UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

E.A.P. INGENIERA COMERCIAL

ARIMA
Curso: Mtodos Predictivos
Docente: Mg. Humberto Espada S.
Tema: Modelo de Autorregresion
PRESENTADO POR:
VILCA GUSTAVO
HUANACUNE GIANCARLO
QUISPE JUDITH
HUALPA BRENDA
MAMANI GUILLERMO

TACNA PERU
2016

INDICE
INTRODUCCIN..................................................................................................3
CAPTULO I..........................................................................................................4

I.

MARCO TERICO........................................................................................4

1.1

CONCEPCIN DEL MODELO..................................................................4

1.2

CONCEPTO................................................................................................4

1.3

FRMULA Y ELEMENTOS.......................................................................5

1.4

CARACTERSTICAS.................................................................................5

a) Modelos AR (P):........................................................................................5
b)

Modelos MA (Q):....................................................................................5

c) Modelos ARMA (P,Q):...............................................................................6

d)

Modelos ARI (P,D) E IMA(D,Q):.............................................................6

1.5 FINALIDAD Y PROPSITO...........................................................................6

CAPTULO II.........................................................................................................7
II.

METODOLOGA DEL MODELO...................................................................7

2.1 RECOLECCIN DE DATOS..........................................................................7

2.2 PROCEDIMIENTO (SPSS)............................................................................8
2.3 INTERPRETACIN........................................................................................9
CAPTULO III......................................................................................................10
III.

APLICACIN A LA INGENIERA COMERCIAL.....................................10

3.1 CASO PRCTICO 1.....................................................................................10

3.2 CASO PRCTICO 2.....................................................................................16
3.3 CASO PRCTICO 3.....................................................................................22
CONCLUSIONES...............................................................................................29

INTRODUCCIN
En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a
identificar, estimar y diagnosticar modelos dinmicos de series temporales
en los que la variable tiempo juega un papel fundamental. En parte, los
procedimientos que vamos a analizar se contraponen a la "forma tradicional"
de identificar y especificar un modelo apoyndonos en las teoras subyacentes
al fenmeno analizado aunque, convenientemente utilizados, los conceptos y
procedimientos que examinaremos constituyen una herramienta til para
ampliar y complementar los conocimientos economtricos bsicos.
La ventaja radica en el hecho de no necesitar distintas series de datos
(distintas variables) referidas al mismo perodo de tiempo (caracterstica
comn a todos los modelos univariantes) y, al mismo tiempo, ahorrarnos la
identificacin y especificacin del modelo en el sentido de la econometra
tradicional. El inconveniente es que, al renunciar a la inclusin de un conjunto
ms amplio de variables explicativas, no atendemos a las relaciones que
sin duda existen entre casi todas las variables econmicas perdiendo
capacidad de anlisis al tiempo que renunciamos, implcitamente, al
estudio terico previo del fenmeno y a su indudable utilidad.

CAPTULO I
I.

MARCO TERICO
1.1 CONCEPCIN DEL MODELO
La metodologa Box Jenkins es distinta a la mayora ya existente,
porque es una tcnica que no asume ningn patrn particular en los
datos histricos de la serie a pronosticar.
Esta metodologa le permite al analista seleccionar el modelo que mejor
se ajuste a sus datos; este modelo incluye a los modelos AR (slo con
trminos autorregresivos), modelos MA (slo con trminos de promedio
mvil y los modelos mixtos ARIMA (Modelos de promedio mvil de
autorregresivos integrados), nos centraremos en el anlisis de este
ltimo.
1.2 CONCEPTO
Es un modelo
autorregresivo
integrado
de
media
mvil o ARIMA (acrnimo del ingls autoregressive integrated moving
average) es un modelo estadstico que utiliza variaciones y regresiones
de datos estadsticos con el fin de encontrar patrones para una
prediccin hacia el futuro.

1.3 FRMULA Y ELEMENTOS

p como el orden del componente auto regresivo.

q el orden del componente de media mvil.
d el nmero de diferencias que la serie tiene que ser transformada
para ser estacionaria.

1.4 CARACTERSTICAS
a) Modelos AR (P):
La prediccin tiende a m (media del proceso) a medida que
aumenta el horizonte temporal de la prediccin.
b) Modelos MA (Q):
Dada la memoria limitada que caracteriza a estos procesos, la
prediccin es igual a m (media del proceso) cuando el

horizonte temporal de la prediccin es mayor que el orden del

proceso (q).
c) Modelos ARMA (P,Q):
A partir de "q" perodos futuros la prediccin tiende a m
(media del proceso) a medida que aumenta el horizonte
temporal de la prediccin.
d) Modelos ARI (P,D) E IMA(D,Q):
La prediccin ya no tiende a m sino que ser una lnea recta
que parte de Y(1) 88con pendiente igual a la media del
proceso wT (serie resultante de las transformaciones
necesarias para hacerla estacionaria)

1.5 FINALIDAD Y PROPSITO

El modelo ARIMA, tiene como finalidad le permitirle al analista
seleccionar el modelo que mejor se ajuste a sus datos, con el propsito
de poder predecir escenarios futuros, con respecto a datos histricos.

1.6 SOFTWARE UTILIZADO

STATGRAFHICS
SPSS

CAPTULO II
II.

METODOLOGA DEL MODELO

2.1 RECOLECCIN DE DATOS
Se har el anlisis de la serie de tiempo con los datos histricos
proporcionados por la empresa,
correspondiente a siete aos,
comprendidos de Enero 2003 a Diciembre 2009, con el objeto de
observar el comportamiento del producto Niboten en sus ventas.

2.2 PROCEDIMIENTO (SPSS)

Tambin se encontr que para mediados de 2006, especficamente para

junio, julio y agosto se present una disminucin significativa en la venta
de ste producto, asociada a factores administrativos del laboratorio, lo
que genera ruido al momento de realizar proyecciones dada su
naturaleza atpica, por lo que es necesario realizarles una imputacin a
stos valores con el fin de disminuir los errores en el resultado de los
clculos de los valores proyectados de la serie de venta.
La identificacin del modelo se confirma con el resultado del modelador
experto del SPSS, el cual arrojo el mismo resultado, modelo
ARIMA(1,1,0).
En la interpretacin del modelo, El valor uno (1) indica que se trata de un
proceso autorregresivo de orden 1, esto es, que cada valor de la fac est
correlacionado significativamente con el valor inmediatamente anterior;
el segundo valor uno (1) representa el nivel de integracindiferenciacin de la serie y nos indica que estamos analizando las

diferencias entre cada valor y el valor inmediatamente precedente; el

ltimo valor cero (0) indica que no consideramos ningn efecto
considerable de medias mviles.
Estimacin del Modelo: Para el modelo ARIMA(1,1,0), el SPSS
estadsticos de ajuste, arroj la siguiente salida:

Donde, el coeficiente de autocorrelacin R2 es significativo y el ajuste es

del 80.4%, mostrando que cada valor de la fca est correlacionado
significativamente con el valor inmediatamente anterior. Respecto al
contraste conjunto de Ljung-Box, tambin acepta la nula de
correlaciones iguales a cero para distintos valores de k.
Vemos pues que los estadsticos anteriores favorecen al modelo ARIMA
(1,1,0), ya que en todos se acepta la nula de que el residuo es un ruido
blanco.
2.3 INTERPRETACIN
Pronstico Modelo ARIMA. En la tabla se presentan los resultados del
pronstico para el modelo ARIMA (1, 1,0); La fila 1 corresponde al
encabezado de los periodos a pronosticar; La fila 2 presenta los valores
del pronstico; la fila 3 contiene los lmites superiores (LCS) y la fila 4
contienen los lmites inferiores (LCI) para cada uno de los periodos.

10

CAPTULO III
III.

APLICACIN A LA INGENIERA COMERCIAL

3.1 CASO PRCTICO 1
VENTAS ANUALES

TRIMESTRES
2005

2006

2007

2008

2009

2010

2011

2012

2013

Primero

46927

46581

49377

54233

65378

68490

80529

87775

10520

Segundo

49306

50830

49174

61190

70628

76948

83214

96399

11322

Tercero

52193

52414

49556

68333

75874

81865

93789

103137 11765

Cuarto

50304

50881

58817

75841

73036

85710

83209

110274 11719

TOTALES

198730 200706 206924 259597 284916 313013 340741 397585 45327

FUENTE: PORTAL WEB DE LA BVL

La empresa VIAJECITO S.A. se dedica a la prestacin de servicios
tursticos, y nos presenta las siguientes ventas trimestrales en el
PERIODO 2005 2013:

Se desea pronosticar las ventas que tendra la empresa para el ao

2014, segn los datos brindados:

11

RESOLUCIN
1 INGRESAR LOS DATOS AL PAQUETE ESTADSTICO

12

2 AGREGAR COLUMNAS DE TIEMPO

3 OBTENEMOS

13

4
LA

ELEGIMOS
OPCION
PREDECIR
MODELO

CREAR

5 AHORA PREDECIMOS INGRESAR DATOS

14

6 ELEGIMOS EL PERIODO HASTA EL QUE DESEAMOS PREDECIR

15

7 ANALIZAMOS RESULTADOS
MODELO:

Descripcin del modelo

Tipo de modelo
ID del modelo

VENTAS
TRIMESTRALES

Modelo_1

R CUADRADO:

8 PREDICCIN

16

ARIMA(0,1,0)(1,1,0)

9 INTERPRETACIN
Las ventas para el primer trimestre del ao 2014 ascendern a
117885.94 nuevos soles, para el segundo trimestre sern de 126266.10
nuevos soles, para el tercer trimestre se alcanzar 132073,81 soles y
para el cuarto trimestre 136155,99 soles, con un nivel de confianza del
95% con el modelo ARIMA (0,1,0)(1,1,0).

3.2 CASO PRCTICO 2

La empresa LAS VEGAS S.R.L. se dedica a la comercializacin de
prendas de vestir, se presentan los datos de sus ventas trimestrales
desde 1997-2013, se desea predecir las ventas para el ao 2014.

17

AO

TRIMESTRE

VENTAS EN MILES
DE NUEVOS SOLES

2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004
2005
2005
2005
2005
2006
2006
2006
2006
2007
2007
2007
2007
2008
2008
2008
2008
2008
2009
2009
2009
2009
2010
2010

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2

1016
921
934
976
930
1052
1184
1089
1087
1154
1330
1980
2223
2203
2514
2726
3185
3352
3438
2917
2359
2240
2196
2111
1806
1644
1814
1770
1518
1103
1266
1473
1423
1767
2161
2336
2602
2518

18

2010
2010
2011
2011
2011
2011
2012
2012
2012
2012
2013
2013
2013
2013

3
4
1
2
3
4
1
2
3
4
1
2
3
4

2637
2117
1920
1910
1984
1787
1689
1866
1896
1684
1633
1657
1569
1390

RESOLUCIN:
1 INGRESAR LOS DATOS AL PAQUETE ESTADSTICO

19

2 VAMOS A LA PESTAA PRONSTICOS PRONSTICOS

AUTOMTICOS

3 INGRESAMOS LOS DATOS

20

4 ANALIZAMOS LOS RESULTADOS

21

22

MODELO: ARIMA (2,0,2)x(1,0,1)4

5 PRONSTICOS

6 INTERPRETACIN
Las ventas de la empresa LAS VEGAS S.R.L. con un 95% de confianza
alcanzarn como mnimo en el primer trimestre 977.30 miles de nuevos
soles y como mximo 1754.2 miles de nuevos soles, esperando que
oscilen en promedio en 977.30 miles de nuevos soles.

23

3.3 CASO PRCTICO 3

Se pide predecir los gastos de compras para el ao 2014, en los 4
trimestres. La empresa posee la siguiente base de datos:
AO

1984

1985

1986

1987

1988

1989

1990

1991

TRIMEST COMPRA
RE
S
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

AO

134.38
69.39
67.63
51.25
103.97
133.83
162.37
172.91
163.01
151.5
111.73
88.58
74.29
63.98
61.18
76.48
107.98
124.97
145.57
140.2
143.84
138.8
104.06
74.7
60.18
55.16
35.62
56.18
85.44
114.08
133.64
67.14

1999

2000

2001

2002

2003

2004

2005

2006

24

TRIMEST COMPRA
RE
S
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

44.53
49.58
57.39
76.76
104.57
125.41
143.11
136.35
135.15
131.7
96.87
70.63
66.29
63.49
62.97
66.43
101.49
127.69
133.21
158.72
148.61
134.31
100.99
75.16
59.74
52.87
52.07
57.38
79.43
101.4
120.19
134.38

1992

1993

1994

1995

1996

1997

1998

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

95.58
89.37
75.24
69.18
54.49
57.5
62.16
76.67
110.04
127.38
156.47
167.56
153.54
124.08
100.97
79.17
68.13
61.77
54.31
60.3
84.18
104.05
114.66
105.55
96.61
70.94
63.91
58.61

2007

2008

2009

2010

2011

2012

2013

25

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

135.97
113.83
84.38
70.28
65.96
56.36
49.57
68.33
90.32
117.06
134.69
131.67
129.25
118.77
88.44
76.79
75.28
73.89
76.24
88.58
105.83
115.84
127.76
131.75
119.63
93.38
75.55
51.79

1 INTRODUCIR LOS DATOS

2 DEFINIR LA FECHA PERIODO DE LOS DATOS

26

3 INGRESAR DATOS

4 OBTENEMOS LAS COLUMNAS DE LOS PERIODO

27

5 ELEGIMOS LA OPCIN PREDECIR CREAR MODELO

6 COMPLETAMOS LOS DATOS

28

7 PREDECIMOS RESULTADOS

29

MODELO:
Descripcin del modelo
Tipo de modelo
ID del modelo

Ventas trimestrales

Modelo_1

ARIMA(0,0,2)(1,0,1)

8 DATOS PREDECIDOS 2014

9 INTERPRETACION
Con un 95% de confianza, los gastos incurridos en compras para el
primer trimestre del ao 2014 ascendern a 7450 nuevos soles, para el
segundo trimestre 7237.11, para el tercer trimestre 8730.67 y para el
cuarto trimestre 8540.77 usando el modelo ARIMA(0,0,2)(1,0,1)

30

31

CONCLUSIONES

1. La mayora de los profesionales analiza series de tiempo o datos de

proceso de una manera relativamente simplista.
2. Sin embargo, cualquier autocorrelacin en los datos puede intensificar la
tasa de falsas alarmas. Puede ser apropiado intentar modelar los datos
utilizando una sofisticada tcnica de modelado de series de tiempo,
como ARIMA.
3. Si se utiliza de manera correcta, ARIMA puede proporcionar un
excelente ajuste de los datos existentes y, adems, ofrecer buenas
predicciones de comportamiento futuro, lo que es importante en un
mundo incierto.
4. Las tcnicas de ARIMA son considerablemente complejas y no son tan
conocidas ni compresibles como la mayora de los anlisis bsicos. Sin
embargo, una vez comprendidos los principios bsicos, se pueden
construir exitosos modelos de series de tiempo con relativa facilidad
utilizando Minitab. Adems, una vez construido el modelo de ARIMA, es
apropiado evaluar los valores residuales para determinar si existen
causas especiales.

32