05 de diciembre de 2019

Modelo
Autorregresivo
Integrado de
Media Móvil
(ARIMA)
Erika Alvarez
Dilsy Nicole Bueno
Origen
A finales del siglo XX diversos investigadores comenzaron a
desarrollar y aplicar nuevas propuestas para la modelación de
series de tiempo, capaces de tratar con cualquier patron de datos
y producir pronósticos precisos en base a la descripción de
patrones históricos de datos.

Especificamente los modelos desarrollados en las últimas decadas

son los llamados autoregresivos (AR), de medias moviles (MA),
integrados (I), así como las posibles combinaciones entre éstos
(ARMA y ARIMA).
 Metodología Box -Jenkins

El método Box & Jenkins fue generado en el año 1970, la

metodología se basa en tratar de determinar cual es el
modelo probabilístico que rige el comportamiento del
proceso a lo largo del tiempo.
 Modelos
A
I
RM
Modelo Autoregresivo Integración
Una observación está Los errores tienden a
determinada por sumarse o integrarse en el
observaciones anteriores. tiempo.

A
Modelo de medias móviles
Una determinada observación está condicionada por los errores de
las observaciones anteriores.
 Modelo Autorregresivo Integrado de Medias
Móviles (ARIMA)

Es un modelo de series temporales que utiliza datos para hacer predicciones

a futuro. Las estimaciones futuras vienen explicadas por los datos del pasado
y no por variables independientes.

Para que un proceso aleatorio tenga una formulación tipo ARIMA, es

necesario que se cumpla con la condición de estabilidad.
La estacionariedad exige que se cumplan dos requisitos:
Media constante: no exista tendencia.
Varianza constante: Homocedasticidad
Ejemplo: serie de tiempo estacionaria
y no estacionaria
 Características
• No involucra a la variable independiente, emplean información que se
encuentra en la serie misma para generar los pronósticos.
• Aplica para datos discretos y continuos.
• Se recomienda un mínimo de 50 observaciones.
• Series con patrones estacionales.
• Toma en cuenta serie de tiempo en el pasado.
• Permite examinar el modelo más acuado.
• Analiza errores recientes de pronósticos para seleccionar el ajuste
apropiado para periodos futuros.
• Es mas apropiado para predicciones a lago plazo.
• Extrae mucha información de la serie de tiempo, mas que cualquier otro
modelo.
• Utiliza la observación mas reciente como valor inicial
Metodología Box y Jenkins
Fase 1 Fase 2 Fase 3 Fase 4

Consiste en identificar la estimación de los Diagnóstico, se procede a una vez que se ha

el posible modelo parámetros AR y MA comprobar que los obtenido un modelo
ARIMA, el cual requiere del modelo por residuos no tienen adecuado se realizan
aplicar para convertir máxima verosimilitud estructura de dependencia predicciones con el
la serie observada en y que obtienen sus y siguen un proceso de mismo.
una serie estacionada. errores estándar y los ruido blanco.
residuos del modelo.
Ventajas y desventajas

Ventaja principal
 Proporciona predicciones optimas en el plazo y en el corto plazo.
 Los conceptos que se utilizan se derivan de solidas teorías de la probabilidad clásica y
de la estadística matemática.
 Los modelos ARIMA son una familia de modelos, no simplemente un único modelo Box
y Jenkins desarrollaron una completa estrategia que sirve de guía para escoger un
apropiado modelo dentro de esta gama de modelos.
 Un apropiado modelo ARIMA produce óptimas predicciones.
Ventajas y desventajas

Desventaja principal
 La ejecución de la metodología Box-Jenkins es un arte, y se necesita habilidad, debido
a que las técnicas básicas en la modelación de los procesos ARIMA son fácilmente
accesibles y ajustables.
 La determinación del modelo que mejor se adecua a la serie de datos no es trivial, por
lo que se necesita de un personal que realice las predicciones.
 Pasos a seguir para el análisis de
datos
Recogida de Identificación del
datos modelo

Estimación de los
Representación
coeficientes y
gráfica
Validez del modelo

Transformación Análisis de los

previa de la serie errores

Selección del
Eliminación de la
modelo
tendencia
Predicción.
Diagnostico, validación o contraste

Box y Jenkins sugirieron un numero considerable de test para verifier si el modelo se

ajusta correctamnete al conjunto de adtos. Uno de ellos es la sobreparametrizacion,
consiste en ajustar un modelo de orden superior al elegido y comprobar si los parametros
son significativamente distintos a cero.
 Si el modelo se aproxima a la serie observada, los residus deben tender a comportarse
como ruido blanco, lo que se comprobaria mediante las funciones de autocorrelacion
de los resduos.
 Si el modelo no se aproxima a la serie observada, los residuos se comportrian como un
ruido autocorrelado