Tabla de contenido

1. GRAFICO DE SECUENCIA: ...................................................................................................... 2

2. Prueba de homogeneidad de la varianza .............................................................................. 3
3. DESCREIPCION DEL MODELO ................................................................................................ 5
4. AUTOCORRELACIONES DE ERROR: ...................................................................................... 12
5. PRUEBA DE NORMALIDAD DE LOS ERRORES: ..................................................................... 13
6. PRUEBA DE LEVENE DE LOS ERRORES: ................................................................................ 13
7. CONCLUSIONES: .................................................................................................................. 14
 METODOLOGIA DE BOX JENKINS

El primer paso es identificar la estructura del modelo. Se elabora un gráfico de secuencia

en donde observaremos y deduciremos como es que será nuestro modelo y sobre todo
qué características tiene la serie.

1. GRAFICO DE SECUENCIA:

A primera vista se observa que la serie tiene cierta tendencia creciente y además
presenta estacionalidad, por lo tanto podemos inferir que la serie se ajusta a una modelo
ARIMA (p, d, q) (P, D, Q).
Para cerciorarnos que los que estamos deduciendo si es cierto debemos de analizar la
serie.
Comencemos por el análisis de varianzas constantes a través de la prueba de Levene
para determinar la homogeneidad de las varianzas y concluir si son estables o no.
 2. Prueba de homogeneidad de la varianza

La inclinación que se presenta en la serie es de 0.249 y el poder de transformación es

0.751.
Aplicando la prueba de hipótesis para determinar si la serie es estable en varianzas
obtenemos:
H₀: Las varianzas son constantes
H₁: Las varianzas no son constantes
p.valor < alfa
Basándonos en la media que se aprecia en la Tabla 2 vemos que el p.valor es 0,980.
0,980 < 0,05
Como el p.valor no es menor que el valor de Alfa = 0,05 entonces no se rechaza la
hipótesis nula, por lo tanto las varianzas son constantes.
Para detectar y poder verificar si la serie tiene tendencia hallamos las autocorrelaciones
mediante el análisis de la función de autocorrelación de función simple (FAS) para los
primeros 60 retardos.
3. DESCREIPCION DEL MODELO
Dado que la serie no presenta tendencia no será necesario diferenciarla regularmente
y, por tanto, el parámetro d del modelo ARIMA será igual a 0.
Sin embargo, al menos una diferencia estacional será necesaria para poder eliminar la
estacionalidad.
Revisando el fas:
La fas presentaría estructura positiva con decrecimiento lento hacia cero en los retardos
múltiples del período.
En nuestro caso la estructura positiva se detecta únicamente hasta el cuarto retardo y,
en particular, a la altura del primer retardo múltiplo del período, el duodécimo, el
coeficiente correspondiente está dentro de la banda de confianza para el cero. En
consecuencia una única diferencia estacional bastará para eliminar la estacionalidad y,
por tanto, el parámetro D será igual a 1.

Ahora tenemos que determinar cuáles eran los valores de los demás parámetros del
modelo ARIMA (p, d, q) (P, D, Q).
La serie observada presenta tendencia y a la vez estacionalidad de período s=12, y los
valores de d=1 y D=1 lo que la hacen una serie con varianzas constantes, estable en
medias y sin estacionalidad.
Solo nos falta hallar los valores de p, q, P y Q que se calcularán a partir del análisis de
las la FAS y FAP de la parte regular y estacional de la serie.
Tanto en la una como en la otra (figura superior e inferior) todos los coeficientes están
dentro, o muy próximos, a los límites de la banda de confianza para el cero, por lo que
no hay evidencia de ninguna estructura estacional.
Por ello inicialmente consideraremos que la serie diferenciada estacionalmente no
presenta ninguna estructura en la parte estacional y, en consecuencia ajustaremos un
modelo ARIMA(1,0,1)(0,1,0)12.
Una vez ajustado, analizaremos la fas y la fap de los residuos en busca de alguna
estructura en la parte estacional.
En caso de no encontrarla, el análisis proseguiría sobre el modelo identificado.

Descripción del modelo

Tipo de modelo
ID del modelo Ventas Modelo_1 ARIMA(1,0,1)(0,1,0)

El último paso es validar el modelo, para ellos se debe comprobar que los errores tienen
ruido blanco, sean constante en varianzas y con una distribución normal.
Autocorrelaciones
Serie:Ruido residual de Ventas-Modelo_1
Retardo Autocorrelaci Estadístico de Box-Ljung
a
ón Típ. Error Valor gl Sig.b
1 ,003 ,098 ,001 1 ,975
2 -,018 ,097 ,037 2 ,982
3 ,039 ,097 ,201 3 ,977
4 ,169 ,096 3,305 4 ,508
d
5 ,076 ,096 3,940 5 ,558
i
m6 ,128 ,095 5,747 6 ,452
e 7 ,054 ,095 6,077 7 ,531
n 8 -,058 ,094 6,455 8 ,596
s 9 ,073 ,094 7,057 9 ,631
i 10 -,056 ,093 7,423 10 ,685
o 11 ,040 ,093 7,613 11 ,747
n
12 -,061 ,092 8,057 12 ,781
1
13 ,004 ,092 8,059 13 ,840
14 ,038 ,091 8,237 14 ,877
15 -,041 ,091 8,446 15 ,905
16 ,098 ,090 9,627 16 ,885
a. El proceso subyacente asumido es la independencia (ruido
blanco).
b. Basado en la aproximación chi cuadrado asintótica.

Si el modelo es adecuado o no, se demuestran si los errores se cómo ruido

blanco.
 4. AUTOCORRELACIONES DE ERROR:
Según el grafico que vemos todos los coeficientes caen dentro de la banda de confianza
al 95 % para el cero. Además todos los p-valores asociados al estadístico de box-ljung
para cada retardo son lo suficientemente grandes como para no rechazar la hipótesis
nula de que, en cada caso, todos los coeficientes anteriores, hasta el correspondiente,
son nulos.

 En consecuencia podemos concluir que los residuos o errores no están

correlacionados.
 Se puede ver también que los errores son aleatorios.
 5. PRUEBA DE NORMALIDAD DE LOS ERRORES:

Prueba de Kolmogorov-Smirnov para una muestra

Ruido
residual de
Ventas-
Modelo_1
N 102
Parámetros normalesa,b Media -1,0887
Desviación típica 682,86685
Diferencias más Absoluta ,134
extremas Positiva ,134
Negativa -,120
Z de Kolmogorov-Smirnov 1,352
Sig. asintót. (bilateral) ,052
a. La distribución de contraste es la Normal.
b. Se han calculado a partir de los datos.

Ho: Los errores provienen de una distribución normal.

H1: Los errores no siguen una distribución norma.
Si: p-valor < alfa Se rechaza Ho
0.052 < 0.05 No se rechaza Ho
Como 0.052 no es menor 0.05 entonces no se rechaza Ho, Los errores siguen una
distribución normal.

6. PRUEBA DE LEVENE DE LOS ERRORES:

Prueba de homogeneidad de la varianza

Estadístico de
Levene gl1 gl2 Sig.
Ruido residual deBasándose en la media 1,565 11 90 ,123
Ventas-Modelo_1 Basándose en la ,930 11 90 ,515
mediana.
Basándose en la ,930 11 48,081 ,520
mediana y con gl
corregido
Basándose en la media 1,401 11 90 ,186
recortada
Ho: Los errores tienen varianza constante.
H1: Los errores no tienen varianza constante.
Si: p-valor < alfa Se rechaza Ho
0.123 < 0.05 No se rechaza Ho
Como 0.123 es mayor a 0.05 no se rechaza Ho por tanto los errores tienen varianzas
constantes.

Afirmativamente como dijimos, mediante el análisis de la FAS de los errores obtuvimos

que las autocorrelaciones se mantienen dentro de los límites de confianza.
Entonces al comprobar que los errores tienen distribución normal, ruido blanco y
varianzas constantes, y además mediante el análisis de su FAS concluimos que el
modelo ajustado ARIMA (1,0, 1) (0, 1,0) es adecuado.

7. CONCLUSIONES:

Se pronostica que las ventas mínimas serán en el mes de enero 2016 y aumentaran a
al máximo en noviembre del 2016.
Al haber aplicado la metodología de Box Jenkins, concluimos que el modelo ARIMA
(1,0,1) (0,1,0) tiene errores con distribución normal, ruido blanco. Además, tiene
varianzas constantes.