Universidad Católica Boliviana "San Pablo"

73 conocido como modelo mixto. Si éste contiene “p” términos auto regresivos y “q” términos de medias móviles se dice que es de orden ARMA(p,q). La importancia del proceso ARMA reside en el hecho de que una serie de tiempo estacionaria puede ser a menudo descrita por un modelo ARMA que contenga menos parámetros que un proceso AR o MA por sí solo. Los Procesos Auto regresivos Integrados de Medias Móviles (ARIMA) se dan si la serie de tiempo observada no es estacionaria en la media, entonces, se toman las diferencias de las series de tal forma que se logre obtener una serie estacionaria y, de ese modo, dar origen a un proceso ARIMA. Los Modelos Puramente Estacionales (SARIMA) captan el comportamiento puramente estacional de una serie, en forma similar, al que se realiza para una componente no estacional. Una serie con influencia solamente por el componente estacional puede ser descrito por un modelo SARIMA(P,D,Q). Sin embargo, no siempre se presentan series con componente regular únicamente por la estacionalidad solamente, sino por el contrario, generalmente se presentan series afectadas por ambos componentes, tendencia regular y estacionalidad. (CHÁVEZ, 2011, págs. 24-28) Los modelos de Promedio Móvil Simple corresponden a una técnica de suavización de series de tiempo y es utilizada cuando se da más importancia a un conjunto de datos recientes, con el propósito de obtener el pronóstico. El pronóstico se obtiene al calcular la media aritmética del conjunto o serie de datos seleccionado, cada vez que se incluya una nueva observación al conjunto de datos, y se elimina de éste la observación o dato más antiguo. La sensibilidad de los cambios referente al comportamiento de las series se reduce al utilizar un número mayor de observaciones en el conjunto de datos. Otra de las técnicas de suavización de series de tiempo corresponde la técnica de Suavizado Exponencial Simple basada en la atenuación de los valores de la serie de tiempo, obteniendo el promedio de éstos de manera exponencial; es decir, los datos se