Aplicación de La Metodología Box-Jenkins

NDICE
OBJETIVOS ............................................................................................................................................... 3
INTRODUCCIN ...................................................................................................................................... 4
I. FBRICA DE PASTAS ALIMENTICIAS LA MODERNA (GENERALIDADES) .................... 5
II. METODOLOGA BOX-JENKINS ............................................................................................. 6
II.1 Definicin de serie de tiempo....................................................................................................... 6
II.2 Componentes de la serie de tiempo .............................................................................................. 6
II.3 Proceso estocstico ....................................................................................................................... 7
II.4 Box-Jenkins .................................................................................................................................. 7
II.5 Etapas de la metodologa Box-Jenkins......................................................................................... 8
III. APLICACIN DE LA TCNICA DE REGRESIN LINEAL SIMPLE .................................... 10
III.1 Anlisis exploratorio .................................................................................................................. 10
III.2 Estimacin del modelo de regresin lineal simple a los datos ................................................... 11
III.3 Pruebas de hiptesis para 0 y 1 ............................................................................................. 12
III.4 Aplicacin del ANOVA ............................................................................................................. 13
III.5 Verificacin de supuestos........................................................................................................... 14
IV. APLICACIN DE LA METODOLOGA BOX-JENKINS ......................................................... 20
IV.1 Anlisis exploratorio .................................................................................................................. 20
IV.2 Etapa de identificacin del modelo ............................................................................................ 27
IV.3 Etapa de estimacin de los parmetros del modelo.................................................................... 30
IV.4 Etapa de validacin .................................................................................................................... 32
IV.5 Prediccin del precio promedio mensual de pasta para sopa marca La Moderna
correspondiente al mes de Enero del ao 2016 ..................................................................................... 44
CONCLUSIONES .................................................................................................................................... 49
REFERENCIAS ........................................................................................................................................ 50
ANEXOS .................................................................................................................................................. 51
Base de datos ......................................................................................................................................... 52
OBJETIVOS
Objetivo general
Aplicar la metodologa de Box-Jenkins a los datos de precios promedio

mensual, de pasta para sopa marca La Moderna en su presentacin de
200 gramos.
Objetivos particulares
Determinar si la tcnica de regresin lineal simple es un buen mtodo para

predecir el precio promedio mensual de pasta para sopa marca La
Moderna, correspondiente al mes de enero del ao 2016.
Construir la serie de tiempo para los precios promedio mensual.
Identificar si la serie de tiempo presenta tendencia, periodicidad, datos

faltantes y outliers.
Identificar el modelo ms adecuado para la realizacin de las predicciones

futuras sobre los precios promedio mensual.
Realizar la prediccin del precio promedio mensual correspondiente al

mes de enero del ao 2016 mediante la metodologa de Box-Jenkins.
3
INTRODUCCIN
Para llevar a cabo la realizacin del presente, se procedi a descargar de la pgina

del INEGI una base de datos sobre los precios promedio mensual de productos
alimenticios, seleccionados en tiendas de autoservicio en el rea metropolitana de la
ciudad de Mxico. Cabe destacar que para poder tener acceso a la base de datos fue
necesario ingresar a las siguientes pestaas de la pgina del INEGI. Estadsticas
>Banco de datos >Banco de informacin econmica > Sector alimentario >Abasto
y comercializacin >Precios >Precios promedio de productos alimenticios
seleccionados en tiendas de autoservicio de la zona metropolitana en la ciudad de
Mxico >abarrotes >Pasta para sopa (La Moderna), paquete de 200 gramos.
Los datos con los que se pretende trabajar corresponden a los precios promedio
mensual de pasta para sopa marca La Moderna, en su presentacin de 200 gramos.
Los precios fueron medidos en pesos mexicanos y presentan una periodicidad mensual
comenzando en el mes de enero del ao 2008 hasta el mes de diciembre del 2015.
El presente tiene como finalidad predecir el precio promedio mensual de la pasta

para sopa marca La Moderna, correspondiente al mes de enero del ao 2016,
mediante la aplicacin de la metodologa de Box-Jenkins.
4
I. FBRICA DE PASTAS ALIMENTICIAS LA MODERNA
(GENERALIDADES)
La moderna es una fbrica mexicana de pastas alimenticias fundada en el ao de

1920. Esta fbrica surgi a partir de la asociacin de Alberto A. Henkel y los hermanos
espaoles Vendrel.
Desde el ao 1920 hasta el ao de 1956 la fbrica fue cambiando constantemente

de dueos. Sin embargo fue hasta el ao de 1959 en el que la empresa tuvo a su ltimo
propietario el seor Eduardo Monroy Crdenas, el cual desde los inicios de su gestin
fue actualizando de manera constante los equipos de produccin, a tal grado que para
el ao de 1972 consigui inaugurar la fbrica de galletas marca La Moderna.
Conforme al paso del tiempo la empresa fue evolucionando de tal forma que
consigui certificarse en algunos de sus procesos de produccin
Algunas de las certificaciones en calidad que ha conseguido la empresa son:
certificacin SICA, Khoser, ISO 9001:2008, Food Safety System certification 22000,
entre otras.
Actualmente La Moderna es reconocida en los mercados internacionales de

E.U.A., el Caribe y Sudamrica, por la producir mltiples productos alimenticios como
pastas, galletas, harinas y frituras (http://www.lamoderna.com.mx/nosotros).
5
II. METODOLOGA BOX-JENKINS
II.1 Definicin de serie de tiempo
Definicin 1. Llamamos serie temporal, cronolgica, histrica o de tiempo a

una sucesin de observaciones cuantitativas de un fenmeno ordenadas en el tiempo
(Garca, Ramos & Ruiz, 2008, p. 153).
Definicin 2. Podemos definir a una serie de tiempo como un conjunto de

valores observados en una variable aleatoria ( ) correspondiente a periodos de tiempo
consecutivos; dichos periodos tienen la misma amplitud, y la serie tiene un carcter
discreto (Cuevas, 1999, p.1) .
II.2 Componentes de la serie de tiempo
De acuerdo con Pineda (2002):

Los componentes ms importantes de una serie de tiempo son cinco, los cuales
se mencionan a continuacin:
1. Tendencia. Es el aumento o disminucin (lineal o no lineal)

prolongado en el nivel de los datos. La tendencia tambin es considerada como
la pendiente de una lnea recta trazada a travs de los datos.
2. Estacionalidad o Periodicidad. Hace referencia al patrn estacional

que se repite a intervalos de tiempo fijos, es decir una serie de tiempo tendr
periodicidad cuando se produzcan aumentos o disminuciones en la misma las
cuales pueden darse de forma anual, semestral, trimestral o bimestral.
3. Ciclos. Este componente es similar a la estacionalidad, la nica

diferencia entre ambos es que los ciclos pueden variar en cuanto a longitud y
6
magnitud. Cabe destacar que los ciclos tienen mayor presencia en el rea
econmica, ya que puede haber variaciones econmicas a corto y largo plazo.
4. Componente estocstico o aleatoriedad. Este componente hace

referencia al movimiento dado en los datos que no presenta tendencia ni
periodicidad, es decir se da cuando no existe un patrn reconocible en los datos.
5. Estacionariedad. Este componente solo puede darse de dos maneras,

la primera es en media y la segunda en varianza. La estacionarizacin en media
de una serie se presenta cuando las observaciones en conjunto tienen como
caracterstica en particular a una media general o total y la tendencia de las
observaciones se da alrededor de esta. Por otro lado la estacionarizacin en
varianza se da cuando se observe que en la serie de tiempo no hay variacin en
la dispersin del conjunto de observaciones (p.22).
II.3 Proceso estocstico
Definicin. Un proceso estocstico es una familia de variables aleatorias

asociadas a un conjunto ndice de nmeros reales, de tal forma que a cada elemento del
conjunto le corresponde una y solo una variable aleatoria. Un proceso estocstico es
parte esencial dentro de la metodologa de Box-Jenkins (Pineda, 2002, p.24).
II.4 Box-Jenkins
Cuevas (1999) afirma que:

La metodologa de Box-Jenkins considera un enfoque que se utiliza en la
prctica, esto es se dispone de una determinada serie de tiempo con la finalidad
de determinar qu modelo ARIMA (p,d,q) (si la serie es no estacional) o ARIMA
(P,D,Q)S (en caso de que la serie sea estacional) representa de manera adecuada
el comportamiento de la misma, con el propsito de obtener predicciones de
valores futuros de la serie en cuestin. (p.60).
7
II.5 Etapas de la metodologa Box-Jenkins
Las etapas que constituyen la metodologa de Box-Jenkins se mencionan a

continuacin.
1. Anlisis descriptivo. En esta etapa se pretende describir las

caractersticas principales de la serie de tiempo, es decir se pretende observar a
partir de la elaboracin de la grfica de la serie de tiempo si sta presenta
tendencia, periodicidad, outliers y si tiene datos faltantes. Tambin se calculan
algunas estadsticas descriptivas entre las que se encuentran la media, la varianza,
del dato mnimo y el dato mximo, etc., lo anterior con la finalidad de corroborar
de manera simultnea con el grafico si la serie de tiempo es estacionaria o no.
2. Identificacin del modelo. El objetivo de esta etapa es buscar e

identificar a partir de la funcin de autocorrelacin y de la funcin de
autocorrelacin parcial, alguno o algunos de los modelos que genera la serie con
la finalidad de elegir el ms adecuado para sta.
3. Estimacin de los parmetros. En esta etapa procede a realizar la

evaluacin de la adecuacin de los modelos identificados y estimados.
4. Validacin del modelo. En esta etapa se pretende corroborar si el

modelo que se eligi para la prediccin de las futuras observaciones es el ms
adecuado. Para validar lo anterior es necesario verificar si el modelo que se eligi
cumple con los siguientes supuestos:
La media de los residuales debe ser igual a cero.

La varianza de los residuales debe ser constante.
Los residuales deben ser independientes.
Los residuales deben distribuirse de forma normal.
Verificar la inexistencia de Outliers en los residuales.
Verificar si el modelo elegido es admisible (estacionario e invertible).
8
Verificar si el modelo es estable.
Verificar si el modelo es parsimonioso.
5. Prediccin de observaciones futuras. Esta etapa es primordial en el

anlisis de series de tiempo, ya que una vez que se identificaron y validaron
los procesos estocsticos compatibles con los datos se procede a obtener las
predicciones correspondientes para la serie de tiempo bajo estudio.
9
III. APLICACIN DE LA TCNICA DE REGRESIN LINEAL SIMPLE
Debido a que La regresin lineal es una tcnica que se utiliza para analizar si los
valores de una variable dependiente pueden predecirse mediante un modelo lineal, a
travs del conocimiento de los valores de una variable independiente (lvarez, 2007,
p.589), en algunas ocasiones esta tcnica es utilizada de manera errnea para
pronosticar futuras observaciones sobre datos que se encuentran en funcin del tiempo.
Con el propsito de ejemplificar lo expresado en el prrafo anterior, y con el

objetivo de que se comprenda cmo funciona la tcnica de regresin lineal cuando se
aplica a datos que se encuentran en funcin del tiempo, se proceder a realizar su
aplicacin a datos correspondientes a los precios promedios mensuales de pasta para
sopa marca La Moderna, mediante el uso del software STATISTICA en su versin
7. Cabe destacar que para este caso la variable dependiente (Y) estar representada por
el Precio promedio mensual, mientras que la variable independiente (X) estar
representada por los meses en que fueron observados los precios.
III.1 Anlisis exploratorio
10
5.2
5.0
4.8
4.6
Precio promedio mensual
4.4
4.2
4.0
3.8
3.6
3.4
r = 0.06
3.2
3.0
0 2 4 6 8 10 12 14
Meses
Figura 1. Grafico de dispersin sobre los precios promedio mensual de pasta para
sopa marca La Moderna.
En la Figura 1, se observa que no existe una relacin clara entre la variable

Precio promedio mensual y la variable Meses, es decir, que el aumento o
disminucin del precio promedio mensual de pasta para sopa marca La Moderna, no
se ve afectado por el paso de los meses. Lo anterior se puede confirmar a partir del
valor r de Pearson 0.06 que se observa en el grfico de dispersin, lo cual indica que
existe una correlacin casi nula entre las variables.
III.2 Estimacin del modelo de regresin lineal simple a los datos
De acuerdo con modelo postulado para la tcnica de regresin lineal simple, el

cual tiene la forma:
= 0 + 1 + , en donde ~(, 2 )
11
El modelo estimado para los precios promedio mensuales de pasta para sopa
marca La Moderna es el siguiente:
( ) = 4.14 + 0.0064 ( )
De acuerdo al modelo estimado se observa que por cada mes que transcurra el
precio promedio mensual de pasta para sopa marca La Moderna, ste se incrementara
en 0.0064 pesos.
III.3 Pruebas de hiptesis para y
Una vez estimado el modelo de regresin lineal simple, se procedi a realizar

algunas pruebas de hiptesis para los parmetros del modelo ajustado, las cuales se
presentan a continuacin:
Prueba de hiptesis para 0

: 0 = 0 vs 0 0
Prueba de hiptesis para 1
: 1 = 0 vs 1 0
De acuerdo con la informacin de la Tabla 1, y utilizando un valor =0.05 se

observa que la prueba de hiptesis para 0 se rechaza, debido a que el valor p es menor
que el valor de significancia. Por lo tanto se concluye el valor de 0 es diferente de
cero, lo cual quiere decir que el intercepto de la lnea de regresin ajustada no puede
ser cero. Por otra parte se observa tambin que la prueba de hiptesis para 1 no se
rechaza, ya que el valor p es mayor que el valor . Por lo tanto se puede concluir que
el valor de 1es diferente de cero, lo cual indica que la variable Meses no se encuentra
explicando al precio promedio mensual de pasta para sopa marca La Moderna.
12
Por ltimo, considerando que el valor R-cuadrado obtenido el cual es del 0.3%,
se puede decir que la proporcin de la variabilidad de los precios promedio mensuales
de pasta para sopa marca La Moderna, que se encuentra explicando el modelo de
regresin ajustado es deficiente .Esto quiere decir que el modelo estimado no es lo
suficientemente bueno para realizar la estimacin de nuevas observaciones.
estimado t P
Intercepto ( ) 4.14 49.69 0.000
Meses ( ) 0.0064 0.57 0.57
S = 0.3833 R= 0.3% Rajustado= 0.0%
Tabla 1. Parmetros estimados del modelo de regresin ajustado
III.4 Aplicacin del ANOVA
Con la finalidad de determinar si existe asociacin lineal entre la variable

independiente (Meses) y la variable dependiente (Precios promedio mensual), se
procedi a aplicar la prueba de hiptesis de anlisis de la varianza.
Las hiptesis planteadas son:
: 1 = 0 vs 1 0
A continuacin en la Tabla 2, se presentan los resultados obtenidos en el paquete

STATISTICA.
SC GL CM F P
Regresin 0.05 1 0.047 0.32 0.57
Residuales 13.81 94 0.15
Total 13.86 95
Tabla 2. Prueba hiptesis anlisis de varianza
13
De acuerdo con la informacin de la Tabla 2, y utilizando un nivel de
significancia de 0.05 no se rechaza la hiptesis nula y se concluye que 1 = 0 . Esto
quiere decir que no existe asociacin lineal entre las variables, y por lo tanto la variable
Mes no explica a los precios mensuales promedio de pasta para sopa marca La
Moderna. Lo anterior se puede corroborar al observar que el valor de la suma de
cuadrados de los residuales es mayor comparada con la suma de cuadrados de la
regresin, y por lo tanto se obtiene un mal ajuste del modelo.
III.5 Verificacin de supuestos
Ahora se proceder a verificar de forma grfica, si los residuales estimados de

los datos cumplen o no con los supuestos de normalidad, independencia y
homogeneidad de varianzas.
Considerando que:
~ (, 2 )
los resultados obtenidos fueron los siguientes:
14
QQ-plot
Variable dependiente: Precio promedio mensual
3.0
2.5
.99
2.0
.95
1.5
Valores normales esperados
1.0
.75
0.5
.55
0.0
.35
-0.5
-1.0 .15
-1.5
.05
-2.0
.01
-2.5
-3.0
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
Residual
Figura 2. Grafico de probabilidad normal de los residuales (QQ-plot)
Como se observa en la Figura 2, los residuales si se distribuyen de forma

aparentemente normal debido a que la distancia existente entre los puntos y la recta de
regresin es pequea aparentemente. . Sin embargo a manera de confirmar lo que se
observa de forma grfica se proceder a realizar la prueba de normalidad de Shapiro
wilk en el paquete PAST en su versin 3.
Prueba Shapiro Wilk

Considerando las siguientes hiptesis
:
vs
1 :
15
En la Tabla 3, se presenta el resultado obtenido por el software para la prueba de
normalidad.
Valor
W 0.98
p-valor 0.49
Tabla 3. Resultados de la prueba de normalidad Shapiro Wilk
Considerando un nivel de significancia de 0.05 y comparndolo con el p-valor

de la prueba de normalidad, no se rechaza Ho por consiguiente se dice que los
residuales si se distribuyen de forma normal confirmando de esta manera lo observado
en el grfico de probabilidad normal.
Ahora se proceder a verificar de manera grfica el supuesto de homogeneidad

de varianzas.
Dependent variable: Precio promedio mensual

1.0
0.8
0.6
0.4
Residuales esperados
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
-1.2
4.00 4.05 4.10 4.15 4.20 4.25 4.30
Valores predecidos
Figura 3. Verificacin del supuesto de homogeneidad de varianzas en los

residuales
16
Como puede observarse en la Figura 3, existe un patrn en la distribucin de los
errores y por consiguiente se puede decir que el supuesto de homogeneidad de
varianzas para los residuales no se cumple. Sin embargo con la finalidad de corroborar
lo observado en el grfico se proceder a realizar la prueba de Bartlett, la cual se
muestra a continuacin.
Prueba de Bartlett.
Considerando las siguientes hiptesis
:
vs
1 :

El resultado obtenido por el software STATISTICA para la prueba de

homogeneidad de varianzas se muestra en la Tabla 4.
Valor
B chi-
3.44
cuadr
p-valor 0.98
Tabla 4. Resultados de la prueba de homogeneidad de varianzas de Bartlett
Considerando un nivel de significancia de 0.05 comparado con el p-valor de la

tabla no se rechaza Ho. Por lo tanto se puede decir que se cumple el supuesto de
homogeneidad de varianzas para los residuales- Comprobando de esta manera que la
conclusin obtenida a partir del grfico de homogeneidad de varianzas no era la
indicada.
17
Finalmente se verificara el supuesto de independencia, y los resultados se
muestran a continuacin.
Dependent variable: Precio promedio mensual

1.0
0.8
0.6
0.4
0.2
Residuales
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
0 10 20 30 40 50 60 70 80 90 100 110
Nmero de casos
Figura 4. Verificacin del supuesto de independencia de los residuales
Como se observa en la Figura 4, existe cierta tendencia positiva en los residuos

estimados por consiguiente se puede decir que el supuesto de independencia para los
residuos no se cumple. Sin embargo a manera de comprobacin se proceder a realizar
la prueba de Durbin-Watson la cual se presenta a continuacin.
Prueba de Durbin-Watson
Considerando la siguiente hiptesis:
:
vs
1 :
18
El resultado obtenido en el software Minitab en su versin 16, se muestra en la
tabla 5.
Valor
Estadstico
de Durbin- 0.29
Watson
Tabla 5: Resultados de la prueba de independencia de Durbin-Watson
Como se observa el valor del estadstico de Durbin y Watson es igual a 0.29, lo

cual de acuerdo a los valores de referencia en donde D<2 indica que existe una
correlacin positiva, se concluye que debido a la existencia de esta correlacin los
errores estimados a partir de los datos no son independientes y por consiguiente el
supuesto de independencia no se cumple.
Nota: No se procedi a realizar la estimacin de la cual para este caso

corresponde a la estimacin del precio promedio mensual de pasta para sopa marca La
Moderna para el mes de enero del ao 2016, debido a que el modelo ajustado que se
obtuvo no es un buen modelo para realizar la prediccin.
19
IV. APLICACIN DE LA METODOLOGA BOX-JENKINS
En este apartado se proceder a aplicar la metodologa de Box-Jenkins, a los

datos de los precios promedio mensual de pasta para sopa marca La Moderna en su
presentacin de 200 gramos. La aplicacin de la metodologa se llevara a cabo de
acuerdo con las etapas mencionadas en el apartado II.5
IV.1 Anlisis exploratorio
Con la finalidad de identificar si la serie de tiempo presenta tendencia,

periodicidad, outliers y datos faltantes, se proceder a realizar un anlisis descriptivo
de los precios promedio mensuales de pasta para sopa marca La Moderna, los cuales
se encuentran medidos en pesos y presentan una periodicidad mensual.
5.5 5.5
96
5.0 5.0
Precio promedio mensual
4.5 4.5
4.0 4.0
3.5 3.5
3.0 3.0
0 10 20 30 40 50 60 70 80 90 100
Meses
Figura 5. Serie de tiempo sobre los precios promedio mensual de pasta para sopa
marca La Moderna
20
En la Figura 5, se observa que la serie de tiempo presenta tendencia positiva, lo
que indica que conforme al paso de los meses el valor del precio promedio mensual de
pasta para sopa marca La Moderna fue aumentando. Por otra parte tambin se
observa que la serie no presenta periodicidad, no tiene datos faltantes y no presenta
outliers.
En trminos generales se puede observar que conforme al paso de los meses el

precio promedio mensual de pasta para sopa marca La Moderna, fue aumentando y
disminuyendo en forma creciente. Se observa tambin que el mes en el que el precio
promedio mensual alcanzo su menor valor fue en el 59, el cual corresponde a octubre
del ao 2012. En contraparte tambin se observa que fue en el mes 96 (correspondiente
a diciembre del ao 2015) en donde el precio promedio mensual alcanzo su mayor
incremento.
A continuacin en la Tabla 6, se presentan las estadsticas descriptivas de la serie

de tiempo.
Media Desv. Sta. Min Max N

Precio
promedio 4.19 0.38 3.22 5.05 96
mensual
Tabla 6. Estadsticas descriptivas de la serie de tiempo.
En la Tabla 6, se observa que el precio promedio mensual que mantuvo la pasta

para sopa marca La Moderna en las tiendas de autoservicio del rea metropolitana
de la ciudad de Mxico, en el periodo de enero del 2008 hasta diciembre del 2015 fue
aproximadamente de $4.19 pesos. Tambin se aprecia que el precio promedio ms bajo
que se registro fue de $3.22 pesos, mientras que el precio ms caro fue de $5.05 pesos.
Cabe mencionar que considerando el valor de la desviacin estndar, se puede decir
que los precios promedio mensual difieren en promedio por 0.38 centavos.
21
Una vez que se identific si la serie de tiempo presenta tendencia, periodicidad,
outliers y datos faltantes, se procede a estacionarizar la serie en media y en varianza.
Para poder llevar a cabo la estacionarizacin es necesario recurrir al uso de dos

transformaciones (filtros). La primera corresponde a la diferenciacin, la cual se aplica
con la finalidad de desaparecer la tendencia en la serie de tiempo, mientras que la
segunda corresponde a la aplicacin del logaritmo neperiano, este se aplica con la
finalidad de estabilizar la varianza de los datos para que de esta manera el anlisis de
los mismos sea ms sencillo.
Tomando en cuenta que la serie de tiempo graficada presenta cierta tendencia

positiva, se proceder a realizar la aplicacin de las transformaciones de diferenciacin
y del logaritmo neperiano. Lo anterior con la finalidad de estacionarizar la serie de
tiempo tanto en media como en varianza. Cabe destacar que primero se aplicara el
filtro del logaritmo neperiano y posteriormente se aplicara la diferenciacin. Esto se
debe a que en el paquete STATISTICA, si se aplica primero la diferenciacin este
arrojara un mensaje en el que se advierte que habr algunos errores al momento de
realizar los clculos aritmticos correspondientes.
En la Figura 6, se presenta la grfica de la serie original y la grfica de la serie

estacionarizada en varianza.
22
5.5 1.7
1.6
5.0
Precio promedio mensual:ln(x)

Precio promedio mensual: 1.5
4.5
1.4
4.0
1.3
3.5
1.2
3.0 1.1
0 10 20 30 40 50 60 70 80 90 100
Precio promedio mensual (L) Precio promedio mensual; trns. (R)
Figura 6. Comparacin de la serie de tiempo original Precio promedio

mensual con la serie transformada mediante el filtro del logaritmo neperiano

Precio
promedio 4.19 0.38 3.22 5.05 96
mensual
Precio
promedio 1.43 0.093 1.17 1.62 96
mensual ln (x)
Tabla 7. Comparacin de las estadsticas descriptivas de la serie original y de la serie

estacionarizada en varianza.
En la Figura 6, se observa que al aplicarle el filtro del logaritmo neperiano a los

datos de la serie original (la cual est representada por la lnea azul), el valor de la
varianza de la serie transformada disminuye. Lo anterior puede corroborarse al
comparar los valores de la media y la varianza de las dos series de tiempo en la Tabla
7.
23
A continuacin se proceder a aplicar el filtro de diferenciacin, con la finalidad
de estacionarizar la serie en media para desaparecer la tendencia existente en los datos
de la serie original.
5.5 1.0
0.8
5.0
0.6
Precio promedio mensual:D(-1)

Precio promedio mensual:
0.4
4.5
0.2
0.0
4.0
-0.2
-0.4
3.5
-0.6
3.0 -0.8
0 10 20 30 40 50 60 70 80 90 100
Figura 7. Comparacin de la serie de tiempo original Precio promedio mensual con la

serie transformada mediante el filtro de diferenciacin

Precio promedio
4.19 0.38 3.22 5.05 96
mensual
Precio promedio
0.018 0.20 -0.63 0.72 95
mensual D (-1)
Tabla 8. Estadsticas descriptivas de la serie original Precio promedio mensual y de la

serie estacionarizada en media.
En la Figura 7, se observa que al aplicar el filtro de la diferenciacin se logra

cumplir el objetivo de eliminar la tendencia positiva existente en los datos de la serie
24
original. Sin embargo a partir de la informacin presentada en la Tabla 8, se aprecia
que la variabilidad con respecto a la media de la serie transformada es elevada.
Debido a lo anterior se proceder a realizar la aplicacin del filtro del logaritmo

neperiano y del filtro de la diferenciacin de manera simultnea, con la finalidad de
estacionarizar la serie tanto en media como en varianza.
5.5 0.3
5.0 0.2
Precio promedio mensual:ln(x); D(-1)

Precio promedio mensual:
4.5 0.1
4.0 0.0
3.5 -0.1
3.0 -0.2
0 10 20 30 40 50 60 70 80 90 100
Figura 8. Comparacin de la serie de tiempo original Precio promedio mensual

con la serie estacionarizada en media y varianza

Precio promedio
4.19 0.38 3.22 5.05 96
mensual
Precio promedio
mensual ln (X) 0.0043 0.048 -0.153 0.173 95
D (-1)
Tabla 9. Comparacin de las estadsticas descriptivas de la serie original Precio promedio

mensual y de la serie estacionarizada en media y varianza.
25
En la Figura 8 se observa que al aplicar los filtros estabilizadores de la media y
la varianza de manera simultnea, la serie de tiempo Precio promedio mensual se
suaviza. A manera de comprobar lo anterior en la Tabla 9, se observan las estadsticas
descriptivas correspondientes a la serie original y a la serie transformada.
A continuacin en la Tabla 10, se presenta de manera conjunta las estadsticas

descriptivas de la serie original y de las series estacionarizadas tanto de forma separada
como de forma simultnea. Como puede observarse en la serie original, el valor de la
varianza con respecto a la media es pequeo. Sin embargo debido a la existencia de la
tendencia positiva en la serie original, se procedi a estacionarizar la serie de tiempo
tanto en media como en varianza a partir de la aplicacin de los filtros de logaritmo
neperiano y de diferenciacin. Como se observa el valor de la varianza con respecto a
la media en la serie estacionarizada en media es ms elevada, si se compara con la serie
estacionarizada en varianza, en la cual el valor de la varianza con respecto a la media
s disminuyo. Debido a lo anterior se procedi a realizar la aplicacin de los filtros de
diferenciacin y de logaritmo neperiano de manera simultnea, teniendo como
resultado la estacionarizacin de la serie tanto en media como en varianza. Cabe
mencionar que aunque la varianza de la serie estacionarizada en media y varianza, sigue
siendo un poco elevada con respecto a la media, se debe considerar que esto puede
deberse a la naturaleza de los datos los cuales provienen del rea econmica.

Precio promedio
4.19 0.38 3.22 5.05 96
mensual
Precio promedio
1.43 0.093 1.17 1.62 96
mensual ln (x)
Precio promedio
0.018 0.20 -0.63 0.72 95
mensual D (-1)
Precio promedio
mensual ln (X) 0.0043 0.048 -0.153 0.173 95
D (-1)
Tabla 10: Comparacin de las estadsticas descriptivas de la serie original Precio

promedio mensual y las series transformadas
26
De acuerdo con la metodologa de Box-Jenkins, una vez que la serie se encuentra
estacionarizada en media y en varianza se procede identificar el o los modelos que
genera la serie, esto con la finalidad de determinar cul es el modelo ms adecuado que
servir para predecir las observaciones futuras.
IV.2 Etapa de identificacin del modelo
Para poder realizar el primer ajuste del modelo es necesario proceder a la

verificacin de las funciones de autocorrelacin y de autocorrelacin parcial, ya que a
partir de ellas se obtendrn los elementos del modelo ARIMA (p, d, q)s. En donde p
corresponde a la parte auto-regresiva del modelo, d al nmero de diferenciaciones
aplicadas en la serie, q a la parte de medias mviles y s a la existencia o inexistencia
de periodicidad en la serie.
El modelo inicial que se pretende plantear, estar basado en la siguiente forma:
=++11+22++11122
en donde
~(0,2)
+ Corresponde a la parte del modelo conocido como caminata aleatoria o

ruidos blancos.
11+22++1 Corresponde a la parte auto regresiva del modelo
1122 Corresponde a la parte de medias mviles.
En la Figura 9 se presenta el auto-correlograma de la funcin de autocorrelacin,

con la finalidad de determinar cul es el valor de p el cual nos ayudara a establecer la
parte auto regresiva del modelo inicial.
27
Funcin de autocorrelacin
Precio promedio mensual: ln(x); D(-1)
Lag Corr. S.E. Q p
1 -.490 .1010 23.55 .0000
2 +.146 .1005 25.67 .0000
3 -.030 .0999 25.76 .0000
4 -.001 .0994 25.76 .0000
5 +.047 .0988 25.99 .0001
6 -.165 .0983 28.80 .0001
7 +.104 .0977 29.94 .0001
8 -.024 .0972 30.00 .0002
9 -.010 .0966 30.01 .0004
10 +.009 .0960 30.02 .0009
11 -.112 .0955 31.40 .0010
12 +.078 .0949 32.08 .0014
13 -.063 .0943 32.52 .0020
14 +.052 .0938 32.83 .0031
15 -.096 .0932 33.89 .0035
0 0 Conf. Limit
-1.0 -0.5 0.0 0.5 1.0
Figura 9. Funcin de autocorrelacin de la variable Precio promedio mensual
De acuerdo con el siguiente criterio, el cual indica que para obtener el valor de la
parte auto-regresiva del modelo representado por p, es necesario observar el nmero
de barras del auto-correlograma diferentes de cero que sobresale de las lneas
punteadas, se observa en la Figura 9 que nicamente una barra sobrepasa las lneas
punteadas, por consiguiente se establece que el valor p para este caso ser igual a 1.
Definido el valor de p, se proceder a realizar el auto-correlograma de la funcin
de autocorrelacin parcial, para determinar el valor de q.
28
Funcin de autocorrelacin parcial
Precio promedio de pasta para sopa "La moderna": ln(x); D(-1)
Lag Corr. S.E.
1 -.490 .1026
2 -.124 .1026
3 -.013 .1026
4 -.005 .1026
5 +.057 .1026
6 -.154 .1026
7 -.070 .1026
8 +.009 .1026
9 -.005 .1026
10 -.002 .1026
11 -.147 .1026
12 -.094 .1026
13 -.064 .1026
14 +.016 .1026
15 -.095 .1026
0 Conf. Limit
-1.0 -0.5 0.0 0.5 1.0
Figura 10. Funcin de autocorrelacin parcial de la variable Precio promedio mensual
Utilizando el mismo criterio para determinar el valor de p, se observa que en la

Figura 10 solamente una barra sobresale de las lneas punteadas. Por consiguiente se
determina que el valor de q (el cual representa la parte de medias mviles del modelo)
ser igual a 1 para este caso.
Debido a que ya se conoce el valor de p y de q se procede a determinar el valor

d, el cual para este caso ser igual a 1 debido a que nicamente fue necesario aplicar
una diferenciacin para estacionarizar la serie en media. Finalmente el valor de s ser
igual a 1 ya que no se observ la existencia de periodicidad en la serie original ni en
los autocorrelogramas.
Derivado de lo anterior el modelo inicial para la serie estacionarizada en media

y varianza, queda de la siguiente manera:
ARIMA(1,1,1)1
el cual es expresado matemticamente de la siguiente manera:
29
= + + 1 1 1 1
nicamente en caso de que llegar a la conclusin de que el modelo inicial no sea

un buen modelo para realizar las predicciones de las observaciones futuras, a
continuacin se proponen los siguientes modelos derivados del modelo inicial.
1. Modelo ARIMA (1, 1,0)1

(En este modelo se excluye la parte de medias mviles).
Forma matemtica
= + + 1 1
2. Modelo ARIMA (0,1,1)1

(En este modelo se excluye la parte auto regresiva del modelo)
Forma matemtica
= + 1 1
IV.3 Etapa de estimacin de los parmetros del modelo
En esta etapa se proceder a estimar los parmetros del modelo inicial ARIMA
(1,1,1)1 y en dado caso de los modelos propuestos. Lo anterior se realizara con el
propsito de determinar el modelo que servir para realizar las predicciones de las
observaciones futuras. En esta etapa se adoptaran algunos supuestos para el proceso de
estimacin, los cuales son:
a. ~(0, 2 )
b. sea un proceso estacionario
c. sea un proceso invertible
Antes de realizar la estimacin de los parmetros se debe considerar que:
Un proceso es estacionario cuando:
30
|1| < 1
|1 + 2| < 1
|2 1| < 1
Y un proceso ser invertible cuando:
|1 | < 1
|1 + 2 | < 1
|2 1 | < 1
Considerando lo anterior a continuacin se presenta la estimacin de los

parmetros para el modelo inicial.
Valor del Lower Upper

Parmetro p
parmetro 95%conf 95%conf
Constante 0.0042 0.0873 -0.00063 0.0091
p(1) -0.29 0.14 -0.68 0.097
q(1) 0.27 0.18 -0.13 0.67
Tabla 11. Parmetros estimados del modelo inicial ARIMA (1,1,1)1
Como se observa en la Tabla 11, el modelo inicial si es estacionario e invertible.

Ahora se proceder a corroborar si los modelos propuestos tambin cumplen con
los supuestos.
Parmetro p
Constante 0.004 0.13 -0.0014 0.010
p(1) -0.49 0.000001 -0.67 -0.31
Tabla 12. Parmetros estimados del modelo ARIMA (1, 1,0)1
31
Parmetro p
Constante 0.0040 0.063 -0.000233 0.008358
q(1) 0.50 0.000000 0.33 0.68
Tabla 13. Parmetros estimados del modelo ARIMA (0,1,1)1
Como se observa en las Tablas 11 y 13 ambos modelos cumplen con ser

estacionarios e invertibles.
Debido a que los tres modelos cumplieron con ser estacionarios e invertibles, se
proceder a pasar a la etapa de validacin la cual se presenta en el siguiente apartado.
IV.4 Etapa de validacin
En esta etapa se proceder a verificar si los modelos obtenidos a partir de los

autocorrelogramas cumplen o no, con los supuestos mencionados en el aparado II.5 los
cuales se mencionan a continuacin:
Para verificar si el modelo inicial es bueno o no, es necesario que este sea:
Admisible. Este supuesto indica que el modelo debe ser estacionario e

invertible, ya que de no cumplirse alguna de estas dos propiedades se debern
realizar los ajustes correspondientes hasta obtener el modelo que cumpla con este
supuesto.
Para que un modelo sea estacionario debe cumplir con lo siguiente:
|1| < 1
|1 + 2| < 1
32
|2 1| < 1
cabe mencionar que todos los modelos que tengan nicamente la parte de medias
mviles sern estacionarios.
Para que un modelo sea invertible debe cumplir con lo siguiente:

|1 | < 1
|1 + 2 | < 1
|2 1 | < 1
Todos los modelos que tengan nicamente la parte auto regresiva sern
invertibles.
Estable. Que no exista correlacin entre los parmetros.
Parsimonioso. Esto quiere decir que las estimaciones por intervalo de los
parmetros no incluyan al cero.
Que se cumplan los supuestos de normalidad, independencia y

homogeneidad de varianzas para los residuales.
Que los residuales tengan media cero.
Que los residuales no originen outliers.
Nota: no es completamente necesario verificar que se cumplan los supuestos de los

residuales.
A continuacin en la Tabla 14, se presenta la validacin de los supuestos para el

modelo propuesto inicial ARIMA (1,1,1)1
.
33
El modelo es
Modelo Estacionario Invertible Estable Parsimonioso
bueno
ARIMA(1,1,1)1 X X No
Tabla 14. Verificacin de los supuestos del modelo inicial ARIMA (1,1,1)1
Como se puede observar en la Tabla 14, los nicos supuestos que no cumple el
modelo ARIMA (1,1,1)1 son el de estable y parsimonioso. Debido a que existe una
correlacin entre los parmetros igual a 0.86, adems de que los intervalos de confianza
para los parmetros si incluye al 0. Esto se puede corroborar al observar los valores de
las Tablas 11 y 16.
Parmetro Constante p(1) q(1)
Constante 1 -0.047
p(1) 1 0.86
q(1) -0.047 0.86 1
Tabla 15. Correlacin de parmetros del modelo inicial ARIMA (1,1,1)1
Nota: Debido a que el modelo inicial no es un buen modelo por no cumplir con
dos de los supuestos fundamentales, no se procedi a verificar los supuestos de los
residuales.
Considerando que el modelo ARIMA (1, 1,1)1 no es un modelo adecuado, se

procedi a verificar si los modelos ARIMA (1, 1,0)1 y ARIMA (0, 1,1)1 cumplen o no
con los supuestos. Los resultados se muestran en las tablas siguientes.
34
El modelo es
bueno
ARIMA(1,1,0)1 Si
Tabla 16. Verificacin de los supuestos del modelo ARIMA(1,1,0)1
Como se puede observar en la Tabla 16, el modelo ARIMA(1,1,0)1, si cumple con

los supuestos y por consiguiente se proceder a verificar los supuestos de normalidad,
independencia y homogeneidad de varianzas de los residuos. A manera de corroborar
lo mencionado anteriormente se pueden observar los valores que se obtuvieron en las
Tablas 12 y 17.
Parmetro Constante p(1)
Constante 1 -0.0080
p(1) -0.0080 1
Tabla 17. Correlacin de parmetros
A continuacin se presentan los anlisis correspondientes a la verificacin de

los supuestos de los residuales.
35
QQ- Plot: Precio promedio de pasta para sopa "La moderna"
ln(x); D(-1); ARIMA (1,0,0) residuals;
3
2
Valores normales esperados
-1
-2
-3
-0.14 -0.12 -0.10 -0.08 -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08 0.10 0.12
Valores
Figura 11. Grafico de probabilidad normal de los residuales del modelo ARIMA(1,1,0)1
Como puede observarse en la Figura 11 los residuales del modelo

ARIMA(1,1,0)1 aparentemente de distribuyen de forma normal. Sin embargo para
corroborar lo anterior se procedi a realizar la prueba de hiptesis de normalidad de
Shapiro Wilk, para verificar el cumplimiento de este supuesto. Partiendo de la
siguiente hiptesis los resultados obtenidos fueron los siguientes:
0 : ~
vs
1 : ~
Realizando la prueba de normalidad en el paquete PAST en su versin 3, se
obtuvo un valor de W=0.97 y un valor p=0.02. Por lo tanto considerando un nivel
de significancia de 0.05 se rechaza Ho y se concluye que a pesar de la evidencia
grafica los residuos para el modelo ARIMA(1,1,0)1 no se distribuyen de manera
normal.
36
A continuacin se proceder a verificar si los residuos cumple con el supuesto de
Grafico de la variable:Precio promedio de pasta para sopa "La moderna"

ln(x); D(-1); residuals;
0.15 0.15
Precio promedio de pasta para sopa "La moderna"
0.10 0.10
0.05 0.05
0.00 0.00
-0.05 -0.05
-0.10 -0.10
-0.15 -0.15
0 10 20 30 40 50 60 70 80 90 100
Nmero de casos
Figura 12. Grafico de homogeneidad de varianzas de los residuales del modelo

ARIMA(1,1,0)1
En la Figura 12, se puede observar que la variacin de los residuos del modelo
se mantiene constante aparentemente, es decir que los residuos cumplen con el
supuesto de varianza constante.
37
Precio promedio de pasta para sopa "La moderna"
ln(x); D(-1);residuals;
0.4
0.3
0.2
Deviation from Expected Value
0.1
0.0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.14 -0.12 -0.10 -0.08 -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08 0.10 0.12
Value
Figura 13. Grfico de independencia de los residuales del modelo ARIMA(1,1,0)1
En la Figura 13, se observa que no hay independencia en los residuales del

modelo, ya que como puede observarse existen varios puntos por arriba y por debajo
del promedio marcado por la lnea roja. A manera de comprobacin se incluye un
autocorrelograma para los residuales, en el cual se puede observar que dos barras se
salen de la lnea punteada lo que indica que no existe independencia entre los residuos.
Cabe mencionar que para que se cumpla el supuesto de independencia a lo ms se
puede salir una barra de la lnea punteada.
Tambin se puede verificar que se cumple que la media de los residuales es igual
a cero a partir de los siguiente valores obtenidos, adems de que el valor de < 2.
=0.00015 y = 0.0017
38
Precio promedio mensual: ln(x); D(-1); residuals.
Lag Corr. S.E. Q p
1 -.062 .1010 .38 .5376
2 -.100 .1005 1.36 .5063
3 +.047 .0999 1.59 .6625
4 +.012 .0994 1.60 .8087
5 -.031 .0988 1.70 .8888
6 -.172 .0983 4.75 .5764
7 +.049 .0977 5.00 .6599
8 +.023 .0972 5.05 .7517
9 -.026 .0966 5.13 .8230
10 -.065 .0960 5.59 .8486
11 -.127 .0955 7.37 .7688
12 +.015 .0949 7.39 .8309
13 -.019 .0943 7.43 .8787
14 -.018 .0938 7.47 .9153
15 -.023 .0932 7.53 .9414
16 +.149 .0926 10.10 .8612
17 -.089 .0920 11.04 .8544
18 -.160 .0914 14.09 .7230
19 +.087 .0908 15.02 .7215
20 +.017 .0902 15.05 .7733
21 +.076 .0896 15.77 .7824
22 -.041 .0890 15.98 .8167
23 +.023 .0884 16.05 .8529
24 +.151 .0878 19.00 .7520
25 -.150 .0872 21.96 .6383
26 +.017 .0865 21.99 .6891
27 +.050 .0859 22.33 .7205
28 +.055 .0853 22.75 .7456
29 -.066 .0846 23.35 .7604
30 -.094 .0840 24.61 .7439
31 -.089 .0833 25.75 .7331
32 +.089 .0827 26.91 .7219
33 +.036 .0820 27.10 .7551
34 -.060 .0814 27.65 .7709
35 +.119 .0807 29.83 .7156
36 +.167 .0800 34.18 .5552
37 -.043 .0793 34.47 .5881
38 -.176 .0786 39.46 .4044
39 -.121 .0780 41.88 .3471
40 +.046 .0773 42.23 .3751
41 -.053 .0766 42.71 .3977
42 -.020 .0758 42.78 .4377
43 +.059 .0751 43.40 .4545
44 +.005 .0744 43.40 .4972
45 -.034 .0737 43.61 .5308
46 -.005 .0729 43.62 .5726
47 +.013 .0722 43.65 .6121
48 +.108 .0714 45.92 .5584
49 +.028 .0707 46.08 .5924
50 -.061 .0699 46.83 .6011
0 0 Conf. Limit
-1.0 -0.5 0.0 0.5 1.0
Figura 14. Autocorrelograma de los residuales del modelo ARIMA(1,1,0)1
Ahora se proceder a verificar los supuestos del modelo ARIMA(0,1,1)
39
El modelo es
bueno
ARIMA(0,1,1)1 Si
Tabla 18. Verificacin de los supuestos del modelo ARIMA(0,1,1)
En la Tabla 18 se puede observar que el modelo ARIMA(0,1,1), si cumple con los

supuestos bsicos, por lo tanto puede considerarse como un buen modelo. Por
consiguiente ahora se proceder a verificar los supuestos correspondientes a los residuales.
Cabe mencionar que a manera de verificacin se pueden observar los valores obtenidos
en las tablas 13 y 19.
Parmetro Constante q(1)
Constante 1 -0.048
q(1) -0.048 1
Tabla 19. Correlacin de parmetros
A continuacin se presentan los anlisis correspondientes para la verificacin de

los supuestos de los residuales.
40
QQ-Plot: Precio promedio de pasta para sopa "La moderna"
3
Expected Normal Value 2
-1
-2
-3
-0.14 -0.12 -0.10 -0.08 -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14
Value
Figura 15. Grfico de probabilidad normal de los residuales del modelo ARIMA(0,1,1)1
Como puede observarse en la Figura 15 los residuales del modelo ARIMA(0,1,1)1

aparentemente de distribuyen de forma normal. Sin embargo para corroborar lo anterior
se procedi a realizar la prueba de hiptesis de normalidad de Shapiro Wilk, para verificar
el cumplimiento de este supuesto. Partiendo de la siguiente hiptesis los resultados
obtenidos fueron los siguientes:
0 : ~
vs
1 : ~
Realizando la prueba de normalidad en el paquete PAST en su versin 3, se obtuvo
un valor de W=0.98 y un valor p=0.22. Por lo tanto considerando un nivel de significancia
de 0.05 no se rechaza Ho y se concluye que los residuos para el modelo ARIMA(0,1,1)1
s se distribuye de forma normal.
41
A continuacin se proceder a verificar si los residuos cumplen con el supuesto de
Grfico de la variable: Precio promedio de pasta para sopa "La moderna"

Precio promedio de pasta para sopa "La moderna" 0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
-0.05 -0.05
-0.10 -0.10
-0.15 -0.15
0 10 20 30 40 50 60 70 80 90 100
Nmero de casos
Figura 16. Grfico de homogeneidad de varianzas del modelo ARIMA(0,1,1)1
Como se puede observar en la Figura 16, aparentemente si existe homogeneidad de

varianzas en los residuos ya que no se presenta algn comportamiento creciente o decreciente.
Ahora se verificara el supuesto de independencia haciendo uso del autocorrelograma
de los residuales.
42
Precio promedio mensual: ln(x); D(-1); Residuales
Lag Corr. S.E. Q p
1 -.063 .1010 .38 .5358
2 +.123 .1005 1.87 .3916
3 +.025 .0999 1.94 .5851
4 +.011 .0994 1.95 .7446
5 -.021 .0988 2.00 .8493
6 -.171 .0983 5.02 .5418
7 +.029 .0977 5.10 .6477
8 -.033 .0972 5.22 .7343
9 -.055 .0966 5.54 .7853
10 -.077 .0960 6.19 .7994
11 -.151 .0955 8.68 .6515
12 -.003 .0949 8.68 .7299
13 -.065 .0943 9.15 .7613
14 +.005 .0938 9.16 .8209
15 -.055 .0932 9.51 .8496
16 +.108 .0926 10.88 .8169
17 -.084 .0920 11.71 .8176
18 -.127 .0914 13.62 .7532
19 +.094 .0908 14.70 .7416
20 -.007 .0902 14.70 .7931
21 +.095 .0896 15.83 .7790
22 -.005 .0890 15.83 .8240
23 +.010 .0884 15.85 .8616
24 +.144 .0878 18.53 .7766
25 -.136 .0872 20.95 .6953
26 +.073 .0865 21.66 .7070
27 +.012 .0859 21.68 .7534
28 +.067 .0853 22.29 .7677
29 -.073 .0846 23.03 .7752
30 -.053 .0840 23.43 .7970
31 -.081 .0833 24.37 .7952
32 +.070 .0827 25.09 .8022
33 +.037 .0820 25.30 .8288
34 -.014 .0814 25.33 .8585
35 +.105 .0807 27.02 .8305
36 +.114 .0800 29.05 .7878
37 -.061 .0793 29.63 .8000
38 -.160 .0786 33.77 .6652
39 -.140 .0780 37.01 .5608
40 -.002 .0773 37.01 .6054
41 -.078 .0766 38.04 .6028
42 -.014 .0758 38.08 .6438
43 +.037 .0751 38.31 .6744
44 +.010 .0744 38.33 .7123
45 -.015 .0737 38.37 .7468
46 +.031 .0729 38.55 .7741
47 +.027 .0722 38.69 .8003
48 +.104 .0714 40.81 .7593
49 +.049 .0707 41.30 .7745
50 -.020 .0699 41.39 .8018
0 0 Conf. Limit
-1.0 -0.5 0.0 0.5 1.0
Figura 17. Autocorrelograma de independencia del modelo ARIMA(0,1,1)1
En la Figura 17, se observa que s se cumple el supuesto de independencia para el

modelo ARIMA(0,1,1)1, esto puede verse debido a que nicamente una barra se sale de
las lneas punteadas corroborando de esta forma el cumplimiento de este supuesto.
Tambin se puede verificar que se cumple que la media de los residuales es igual a
cero a partir de los siguiente valores obtenidos, adems de que el valor de < 2.
=0.0000508 y = 0.0017
En la Tabla 20, se presenta un resumen de los supuestos con los que cumplen los
modelos propuestos, esto con la finalidad de definir el modelo que se utilizara para realizar
las predicciones de las nuevas observaciones.
43
Serie de tiempo del precio promedio mensual.
Propiedades ARIMA (1,1,0)1 ARIMA(0,1,1)1
Admisible
Estable
Parsimonioso
Residuos
X
normales
Varianza

constante
Residuos
X
independientes.
La media de los
residuales es
igual a cero
Tabla 20. Resumen de la verificacin de los supuestos para ambos modelos
Observando los resultados contenidos en la Tabla 20, se concluye que el modelo

ARIMA(0,1,1)1 , ser el que se utilizara para realizar la prediccin sobre el precio
promedio mensual de la pasta para sopa marca La Moderna correspondiente al mes de
enero del ao 2016.
IV.5 Prediccin del precio promedio mensual de pasta para sopa marca La Moderna
correspondiente al mes de Enero del ao 2016
A continuacin se presenta la prediccin del precio promedio mensual de pasta

para sopa marca La Moderna en su presentacin de 200 gramos, en las tiendas de
autoservicio del rea metropolitana de la ciudad de Mxico correspondiente al mes de
enero del ao 2016. Cabe mencionar que se harn las predicciones correspondientes para
las confiabilidades del 90%, 95% y 99%.
44
Prediccin del precio promedio mensual de pasta para sopa marca La
Moderna, con una confiabilidad del 90%
Forecasts; Model:(0,0,1) Seasonal lag: 12

Input: Precio promedio mensual
Start of origin: 1 End of origin: 96
5.5 5.5
5.0 5.0
4.5 4.5
4.0 4.0
3.5 3.5
3.0 3.0
0 10 20 30 40 50 60 70 80 90 100 110
Observed Forecast 90.0000%
Figura 17: Grafico de predicciones para los precios promedio mensual de pasta para sopa
marca La Moderna en su presentacin de 200 gramos.
Forecasts; Model:(0,0,1) Seasonal lag: 12 (serie) Input: Precio promedio de pasta para sopa
"La moderna" Start of origin: 1 End of origin: 96
Forecast Lower 90% Upper 90%
97 4.46 3.97 4.94
98 4.18 3.61 4.74
99 4.18 3.61 4.74
100 4.18 3.61 4.74
101 4.18 3.61 4.74
102 4.18 3.61 4.74
103 4.18 3.61 4.74
104 4.18 3.61 4.74
105 4.18 3.61 4.74
106 4.18 3.61 4.74
Tabla 21: Tabla de predicciones sobre el precio promedio mensual de pasta para sopa marca
La Moderna en su presentacin de 200 gramos.
45
Como se puede observar en la Figura 17 y en la Tabla 21, el precio promedio
mensual que se espera que alcance la pasta para sopa de la marca La Moderna en su
presentacin de 200 gramos, en las tiendas de autoservicio de la zona metropolitana de la
ciudad de Mxico es de $4.46 pesos. Con una estimacin por intervalo de que el valor real
del precio promedio se encuentre entre $4.97 pesos y $4.94 pesos.
El modelo ajustado ARIMA(0,1,1)1 queda de la siguiente forma:
= 0.040 + 0.501


5.5 5.5
5.0 5.0
4.5 4.5
4.0 4.0
3.5 3.5
3.0 3.0
0 10 20 30 40 50 60 70 80 90 100 110
Figura 18. Grafico de predicciones para los precios promedio mensual de pasta para sopa
46
97 4.46 3.88 5.04
98 4.18 3.50 4.85
99 4.18 3.50 4.85
100 4.18 3.50 4.85
101 4.18 3.50 4.85
102 4.18 3.50 4.85
103 4.18 3.50 4.85
104 4.18 3.50 4.85
105 4.18 3.50 4.85
106 4.18 3.50 4.85
Tabla 22: Tabla de predicciones sobre el precio promedio mensual de pasta para sopa
Como se puede observar en la Figura 18 y en la Tabla 22, el precio promedio

mensual que se espera que alcance la pasta para sopa de la marca La Moderna en su
presentacin de 200 gramos, en las tiendas de autoservicio de la zona metropolitana de la
ciudad de Mxico es de $4.46 pesos. Con una estimacin por intervalo de que el valor real
del precio promedio mensual se encuentre entre $3.88 pesos y $5.04 pesos.

47
5.5 5.5
5.0 5.0
4.5 4.5
4.0 4.0
3.5 3.5
3.0 3.0
0 10 20 30 40 50 60 70 80 90 100 110
Figura 19. Grfico de predicciones para los precios promedio mensual de pasta para
sopa marca La Moderna en su presentacin de 200 gramos.
97 4.46 3.69 5.23
98 4.18 3.29 5.07
99 4.18 3.29 5.07
100 4.18 3.29 5.07
101 4.18 3.29 5.07
102 4.18 3.29 5.07
103 4.18 3.29 5.07
104 4.18 3.29 5.07
105 4.18 3.29 5.07
106 4.18 3.29 5.07
Tabla 23: Tabla de predicciones sobre el precio promedio mensual de pasta para sopa marca
La Moderna en su presentacin de 200 gramos.
48
CONCLUSIONES
El mtodo de regresin lineal simple no es un buen mtodo para realizar predicciones

cuando la variable predictora esta medida en el tiempo
El mejor modelo para esta realizar las predicciones correspondientes en esta serie de
tiempo es un modelo ARIMA (0, 1,1)1 ya que mejor cumple con la mayora de los
supuestos.
El precio promedio mensual que se espera que llegue a alcanzar la pasta para sopa de la
marca La Moderna en su presentacin de 200 gramos, en las tiendas de autoservicio
de la zona metropolitana de la ciudad de Mxico el mes de Enero del ao 2016 es de
$4.93pesos.
La prediccin realizada a partir del modelo propuesto es correcta ya que al hacer la
revisin de la actualizacin de la base de datos correspondiente al mes de Enero del ao
2016, el valor del precio mensual real cae dentro de la estimacin por intervalo
pronosticada por el modelo encontrado.
49
REFERENCIAS
Cuevas, L. A. (1999). Series de tiempo con el paquete statistica (un enfoque

paramtrico). Tesis de licenciatura. Xalapa, Veracruz, Mxico: Universidad Veracruzana.
Departamento de agricultura FAO. (s.f.). Depsito de documentos de la FAO. Obtenido

de nterpretacin y uso de la INFORMACIN DE MERCADOS...:
http://www.fao.org/docrep/005/x8826s/x8826s06.htm
Garca, J. A., Ramos, C., & Ruiz, G. (2008). Estadstica Administrativa. Universidad
de Cdiz.
Pineda, A. (2002). Proyeccin de las variables de productividad de las unidades

medicas de los servicios de salud de Veracruz: Una aplicacin de series de tiempo". Tesis
de licenciatura en Estadsitica. Xalapa, Veracruz, Mxico: Universidad Veracruzana.
Productos Alimenticios La Moderna S.A. de C.V. (02 de mayo de 2016). Obtenido de

La Moderna: http://www.lamoderna.com.mx/nosotros
Torres S., Gonzlez A. & Vavilova I. (2015). La Cita y referencia bibliogrfica
basadas en las normas APA. Buenos Aires. Biblioteca Central USES. Sexta edicin.
50
ANEXOS
51
Base de datos
Pasta para sopa (La Moderna), paquete de

200 gramos
Sector alimentario> Abasto y

comercializacin> Precios> Precios
promedio de productos alimenticios
Ruta temtica seleccionados en tiendas de autoservicio de la
zona metropolitana de la Ciudad de Mxico>
Abarrotes> Pasta para sopa (La Moderna),
paquete de 200 gramos
Periodicidad Mensual
Unidad de medida Pesos
PROFECO. Direccin general de estudios
Fuente
sobre consumo.
Fecha inicial 2008/01
Fecha final 2015/12
ltima actualizacin 2016/01/15
Periodo Dato
2008/01 3.3466
2008/02 3.2174
2008/03 3.4081
2008/04 3.58
2008/05 3.517
2008/06 3.5229
2008/07 3.5977
2008/08 3.6539
2008/09 3.6788
2008/10 3.579
2008/11 3.6893
2008/12 3.8967
52
2009/01 4.0176
2009/02 3.9973
2009/03 4.0215
2009/04 4.01
2009/05 3.9965
2009/06 4.0145
2009/07 4.0006
2009/08 3.9514
2009/09 3.9207
2009/10 3.9016
2009/11 3.8664
2009/12 3.8197
2010/01 3.8203
2010/02 3.7069
2010/03 3.81
2010/04 3.8821
2010/05 3.9163
2010/06 3.829
2010/07 4.1118
2010/08 3.8019
2010/09 4.3013
2010/10 3.8482
2010/11 3.8482
2010/12 3.9511
2011/01 3.9025
2011/02 4.22
2011/03 4.05
2011/04 4.58
2011/05 4.31
2011/06 4.18
2011/07 4.23
53
2011/08 4.36
2011/09 4.29
2011/10 4.17
2011/11 4.54
2011/12 4.16
2012/01 4.41
2012/02 4.26
2012/03 4.12
2012/04 4.17
2012/05 4.16
2012/06 4.13
2012/07 4.12
2012/08 4.05
2012/09 4.45
2012/10 3.82
2012/11 4.54
2012/12 4.55
2013/01 4.63
2013/02 4.69
2013/03 4.75
2013/04 4.8011
2013/05 4.89
2013/06 4.57
2013/07 4.61
2013/08 4.58
2013/09 4.41
2013/10 4.27
2013/11 4.127
2013/12 4.1043
2014/01 4.45
2014/02 4.45
54
2014/03 4.42
2014/04 4.48
2014/05 4.45
2014/06 4.22
2014/07 4.21
2014/08 4.48
2014/09 4.4183
2014/10 4.45
2014/11 4.4841
2014/12 4.49
2015/01 4.44
2015/02 4.47
2015/03 4.63
2015/04 4.6379
2015/05 4.5745
2015/06 4.54
2015/07 4.59
2015/08 4.83
2015/09 4.5
2015/10 4.43
2015/11 4.98
2015/12 5.05
55

Aplicación de La Metodología Box-Jenkins

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicación de La Metodología Box-Jenkins

Enviado por

Direitos autorais:

Formatos disponíveis

NDICE

Aplicar la metodologa de Box-Jenkins a los datos de precios promedio

Determinar si la tcnica de regresin lineal simple es un buen mtodo para

Construir la serie de tiempo para los precios promedio mensual.

Identificar si la serie de tiempo presenta tendencia, periodicidad, datos

Identificar el modelo ms adecuado para la realizacin de las predicciones

Realizar la prediccin del precio promedio mensual correspondiente al

Para llevar a cabo la realizacin del presente, se procedi a descargar de la pgina

El presente tiene como finalidad predecir el precio promedio mensual de la pasta

La moderna es una fbrica mexicana de pastas alimenticias fundada en el ao de

Desde el ao 1920 hasta el ao de 1956 la fbrica fue cambiando constantemente

Actualmente La Moderna es reconocida en los mercados internacionales de

II.1 Definicin de serie de tiempo

Definicin 1. Llamamos serie temporal, cronolgica, histrica o de tiempo a

Definicin 2. Podemos definir a una serie de tiempo como un conjunto de

II.2 Componentes de la serie de tiempo

De acuerdo con Pineda (2002):

1. Tendencia. Es el aumento o disminucin (lineal o no lineal)

2. Estacionalidad o Periodicidad. Hace referencia al patrn estacional

3. Ciclos. Este componente es similar a la estacionalidad, la nica

4. Componente estocstico o aleatoriedad. Este componente hace

5. Estacionariedad. Este componente solo puede darse de dos maneras,

II.3 Proceso estocstico

Definicin. Un proceso estocstico es una familia de variables aleatorias

Cuevas (1999) afirma que:

Las etapas que constituyen la metodologa de Box-Jenkins se mencionan a

1. Anlisis descriptivo. En esta etapa se pretende describir las

2. Identificacin del modelo. El objetivo de esta etapa es buscar e

3. Estimacin de los parmetros. En esta etapa procede a realizar la

4. Validacin del modelo. En esta etapa se pretende corroborar si el

La media de los residuales debe ser igual a cero.

5. Prediccin de observaciones futuras. Esta etapa es primordial en el

Con el propsito de ejemplificar lo expresado en el prrafo anterior, y con el

III.1 Anlisis exploratorio

En la Figura 1, se observa que no existe una relacin clara entre la variable

III.2 Estimacin del modelo de regresin lineal simple a los datos

De acuerdo con modelo postulado para la tcnica de regresin lineal simple, el

III.3 Pruebas de hiptesis para y

Una vez estimado el modelo de regresin lineal simple, se procedi a realizar

Prueba de hiptesis para 0

Prueba de hiptesis para 1

De acuerdo con la informacin de la Tabla 1, y utilizando un valor =0.05 se

S = 0.3833 R= 0.3% Rajustado= 0.0%

Tabla 1. Parmetros estimados del modelo de regresin ajustado

III.4 Aplicacin del ANOVA

Con la finalidad de determinar si existe asociacin lineal entre la variable

Las hiptesis planteadas son:

A continuacin en la Tabla 2, se presentan los resultados obtenidos en el paquete

Tabla 2. Prueba hiptesis anlisis de varianza

III.5 Verificacin de supuestos

Ahora se proceder a verificar de forma grfica, si los residuales estimados de

los resultados obtenidos fueron los siguientes:

Figura 2. Grafico de probabilidad normal de los residuales (QQ-plot)

Como se observa en la Figura 2, los residuales si se distribuyen de forma

Prueba Shapiro Wilk

Tabla 3. Resultados de la prueba de normalidad Shapiro Wilk

Considerando un nivel de significancia de 0.05 y comparndolo con el p-valor

Ahora se proceder a verificar de manera grfica el supuesto de homogeneidad

Dependent variable: Precio promedio mensual

Figura 3. Verificacin del supuesto de homogeneidad de varianzas en los

El resultado obtenido por el software STATISTICA para la prueba de

Tabla 4. Resultados de la prueba de homogeneidad de varianzas de Bartlett

Considerando un nivel de significancia de 0.05 comparado con el p-valor de la