MODELO ARIMA

MACROECONOMETRA
Cossio Bravo, Giannina
Chvez Teodoro, Jssica
Chumbes Tosso, Fiorella
Florez Vera, Edy Kevin
Mancilla Paucar, Dax Kevin
Ramos Estrada, Enok
Zapata Bobadilla, Rayd Hammer

MODELO ARIMA
CONTENIDO
I.

Introduccio n..

III.

Fases de la elaboracio n de un ARIMA

II.

IV.
V.

Pa gina 1

Definiciones ba sicas para aproximarse a los modelos ARIMA...

Ejercicios Teo ricos.....

Ejercicios Aplicativos...

MODELO ARIMA
I. INTRODUCCIO N

Desarrollaremos el modelo general para hacer frente a datos secuenciales sin restriccin de supuestos. Estos modelos se denominan ARIMA
(Auto Regresive Integrated Moving Average) por cuanto integran los posibles componentes que puedan estar presente en toda serie temporal.
Tales modelos fueron propuestos en su origen por Box y Jenkins (1976) y por Glas et al. (1975).

En ocasiones, los procedimientos que vamos a analizar se han contrapuesto a la llamada econometra estructural, es decir, a la especificacin
de modelos economtricos apoyada en las teoras subyacentes; sin embargo, hoy en da los conceptos y procedimientos que examinaremos
constituyen ms una herramienta para apoyar y complementar los conocimientos economtricos tradicionales que un modo alternativo de
hacer econometra. Por otro lado, la utilizacin de modelos ARIMA se restringe a series largas y de alta frecuencia (meses, semanas, das,.)
y su utilidad finalista los hace tiles para el pronstico a corto plazo pero no para la comprensin estructural del fenmeno o la simulacin de
escenarios.

II. DEFINICIONES BASICAS PARA APROXIMARSE A LOS MODELOS

ARIMA
PROCESO ESTOCSTICO

Un proceso estocstico es una sucesin de variables aleatorias Yt ordenadas, pudiendo tomar t cualquier valor entre - y .
Por ejemplo, la siguiente sucesin de variables aleatorias puede ser considerada como proceso estocstico:

Y -5 , y -4 , y -3 , y - 2 ,........ y 3 , y 4

El subndice t no tiene, en principio, ninguna interpretacin a priori, aunque si hablamos de proceso estocstico en el contexto del anlisis de
series temporales este subndice representar el paso del tiempo.

SERIE TEMPORAL Y PROCESO ESTOCSTICO

Una vez introducido el concepto genrico de proceso estocstico puede decirse que una serie temporal cualquiera es, en realidad, una muestra,
una realizacin concreta con unos valores concretos de un proceso estocstico terico, real. El anlisis de series temporales tratar, a partir
de los datos de una serie temporal, inferir las caractersticas de la estructura probabilstica subyacente, del verdadero proceso estocstico. Si
logramos entender qu caractersticas tiene este proceso (cul es la esperanza de sus variables, su varianza y las relaciones entre variables
separadas en el tiempo) y observamos adems que estas caractersticas se mantienen en el tiempo, podremos utilizar la metodologa ARIMA
para proyectar su valor en el futuro inmediato.

ESTACIONARIEDAD DE UN PROCESO:

La utilizacin de modelos ARIMA como estrategia de prediccin de series temporales slo tiene sentido si las caractersticas observadas en la
serie (o ms correctamente, en el proceso estocstico subyacente) permanecen en el tiempo.

Pa gina 2

Proceso estocstico estacionario en sentido fuerte: Cada una de las variables Yt que configuran un proceso

estocstico tendrn su propia funcin de distribucin con sus correspondientes momentos. As mismo, cada conjunto de
variables tendrn su correspondiente funcin de distribucin conjunta y sus funciones de distribucin marginales.
Habitualmente, conocer esas funciones de distribucin resulta complejo de forma que, para caracterizar un proceso
estocstico, basta con especificar la media y la varianza para cada yt y la covarianza para variables referidas a distintos
valores de t:

MODELO ARIMA
E[ Y t ] = t
2
t2 = Var( y t ) = E[ y t - t ]

t , s = Cov( Y t ,Y s ) = E[( y t - t )( y s - s )]
Decimos que un proceso estocstico es estacionario en sentido estricto o fuerte si las funciones de distribucin conjuntas (no slo la esperanza,
las varianzas o las covarianzas, sino las funciones de distribucin completas) son constantes, o dicho con ms propiedad, son invariantes
con respecto a un desplazamiento en el tiempo (variacin de t). Es decir, considerando que t, t+1, t+2, ...., t+k reflejan perodos sucesivos:
para cualquier t, k y m; por ejemplo:
F( Y t ,Y t+1 ,.....Y t+k ) = F( Y t+m ,Y t+1+m ,.....,Y t+k+m )

Proceso estocstico estacionario en sentido dbil: La definicin de estacionariedad en sentido estricto puede
relajarse sustancialmente utilizando la denominada estacionariedad en sentido amplio o dbil. Decimos que un proceso
estocstico es dbilmente estacionario si:

Las esperanzas matemticas de las variables aleatorias no dependen del tiempo, son constantes:

E[ Y t ] = E[ Y t +m ] m

Las varianzas tampoco dependen del tiempo (y son finitas):

Var[ Y t ] = Var[ Y t+m ] m

Las covarianzas entre dos variables aleatorias del proceso correspondientes a perodos distintos de tiempo (distintos
valores de t) slo dependen del lapso de tiempo transcurrido entre ellas:

Cov( Y t ,Y s ) = Cov( Y t+m ,Y s+m ) m

De esta ltima condicin se desprende que, si un fenmeno es estacionario, sus variables pueden estar relacionadas linealmente entre s,
pero de forma que la relacin entre dos variables slo depende de la distancia temporal k transcurrida entre ellas.

Denicin informal de un proceso estacionario: De una manera informal, diremos que un proceso es
estacionario cuando se encuentra en equilibrio estadstico, en el sentido de que sus propiedades (su media, su varianza, las
covarianzas entre distintas variables del proceso) no varan a lo largo del tiempo

PROCESO ESTOCSTICO RUIDO BLANCO

En este contexto, un ruido blanco es una sucesin de variables aleatorias (proceso estocstico) con esperanza nula, varianza constante, y
covarianzas nulas para distintos valores de t. Este tipo de proceso, que slo presenta varianza, que no presenta relacin entre variables de
distintos perodos, no podr ser reproducido con un modelo ARIMA, es un proceso vaco de informacin de carcter auto proyectivo.

MODELOS AUTORREGRESIVOS AR(P)

Los modelos ARIMA tratarn de expresar la evolucin de una variable Yt de un proceso estocstico en funcin del pasado de esa variable o de
impactos aleatorios que esa variable sufri en el pasado. Para ello, se utilizarn dos tipos de formas funcionales lineales sencillas: los modelos
AR (Modelos Autorregresivos), y los modelos MA (de Medias Mviles).
Definimos un modelo AR (autorregresivo) como aquel en el que la variable endgena de un perodo t es explicada por las observaciones de
ella misma correspondientes a perodos anteriores (parte sistemtica) ms un trmino de error ruido blanco (innovacin).

Pa gina 3

MODELO ARIMA
Los modelos autorregresivos se abrevian con la palabra AR tras la que se indica el orden del modelo: AR(1), AR(2),....etc. El orden del modelo
expresa el nmero de observaciones retasadas de las series temporales analizadas que intervienen en la ecuacin. As, por ejemplo, un modelo
AR (1) tendra la siguiente expresin:

Y t = 0 + 1 Y t -1 + a t

La expresin genrica de un modelo autorregresivo, no ya de un AR (1) sino de un AR (p) sera la siguiente:

Y t = 0 + 1 Y t -1 + 2 Y t -2 + ......+ p Y t - p + a t

Esta forma funcional se acompaa de una serie de restricciones conectadas con importantes hiptesis analticas:
-

El proceso no debe ser anticipante (hiptesis de recursividad temporal); lo que quiere decir que los valores de una
variable en un momento t no dependern de los que esta misma tome en t+j.
La correlacin entre una variable y su pasado va reducindose a medida que nos alejamos ms en el tiempo (proceso
ergdico)
La magnitud de los coeficientes est limitada en valor absoluto: as, por ejemplo, en el caso de un AR(1), el coeficiente
autorregresivo de un proceso estocstico estacionario ha de ser inferior a 1 en valor absoluto; en el caso de un Ar(2),
es la suma de los dos coeficientes la que no puede exceder la unidad. Estas restricciones expresadas en los coeficientes
conectan con las propiedades de estacionariedad del proceso analizado o, dicho de otro modo: slo los modelos cuyos
coeficientes respetan una serie de condiciones (que dependen del orden p del modelo) representan procesos
estocsticos estacionarios y, por tanto, tienen utilidad analtica.

OPERADOR Y POLINOMIO DE RETARDOS

El operador retardo Lp aplicado al valor Yt de una determinada serie devuelve el valor de esa serie retardado p observaciones, es decir:

LpYt=Yt-p

Un polinomio de retardos de orden p p(L) se compone de una sucesin de p operadores de retardos con sus respectivos coeficientes:

p (L) = 1 - 1 L - 2 L2 - ...... - p L p

El polinomio de retardos permite abreviar la expresin de un modelo AR (p) escribindose:

p (L)Y t = 0 + at

La utilidad del polinomio de retardos no es, sin embargo, permitir una notacin abreviada: las caractersticas del polinomio de retardos o, ms
concretamente, el valor de sus races (las soluciones del polinomio) permiten analizar la estacionariedad del proceso estocstico que subyace
al modelo ARIMA. Es decir, los analistas pueden evaluar caractersticas relevantes del proceso estocstico que se est modelizando estudiando
las propiedades matemticas del polinomio de retardos, de ah su utilidad.

MODELO DE MEDIAS MVILES MA (Q)

Un modelo de los denominados de medias mviles es aquel que explica el valor de una determinada variable en un perodo t en funcin de un
trmino independiente y una sucesin de trminos de error, de innovaciones correspondientes a perodos precedentes, convenientemente
ponderados. Estos modelos se denotan normalmente con las siglas MA, seguidos, como en el caso de los modelos autorregresivos, del orden
entre parntesis. As, un modelo con q trminos de error MA (q) respondera a la siguiente expresin:

Y t = + a t + 1 a t -1 + 2 a t -2 + ....+ q a t -q

Pa gina 4

MODELO ARIMA
que de nuevo puede abreviarse utilizando el polinomio de retardos (como en el caso de los modelos AR):

Y t = q (L) a t +

As como un modelo autorregresivo es intuitivamente sencillo de comprender, la formulacin de un modelo de medias mviles resulta
sorprendente para el no iniciado. Qu significa que una variable aleatoria se explique en funcin de los errores cometidos en perodos
precedentes?, De dnde proceden esos errores?, Cul es la justificacin de un modelo de este tipo? En realidad, un modelo de medias mviles
puede obtenerse a partir de un modelo autorregresivo sin ms que realizar sucesivas sustituciones:

Y t = Y t -1 + a t Y t -1 = Y t - 2 + a t -1
Y t = at + at -1 + Y t - 2 ........
2

...........Y t = at + at -1 + at - 2 + at -3 + .... + at - j +
2

III. FASES DE LA ELABORACIO N DE UNA ARIMA

Bsicamente consiste en determinar el modelo subyacente en una
determinada serie temporal: Identificacin. Una vez determinado el
tipo de modelo, proceder a la estimacin de los parmetros del mismo:
Estimacin. Y por ltimo, comprobar si el modelo se ajusta
correctamente a los datos empricos: Diagnstico, que en caso de no
cumplirse, se reiniciara del nuevo el proceso. Una vez finalizado el
proceso podremos aplicar el modelo. As:
o

Identificacin

Aplicacin del
modelo

Estimacin

Diagnstico

Identicacin.- Es fase ms importante. Se trata de determinar los parmetros p, d y q que conforma el proceso ARIMA(p,d,q)

generador de la serie. Hay que decir que aunque estos parmetros pueden adoptar cualquier valor, en la prctica la casi totalidad de
los casos sern 0 o 1, y raras veces 2, lo que hace que el proceso de identificacin sea menos complejo de lo que aparentemente
resulta. Por ejemplo, el 51% de las series estudiadas por Glas y otros (1975) no necesitaron diferenciacin y tal solo el 6% necesitaron
una diferenciacin mayor del primer orden. Igualmente, y esto mismos autores, detectaron que tan slo el 2% de las series tienen un
orden autorregresivo superior a la unidad. Igualmente son raras medias mviles superiores a 1.
Lo primero es el parmetro d, estos es el grado de diferenciacin para que la serie sea estacionaria. Para ello, el procedimiento es
muy sencillo. En primer lugar se observa grficamente si la series es estacionaria o no. Estacionaridad significa, como se sabe, que la
serie tiene la misma media y varianza a lo largo de todo su recorrido. Si la serie no es estacionaria se procede a diferenciarla y se
comprueba de nuevo grficamente si es estacionaria. Si lo es, sabemos por tanto que el valor d vale 1. En caso contrario se deferencia
de nuevo, y as tantas veces hasta que se logre la estacionalidad. El valor d ser el nmero de veces que se ha diferenciado.
Conocido el valor d procedemos a conocer p y q. Para ambos parmetros recurriremos a la funcin de autocorrelacin ACF y a la
funcin de autocorrelacin parcial PACF.

Los modelos AR(p) presenta un decaimiento exponencial en los valores de ACF y picos en los primeros p valores del PACF. Por otro
lado, los modelos MA (q) presentan picos en los primeros valores del ACF, y valores decrecientes exponencialmente en PACF. Para
otros casos.

Estimacin.-

Los modelos ARIMA no son modelos lineales en sus parmetros, lo que imposibilita el recurso a los programas

estndar de regresin lineal. En su lugar se recurre a modelos iteractivos y a la mxima verosimilitud como procedimiento de
estimacin de parmetros. En esta fase se determinan los valores de los parmetros p, d y q, que obviamente han de ser
estadsticamente significativos.

Pa gina 5

MODELO ARIMA
o

Diagnstico.- Consistente en determinar la adecuacin del modelo con los datos empricos. Si el modelo estimado es el adecuado,

los residuales generados por el mismo sern verdaderamente aleatorios y carecern de cualquier pauta o estructura. Para ello
recurrimos de nuevos al ACF y PACF donde cabe esperar valores de los residuos completamente aleatorios, esto es ruido blanco. En
caso de no ser as habra que replantearse el modelo y establecer otros parmetros para el modelo.

IV. EJERCICIOS TEO RICOS

EJERCICIO TERICO 2

Para el siguiente modelo ARIMA (0,1,1), considerando que fue generado por el siguiente modelo:
(1-L) = (1+ L)

La funcin de prediccin es:

= 1 + + 1
(1) = [+1 ] = +
(2) = [+2 ] = (1) = +
(3) = [+3 ] = (2) = (1) = +
.
.
.
.
.
.
.
.
= 1,2,3,...
(n) = [+ ] = (n-1) = +

Por lo tanto, la funcin de prediccin es una lnea horizontal que pasa por la prediccin de un periodo hacia adelante, (1), que depende del
conjunto de informacin a travs de y y del parmetro del modelo, , y permanece all conforme n crece.
En el caso del modelo de paseo aleatorio, como = 0, la funcin de prediccin es:
() = [+ ] =

= 1,2,3,

Por lo tanto, las predicciones ptimas vienen dadas por la ultima observacin independientemente del horizonte de prediccin.

Se puede demostrar que si la serie ha sido generada por un proceso integrado de orden 1, de forma que se puede representar mediante un
modelo ARIMA(p,1,q) sin termino independiente (sigma=0), la funcin de prediccin cuando n tiende a infinito, tiende a una constante:
()

Hay que tener en cuenta que no es la media del proceso porque como no es estacionario no tiene una media hacia dnde ir, sino que es una
constante que depende del conjunto de informacin y de los parmetros AR y MA del modelo.

Obteniendo la funcin de prediccin para un proceso integrado de orden 1 con constante, por ejemplo, el modelo de paseo aleatorio con deriva.
(1) = [+1 ] = +
(2) = [+2 ] = (1) = +
(3) = [+3 ] = (2) = (1) = +
.
.
.
.
.
.

Pa gina 6

MODELO ARIMA
.
.
() = [+ ] = (n-1) = +

= 1,2,3,...

La funcin de prediccin es una lnea recta de pendiente .

Se puede demostrar que si la serie ha sido generada por un proceso integrado de orden 1, de forma que se puede representar mediante un
modelo ARIMA (p, 1, q) con trmino independiente (0), la funcin de prediccin tiende a una lnea recta cuando ,
(n)

+ n

La pendiente de la funcin de prediccin viene dada por la constante sigma y el intercepto, , depende del conjunto de informacin y de los
parmetros del modelo.

En lo que se refiere a la prediccin por intervalo para modelos no estacionarios, las figuras del grfico 1, muestran como la amplitud de los
intervalos de prediccin para los modelos ARIMA (p, d, q) crece indefinidamente conforme el horizonte de prediccin se hace mayor. Hay
que tener en cuenta que cuando el proceso no es estacionario el lmite V[ ()] no existe.
Grfico 1: Modelos ARIMA: Funciones de prediccin.

Para calcular la V [ ()] de un modelo no estacionario ARIMA (p, d, q) es necesario escribir el modelo de forma MA (). Pongamos como
ejemplo el modelo de paseo aleatorio que, escrito en forma MA () queda como sigue:
La varianza del erro de prediccin es:

= + + + +
V[ (1)] = sigma 2
V[ (2)] = sigma 2

V[ (3)] = sigma 2
.
.
.
.

Que no tiene lmite finito.

Pa gina 7

.
.
.
.

=1
1
=1
2
=1

V[ ()] = sigma 2

1
=1

de forma que = 1 j

2 = 2

2 = sigma2(1+1) = 22

2 = sigma2(1+1+1) = 32

2 = sigma2(1+1+.+1) = 2

MODELO ARIMA
Por ltimo, considerando el caso de procesos integrados de orden 2, ARIMA (p, 2, q), su funcin de prediccin final toma la forma:
1 + 2

(n)

Es decir, conforme el horizonte de prediccin aumenta y nos alejamos en el futuro de la funcin de prediccin tiende a una lnea recta donde
tanto el intercepto,1 , como la pendiente, 2 , dependen del conjunto de informacin y de los parmetros del modelo. Por lo tanto, aunque la
estructura de esta funcin de prediccin es la misma que la de los modelos ARIMA(p,1,q) con trmino independiente (por ejemplo, la funcin
de prediccin del paseo aleatorio con deriva), esta funcin de prediccin es ms flexible.

EJERCICIO TERICO 2

Qu tipo de comportamiento refleja el siguiente Modelo AR (2)?

Yt = 2.4+1.33Yt-1-0.69Yt-2+t
t=1,2,, T

Resolucin:

-Funcin de Prediccin:
Yt (l)=
*El proceso AR(2) es estacionario

(l)=1

(l)=2

(l)=1, 2, 3,T

Yt(1) = 2.4+1.33Yt-0.69Yt-1

Yt(2)= 2.4+1.33Yt(1)-0.69Yt

Yt (l)= 2.4+1.33Yt(l-1)-0.69Yt(l-2)
1 1.33 + 0.692 = 0

1 , 2 =

1.331.332 40.69
20.69

Resolviendo la ecuacin para saber si tiene tendencia a su media:

1.330.99

1.33 2

1.38

0.99

1.33

=1.38

0.99
1.38

i = a+Bi

L1 = 2 + 2 = 1.38 + 1.38 = 1.4486 = 1.2 > 1

*Por lo que la funcin de prediccin tiende a su media cuando nos alejamos en el futuro
-Tomando lmite, cuando l tiende al infinito:

lim () = ( ) =

2.4
=
= 6.67
1 1 2 1 1.33 + 0.69

La serie presenta un comportamiento cclico que se refleja en la funcin de prediccin que presenta un ciclo amortiguado antes de dirigirse
sistemticamente hacia la media del proceso.

Pa gina 8

MODELO ARIMA
EJEMPLO APLICATIVO

Para el ejemplo aplicativo, se tomara como variable endgena la produccin de leche (prodlech), en la Figura N1 se puede observar que no
existe un comportamiento estacional por su tendencia negativa en general, con una variabilidad que se acenta al inicio, en la parte central
se reduce y hacia la parte final con un nuevo incremento.

Mediante la construccin del correlograma de la variable en su forma original se revisara la estacionalidad. En la hiptesis de no estacionalidad
(presencia de una raz unitaria) para la variable prodleche, el resultado de la prueba Dickey Fuller aumentada para un modelo con intercepto
y tendencia fue de rechazo de a un nivel de significancia de 0.01, por lo que este resultado en unin con la conducta antes analizada y su
correlograma nos indican un comportamiento estacional y por lo tanto la obtencin de primeras diferencias de la serie se hizo innecesaria.
La fase de identificacin continu con la seleccin y evaluacin de un grupo de posibles procesos con diferentes combinaciones p y q mediante
la revisin de sus correlogramas. Los parmetros de los modelos de regresin candidatos fueron estimados y sometidos a una prueba de
hiptesis de igualdad con cero. Con base en estos resultados y de la aplicacin de los modelos ARMA(1,1) Y ARMA(2,2)(tablas 2 y 3).
Con el fin de iniciar el proceso de seleccin del modelo final, se llevo a cabo anlisis de los coeficientes y estadsticos de ambos modelos
encontrndose que el modelo ARMA(1,1) presenta en general mejores resultados y destacan el menor valor tanto del error estndar de la
regresin como para los valores de los criterios de Akaike t de Schwarz.

En el anlisis de los residuales de ambos modelos (Tabla 4 y 5) en busca de presencia de autocorrelacin. Se observ que para el modelo
ARMA(1,1) el comportamiento de ellos apoya la ausencia de la condicin, dado que gran parte se mantienen dentro de las bandas. Adems el
comportamiento de los valores del estadstico Q ms los valores de significancia presentes en la ltima columna respaldan el hecho de que el
comportamiento de los residuos pueda ser visto como ruido blanco. El anlisis del correlograma para el modelo ARMA(2,2) adems de los
valores estadsticos Q indican presencia de autocorrelacin global de los residuos.

Pa gina 9

MODELO ARIMA

Pa gina 10

MODELO ARIMA

Estos resultados sugieren que el modelo ARMA(1,1) puede ser la mejor opcin para representar el proceso generados de informacin de
inters, coincidiendo con lo reportado por Satya et al.(2007) quienes definen ordenes p=1 y q=1 como la estructura de rezagos ms
conveniente, con las diferencias en que el modelo de Satya se integr de orden 1. En la confirmacin de la calidad de ajusta del modelo
seleccionado, se evalu su capacidad productiva a partir de la generacin de una serie de pronsticos para los datos originales (prodlechef)
usando una prediccin esttica, la comparacin de la serie original y la pronosticada muestra que el modelo seleccionado permite la obtencin
de una curva de prediccion que logra capturar el comportamiento de la serie adecuadamente excepto en el caso de los picos y crestas
pronunciadas (Figura2).

Pa gina 11

MODELO ARIMA

Como elemento adicional para respaldar la seleccin del modelo que de mejor manera representaba al PGI se llev a cabo una evaluacin de
la capacidad predictiva de los dos modelos estimados utilizando un grupo estadstico. Los resultados se muestran en la Tabla 6.
El modelo ARMA(1,1) mostr un mejor ajuste de acuerdo al criterio aplicado por Nanda(1988) para determinar el desempeo predictivo de
un modelo: menores valores tanto para el coeficiente de desigualdad de Theil como para la raz cuadrtica media del error, la cual es respaldada
por el valor ms pequeo de PS. Adems, por el valor ms bajo para PV, el modelo ARMA(1,1) mostr una mayor capacidad de rplica en la
viabilidad del PGI. Tambin, en el valor menor para el error promedio porcentual absoluto en el primer modelo respalda su seleccin. Sin
embargo, el valor ligeramente mayor en PCV desfavorable para el primer modelos pudiera ser indicador de una baja correlacin entre las
estimaciones y los valores reales, situacin que puede ser respaldada al observar la Figura2.

Pa gina 12

MODELO ARIMA
En lo que respecta a la capacidad predictiva del modelos, Enders(2004) recomienda realizar una prediccin de valores que no fueron utilizados
en la estimacin, considerando que los modelos ARIMA son utilizados para predicciones de corto plazo y atendiendo el objetivo de este trabajo
se realiz el pronstico de la produccin para noviembre del 2009, los resultados se muestran en la Tabla7.

Como se observa el modelo sobrestimo la produccin por 323.77, esta sobrestimacin si bien representa un diferencial de solo 2,4% al revisar
la Figura 2 es posible observar que en su parte final, la curva de prediccin tiende a sobrestimar la produccin, por lo que predicciones a ms
largo plazo tendern a presentar diferenciales mayores con respecto a los valores reales.

Los resultados de este trabajo muestran que el uso de modelos ARIMA son una buena opcin para representar la oferta de produccin de leche
y establecer pronsticos de buena calidad. Debido a que la fase de identificacin del modelo se fundamenta en la evaluacin del correlograma,
se est haciendo uso de la metodologa Box y Jenkins.

La aplicacin de esta metodologa permiti generar un modelo ARIMA para describir y establecer pronsticos de la produccin lechera a corto
plazo, aun cuando la serie en estudio presenta gran variabilidad. Es importante evaluar exhaustivamente la presencia de un comportamiento
estacional de toda serie pues la seleccin equivocada de un modelo integrado o de un modelo no integrado producira resultados predictivos
inadecuados.

Pa gina 13