Académique Documents
Professionnel Documents
Culture Documents
Universidad de El Salvador
Catedrático:
Ing. Saúl Alfonso Granados
Integrantes:
• Hernández Gil, Claudia Raquel HG08009
• Romero Guillén, Wilson Elías RG07006
GRUPO N° 15
Contenido
INTRODUCCIÓN ................................................................................................................................... 3
OBJETIVOS ........................................................................................................................................... 4
Objetivo general: ............................................................................................................................. 4
Objetivos específicos:...................................................................................................................... 4
ANTECEDENTES ................................................................................................................................... 5
Componentes de una serie temporal.............................................................................................. 5
Clasificación descriptiva de las series temporales .......................................................................... 6
Modelo autorregresivo ................................................................................................................... 7
Modelo promedio móvil.................................................................................................................. 7
MODELO BOX-JENKINS ........................................................................................................................ 8
Definición ........................................................................................................................................ 8
Ventaja y desventaja del modelo .................................................................................................... 9
CARACTERÍSTICAS DE LAS PREDICCIONES UTILIZADAS CON MODELO BOX JENKINS ....................... 11
Autocorrelaciones Parciales .......................................................................................................... 11
Modelos de promedio móvil ......................................................................................................... 14
Modelos autorregresivos de promedio móvil ............................................................................... 15
METODOLOGÍA DEL MODELO BOX JENKINS ..................................................................................... 17
ETAPA 1: Identificación del modelo .............................................................................................. 17
ETAPA 2: Estimación del modelo y prueba de adecuación. .......................................................... 18
ETAPA 3: Pronóstico con el modelo .............................................................................................. 20
EJEMPLO DE APLICACIÓN DEL MODELO BOX-JENKINS. .................................................................... 21
CONCLUSIONES ................................................................................................................................. 24
BIBLIOGRAFIA .................................................................................................................................... 25
2
INTRODUCCIÓN
En presente informe se centra en el método utilizado para la naturaleza incierta de
la tendencia de una serie de datos en los negocios, el método es llamado
comúnmente modelo Box Jenkins.
El modelo Box Jenkins puede analizar y predecir pronósticos precisos con base en
la descripción de datos o patrones históricos en una serie. Los modelos de promedio
autorregresivo integrado (ARIMA, por sus siglas en inglés) son una clase de
modelos lineales que pueden ser estacionarios y no estacionarios.
OBJETIVOS
Objetivo general:
Objetivos específicos:
4
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
ANTECEDENTES
Una serie tiempo es una secuencia de observaciones, medidos en determinados
momentos del tiempo, ordenados cronológicamente y, espaciados entre sí de
manera uniforme, así los datos usualmente son dependientes entre sí. El principal
objetivo de una serie de tiempo 𝑋𝑡 , donde t = 1,2,…,n es su análisis para hacer
pronóstico.
Economía y Marketing
Demografía
Medioambiente
a.- Componente tendencia. Se puede definir como un cambio a largo plazo que se
produce en la relación al nivel medio, o el cambio a largo plazo de la media. La
tendencia se identifica con un movimiento suave de la serie a largo plazo.
5
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
etc.). Por ejemplo las Ventas al Detalle en Puerto Rico aumentan por los meses de
noviembre y diciembre por las festividades navideñas.
Xt = Tt + Et + It
Procesos Estocásticos
6
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
Un ruido blanco es un caso simple de los procesos estocásticos, donde los valores
son independientes e idénticamente distribuidos a lo largo del tiempo con media
cero e igual varianza.
-Autocorrelación
En ocasiones en una serie de tiempo acontece, que los valores que toma una
variable en el tiempo no son independientes entre sí, sino que un valor determinado
depende de los valores anteriores.
Modelo autorregresivo
Una forma de resolver el problema de correlación serial consiste en aprovechar la
correlación entre observaciones adyacentes. A este método se le conoce como
modelo autorregresivo. Se retrasa la variable dependiente uno o más periodos y se
utiliza como una variable independiente.
7
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
MODELO BOX-JENKINS
Los modelos de promedio móvil autorregresivo integrado (ARIMA: Autoregressive
Integrated Moving Average) son una clase especializada de técnicas de filtración que
ignoran por completo a las variables independientes en la formulación de
pronósticos. ARIMA es un dispositivo altamente refinado de ajuste de curvas que
utiliza valores reales y anteriores de Ia variable dependiente, para producir
pronósticos precisos de corto plazo.
Por ejemplo, un modelo ARIMA para las ventas mensuales proyectaría un patrón
histórico de ventas para producir un pronóstico para las ventas del mes siguiente,
esto hace que dependa mucho de los patrones de autorrelación que existe entre los
datos. Otro ejemplo es la predicción de precios del mercado de valores, creados
por analistas corredores de bolsa y que se basan por completo en patrones
anteriores del movimiento de los precios de acciones.
Los modelos ARIMA fueron popularizados en los años 70 por George Box y Gwilym
Jenkins, y sus nombres se utilizan, frecuentemente, como sinónimos de la
metodología ARIMA aplicada a análisis y predicción de series. Esta familia de
modelos ha sido utilizada ampliamente a partir de los 80, debido a los avances de
recursos de cálculo y de optimización.
Definición
El método Box Jenkins de pronóstico es diferente de la mayoría de los métodos.
Esta técnica no asume ningún patrón particular en los datos históricos de la serie a
pronosticar. Utilizan un enfoque iterativo de identificación de un modelo útil a partir
de modelos de tipo general. El modelo elegido se verifica contra los datos históricos
para ver si describe Ia serie con precisión. El modelo se ajusta bien si los residuos
entre el modelo de pronóstico y los puntos de datos históricos son reducidos,
distribuidos de manera aleatoria e independientes. Si el modelo especificado no es
satisfactorio, se repite el proceso utilizando otro modelo diseñado para mejorar el
original. Este proceso se repite hasta encontrar un modelo satisfactorio. La fig. 1
ilustra el enfoque.
8
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
9
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
Otras desventajas
Sin embargo, el enfoque de Box Jenkins tiene sus desventajas. Algunas de ellas
son las siguientes.
10
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
Autocorrelaciones Parciales
Al principio, el analista pudiera no darse cuenta del orden apropiado del proceso
autorregresivo para ajustarlo a una serie histórica. A este mismo tipo de problema
se enfrentó al decidir el número de variables independientes a incluir en un modelo
de regresión múltiple.
Las autocorrelaciones parciales se emplean para ayudar a identificar el grado de
relación entre los valores reales de una variable y valores anteriores de Ia misma,
mientras que se mantienen constantes los efectos de las otras variables (periodos
retrasados).
Modelo autorregresivo
Un modelo autorregresivo toma Ia forma:
En donde:
𝑌𝑡 = variable dependiente
11
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
12
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
13
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
En donde:
𝑌𝑡 = variable dependiente
𝑤0 , 𝑤1 , 𝑤2 , 𝑤𝑞 = peso específico
∈𝑡 = residuo o error
∈𝑡−1 , ∈𝑡−2, ∈𝑡−𝑞 = valores previos de residuos
14
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
15
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
16
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
2. Una vez obtenida una serie estacionaria, el analista debe identificar la forma
del modelo a utilizar. Este paso se logra mediante la comparación de los
coeficientes de autocorrelación y de autocorrelación parcial de los datos a
ajustar con las correspondientes distribuciones de los diversos modelos
ARIMA. Para ayudar en la selección de un modelo apropiado, en las figs. 2,
17
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
Aun cuando en general no será posible hacer coincidir exactamente los datos con
las distribuciones teóricas, se pueden efectuar pruebas durante la etapa 2 para
determinar si el modelo es adecuado. Entonces, si el modelo no es satisfactorio, se
puede intentar un modelo alternativo. Después de un poco de práctica, el analista
se hará más apto en la identificación de un modelo adecuado.
Por ejemplo, suponga que se eligió un modelo ARIMA (1, 1). La fórmula matemática
y la formula de pronóstico del modelo respectivamente son:
Para utilizar la ecuación de pronóstico, el analista debe calcular los valores para ø1
y w1. Estos cálculos se realizan mediante el programa de cómputo Box Jenkins,
utilizando como criterio de selección de valores óptimos el error medio cuadrado.
Suponga que los valores calculados de Ø y w1 fueron .25 y .5. Ahora, el modelo
tentativo es:
18
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
19
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
20
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
Un analista de Atron Corp. Tuvo una serie de tiempo de las lecturas de un proceso
que necesitaba ser pronosticado. Los datos se muestran a continuación:
Lecturas para el proceso Atron Corp. (léase por columnas)
60 99 75 79.5 61.5 88.5 72 90
81 25.5 78 64.5 81 51 66 78
72 93 66 99 76.5 85.5 73.5 87
78 75 97.5 72 84 58.5 66 99
61.5 57 60 78 57 90 73.5 72
78 88.5 97.5 63 84 60 103.5
57 76.5 61.5 66 73.5 78 60
84 82.5 96 84 78 66 81
72 72 79.5 66 49.5 97.5 87
67.8 76.5 72 87 78 64.5 73.5
100
80
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75
Aparentemente al ver la gráfica de los datos recopilados, se observa que las lecturas
varían en torno a un nivel fijo de alrededor de 80. Se concluye que la serie de tiempo
es estacionaria y autocorrelacional.
Utilizaremos el software de aplicación Minitab 16.0 para la resolución del ejercicios.
El interfaz del programa se muestra a continuación:
21
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
22
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
Resultados en Minitab para los modelos AR (1) para las lecturas de Atron
Resultados en Minitab para los modelos MA (2) para las lecturas de Atron:
23
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
CONCLUSIONES
24
Modelo de pronósticos Box Jenkins. PRP-115 FIA- UES
BIBLIOGRAFIA
25