a los residuos para que tengan estructura de ruido blan-
co es que presenten varianza constante. La estabilidad de la varianza se comprueba
mediante un test de igualdad de varianzas en el que la hipótesis nula que se contrasta es
la igualdad de varianzas de varias poblaciones normales. En este caso no se dispone en
realidad de distintas poblaciones, pero como lo que se persigue es ver la constancia de
la varianza a lo largo del tiempo, se tomarán como poblaciones grupos de datos conse-
cutivos.

151

En primer lugar comprobamos que los residuos siguen un modelo normal, Figura 6.11.

ARIMA(0,1,1)x(0,1,1)12
99,9
99
95
proportion

80
50
20
5
1
0,1
-0,03 -0,02 -0,01 0 0,01 0,02 0,03
Residual
Figura 6.11. Papel probabilístico normal de los residuos del modelo ajustado

Una vez comprobado que los residuos se distribuyen normalmente, podemos realizar el
contraste de homocedasticidad o varianza constante. Para el análisis de homocedastici-
dad, dividimos la serie en k grupos homogéneos que cuando existe estacionalidad es
recomendable sean de tamaño la longitud del periodo estacional (12 en este caso), y
hallamos la varianza de cada grupo de datos. A partir de estos datos tenemos el siguien-
te contraste hipótesis según (6.2):
H0: σ12 = σ22 = σ32 =... = σ2 (igualdad de varianzas)
H1: ∃! σi2 ≠ σj2; ∀ i≠j
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

El estadístico del contraste es

k
λ = n ⋅ log σˆ 2 − ¦ n i ⋅ logs i2 (6.10)
i =1

Donde n es el la longitud de la serie residual, σˆ es la estimación de la varianza de la

serie de residuos y si2 es la varianza muestral del grupo i de tamaño ni. Bajo la hipótesis
nula el estadístico “λ” sigue una distribución chi-cuadrado con k-1 grados de libertad
(ɖଶ୩ିଵ ). La regla de decisión para resolver el contraste es si λ ≤ χ K2(−α1) para un nivel de
significación de Į = 0.05 por ejemplo, no podemos rechazar la hipótesis nula y la te-
nemos que aceptar: los residuos tienen varianza constante y la serie residual es homo-
cedástica.

152

Los n = 83 residuos de los que se dispone se dividen en k = 7, 6 grupos de 12 datos y 1

de 11. Para cada grupo se calcula la varianza y se calcula la varianza de todos los resi-
duos en conjunto. Se obtiene la Tabla 6.6.
Tabla 6.6. Contraste de homocedasticidad

ni si2 ni·log( si2 )

11 563.36 30.25
12 899.21 35.44
12 2365.60 40.48
12 1686.64 38.72
12 2508.19 40.79
12 3499.93 42.52
12 1807.06 39.08

σˆ 2 = 1897.24
k
n = 83 ¦ n i ⋅ log s i2 = 267.32
i =1
Ȝ = 4.76

Buscamos en tablas de la chi-cuadrado el valor crítico de una χ7−

2
1 que deja a su derecha y

por debajo de ella un área del 5 %, resultando χ72−(α1 =0.05) = 12.59 . Por tanto se cumple
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

que

λ ≤ χ72−(α1 =0.05) ļ 4.76 ≤ 12.59

y como no podemos rechazar la hipótesis nula, los residuos tienen varianza constante.
Resuelto con Matlab mediante la función desarrollada en el Ejemplo 6.11, Figura 6.11.

OK, aceptamos igualdad de varianzas

2LogL= 4.76 < Chi2 = 12.59
p_value= 0.575 > sig= 0.050

153

Figura 6.11. Salida de resultados de la función escrita en Matlab

Otra forma más sencilla de contrastar la homocedasticidad de los residuos es dividir

dicha serie en dos trozos y plantear el contraste de igualdad de varianzas basado en el
ratio de varianzas muéstrales según (6.1).
H0: σ12 = σ22 (igualdad de varianzas)
H1: σ12 ≠ σ22
En este caso el estadístico del contraste viene dado por:
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ෝ೟ మ
೙భ ೌ
σ೟సభ ௦భమ
೙భ
‫ܨ‬ൌ ෝమ
ൌ (6.11)
ೌ ௦మమ
σ೙ ೟
೟స೙భ శభሺ೙ష೙భ ሻ

Donde ‫ݏ‬ଵଶ es la varianza muestral del primer grupo y ‫ݏ‬ଶଶ la del segundo. El estadístico F
se distribuye bajo la hipótesis nula como una variable F de Snedecor con n1 grados de
libertad en el numerador y n-n1 grados de libertad en el denominador.
En este caso dividimos la serie ୲ en dos trozos aproximadamente iguales de tamaños
n1 = 41 y n-n1 = 83 - 41 = 42 con varianzas muestrales ‫ݏ‬ଵଶ = 632.5 y ‫ݏ‬ଶଶ = 537.8 siendo
por tanto el estadístico
‫ݏ‬ଵଶ ͸͵ʹǤͷ
‫ܨ‬ൌ ൌ ൌ ͳǤͳ͹
‫ݏ‬ଶଶ ͷ͵͹Ǥͺ

154

que bajo la H0 se distribuye como una Fn1, n-n1= F41, 42. La regla de decisión del contras-
te será, aceptar la H0 para un nivel de significación del 5%, por ejemplo, si
F < Fn1, n-n1; 0.05. Buscando en las tablas de la F tenemos que F41, 42; 0.05 = 1.67, se cum-
ple que F < 1.67 y por tanto no podemos rechazar la H0 y concluimos que los residuos
tienen varianza constante.
Esta es la última condición que se debía cumplir para poder afirmar que los residuos
son un ruido blanco.

Ejemplo 6.11. Escribir una función en Matlab para realizar el contraste de homocedas-
ticidad de la serie ܽ௧ de los 83 residuos del modelo ajustado a una serie mediante un
contraste de igualdad de varianzas.

v=datos % vector que contiene la serie residuos

%v = normrnd(0,43.56,96,1)% vector de datos simulado

n = 12; %tamaño de la partición
sig = 0.05 % nivel de significación del contraste

% función test razón verosimilitudes varianza constante

% [logL,Chi]=testvero(v,n,sig)

v=wrev(v); %le damos la vuelta al vector para hacer los gru-

pos
N= length(v) % longitud del vector
sigmaT=var(v) % varianza total de v
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

NP= fix(N/n) % nº de particiones de tamaño n

for j=1:NP
i0=n*j-(n-1); ifinal= n*j;
W=v(i0:ifinal); % vector extraido
varianza(j)=var(W);
tamany(j)=n;
end

if N-NP*n ~=0

W2=v(n*NP+1:N)
varianza2 = var(W2)
tamany2=length(W2)

155

S=[tamany,tamany2;varianza, varianza2]'

else

S=[tamany;varianza]'

end

ng=length(S(:,1))

% estadístico del contraste

logL=N*log10(sigmaT)-sum(S(:,1).*log10(S(:,2)))

% criterio contraste

Chi=chi2inv(1-sig,ng-1);

p_value=1-chi2cdf(logL,ng-1);

if logL>Chi
fprintf('No aceptamos igualdad de varianzas: 2LogL =%f >
Chi2 = %f\n',logL,Chi)

fprintf('p_value=%f < sig= %f\n', p_value,sig)

else
fprintf('OK, aceptamos igualdad de varianzas 2LogL= %f <
Chi2 = %f\n',logL,Chi)
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

fprintf('p_value= %f > sig= %f\n', p_value,sig)

end

% gráficamente

figure
x=linspace(0,Chi);
plot(x,chi2pdf(x,ng-1));hold on
x=linspace(Chi,max(logL,Chi)*2);
area(x,chi2pdf(x,ng-1));
ylabel('densidad prob Chi2')
xlabel('chi2')
v=axis;
plot([logL, logL],[v(3),v(4)],'r');
title(['2logL= ',num2str(logL),' <> Chi2= ',num2str(Chi)])

156

Veamos los resultados del ejemplo simulado:

OK, aceptamos igualdad de varianzas

2LogL= 3.660283 < Chi2 = 12.591587

p_value= 0.722537 > sig= 0.050000

2logL= 3.6603 <> Chi2= 12.5916

0.14

0.12

0.1
densidad prob Chi2

0.08

0.06

0.04

0.02

0
0 5 10 15 20 25 30
chi2
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 6.13. Salida de resultados de la función escrita en Matlab

Ejemplo 6.12. Realizar la validación del modelo a partir de la serie ܽ௧ de los residuos
del modelo ajustado a una serie a partir de los resultados obtenidos mediante
statgraphics mostrados en la Tabla 6.7 y Tabla 6.8.

Tabla 6.7. Salida de resultados obtenidos mediante statgraphics

Model Comparison
----------------
Data variable: Fabric Elem Metáli Const
Number of observations = 131
Start index = 1.0
Sampling interval = 1.0
Length of seasonality = 12

157

Models
------
(A) Random walk with drift
Seasonal adjustment: Multiplicative
(B) ARIMA(0,1,2)x(0,1,2)12
Math adjustment: Natural log
(C) Simple exponential smoothing with alpha = 0.3844
Seasonal adjustment: Multiplicative
(D) Brown's linear exp. smoothing with alpha = 0.1709
Seasonal adjustment: Multiplicative
(E) Winter's exp. smoothing with alpha = 0.2703, beta = 0.1394, gam-
ma = 0.2024

Estimation Period
Model RMSE MAE MAPE ME MPE
--------------------------------------------------------------------
----
(A) 7.42622 5.6533 6.41912 -0.022876 -0.377
(B) 5.65525 4.43187 5.10098 0.0734029 -0.143978
(C) 5.97829 4.53968 5.2699 -0.527951 -1.07575
(D) 5.81232 4.41086 5.14055 -0.286655 -0.518888
(E) 5.993 4.69191 5.39579 0.00206806 -0.228297

Model RMSE RUNS RUNM AUTO MEAN VAR

-----------------------------------------------
(A) 7.42622 OK *** *** OK OK
(B) 5.65525 OK OK OK OK OK
(C) 5.97829 OK OK *** ** OK
(D) 5.81232 OK OK *** OK OK
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

(E) 5.993 OK OK * OK OK

Se puede observar como ahora el modelo (B) ARIMA(0,1,2)x(0,1,2)12 sin constante y

con transformación logarítmica sigue siendo el modelo con menor RMSE, aunque muy
poco superior al mismo modelo con constante, como era de esperar. Por lo tanto este
será el modelo que menor error tendrá a la hora de realizar futuras predicciones. Tam-
bién se puede observar como este modelo ARIMA es el único que cumple con todos
los test de Rachas, Box-Pierce, Medias y Varianza.
Según la metodología Box-Jenkins, el siguiente paso después de tener la estimación del
modelo, es validarlo. Para ello hay que comprobar que los residuos del modelo ajusta-
do siguen un proceso de Ruido Blanco (distribución normal, media nula, varianza
constante, independientes). Vamos a analizar en qué consisten los Test de los resi-
duos.

158

Tabla 6.8. Test aleatoriedad de los residuos obtenidos mediante statgraphics

Tests for Randomness of residuals

Data variable: Fabric Elem Metáli Const

Model: ARIMA(0,1,2)x(0,1,2)12
Math adjustment: Natural log

Runs above and below median

---------------------------
Median = 0.00416306
Number of runs above and below median = 54
Expected number of runs = 60.0
Large sample test statistic z = -1.01699
P-value = 0.309158

Runs up and down

---------------------------
Number of runs up and down = 76
Expected number of runs = 78.3333
Large sample test statistic z = -0.403388
P-value = 0.686659

Box-Pierce Test
---------------
Test based on first 24 autocorrelations
Large sample test statistic = 19.788
P-value = 0.471259

Se puede observar que todos los test tiene un p-value mayor a 0.05 por lo tanto habrá
que rechazar todas sus H0 y concluir que existe independencia en los residuos y en los
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

datos, que es constante en media y constante en varianza. A continuación se va a com-

probar que la media de los residuos es nula, para ello nos apoyaremos en el papel pro-
babilístico normal (Figura 6.14).

159

Figura 6.13. Papel probabilístico normal de los residuos del modelo ajustado

Como los residuos se ajustan aproximadamente a una recta, diremos que siguen un
modelo normal. Observamos mediante las líneas rojas, que para el percentil 50 el valor
que nos da es aproximadamente 0, con lo cual podemos deducir que la media es nula.
El último paso para poder validar el modelo, es comprobar que la varianza de los resi-
duos es constante, para ello, realizaremos el test de razón verosimilitudes. Dividimos
en k = 10 grupos de tamaño ni y calculamos las varianzas de cada grupo y la conjunta:
Tabla 6.9. Cálculo varianzas de cada grupo

Tamaño grupo ni Varianza grupo 2 ı i

0.00787995
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Año 2002 = 11 meses

0.00517192
Año 2003 = 12 meses
0.00285678
Año 2004 = 12 meses
0.00137663
Año 2005 = 12 meses
0.00150434
Año 2006 = 12 meses
0.00152513
Año 2007 = 12 meses
0.0056596
Año 2008 = 12 meses
0.00459032
Año 2009 = 12 meses
0.00534286
Año 2010 = 12 meses
0.00518612
Año 2011 = 11 meses
n = 118 meses ı2 total = 0.00396738

160

Realizamos los siguientes cálculos para un Į = 0,05, según (6.10)

k
λ = n ⋅ log σˆ 2 − ¦ ni ⋅ logσ i2
i =1
2
n·log ı = 118·(-2.4014962) = -283.3765

Tabla 6.10. Contraste de homocedasticidad de los residuos

Varianza grupo ı2i ni log ı2i ni·log ı2i

0.00787995 11 -2.103476538 -23.13824192
0.00517192 12 -2.286348201 -27.43617842
0.00285678 12 -2.544123203 -30.52947844
0.00137663 12 -2.86118277 -34.33419324
0.00150434 12 -2.822653997 -33.87184796
0.00152513 12 -2.816693136 -33.80031763
0.0056596 12 -2.247214262 -26.96657115
0.00459032 12 -2.338157038 -28.05788445
0.00534286 12 -2.272226206 -27.26671447
0.00518612 11 -2.285157438 -25.13673182
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Suma -290.5381595

Por lo tanto: 2·log Ȝ = -283.3765516 - (-290.5381595) = 7.16160786. Podemos obser-

var que λ ≤ χ 102 (−α1=0.05) = 16.919 , por ello podemos concluir que la varianza es cons-
tante, y que los residuos siguen un proceso de Ruido Blanco.

161

Ejemplo 6.13. Realizar la verificación de aleatoriedad de los residuos del modelo ajus-
tado ARIMA(2,0,1)(0,1,2)24 a la serie CEEsem a partir de los resultados obtenidos
mediante statgraphics: a) Tests aleatoriedad residuos dados en la Tabla 6.11, b) Peri-
diograma integrado de los residuos mostrado en la Figura 6.14.

a) Tests aleatoriedad residuos

Tabla 6.11. Test aleatoriedad de los residuos obtenidos mediante statgraphics

Prueba de Aleatoriedad de residuos

Variable de datos: CEEsem
Modelo: ARIMA(2,0,1)x(0,1,2)24

(1) Corridas arriba o abajo de la mediana

Mediana = -27.96
Número de corridas arriba o abajo de la mediana =
50
Número esperado de corridas = 49.0
Estadístico z para muestras grandes = 0.1026
Valor-P = 0.9183

(2) Corridas arriba y abajo

Número de corridas arriba y abajo = 67

Número esperado de corridas = 63.67
Estadístico z para muestras grandes = 0.6924
Valor-P = 0.4887

(3) Prueba Box-Pierce

Prueba basada en las primeras 24 autocorrelaciones
Estadístico de prueba para muestras grandes = 9.37
Valor-P = 0.9668

162

La primera prueba (1) cuenta el número de veces que la secuencia estuvo arriba o abajo
de la mediana. El número de tales rachas es igual a 50, comparado con un valor espe-
rado de 49.0 si la secuencia fuera aleatoria. Puesto que el valor-P para esta prueba es
mayor o igual que 0.05, no se puede rechazar la hipótesis de que los residuos son alea-
torios, con un nivel de confianza del 95.0% o mayor.
La segunda prueba (2) cuenta el número de veces que la secuencia ascendió o descen-
dió. El número de tales rachas es igual a 67, comparado con un valor esperado de 63.67
si la secuencia fuera aleatoria. Puesto que el valor-P para esta prueba es mayor o igual
que 0.05, no se puede rechazar la hipótesis de que la serie es aleatoria, con un nivel de
confianza del 95.0% o mayor.
La tercera prueba (3) está basada en la suma de cuadrados de los primeros 24 coefi-
cientes de autocorrelación. Puesto que el valor-P para esta prueba es mayor o igual que
0.05, no se puede rechazar la hipótesis de que la serie es aleatoria, con un nivel de con-
fianza del 95.0% o mayor.
Se puede observar que todos los test tiene un p-value mayor a 0.05 por lo tanto habrá
que rechazar todas sus H0 y concluir que los residuos son una secuencia de perturba-
ciones al azar como las que seguiría un proceso de ruido Blanco.

b) Peridiograma integrado o acumulado estandarizado de los residuos

El peridiograma acumulado representa en el eje de abcisas las frecuencias y en el de
ordenadas las amplitudes acumuladas. Para una serie puramente aleatoria, como un
Ruido Blanco, el peridiograma acumulado coincide más o menos con la diagonal prin-
cipal representada en dicho gráfico, mientras que desviaciones bruscas de dicha diago-
nal ponen de manifiesto presencia de ciclos o estacionalidad en la serie. El peridiogra-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ma integrado de los residuos del modelo ajustado se representa en la Figura 6.14.

163

Periodograma para Residuos

0,8
O rd e n a d a

0,6

0,4

0,2

0
0 0,1 0,2 0,3 0,4 0,5
frecuencia

Figura 6.14. Peridiograma integrado de los residuos del modelo ajustado

En este caso podemos observar el peridiograma acumulado normalizado fluctuando

muy próximo a la diagonal principal sin atravesar las bandas de confianza evidencian-
do que los residuos presentan un comportamiento de ruido blanco.
Como conclusión tras el análisis de los resultados de los tests aleatoriedad de los resi-
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

duos y de la representación del peridiograma integrado o acumulado normalizado po-

demos decir que los residuos del modelo ajustado no difieren significativamente del
comportamiento que tendría un proceso estocástico de ruido blanco.

164

Ejercicios propuestos

P.6.1 Analizar la información obtenida proporcionada por Statgraphics después de

estimar un modelo ARIMA

Datos/Variable: ventas producto sin

Número de observaciones = 59
Índice Inicial = 1.0
Intervalo de Muestra = 1.0
Longitud de la estacionalidad = 12

Resumen de Pronósticos
Ajuste matemático: Log natural
Diferenciación no estacional de orden: 1
Diferenciación estacional de orden: 1
Modelo de pronóstico seleccionado: ARIMA(0,1,1)x(0,1,1)12 con constante
Número de pronósticos generados: 12
Número de periodos retenidos para validación: 0
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Resumen de Modelo ARIMA

Parámetro Estimado Error Estd. t Valor-P
MA(1) 1.00188 0.0125391 79.9003 0.000000
SMA(1) 0.848894 0.0719147 11.8042 0.000000
Media -0.0162577 0.00295626 -5.49941 0.000002
Constante -0.0162577

Varianza estimada de ruido blanco = 0.803597 con 43 grados de libertad

Desviación estándar estimada de ruido blanco = 0.896436
Número de iteraciones: 7

165

P.6.2 Después de estimar un modelo ARIMA se obtienen los 83 residuos del ajuste. Se
pretende realizar la validación del modelo, para lo cual se obtiene la siguiente informa-
ción a partir de los residuos proporcionada por Statgraphics. ¿Los residuos son aleato-
rios?

Tests Residuos aleatorios

Data variable: bubbly
Model: ARIMA(0,1,1)x(0,1,1)12 with constant

Runs above and below median

Median = 0.0332362
Number of runs above and below median = 37
Expected number of runs = 36,0
Large sample test statistic z = 0.120398
P-value = 0.904162

Runs up and down

Number of runs up and down = 43
Expected number of runs = 47.0
Large sample test statistic z = -0.997965
P-value = 0.318295
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Box-Pierce Test
Test based on first 23 autocorrelations
Large sample test statistic = 16.4382
P-value = 0.744549

P.6.3 Se obtuvo mediante un determinado programa aplicado a una serie de residuos

los siguientes valores del estadístico de Ljung-Box. Comprobar que el p-value obtenido
se corresponde con la aproximación ሺሻ̱ɖଶ୫ିଵ ଴ .

166

retardo Q p-value retardo Q p-value

lag 1 0.0105 0 lag 7 7.1081 0.3110
lag 2 0.1441 0.7042 lag 8 7.1745 0.4109
lag 3 0.1450 0.9301 lag 9 7.1748 0.5179
lag 4 0.4138 0.9374 lag 10 7.3508 0.6006
lag 5 1.0216 0.9065 lag 11 7.9843 0.6304
lag 6 7.0850 0.2144 lag 12 8.9489 0.6266

P.6.4 Se obtiene una serie residual de 83 valores del modelo ajustado para la serie
“ConsumoEE”. Se divide en 7 grupos y se contrasta la hipótesis nula de igualdad de
varianzas en los 7 grupos. (Varianza total residuos σˆ 2 = 0.00062712). Realizar ma-
nualmente el test de la razón de verosimilitudes.

Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6 Grupo 7

-0.0208159 0.0110245 0.0414386 -0.0123601 -0.0332325 0.00522724 -0.00875375

0.0373565 0.0501741 0.0163753 -0.00391511 -0.0463281 0.00719008 -0.020714

-0.0416709 -0.0119333 0.013636 -0.00496403 -0.0223332 -0.0266348 -0.0161512

-0.0147557 -0.0111089 -0.0206335 -0.0113061 0.0489428 0.00354419 -0.0173383

-0.0133272 0.0256141 0.0113666 0.007071 -0.0370529 -0.012017 0.0249616

0.0264484 0.0119785 -0.0192079 0.00572653 -0.0163286 0.0164283 -0.0156582

0.0280093 -0.0164164 -0.00269626 -0.0169895 0.0118412 0.0281431 -0.0466636

-0.0192215 0.0145398 0.0324964 -0.00583224 -0.0429574 -0.0555317 -0.0668034

-0.0400856 -0.00938519 0.00313339 -0.011963 0.00134715 -0.00686406 0.0308479

0.0377794 0.0130424 0.0188969 0.0374953 0.0273917 -0.00788575 -0.0124439

0.0181469 0.00870264 0.00525428 -0.0230417 -0.00276191 0.0286048 0.0182562

0.00970456 -0.0142119 -0.0450749 0.0388502 -0.0144469 0.00101847

ni 11 12 12 12 12 12 12

si2 0.00091772 0.00034967 0.00037643 0.00038486 0.0010545 0.00055724 0.00078365

167

Resultado:

OK, aceptamos igualdad de varianzas

2LogL= 3.176165 < Chi2 = 12.591587
p_value= 0.786434 > sig= 0.050000
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

168

7.1. Introducción
Una vez realizada la diagnosis y validación del modelo seleccionado y concluido que
es adecuado para realizar predicciones, pasamos a la etapa de explotación del modelo.
El objetivo final de la búsqueda del mejor modelo que explique el comportamiento de
una serie temporal es la realización de predicciones acerca de lo que ocurrirá con la
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

serie en un futuro inmediato. La tipología de herramientas de análisis y predicción de

series temporales presentadas en este manual es de naturaleza proyectiva, caracterizada
por la hipótesis de constancia del entorno, es decir, las condiciones del entorno perma-
necerán constantes. Esto se puede mantener cuando las predicciones son realizadas con
un horizonte a corto plazo. Las predicciones se realizarán de forma puntual y por inter-
valos de confianza.

7.2. Predicción puntual

Se trata de estimar los valores futuros de la variable Zt, contando con la información
disponible proyectando su pasado. Denotamos por ෠୲ା୩ a la predicción de Zt que ha-
cemos en el instante t con horizonte k períodos hacia adelante.

169

7.3. Predicción por intervalos de confianza

Es bastante útil el poder contar con bandas de confianza donde con una alta probabili-
dad se pueda encontrar el verdadero valor de la serie en un instante futuro, en t+k por
ejemplo. Considerando que si el error de predicción sigue un modelo normal, mediante
la estimación de la varianza del error de predicción podemos construir intervalos de
confianza para la predicción al 95 %, por ejemplo, mediante una expresión del tipo:

෠୲ ሺሻ ൌ േʹǤ ሾ୲ ሺሻሿ (7.1)

donde Ǥ ሾ୲ ሺሻሿ es la desviación típica estimada del error de predicción a un
horizonte de k períodos.
La varianza del error de predicción aumenta proporcionalmente a la varianza residual
del modelo ( ߪ ଶ ) a medida que k crece. Dicho de otro modo, las predicciones son me-
nos precisas a medida que nos adentramos en el futuro y la incertidumbre, por tanto,
aumenta. Por ello las predicciones serán más precisas a corto plazo que a medio o largo
plazo. Por ejemplo para un modelo AR(1) con constante ୲ ൌ ൅ ‫ି୲׎‬ଵ ൅ ࣵ୲ tendre-
mos que la varianza estimada del error de predicción será:

ଵି‫׎‬మೖ
ܸܽ‫ݎ‬ሾ୲ ሺሻሿ ൌ ߪ ଶ (7.2)
ଵି‫׎‬మ

7.4. Actualización de las predicciones

El proceso de predicción debe de tener un carácter dinámico e incorporar la informa-
ción que vamos conociendo instante a instante para mejorar las predicciones futuras.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ejemplo 7.1. Se ha realizado mediante Statgraphics la predicción del consumo eléctri-

co horario para el próximo día laborable con el modelo validado ARI-
MA(0,1,1)(0,1,1)24 para la serie CEEsem tratada en ejemplos anteriores. Desarrollar
manualmente el modelo de predicción y comprobar manualmente las predicciones
puntuales para las próximas 3 horas dadas por la Tabla 7.1.

170

La Figura 7.1 nos muestra la predicción de las próximas 24 horas para el consumo de
energía eléctrica en España en miles de MWh mediante una estimación puntal y me-
diante intervalos de confianza al 95%.
( )
ARIMA(0,1,1)x(0,1,1)24
40
37
34
Zt

31
28
25
22
0 30 60 90 120 150

Figura 7.1. Predicción de la serie CEEsem (Zt) en miles de MWh

a) Desarrollo de la ecuación de predicción

El modelo estimado y validado para la serie CEEsem es el ARIMA(0,1,1)(0,1,1)24 sin
constante:
‫׏׏‬ଶସ ୲ ൌ ሺͳ െ ͲǤʹͳ͸͹ͺͶሻሺͳ െ ͲǤʹͺ͹ʹͺͳ ଶସ ሻࣵ୲
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ሺͳ െ ሻሺͳ െ ଶସ ሻ୲ ൌ ሺͳ െ Ʌଵ ሻሺͳ െ ȣଵ ଶସ ሻࣵ୲

ሺͳ െ െ ଶସ ൅ ଶହ ሻ୲ ൌ(1-Ʌଵ െ ȣଵ ଶସ ൅ Ʌଵ ȣଵ ଶହ ሻࣵ୲

୲ െ ୲ିଵ െ ୲ିଶସ ൅ ୲ିଶହ ൌ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ ȣଵ ࣵ୲ିଶସ ൅ Ʌଵ ȣଵ ࣵ୲ିଶହ

୲ ൌ ୲ିଵ ൅ ୲ିଶସ െ ୲ିଶହ ൅ ࣵ୲ െ Ʌଵ ࣵ୲ିଵ െ ȣଵ ࣵ୲ିଶସ ൅ Ʌଵ ȣଵ ࣵ୲ିଶହ

Y la ecuación de predicción para la próxima hora será (con ࣵ୲ = 0):

෠୲ ൌ ୲ିଵ ൅ ୲ିଶସ െ ୲ିଶହ െ ͲǤʹͳ͸͹ͺͶࣵ୲ିଵ െ ͲǤʹͺ͹ʹͺͳࣵ୲ିଶସ ൅ ͲǤͲ͸ʹʹͺࣵ୲ିଶହ

Comprobación manual de predicciones puntuales para t =121, 122 y 123.

La Tabla 7.1 muestra la salida del programa Statgraphics que nos proporciona las pre-
dicciones que vamos a comprobar manualmente:

171

Tabla 7.1. Predicción puntual y por intervalos de confianza de la serie CEEsem

Forecast Table for CEEsem

Model: ARIMA(0,1,1)x(0,1,1)24

Period Data Forecast Residual

1.0 27504.0
2.0 25326.0
3.0 23546.0
.
.
.
91.0 33825.0 33707.1 117.869
92.0 32794.0 32634.1 159.888
93.0 32609.0 32064.1 544.887
94.0 31979.0 32360.0 -380.96
95.0 32588.0 32520.0 68.0242
96.0 31151.0 31100.6 50.4329
97.0 28581.0 28732.8 -151.765
98.0 26590.0 26445.7 144.319
99.0 24901.0 24939.1 -38.1256
100.0 24127.0 23960.1 166.929
101.0 23881.0 23759.7 121.29
102.0 23755.0 24087.6 -332.616
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

103.0 24432.0 24482.0 -49.9795

104.0 26011.0 26290.2 -279.164
105.0 28641.0 28532.8 108.237
106.0 31099.0 31457.8 -358.842
107.0 33819.0 33980.7 -161.748
108.0 34858.0 35135.8 -277.835
109.0 35671.0 35442.9 228.08
110.0 36124.0 36215.8 -91.7504
111.0 35070.0 35019.2 50.8376
112.0 33603.0 33643.0 -39.9575
113.0 33645.0 33490.1 154.867
114.0 33286.0 33484.1 -198.149
115.0 33115.0 33291.2 -176.228
116.0 32543.0 32083.6 459.389

172

117.0 32367.0 32111.8 255.167

118.0 31525.0 31825.1 -300.061
119.0 31978.0 32155.8 -177.781
120.0 31130.0 30569.3 560.712
----------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
----------------------------------------------------------------------
121.0 28485.2 27847.2 29123.2
122.0 26443.3 25632.9 27253.7
123.0 24774.2 23822.1 25726.3
----------------------------------------------------------------------

• Predicción puntual para t = 121

෠ଵଶଵ ൌ ଵଶ଴ ൅ ଽ଻ െ ଽ଺ െ ͲǤʹͳ͸͹ͺͶࣵଵଶ଴ െ ͲǤʹͺ͹ʹͺͳࣵଽ଻ ൅ ͲǤͲ͸ʹʹͺࣵଽ଺ ൌ
͵ͳͳ͵Ͳ ൅ ʹͺͷͺͳ െ ͵ͳͳͷͳ െ ͲǤʹͳ͸͹ͺͶ ൉ ͷ͸ͲǤ͹ͳʹ െ ͲǤʹͺ͹ʹͺͳሺെͳͷͳǤ͹͸ͷሻ ൅
ͲǤͲ͸ʹʹͺ ൉ ͷͲǤͶ͵ʹͻൌʹͺͶͺͷǤͳͺMWh

• Predicción puntual para t = 122

෠ଵଶଶ ൌ ෠ଵଶଵ ൅ ଽ଼ െ ଽ଻ െ ͲǤʹͳ͸͹ͺͶࣵଵଶଵ െ ͲǤʹͺ͹ʹͺͳࣵଽ଼ ൅ ͲǤͲ͸ʹʹͺࣵଽ଻ ൌ

ʹͺͶͺͷǤͳͺ ൅ ʹ͸ͷͻͲ െ ʹͺͷͺͳ െ ͲǤʹͺ͹ʹͺͳ ൉ ͳͶͶǤ͵ͳͻ ൅ ͲǤͲ͸ʹʹͺሺെͳͷͳǤ͹͸ͷሻൌ

ʹ͸ͶͶ͵Ǥʹ͹MWh

• Predicción puntual para t = 123

෠ଵଶଷ ൌ ෠ଵଶଶ ൅ ଽଽ െ ଽ଼ െ ͲǤʹͳ͸͹ͺͶࣵଵଶଶ െ ͲǤʹͺ͹ʹͺͳࣵଽଽ ൅ ͲǤͲ͸ʹʹͺࣵଽ଼ ൌ

ʹ͸ͶͶ͵Ǥʹ͹൅ʹͶͻͲͳǦʹ͸ͷͻͲǦͲǤʹͺ͹ʹͺͳሺǦ͵ͺǤͳʹͷ͸ሻ൅ͲǤͲ͸ʹʹͺ ൉ ͳͶͶǤ͵ͳͻൌ
ʹͶ͹͹ͶǤʹͳMWh
Comprobamos que las predicciones de la Tabla 7.1 son las obtenidas con la ecuación
de predicción.

173

Ejemplo 7.2. Se ha realizado mediante Statgraphics la predicción con el modelo ARI-

MA(0,1,1)(0,1,1)12 correspondiente a la serie “Airline” (pasajeros), tratada en ejerci-
cios anteriores. Con la información presentada en las Tablas 7.2 y 7.3, desarrollar ma-
nualmenmte el modelo de predicción y comprobar manualmente las predicciones
puntuales para los próximos 3 meses dadas por la Tabla 7.4.

Se ha estimado el modelo mediante Statgraphics:

Tabla 7.2. Tabla del ANOVA inicial

-------------------------------------------------------------------------------------------------------
ARIMA Model Summary
---------------------------------------------------------
Parameter Estimate Stnd. Error t P-value
---------------------------------------------------------
MA(1) 0.399205 0.080656 4.94947 0.000002

SMA(1) 0.613543 0.0702816 8.72979 0.000000

Mean -0.000189591 0.0009011 -0.2104 0.833690

Constant -0.000189591

-----------------------------------------------------------------------------------------------

Como puede observarse los coeficientes ߠଵ = MA(1) y ȣଵ = SMA(1) han salido muy
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

significativos (ȁ‫ݐ‬ȁ ൐ ʹ, p-value << 0.05) mientras que la constante no ha salido signifi-
cativa (ȁ‫ݐ‬ȁ ൏ ʹ, p-value > 0.05), por lo que habrá que estimar el modelo sin constante:

Tabla 7.3. Tabla del ANOVA definitiva

SMA(1) 0.612706 0.0700652 8.7448 0.000000

-------------------------------------------------------------

Vemos que las estimaciones obtenidas con Statgraphics no difieren sustancialmente de

las obtenidas en el ejemplo 5.4 con Minitab.

174

Será siempre estacionario, e invertible cuando ȁɅଵ ȁ ൏ ͳ‫ ݕ‬ȁȣଵ ȁ ൏ ͳ. En nuestro caso se
cumplen ambas condiciones y por tanto el proceso será también invertible.

a) Desarrollo de la ecuación de predicción

En ejemplos anteriores se obtuvo la ecuación de predicción para un modelo
୲ ̱ ሺͲǡͳǡͳሻሺͲǡͳǡͳሻଵଶ sin constante:
‫׏׏‬ଵଶ ୲ ൌ Ʌଵ ሺሻȣଵ ሺଵଶ ሻࣵ୲

ߘߘଵଶ ܼ௧ ൌ ሺͳ െ ߠଵ ‫ܤ‬ሻሺͳ െ ߆ଵ ‫ܤ‬ଵଶ ሻࣵ௧

ܼ௧ ൌ ܼ௧ିଵ ൅ ܼ௧ିଵଶ െ ܼ௧ିଵଷ ൅ ࣵ௧ െ ߠଵ ࣵ௧ିଵ െ ߆ଵ ࣵ௧ିଵଶ ൅ ߠଵ ߆ଵ ࣵ௧ିଵଷ

En este caso la serie fue previamente transformada logarítmicamente para estabilizar la

varianza. Luego el modelo correcto sería

ߘߘଵଶ ‫݊ܮ‬ሺܺ௧ ሻ ൌ ሺͳ െ ߠଵ ‫ܤ‬ሻሺͳ െ ߆ଵ ‫ܤ‬ଵଶ ሻࣵ௧

conߠଵ ൌ ͲǤ͵ͻͺͺͳͻ y ȣଵ ൌ ͲǤ͸ͳʹ͹Ͳ͸ y ܺ௧ la serie original “Airline”

Esta transformación puede ser realizada directamente en el módulo de series tempora-

les en Statgraphics y por tanto ya nos devuelve las predicciones en las unidades origi-
nales de la variable Zt (Tabla 7.4) o introduciendo como variable a modelizar la serie
original ya transformada. En otros programas esta transformación se realiza fuera de
dicho módulo con lo que hay que tener cuidado a la hora de interpretar las predicciones
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

resultantes.

175

Tabla 7.4. Predicción puntual y por intervalos de confianza de la serie “Airline”

Forecast Table for airline

Model: ARIMA(0,1,1)x(0,1,1)12
Math adjustment: Natural log
Period Data Forecast Residual
----------------------------------------------------------------------
1.0 112.0
2.0 118.0
…
…
121.0 360.0 350.254 9.74594
122.0 342.0 340.281 1.71913
123.0 406.0 394.99 11.0096
124.0 396.0 390.861 5.13944
125.0 420.0 403.613 16.3872
126.0 472.0 486.945 -14.9446
127.0 548.0 534.573 13.427
128.0 559.0 545.446 13.5544
129.0 463.0 468.686 -5.6865
130.0 407.0 407.72 -0.719771
131.0 362.0 355.429 6.57089
132.0 405.0 399.064 5.9363
133.0 417.0 418.547 -1.54694
134.0 391.0 398.174 -7.17377
135.0 419.0 460.304 -41.3044
136.0 461.0 423.749 37.2509
137.0 472.0 462.868 9.13161
138.0 535.0 541.713 -6.71279
139.0 622.0 610.159 11.841
140.0 606.0 624.013 -18.0128
141.0 508.0 514.717 -6.71676
142.0 461.0 448.05 12.9495
143.0 390.0 400.699 -10.6989
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

144.0 432.0 439.049 -7.04946

----------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
----------------------------------------------------------------------
145.0 450.319 418.597 484.446
146.0 426.586 391.733 464.54
147.0 482.094 438.017 530.606
----------------------------------------------------------------------

La ecuación explícita del modelo será:

ܼ௧ ൌ ܼ௧ିଵ ൅ ܼ௧ିଵଶ െ ܼ௧ିଵଷ ൅ ࣵ௧ െ ͲǤ͵ͻͺͺͳͻࣵ௧ିଵ െ ͲǤ͸ͳʹ͹Ͳ͸ࣵ௧ିଵଶ

൅ͲǤ͵ͻͺͺͳͻ ൉ ͲǤ͸ͳʹ͹Ͳ͸ࣵ௧ିଵଷ

176

• Para t = 145 la predicción puntual será:

෠ଵସହ ൌ ଵସସ ൅ ଵଷଷ െ ଵଷଶ ൅ ࣵଵସହ െ ͲǤ͵ͻͺͺͳͻࣵଵସସ െ ͲǤ͸ͳʹ͹Ͳ͸ࣵଵଷଷ

൅ͲǤʹͶͶ͵͸ࣵଵଷଶ
con ࣵଵସହ = 0

෠ଵସହ ൌ Ͷ͵ʹ ൅ Ͷͳ͹ െ ͶͲͷ െ ͲǤ͵ͻͺͺͳͻሺെ͹ǤͲͶͻͶ͸ሻ െ ͲǤ͸ͳʹ͹Ͳ͸ሺെͳǤͷͶ͸ͻͶሻ

൅ͲǤʹͶͶ͵͸ ൉ ͷǤͻ͵͸͵ ൌ ͶͶͻǤʹͳ

• Para t = 146 la predicción puntual será:

෠ଵସ଺ ൌ ෠ଵସହ ൅ ଵଷସ െ ଵଷଷ ൅ ࣵଵସ଺ െ ͲǤ͵ͻͺͺͳͻࣵଵସହ െ ͲǤ͸ͳʹ͹Ͳ͸ࣵଵଷସ

൅ͲǤʹͶͶ͵͸ࣵଵଷଷ
con ࣵଵସହ = 0 y con ࣵଵସ଺ = 0

෠ଵସ଺ ൌ ͶͶͻǤʹͳ ൅ ͵ͻͳ െ Ͷͳ͹ െ ͲǤ͸ͳʹ͹Ͳ͸ሺെ͹Ǥͳ͹͵͹͹ሻ ൅ ͲǤʹͶͶ͵͸ሺെͳǤͷͶ͸ͻͶሻ

ൌ Ͷʹ͹Ǥʹ͵

Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

• Para t = 147 la predicción puntual será:

෠ଵସ଻ ൌ ෠ଵସ଺ ൅ ଵଷହ െ ଵଷସ ൅ ࣵଵସ଻ െ ͲǤ͵ͻͺͺͳͻࣵଵସ଺ െ ͲǤ͸ͳʹ͹Ͳ͸ࣵଵଷହ

൅ͲǤʹͶͶ͵͸ࣵଵଷସ
con ࣵଵସ଺ = 0 y con ࣵଵସ଻ = 0
෠ଵସ଻ ൌ Ͷʹ͹Ǥʹ͵ ൅ Ͷͳͻ െ ͵ͻͳ െ ͲǤ͸ͳʹ͹Ͳ͸ሺെͶͳǤ͵ͲͶͶሻ ൅ ͲǤʹͶͶͶ͵ͷሺെ͹Ǥͳ͹͵͹͹ሻൌ
478.8

Las diferencias que aparecen con respecto a la Tabla 7.4 dada por el programa son
debidas exclusivamente a redondeo de decimales.

177

ARIMA(0,1,1)x(0,1,1)12
800

600
pasajeros

400

200 actual
forecast
95,0% limits
0
0 40 80 120 160
Figura 7.2. Predicción puntual y por intervalos de confianza de la serie Airline
enmiles de pasajeros

Ejemplo 7.3. Se desea obtener el mejor modelo de predicción para la serie Zt corres-
pondiente al número de usuarios conectados a un servidor de Internet cada minuto
durante 100 minutos.
En primer lugar se representa, en la Figura 7.3, la serie frente al tiempo para observar
su pauta de comportamiento. Cabe destacar cambios de tendencia lo cual es indicativo
de que el proceso no es estacionario en media. Para corroborar este punto representa-
mos los correlogramas simple y parcial (ACF y PACF) en la Figura 7.3.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

La ACF presenta el comportamiento típico de un proceso no estacionario en media:

decrecimiento lento y lineal de todos los coeficientes de autocorrelación con valores
altos. Además la PACF presenta el primer coeficiente de autocorrelación próximo a 1,
típico de procesos integrados. Por tanto debemos de aplicar una diferencia regular al no
presentar estacionalidad.

178

200
150
100

0 20 40 60 80 100
0.0 0.2 0.4 0.6 0.8 1.0

0.0 0.2 0.4 0.6 0.8 1.0

PACF
ACF

-0.4

5 10 15 20 5 10 15 20

Lag Lag

Figura 7.3. Representación de la serie Zt y sus funciones ACF y PACF asociadas

presentamos, Figura 7.4, sus correlogramas correspondientes a la serie diferenciada:

0.8

0.8
0.6

0.6
0.4

0.4
PACF
ACF

0.2

0.2
0.0

0.0
-0.2

-0.2
-0.4

-0.4

5 10 15 20 5 10 15 20

Lag Lag

Figura 7.4 Representación de las funciones ACF y PACF asociadas a la serie Zt diferenciada

179

La ACF presenta una mezcla de exponenciales y sinusoides que se amortiguan en el

tiempo y la PACF presenta los tres primeros coeficientes distintos de cero, lo cual es
típico de un proceso autoregresivo de orden 3, AR(3). El modelo tentativo podría ser
un ARIMA(3,1,0). Ajustamos dicho modelo a la serie original y obtenemos los resi-
duos sus correspondientes ACF y PACF, que se muestran a continuación, Figura 7.5.

res
5
0
-5

0 20 40 60 80 100
0.3

0.3
0.2

0.2
0.1

0.1
PACF
ACF

0.0

-0.1

-0.1
-0.2

-0.2
-0.3

-0.3

5 10 15 20 5 10 15 20

Lag Lag

Figura 7.5. Representación de la serie residual y sus funciones ACF y PACF asociadas

Como puede observarse, no aparece estructura de autocorrelación en los residuos y por

tanto podemos decir que ya hemos acabado la fase de modelización con el modelo
siguiente:

180

ARIMA(3,1,0)՜ Ԅ୮ ሺሻ‫׏‬ୢ ୲ ൌ ൅ Ʌ୯ ሺሻࣵ୲ con ൌ ͳǡ ൌ ͵ǡ ൌ Ͳǡ

Ԅଷ ሺሻ‫׏‬ଵ ୲ ൌ ൅ Ʌ଴ ሺሻࣵ୲

ሺͳ െ Ԅଵ െ Ԅଶ ଶ െ Ԅଷ ଷ ሻሺͳ െ ሻ୲ ൌ ൅ ࣵ୲

En la fase de estimación de parámetros debemos de estimar los coeficientes Ԅ୧ y la

constante del modelo.
2. Estimación del modelo. El modelo puede ser estimado con cualquier programa esta-
dístico estándar que tenga implementado un módulo de análisis de series temporales
como Statgraphics, Minitab o en lenguaje R. Se presenta en la Tabla 7.5 el ajuste del
modelo mediante Minitab:
Tabla 7.5. Tabla del ANOVA y test de Ljung-Box.

Type Coef SE Coef T P

AR 1 1.1579 0.0962 12.04 0.000
AR 2 -0.6732 0.1363 -4.94 0.000
AR 3 0.3451 0.0964 3.58 0.001
Constant 0.1633 0.3123 0.52 0.602

Differencing: 1 regular difference

Number of observations: Original series 100, after differencing 99
Residuals: SS = 912.339 (backforecasts excluded)
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

MS = 9.604 DF = 95
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 7.3 20.3 31.4 46.2
DF 8 20 32 44
P-Value 0.504 0.441 0.495 0.380

Como se puede observar los coeficientes Ԅ୧ han salido muy significativos mientras que
la constante no es significativa por tanto se trata de un modelo sin constante.

181

También podemos estimar el modelo con R como se muestra en la Tabla 7.6:

Tabla 7.6. Tabla del ANOVA y test de Ljung-Box con R.

Series: Z

ARIMA(3,1,0)

Call: arima(x = Z, order = c(3, 1, 0))

Coefficients:

ar1 ar2 ar3

1.1513 -0.6612 0.3407

s.e. 0.0950 0.1353 0.0941

sigma^2 estimated as 9.363: log likelihood = -252

AIC = 511.99 AICc = 512.42 BIC = 522.37

Como puede comprobarse, la estimación de los coeficientes es muy similar a la obteni-

da con Minitab. En este caso la significatividad de los coeficientes hay que realizarla
mediante el estadístico T para el contraste siguiente, con un nivel de significación del
5%:
‫ܪ‬଴ ǣ߶௜ ൌ Ͳ‫ܪ‬ଵ ǣ߶௜ ് Ͳ
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

෡ ౟ ି଴
ம
ൌ ቚ ෡ ౟ ሻቚ ൐ ʹ݁݊‫ݎܽݐ݌݁ܿܽݏ݋݉݁݀݋݌݋݊ݏ݁ܿ݊݋ݐ‬ ଴. En nuestro caso, se
ୢୣୱ୴Ǥ୲୧୮ሺம
cumple para los tres coeficientes T > 2 y por tanto han resultado muy significativa-
mente distintos de cero y aceptamos los valores estimados de los mismos.

෡ ૚ = ar1
ࣘ ෡ ૛ = ar2
ࣘ ෡ ૜ = ar3
ࣘ

1.1513 -0.6612 0.3407

෡ ܑሻ
ࢊࢋ࢙࢜Ǥ ࢚࢏࢖ሺࣘ 0.0950 0.1353 0.0941

T 12.19 4.89 3.62

182

Hay que comprobar que el modelo estimado es estacionario. Para ello las raíces del
polinomio autoregresivo de orden 3, Ԅଷ ሺሻǡ deben estar fuera del círculo unidad (en
valor absoluto >1). Podemos utilizar cualquier programa de ordenador para comprobar
dicha hipótesis. En este caso utilizamos Matlab y obtenemos que el polinomio tiene
una raíz real y 2 complejas siendo todas en valor absoluto mayor que la unidad:
ሺͳ െ ͳǡͳͷ͹ͻ ൅ Ͳǡ͸͹͵ʹ ଶ െ Ͳǡ͵Ͷͷͳଷ ሻ ൌ Ͳ
C = [-0.3451, +0.6732, -1.158, 1]
B = roots(C)
B = 0.3834 + 1.5168i, 0.3834 - 1.5168i, 1.1839
abs(B) = 1.5645, 1.5645, 1.1839

En el leguaje R podemos obtener lo mismo:

abs(polyroot(z = c(1, -1.158, 0.6732, -0.3451)))
[1] 1.183863 1.564504 1.564504

El modelo tentativo a validar será

ሺͳ െ ͳǤͳͷ͹ͻ ൅ ͲǤ͸͹͵ʹ ଶ െ ͲǤ͵Ͷͷͳଷ ሻሺͳ െ ሻ୲ ൌ ࣵ୲
3. Validación del modelo estimado. Las hipótesis fundamentales que debemos compro-
bar son la no autocorrelación de los residuos y su normalidad con media nula.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Para comprobar que los residuos no están autocorrelacionados podemos utilizar el test
de Ljung-Box. Minitab reporta los p-values para retardos acumulados múltiplo de 12.
Como se puede observar en la tabla anterior el p-value para los primeros 12, 24, 36 y
48 coeficientes de autocorrelación es mayor que 0.05 y por tanto, podemos concluir,
que no se puede rechazar la hipótesis de incorrelación de los residuos con un nivel de
significación del 5 % (Į = 0.05).
En el lenguaje R podemos obtener gráficamente de forma rápida una validación del
modelo (Figura 7.6):

183

2
1
0
-2 -1
Standardized Residuals

1950 1952 1954 1956

Time

ACF of Residuals
1.0
0.6
ACF

0.2
-0.2

0.0 0.5 1.0 1.5

Lag

p values for Ljung-Box statistic

0.8
p value

0 10 20 30 40

lag

Figura 7.6. Representación de la serie residual estandarizada, su función ACF asociada

y el test de Ljung-Box

Para estudiar la normalidad de los residuos aplicamos el test de Jarque Bera en R:

Jarque Bera Test : X-squared = 0.0553, df = 2, p-value = 0.9727
En nuestro caso como el p-value > 0.05, podemos concluir que los residuos son norma-
les. Podemos también comprobarlo mediante un QQ plot (Figura 7.7) de los mismos:

184

Normal Q-Q Plot

5
Sample Quantiles

0
-5

-2 -1 0 1 2

Theoretical Quantiles

Figura 7.7. Papel probabilístico normal de los residuos del modelo ajustado

donde no se aprecia ningún alejamiento del comportamiento normal. La media de los

residuos se comprueba que es cero.

4. Explotación del modelo: Predicción. A partir de la ecuación del modelo propuesto y
estimado
ሺͳ െ ͳǤͳͷ͹ͻ ൅ ͲǤ͸͹͵ʹ ଶ െ ͲǤ͵Ͷͷͳଷ ሻሺͳ െ ሻ୲ ൌ ࣵ୲
La ecuación de predicción se puede obtener como en ejercicios anteriores
෠୲ ൌ ୲ିଵ ൅ ͳǤͳͷ͹ͻሺ୲ିଵ െ ୲ିଶ ሻ െ ͲǤ͸͹͵ʹሺ୲ିଶ െ ୲ିଷ ሻ
൅ͲǤ͵Ͷͷͳሺ୲ିଷ െ ୲ିସ ሻ
donde ෠୲ es la predicción realizada para el próximo instante t desde el instante t-1.

185

Ejercicios propuestos

P.7.1. Escribir la ecuación de predicción para un modelo AR(3) teniendo en cuenta la

información de la tabla ANOVA de estimación que se muestra en la tabla siguiente

ARIMA ModelSummary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
--
AR(1) 1.97032 0.0548841 35.8996 0.0000
AR(2) -1.36384 0.0994767 -13.7102 0.0000
AR(3) 0.337436 0.0549045 6.14587 0.0000

Estimated white noise standard deviation = 0.188856

P.7.2. Se desea realizar la predicción de Energía Eléctrica generada en un parque eólico

del noreste de España. Para ello se cuenta con la serie temporal Energía generada (P,
Kwh) diezminutaria durante el mes de enero del 2011que consta de 4461 observacio-
nes. El modelo ajustado es un ARIMA (1,1,2) sin constante cuya tabla ANOVA de
estimación se muestra en la tabla siguiente. Se desea obtener la ecuación de predicción
de la Energía generada en las próximas 3 horas (18 periodos diezminutarios).

ARIMA Model Summary

Parameter Estimate Stnd. Error t P-value

MA(1) 0.469 0.04138 11.33 0.000000

MA(2) 0.2966 0.01441 20.59 0.000000

186

8.1. Introducción
Es bastante habitual encontrarnos con series temporales cuyo comportamiento es resul-
tado además del propio carácter estocástico, de la ocurrencia de hechos o sucesos pun-
tuales que pueden ser conocidos o desconocidos. Por ejemplo un día festivo, un cambio
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

legal o la ocurrencia de una huelga pueden alterar el comportamiento natural de la

serie. En este caso diremos que el instante del tiempo en que tiene lugar el suceso es
conocido y a dichos sucesos se les denomina intervenciones. El análisis de Interven-
ción trata de explicar el comportamiento observado de la serie mediante la inclusión de
variables indicadoras para representar sucesos que producen efectos deterministas. Se
presenta el análisis de intervención como un caso especial de los modelos de función
de transferencia tratados en el siguiente capítulo, donde un modelo de respuesta de
función de transferencia se usa para relacionar una serie de salida estocástica con una
variable de intervención cualitativa.
También es frecuente que la serie esté afectada por sucesos puntuales que desconoce-
mos y que pueden afectar a las observaciones de la serie dando como resultado una
estructura diferente apareciendo como observaciones que parecen no haber sido gene-
radas mediante el mismo proceso estocástico que las demás.

187

A estas observaciones se les conoce como Valores Atípicos y es importante poder iden-
tificar estas situaciones desconocidas, porque por ejemplo si sus efectos son grandes
pueden sesgar la estimación de los parámetros y producir malas predicciones. En Peña
(2005) se puede encontrar un análisis más detallado.

8.2. Análisis de Lntervención

Se denomina Análisis de Intervención a la inclusión en un modelo de series temporales
de variables ficticias para representar sucesos que producen efectos deterministas res-
puesta a sucesos cualitativos. El objetivo es, por tanto, modelizar y estimar los efectos
de sucesos puntuales que permitan mejorar la precisión de la estimación de los paráme-
tros y conseguir mejoras de las previsiones.

Ejemplo 8.1. En una serie de producción conocemos que se ha producido una huelga
en un instante .

Se puede incluir ese efecto mediante una variable ficticia que llamaremos variable
impulso It:
ͳ‫ ݐ‬ൌ ݀À݈݄ܽ݀݁ܽ‫݈ܽ݃݁ݑ‬
‫ܫ‬௧ ൌ ൝
Ͳ

que tome el valor ͳ en el instante de la huelga y 0 en todos los demás instantes.

Ejemplo 8.2. Se produce un cambio legal que modifica la definición de desempleo a

Podemos incluir este efecto mediante una variable ficticia (escalón) St que tome el
valor Ͳ antes del cambio y ͳ después.
Ͳ ൏ ܾܿܽ݉݅‫݈݈ܽ݃݁݋‬
୲ ൌ ቐ
ͳ ൒ ܾܿܽ݉݅‫݈݈ܽ݃݁݋‬

8.2.1. Variable Lmpulso

Se utilizan para representar suceso que ocurren únicamente en un instante del tiempo.
Supongamos que ‫ݕ‬t es una serie que sigue un modelo ARIMA que representamos de
forma simplificada:
‫ݕ‬௧ = ȥሺ‫ܤ‬ሻܽ௧ (8.1)

188

donde ܽ௧ es un proceso de ruido blanco. Supongamos que esta serie está afectada en un
momento conocido ‫ ݐ‬ൌ ݄ por un suceso también conocido. En ‫ ݐ‬ൌ ݄ observamos una
variable ܼ௧ que está relacionado con ‫ݕ‬௧ mediante:
ܼ௧ ൌ ߱ ൅ ‫ݕ‬௧ (8.2)

donde la serie temporal ‫ݕ‬t representa el modelo sin intervención, y la seria ܼ௧ el mode-
lo que contempla la intervención. Con ߱ magnitud del efecto sobre la serie. Para repre-
sentar el suceso definimos una variable impulso cuyo efecto se observa en la Figura
8.1.

ͳ ൌ ݄
‫ܫ‬௧௛ ൌ൝
Ͳ ് ݄

Figura 8.1. Efecto impulso

Para representar el efecto del suceso sobre la serie podemos escribir la ecuación 8.3
ܼ௧ = ߱‫ܫ‬௧௛ + ߰ሺ‫ܽ )ܤ‬௧ (8.3)
En este caso el efecto del impulso es sencillo pero hay casos donde el efecto de la in-
tervención definida por el impulso puede ser más complejo, y puede distribuirse en
varios periodos, aunque es siempre un efecto transitorio que desaparece pronto. Tam-
bién cabe destacar que el impacto de una intervención no es siempre instantáneo, es
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

decir, se refleja b periodos después de la intervención. En general, si el número de

periodos afectados por el impulso es largo, estos efectos se pueden representar:
ఠ୆ౘ
ܼ௧ = ‫ܫ‬௛ + ߰ሺ‫ܤ‬ሻ ܽ௧ con Ͳ ൏ ߜ ൏ ͳ (8.4)
ଵିఋ஻ ௧

La función de respuesta a impulso es:

ఠ
ൌ߱ሺͳ൅ߜ‫ܤ‬൅ߜ ଶ ‫ܤ‬ଶ ൅ ǥሻൌሺ߱൅߱ͳ൅߱ʹ‫ܤ‬ଶ ൅ǥ൅߱‫ܤ‬௠ ሻ
ଵିఋ஻

߱ൌ߱ߜ

189

ʘ
ʘɷ

t t+b
Figura 8.2. Efecto impulso decalado y amortiguado

8.2.2. Variable Hscalón

Si se quiere modelar intervenciones que tienen un efecto permanente sobre la serie a
partir de su ocurrencia, en este caso las intervenciones se modelan con variables esca-
lón cuyo efecto se observa en la Figura 8.3.

Figura 8.3. Efecto escalón

El efecto de una variable escalón sobre la serie ‫ݕ‬t que sigue un modelo ARIMA puede
representarse mediante el modelo de intervención.
ܼ௧ = ߱ሺ‫ܤ‬ሻ ܵ௧௛ + ߰ሺ‫ܤ‬ሻ ܽ௧ (8.5)
llamaremos ganancia de un escalón a su efecto final a largo plazo, es la suma de los
efectos parciales:
ൌ ɘሺͳሻ ൌ ɘ଴ ൅ ɘଵ ൅ ǥ൅ ɘ୫ (8.6)

190

Figura 8.4. Ganancia de un escalón

En determinados casos, como hemos comentado en el caso de la respuesta de impulso,

el efecto de la intervención definida por el escalón puede ser más complejo, y puede
distribuirse en varios periodos, no es siempre instantánea, entonces el impacto de la
intervención comienza con b periodos de retardo pero la respuesta es gradual como
puede observarse en la Figura 8.2.
La diferencia entre una variable impulso y una escalón es que el efecto de la primera es
transitorio y de la segunda es permanente. La relación entre impulsos y escalones es:
௛
‫ܫ‬௧௛ = ܵ௧௛ - ܵ௧ିଵ = ‫୲׏‬୦ (8.6)
donde ‫׏‬ൌ ሺͳ െ ሻ es el operador diferencia egular.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

8.3. Valores Dtípicos

En la sección anterior se presentaron las herramientas para modelar fenómenos o suce-
sos puntuales conocidos por medio de los modelos de regresión dinámica o mediante el
análisis de intervención. Sin embargo, en las series temporales reales es común encon-
trar hechos puntuales que desconocemos. Dentro de estos eventos podemos definir los
errores de medición, eventos extraordinarios en su magnitud, fallos de los sistemas de
registro, etc. Las observaciones afectadas por esas intervenciones pueden representar
una estructura diferente de las demás y aparecer como datos atípicos, no generados
aparentemente como los demás.
Es importante poder identificar estas situaciones desconocidas, porque por ejemplo si
sus efectos son grandes pueden sesgar la estimación de los parámetros y producir malas
predicciones.
Podemos encontrarnos con cuatro tipos de datos atípicos (outliers): Outlier Aditivo,
Outlier Innovacional, Cambio de nivel y Cambio Temporal. Las características más
importantes de éstos son:

191

El outlier aditivo (AO) es un evento externo a la serie que incide en la serie en un solo
instante temporal. Su efecto es independiente de la evolución de la serie.
El outlier innovacional (IO) es un evento externo que afecta a la serie a partir de un
instante temporal y se propaga al resto de valores a partir de ese momento. Sus efectos
están ligados a la evolución de la serie.
El cambio de nivel (LS) es un evento externo que afecta a la serie a partir de un instante
temporal temporal y su efecto persiste a lo largo del tiempo (tiene carácter permanen-
te). El LS se caracteriza por provocar un cambio brusco en la serie en un instante de-
terminado y por el hecho de que sus efectos son independientes de la evolución de la
serie.
El cambio temporal (TC) es un evento externo que afecta a la serie a través de un cam-
bio brusco en un instante temporal determinado de forma transitoria, a partir de este
instante temporal su efecto decae progresivamente de acuerdo con un factor de amorti-
guamiento. Sus efectos son independientes de la evolución de la serie.

8.3.1. Atípicos aditivos (AO)

Diremos que ha ocurrido un AO sobre una serie temporal en el momento ݄ si el valor
de la serie se genera en ese instante diferente que el resto. El modelo que seguirá la
serie ‫ݖ‬௧ observada si ha sido afectada por un AO en ‫ ݐ‬ൌ ݄ es
‫ݕ‬௧ ‫݄ ് ݐ݅ݏ‬
‫ݖ‬௧ ൌ ቐ (8.7)
‫ݕ‬௧ ൅ ‫ݓ‬஺ ‫ ݐ‬ൌ ݄
donde ୲ es la serie no contaminada por atípicos, que suponemos sigue un modelo
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ARIMA:
୲ ൌ ɗሺሻ୲

entonces, el modelo que sigue la serie observada, ୲ , es

ሺ୦ሻ
୲ ൌ ୅ +ɗሺሻ୲ (8.8)

Este modelo es idéntico al de análisis de intervención con impulso. La diferencia es

que en el apartado anterior la variación ‫ ܫ‬ሺ௛ሻ se supone conocida, mientras que ahora el
instante ݄ es desconocido.

8.3.2. Atípicos innovativos (IO)

Diremos que ha ocurrido un atípico innovativo en la serie ‫ݕ‬௧
(‫ݕ‬௧ ൌ ߰ሺ‫ܤ‬ሻܽ௧ ) en el momento ‫ ݐ‬ൌ ݄ cuando la innovación en ese punto es directa-
mente afectado por una cantidad desconocida debida al suceso atípico. Recordemos
que la innovación representa el efecto agregado de todas las variables que influyen

192

sobre la serie observada de forma aleatoria. Un atípico sobre la innovación puede inter-
pretarse como un cambio imprevisible en las variables que afectan la evolución de la
serie. También puede ser visto como una variación en el error de predicción de la serie
en un punto, debido a cambios en las condiciones externas.
El modelo para la serie sería
ሺ୦ሻ
୲ ൌ ɗሺሻሺ୍ +୲ ሻ (8.9)

Cuando ocurre un IO en ‫ ݐ‬ൌ ݄ los residuos estimados (conociendo los parámetros del
proceso) serán iguales a las innovaciones en todos los puntos excepto en ‫ ݐ‬ൌ ݄. El
efecto de un IO sobre la serie es muy distinto que el de un AO porque este último pro-
duce un efecto fijo, una alteración en la observación, mientras que el efecto de un IO
sobre la serie depende del modelo. El efecto en la serie de un IO se propaga siguiendo
el mismo patrón dinámico que ésta sigue.

8.3.3. Cambio de nivel (LS)

La serie ‫ݕ‬௧ ha sufrido un cambio de nivel en ݄ si

ሺ୦ሻ
୲ ൌ ୐ ୲ +ɗሺሻ୲ (8.10)

ሺ௛ሻ
donde ܵ௧ es una variable escalón del tipo

Y por tanto
‫ݕ‬௧ ‫ ݐ݅ݏ‬൏ ݄
‫ݖ‬௧ ൌ ቐ (8.12)
‫ݕ‬௧ ൅ ‫ݓ‬௅ ‫ ݐ‬൒ ݄

con
୲ ൌ ɗሺሻ୲

Si el proceso es estacionario un cambio de nivel convertirá la serie en no estacionaria,

ya que la esperanza de cada observación será ߤ antes del cambio y ߤ+ ‫ݓ‬௅ después.

193

8.3.4. Cambio transitorio (TC)

Un atípico transitorio es un suceso cuyo efecto en la serie observada perdura pero no
permanece
୵౐ి ሺ୦ሻ
୲ ൌ ൅ ɗሺሻ୲ (8.13)
ሺଵିஔ୆ሻ ୲

Con Ͳ ൏ Ɂ ൏ ͳ. Si Ɂ ൌ Ͳ ֜ y si Ɂ ൌ ͳ ֜ . Habitualmente Ɂ ൌ ͲǤ͹. Luego del

impacto inicial, el efecto del atípico cae gradualmente. El parámetro ߜ determina la
velocidad con la que el efecto del atípico desaparece en el nivel de la serie.
୲ ൌ ɗሺሻ୲

Otro efecto de interés es el efecto rampa que se modeliza mediante

ሺ୦ሻ
୲ ൌ ୖ ୲ +ɗሺሻ୲ (8.14)

con

‫ ݐ‬൅ ͳ െ ݄‫ ݐ݅ݏ‬൒ ݄

ሺ୦ሻ
୲ ൌ൝ (8.15)
Ͳ ‫ ݐ݅ݏ‬൏ ݄

Donde la variable rampa introduce un tendencia determinista de pendiente ‫ݓ‬ோ a partir

del instante h.
En Peña (2005) se puede encontrar un análisis detallado sobre el efecto que producen
los atípicos en una serie temporal y los procedimientos de estimación de los mismos. El
efecto de un outlier AO, TC, o LS es independiente del modelo ARIMA para las series,
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

para los outliers AO y TC, el efecto es transitorio, mientras para el outlier LS es per-
manente y, en los tres casos, el efecto está limitado. Sin embargo, el efecto de un
outlier IO depende del modelo particular para las series. Después del impacto inicial de
un outlier IO, las series se verán fuertemente determinadas por outliers IO muy lejanos,
lo cual es una propiedad no deseable.

8.3.5. Métodos de detección de valores atípicos

En general una serie temporal puede contener más de un valor atípico, por ejemplo k
outliers, siendo su efecto combinado expresado de forma general como:
‫ݖ‬௧ ൌ ‫ݕ‬௧ ൅ σ௞௝ୀଵ ߴ௝ ሺ‫ܤ‬ሻ߱௝ ‫ܫ‬௝ǡ௧ (8.16)

donde zt denota la serie original contaminada de outliers; yt es la serie libre de outliers

que sigue un modelo ARIMA; el parámetro Ȧj es el efecto del outlier j; Ij,t es una va-
riable indicador que toma el valor 1 para t = T (T es el instante de localización del

194

outlier en cuestión) y 0 en otro caso; y ߴ௝ ሺ‫ܤ‬ሻ determina la dinámica del outlier ocu-
rriendo en t = T, de acuerdo al siguiente esquema:
ͳǢ ݂‫ܱܣݎ݋‬
‫ۓ‬
ۖ ଵ
ۖ ଵି஻ Ǣ ݂‫ܵܮݎ݋‬
ۖ
ߴ௝ ሺ‫ܤ‬ሻ ൌ ଵ (8.17)
‫ ۔‬ଵିఋ஻ ǡͲ ൏ ߜ ൏ ͳǢ ݂‫ܥܶݎ݋‬
ۖ
ۖ ఏሺ஻ሻ
ۖ ‫׎‬ሺ஻ሻ Ǣ ݂‫ܱܫݎ݋‬
‫ە‬

En la práctica, para el TC outlier, el valor del factor de amortiguamiento į es 0.7. ߠሺ‫ܤ‬ሻ

y ‫׎‬ሺሻ son la representación polinomial del proceso ARIMA para modelizar zt y B
es el operador retardo.
Se hace necesaria una metodología para detectar los valores atípicos presentados en
una serie temporal, como es de esperar que el momento de la ocurrencia, la magnitud y
la clasificación (AO, IO, LS, TC) sean desconocidos.
Las distintas metodologías consiguen dos objetivos:
Primero, obtener estimaciones robustas de los parámetros de modelos se series
temporales.
Segundo, revelar información de la localización y la naturaleza de los efectos
de los atípicos.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Esas metodologías en general siguen los siguientes pasos:

1) Se identifica el modelo de series temporales, sus parámetros y residuos sin to-
mar en cuenta los valores atípicos.
2) Se calculan los efectos de las cuatro clases de atípicos en los residuos para cada
instante ‫ݐ‬.
3) Se calculan estadísticos estandarizados (ߣூைǡ஺ைǡ௅ௌǡ்஼
௧ ) de los efectos de los atípi-
cos mediante ߪ௔ , siendo esta la desviación estándar de los residuos.
4) Si alguno de los estadísticos estandarizados supera el valor crítico c, existe la
posibilidad de presencia de un atípico y se corrige su efecto. La constante c es
positiva, y su valor establece la sensibilidad del procedimiento, siendo c = 3 para
alta sensibilidad, c = 3.5 para media y c = 4 para baja sensibilidad.
5) Iterativamente se estiman los nuevos parámetros del modelo de series tempora-
les conjuntamente con los atípicos identificados.

195

Ejemplo 8.3. En la Figura 8.5 se muestra el comportamiento de una característica téc-

nica de calidad “Aluminio libre” que se utiliza en el control de un determinado proceso
industrial. Se quiere analizar si la serie “Aluminio libre” contiene valores atípicos y
para ello se utilizó un procedimiento automático de detección y estimación de atípicos
cuyos resultados se pueden observar en la Tabla 8.1.

0,22

0,21

0,2

0,19

0,18

0,17
0 40 80 120 160

Figura 8.5. Serie temporal del Aluminio libre (“Aluminio libre”).

El software utilizado considera como criterio umbral el ȁ‫ ݐ‬െ ‫݁ݑ݈ܽݒ‬ȁ (valor absoluto del
ratio de la estimación del parámetro y su error standard) mayor que el valor crítico de 3
para clasificar una observación como un outlier. La Tabla 8.1 muestra el resultado del
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

análisis de atípicos.
La serie temporal presenta más de un valor atípico, concretamente 11 outliers: 6 IO, 2
AO y 3 TC, siendo su efecto combinado expresado de forma general mediante el si-
guiente modelo según (8.16) y (8.17)
‫ݖ‬௧ ൌ ‫ݕ‬௧ ൅ σ௞௝ୀଵ ߴ௝ ሺ‫ܤ‬ሻ߱௝ ‫ܫ‬௝ǡ௧

zt = - 0.017I11 + 0.032I15 + 0.022I29 + 0.024I62 + 0.018I82 - 0.018I19 + 0.030/(1-0.7B)I95

-0.021/(1-0.7B)I97 -0.013I105 + 0.017I151 - 0.03/(1-0.7B)I159 +ܽ௧ /(1-B)

196

Tabla 8.1. Atípicos detectados

Instante t Estimación t-value Tip de outlier de-

Ȧj tectado
11 -0.017 -3.30 IO
15 0.032 5.99 IO
29 0.022 4.20 IO
62 0.024 4.56 IO
82 0.018 3.39 IO
84 -0.019 -5.00 AO
95 0.030 6.15 TC
97 -0.021 -4.22 TC
105 -0.013 -3.55 AO
151 0.017 3.15 IO
159 -0.030 -6.13 TC

Donde It es la variable indicador que toma el valor 1 para t = T and 0 en otro caso. La
serie yt libre de atípicos puede observarse en la Figura 8.6.

0,2
0,18
0,16
0,14 Figura 8.6. Serie temporal “Aluminio libre” libre de atípicos.
0 30 60 90 120 150 180

197

Ejemplo 8.4. Se desea modelizar un cambio de nivel en la producción diaria de un

componente para la industria del automóvil. Para ello se ha estudiado la serie “produc-
ción diaria en unidades” observándose en la Figura 8.7 un presumible cambio de nivel
en el instante t = 47. Formular el mejor modelo para recoger este cambio de nivel si es
aceptable.

La serie observada ܻ௧ tiene 85 observaciones de la producción diaria en unidades fabri-

cadas. Una representación gráfica dada por la Figura 8.7 puede ayudarnos a vislumbrar
un posible aumento sostenido de la producción.

Figura 8.7. Serie “producción diaria en unidades”

Aparentemente se intuye un cambio de nivel sostenido a partir del día 47 de produc-

ción. El efecto de la intervención puede ser modelizado mediante las ecuaciones que se
presentan a continuación según (8.5).
߱ሺ‫ܤ‬ሻ
ܻ௧ ൌ ܿ ൅
‫ ܫ‬൅ ܰ௧
ߜሺ‫ܤ‬ሻ ௧
ఠሺ஻ሻ
Donde ܻ௧ es la serie observada, c es una constante, explica la naturaleza del im-
ఋሺ஻ሻ
pacto de la intervención en la serie, ‫ܫ‬௧ es la variable indicativa de la intervención y ܰ௧
es la componente de ruido. El cambio de nivel puede ser caracterizado con una variable
indicativa tipo escalón definida de la siguiente manera (8.11).

Ͳ ൏ Ͷ͹
ሺସ଻ሻ
‫ܫ‬௧ ൌ ୲ ൌ൝
ͳ ൒ Ͷ͹

198

y la naturaleza del impacto de la intervención en la serie para explicar el cambio de

ఠሺ஻ሻ
nivel permanente se reduce a ൌ ߱. El tipo de modelo a estimar será:
ఋሺ஻ሻ
ሺସ଻ሻ
ܻ௧ ൌ ܿ ൅ ߱୲ ൅ ܰ௧
representado en la Figura 8.8.
La estimación de un modelo de intervención se realiza por máxima verosimilitud como
los modelos ARIMA normales. Los parámetros a estimar son los del modelo ARIMA
para el ruido y los de la intervención.

Figura 8.8. Representación del modelo a estimar

La metodología de ajuste es la siguiente:

a) Ajustamos un modelo ARIMA para el ruido ܰ௧ con las 46 primeras observa-
ciones de la serie, es decir antes de la intervención. En este caso ha resultado
ser un MA(1)
ܰ௧ ൌ ሺͳ െ ߠ‫ܤ‬ሻܽ௧
con ܽ௧ ̱‫݋݈ܾܿ݊ܽ݋݀݅ݑݎ‬.

b) Ajustamos el modelo completo con un software apropiado,

ሺସ଻ሻ
୲ ൌ ൅ ɘ୲ ൅ ሺͳ െ ߠ‫ܤ‬ሻܽ௧

199

Obteniendo la Tabla 8.2 de estimación de parámetros:

Tabla 8.2. Estimación parámetros del modelo propuesto

Parameter Estimate Std. Error t-statistic

c 1794.50 34.6732 51.75
ɘ 483.06 51.1227 9.45
ߠ -0.099 0.1086 -0.91

c) Reformular un modelo para el ruido ya que el parámetro Ʌ no ha resultado

significativo. Vamos a simplificar el modelo tomando ୲ ൌ ୲ y por tanto
tendremos, una vez comprobando que ୲ ̱ ǡ el modelo definitivo
ሺସ଻ሻ
୲ ൌ ͳ͹ͻͶǤͷ ൅ Ͷͺ͵ǤͲ͸୲ ൅ ܽ௧

Como conclusiones podemos decir que por término medio la producción era
de unas 1800 uds diarias antes de la intervención y que a partir del día 47 se
produjo un aumento sostenido de la misma de 483 uds, alcanzando una pro-
ducción media de unas 2300 uds diarias.

Ejemplo 8.5. Para evaluar la seguridad en un reactor nuclear se ha simulado un transi-

torio termo-hidráulico producido por un tipo de accidente determinado. La característi-
ca técnica de interés es el pico de máxima potencia energética registrada durante dicho
transitorio. La Figura 8.9 muestra la evolución de los valores máximos de la variable
potencia frente al tiempo.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Time Series Plot for maxPower

6
maxPower

0
0 1 2 3 4 5
Time

Figura 8.9. Serie temporal Potencia

200

El análisis descriptivo de la serie temporal nos sugiere que un modelo de intervención

con una variable indicativo tipo impulso según Figura 8.1. Se aprecia que hay un de-
caimiento rápido y amortiguado, por lo que se plantea el siguiente modelo para explicar
la dinámica temporal del transitorio.
߱଴ ሺ்ሻ ͳ
ܼ௧ ൌ ܿ ൅ ‫ܫ‬௧ ൅ ࣵ
ͳ െ ߜଵ ‫ܤ‬ ͳ െ ‫׎‬ଵ ‫ ܤ‬௧
ሺ்ሻ
‫ܫ‬௧ ൌ ͳ cuando t = T = 2.124 seconds y 0 en otro caso. El efecto de amortiguamiento
rápido es modelizado mediante ߜሺ‫ܤ‬ሻ ൌ ͳ െ ߜଵ ‫ܤ‬.
Tabla 8.3. Estimación parámetros del modelo propuesto

Parámetro Estimación Std. error t-value

c 0.0616 0.0127 4.85
‫׎‬ଵ 0.1437 0.1003 1.43
ɘ଴ 7.5887 0.1188 63.88
Ɂଵ 0.4571 0.0124 36.86

La estimación de ‫׎‬ଵ no ha resultado estadísticamente significativa (ȁ‫ݐ‬ȁ< 2). El mode-

lo finalmente estimado es:
͹Ǥͷͺͺ͹ ሺ்ሻ
௧ ൌ ͲǤͲ͸ͳ͸ ൅ ‫ ܫ‬൅ ࣵ௧
ͳ െ ͲǤͶͷ͹ͳ ௧

Los residuos ܽ௧ siguen un ruido blanco con ܽ௧ ~ N(0, ı2 = 0.01339). La Figura 8.10
muestra la serie original en línea gruesa y la predicha por el modelo de intervención
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

(trazo discontinuo).
6
x$power

4
2
0

0 20 40 60 80 100 120

x$t

Figura 8.10. Serie temporal Potencia real y predicha por el modelo

201

Ejemplo 8.6. Se ha estudiado el efecto de un cambio legal producido en el instante

t = 15, en el consumo mensual de dos productos X e Y que compiten en el mismo mer-
cado. El efecto de la intervención ha sido modelizada mediante las ecuaciones que se
presentan a continuación. ¿Qué efecto ha producido en la serie X dicho cambio legal?,
¿ y en Y ?

ሺଵହሻ ሺଵି଴Ǥଽଶଵ୆ሻ
Producto X: ܺ௧ ൌ ͺͷ୲ ൅ ୲
ሺଵି୆ሻ

ሺଵହሻ ሺଵି଴Ǥ଻ହଷ୆ሻ
Producto Y: ܻ௧ ൌ െͳͷ୲ ൅ ୲
ሺଵି୆ሻ

donde el cambio legal queda caracterizado con una variable indicativa tipo escalón
definida de la siguiente manera

Ͳ ൏ ͳͷ
ሺଵହሻ
୲ ൌ൝
ͳ ൒ ͳͷ

Del modelo de intervención para el producto X se desprende que el impacto es positivo

produciéndose un aumento de 85 unidades después del cambio legal. Por el contrario
del modelo de intervención para el producto Y se desprende que el impacto ha sido
negativo disminuyendo en consumo en 15 unidades.

Ejemplo 8.7. Se quiere analizar si una determinada serie temporal contiene valores
atípicos y para ello se utilizó un procedimiento automático de detección y estimación
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

de atípicos cuyos resultados se pueden observar en la Tabla 8.4. Construir el modelo

que explica el comportamiento observado de la serie

En general una serie temporal puede contener más de un valor atípico, por ejemplo k
outliers, siendo su efecto combinado expresado de forma general como:
௞

‫ݖ‬௧ ൌ ‫ݕ‬௧ ൅ ෍ ߴ௝ ሺ‫ܤ‬ሻ߱௝ ‫ܫ‬௝ǡ௧

௝ୀଵ

El software utilizado considera como criterio umbral el ȁ‫ ݐ‬െ ‫݁ݑ݈ܽݒ‬ȁ (valor absoluto del
ratio de la estimación del parámetro y su error standard) mayor que el valor crítico de
2.8 para clasificar una observación como un outlier. El modelo completo a estimar,
según (8.16) y (8.17), es el siguiente:

202

‫ݖ‬௧ ൌ ‫ݕ‬௧ ൅
ɘଵ ሺଷ଻ሻ ɘଶ ሺଵଷଷሻ ɘଷ ሺଷଽሻ ɘସ ሺଵ଴ଽሻ ሺଷସሻ
‫ ୲ܫ‬൅ ‫୲ܫ‬ ൅ ‫ ୲ܫ‬൅ ‫୲ܫ‬ ൅ ɘହ ୲
ͳെ‫ܤ‬ ͳെ‫ܤ‬ ͳ െ ͲǤ͹‫ܤ‬ ͳ െ ͲǤ͹‫ܤ‬
ɘ଺ ሺଵସ଼ሻ
൅ ‫ܫ‬
ͳെ‫୲ ܤ‬

Con ୲ ൌ ɗሺሻࣵ୲ :

‫׏‬ଶ ‫׏‬ଵଶ ୲ ൌ ሺͳ െ Ʌଵ ሻሺͳ െ ȣଵ ଵଶ ሻࣵ୲

y ܽ௧ ̱‫݋݈ܾܿ݊ܽ݋݀݅ݑݎ‬.

Tabla 8.4. Atípicos detectados

Parámetro Estimación t-value outlier

Ʌଵ 0.828 -15.19 -

ȣଵ 0.943 -17.30 -

ɘଵ 0.823 6.78 LS

ɘଶ 0.515 4.24 LS

ɘସ -0.456 -4.20 TC

ɘହ -0.262 -3.21 AO

ɘ଺ 0.344 2.83 LS

En este caso se han detectado 6 datos atípicos: 3 cambios de nivel (LS), 2 cambios
transitorios (TC) y un atípico aditivo (AO) sin observarse ningún atípico innovativo
(IO).

203

9.1. Introducción
En los modelos estudiados hasta ahora se ha considerado la predicción de una serie
temporal basada en su propio pasado, constituyendo los conocidos modelos univarian-
tes. Ahora vamos a introducir cómo hacer predicciones de una serie temporal cuando se
conoce además de su propio pasado, el pasado y presente de otra serie temporal que
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

pueda estar relacionada con la misma. En esta sección vamos a estudiar la relación
entre una serie temporal input (Xt) y una serie temporal output (Yt). Esta relación es
conocida como modelo de regresión dinámica o modelos de función de transferencia-
ruido. En el caso más sencillo estamos considerando que la relación entre las dos va-
riables es instantánea y podemos aplicar el modelo de regresión lineal simple. En otros
muchos casos esta relación puede no ser instantánea y presentar una naturaleza más
compleja transmitiéndose con ciertos retardos en el tiempo. Es habitual encontrar que
la dependencia de Yt puede ser no con Xt sino con Xt-k, siendo el retardo k desconocido,
o con todos los valores pasados de Xt (Xt, Xt-1, Xt-2,…, Xt-k).
Como hipótesis, suponemos que el presente y el pasado del input influyen en el presen-
te del output, pero no al revés, es decir, no existe retroalimentación o efecto “feed-
back”. Por tanto se cumplirá que la correlación entre Yt y Xt+k es nula y los valores
futuros de X no dependen de los valores pasados y presentes de Y, y además, la correla-
ción entre Xt y Yt+k puede ser no nula dependiendo los valores futuros de Y de los valo-
res pasados y presentes de X.

205

Estos modelos pueden seguirse con detalle en Peña (2005), y en González y del Puerto
(2009).

9.2. Modelo Iunción de Wransferencia-Uuido

Para explicar la relación dinámica que existe entre una serie temporal estacionaria input
(Xt) y una serie temporal estacionaria output (ܻ௧ ) podemos formular el siguiente mode-
lo, conocido como Función de Transferencia-Ruido:
ܻ௧ ൌ ܸሺ‫ܤ‬ሻܺ௧ ൅ ܰ௧ ൌ ɓ଴ ܺ௧ ൅ ɓଵ ܺ௧ିଵ ൅ ɓଶ ܺ௧ିଶ ൅ ǥ ൅ ɓ௞ ܺ௧ିୠ ൅ ܰ௧ =

ൌ ሺɓ଴ ൅ ɓଵ ଵ ൅ ɓଶ ଶ ൅ ǥ ൅ ɓ௞ ௕ ሻܺ௧ ൅ ܰ௧ (9.1)

donde ܸሺ‫ܤ‬ሻ se conoce como función de transferencia de orden k y a sus coeficientes ɓ௜

(constantes a determinar) como la función de respuesta a impulso; siendo ܰ௧ un proce-
so de ruido que engloba los efectos combinados de todos los demás factores que están
influenciando a ܻ௧ y no se tienen en cuenta en el modelo.
Podemos escribir la función transferencia como el cociente de dos polinomios y rescri-
bir la relación dinámica
ఠೞ ሺ஻ሻ
ܸሺ‫ܤ‬ሻ ൎ ‫ܤ‬௕ (9.2)
ఋೝ ሺ஻ሻ

ߜ௥ ሺ‫ܤ‬ሻ ൌ ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥ (9.4)

La ec. (9.1) se puede reescribir como

߱ሺ‫ܤ‬ሻ ௕ ߱ሺ‫ܤ‬ሻ
ܻ௧ ൌ ܸሺ‫ܤ‬ሻܺ௧ ൅ ܰ௧ ൎ ‫ܺ ܤ‬௧ ൅ ܰ௧ ൌ ܺ ൅ ܰ௧ ൌ
ߜሺ‫ܤ‬ሻ ߜሺ‫ܤ‬ሻ ௧ି௕

ఠబ ିఠభ ୆భ ିఠమ ୆మ ିǥିఠೞ ୆ೞ

ൌ ܺ௧ି௕ ൅ ܰ௧ (9.5)
ଵିఋభ ୆భ ିఋమ ୆మ ିǥିఋೝ ୆ೝ

El proceso estacionario de ruido ܰ௧ no tiene por qué ser ruido blanco y por tanto puede
ser explicado mediante un modelo ARIMA(p,q) que podemos estimar como
ܰ௧ ̱‫ܣܯܫܴܣ‬

፽ሺ஻ሻ
෡௧ ൌ
ܰ ܽ௧ (9.6)
థሺ஻ሻ

206

Resumiendo:

Modelo Función de Transferencia-Ruido con un sólo input

߱௦ ሺ‫ܤ‬ሻ ௕
௧ ൌ ܿ ൅ ‫ ܤ‬௧ ൅ ܰ௧
ߜ௥ ሺ‫ܤ‬ሻ

߱௦ ሺ‫ܤ‬ሻ ൌ ߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦

ߜ௥ ሺ‫ܤ‬ሻ ൌ ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥

donde
ܻ௧ : serie temporal a predecir (output)

ܺ௧ : serie temporal explicativa (input)

ܰ௧ : proceso de ruido y ܰ௧ ̱‫ܣܯܫܴܣ‬

c, r, s y b son constantes a determinar

El modelo anterior se puede generalizar sin dificultad al caso de 2 o más inputs. Para
ajustar los modelos de FT-Ruido existen dos métodos: el método del preblanqueo (Box
y Jenkins, 1970) y el método FTL (Pankratz, 1991).
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Ejemplo 9.1 Se desea estudiar el impacto del precio horario de la energía eléctrica (ܲ௧ )
conociendo la demanda horaria de la misma (‫ܦ‬௧ ). Para ello se desarrolla un modelo de
FT-Ruido cuya formulación definitiva (estimado y validado) viene dado por la ecua-
ción (9.7). Se desea, a) identificar los términos de la FT, b) estudiar el impacto de la
demanda sobre el precio, y c) Determinar la ecuación de predicción del precio en fun-
ción de la demanda horaria

ଵି଴Ǥ଻଼஻మర
‫׏‬ଶସ ܲ௧ ൌ ͲǤͲͳͺ‫׏‬ଶସ ‫ܦ‬௧ ൅ ܽ௧ (9.7)
ଵି଴Ǥ଼஻

a) Identificación de los términos de la FT

De las ec. (9.3) y (9.5) podemos determinar que s = 0, ߱௦ ሺ‫ܤ‬ሻ ൌ ߱଴ , ܻ௧ ൌ ܲ௧ y ܺ௧ ൌ ‫ܦ‬௧

207

b) Impacto de la demanda sobre el precio

Como se puede observar en el modelo de FT dado por (7) sólo existe un valor signifi-
cativo, el correspondiente a ߱଴ = 0.018, de lo que se deduce que la influencia es instan-
tánea, es decir, el valor de la demanda que influye en el precio es el de la misma hora
que la del precio que se está calculando.

c) Ecuación de predicción del precio en función de la demanda

ͳ െ ͲǤ͹ͺ‫ܤ‬ଶସ
‫׏‬ଶସ ܲ௧ ൌ ͲǤͲͳͺ‫׏‬ଶସ ‫ܦ‬௧ ൅ ܽ
ͳ െ ͲǤͺ‫ ܤ‬௧
ሺͳ െ ͲǤͺሻሺͳ െ ଶସ ሻܲ௧ ൌ ͲǤͲͳͺሺͳ െ ͲǤͺሻሺͳ െ ଶସ ሻ‫ܦ‬௧ ൅ ሺͳ െ ͲǤ͹ͺ‫ܤ‬ଶସ ሻܽ௧
ܲ௧ െ ܲ௧ିଶସ െ ͲǤͺܲ௧ିଵ ൅ ͲǤͺܲ௧ିଶହ ൌ ͲǤͲͳͺ‫ܦ‬௧ െ ͲǤͲͳͺ‫ܦ‬௧ିଶସ ൅ ܽ௧ െ ͲǤ͹ͺܽ௧ିଶସ

Y por tanto la ecuación de predicción será:

ܲ௧ ൌ ܲ௧ିଶସ ൅ ͲǤͺܲ௧ିଵ െ ͲǤͺܲ௧ିଶହ ൅ ͲǤͲͳͺ‫ܦ‬௧ െ ͲǤͲͳͺ‫ܦ‬௧ିଶସ െ ͲǤ͹ͺܽ௧ିଶସ

9.3. Concepto de ganancia de la Iunción de Wransferencia

La ganancia de la Función de Transferencia representa el efecto a largo plazo que expe-
rimenta ܻ௧ cuando ܺ௧ aumenta en una unidad y permanece constante a continuación. Se
determina de la siguiente manera
ൌ ܸሺͳሻ ൌ σஶ
௜ୀ଴ ‫ݒ‬௜ (9.8)

En el caso de representar la función de transferencia como cociente de polinomios, la

ganancia sería
σೞೕసబ னౠ
ൌ ܸሺͳሻ ൌ (9.9)
ଵିσೝ೔సభ ஔ౟

Un modelo de FT será estable si la ganancia es finita y por tanto se cumple que

ஶ

෍ȁ‫ݒ‬௜ ȁ ൏ λ
௜ୀ଴

lo que implica que un aumento finito en la serie input ܺ௧ produce un efecto finito en la
serie salida ܻ௧ .
En el ejemplo 9.1 tendríamos que la ganancia del sistema es precisamente
ൌ ܸሺͳሻ = 0.018, lo cual significa que un aumento de una unidad de demanda eléctri-
ca produce un aumento instantáneo de 0.018 unidades monetarias en el precio de la
misma.

208

Veamos unos ejemplos de cómo se determina la ganancia de un sistema con diferentes

modelos de FT.
Ejemplo 9.2 Determinar la ganancia del siguiente modelo estimado de FT-Ruido,
୲ ൌ ͳ͵Ǥ͹ ൅ ͲǤͳ͵୲ ൅ ͲǤͳͷ୲ିଵ ൅ ͲǤͲͲͷ୲ିଶ ൅ ୲

, según la ec. (9.8),

ൌ ܸሺͳሻ ൌ σஶ
௜ୀ଴ ‫ݒ‬௜ ൌ0.13+0.15+0.005= 0.285

lo que implica que un aumento de una unidad en ܺ௧ produce un aumento de 0.285 uni-
dades en ܻ௧ .
Ejemplo 9.3. Determinar la ganancia del siguiente modelo estimado de FT-Ruido,
ି଴Ǥହସି଴Ǥଷଶ୆ି଴Ǥସଽ୆మ ଵ
୲ ൌ ୲ିଷ +
ଵି଴Ǥହଽ୆ ሺଵି଴Ǥଽ଼୆ା଴Ǥଵ଻୆మ ሻ ୲

La ganancia será, según la ec. (9.9),

σ௥௝ୀ଴ ɘ୨
ൌ ܸሺͳሻ ൌ ൌ
ͳ െ σ௦௜ୀଵ Ɂ୧

߱଴ െ ߱ଵ െ ߱ଶ െ ǥ െ ߱௦ െͲǤͷͶ െ ͲǤ͵ʹ െ ͲǤͶͻ

ൌ ൌ െ͵Ǥʹͻ
ͳ െ ߜଵ െ ߜଶ െ ǥ െ ߜ௥ ͳ െ ͲǤͷͻ

unidades en ܻ௧ .

Ejemplo 9.4. La estimación final, una vez eliminados los parámetros no significativos,
de un modelo de FT con un determinado software se muestra en la Tabla 4.1. Estudiar
la ganancia del sistema.

El modelo de FT viene dado por la ec. (9.1)

ܻ௧ ൌ ܿ ൅ ɓ଴ ܺ௧ ൅ ɓଵ ܺ௧ିଵ ൅ ɓଶ ܺ௧ିଶ ൅ ɓଷ ܺ௧ିଷ ൅ ǥ ൅ ɓ௞ ܺ௧ି୩ ൅ ܰ௧

209

Tabla 4.1. Salida software de la estimación parámetros

Parameter Estimate Std. Error t-Statistic P-value.

C 53.38732 0.161915 329.7244 0.0000

ɓଷ
-0.554976 0.077161 -7.192394 0.0000
ɓସ
-0.643522 0.081766 -7.870296 0.0000
ɓହ
-0.860000 0.081696 -10.52688 0.0000
ɓ଺
-0.483862 0.081686 -5.923433 0.0000
ɓ଻
-0.362452 0.076933 -4.711265 0.0000

El modelo de transferencia quedaría como

ܻ௧ ൌ ͷ͵Ǥ͵ͻ െ ͲǤͷͷܺ௧ିଷ െ ͲǤ͸Ͷܺ௧ିସ െ ͲǤͺ͸ܺ௧ିହ െ ͲǤͶͺܺ௧ି଺ െ ͲǤ͵͸ܺ௧ି଻ ൅ ܰ௧

con una ganancia de, según la ec. (9.8),

ஶ

ൌ ܸሺͳሻ ൌ ෍ ‫ݒ‬௜ ൌ െͲǤͷͷ െ ͲǤ͸Ͷ െ ͲǤͺ͸ െ ͲǤͶͺ െ ͲǤ͵͸ ൌ െʹǤͺͻ

௜ୀ଴

Como el primer retardo significativo es k = 3 podemos decir que la respuesta en ܻ௧ no

empieza a manifestarse hasta 3 periodos después de que se produjo el cambio en ܺ௧ . Si
la variable ܻ௧ son, por ejemplo, los gastos energéticos mensuales de una ciudad y ܺ௧ la
inversión en campañas de concienciación ciudadana, podrimos decir que los efectos de
la campaña empezarían a notarse a partir del tercer mes a partir del cual cada euro in-
vertido en concienciación revierten en una reducción de 2.89 euros en los gastos ener-
géticos de dicha ciudad.

210

଴Ǥ଼
Ejemplo 9.5. Dada la siguiente FT, ܻ௧ ൌ ܺ ǡcalcular la ganancia del sistema,
ଵି଴Ǥହ୆ ௧
a) de forma directa, y b) calculando numéricamente la función respuesta a un impulso
unitario mantenido tipo escalón.

De forma directa, según la ec. (9.9),

σ௦௝ୀ଴ ɘ୨ ͲǤͺ
ൌ ܸሺͳሻ ൌ ௥ ൌ ൌ ͳǤ͸
ͳ െ σ௜ୀଵ Ɂ୧ ͳ െ ͲǤͷ

a) Función escalón

Podemos escribir la FT de la siguiente manera:

ܻ௧ ൌ ͲǤͷܻ௧ିଵ ൅ ͲǤͺܺ௧

Tenemos un escalón unitario ܺ௧ ൌ ͳ para todo t 0, por tanto podemos calcular el

valor de ܻ௧ con t 0:

t = 0: ܻ଴ ൌ ͲǤͷܻ଴ିଵ ൅ ͲǤͺܺ଴ ൌ ͲǤͷ ൉ Ͳ ൅ ͲǤͺ ൉ ͳ ൌ ͲǤͺ

t = 1: ܻଵ ൌ ͲǤͷܻ଴ ൅ ͲǤͺܺଵ ൌ ͲǤͷ ൉ ͲǤͺ ൅ ͲǤͺ ൉ ͳ ൌ ͳǤʹ
t = 2: ܻଶ ൌ ͲǤͷܻଵ ൅ ͲǤͺܺଶ ൌ ͲǤͷ ൉ ͳǤʹ ൅ ͲǤͺ ൉ ͳ ൌ ͳǤͶ
t = 3: ܻଷ ൌ ͲǤͷܻଶ ൅ ͲǤͺܺଷ ൌ ͲǤͷ ൉ ͳǤͶ ൅ ͲǤͺ ൉ ͳ ൌ ͳǤͷ
t = 4: ܻସ ൌ ͲǤͷܻଷ ൅ ͲǤͺܺସ ൌ ͲǤͷ ൉ ͳǤͷ ൅ ͲǤͺ ൉ ͳ ൌ ͳǤͷͷ
……… ……………….
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

t = 8: ଼ܻ ൌ ͲǤͷܻ଻ ൅ ͲǤͺ଼ܺ ൌ ͲǤͷ ൉ ͳǤͷͻ ൅ ͲǤͺ ൉ ͳ ൌ ͳǤͷͻͷ

211

Observamos como converge para ‫ ݐ‬՜ λ a 1.6. Gráficamente:

ܺ௧ ܻ௧

Ejemplo 9.6. En una determinada comunidad española se ha estudiado la relación que

existe entre el IPC y el paro femenino. Para ello se ha seleccionado como input el IPC
(IPCt) y como output el número mensual de mujeres desempleadas (DFt). Para ello se
desarrolla un modelo de FT-Ruido cuya formulación definitiva (estimado y validado)
se puede observar en la ec. (9.10). Interpretar el resultado y el impacto del IPC en el
paro femenino.

El modelo FT-Ruido estimado y validado es el siguiente:

(1 − B )(1 − B12 ) DFt = (1 − B )(1 − B12 ) IPCt + (1 − 0.39 B)(1 + 0.33B12 ) Z t (9.10)
(1 + 0.89 B )
La ganancia de la función de transferencia es
σ௦௝ୀ଴ ɘ୨ െͳͳʹǤͺͶ
ൌ ܸሺͳሻ ൌ ௥ ൌ ൌ െͷͻǤ͹Ͳ
ͳ െ σ௜ୀଵ Ɂ୧ ͳ ൅ ͲǤͺͻ

La ganancia de la FT ha resultado negativa, por tanto un aumento del IPC tiene como
resultado una disminución del paro femenino. Podemos decir que una variación del
incremento mensual del incremento anual de una unidad en el IPC hace que el incre-
mento mensual del incremento anual en el número de mujeres paradas el mismo mes
sea de 60 desempleadas menos.

212

9.4. Método del preblanqueo

Se trata del primer método desarrollado por Box y Jenkins y utiliza la función de corre-
lación cruzada como herramienta básica. Para explorar la posible relación entre una
serie temporal estacionaria input (Xt) y una serie temporal estacionaria output (Yt) se
suele utilizar la función de correlación cruzada (CCF) entre ambas series. La CCF es
una herramienta básica en la identificación del modelo de función de transferencia,
similar a las funciones de autocorrelación, y definidas como el cociente entre las cova-
raianzas de Xt y de Yt, a distintos retardos y en ambas direcciones, y por el producto de
sus deviaciones típicas. A diferencia de las funciones de autocorrelación simple y par-
cial vistas para los modelos ARIMA, la CCF no es simétrica, correspondiendo para el
valor central de la misma (k = 0) al coeficiente de correlación lineal habitual entre las
mismas.
Si el input presenta autocorrelación, entonces pueden aparecer correlaciones espurias
sin sentido entre ambas series y por tanto pueden inducir a errores de estimación im-
portantes ya que la CCF tenderá a sugerir más relación entre las variables de la que
realmente existe. Por ello es importante tener en cuenta este hecho y realizar el pre-
blanqueo del input cuando sea necesario.
La correlación cruzada entre αt y βt, ρα,β (k), juega un papel importante a la hora de
identificar la función de transferencia entre el input y el output. Las funciones de trans-
ferencia que relacionan Yt con Xt y βt con αt son iguales. La función de covarianza cru-
zada entre αt y βt es proporcional a la función de respuesta a impulso V(B).Teniendo en
cuenta que αt es ruido blanco se puede demostrar que
Vk = (‫ݏ‬ஒ /‫ݏ‬஑ )·ρα,β (k) con k = 0,1,2,… (9.11)
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Con lo que vk es proporcional a la correlación cruzada entre el input y el output pre-

blanqueados en el retardo k.
La metodología de ajuste es la siguiente:
9 Paso 1: Preblanqueo del input. Modelización del input (Xt). Obtenemos los re-
siduos del ajuste αt que serán ruido blanco.

9 Paso 2: Preblanqueo del output mediante el mismo modelo que el obtenido pa-
ra el input. Modelización del output (Yt). Obtenemos los residuos del ajuste βt.

9 Paso 3: Cálculo de la CCF entre αt y βt, y la relación ɓ୩ ൌ(ஒ /஑ )·ρα,β (k).

9 Paso 4: Analizar la serie de los residuos del ajuste. Si los residuos son estacio-
narios identificar un modelo apropiado para la función de transferencia ܸሺ‫ܤ‬ሻ.
Determinar los valores de las constantes r, s y b. El valor de b es el número de
periodos anteriores a que Xt influya sobre Yt. El valor de r controla el patrón de

213

decaimiento de dicha influencia y el valor de s corresponde al número de pe-

riodos previos al comienzo del decaimiento.

෡ ୲ ൌ ୲ െ
9 Paso 5: Obtener la serie de errores de predicción mediante ෡୲

෡௧ ൌ ܻ௧ െ ܸ෠ ሺ‫ܤ‬ሻܺ௧ = ܻ௧ െ ఠෝሺ஻ሻ ‫ܤ‬௕ ܺ௧

ܰ ෡ ሺ஻ሻ ఋ

෡௧ ൌ ܻ௧ െ ܻ෠௧ ൌ
ܰ

ൌ ܻ௧ െ ሺߜመଵ ܻ෠௧ିଵ ൅ ߜመଶ ܻ෠௧ିଶ ൅ ǥ ൅ ߜመ௥ ܻ෠௧ି௥ ൅ ߱

ෝ଴ ܺ෠௧ି௕ െ ߱
ෝଵ ܺ෠௧ି௕ିଵ െ ߱
ෝଶ ܺ෠௧ି௕ିଶ െ ‫ڮ‬
െ߱ ෝ௦ ܺ෠௧ି௕ିୱ ሻ

Como ෡ ୲ debe ser un proceso estacionario podemos identificarlo de forma ha-

bitual como un modelo ARMA(p, q), de la forma (ec. 9.6):

፽ሺ‫ܤ‬ሻ
෡௧ ൌ
ܰ ܽ
߶ሺ‫ܤ‬ሻ ௧
9 Paso 6: Ajustar de nuevo el modelo completo con la especificación para el
ruido obtenida en el paso anterior. Obtención de los residuos del ajuste ܽ௧ .

9 Paso 7: Validación del modelo a través del análisis de los residuos del ajuste.
Comprobar que ܽ௧ es ruido blanco y no existe correlación con la serie input Xt,
para lo cual analizamos la CCF entre ܽ௧ y αt.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

214

Ejemplo 9.7. Se desea estudiar la relación dinámica que existe entre dos series tempo-
rales estacionarias correspondientes al conocido caso de Box-Jenkins “gas furnance”
(serie bivariante “J”) representadas en la Figura 4.1. Estudiar y determinar la relación
dinámica entre la serie input “ratio de gas de alimentación” a un horno y la serie output
“cantidad de CO2 producido en la combustión” mediante el conocido método de “pre-
blanqueo” propuesto por Box y Jenkins.

serie temporal input (Xt) serie temporal output (Yt)

Time Series Plot for Gas rate Time Series Plot for CO2
3,2 61
2,2
57
Gas rate

1,2

CO2
0,2
53
-0,8
-1,8 49
-2,8
0 50 100 150 200 250 300 45
0 50 100 150 200 250 300

Figura 4.1. Serie bivariante “J”, caso “gas furnance”

• Preblanqueo del input. Modelización del input (Xt)

f.a.s f.a.p
ACF Gas rate PACF Gas rate
1 1

0,6 0,6
ACF

PACF

-0,2 -0,2

-0.6 -0.6

-1 -1
0 5 10 15 20 25 0 5 10 15 20 25
retardo retardo

Los correlogramas sugieren un modelo autoregresivo de orden 3, AR(3), del tipo si-
guiente:
ܺ௧ ൌ ൅ ‫׎‬ଵ ܺ௧ିଵ ൅ ‫׎‬ଶ ܺ௧ିଶ ൅ ‫׎‬ଷ ܺ௧ିଷ ൅ ߙ௧

215

Lo estimamos mediante Statgraphics:

ARIMA ModelSummary

Parameter Estimate Stnd. Error t P-value

-----------------------------------------------------------------------
-------
AR(1) 1.97032 0.0548841 35.8996 0.0000
AR(2) -1.36384 0.0994767 -13.7102 0.0000
AR(3) 0.337436 0.0549045 6.14587 0.0000
Estimated white noise standard deviation = 0.188856

1.240507, 1.539788, 1.539788

Luego las tres raíces son en modulo mayor que 1 y por tanto el proceso es estacionario.
Obtenemos el siguiente modelo sin constante ya que no ha salido significativa (no mos-
trado en tabla anterior):
୲ ൌ ͳǤͻ͹୲ିଵ െ ͳǤ͵͸୲ିଶ ൅ ͲǤ͵Ͷ୲ିଷ ൅ Ƚ୲

dondeߙ௧ sigue un proceso de ruido blanco con una desviación típica

෡ଵ ܺ௧ିଵ ൅ ‫׎‬
ߙො௧ ൌ ܺ௧ െ ሺ‫׎‬ ෡ ଶ ܺ௧ିଶ ൅ ‫׎‬
෡ ଷ ܺ௧ିଷ ሻ

• Preblanqueo del output. Modelización del output (Yt)

El siguiente paso es el preblanqueo del output mediante el mismo modelo que el obte-
nido para el input (AR(3)) y se obtiene de este modo la serie de residuos:
෡ଵ ܻ෨௧ିଵ ൅ ‫׎‬
ߚመ௧ ൌ ܻ෨௧ െ ሺ‫׎‬ ෡ ଶ ܻ෨௧ିଶ ൅ ‫׎‬
෡ ଷ ܻ෨௧ିଷ ሻ= ܻ෨௧ െ(ͳǤͻ͹ܻ෨௧ିଵ െ ͳǤ͵͸ܻ෨௧ିଶ ൅ ͲǤ͵Ͷܻ෨௧ିଷ ሻ

donde ܻ෨௧ ൌ ܻ௧ െ ߤƸ ௒ , siendo ߤƸ ௒ el valor medio de la serie ܻ௧ . En este caso

ߤƸ ௒ ൌ ͷ͵Ǥͷͳ.Para obtener la serie de residuos (por ejemplo en una hoja de cálculo)
mediante el modelo recursivo podemos utilizar como conjunto de valores de arranque
ܻ෨௧ ൌ Ͳ para t =1, 2, 3. Se obtuvo dicha serie de residuos con una desviación típica
‫ݏ‬ஒ ൌ ͲǤ͵ͷͻͷͳͻ.

216

• Cálculo de la CCF entre αt y βt

La correlación cruzada entre αt y βt, ρα,β(h), juega un papel importante a la hora de
identificar la función de transferencia entre el input y el output. Las funciones de trans-
ferencia que relacionan Yt con Xt y βt con αt son iguales. Calculamos la correlación
cruzada entre αt y βt en función del retardo k:

CCF beta with alfa

0,6
CCF

0,2

-0,2

-0.6

-1
-25 -15 -5 5 15 25
retardo
Figura 4.2. Función de correlación cruzada

Nosotros sólo vamos a considerar que ρX,Y(k) = 0 para k < 0 ya que sólo estamos intere-
sados en conocer la relación lineal de X hacia Y. Por ello sólo tendremos en cuenta la
parte positiva (retardos positivos) de la CCF con ρα,β(k) = 0 para k < 0.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

La CCF para retardos k > 0 se presenta en la Figura 4.2 y en la Tabla 4.2. Una estima-
ción de la desviación estándar del error de los coeficientes de correlación cruzada viene
dado por aproximadamente ͳȀξ݊ , siendo n la longitud de las series. En este caso las
ଶ ଶ
bandas de confianza que aparecen el gráfico de la CCF serán ؆ ‫ ט‬ൌ ‫ט‬ ؆
ξ௡ ξଶଽ଺
‫Ͳט‬ǤͳʹǤ Podemos observar que la correlación cruzada para los retardo 0, 1 y 2 no son
significativamente distintas de cero. Este hecho indica que existe un retardo de 3 uni-
dades de tiempo en el sistema y esta relación cruzada se mantiene hasta el retardo 7
poniendo de manifiesto una relación dinámica en cinco periodos de tiempo. Esta rela-
ción dinámica entre ambas series se puede expresar de la forma Yt = V(B)Xt + Nt con
Yt , Xt y Nt procesos estacionarios y B denota el operador retardo. Según la ec. (9.1):
ܻ௧ ൌ ɓ଴ ܺ௧ ൅ ɓଵ ܺ௧ିଵ ൅ ɓଶ ܺ௧ିଶ ൅ ǥ ൅ ɓ௞ ܺ௧ି୩ ൅ ܰ௧

217

Tabla 4.2. Coeficientes de la función de correlación cruzada

La función de covarianza cruzada entre αt y βt es proporcional a la función de respuesta

a impulso V(B).En una primera aproximación, y teniendo en cuenta que αt es ruido
blanco se puede demostrar que (ec. (11))
ɓ௞ ൌ(‫ݏ‬ஒ /‫ݏ‬஑ )·ρα,β (k) con k = 0,1,2,…

Con lo que ɓ௞ es proporcional a la correlación cruzada entre el input y el output pre-

blanqueados en el retardo k. En nuestro caso tenemos que ‫ݏ‬ஒ ൌ ͲǤ͵ͷͻͷͳͻ y ‫ݏ‬஑ ൌ
ͲǤͳͺͺͺͷ͸ y por tanto ɓ௞ ൌ (ͲǤ͵ͷͻͷͳͻ/ͲǤͳͺͺͺͷ͸)·ρα,β (k) = 1.9·ρα,β (k). La Tabla 4.3
presenta dicha función de respuesta a impulso.

218

Tabla 4.3. Coeficientes de la función de respuesta a impulso

Coeficiente Función de respuesta

Retardo K
correlación cruzada a impulso
ρα,β (k) ɓ௞

0 0
1 0
2 0
3 -0.2842 - 0.5399
4 -0.3361 - 0.6386
5 -0.4607 - 0.8753
6 -0.2687 - 0.5105
7 -0.1616 - 0.3070

En nuestro caso tendremos que la relación dinámica tendrá la siguiente estructura:

ܻ௧ ൌ ɓଷ ܺ௧ିଷ ൅ ɓସ ܺ௧ିସ ൅ ɓହ ܺ௧ିହ ൅ ɓ଺ ܺ௧ି଺ ൅ ɓ଻ ܺ௧ି଻ ൅ ܰ௧

ܻ௧ ൌ െͲǤͷͶܺ௧ିଷ െ ͲǤ͸Ͷܺ௧ିସ െ ͲǤͺ͹ܺ௧ିହ െ ͲǤͷͳܺ௧ି଺ െ ͲǤ͵ͳܺ௧ି଻ ൅ ܰ௧

donde Nt es una serie de residuos llamada “ruido” que no necesariamente es ruido blan-
co, y por tanto este modelo no puede estimarse mediante los métodos habituales de
regresión lineal al presentar habitualmente Nt autocorrelación y ser un modelo que
presenta colinealidad entre variables. Para estimar la relación dinámica anterior, Box y
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Jenkins propusieron el ajuste de modelos conocidos como modelos de función de trans-

ferencia-ruido o de regresión dinámica de la forma Yt = V(B)Xt + Nt donde Nt es inde-
pendiente de Xt y generado mediante un proceso ARIMA.

9.5. Identificación de los parámetros (b, r, s)

Los valores de la función respuesta al impulso ɓ௞ pueden ser estimados por (‫ݏ‬ஒ /‫ݏ‬஑ )ρα,β
(k). Estos estimadores en general son no eficientes, pero sirven de base para una prime-
ra modelación de la función de transferencia. Mediante la aproximación de Barlett
podemos comparar ρα,β (k) con su desviación típica ͳȀξ݊ െ ݇. También hay que com-
probar que ρα,β (k) = 0 si k < 0, es decir que no hay retroalimentación.
• Los primeros b coeficientes son nulos, lo que permite identificar el retardo ini-
cial bሺɓ଴ ൌ ɓଵ ൌ ɓଶ ൌ ǥ ൌ ɓ௕ିଵ ൌ Ͳሻ: b es el primer retardo positivo tal que
ρα,β(k) ≠ 0.

• En el retardo b, el valor del correspondiente ɓୠ ൌ ɘ଴ Ǥ

219

Podemos comprobar como un número infinito de parámetros en ܸሺ‫ܤ‬ሻ pueden ser cal-
culados de un finito número de parámetros en ߜሺ‫ܤ‬ሻ‫߱ݕ‬ሺ‫ܤ‬ሻǡ

߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦
ܻ௧ ൌ ܺ ൅ ܰ௧
ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥ ௧ି௕

escribiendo
ߜሺ‫ܤ‬ሻܸሺ‫ܤ‬ሻ ൌ ߱ሺ‫ܤ‬ሻ

ሺͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥ ሻሺɓ଴ ൅ ɓଵ ଵ ൅ ɓଶ ଶ ǥ ሻ ൌ

ൌ ሺ߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦ ሻ‫ܤ‬௕
Resultando:

ɓ௝ ൌ ߜଵ ɓ௝ିଵ ൅ ߜଶ ɓ௝ିଶ ൅ ‫ ڮ‬൅ ߜ௥ ɓ௝ି௥ െ ߱௝ି௕ Ǣ ‫ ݆݅ݏ‬ൌ ܾ ൅ ͳǡ ǥ ǡ ܾ ൅ ‫ݏ‬

ɓ௝ ൌ ߜଵ ɓ௝ିଵ ൅ ߜଶ ɓ௝ିଶ ൅ ‫ ڮ‬൅ ߜ௥ ɓ௝ି௥ Ǣ ‫ ݆݅ݏ‬൐ ܾ ൅ ‫ݏ‬

conɓ௕ ൌ ߱଴ y ɓ௝ ൌ Ͳ para j < b.

Veamos algunos casos a modo de ejemplo sencillos:

ɓ଴ ൌ ɓଵ ൌ Ͳ

ɓଶ ൌ ߱଴

ɓଷ ൌ െ߱ଵ

ɓ௝ ൌ Ͳ , j > 3

220

• Caso b = 2, r = 0 y s = 2, tenemos
ܻ௧ ൌ ሺ߱଴ െ ߱ଵ ‫ ܤ‬െ ߱ଶ ଶ ሻܺ௧ିଶ

ɓ଴ ൌ ɓଵ ൌ Ͳ

ɓଶ ൌ ߱଴

ɓଷ ൌ െ߱ଵ

ɓସ ൌ െ߱ଶ

ɓ௝ ൌ Ͳ , j > 4

• Caso b = 3, r = 2 y s = 1, tenemos
ɘ଴ െ ɘଵ
ܻ௧ ൌ
ͳ െ Ɂଵ െ Ɂଶ ଶ ୲ିଷ

ɓ଴ ൌ ɓଵ ൌ ɓଶ ൌ Ͳ

ɓଷ ൌ ߱଴

ɓସ ൌ Ɂଵ ߱଴ െ ߱ଵ

ɓ௝ ൌ Ɂଵ ɓ௝ିଵ ൅ Ɂଶ ɓ௝ିଶ , j > 4

En este último caso vamos a considerar los siguientes valores para los parámetros
ɘ଴ ൌ ͲǤͷ, ɘଵ ൌ െͲǤͶ, Ɂଵ ൌ0.6 y Ɂଶ ൌ ͲǤ͵Ǥ Dando como resultado, la siguiente fun-
ción de respuesta al impulso:

ɓ଴ ൌ ɓଵ ൌ ɓଶ ൌ Ͳ

ɓଷ ൌ ͲǤͷ

ɓସ ൌ ͲǤ͸ ൉ ͲǤͷ െ ሺെͲǤͶሻ ൌͲǤ͹

ɓହ ൌ Ɂଵ ɓସ ൅ Ɂଶ ɓଷ ൌ ͲǤ͸ ൉ ͲǤ͹ ൅ ͲǤ͵ ൉ ͲǤͷ

ൌ ͲǤͷ͹

ɓ଺ ൌ Ɂଵ ɓହ ൅ Ɂଶ ɓସ ൌ ͲǤ͸ ൉ ͲǤͷ͹ ൅ ͲǤ͵ ൉ ͲǤ͹

ൌ ͲǤͷͷʹ
ɓ଻ ൌ Ɂଵ ɓ଺ ൅ Ɂଶ ɓହ ൌ ͲǤ͸ ൉ ͲǤͷͷʹ ൅ ͲǤ͵ ൉ ͲǤͷ͹ ൌ ͲǤͷͲʹ

221

Para la identificación de los parámetros (b, r, s) se pueden seguir las siguientes reglas
prácticas:

• Selección de b: será igual al número de pesos ɓ௜ que no son significativamente

diferentes de cero. Es decir, observamos un conjunto de pesos nulos
(ɓ଴ ǡ ɓଵ ǡ ǥ ǡ ɓ௕ିଵ ሻ.

• Selección de r: el valor de este parámetro determina del patrón de decaimiento

en los pesos restantes de forma similar a la identificación del orden p de un
modelo ARMA(p, q).

• Selección de s: se encuentra determinando el índice donde comienza la con-

ducta de decrecimiento de los pesos de la función de transferencia.

En la práctica rara vez los valores de r y s son mayores que 3. En la Figura 4.2 pode-
mos observar algunos casos frecuentes de FT para el caso de b = 3 aunque se puede
generalizar para cualquier valor de b.

(b, r, s) ߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦ Gráfico
ܺ
ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥ ௧ି௕ Función de respuesta a impulso

(3, 0, 0)

(3, 0, 1)

ሺ߱଴ െ ߱ଵ ‫ܤ‬ሻܺ௧ିଷ

222

(3, 0, 2)

ሺ߱଴ െ ߱ଵ ‫ ܤ‬െ ߱ଶ ଶ ሻܺ௧ିଷ

(3, 1, 0)
߱଴
ܺ
ͳ െ ߜଵ ௧ିଷ

(3, 1, 1)

ɘ଴ െ ߱ଵ ‫ܤ‬

ͳ െ Ɂଵ ୲ିଷ

223

(3, 1, 2)

ɘ଴ െ ߱ଵ ‫ ܤ‬െ ߱ଶ ଶ
୲ିଷ
ͳ െ Ɂଵ

Figura 4.2. Función de respuesta a impulso para el caso (b=3, r, s)

Ejemplo 9.8. En el Ejemplo 9.7 se estudió, mediante el conocido método de “preblan-

queo”, la relación dinámica existe entre dos series temporales estacionarias correspon-
dientes al conocido caso “gas furnance”. En este caso vamos a determinar la relación
dinámica entre la serie input “ratio de gas de alimentación” y la serie output “cantidad
de CO2 producido en la combustión”.

• Identificación de la Función de Transferencia

Como se ha comentado anteriormente el modelo de función de transferencia con un

solo input puede escribirse como

ܻ௧ ൌ ሺɓ଴ ൅ ɓଵ ଵ ൅ ɓଶ ଶ ൅ ǥ ൅ ɓ௕ ௕ ሻܺ௧ ൅ ܰ௧

Por otra parte

߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦
ܻ௧ ൎ ܺ ൅ ܰ௧
ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥ ௧ି௕

La identificación del modelo de función de transferencia consiste en obtener los valores

aproximados de los coeficientes de la función de respuesta al impulso V(B), de forma
que se puedan utilizar para inferir los órdenes r y s de los polinomios del denominador
y del numerador respectivamente,ߜሺ‫ܤ‬ሻ‫߱ݕ‬ሺ‫ܤ‬ሻ, así como el retardo inicial b. Identifi-
cados r y s, los coeficientes de V(B) pueden utilizarse asimismo para obtener preesti-
maciones de los coeficientes de ߜሺ‫ܤ‬ሻ‫߱ݕ‬ሺ‫ܤ‬ሻ.

a) Identificación de los órdenes b, s y r

En el ejemplo que estamos estudiando, existe un retardo inicial de 3 unidades de tiem-

po en el sistema, por tanto b = 3, y esta relación cruzada se mantiene hasta el retardo 7

224

poniendo de manifiesto una relación dinámica en cinco periodos de tiempo. Se cumple

entonces que ɓොଷ ൌ ߱ ෝ଴ , y por tanto ߱
ෝ଴ ൌ- 0.54; y ɓො௝ ൌ Ͳ para j < 3 por lo que
ɓො଴ ൌ ɓොଵ ൌ ɓොଶ ൌ ͲǤ
Los órdenes s y r de los polinomios ߜሺ‫ܤ‬ሻ‫߱ݕ‬ሺ‫ܤ‬ሻ se pueden determinar por la forma de
la función de correlación cruzada entre α y β a partir del retardo inicial b. En nuestro
caso podría corresponder a un modelo con r = 1 y s = 2. Luego el modelo de la Función
de Transferencia será del tipo:
߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ
ܺ௧ିଷ
ͳ െ ߜଵ ଵ

ෝ ଴ǡ ɘ
b) Determinación de los coeficientes ɘ ෝ ଵ Ɂ෠ଵ ൌ ͵
ෝ ଵǡ ɘ

ɓොଷ ൌ ߱
ෝ଴ ൌ െͲǤͷͶ

ɓොସ ൌ ߜଵ ɓොଷ െ ߱ଵ

ɓොହ ൌ ߜଵ ɓොସ െ ߱ଶ

ෝ
஥ ି଴Ǥହଵ
ɓො଺ ൌ ߜଵ ɓොହ Î ߜଵ ൌ ෝల ൌ ൌ ͲǤͷͺ͸ʹ
஥ఱ ି଴Ǥ଼଻

ɓො଻ ൌ ߜଵ ɓො଺

߱ଵ ൌ ߜଵ ɓොଷ െ ɓොସ ൌ ͲǤͷͺ͸ʹሺെͲǤͷͶሻ ൅ ͲǤ͸Ͷ ൌ ͲǤ͵ʹ

߱ଶ ൌ ߜଵ ɓොସ െ ɓොହ ൌ ͲǤͷͺ͸ʹሺെͲǤ͸Ͷሻ ൅ ͲǤͺ͹ ൌ ͲǤͶͻ

Luego ya tenemos identificada la FT:

െͲǤͷͶ െ ͲǤ͵ʹ െ ͲǤͶͻ ଶ

ܺ௧ିଷ
ͳ െ ͲǤͷͻ

Ahora faltaría modelizar la parte del ruido, Nt.

• Identificación el modelo para el ruido Nt.

Una vez identificada la función de respuesta al impulso, y habiendo obtenido estima-

ciones para sus coeficientes ܸ෠ ሺ‫ܤ‬ሻ, podemos estimar el ruido como

෡௧ ൌ ܻ௧ െ ܻ෠௧
ܰ

225

෡௧ ൌ ܻ௧ െ ܸ෠ ሺ‫ܤ‬ሻܺ௧ = ܻ௧ െ ఠෝሺ஻ሻ ‫ܤ‬௕ ܺ௧

ܰ ෡ ሺ஻ሻ
ఋ
ܰ෡௧ ൌ ܻ௧ െ ܻ෠௧ ൌ

ൌ ܻ௧ െ ሺߜመଵ ܻ෠௧ିଵ ൅ ߜመଶ ܻ෠௧ିଶ ൅ ǥ ൅ ߜመ௥ ܻ෠௧ି௥ ൅ ߱

ෝ଴ ܺ෠௧ି௕ െ ߱
ෝଵ ܺ෠௧ି௕ିଵ െ ߱
ෝଶ ܺ෠௧ି௕ିଶ െ ‫ڮ‬
െ߱ ෠
ෝ௦ ܺ௧ି௕ିୱ ሻ

Como ෡ ୲ es un proceso estacionario podemos identificarlo de forma habitual como un

modelo ARMA(p,q), de la forma:
፽ሺ‫ܤ‬ሻ
ܰ෡௧ ൌ ܽ
߶ሺ‫ܤ‬ሻ ௧

En nuestro ejemplo tendremos (b = 3, r = 1, s = 2):

෡௧ ൌ ܻ௧ െ ൫ߜመଵ ܻ෠௧ିଵ ൅ ߱
ܰ ෝ଴ ܺ෠௧ିଷ െ ߱
ෝଵ ܺ෠௧ିସ െ ߱
ෝଶ ܺ෠௧ିହ ൯ ൌ

ൌ ܻ௧ െ ሺͲǤͷͻܻ෠௧ିଵ െ ͲǤͷͶܺ෠௧ିଷ െ ͲǤ͵ʹܺ෠௧ିସ െ ͲǤͶͻܺ෠௧ିହ ሻ

Donde realmente tenemos la serie output centradaܻ෨௧ ൌ ܻ௧ െ ߤƸ ௒ , siendo ߤƸ ௒

el valor medio de la serie ܻ௧ . En este caso ߤƸ ௒ ൌ ͷ͵Ǥͷͳ. Para obtener la serie
de residuos (por ejemplo en una hoja de cálculo) mediante el modelo recur-
sivo podemos utilizar como conjunto de valores de arranque ܻ෨௧ ൌ Ͳ para t=1
hasta 6. Se obtuvo dicha serie de residuos con una hoja de cálculo y se ajus-
tó mediante Statgraphics a un AR(2):
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ARIMA ModelSummary
Parameter Estimate Stnd. Error t P-value
------------------------------------------------------------------
AR(1) 0.980095 0.0580809 16.8747 0.000000
AR(2) -0.167632 0.0594356 -2.8204 0.005129
----------------------------------------------------------------------

Se puede comprobar fácilmente que es estacionario

abs(polyroot(z=c(1,-0.98, 0.17)))

1.324917, 4.439789

226

Luego el modelo para el ruido será:

፽ሺ஻ሻ ଵ ଵ
෡௧ ൌ
ܰ ܽ௧ ൌ ܽ௧ = ܽ௧
థሺ஻ሻ ሺଵି‫׎‬భ ஻ି‫׎‬మ ஻మ ሻ ሺଵି଴Ǥଽ଼஻ା଴Ǥଵ଻஻మ ሻ
con ܽ௧ ruido blanco

• Modelo tentativo Función de Transferencia - Ruido

Luego el modelo de FT-Ruido será:

ି଴Ǥହସି଴Ǥଷଶ୆ି଴Ǥସଽ୆మ ଵ
ܻ௧ ൌ ܺ௧ିଷ + ܽ௧
ଵି଴Ǥହଽ୆ ሺଵି଴Ǥଽ଼஻ା଴Ǥଵ଻஻మ ሻ

• Estimación del modelo tentativo Función de Transferencia - Ruido

La estimación del modelo FT-Ruido con EViews resultó:

Variable Coefficient Std. Error t-statistic Prob.

d 0.542103 0.040481 13.39171 0.0000

wo -0.519505 0.075296 -6.899470 0.0000

w1 -0.384515 0.101512 -3.787883 0.0002

w2 -0.517795 0.108058 -4.791824 0.0000

AR(1) 1.029473 0.071613 14.37544 0.0000

AR(2) -0.193807 0.064253 -3.016303 0.0028

Luego el modelo final de FT-Ruido será:

ି଴Ǥହଶି଴Ǥଷ଼୆ି଴Ǥହଶ୆మ ଵ
ܻ௧ ൌ ܺ௧ିଷ + ܽ௧
ଵି଴Ǥହସ୆ ሺଵିଵǤ଴ଷ஻ା଴Ǥଵଽ஻మ ሻ

9.6. Método LTF (modelo de la Función de Transferencia Lineal)

Se trata de un método más sencillo que el de preblanqueo y además es más cómodo
para modelos de FT con más de un input. Está inspirado en el modelo de regresión con
errores ARIMA. El modelo de la función de transferencia lineal tiene la siguiente es-
tructura:
ܻ௧ ൌ ൅ ܸሺ‫ܤ‬ሻܺ௧ ൅ ܰ௧ ൌ ܿ ൅ ɓ଴ ܺ௧ ൅ ɓଵ ܺ௧ିଵ ൅ ɓଶ ܺ௧ିଶ ൅ ǥ ൅ ɓ௞ ܺ௧ି୩ ൅ ܰ௧

227

஘ሺ୆ሻ
෡୲ ൌ
ܰ௧ ̱‫ ;ܣܯܫܴܣ‬ ܽ௧
மሺ୆ሻ

La metodología de ajuste es la siguiente:

9 Paso 1: Identificar y ajustar el modelo de regresión dinámica para un k lo sufi-

cientemente alto que permita capturar la dinámica del proceso mediante un
modelo de regresión lineal múltiple del tipo:

ܻ௧ ൌ ܿ ൅ ɓ଴ ܺ௧ ൅ ɓଵ ܺ௧ିଵ ൅ ɓଶ ܺ௧ିଶ ൅ ǥ ൅ ɓ௞ ܺ௧ି୩ ൅ ܰ௧

Ajustar un modelo ARIMA sencillo como un AR bajo para el ruido.

9 Paso 2: Analizar la serie de los residuos del ajuste. Si los residuos no son esta-
cionarios diferenciar las series Y y X. Ajustar un modelo ARIMA sencillo co-
mo un AR bajo para el ruido.

9 Paso 3: Analizar la serie de los residuos del ajuste. Si los residuos son estacio-
narios identificar un modelo apropiado para la función de transferencia ሺሻ.
Determinar los valores de las constantes r, s y b.
෡ ୲ ൌ ୲ െ
9 Paso 4: Obtener la serie de errores de predicción mediante ෡୲ . Iden-
tificarlo de forma habitual como un modelo ARMA(p,q).

9 Paso 5: Ajustar de nuevo el modelo completo con la especificación para el

ruido obtenida en el paso anterior.

Ejemplo 9.9. Se desea estudiar la relación dinámica que existe entre dos series tempo-
rales estacionarias correspondientes al ejemplo anterior mediante el Método LTF.

Serie Xt sin centrar en la media.

Con SPSS

En SPSS la función de transferencia lineal tiene la siguiente estructura:

߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦
ܻ௧ ൌ ൅ ܸሺ‫ܤ‬ሻܺ௧ ൅ ܰ௧ ൎ ܿ ൅ ܺ ൅ ܰ௧
ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥ ௧ି௕

߱ሺ‫ܤ‬ሻ ௕ ߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦ ௕
ܸሺ‫ܤ‬ሻ ൌ ‫ ܤ‬ൌ ‫ܤ‬
ߜሺ‫ܤ‬ሻ ͳ െ ߜଵ ଵ െ ߜଶ ଶ െ ǥ െ ߜ௥ ௥

228

Con r = 0
߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦ ௕
ܸሺ‫ܤ‬ሻ ൌ
ͳ

ሺɓ଴ ൅ ɓଵ ଵ ൅ ɓଶ ଶ ൅ ɓଷ ଷ ൅ ‫ ڮ‬ሻ ൌ ሺ߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦ ሻ‫ܤ‬௕

Por tanto el modelo a estimar en SPSS será el siguiente:

ܻ௧ ൌ ൅ ܸሺ‫ܤ‬ሻܺ௧ ൅ ܰ௧ ൌ

ܿ ൅ ሺ߱଴ െ ߱ଵ ଵ െ ߱ଶ ଶ െ ǥ െ ߱௦ ௦ ሻ‫ܤ‬௕ ܺ௧ ൅ ܰ௧ ൌ

ൌ ܿ ൅ ߱଴ ܺ௧ି௕ െ ߱ଵ ܺ௧ି௕ିଵ െ ߱ଶ ܺ௧ି௕ିଶ െ ǥ െ ߱௦ ܺ௧ି௕ି௦ ൅ ܰ௧

Inicialmente suponemos b = 0 y s = k alto por ejemplo k = 10.

ܻ௧ ൌ ܿ ൅ ߱଴ ܺ௧ െ ߱ଵ ܺ௧ିଵ െ ߱ଶ ܺ௧ିଶ െ ǥ െ ߱ଵ଴ ܺ௧ିଵ଴ ൅ ܰ௧

Para el ruido se plantea un modelo AR(2):

Una vez estimado el modelo conjuntamente (FT y ruido), obtenemos la salida del SPSS
siguiente:

229

Estimate SE t Sig.
Y-Model_1 Y No Constant 53.360 .145 368.637 .0000
Transf. AR Lag 1 1.530 .048 31.571 .0000
Lag 2 -.630 .051 -12.347 .0000
X No Num Lag 0 -.057 .078 -.724 .4700
Transf. Lag 1 -.055 .084 -.651 .5160
Lag 2 .047 .084 .563 .5740
Lag 3 .536 .084 6.389 .0000
Lag 4 .655 .085 7.664 .0000
Lag 5 .861 .085 10.133 .0000
Lag 6 .516 .085 6.039 .0000
Lag 7 .328 .084 3.914 .0000
Lag 8 .065 .084 .777 .4380
Lag 9 -.005 .084 -.065 .9480
Lag 10 .148 .078 1.894 .0590

Y el modelo obtenido es:

ܻ௧ ൌ ͷ͵Ǥ͵͸ െ ͲǤͷ͵ܺ௧ିଷ െ ͲǤ͸ͷܺ௧ିସ െ ͲǤͺ͸ܺ௧ିହ െ ͲǤͷʹܺ௧ି଺ െ ͲǤ͵͵ܺ௧ି଻

ͳ
൅ ܽ
ሺͳ െ ͳǤͷ͵ ൅ ͲǤ͸͵ ଶ ሻ ௧
Con EViews

En EViews la función de transferencia lineal tiene la siguiente estructura:

ܻ௧ ൌ ൅ ܸሺ‫ܤ‬ሻܺ௧ ൅ ܰ௧ ൌ ܿ ൅ ɓ଴ ܺ௧ ൅ ɓଵ ܺ௧ିଵ ൅ ɓଶ ܺ௧ିଶ ൅ ǥ ൅ ɓ௞ ܺ௧ି୩ ൅ ܰ௧

Y el modelo estimado

Variable Coefficient Std. Error t-Statistic Prob.

C 53.38732 0.161915 329.7244 0.0000
X(-3) -0.554976 0.077161 -7.192394 0.0000
X(-4) -0.643522 0.081766 -7.870296 0.0000
X(-5) -0.860000 0.081696 -10.52688 0.0000
X(-6) -0.483862 0.081686 -5.923433 0.0000
X(-7) -0.362452 0.076933 -4.711265 0.0000
AR(1) 1.542181 0.047826 32.24583 0.0000
AR(2) -0.632313 0.050314 -12.56728 0.0000

230

Y en nuestro caso tenemos:

ܻ௧ ൌ ൅ ɓଷ ܺ௧ିଷ ൅ ɓସ ܺ௧ିସ ൅ ɓହ ܺ௧ିହ ൅ ɓ଺ ܺ௧ି଺ ൅ ɓ଻ ܺ௧ି଻ ൅ ܰ௧

፽ሺ୆ሻ ଵ ଵ
෡୲ ൌ
ܽ௧ ൌ ܽ௧ ൌ ܽ௧
மሺ୆ሻ ሺଵି‫׎‬భ ୆ି‫׎‬మ ୆మ ሻ ሺଵିଵǤହସ୆ା଴Ǥ଺ଷ୆మ ሻ

ܻ௧ ൌ ͷ͵Ǥ͵ͻ െ ͲǤͷͷܺ௧ିଷ െ ͲǤ͸Ͷܺ௧ିସ െ ͲǤͺ͸ܺ௧ିହ െ ͲǤͶͺܺ௧ି଺ െ ͲǤ͵͸ܺ௧ି଻

ͳ
൅ ܽ
ሺͳ െ ͳǤͷͶ ൅ ͲǤ͸͵ ଶ ሻ ௧

Ejemplo 9.10. Se desea estudiar la relación dinámica existente entre el consumo resi-
dencial de gas natural (variable output) en Taiwán y las variables input (Temperatura y
Precio) mostradas en la Figura 4.3 mediante el método LTF.

En esta sección presentaremos un ejemplo de la construcción de un modelo de función

de transferencia con múltiples inputs. Se trata de hacer un análisis del consumo resi-
dencial de gas natural en Taiwán para prever el consumo en los próximos años. Para
conseguir unas buenas previsiones, hemos de encontrar la relación entre la variable
dependiente (el consumo) y las variables independientes (la temperatura y el precio)
mediante SPSS.
1. Análisis descriptivo de las series por separado.

En primer lugar comprobamos si les series son estacionarias o no mediante la repre-

sentación gráfica de las series.

Se ve claramente que la serie consumo no es estacionaria en varianza y presenta esta-
cionalidad, por eso le aplicamos la transformación de logaritmo natural. Para conseguir
la estacionariedad, se le aplica también el operador diferencial regular y estacional.

231

Consumo Temperatura

Precio

Figura 4.3. Series output (consumo) e input (Temperatura y Precio)

A partir de ahora trabajamos con las series ܻ௧ , ܶܲ௧ ‫ܴܲݕ‬௧ que son las series originales
transformadas a logaritmo natural.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

ܻ௧ = Ln(Consumo)
ܶܲ௧ = Ln(Temperatura)
ܴܲ௧ = Ln(Precio)
2. Ajuste del modelo de Función de Transferencia-Ruido.
El modelo de la función de transferencia lineal con dos variables exógenas tiene la
siguiente estructura:
߱ଵ ሺ‫ܤ‬ሻ ߱ଶ ሺ‫ܤ‬ሻ
ܻ௧ ൌ ‫ ܥ‬൅ ܶܲ௧ ൅ ܴܲ௧ ൅ ܰ௧
ߜଵ ሺ‫ܤ‬ሻ ߜଶ ሺ‫ܤ‬ሻ
El modelo final estimado y validado con SPSS será:
ߘߘଵଶ ܻ௧ ൌ െͲǤͲͲʹ ൅ ሺെͲǤ͵ͷͳ െ ͲǤͳ͸Ͳ‫ܤ‬ሻߘߘଵଶ ܶܲ௧
൅ ሺെͲǤͲͺ͸ െ ͲǤͳͲͷ‫ ଺ܤ‬൅ ͲǤͲ͹͸‫ ଻ܤ‬ሻߘߘଵଶ ܴܲ௧ ൅
ሾሺͳ ൅ ͲǤͷ͹Ͷ‫ܤ‬ሻሺͳ ൅ ͲǤͶͺͶ‫ܤ‬ଵଶ ሻሿܽ௧

232

9.7. Validación del modelo de Iunción de Wransferencia-Uuido

La validación del modelo especificado y estimado en las etapas anteriores consiste en
concluir si realmente dicho modelo es adecuado para realizar predicciones. Se deben de
verificar las siguientes hipótesis:
1) La serie residual ܽ௧ debe seguir un proceso de ruido blanco. Se debe con-
trastar con las herramientas habituales.
2) Se debería contrastar la independencia entre ܽ௧ y ܺ௧ aunque resulta más
adecuado contrastar la independencia entre ܽ௧ y αt, obtenida en el pre-
blanqueo de ୲ mediante la correlación cruzada entre ambas series.

Ejemplo 9.11. Realizar la validación del modelo ajustado en el Ejemplo 9.8.

En primer lugar hay que comprobar que los residuos obtenidos, ܽ௧ ǡ tras el ajuste del
modelo de FT-Ruido (rft) siguen un proceso de ruido blanco. El modelo quedará vali-
dado si, además, no existe correlación cruzada entre los residuos del modelo de Fun-
ción de Transferencia (rft) y el input preblanqueado (αt). Podemos asumir que son
ruido blanco:
rft
1.5
1.0
0.5
0.0
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

-0.5

0 50 100 150 200 250 300

0.15

0.15
0.05

0.05
PACF
ACF

-0.05

-0.05
-0.15

-0.15

5 10 15 20 25 5 10 15 20 25

Lag Lag

233

La CCF entre ambos es la siguiente:

rft & alfa

0.10
0.05
cross-correlation

0.00
-0.05
-0.10

-10 -5 0 5 10

Lag

No se aprecia correlación cruzada entre ambos residuos. Luego el modelo de FT-Ruido

ି଴Ǥହଶି଴Ǥଷ଼୆ି଴Ǥହଶ୆మ ଵ
ܻ௧ ൌ ܺ௧ିଷ + ܽ௧
ଵି଴Ǥହସ୆ ሺଵିଵǤ଴ଷ஻ା଴Ǥଵଽ஻మ ሻ

La estimación del modelo FT-Ruido con SAS resultó (sin Xt centrada en la media):

ି଴Ǥହଷି଴Ǥଷ଼୆ି଴Ǥହଶ୆మ ଵ
ܻ௧ ൌ ͷ͵Ǥʹ͸ ൅ ܺ௧ିଷ + ܽ௧
ଵି଴Ǥହସ୆ ሺଵିଵǤହଷ஻ା଴Ǥ଺ଷ஻మ ሻ

234

Ejercicios propuestos

P.9.1. Realizar el gráfico de la función de respuesta al impulso de las siguientes fun-

ciones de transferencia:

ଶ୆
a) ܻ௧ ൌ ܺ௧
ଵି଴Ǥ଺୆

ଵି଴Ǥଶ୆
ሻ ୲ ൌ ୲
ଵି଴Ǥ଼୆

ଵ
ሻ ୲ ൌ ୲
ଵିଵǤଶ୆ା୆మ

P.9.2. Determinar las ganancias del sistema en los tres casos mostrados en P.9.1

P.9.3. Considerar el siguiente modelo de FT

ି଴Ǥହି଴Ǥସ୆ି଴Ǥଶ୆మ ଵ
ܻ௧ ൌ ܺ௧ିଶ + ܽ௧
ଵି଴Ǥହ୆ ሺଵି଴Ǥହ஻ሻ

a) Determinar los órdenes b, r y s en este modelo.

b) ¿Cuál es el modelo ARIMA ajustado para el Ruido?
c) Si la variable exógena X se incrementa en una unidad, ¿Cuál será el impacto
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

en la variable respuesta Y?
d) Desarrollar la ecuación de predicción del modelo

P.9.4. Considerar el siguiente modelo de FT

଴Ǥହି଴Ǥଵ୆
‫ܻ׏‬௧ ൌ ‫ܺ׏‬௧ିଷ +ሺͳ െ ͲǤ͸‫ܤ‬ሻܽ௧
ଵି଴Ǥଶ୆ି଴Ǥଷ୆మ

a) Determinar los órdenes b, r y s en este modelo.

b) ¿Cuál es el modelo ARIMA ajustado para el Ruido?
c) Si la variable exógena X se incrementa en una unidad, ¿Cuál será el impacto
en la variable respuesta Y?
d) Desarrollar la ecuación de predicción del modelo

235

P.9.5. Determinar las ecuaciones de la función de respuesta al impulso en los siguien-

tes casos:

236

Anexo 1. Metodología Box-Jenkins

Anexo 2. Tabla valores críticos distribución chi-cuadrado

Por ejemplo, el valor crítico de una

chi-cuadrado con 22 grados de
libertad (df) para un alfa del 5 %
sería:
ଶሺ଴Ǥ଴ହሻ
߯ଶଶ ൌ ͵͵Ǥͻʹ5

ଶሺఈሻ
߯ௗ௙
df 0.995 0.99 0.975 0.95 0.90 0.50 0.10 0.050 0.025 0.01 0.005
1 0.000 0.000 0.001 0.004 0.016 0.455 2.706 3.842 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 0.211 1.386 4.605 5.992 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 2.366 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 3.357 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.146 1.610 4.352 9.236 11.071 12.833 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 5.348 10.645 12.592 14.449 16.812 18.548
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

7 0.989 1.239 1.690 2.167 2.833 6.346 12.017 14.067 16.013 18.475 20.278
8 1.344 1.647 2.180 2.733 3.490 7.344 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 8.343 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 9.342 15.987 18.307 20.483 23.209 25.188
11 2.603 3.054 3.816 4.575 5.578 10.341 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 11.340 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.042 12.340 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 13.339 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 14.339 22.307 24.996 27.488 30.578 32.802

df 0.995 0.99 0.975 0.95 0.90 0.50 0.10 0.050 0.025 0.01 0.005
16 5.142 5.812 6.908 7.962 9.312 15.339 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 16.338 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 17.338 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 18.338 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 19.337 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 20.337 29.615 32.671 35.479 38.932 41.401
22 8.643 9.543 10.982 12.338 14.042 21.337 30.813 33.925 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 22.337 32.007 35.173 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 23.337 33.196 36.415 39.364 42.980 45.558
25 10.520 11.524 13.120 14.611 16.473 24.337 34.382 37.653 40.647 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 25.337 35.563 38.885 41.923 45.642 48.290
27 11.808 12.879 14.573 16.151 18.114 26.336 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 27.336 37.916 41.337 44.461 48.278 50.994
29 13.121 14.256 16.047 17.708 19.768 28.336 39.088 42.557 45.722 49.588 52.336
30 13.787 14.954 16.791 18.493 20.599 29.336 40.256 43.773 46.979 50.892 53.672
40 20.707 22.164 24.433 26.509 29.051 39.335 51.805 55.759 59.342 63.691 66.766
50 27.991 29.707 32.357 34.764 37.689 49.335 63.167 67.505 71.420 76.154 79.490
60 35.534 37.485 40.482 43.188 46.459 59.335 74.397 79.082 83.298 88.379 91.952
70 43.275 45.442 48.758 51.739 55.329 69.335 85.527 90.531 95.023 100.43 104.22
80 51.172 53.540 57.153 60.392 64.278 79.334 96.578 101.88 106.62 112.32 116.32
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

90 59.196 61.754 65.647 69.126 73.291 89.334 107.56 113.15 118.14 124.11 128.29
100 67.328 70.065 74.222 77.929 82.358 99.334 118.49 124.34 129.56 135.81 140.17

Anexo 3. Análisis y modelización con Statgraphics

Centurion
1. Análisis descriptivo de la serie temporal

En la Figura 1 se presenta el menú general del paquete Statgraphics Centurion. El me-

nú desplegable Describe y el de Forecast nos permitirán realizar el análisis descriptivo
inicial y la modelización para realizar predicciones de una serie temporal.

Figura 1. Barra de herramientas disponibles. Ruta de acceso al Análisis de Series Temporales

Para poder dirigir las herramientas más adecuadas con objeto de predecir la tendencia
de la serie, se realiza un primer análisis descriptivo que pondrá de manifiesto que tipo
de ajuste es más adecuado. La ruta de acceso al menú de métodos descriptivos, Figura
2, es la siguiente: Describe / Time-series analysis / Descriptive methods. Aquí pode-
mos ver la serie original bien representada frente al tiempo y estudiar si tiene tenden-
cia, componente estacional y componente aleatoria fuerte.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Una vez que hemos seleccionado la variable a analizar introducimos los datos de entra-
da necesarios, Figura 3, desplegaremos el menú de opciones gráficas, Figura 4, y selec-
cionaremos Horizontal Time Sequence Plot, Residual Autocorrelation Function, y
Residual Partial Autocorrelation Function obteniendo tanto la representación gráfica
de la serie como de los coeficientes de autocorrelación simple y parcial.

240

Figura 2. Ruta de acceso para el análisis descriptivo de la serie temporal

Figura 3. Entrada de datos para el análisis descriptivo de la serie temporal

241

Figura 4. Opciones gráficas

Una opción interesante a comentar en la Figura 4 es la del peridiograma integrado

(Integrated Peridiogram). El peridiograma integrado de los residuos es una herramienta
gráfica muy interesante para detectar comportamientos no aleatorios asociados a com-
ponentes estacionales. El peridiograma integrado de los residuos muestra la suma acu-
mulada de las ordenadas del peridiograma, dividida por la suma de las ordenadas sobre
todas las frecuencias de Fourier. El gráfico muestra una línea diagonal principal de
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

coordenadas (0,0) y (0.5,1). Además muestra dos parejas de bandas paralelas a la dia-
gonal principal que representan los intervalos de confianza del test de Kolmogorov-
Smirnov al 95% y al 99 % de nivel de confianza. Una secuencia de valores que siguen
un proceso de Ruido Blanco presentaría un el peridiograma acumulado normalizado
fluctuando muy próximo a la diagonal principal sin atravesar las bandas de confianza.

2. Descomposición Estacional (Seasonal Decomposition)

Para realizar la descomposición estacional de una serie podemos utilizar las herramien-
tas que nos ofrece Statgraphics en el menú: Describe / Time Series / Seasonal Decom-
position. Donde podemos obtener las tablas y gráficos siguientes, Figura 5:

242

Figura 5. Opciones tablas y gráficas

• Tabla de datos (Data Table): Esta tabla muestra cada paso de la descomposi-
ción estacional. La columna Tendencia-Ciclo muestra los resultados de un pro-
medio móvil centrado. La columna de estacionalidad muestra los datos dividi-
dos entre el promedio móvil y multiplicados por 100. Se calculan entonces los
índices estacionales para cada estación promediando los cocientes a lo largo de
todas las observaciones en esa estación, y escalando los índices de modo que la
estación promedio sea igual a 100. Los datos se dividen entonces entre los esti-
mados de Tendencia-Ciclo y estacionalidad para dar el componente irregular o
residual. Este componente se multiplica después por 100.

• Tabla de Índices estacionales (Seasonal Indices): se obtiene los índices de va-

riación estacional que permiten desestacionalizar la serie. Esta tabla muestra los
índices estacionales para cada estación, escalados de forma que una estación
promedio sea igual a 100.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

• Gráfico de Índices estacionales (Seasonal Indices): Representación gráfica de

los índices de variación estacional.

• Gráfico de subseries por periodo de estacionalidad (Seasonal Subseries plot):

representa la serie por estaciones y permite detectar el período estacional.

• Gráfico de subseries por periodo de estacionalidad (Annual Subseries plot):

permite obtener, en este ejemplo, la representación día a día de la semana del
comportamiento estacional.

3. Modelización y Predicción de la serie temporal.

Para estimar los modelos identificados en el paso anterior se debe seleccionar la opción
Forecast / User-Speciied Model según la Figura 6. A partir de esta opción es posible
obtener un modelo de una serie temporal como una función de términos autorregresi-

243

vos, de medias móviles y una constante. Puede incluirse la opción de considerar facto-
res estacionales y no estacionales en la estimación del modelo.

Figura 6. Ruta de acceso para la modelización de la serie temporal

El sistema muestra la ventana de diálogo de la Figura 7 la cual permite seleccionar los

datos y parámetros adecuados para nuestro análisis. Los campos a completar son:
• Data: elegiremos de entre las diversas variables disponibles la que deseemos ana-
lizar.
• Sampling interval: especificaremos las unidades de tiempo en las que se desea se
realice el análisis, y la longitud de la estacionalidad. En el caso de no ser una serie
estacional, como ocurre en las primeras series, se dejará en blanco este campo.
• Select: se seleccionarán los datos que deseamos incluir en el análisis así, como en
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

el primer caso únicamente deseamos los 18 primeros valores debemos introducir

la orden FIRST(18).

Completando la caja de diálogo y pulsando OK el sistema muestra dos tablas (Analysis

Summary y Model Comparison) y dos gráficos, por defecto.
Al seleccionar el botón Tabular Options (icono amarillo tabla) se muestra la caja de
diálogo correspondiente al análisis de predicciones las opciones disponibles se mues-
tran en la Figura 8.

244

Figura 7. Entrada de datos para el análisis de predicción

Si seleccionamos la opción Model Comparisons obtendremos una comparación entre los

distintos modelos seleccionados donde podemos observar: los modelos seleccionados, el

número de predicciones, y, entre otros, los siguientes estadísticos:

• ME: Media del error

• RMSE: Raíz del error cuadrático medio.
• MAE: Error absoluto medio
• MAPE: Media absoluta del porcentaje de error.
• MPE: Media del porcentaje de error.

Statgraphics selecciona por defecto una serie de modelos (Random Walk, Mean,..), si
se desean seleccionar otros distintos pulsaremos con el botón derecho del ratón sobre la
ventana anterior y seleccionando Analysis Options el sistema muestra la caja de diálo-
go correspondiente a los distintos modelos que pueden ser seleccionados, tal como se
muestra en la Figura 9.

245

Figura 8. Opciones tabulares del análisis de predicciones

4. Métodos de proyección de tendencias

Las series económicas suelen presentar una evolución regular, mostrando un creci-
miento o decrecimiento a largo plazo. Esto es lo que se entiende por tendencia. El ajus-
te a un modelo lineal por Regresión Simple, aplicado a las series temporales, permite la
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

predicción de valores a corto plazo. Dicho modelo es del tipo Zt = α+β·t+εt., donde se
supone que εt cumple las hipótesis referidas a la perturbación en el modelo MCO (rui-
do blanco).De entre los distintos modelos disponibles seleccionaremos:
Lineal Zt = a+b·t
Cuadrático Zt = a+b·t+c·t2
Exponencial Zt = exp(a+b·t)
S-Curve Zt = exp(a+b/t)

Si seleccionamos en la caja de diálogo de Tabular Options (Figura 8) la opción Fore-

cast Table (Tabla de predicciones) el sistema evalúa y muestra los valores de la serie
original y las predicciones tanto de forma puntual como por intervalos de confianza.

246

Podemos obtener la representación gráfica de los distintos análisis realizados seleccio-

nando desde la caja de herramientas el botón de Graphical Options (icono azul gráfi-
cos).
Finalmente, indicar la posibilidad de salvar los resultados obtenidos. Pulsando el botón
Save Results (icono disquete) de la caja de herramientas se despliega la caja de diálogo
de la Figura 10 donde pueden ser seleccionados los datos a guardar: datos ajustados,
predicciones, residuos, .... Estos resultados serán almacenados en el fichero de datos.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

Figura 9. Opciones de especificación de modelos

247

Figura 10. Caja de diálogo para salvar los resultados obtenidos

5. Métodos de Suavizado Exponencial (Exponential Smoothing)

Statgraphics nos permite la modelización de una serie temporal utilizando los métodos
clásicos de suavizado exponencial, como puede observarse en la Figura 9. El caso más
sencillo consiste en el suavizado exponencial simple, Simple Exp. Smoothing, que
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

depende de un parámetro α (Alpha) de suavizado, constante entre 0 y 1. Debemos

especificar los parámetros α y β iniciales de iteración para el mejor ajuste de nuestro
modelo o dejar activada la opción “Optimize” para que el programa busque la combi-
nación que minimiza el RMSE.
El método de Holt es un suavizado exponencial doble que incluye los factores de ten-
dencia y aleatorio para realizar la predicción de los valores mediante la utilización de
dos parámetros de suavizado α y β constantes entre 0 y 1. El programa Statgraphics
permite la predicción de los valores mediante el ajuste de Holt en la opción Holt´s
Linear Exp. Smoothing, el cual puede ser seleccionado desde la caja de diálogo Model
Specification Options como puede observarse en la Figura 11. Debemos especificar los
parámetros α y β iniciales de iteración para el mejor ajuste de nuestro modelo o dejar
activada la opción “Optimize” para que el programa busque la combinación que mini-
miza el RMSE.

248

Figura 11. Selección de modelos de Holt

El método de Holt-Winter es un suavizado exponencial triple que incluye los factores

de tendencia, estacional, y aleatorio, lo que permite una mejor descripción de la serie y
como consecuencia una mejor predicción de los valores mediante la utilización de tres
parámetros de suavizado α, β y γ constantes entre 0 y 1. El programa Statgraphics
permite la predicción de los valores mediante el ajuste de Holt-Winter en la opción
Winter´s Exp. Smoothing el cual puede ser seleccionado desde la caja de diálogo Mo-
del Specification Options como puede observarse en la Figura 12. Para que se active
está opción es necesario haber especificado previamente, en la ventana Forecasting de
introducción de datos (Figura 5) la estacionalidad (Seasonality) de la serie. Debemos
especificar los parámetros α, β y γ iniciales de iteración para el mejor ajuste de nuestro
modelo o dejar activada la opción “Optimize” para que el programa busque la combi-
nación que minimiza el RMSE.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

6. Modelización ARIMA

Si pulsamos con el botón derecho del ratón sobre la ventana anterior el programa mues-
tra la caja de diálogo correspondiente a la especificación del modelo. Seleccionaremos
el modelo ARIMA. En el análisis ARIMA se puede seleccionar parámetros estaciona-
les (SAR o SMA) o no estacionales (AR o MA). Al seleccionar el modelo ARIMA se
deben completar las cajas de texto AR, MA, SAR, SMA, Nonseasonal Order y Seasonal
Order. La Figura 13 muestra la caja de diálogo de opciones de especificación del mo-
delo una vez seleccionado el Modelo ARIMA.

249

Figura 12. Selección de modelos de Holt-Winter

Figura 13: Especificación del modelo

250

Para introducir el modelo ARIMA que se va a utilizar, indicaremos los siguientes pa-
rámetros:
• AR = p: orden de la parte de la parte AR regular (entre 0 y 6).
• MA = q: orden de las medias móviles que no es estacional (entre 0 y 6).
• SAR= P: orden de la parte autorregresiva estacional (entre 0 y 6).
• SMA = Q: orden de la parte de medias móviles que es estacional (entre 0 y 6).
• Constant: se seleccionará si deseamos incluir un término constante en el mode-
lo.
• Nonseasonal order =d:: orden de la diferencia regular a aplicar en el modelo.
• Seasonal order = D: orden de la diferencia estacional a aplicar en el modelo.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

251

• Armstrong, J.S. (2001). Principles of Forecasting. Kluwer Academic.

• Aznar, A. y Trívez, F.J. (1993) Métodos de predicción en Economía, volúmen 2.

Editorial Ariel S.A.

• Box, G. and Jenkins, G. and Reinsel, G.C. (2008). Time Series Analysis:
Forecasting and Control. 4th edition.Wiley.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

• Bowerman, B.; O'Connell, R. and Koehler, A.(2004). Forecasting, Time Series, and
Regression. 4 edition. South-Western College Pub.

• Brockwell, P. and Davis R. (2003). Introduction to Time Series and Forecasting.

2nd edition. Springer.

• García Díaz, J.C. (2011). Series temporales, análisis, predicción. Ejercicios

Prácticos. Editorial Universitat Politècnica de València.

• García Díaz, J.C. (2011). Estadística Industrial. Cuaderno de prácticas de

Laboratorio. Departamento de Estadística e Investigación Operativa Aplicadas y
Calidad. Servicio de publicaciones de la Universitat Politècnica de València.

• García Díaz, J.C. (2015). Análisis de Series Temporales. Prácticas de Modelización

y Predicción. ADP-LULU

253

• González, M. y del Puerto, I. M. (2009). Series temporales. Servicio de

publicaciones de la Universidad de Extremadura.

• Markridakis, S.; Wheelwright, S.C. and Hyndman, R.J. (1998). Forecasting:

Methods and Aplications. Wiley.

• Montgomery, D.C.; Jenkins,C.L. and Kulahci, M. (2008). Introduction to Time

Series Analysis and Forecasting. Wiley.

• Pérez, C. (2011). Series Temporales. Técnicas y Herramientas. Garceta grupo

editorial.

• Peña, D. (2005). Análisis de Series Temporales. Alianza editorial.

• Peña, D., Tiao, G.C. and Tsay, R.S. (2001). A Course in Time Series Analysis.
Wiley.

• Pulido, A. y López, A.M. (1999). Predicción y simulación aplicada a la economía y

254

UPV
PREDICCIÓN EN EL DOMINIO DEL
TIEMPO. ANÁLISIS DE SERIES
TEMPORALES PARA INGENIEROS
Juan Carlos García Díaz

El objetivo de este manual es la presentación de un conjunto de

casos prácticos relativos a técnicas estadísticas de análisis y
predicción de series temporales, orientadas a la toma de decisiones
para la Gestión y Dirección de Empresas Industriales. El contenido se
dirige a estudiantes universitarios de todos los niveles, que se estén
formando en la materia, fortaleciendo su destreza en la aplicación
de los conocimientos teóricos a casos prácticos, con los que podrá
encontrarse en su inserción profesional. La exposición clara y
rigurosa de la resolución de los ejercicios en cada capítulo, ayudará
al estudiante a comprender las nociones teóricas fundamentales en
el análisis de series temporales.
Copyright © 2016. Editorial de la Universidad Politécnica de Valencia. All rights reserved.

NOMÍA EMPRESA ECONOMÍA

EMPRES
EMPR
ÍA EMPRESA ECONOMÍA EM
RESA ECONOMÍA EMPRESA
NOMÍA
OMÍA
MÍA
M
MÍÍA E
ÍA EMPRESA
EMPRES
MPR RESA ECECONOMÍA
ECO
ÍA
A EMP
EMPRES
EM
EMPR
E
EMPRESA
MPRESA
MP E AE ECON
ECONOM
ECONOMÍA
CON
NO EM

ONOMÍA
RESA
ESA
SA
AE ECONOMÍA Í EM
EMP
EMPRESA
NOMÍA
OMÍA EMPRESA
MPRE ECONOMÍAECO
EDITORIAL

EMPRESA ECONOMÍA EMPR

También podría gustarte

SERIESdeTIEMPO Deimos
100% (2)
SERIESdeTIEMPO Deimos
285 páginas
Econometria de Las Series Temporales R Perez 2019
Aún no hay calificaciones
Econometria de Las Series Temporales R Perez 2019
133 páginas
Daniel Peña - Análisis de Series Temporales
100% (1)
Daniel Peña - Análisis de Series Temporales
302 páginas
Libro
0% (1)
Libro
1 página
Analisis Econometrico Eviews (Ursicino Carrascal)
Aún no hay calificaciones
Analisis Econometrico Eviews (Ursicino Carrascal)
363 páginas
Guia 27. La Electricidad
100% (3)
Guia 27. La Electricidad
3 páginas
MODELOS ECONOMETRICOS Con DATOS de PANEL PDF
Aún no hay calificaciones
MODELOS ECONOMETRICOS Con DATOS de PANEL PDF
8 páginas
Predicción en Economía - Aznar y Trivez (Extracto)
0% (1)
Predicción en Economía - Aznar y Trivez (Extracto)
72 páginas
Texto Series Temporales
100% (1)
Texto Series Temporales
306 páginas
PDF 2020 S4 Series de Tiempo
Aún no hay calificaciones
PDF 2020 S4 Series de Tiempo
36 páginas
Curso Estadistica Inferencial Udemy
100% (1)
Curso Estadistica Inferencial Udemy
311 páginas
Modelos Con Tendencia
Aún no hay calificaciones
Modelos Con Tendencia
47 páginas
ANALISIS DE DATOS MULTIVARIANTES Daniel Peña PDF
100% (2)
ANALISIS DE DATOS MULTIVARIANTES Daniel Peña PDF
560 páginas
Tema 7
Aún no hay calificaciones
Tema 7
38 páginas
Examen Final de Módulo Gestión Del Coste
50% (2)
Examen Final de Módulo Gestión Del Coste
4 páginas
1.-Econometr 4a Ed Monserrat-1-139
0% (1)
1.-Econometr 4a Ed Monserrat-1-139
139 páginas
Estadistica Bayesiana
Aún no hay calificaciones
Estadistica Bayesiana
42 páginas
Series de Tiempo Métodos Paramento
Aún no hay calificaciones
Series de Tiempo Métodos Paramento
92 páginas
Eco Metrics R
Aún no hay calificaciones
Eco Metrics R
122 páginas
Ejercicios Recomendados Examen 1 Preguntas - Examen - Final
Aún no hay calificaciones
Ejercicios Recomendados Examen 1 Preguntas - Examen - Final
35 páginas
Análisis de Series de Tiempo
0% (1)
Análisis de Series de Tiempo
13 páginas
Prueba de Informe Estadistica Hoy
Aún no hay calificaciones
Prueba de Informe Estadistica Hoy
22 páginas
Ananlisis de Series Temporales
Aún no hay calificaciones
Ananlisis de Series Temporales
68 páginas
Análisis Series Temporales-Rodríguez Morilla
Aún no hay calificaciones
Análisis Series Temporales-Rodríguez Morilla
21 páginas
Series de Tiempos - Investigación
Aún no hay calificaciones
Series de Tiempos - Investigación
10 páginas
Análisis de Series de Tiempo
Aún no hay calificaciones
Análisis de Series de Tiempo
13 páginas
1 Planta - Electrica - Diesel - 20-25KVA
Aún no hay calificaciones
1 Planta - Electrica - Diesel - 20-25KVA
7 páginas
Trabajo de Investigación
Aún no hay calificaciones
Trabajo de Investigación
33 páginas
A6 JDB
Aún no hay calificaciones
A6 JDB
7 páginas
Series de Tiempo
Aún no hay calificaciones
Series de Tiempo
7 páginas
Álgebra Lineal en Excel
100% (1)
Álgebra Lineal en Excel
29 páginas
Análisis Clásico - Series de Tiempo
Aún no hay calificaciones
Análisis Clásico - Series de Tiempo
21 páginas
T Series
Aún no hay calificaciones
T Series
70 páginas
A6 - Analisis de Datos
Aún no hay calificaciones
A6 - Analisis de Datos
6 páginas
Actividad Unidad 2
Aún no hay calificaciones
Actividad Unidad 2
3 páginas
Actividad 2 - Revisión Del Intento 2
0% (1)
Actividad 2 - Revisión Del Intento 2
5 páginas
A6 Equipo Ndpe
Aún no hay calificaciones
A6 Equipo Ndpe
10 páginas
B2. Módulo 6
Aún no hay calificaciones
B2. Módulo 6
37 páginas
Libro Econometría PDF
Aún no hay calificaciones
Libro Econometría PDF
118 páginas
Series de Tiempo
Aún no hay calificaciones
Series de Tiempo
79 páginas
Trabajo de Investigacion Final Grupo 8 Con Indice
Aún no hay calificaciones
Trabajo de Investigacion Final Grupo 8 Con Indice
63 páginas
Pesamos y Comparamos en Gramos - Mañana
Aún no hay calificaciones
Pesamos y Comparamos en Gramos - Mañana
13 páginas
Prediccion de Series Econometricas Mediante Redes Neuronales
Aún no hay calificaciones
Prediccion de Series Econometricas Mediante Redes Neuronales
281 páginas
AYUDANTÍA N - 6 - Ejemplos de Modelos Lane & Vickers
Aún no hay calificaciones
AYUDANTÍA N - 6 - Ejemplos de Modelos Lane & Vickers
89 páginas
EViews 10 Users Guide II-751-1000
Aún no hay calificaciones
EViews 10 Users Guide II-751-1000
250 páginas
Datos de Panel - Un Enfoque Practico
100% (2)
Datos de Panel - Un Enfoque Practico
57 páginas
Analisis de Series de Tiempo
Aún no hay calificaciones
Analisis de Series de Tiempo
15 páginas
MODELOS REGRESION Logistica PDF
100% (1)
MODELOS REGRESION Logistica PDF
37 páginas
Notas de Clase Econometria II
0% (1)
Notas de Clase Econometria II
119 páginas
Apuntes de Econometría - Profesor Eduardo Fajnzylber
Aún no hay calificaciones
Apuntes de Econometría - Profesor Eduardo Fajnzylber
106 páginas
CASAS Econometria Moderna
0% (1)
CASAS Econometria Moderna
108 páginas
Lab Concret Tres
Aún no hay calificaciones
Lab Concret Tres
14 páginas
Estadistica No Parametrica
Aún no hay calificaciones
Estadistica No Parametrica
211 páginas
Series de Tiempo PDF
Aún no hay calificaciones
Series de Tiempo PDF
34 páginas
Cuaderno de Informes Mando Final de Camion Minero Caterpillar 777F-1
Aún no hay calificaciones
Cuaderno de Informes Mando Final de Camion Minero Caterpillar 777F-1
10 páginas
PA1 - Proyecto - Derecho de La PI y de La Comp - Christian Zegarra
Aún no hay calificaciones
PA1 - Proyecto - Derecho de La PI y de La Comp - Christian Zegarra
11 páginas
Monsalve & Harmath 2015
Aún no hay calificaciones
Monsalve & Harmath 2015
200 páginas
Como Funcionan Los Protocolos TCP UDP e IP
Aún no hay calificaciones
Como Funcionan Los Protocolos TCP UDP e IP
6 páginas
Norma ISO 14001:2015 - Parte 2
Aún no hay calificaciones
Norma ISO 14001:2015 - Parte 2
5 páginas
La Comunicación en La Educación A Distancia
Aún no hay calificaciones
La Comunicación en La Educación A Distancia
26 páginas
Informe de Capacitacion Capacitacion Trabajo en Altura
Aún no hay calificaciones
Informe de Capacitacion Capacitacion Trabajo en Altura
6 páginas
Parcial 4nov Esp SOLUCION
Aún no hay calificaciones
Parcial 4nov Esp SOLUCION
6 páginas
Formulario Termodinámica
Aún no hay calificaciones
Formulario Termodinámica
10 páginas
Ejercicio Datos de Panel
Aún no hay calificaciones
Ejercicio Datos de Panel
10 páginas
DMConline - Introducción A Las Series de Tiempo en R PDF
Aún no hay calificaciones
DMConline - Introducción A Las Series de Tiempo en R PDF
19 páginas
Econometria Casas
100% (9)
Econometria Casas
308 páginas
Encuesta de Elementos Estructurales
Aún no hay calificaciones
Encuesta de Elementos Estructurales
4 páginas
Notas Modelos Lineales
Aún no hay calificaciones
Notas Modelos Lineales
229 páginas
Programa - Asignatura (Base de Datos)
Aún no hay calificaciones
Programa - Asignatura (Base de Datos)
4 páginas
UAI 1er ExamenParcial PE 1 C N 202009 CC - v1
Aún no hay calificaciones
UAI 1er ExamenParcial PE 1 C N 202009 CC - v1
6 páginas
Determinación de Costos Ingenieria de Proyectos
Aún no hay calificaciones
Determinación de Costos Ingenieria de Proyectos
3 páginas
Pronosticos Box Jenkins
100% (1)
Pronosticos Box Jenkins
133 páginas
03 - LópezMartínez - RaymundoAntonio - M23S4Fase Final
Aún no hay calificaciones
03 - LópezMartínez - RaymundoAntonio - M23S4Fase Final
4 páginas
Apuntes de Econometría
100% (10)
Apuntes de Econometría
33 páginas
Series de Tiempo I
Aún no hay calificaciones
Series de Tiempo I
51 páginas
Examen Final Informatica-Iii
Aún no hay calificaciones
Examen Final Informatica-Iii
4 páginas
Definición de Serie de Tiempo
Aún no hay calificaciones
Definición de Serie de Tiempo
7 páginas
Tarea 1. Organizador Gráfico. Características Del Currículo y Hexágono Curricular
Aún no hay calificaciones
Tarea 1. Organizador Gráfico. Características Del Currículo y Hexágono Curricular
6 páginas
Analisis Por Series Temporales de Un Conjunto de Datos Con El Software Matlab
Aún no hay calificaciones
Analisis Por Series Temporales de Un Conjunto de Datos Con El Software Matlab
5 páginas
Guia # 1 FUNCION LOGARITMICA
Aún no hay calificaciones
Guia # 1 FUNCION LOGARITMICA
3 páginas
Retazos
Aún no hay calificaciones
Retazos
1 página
Excel para Calculo de Muestra
Aún no hay calificaciones
Excel para Calculo de Muestra
2 páginas
Microeconometrics
Aún no hay calificaciones
Microeconometrics
1 página
Modelos VAR
Aún no hay calificaciones
Modelos VAR
15 páginas
Curp
Aún no hay calificaciones
Curp
1 página
Econometria de Series de Tiempo
Aún no hay calificaciones
Econometria de Series de Tiempo
23 páginas
Econometria Aplicada
Aún no hay calificaciones
Econometria Aplicada
11 páginas
Solucion Del Examen de Series de Tiempo
Aún no hay calificaciones
Solucion Del Examen de Series de Tiempo
3 páginas

Predicción en El Dominio Del Tiempo. Análisis de Series Temporales para Ingenieros

Cargado por

Predicción en El Dominio Del Tiempo. Análisis de Series Temporales para Ingenieros

Cargado por

Capítulo 1

1.2. Componentes de una serie temporal

Figura 1.2. Box-plot estacional de CEEsem

Ejemplo 1.2. Serie con tendencia y posible estacionalidad. Análisis descriptivo de la

1990 1995 2000 2005

Figura 1.3. Serie ‫ ܜ܈‬ൌ ̶cemento” contiene la producción mensual en toneladas de

1990 1995 2000 2005 -3e+05

Ejemplo 1.3. Descomposición de la serie ୲ ൌ ̶azulejos” correspondiente a la exporta-

1990 1995 2000 2005

1990 1995 2000 2005

Figura 1.6. Descomposición de la serie ̶azulejos”en sus componentes tendencia,

Estas componentes pueden estar actuando según un esquema aditivo, multiplicativo o

Ejemplo 1.4. Obtener una serie temporal Zt = St + It mediante la combinación lineal de

0 100 200 300 400 500

0 100 200 300 400 500

0 100 200 300 400 500

Debido a la naturaleza impredecible de la componente aleatoria lo más habitual es

La representación gráfica inicial de la serie pondrá de manifiesto información relevante

La componente T es una tendencia lineal, la componente S estacional es una función

Figura 1.7. Esquema aditivo

Figura 1.8. Esquema multiplicativo

1950 1952 1954 1956 1958 1960

1950 1952 1954 1956 1958 1960

Se observa tendencia mantenida al alza. Se aprecia una marcada componente estacional

1.3. Métodos de descomposición de una serie temporal

1.3.1. Método clásico descomposición

St + It. A continuación se determinan los índices estacionales que caracterizan la com-

1.3.2. Descomposición STL

Se suele englobar la componente de tendencia y cíclica en un mismo término llamada

Los pasos de la descomposición estacional clásica se describen a continuación. El pro-

Ejemplo 1.7. Descomposición estacional de la serie CEEsem representada en la Figura

Figura 1.9. Índices estacionales Ek de la serie CEEsem

El siguiente gráfico (Figura 1.10) corresponde a la representación en subseries por

Figura 1.10. Subseries estacionales horarias de la serie CEEsem

Figura 1.11. Subseries estacionales diarias de la serie CEEsem

La Tabla 1.1, muestra la descomposición estacional de forma analítica. Este procedi-

aleatorio. La columna TCt muestra los resultados de un promedio móvil centrado de

Tabla 1.1. Descomposición estacional clásica de la serie CEEsem

Datos Ciclo- Estacionalidad Coeficientes Irregular Zt

1 27504 93.003 29573.2

2 25326 85.9162 29477.6

3 23546 80.5644 29226.3

4 22511 77.758 28950.1

5 22017 76.9282 28620.2

6 22057 77.0507 28626.6

7 23173 79.2873 29226.6

8 24044 84.9924 28289.6

9 28500 93.4279 30504.8

10 31704 102.278 30997.9

11 35100 111.341 31524.8

12 36271 115.323 31451.7

13 36897 30954 119.2 117.482 101.46 25968.2

14 37459 31026 120.7 119.453 101.07 31358.8

15 37041 31093.6 119.1 116.476 102.28 31801.4

16 35854 31168.4 115.0 112.158 102.56 31967.4

17 35701 31252.5 114.2 111.625 102.34 31983.0

18 35502 31337.5 113.3 111.192 101.89 31928.6

19 35250 31409.5 112.2 110.63 101.44 31863.0

20 34277 31487.1 108.9 106.98 101.76 32040.6

21 33538 31548.5 106.3 105.079 101.17 31916.9

22 32981 31569.5 104.5 103.94 100.51 31730.8

23 33649 31567.4 106.6 105.871 100.68 31783.0

24 32075 31554.6 101.6 101.245 100.40 31680.6

1 29340 31536.8 93.0 93.003 100.03 31547.4

2 26948 31514.3 85.5 85.9162 99.53 31365.4

3 25171 31485.5 79.9 80.5644 99.23 31243.3

4 24473 31444.2 77.8 77.758 100.09 31473.3

5 24093 31404.5 76.7 76.9282 99.73 31318.8

6 24060 31365.7 76.7 77.0507 99.56 31226.2

7 24626 31325.5 78.6 79.2873 99.15 31059.2

8 26315 31278.1 84.1 84.9924 98.99 30961.6

9 29176 31224.7 93.4 93.4279 100.01 31228.4

10 32040 31180.3 102.8 102.278 100.47 31326.4

11 34660 31145 111.3 111.341 99.95 31129.6

12 36100 31117.5 116.0 115.323 100.60 31303.4

13 36212 31098 116.4 117.482 99.12 30823.4

Ejemplo 1.3. Descomposición de la serie ୲ ൌ ̶azulejos” correspondiente a la exporta-