modelar series temporales.

Sirven para modelar comportamientos estacionarios y no

estacionarios; por ello se seguirá de cerca la metodología propuesta por Box y Jenkins.
- Uso del entorno y lenguaje de programación R.
Fases del Proceso
- Análisis descriptivo de la serie de tiempo
- Representación gráfica de la serie de tiempo
- Identificación del modelo
- Identificación de modelos ARIMA
- Estimación de los modelos propuestos
- Selección del modelo
- Diagnóstico del modelo
- Pronósticos de las temporadas siguientes
- Representación gráfica de los valores pronosticados
Estas tareas se llevaron a cabo de acuerdo a los fundamentos teóricos y metodológicos
relacionados a la investigación, entre las principales temáticas se señalan: Modelos de
Series de tiempo, La Metodología de Box-Jenkins, Demanda Turística, entre otros.

Desarrollo: Aplicación del Procedimiento Propuesto

Se procederá a aplicar la metodología propuesta de Box y Jenkins con su respectivo
procedimiento para la obtención de los pronósticos en el lenguaje de programación R .
De acuerdo con la Organización Mundial del Turismo, el turismo se constituye de aquellas
actividades que realizan las personas en lugares que se encuentran fuera de su lugar de
residencia habitual por motivos personales o de negocios durante al menos 24 horas. Esta
actividad guarda estrecha relación con el crecimiento de los países, ya que permite
aumentar la diversificación, así como mejorar los destinos de cada uno de estos países a fin
de posicionarse de manera sostenible.
El archivo de datos temporadas.txt, contiene la afluencia de turistas al estado Mérida
durante las temporadas vacacionales Carnaval, Semana Santa, Vacaciones Escolares
y Navidad desde el año 2000 hasta 2014, para un total de 60 observaciones según datos
proporcionados por la Corporación Merideña de Turismo (CORMETUR). Durante el
periodo bajo estudio la afluencia de turistas presentó una media de 207.917 personas, con
un mínimo de 3.844 personas en la temporada de Carnaval de 2014 y un máximo de
458.547 personas en la temporada de Semana Santa de 2012. Para medir la capacidad de
predicción del modelo seleccionado se emplearon como datos de validación los
correspondientes a la afluencia de turistas en el año 2015.
Representación gráfica
Gráfico 1. Afluencia de turistas al estado Mérida desde 2000 a 2015. Fuente: A partir de la
serie de tiempo analizada.
El gráfico de la serie de tiempo correspondiente a la afluencia de turistas en el periodo bajo
estudio, muestra un comportamiento regular, que se repite cada año desde el año 2000
hasta el 2011, sin embargo, desde el año 2012 este patrón regular no continúa,
presentándose los valores máximos y mínimos de la serie de tiempo en los años 2014 y 2012
respectivamente. El gráfico además permite ver que en la temporada de Carnaval la
afluencia de turistas es más baja respecto al resto de las temporadas vacacionales, mientras
que en las temporadas de Semana Santa y Vacaciones escolares se presentan una mayor
afluencia de turistas.
Funciones de autocorrelación simple y parcial.

Grafico 2. Función de autocorrelacion simple. Fuente: A partir de la serie de tiempo

analizada.
 Grafico 3. Función de autocorrelacion parcial. Fuente: A partir de la serie de tiempo
analizada.
En el correlograma de la función de autocorrelacion simple se observan que los valores de
?k decrecen oscilando entre valores positivos y negativos lentamente y algunos uno de ellos
son significativamente distintos de cero, mientras que en el correlograma de la función de
autocorrelacion parcial los primeros coeficientes son significativamente distintos de cero, el
resto de ellos se encuentran dentro de los límites confidenciales. Lo anterior indica que la
correlación entre los valores próximos es alta pero a medida que se incrementan los rezagos
entre los valores de la serie la correlación disminuye, además la correlación es significativa
en los rezagos 4s con s=1, 2, 3,…, debido a que estamos tratando con una serie que presenta
un patrón regular.

Contraste de Dickey-Fuller estándar

El contraste de Dickey-Fuller se emplea para determinar la existencia de raíces unitarias en
la serie de tiempo estudiada, partiendo del modelo Xt = ?Xt-1 + ut, con -1=? = 1, el test de
Dickey-Fuller se basa en la siguiente expresión ?Xt = dXt-1 + ut; donde se contrastan
las hipótesis H0: r=1 Vs H1: r?0.
Como se observó en los correlogramas de las funciones de autocorrelacion simple y parcial,
resulta evidente que la serie presenta el componente estacionario ya que las correlaciones
son significativas en los rezagos 4s con s=1, 2, 3, a fin de formalizar estas aseveraciones se
realizó el contraste de Dickey-Fuller, y como el valor del p-valor es menor a a=0.05 se
rechaza la hipótesis nula, con lo cual podemos afirmar que la serie de tiempo es
estacionaria.
Identificación de modelos ARIMA
Observando los correlogramas correspondientes a las funciones de autocorrelacion simple y
parcial de la serie de tiempo correspondiente a la afluencia de turistas al estado Mérida, es
evidente que la serie presenta un comportamiento estacional, de modo que debe modelarse
a través de un modelo SARIMA o ARIMA estacional.
En el correlograma de la función de autocorrelacion simple y parcial, se muestra que en los
rezagos estacionales los valores de la función son significativamente distintos de cero,
además las correlaciones oscilan entre valores positivos y negativos tendiendo
exponencialmente a cero, esto indica que es conveniente seleccionar un modelo
autorregresivo estacional, sin embargo, la serie puede ser modelada también a través de un
modelo mixto (ARMA) estacional, de modo que se proponen los siguientes modelos: AR
(1)4, AR (2)4 y ARMA (1, 1)4, debido a que la serie de tiempo presenta estacionariedad.
Estimación de los modelos propuestos
 ARIMA (1, 0, 0)(1,0,0)4

 ARIMA (2, 0, 0)(2,0,0)4

 ARIMA (1, 0, 1)(1,0,1)4