Universidad Tecnológica de Honduras

Ingeniería en Producción Industrial

 INTRODUCCION
El modelo ARIMA permite describir un valor como una función lineal de datos
anteriores y errores debidos al azar, además, puede incluir un componente
cíclico o estacional. Es decir, debe contener todos los elementos necesarios
para describir un fenómeno.
La presencia de autocorrelación tiene un serio impacto sobre el incremento
sustancial en la frecuencia de falsas alarmas en dichas cartas. En los últimos
20 años, varias propuestas de cartas de control se han presentado teniendo en
cuenta la estructura de autocorrelación en los datos para su construcción.
En la práctica se desea controlar el valor promedio de la característica de
calidad así como su variabilidad. El control del valor promedio se hace a través
de cartas donde se utilizan medidas de tendencia central, de las cuales la más
usual es la media.
 MARCO TEORICO Y EJEMPLOS
Carta arima
MODELO ARIMA (P, D, Q)
La palabra ARIMA significa Modelos Autorregresivos Integrados de Medias
Móviles.
Carta Arima
Los datos de series de tiempo son abundantes tanto en la manufactura como
en el sector de los servicios. Los siguientes son algunos ejemplos:
El número de días que un cliente espera hasta recibir una respuesta a una
solicitud de hipoteca
El tiempo que tarda comunicarse con el personal cuando se llama por teléfono
a un banco
El tiempo que pasan los operadores de un centro de soporte técnico
atendiendo a los clientes por teléfono
Las ventas de motores de helicóptero en el tiempo
El tiempo que tardan los empleados de una empresa farmacéutica en llenar
documentos importantes
Analizar tales datos parece sencillo a primera vista, ¿pero realmente lo es?
Hacer el análisis de datos como si se estuviera siguiendo una receta nunca es
suficiente. Para extraer la información correcta de los datos ciertamente se
requiere habilidad y experiencia, pero para monitorear correctamente cualquier
proceso de manera que puedan tomarse las medidas correctivas adecuadas
también puede requerirse inspiración e intuición.
Construcción de un modelo ARIMA
De un modo muy simple, el método ARIMA hace uso de los datos del pasado
reciente o más distante para modelar los datos existentes, así como para hacer
predicciones adecuadas del comportamiento futuro. El objetivo es identificar un
modelo subyacente que explique el cambio en el proceso. Cualquier punto que
se desvíe de este comportamiento pronosticado podría considerarse una causa
especial, puesto que no sigue los movimientos generales de los datos.
Para construir un modelo ARIMA, se debe lograr que los datos sean
estacionarios: es decir, no debe haber ninguna tendencia en el proceso, ni
hacia arriba ni hacia abajo. En otras palabras, debe lograrse cierta estabilidad
en la media del proceso. Nuestros datos originales no eran estacionarios, ya
que parecía haber una tendencia ascendente en el tiempo. Podemos hacer que
esos datos sean estacionarios mediante el uso de la herramienta Diferencia
en Minitab (Estadísticas > Series de tiempo > Diferencia).
Llenamos el cuadro de diálogo de la siguiente manera:

Cuando hacemos clic en Aceptar, Minitab genera una columna de las

diferencias especificadas. Si los datos del tiempo t son Xt y los datos del
período de tiempo antes de t se llaman Xt-1, la diferencia es Xt -Xt-1.
Ahora podemos graficar las diferencias eligiendo Gráfica > Gráfica de series de
tiempo > Simple y llenando el cuadro de diálogo de la siguiente manera:
Al hacer clic en Aceptar, se obtiene la siguiente gráfica:

Los datos, a los que aplicamos una diferencia de orden 1, ahora parecen ser
estacionarios, sin una clara tendencia hacia arriba o hacia abajo. Eso significa
que podemos utilizar estos datos para determinar un modelo ARIMA.
En primer lugar, realizamos el análisis de autocorrelación y autocorrelación
parcial de los datos diferenciados. Minitab proporciona los siguientes
resultados:
Ahora necesitamos saber qué significan los patrones en las funciones de
autocorrelación y autocorrelación parcial.
Tenemos una función de autocorrelación con un patrón sinusoidal (similar a
una onda sinusoidal) y picos para los desfases del 1 al 3, lo que sugiere un
modelo autorregresivo de orden 3, es decir, un AR(3). El comportamiento
sinusoidal en la función de autocorrelación parcial y los picos hasta el desfase
3 sugieren un modelo de promedio móvil de orden 3, es decir, un MA(3). El
modelado de series de tiempo puede ser un proceso algo iterativo, o incluso
impredecible, pero estas gráficas sugieren que el modelo ARIMA (3,1,3) es un
buen lugar para comenzar.
Cada parte del modelo ARIMA cumple una función en las predicciones que
hace el modelo. La parte autorregresiva del modelo predice el valor en el
tiempo t teniendo en cuenta los valores previos de la serie en el tiempo t-1, t-2,
etc. El promedio móvil utiliza valores residuales anteriores: las diferencias entre
el valor real y el valor pronosticado basadas en el modelo en el tiempo t.
Podemos evaluar qué tan bien se ajusta a nuestros datos el modelo ARIMA
(3,1,3) eligiendo Estadísticas > Series de tiempo > ARIMA y completando el
cuadro de diálogo como se muestra abajo:
Minitab produce esta salida:

Los valores p sólo son significativos en el nivel de 10% para el coeficiente de

primer orden de la parte autorregresiva del modelo y el coeficiente de tercer
orden de la parte de promedio móvil del modelo. Además, los estadísticos de
chi-cuadrado de Ljung-Box, que evalúan la aleatoriedad general del modelo,
sugieren que podría haber un efecto estacional al menos de orden 1.
Por lo tanto, refinaremos nuestro intento de entender estos datos construyendo
un modelo ARIMA(1,1,3)(1,0,0)12 . Esta notación no es tan complicada como
pudiera parecer. El primer conjunto de paréntesis nos dice que los desfases de
las partes autorregresiva (AR) e integrada (I) del modelo serán 1, mientras que
el promedio móvil (MA) se basará en el desfase 3. El segundo conjunto de
paréntesis indica el efecto estacional, que suponemos que sigue un período de
12, es decir, un ciclo anual, alrededor de AR(1).
Pongámoslo a prueba. Un práctico método abreviado de Minitab,CTRL-E,
vuelve a abrir el último cuadro de diálogo que utilizamos. Ahora podemos
construir el modelo ARIMA refinado llenando el cuadro de diálogo como se
muestra abajo:
Pero antes de presionar Aceptar, haga clic en Almacenamiento y seleccione
Residuos y ajustes:

Después de presionar Aceptar en ambos cuadros de diálogo, Minitab muestra

la siguiente salida:
El coeficiente autorregresivo de primer orden, el coeficiente estacional y el
coeficiente de promedio móvil de tercer orden son significativos en el nivel de
significancia de 10%, lo que indica que este modelo podría ser eficiente. La
suma de los cuadrados que mide la suma de las diferencias al cuadrado entre
cada punto de datos original y su valor estimado utilizando este modelo ARIMA
es bastante pequeña. Es más, los estadísticos de chi-cuadrado de Ljung-Box
indican que no hay correlaciones entre los puntos con una diferencia de 12 ó
24 desfases, los cuales han sido excluidos incluso por el coeficiente estacional.
Ahora nos gustaría evaluar qué tan bien se ajusta el modelo a los valores
originales y ver lo que predice el modelo para este proceso en el futuro. Para
ver qué tan bien se ajusta el modelo, seleccionaremos Gráfica > Series de
tiempo > Múltiple y llenaremos el cuadro de diálogo de la siguiente manera:

Minitab produce esta gráfica:

Podemos ver que los valores ajustados (en rojo) siguen de cerca los valores de
los datos originales en el tiempo.
Para ver los valores pronosticados futuros, elija Estadísticas > Series de tiempo
> ARIMA, y luego seleccione Gráficas y llene el cuadro de diálogo como se
muestra a continuación antes de hacer clic en Aceptar:

Seleccione Pronósticos y luego llene el cuadro de diálogo de la siguiente

manera antes de hacer clic en Aceptar en cada cuadro de diálogo:
Minitab produce esta gráfica de predicciones:

El comportamiento pronosticado de este proceso en el futuro tiene sentido de

acuerdo con los datos del pasado. Con más datos, el intervalo de confianza de
95% podría reducirse aún más.
En el caso del modelo ARIMA, al igual que en los modelos de regresión o
ANOVA, es fundamental examinar el comportamiento de los valores residuales
para ver si son normales, aleatorios y si tienen variación constante.
En este caso, los valores residuales son las diferencias entre el valor
observado en el tiempo t y el valor pronosticado basado en el modelo ARIMA.
Estas diferencias pueden ser negativas o positivas, y ocasionalmente iguales a
0 cuando el ajuste es perfecto.

Los supuestos se cumplen bastante bien, excepto por el hecho de que existe
cierta variación no constante en la gráfica de Residuos vs. ajustes. Esto se
deriva del hecho de que la calidad del ajuste del modelo es mejor para los
primeros puntos de los datos que para los puntos más recientes.
¿Qué representa en realidad el modelo ARIMA?
La siguiente explicación resultará muy interesante para los usuarios más
avanzados, ya que algunas de las derivaciones son bastante complejas.
El valor pronosticado de la respuesta en el tiempo t depende de los valores
anteriores de la serie, pero también de los valores residuales del pasado.
En primer lugar, sería útil entender la notación básica, particularmente la
notación “backshift” que se utiliza comúnmente en el análisis de series de
tiempo.
Yt es el valor de los datos en el tiempo t
Ythat es el valor pronosticado en el tiempo t, basado en el modelo
et es el valor residual en el tiempo t, que es la diferencia Yt -Ythat
El operador backshift, B, se utiliza comúnmente.
BYt=Yt-1
B(BYt)=B2Yt=Yt-2
¿Cómo se concibe el modelo ARIMA(1,1,3)(1,0,0)12?
El modelo tiene dos lados: el autorregresivo (AR) y el promedio móvil (MA).
Además, se debe incluir la diferenciación de orden uno (Yt-Yt-1).
Componentes autorregresivos
Comencemos con el lado autorregresivo de la ecuación, que depende de los
valores anteriores de la serie. Hay tres partes distintas en esta parte del
modelo:
El término autorregresivo de orden 1: (1-φ1B)Yt=Yt-φ1Yt-1
El AR(1) estacional: (1-θB12)Yt=Yt-θYt-12
La diferencia no estacional: (1-B)Yt=Yt-Yt-1
El término autorregresivo de orden 1, el AR(1) estacional y la diferencia no
estacional se multiplican entre sí y luego se resuelven
(1-φ1B) (1-θB12) (1-B)Yt = (1-φ1B-θB12+φ1B-θB13)(1-B)Yt =
(1-B)Yt - φ1B(1-B)Yt -θB12(1-B)Yt +φ1θB13(1-B)Yt=Yt-Yt-1-φ1(Yt-1-Yt-2)-θ(Yt-
12-Yt-13)+φ1θYt-13-Yt-14)
Cabe destacar que el modelo contiene tanto valores de datos recientes Yt-1,
Yt-2 como valores mucho más antiguos tales como Yt-13 y Yt-14.
 CONCLUSION
Podemos concluir que las cartas de control tal como lo es ARIMA es una
herramienta que es indispensable a la hora de controlar procesos y poder
establecer mecanismos de control que permitan regular los mismos. Todo esto
aunque son considerablemente complejas y no son tan conocidas ni
compresibles como la mayoría de los análisis básicos. Sin embargo, una vez
comprendidos los principios básicos, se pueden construir exitosos modelos de
series de tiempo con relativa facilidad utilizando Minitab con el fin de mantener
los estándares establecidos y poder cumplir con las especificaciones que el
proceso requiere.