RESULTADOS

ANALISIS DE LA ESTACIONARIEDAD Y LA ESTACIONALIDAD

1° GRAFICA ORIGINAL

La serie presenta tendencia, debido a que conforme avanza el tiempo se va

presentando un aumento del número de pacientes.
2° GRAFICO DE CORRELACION TOTAL

Figura 2: Coeficientes de auto correlación de la serie original

Interpretación: La serie no es estacionaria en media debido a que se observa un

decaimiento lento pero si posiblemente en varianza ya que no se observa muchas
fluctuaciones.
ESTACIONARIEDAD EN MEDIA:

ANOVA
SUMA DE MEDIA
F.V. GL F Sig.
CUADRADOS CUDRATICA
Inter-
897673,316 18 49870,740 1405,283 ,000
grupos
Intra-
7417,000 209 35,488
grupos
Total 905090,316 227
Sig<0.05 por lo que se concluye que los promedios por años son diferentes.

ESTACIONARIEDAD EN VARIANZA:

Prueba de homogeneidad de varianzas

LEVENE Gl1 Gl2 Sig.
6,117 18 209 ,000
Sig< 0.05 se rechaza que las las varianzas son homogéneas.

Figura 3: Serie en primera diferencia.

 Figura 4: Coeficiente de auto correlación total en primera diferencia

Figura 5: Coeficiente de auto correlación parcial en primera diferencia


 ∑ de Residuos de
R2 Parámetros ≠ 0 Datos ~ N(0,σ2)
Ruido Blanco = 0
Diferencia 0.995   x
ARI(1-1-0) Raiz Cuadrada 0.995   
Logaritmo 0.995  x x
Diferencia 0.995   x
IMA(0-1-1) Raiz Cuadrada 0.995   
Logaritmo 0.995  x x
Diferencia 0.995  x x
ARIMA(1-1-1) Raiz Cuadrada 0.995  x x
Logaritmo 0.995   x

Figura 6: Serie en segunda diferencia.

Figura 7: Coeficiente de auto correlación total en segunda diferencia

Figura 8: Coeficiente de auto correlación parcial en segunda diferencia

 ∑ de Residuos de
R2 Parámetros ≠ 0 Datos ~ N(0,σ2)
Ruido Blanco = 0
Diferencia 0.993 x  x
ARI(1-2-0) Raiz Cuadrada 0.992 x  x
Logaritmo 0.992 x  x
Diferencia 0.995 x x x
IMA(0-2-1) Raiz Cuadrada 0.995  x x
Logaritmo 0.995  x x
Diferencia 0.995  x x
ARIMA(1-2-1) Raiz Cuadrada 0.995   
Logaritmo 0.995 x x x
Diferencia 0.993 x  x
ARI(2-2-0) Raiz Cuadrada 0.993 x  x
Logaritmo 0.993 x  x
Diferencia 0.995  x x
ARIMA(2-2-1) Raiz Cuadrada 0.995  x 
Logaritmo 0.995  x x

Después de haber probado la serie en los diferentes modelos y trasformaciones hemos

encontrado 3 modelos que cumplen con los 3 supuestos y que tienen el mismo R 2:
 ARI(1-1-0)
 IMA(0-1-1)
 ARIMA(1-2-1)
Por lo tanto, tomando en cuenta que por definición es mejor trabajar con menos
cantidad de parámetros, el modelo optimo seria ARI (1-1-0)

Estadísticos del modelo

Estadísticos de ajuste Número de

Número de Ljung-Box Q(18)
Modelo del modelo valores
predictores
R-cuadrado Estadísticos GL Sig. atípicos

Pacientes-Modelo_1 0 ,995 14,822 17 ,608 0

Parámetros del modelo ARIMA

Estimación ET t Sig.

Constante ,036 ,013 2,688 ,008

Pacientes- Raíz
Pacientes AR Retardo 1 -,155 ,066 -2,349 ,020
Modelo_1 cuadrada
Diferencia 1

Pruebas de normalidad

Kolmogorov-Smirnova Shapiro-Wilk
Estadístico gl Sig. Estadístico gl Sig.

Ruido residual de PACIENTES-

,057 227 ,074 ,971 227 ,000
Modelo_1

a. Corrección de la significación de Lilliefors

 Figura 3: Grafica de Secuencia de la serie original y los valores pronosticados.

qq

Conclusión: El número de pacientes pronosticados para el mes de enero a Diciembre

del año 2017 es de:

195 Enero 195

196 Febrero 196
197 Marzo 197
197 Abril 198
198 Mayo 199
199 Junio 200
200 Julio 201
201 Agosto 202
202 Setiembre 203
202 Octubre 205
203 Noviembre 206
204 Diciembre 207