1

Alipio Ordoez M.

Lima - PERU
ali1fom@Yahoo.com








2
















INTRODUCCION
Los modelos SARIMA(p,d,q)(P,D,Q)
s
, son
usados para el anlisis de series de tiempo
ESTACIONALES; y estas a su vez pueden ser:
ESTACIONARIAS.-Cuando las componentes
son constantes atravs del tiempo( Modelos
estacionales puros-SARMA),
No ESTACIONARIAS.- En el caso de que
las componentes(media,tendencia y estacin),
alguno de ellos, cambian atravs del tiempo.








3
















Estructura General SARIMA
Los valores de d,D y deben ser
identificados en la siguiente estructura
general:


Y para ello debe iniciarse el proceso
exploratorio del;
Grfico de la serie y en el
Correlograma respectivo.
t s t S
D
s
d
B B Z B B c u |

) ( ) ( ) ( ) ( O = u A A








4
Anlisis Exploratorio
para una serie Estacional
















Grfico de la Serie

Original, AZ
t
A
2
Z
t
. AA
s
Z
t
A
2
A
s
Z
t


Transformada, AZ
t

.
A
2
Z
t

. A
2
A
s
Z
t

. Correlograma de la Serie
Original,. AZ
t
A
2
Z
t
A
2
A
s
Z
t

Transformada, AZ
t

.
A
2
Z
t

A
2
A
s
Z
t

NOTA:Dentro de cada clase de modelos
Los valores de dy D se elige cuando la variancia es
minima, y el valor de -1<<1, cuando la variancia es
estable.








5
Transformacin de la Serie
TRANSFORMAR LA SERIE.-
Para tratar la no estacionariedad en la
variancia. La transformacion de Box-
Cox, es la ms usada para estabilizar
la variancia
1
Apropiado para las series de tiempo
que exciben una intensa variacin en
la varianza atravs del tiempo.
La estrategia para su estudio, sugiere
intensamente seguir los siguientes pasos:








6
Se utiliza para tratar la existencia de una
pendiente en la variacin estacional
Se recomienda tomar D = 0, 1 dife-
rencias estacionales.
Si el correlograma para los periodos
estacionales s,2s,3s,...,Ks exhibe un
decaimiento rapido, D=0,
Si el correlograma para los periodos
estacionales s,2s,3s,...,Ks no exhibe
decaimiento rapido, D=1,
Es poco frecuente tomar D=2.
2
DIFERENCIACION ESTACIONAL








7
o diferenciacin sucesiva,se usa Para
tratar la no estacionariedad en media.
Se recomienda tomar d = 1, o 2 dife-
rencias consecutivas.
Si fluctua alrededor u
0
, d=0,
Si hay segmentos que difieren en nivel,
pero tienen la misma pendiente, d=1,
Si hay segmentos que difieren en
nivel y en pendiente, d=2
3
DIFERENCIACION REGULAR








8
ELECCION DE p,y q.- Se realiza
analizando las fac y facp para rezagos
menores a la longitud S del periodo
estacional.
4
ELECCION DE P,y Q.- Se fijan
analizando los fac y facp para rezagos
estacionales s,2s,3s,...Ks. Los primeros
pocos facp=0 determinan el orden SAR(
P=?), y los primeros pocos fac =0
determinarn el orden SMA(Q= ?).
5
IDENTIFICACION DE LOS ORDENES DEL MODELO








9
MODELOS
ESTACIONALES PUROS



t s t s
B Z B c ) ( ) ( O = u








10
Modelos Estacionales Estacionarios
Estos modelos tienen como principal
caracterstica una variacin constante
estacional que fluctua alrededor del
nivel medio de la serie.
Su Correlograma solo tiene valores
=0, en los rezagos estacionales; s
2s,3s,...,ks.








11

Modelo Estacional Puro SAR(1)
t T t
Z Z c + =
12
2 . 0 1
e
t
es una N(0,0.009)
0.0
0.5
1.0
1.5
2.0
95 96 97 98 99 00 01 02 03








12

CORRELOGRAMA-SAR(1)
















13

A
Estructura ESTACIONAL PURA...1
t t s
t Ps t P s t t
Z B
Z Z Z
c u
c u
+ = u
+ u + + u + =

0
1 0
) (
...
Proceso Autoregresivo Estacional
(SAR)
Analogamente a los procesos ARMA,
pueden tener cualquiera de las
siguientes estructuras estacionales:








14

B
Estructura ESTACIONAL PURA...2
t o t
QS t Q S t t o t
B Z
Z
c u
c c c u
) (
...
O + =
O + + O + + =

Proceso Medias Moviles Estacional
(SMA)
C
t s t s
Qs t Q s t t Ps t P s t t
B Z B
Z Z Z
c u
c c c u
) ( ) (
... ...
0
1 1 0
O + = u
O O + u + + u + =

Proceso Mixto SARMA(P,Q)








15
MODELOS ESTACIONALES
NO ESTACIONARIOS


Produccin Nacional de
Pepino en el Per
t s t s
D s
B Z B B c

) ( ) ( ) 1 ( O = u








16
Modelos Estacionales No Estacionarios
La no estacionariedad puede presentarse en
la variancia o en la variacin estacional;
Necesitan una diferencia estacional
D=1, para ser estacionarios; pues sus
fac =0, en los rezagos:s 2s,3s,...,ks;son
caracteristicas de un decaimiento lento.
Puede necesitar una transformacin
-1<<1, para estabilizar su variacin
estacional.








17
Produccin Nacional de Pepino.
Variacin Estacional No Estacionaria..?
0
2
4
6
8
10
90 92 94 96 98 00 02
M
i
l
e
s

d
e

T
M








18
Correlograma de una ST
NO Estacionaria en Estacin
















La inspeccin grfica y numerica del
correlograma se realiza teniendo en cuenta
solo los periodos multiplos de la estacin.

Las FAC (
j
), Decaen lentamente a 0, Ya
que las fac ms alla del rezago 24 son = 0. Y esto
ser una seal de que es necesario tomar una
diferencia estacional D=1.
Si las FACP, Por lo general deben estas deben
estar dominadas por un decaimiento infinito a
0








19
Correlograma Produccin de
Pepino. Per 1990-2003
Rezagos 36, 48 y
60 son =0








20
Serie con 1ra.Dif. Estacional
-6
-4
-2
0
2
4
6
8
90 91 92 93 94 95 96 97 98 99 00 01 02 03








21
Correlograma Serie con D=1








22
Estructuras Estacionales
No Estacionarias
















La estructura de los modelos SARIMA(P,D,Q), son
determinados en la inspeccin grfica y numerica
del correlograma de la serie Difereciada y/o
Transformada, que fue necesaria para arribar a
una serie estacionaria.
AUTOREGRESIVA -SARI(P,D)) .- Donde el valor p es el
numero de los primeros rezagos diferentes de 0, en la FACP
MEDIAS MOVILES-SIMA(D,Q).- En Analogia a los procesos
AR(.), El valor de Q se determina como el numero de
rezagos diferentes de 0, en las FAC.
AUTOREGRESIVA DE MEDIAS MOVILES- ARIMA(P,D,Q) ,
los valores deP y Q determinan el decaimiento hacia
cero.en ambas funciones FAC, y FACP respectivamente









23

Estimacin del modelo SARI(2,1)
















24

Diagnstico del modelo SARI(2,1)










25

La ecuacin es obtenida desde la salida
de estimacin como; A
s
Z
t
=0.0931* a
t
,

con a
t
= -0.4242 a
t-12
-0.3092a
t-24
+ e
t-
.

Y la ecuacin final para los pronosticos a usarse es;

Z
t
=0.0537+0.5758Z
t-12
+0.115Z
t-24
+0.3092Z
t-36
.

Pronstico del modelo SARI(2,1)








26

Pronstico con SARI(2,1)








27

Estimacin del modelo sIMA(1,1)








28
Correlograma del residual sIMA(1,1)








29

Estructura Pronstico-SIMA(1,1)
Desde el cuadro de estimacin la
ecuacion para pronosticos a ser usado es;
A
s
Z
t
=0.0955 + 0.607c
t-12
+ c
t

o equivalentemente;

Z
t
= 0.0955 + Z
t-12
+ 0.607

c
t-12
Asi el pronostico para 2003:06 es;
Z
03:06
= 0.0955+ Z
02:06
+0.607c
02:06
=
c
t-








30

Pronsticos con SIMA(1,1)

















31

Estimacin del modelo SARIMA(1,1,1)
S









32
Correlograma del residual SARIMA(1,1,1)
S









33
Estructura de Pronosticos del
proceso SARIMA(1,1,1)
S

La ecuacin de pronsticos se formula
desde el cuadro de estimacin;
A
S
Z
t
=0.0713+ a
t
; con
a
t
= 0.3143a
t-12
+0.8533c
t-12

Desde el cual se obtiene la ecuacin de
pronstico;

Z
t
=0.0489+1.3143Z
t-12
-0.3143Z
t-24
+0.8533c
t-12









34

Pronsticos del SARIMA(1,1,1)
S









35
MODELOS ESTACIONALES
NO ESTACIONARIOS
MULTIPLICATIVOS

Logaritmo de la Produccin
Nacional de Pepino en el Per
t s t s
D s d
B B Z B B B B c u |

) ( ) ( ) ( ) ( ) 1 ( ) 1 ( O = u








36
Modelos Estacionales Multiplicativos
La no estacionariedad puede presentarse en cualquiera
de las componentes de la serie, y su relacion es
multiplicativa;
Se necesita una diferencia estacional D=1, cuando
los son fac =0, en los rezagos:3s,4s...,ks.
Se necesita una diferencia regular d=1, cuando los
son fac =0, en los rezagos:4,5,...s-1.Y esto indica
la presencia de una tendencia en la serie.
Si la Variancia es proporcional a la media.(Grafico
de dispersin Rango VS Media se alinean a una linea
recta con pendiente Positiva) -1<<1.








37
Grafico de dispersion:Rango
vs. Media(Rango=2.98Media; r=0.58)
0
2
4
6
8
10
0.5 1.0 1.5 2.0 2.5
R
A
N
G
O
MEDIA








38
Serie Transformada (log.Pepino)
-3
-2
-1
0
1
2
3
90 91 92 93 94 95 96 97 98 99 00 01 02
L
o
g
(
P
e
p
i
n
o
)








39
Correlograma(Log.Pepino)
Rezagos 36, 48 y
60 son =0








40
Correlograma(Log.Pepino, D=1)








41
Ajuste del SARIMA(0,0,1)(2,1,0)








42
Diagnstico del SARIMA(0,0,1)(2,1,0)








43
Ajuste del SARIMA(2,0,1)(2,1,0)








44
Diagnostico del SARIMA(2,0,1)(2,1,0)








45
Ajuste del SARIMA(6,0,1)(2,1,0)








46
Diagnostico del SARIMA(6,0,1)(2,1,0)








47
Pronosticos del SARIMA(6,0,1)(2,1,0)








48

Seleccin del mejor modelo
Modelo Dinamico Estatico
SARI(2,1)
SIMA(1,1)
SARIMA(1,1,1)
1.701064
1.697529
1.376585
1.701064
1.697522
1.348614
LOGARITMO
SARIMA(6,0,1)
(2,1,0)
S
2.963586 2.063436