Académique Documents
Professionnel Documents
Culture Documents
El presente documento, detalla el ajuste de The document presented here, details the
modelos de series de tiempo ARIMA, para la adjustment of ARIMA (Autoregressive
realización de pronósticos sobre el histórico Moving Average) time series models that
de expedientes acumulados en la Comisión allow to forecast the historic accumulation
de Derechos Humanos del Distrito Federal of files in the Mexico City Human Rights
(CDHDF). El propósito es comprender Commission. The purpose is to compre-
el comportamiento de los expedientes hend the behaviour of these, throughout
acumulados en el tiempo y pronosticarlos. time and to forecast the number of ac-
cumulated files.
89
Economía Informa núm. 398 mayo - junio • 2016
90
Marco Jair Guerrero Quintana y Sonny Alberto Medina Jiménez
Figura 1
Expedientes acumulados en la CDHDF
Número de Expedientes acumulados
en la Comisión de Derechos Humanos
del Distrito Federal 2005-2015
8 000
6 000
Expedientes
4 000
y=776+621x
2 000
Xt = Tt +St +Et
Figura 2
Descomposición de la serie Xt en sus componentes aditivas
Descomposition of additive time series
-50 0 50 1000 4000 7000 2000 6000
observed
trend
seasonal
0 200
random
-300
Figura 3
Expedientes acumulados en cada una de las Visitadurías Generales
Expedientes acumulados Expedientes acumulados Expedientes acumulados Expedientes acumulados Expedientes acumulados
en la 1a Visitaduría General en la 2a Visitaduría General en la 3a Visitaduría General en la 4a Visitaduría General en la 5a Visitaduría General
200 600 1000 1400
500 1000 1500 2000
Expedientes
Expedientes
Expedientes
Expedientes
1500
500
2006 2010 2014 2006 2010 2014 2006 2010 2014 2006 2010 2014 2009 2011 2013 2015
Tiempo Tiempo Tiempo Tiempo Tiempo
92
Marco Jair Guerrero Quintana y Sonny Alberto Medina Jiménez
2. Modelos ARIMA
Los procesos ARIMA son los más populares para el modelado de procesos
econométricos, financieros, meteorológicos e incluso biológicos. Son una ge-
neralización de los procesos ARMA (Auto Regresivos y de Medias Móviles),
usados cuando la serie de tiempo presenta una tendencia, que la vuelve un
proceso no estacionario.
La función de autocovarianzas (ACVF) es un criterio eficiente para el
ajuste de un modelo de series de tiempo. La ACVF teórica está definida como
la covarianza entre xt y xt+h .
Definición: La función de autocovarianza muestral es definida como:
93
Economía Informa núm. 398 mayo - junio • 2016
94
Marco Jair Guerrero Quintana y Sonny Alberto Medina Jiménez
3. Metodología
Figura 4
Función de Correlación Cruzada (CCF) entre Visitaduras Generales
CCF entre las VGs 1 y 2 CCF entre las VGs 1 y 3 CCF entre las VGs 1 y 4 CCF entre las VGs 1 y 5 CCF entre las VGs 2 y 3
0.2 0.3
Autocorrelación cruzada
0.2
0.15
0.1 0.2
0.1 0.2
Autocorrelación cruzada
Autocorrelación cruzada
Autocorrelación cruzada
Autocorrelación cruzada
0.1
0.05
0.1
-0.2 -0.1 0.0
-0.15 -0.05
0.0
-0.1
-0.1
-0.2
-20 -10 0 10 20 -20 -10 0 10 20 -20 -10 0 10 20 -20 -10 0 10 20 -20 -10 0 10 20
Periodos mensuales Periodos mensuales Periodos mensuales Periodos mensuales Periodos mensuales
CCF entre las VGs 2 y 4 CCF entre las VGs 2 y 5 CCF entre las VGs 3 y 4 CCF entre las VGs 3 y 5 CCF entre las VGs 4 y 5
0.2
Autocorrelación cruzada
0.2
-0.3 -0.2 -0.1 0.0 0.1 0.2
Autocorrelación cruzada
Autocorrelación cruzada
Autocorrelación cruzada
Autocorrelación cruzada
0.2
0.1
0.1
0.0 0.1
0.0
0.0
-0.2 -0.1
-0.1
-0.2 -0.1
-20 -10 0 10
Periodos mensuales
20 -20 -10 0 10
Periodos mensuales
20 -20 -10 0 10
Periodos mensuales
20 -20 -10 0 10
Periodos mensuales
20 -20 -10 0 10 20
Periodos mensuales
95
Economía Informa núm. 398 mayo - junio • 2016
Figura 5
Funciónes de autocorrelación y autocorrelación
parcial por cada visitaduría general
Autocorrelación de la serie Autocorrelación de la serie Autocorrelación de la serie Autocorrelación de la serie Autocorrelación de la serie
asociada a la VG 1 asociada a la VG 2 asociada a la VG 3 asociada a la VG 4 asociada a la VG 5
0.2 0.4 0.6 0.8 1.0
ACF
ACF
ACF
-0.2
-0.2
0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5
Lag Lag Lag Lag Lag
Autocorrelación parcial Autocorrelación parcial Autocorrelación parcial Autocorrelación parcial Autocorrelación parcial
de la serie asociada a la VG 1 de la serie asociada a la VG 2 de la serie asociada a la VG 3 de la serie asociada a la VG 4 de la serie asociada a la VG 5
0.15
0.2
0.1
Parcial ACF
Parcial ACF
Parcial ACF
Parcial ACF
Parcial ACF
0.1
0.05
0.0
0.0
-0.15 -0.05
-0.1
-0.1
-0.3
-0.2
0.5 1.0 1.5 0.5 1.0 1.5 0.5 1.0 1.5 0.5 1.0 1.5 0.5 1.0 1.5
Lag Lag Lag Lag Lag
96
Marco Jair Guerrero Quintana y Sonny Alberto Medina Jiménez
Figura 6
Funciónes de autocorrelación y autocorrelación
parcial de los residuales de los modelos individuales
Autocorrelación de los residuales Autocorrelación de los residuales Autocorrelación de los residuales Autocorrelación de los residuales Autocorrelación de los residuales
del modelo asociado a la VG 1 del modelo asociado a la VG 2 del modelo asociado a la VG 3 del modelo asociado a la VG 4 del modelo asociado a la VG 5
-0.2 0.0 0.2 0.4 0.6 0.8 1.0
ACF
ACF
ACF
ACF
0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5
Lag Lag Lag Lag Lag
Autocorrelación parcial de los Autocorrelación parcial de los Autocorrelación parcial de los Autocorrelación parcial de los Autocorrelación parcial de los
residuales residuales residuales residuales residuales
del modelo asociado a la VG 1 del modelo asociado a la VG 2 del modelo asociado a la VG 3 del modelo asociado a la VG 4 del modelo asociado a la VG 5
0.05 0.10 0.15
0.15
0.2
0.1
Parcial ACF
Parcial ACF
Parcial ACF
Parcial ACF
Parcial ACF
0.1
0.05
0.0
0.0
-0.05
-0.05
-0.05
-0.1
-0.1
-0.2
-0.15
-0.15
-0.15
-0.2
0.5 1.0 1.5 0.5 1.0 1.5 0.5 1.0 1.5 0.5 1.0 1.5 0.5 1.0 1.5
Lag Lag Lag Lag Lag
97
Economía Informa núm. 398 mayo - junio • 2016
4. Pronósticos
Figura 7
Pronósticos de la serie de tiempo Número de expedientes acumulados en
la CDHDF a un año
Número de expedientes acumulados en la Comisión de Derechos Humanos
del Distrito Federal 2005-2015
Pronósticos a 1 año
10 000
Serie
Pronóstico
Intervalo de confianza (90%)
2 000 4 000 6 000 8 000
Expedientes
0
Tabla 1
Pronósticos del número de expedientes acumulados
en la CDHDF para el 2016
Mes Media Límite Inferior Límite Superior
Enero 8 992 8 904 9 081
Febrero 9 100 8 975 9 226
Marzo 9 206 9 051 9 361
Abril 9 236 9 053 9 418
Mayo 9 339 9 132 9 545
Junio 9 363 9 136 9 591
Julio 9 370 9 123 9 617
Agosto 9 397 9 132 9 663
Septiembre 9 429 9 147 9 711
Octubre 9 468 9 170 9 766
Noviembre 9 518 9 205 9 831
Diciembre 9 585 9 258 9 912
98
Marco Jair Guerrero Quintana y Sonny Alberto Medina Jiménez
5. Conclusión
Referencias
Brockwell Perter J. and Richard A. Davis (2002), Introduction to Time Series and Fore-
casting, Second Edition, Springer.
Robert H. Schumway and David S. Stoffer (2010), Time Series Analysis and Its Ap-
plications. With R Examples, Third edition. Springer.
Ruey S. Tsay (2010), Analysis of Financial Time Series, Third Edition, Wiley.
Haugh D. Larry (1976), Checking the Independence of Two Covariance-Stationary
Time Series: A Univariate Residual Cross-Correlation Approach, Journal of the
American Statistical Association, vol. 71, núm. 354 (jun.), pp. 378-385.
Guerrero M. Victor (2004), Análisis estadístico de series de tiempo económicas generadas
con datos oficiales, inegi.
E. P. Box, M. Jenkins and C. Reinsel (1994), Time Series Analysis, Forecasting and
Control, Third Edition, Wiley.
99