47

CAPTULO 3
3. SERIES DE TIEMPO
Las series de tiempo son un registro metdico a intervalos de tiempo fijos de las caractersticas de una variable, o su observacin numrica. Se usan para describir y analizar fennemos a travs del tiempo. Las series de tiempo son en definitiva procesos estoc ticos, pero con la restriccin de !ue estn inde"ados por el tiempo y !ue los cortes se #agan a intervalos fijos. $efiniremos a continuacin un proceso estoc stico.

3.1 Procesos Estocsticos %n proceso estoc stico es una familia de variables aleatorias asociada a un conjunto ndice de n&meros reales' es decir a cada elemento del conjunto de n&meros ndice, le corresponde una y solo una variable aleatoria.

4(

Sea T el conjunto de n&meros reales ndice. $efinimos Z () como la variable aleatoria correspondiente al elemento

de T )es decir,

est

en T *. $efinimos al proceso estoc stico como la familia )o el conjunto* de variables aleatorias + Z (),

Las series de tiempo discretas, ) 1 , 2 , 3 ,-, n *. son las observaciones de una variable en el tiempo )/,0...n*. 1l proceso estoc stico respectivo ser ' + 2) 1 *, 2) 2 *, 2) 3 *,-..2) n * ,. 1s decir, una familia )o conjunto* de variables aleatorias. 1n lo sucesivo el nombre de la variable en )t* y su valor observado, se denotar n por Z t .

%na serie de tiempo observada es simplemente una realizacin de un proceso estoc stico' siempre #abr un elemento probabilstico en las

observaciones registradas y observadas.

1l comportamiento de una variable aleatoria ( Z ) se describe por su funcin de densidad

1 2

f (Z)

. 1l comportamiento de dos variables

aleatorias Z , Z , !ueda descrito por su funcin de densidad conjunta

f ( Z 1, Z 2 ) ,

si

stas

son

variables

aleatorias

independientes'

f ( Z1 , Z 2 ) = f ( Z1 ) f ( Z 2 ) .

43

1n el an lisis de series de tiempo se establece el supuesto de !ue las observaciones no provienen de variables aleatorias independientes' se supone !ue e"iste toda una estructura de correlacin entre las observaciones4 por lo !ue no es f cil obtener la funcin de densidad conjunta.

3.1.1. Ventajas de a !icar rocesos estocsticos a series de tie" o# 5le"ibilidad para representar un amplio n&mero de fenmenos mediante una sola clase general de modelos. 5acilidad y precisin en pronsticos. 6eneralizar mtodos de an lisis de variables individuales a grupos de variables.

7#ora analizaremos los procesos determinsticos. 8ara ello, vamos utilizar ciertas #erramientas de las ecuaciones en diferencia.

Su solucin. 9ondiciones para llegar al e!uilibrio.

:;emporalmente< #acemos caso omiso a la aleatoriedad. Luego, ya #aremos un smil entre e!uilibrio y estacionariedad.

=>

3.$ Ec%aciones en di&erencia# ?perador incremento '

Z t = Z t +1 Z t

La ecuacion'

Z t = a 0 + a1 Z t 1

Se puede escribir como'

( 1 a1 B ) Z t

= a0

La solucin general de dic#a ecuacin es'

Z t = [ a 0 / (1 a1 ) ] + sa1t

1s f cil probar !ue la solucin de la ecuacin diferencial /, est dada por la ecuacin 0 ' aplicando a la ecuacin 0 el operador4 1 a1 B se obtiene la ecuacin )/*.

La solucin particular re!uiere informacin adicional para calcular el valor de ( s ) . @ s generalmente, conociendo la condicin inicial Z 0 , se tendra !ue Z 0 = [ a 0 / (1 a1 ) ] + s , y la solucin de la ecuacin en diferencia sera'

=/

Z t = [ a 0 / ( 1 a1 ) ] + [ Z 0 ( a 0 / ( 1 a1 ) ) ] a1t si suponemos !ue

t t 4 a1 tiende a cero y ( Z t ) tiende a' Z t = a 0 / (1 a1 )

a1 <1 ,

cuando

1l mtodo iterativo o :pedestre<, permite tambin resolver una ecuacin en diferencia.

Z 1 = a 0 + a1 Z 0

Z 2 = a 0 + a1 ( a 0 + a1 Z 0 ) = a 0 (1 + a1 ) + a12 Z 0

Z 3 = a 0 + a1 Z 2 = a 0 + a 0 a1 + a12 + a13 Z 0 Z 3 = a 0 (1 + a1 + a12 ) + a13 Z 0 Z 4 = a 0 1 + a1 + a12 + a13 + a14 Z 0 Z t = a 0 (1 + a1 + a12 + a13 + ...a1t 1 ) + a1t Z 0

Z t = a 0 1 a1t / (1 a1 ) + a1t Z 0

Ec%aciones en di&erencia de se'%ndo orden#

Z t = a 0 + a1 Z t 1 + a 2 Z t 2

3.3. Ti os de series de tie" o# 3.3.1. Series de tie" o estacionarias.(

=0

%na vez definida la funcin de autocavarianza, podremos definir la estacionariedad de un proceso estoc stico, en este caso, de una serie de tiempo )m s especificamente nos referimos a la estacionalidad dbil*. 1n general, cuando se #abla de estacionaridad nos referimos a estacionaridad dbil.

3.3.1.1. Estacionaridad o estacionaridad d)*i!.( la serie de tiempo

{ X t ,t Z} ,

donde Z es el conjunto de los n&meros enteros es

estacionaria s y solo s'

2 i+ E[ X t ] < , t Z

ii+ E[ X t ] = , t Z
s, t , h Z . iii+ Cov[ X s , X t ] = Cov[ X s +h , X t +h ] ,

1n resumen para !ue una serie de tiempo sea estacionaria se necesita !ue su varianza se mantenga finita, !ue su primer momento sea constante a lo largo del tiempo y !ue la covarianza entre dos variables de la serie solo dependan de el lapso entre estas y no en su ubicacin en el tiempo )es decir la covarianza entre X s y X t solo dependedan de ( s t ) , y no de

s ni de t .

3.3.1.3. Estacionaridad Estricta.(

=A

Se dice !ue la serie de tiempo { X t , t Z } es estrictamente estacionaria si la distribucin conjunta de ( X t1 . X t 2 , X t3 ,..., X t 4 ) es la misma !ue la de ( X t1 +h . X t 2 +h , X t3 +h ,..., X t 4 +h ) .

$ebe notarse !ue en la estacionaridad estricta no se necesita !ue los X t @antengan su varianza finita, por consiguiente la estacionaridad estricta no implica necesariamente estacionaridad dbil. ;ambin es de notar !ue toda funcin no lineal de un proceso estrictamente estacionario sigue siendo estrictamente estacionario, sin embargo no sucede lo mismo con las funciones no lineales de procesos estacionarios dbiles. 8or ejemplo el cuadrado de un proceso estacionario dbil puede no tener una varianza finita.

Las propiedades de los procesos estacionarios y no estacionarios son muy diferentes, y re!uieren diferentes mtodos para realizar inferencias. %n procedimiento, para estudios empricos, sencillo y &til de reconocer entre un proceso estacionario y uno no estacionario es ploteando los datos. Si una serie parece no tener una media constante o varianza, entonces es muy probable !ue no sea estacionaria.

=4

3.3.1.3. Estacionariedad de !as series de tie" o# 1n la pr ctica muc#as series no son estacionarias4 pero s sus primeras y segundas diferencias. 1l propsito de diferenciar una serie es volver estacionaria al diferencial de dic#a serie. Bo

obstante, debe recordarse !ue si se toman diferencias de series !ue ya son estacionarias4 estas diferencias tambin ser n estacionarias. Luego puede darse una sobre diferenciacin de las series4 lo !ue acarrea problemas de identificacin respecto a a!uel modelo !ue representa mejor el proceso !ue sigue la serie y se incrementa su varianza.

%na serie de tiempo es estacional cuando adem s de su tendencia y ciclo de largo plazo, muestra fluctuaciones !ue se repiten peridicamente.

?bservaciones

mensuales'

puede

#aber

similitud

de

comportamiento para observaciones del mismo mes4 por ejemplo, venta de juguetes en los :meses de diciembre<. ;ambin puede #aber

==

un patrn de comportamiento peridico con duracin menor a un aCo4 por ejemplo, :cada seis meses< a partir de junio. Las observaciones de los :meses de junio< y los :meses de diciembre< ser n similares en su comportamiento, adem s de un comportamiento similar de las observaciones de los :meses de diciembre< entre s, y de los :meses de junio< entre s. 1s conveniente considerar genricamente un periodo 1 donde

esperamos observar comportamiento estacional de la variable.

3.3.1.-. Procesos Er'.dicos La ley de los grandes n&meros de Dolmogorov establece !ue si los
X i Es son indepedientes y est n todos identicamente distribuidos

con media y varianza 2 entonces tenemos el siguiente lmite'

X = n 1 X i .
i =1

1n series de tiempo en lugar de tener un promedio de un conjunto de individuos en un instante dado, tendremos un promedio a travs del tiempo del mismo individuo. 8ara entender mejor esta diferencia consideremos primero un conjunto de estudiantes formanado un curso, se tom primero el promedio de todo el curso de cierto

=F

e"amen final. Luego se tom el promedio de la carrera estudiantil de un solo estudiante. 9iertamente son medidas diferentes. 1n el primer caso la ley de los grandes n&meros afirma !ue el promedio del curso converger al de la distribucin. 8ara poder #acer una aplicacin de esta ley, a las series de tiempo es necesario !ue stas sean ergdicas y estacionarias.

8ara definir lo !ue es un proceso ergdico, primero debemos definir lo !ue son las medias temporales de un proceso. Si Y (t ) es un proceso estoc stico, entonces su media temporal, as'
Y (t )

, se define

1 Y (t ) = lim k 2T

Y (t ) dt

7#ora si podremos definir lo !ue es un proceso ergdico.

3.3.1.-. Proceso er'.dico

X (t ) es un proceso ergdico si y solo si todas sus medias

estadsticas de la familia pueden ser intercambiadas por sus correspondientes medias temporales. 1s decir una simple

realizacin temporal es representativa de todo el proceso. Gue un

=7

proceso sea ergdico implica !ue ste sea estacionario, pero al revs no.

8or lo tanto' Si la serie de tiempo X t es estacionaria y ergdica con

E[ X t ] = , entonces el promedio de la serie de tiempo converge a

es decir' X t = t 1 X i .
i =1 _ n

3.3.1./. Procesos estocsticos !inea!es# ?curren c#o!ues aleatorios independientes de una variable. 1stos c#o!ues, generan series de tiempo para otras ciertas variables,

cuyos valores sucesivos pueden ser altamente dependientes' esta es la idea genial !ue introdujeron Hule)/307* y Io" J KenDins )/37>*.

( at )

es la variable sujeta a c#o!ues aleatorios independientes. Sin

embargo, los valores !ue se generan para Z t relacionada con un polinomio de rezagos de a t , son altamente dependientes con valores sucesivos de Z .

=(

8or

ejemplo'

at,

la

variable

sujeta

c#o!ues

aleatorios

independientes, puede ser :la cantidad de lluvia<,

la cual tiende

afectar :las cosec#as de maz<. 1s factible !ue la cosec#a de maz en el perodo t, denotada por Z t est afectada por la cantidad de lluvia del aCo t, la de un perodo pasado y la del perodo antepasado4 por lo !ue la cosec#a actual y la del aCo pr"imo estar n

relacionadas ' ambas dependientes de las lluvias actuales y las del aCo pasado.

Z t = + a t 1a t 1 2 a t 2 .... = + 1 1 B 2 B 2 3 B 3 + ... a t

Z t = + ( B ) a t

1l polinomio de retraso para a t :convierte<, a travs de una relacin, el proceso estoc stico + a t , en el proceso + Z t ,.

3.3.1.0. Caracter1sticas de %na serie de tie" o.( 8ara realizar inferencias acerca de estas variables, muc#as veces es &til :descomponer< la serie de tiempo por componentes' sus principales

=3

serie.

;endencia y ciclo' representa el movimiento de largo plazo de la

1stacionalidad' representa efectos de fenmenos !ue ocurren o

se reproducen peridicamente )fin de semana, diciembres, los viernes, etc.*. Lrregularidad' movimientos impredecibles o aleatorios.

;endencia y ciclo y estacionalidad, conforman la parte determinstica de la serie, mientras !ue la irregularidad representa la parte noM

determinstica o estoc stica de la serie.

@uc#os usuarios de la informacin se limitan a desestacionalizar las series estoc sticas )en parte por la generalizacin de mtodos de desestacionalizacin*, sin intentar un an lisis completo. estadstico mas

3.-. Mode!os de series de tie" o 3.-.1. O eradores 2 o!ino"ios# Los polinomios de retraso son muy &tiles, por!ue permiten

representar en forma concisa y simple modelos !ue son muy valiosos )pero !ue parecen complejos*.

F>

O erador de retraso o 3*ac45ard6 7 , aplicable a 2 t. Bos

indica !ue se debe retrasar la variable un periodo' es decir, tambin, y en general, I 2 t N 2 tM/, I02 t N I OI 2 tP N IO2 tM/P N 2 tM0 , IQ 2 t N 2 tMQ.

O erador di&erencia , aplicable a Z t . Bos indica !ue se

debe obtener las diferencia entre Z t y su valor rezagado'

Z t = Z t Z t 1 = (1 B ) Z t

2 Z t = ( Z t Z t 1 ) = ( Z t Z t 1 ) ( Z t 1 Z t 2 )

Po!ino"ios &or"ados asadas, onderadas#

or o*ser8aciones

resentes 2

G ( B ) Z t = Z t g1 Z t 1 g 2 Z t 2 ... g k Z t k = Z t g j Z t j

Po!ino"ios de retraso raciona!es#

G ( B ) = A( B ) / C ( B )

7)I* N /M aj I j 4 9)I*N /M c j I j

F/

1jemplo' probar !ue el siguiente operador )polinomio de retrasos* es :racional<'

6)I* N /R gI Rg 0 I0 R g A IA R g 4 I4....... 8ara' g S /.

1s claro !ue en este caso 6)I* es un polinomio de retraso racional, puesto !ue es e!uivalente a la relacin '

6 )I* N 7 )I* T 9)I* N/ T ) /Mg I*. $onde' 7 )I* N / 4 9)I* N )/Mg I*.

Mode!os A%torre'resi8os 9AR+# $eterministicos. Son del tipo'

A( B ) Z t N constante

1stoc sticos. Se introduce una variable aleatoria'

A( B ) Z t = constante + a t

F0

$onde {a t } es un proceso de ruido blanco. A( B ) es un polinomio de rezagos de la forma'

(1 B B
1 2

3 B 3 + ..... p B p ) . Luego el

modelo estoc stico se puede escribir como'

[1 B B
1 2

3 B 3 4 B 4 + .... p B p Z t = constante + a t

Si' E ( Z t ) = , para todo t , implica !ue la constante sea igual a

(1

2 ... p ) . H !ue el proceso estoc stico se pueda escribir

como'
~ = [1 B B 2 ... B p ] Z ~ =a Z ~ = ( Z ) ( B) Z . 1 2 p t t t

1l proceso es autorregresivo por!ue tambin se puede escribir como'

Z t = (1 1 2 ... p ) + 1 Z t 1 + 2 Z t 2 + p Z t p + a t

1s

importante

determinar

si

el

proceso

estoc stico

tiene

estacionariedad4 es decir si ( Z t ) tiende a localizarse )la mayora de las veces* en la vecindad de su valor medio.

;enemos'

FA

~=a ( B) Z t . 1l proceso ser rezagos, )I*, e!uivalente a'

estacionario si para el polinomio de

( B ) = (1 g1 B )(1 g 2 B )....(1 g p B ) , g i <1 , para i = 1,2,3... p

Re resentaci.n de rocesos 9o "ode!os+ a%torre'resi8os 9AR+#

( Z t ) = 1 ( Z t ) + 2 ( Z t 1 ) + ... n ( Z t k ) + a t

[1 B B
1 2

3 B 3 ..... p B p ( Z t ) = a t

( B ) [ Z t ] = a t

1l modelo 7U ser de orden )/,0,A,-p*, de acuerdo con el n&mero )/,0,A,..p* de rezagos !ue el realice. polinomio operador de rezagos )I*

Mode!o a%torre'resi8o de orden %no. AR 91+#

F4

~ Z ~ =a Z t t 1 t , !ue genera una serie de tiempo conocida como serie de @arQov.

~ 1l proceso se puede reMescribir como' (1 B ) Z t = a t .

La raz de la ecuacin' 1 X = 0 , circulo unitario' es decir < 1.

deber

encontrarse fuera del

Mode!o AR 9$+#

~ [1 B B ] Z
2 1 2

= at .

[Yule 1927]

~ (Z t

= Zt )

Mode!o AR 9 +#

[1 B B
1 2

~ =a . 3 B 3 ..... p B p Z t t

~ = Z ~ + Z ~ ~ ~ Z t 1 t 1 2 t 2 +3 Z t 3 ....... + p Z t p + a t

Mode!os ro"edios ".8i!es 9MA+. Lntroducidos por Hule )/30F* y SlutsQy )/307*. Son procesos estoc sticos {Z t } , cuyos valores pueden ser dependientes entre s,

F=

por!ue corresponden a una suma finita ponderada de c#o!ues aleatorios independientes {a t } .

0 A 4 ! 2t N )/M q I * a t 3 I M 1 I M 2 I M 4 I ---.M

1l trmino :promedios mviles< no es estrictamente correcto, por!ue

i puede ser negativo y i /.

S es menor a infinito y considerando i sumandos, el proceso es estacionario.

un n&mero finito de

Re resentaci.n de ro"edios ".8i!es or "edio de o!ino"ios de retrasos#

Z t = + a t + 1 at 1 + 2 at 2 + ... + n a n

( Z t ) = (1 + 1 B + 2 B 2 + 3 B 3 + ... + n B n )a t

$onde + a t , es una sucesin de variables aleatorias con ciertas caractersticas.

FF

La representacin compacta del modelo de promedios mviles )@7* ser '

Z t = ( B) at 7 este modelo se le conoce como el modelo de .

promedios mviles, o modelo @7 por sus siglas en ingls. $e acuerdo con el n&mero de rezagos !ue el polinomio operador de rezag.os ) I * realice )/,0,A, -!*, el modelo @7 alcanzar orden )/,0,A, -!*. un

Mode!o MA91+#

~ = Z )/M t

I*a t Na tM a tM/

~ ~ 2 1 ( Z t ) N > 4 V7U Z t = )/M 2 *V7U )a* N)/M 2 * a .

~ ~ La autocovarianza entre Z t y Z t k ser '

1O)a tM a tM/*) a tM a tMQM/* N M a ,para DN/ y cero para K 2 4

2

por lo !ue el coeficiente de autocorrelacin entre Z t y Z t k ser '

~ Z ~ 2 k N7utocovarianza) Z t 4 t k * T V7U )a* N M )/M * para DN/4

cero para K 2 .

F7

1l proceso @7)/* :no recuerda< m s all de lo ocurrido el periodo anterior4 es decir tiene una memoria limitada a un periodo. Bote !ue k >.=.

Los procesos autorregresivos estacionarios pueden representarse por modelos de promedios mviles )siempre !ue sea menor a uno*4 de igual forma los modelos @7 )/* pueden representarse en forma de un modelo autorregresivo si / .

1n general cuando un proceso 7@)!* se puede e"presar mediante un modelo 7U)p* se dice !ue dic#o proceso es invertible.

Mode!o MA 9$+#

~ = Z )/M t

I.M 2 I0* a t

~ = Z ) (Z t t
~ ~ 2 1 ( Z t ) N > 4 V7U ( Z t ) N ) / R + 2 * a .

Mode!o MA 9:+

F(

~ = Z )/M t

! WI M 2 I0 M -..M q I * a t

~ = Z at M W a t

tM/

M 2 atM0---..M q a tM!.

~ )=0 E( Z y un coeficiente de autocorrelacin de la serie k X> para t

DN /,0,A ...! y cero para k q +1 4 lo !ue nos seCala !ue el proceso @7 )!* tiene :memoria limitada< a ! periodos.

ARMA 9 , :+#

@odelo autorregresivo y de promedios mviles' 8roceso estoc stico !ue sigue la variable aleatoria 2t , cuya desviacin con respecto a su valor esperado lo denotamos por'
~ Z
t

N 2 tM

1l modelo lo e"presamos de la siguiente forma' /* ( B ) Z t = ( B) at , $onde )I*, )I* son operadores de rezagos de orden p y ! respectivamente, +at, es una variable aleatoria con proceso de ruido blanco )media cero y varianza finita*.

F3

~ %na forma alterna de escribir el proceso !ue sigue la variable Z

sera'
2 p 2 q /./* (1 + 1 B + 2 B + ... + p B ) Z t = (1 + 1 B + 2 B + ... + q B )at

? bien' /.0* Z t +1 Z t 1 +2 Z t 2 +... +p Z t p = a t +1 at 1 +2 a t 2 +... +q a t q

1l modelo 7U@7 )p, !* es una generalizacin de los modelos 7U y @7, combinando ambas clases de modelos. ;al generalizacin surge de observar !ue las series de tiempo presentan,

simult neamente, caractersticas de procesos 7U H @7. 7dem s, el principio de parsimonia sugiere construir modelos !ue incluyan el menor n&mero posible de par metros.

1s de esperarse !ue no todas las series de tiempo sean estacionarias, supuesto bajo el cual est construido el modelo

7U@7. Bo obstante, sabemos !ue para casi cual!uier serie no estacionaria, la primera, segunda o tercera diferencia de la serie si es estacionaria. Iajo estas condiciones Haglom )/3==*, consider
~ !ue si el proceso original + Z t , adolece de no estacionariedad

causada por una tendencia polinomial no determinista )a la cual se

7>

le denomina no estacionariedad #omognea* es posible construir un proceso estacionario +Yt,, tal !ue'
~ 0* Yt N d Z t , para toda t. 8ara esta nueva serie es posible obtener

un modelo 7U@7'

)I* Yt N ( B ) a t, e!uivalente a considerar el modelo 7UL@7 '

~ )I* d Z t N ( B ) a t

1n el modelo 7UL@7 el trmino :integracin< proviene de !ue 2 t e!uivale a la suma de un n&mero infinito de valores actuales y pasados de Yt . 9onsideremos la ecuacin 0, para d N/. 1l valor de 2t se puede obtener multiplicando ambos lados de dic#a ecuacin por el operador M/, obtendramos' 2t N M/ Yt N )/MI*M/ Y t N Y t R Y tM/ R Y tM0 R Y tMA R-.. -, una suma de un numero infinito de trminos.

Mode!o ARIMA 9 , d, :+.(

$ado !ue en muc#as ocasiones el proceso estoc stico !ue sigue

~ no es de estacionariedad4 pero si su diferencial de O2 t M P N Z t

primero, segundo, tercer..- ensimo orden, se puede formular una

7/

generalizacin del modelo 7U@7 para llegar a lo !ue se conoce como modelo 7UL@7.

;endremos finalmente'
~ NIa ) I * O d ) 2 t M * P N ) I * d Z t t.

Gue constituye el llamado modelo autorregresivo integrado y de promedios mviles, o modelo 7UL@7 por sus siglas en ingls )autorregresive, integreted, moving average*.

1l modelo 7UL@7 se describe m s precisamente como' 7UL@7 )p, d, !*. $onde p es el n&mero de rezagos !ue el polinomio operador de rezagos )I * realiza, d es el n&mero de diferenciaciones sobre
~ !ue el operador d realiza y ! es el n&mero de rezagos !ue el Z t

polinomio operador de rezagos )I* realiza. )Ver figura 4*.

( B )

d Z t

( B ) a t

Orden del polinomio de retra o B

Orden del e!ponente en el operador di"eren#ia

Orden del polinomio de retra o $

70

<i'. -

%n modelo 7UL@7 )p, d, !* indica !ue el modelo consta de un polinomio autorregresivo de orden p, de una diferenciacin en la
~ variable de estudio Z t de orden d, y de un polinomio de promedios

mviles de orden !, tal como se muestra en la figura A.

Mode!o M%!ti !icati8o Estaciona! 9ARIMA 9 , d , :+ = 9P ,D , >+E+#

7 fin de incorporar los efectos estoc sticos estacionales y no estacionales a !ue est n sujetos los valores observados de cierta caracterstica de la poblacin, o series de tiempo, Io" y KenQins )/37>* propusieron un modelo general del tipo'

D * N )I1* )I1 * E ) 2 tM

$onde las variables + t,

no se suponen ruido blanco, sino

generadas por un proceso 7UL@7 )p,d,!*, o sea'

7A

)I* d

t N )I* a t

9on )a t* un proceso de ruido blanco. $e estas dos &ltimas e"presiones se obtiene el modelo multiplicativo estacional'

D * N )I* )I1* a t )I* )I1 * E ) 2 tM

1l cual lo denotamos por' modelo 7UL@7 ) p, d , !* Z )8 ,$ , G* 1.

9omo es de esperarse, a mayor complejidad del modelo corresponde una estructura de autocorrelacin m s compleja.

1l modelo 7UL@7 multiplicativo estacional para series con observaciones mensuales permite4

/* 9onsiderar la relacin !ue puede e"istir entre las observaciones de meses contiguos dentro de los aCos.

0* 9onsiderar la relacin !ue puede #aber entre aCos, para las observaciones de los mismos meses.

74

1s decir se :captura< simult neamente, los efectos estacionales y de tendencia del proceso :multiplicativa< o de :autoMrefuerzo< de manera de tales efectos.