UNIVERSITAT POLITECNICA DE CATALUNYA

MÁSTER UNIVERSITARI EN ENGINYERIA D´ORGANIZACIÓ

PRÀCTICA DE SÈRIES TEMPORALS

SER103

ESTADISTICA APLICADA
PROFESSORA: EULALIA GRIFUL PONSATI

ISAAC ESCOBAR MASCHKOWSKI

FECHA DE ENTREGA: 30/10/2024

1
CONTENIDO
INTRODUCCIÓN ___________________________________________________________________________ 4
OBJETIVOS ________________________________________________________________________________ 5
PASOS DE LA PRÁCTICA ____________________________________________________________________ 5
CASO PARA RESOLVER _____________________________________________________________________ 6
CONSTRUCCIÓN DEL MODELO EN VARIABLES CATEGÓRICAS _______________________________ 9
REGRESIÓN LINEAL ................................................................................................................................. 12
Iteración 1 ...................................................................................................................................... 13
Iteración 2 ...................................................................................................................................... 13
Iteración 3 ...................................................................................................................................... 14
VALIDACIÓN DEL MODELO GRAFICO ______________________________________________________ 15
CURVA DE REGRESIÓN AJUSTADA ................................................................................................................ 17
GRAFICO DE RESIDUOS ............................................................................................................................ 18
GRAFICA DE PROBABILIDAD DE RESIDUOS ...................................................................................................... 19
CORRELOGRAMA ________________________________________________________________________ 20
RESULTADOS ......................................................................................................................................... 22
CÁLCULO DE PREDICCIONES _____________________________________________________________ 23
CONCLUSIONES __________________________________________________________________________ 25
ANEXO ___________________________________________________________________________________ 26
DATOS FINALES DE CORRELOGRAMA ............................................................................................................ 26
DATOS FINALES PARA LA CURVA DE REGRESIÓN Y EL GRAFICO DE RESIDUOS ............................................................ 28
DATOS PARA EL GRAFICO DE PROBABILIDAD DE RESIDUOS .................................................................................. 31
DATOS UTILIZADOS PARA EL CORRELOGRAMA ................................................................................................. 33

Ilustración 1 Análisis de Datos, Regresión ................................................................................... 12

Ilustración 2 Regresión Inicial ..................................................................................................... 12
Ilustración 3 Iteración 1, Regresión Lineal ................................................................................... 13
Ilustración 4 Iteración 2, Regresión Lineal ................................................................................... 14
Ilustración 5 Iteración 3, Regresión Lineal ................................................................................... 14
Ilustración 6 Correlograma Minitab ............................................................................................. 23

Tabla 1 Modelo Lineal ...................................................................................................................8

Tabla 2 Valores de la construcción del modelo de variables categóricas con sus coeficientes....... 11
Tabla 3 Primeros valores de la serie, los valores del modelo y residuo .......................................... 16
Tabla 4 Primeros valores de la tabla con el residuo ordenado ....................................................... 19
Tabla 5 Resultados de los cálculos de la función de autocorrelación con los intervalos de no
significación .............................................................................................................................. 22

2
Tabla 6 Variables categóricas de las predicciones ....................................................................... 23
Tabla 7 Valores numéricos de las predicciones............................................................................ 24

Grafica 1 Valores de la serie y medias móviles. .............................................................................8

Grafica 2 Curva de Regresión Ajustada ....................................................................................... 17
Grafica 3 Grafico de Residuos .................................................................................................... 18
Grafica 4 Grafico de Probabilidad de Residuos ........................................................................... 19
Grafica 5 Correlograma con los valores de rk y el Intervalo de no significación ............................. 22
Grafica 6 Curva de regresión ajustada con predicciones ............................................................. 24

3
Introducción
¿Qué es una serie temporal?
Una serie temporal es un conjunto de observaciones o datos recopilados en intervalos de tiempo
regulares. Los ejemplos podrían ser la temperatura diaria, el precio de una acción a lo largo de los
días o las ventas mensuales de una tienda. La característica clave es que los datos tienen un orden
cronológico, lo que permite analizar patrones y comportamientos que varían a lo largo del tiempo.
Las series temporales tienen ciertos elementos importantes como lo son:
• Tendencia: es la dirección general que sigue la serie en el tiempo, ya sea creciente,
decreciente o constante. La podemos observar a largo plazo.
• Estacionalidad: Es el patrón que se repite a intervalos regulares, como por ejemplo los
gastos de agua anuales o las ventas en temporadas navideñas.
• Ciclos: Es la fluctuación que ocurre en periodos más largos que la estacionalidad, como
por ejemplo los ciclos económicos que pueden durar varios años.
• Residuos: Son fluctuaciones debida a factores externos no controlables.
Los objetivos del análisis de series temporales es dividir la serie temporal en sus componentes
mencionados anteriormente (Tendencia, Estacionalidad, Ciclos y Residuos), utilizar modelos
matemáticos para describir el comportamiento de la serie como los modelos ARIMA, modelos
estacionales o modelos de suavización exponencial.
Esta práctica esta diseñada para analizar la sucesión temporal que se nos ha asignado, en esta,
debemos desarrollar el modelo correspondiente para efectuar los pronósticos, establecer el numero
admisible de estos y comprobar la validez de estos. Abordaremos aspectos claves como
autocorrelación, regresión y estacionalidad.
Utilizaremos los valores que se nos ha dado para analizar las graficas que nos da la serie y así
también identificaremos sus componentes. El modelo será construido por medio de la herramienta
de variables categóricas y lo validaremos. También tenemos como objetivo hacer un correlograma
y determinaremos el número de predicciones. Mediante la aplicación práctica de estas técnicas a
conjuntos de datos reales esperamos desarrollar una compresión profunda del análisis de series
temporales y su aplicación en la resolución de problemas del mundo real.

4
Objetivos
1. El objetivo de la práctica es analizar una serie temporal paso a paso.
2. Se hará el modelo asociado de la serie 103.
3. En el caso 103 comprobaremos si el modelo es correcto.
4. Establecer el número de pronósticos que se pueden realizar en este problema y
efectuarlos.

Pasos de la práctica
• Primero realizaremos el modelo el cual se analizará gráficamente la serie e identificaremos
los componentes. El modelo realizado se hará mediante las variables categóricas para
después de validarlo.
• Se realizará un correlograma el cual de estos sacaremos el numero de predicciones
posibles.
• Por último, haremos los cálculos y la representación gráfica.

5
Caso para resolver
Se nos ha dado el caso SER103. (Excel)
Haremos un análisis y modelaremos las acciones de una empresa minera a lo largo de varios años,
utilizando técnicas de series temporales de estadística. Se buscará identificar patrones, tendencias
y estacionalidad en los datos, así como desarrollar modelos predictivos que puedan ayudar a
pronosticar las ventas futuras.
Año Trimestre Periode Y
1999 Trim 1 1 55,05
1999 Trim 2 2 70,63
1999 Trim 3 3 42,47
1999 Trim 4 4 74,65
2000 Trim 1 1 72,94
2000 Trim 2 2 80,51
2000 Trim 3 3 70,93
2000 Trim 4 4 84,53
2001 Trim 1 1 56,86
2001 Trim 2 2 88,22
2001 Trim 3 3 87,89
2001 Trim 4 4 81,31
2002 Trim 1 1 87,32
2002 Trim 2 2 117,85
2002 Trim 3 3 104,95
2002 Trim 4 4 113,39
2003 Trim 1 1 88,16
2003 Trim 2 2 137,23
2003 Trim 3 3 119,84
2003 Trim 4 4 110,92
2004 Trim 1 1 111,74
2004 Trim 2 2 145,17
2004 Trim 3 3 138,78
2004 Trim 4 4 151,06
2005 Trim 1 1 133,47
2005 Trim 2 2 196,31
2005 Trim 3 3 176,8
2005 Trim 4 4 157,22
2006 Trim 1 1 172,28
2006 Trim 2 2 209,66
2006 Trim 3 3 212,95
2006 Trim 4 4 194,47
2007 Trim 1 1 182,46
2007 Trim 2 2 243,31
2007 Trim 3 3 242,63
2007 Trim 4 4 228,48
2008 Trim 1 1 201,65
2008 Trim 2 2 290,2

6
Año Trimestre Periode Y
2008 Trim 3 3 253,12
2008 Trim 4 4 254
2009 Trim 1 1 251,47
2009 Trim 2 2 320,78
2009 Trim 3 3 305,84
2009 Trim 4 4 280,12
2010 Trim 1 1 277,19
2010 Trim 2 2 365,12
2010 Trim 3 3 345,58
2010 Trim 4 4 323,79
2011 Trim 1 1 312,84
2011 Trim 2 2 409,36
2011 Trim 3 3 386,56
2011 Trim 4 4 362,05
2012 Trim 1 1 347,95
2012 Trim 2 2 454,3
2012 Trim 3 3 440,57
2012 Trim 4 4 393,66
2013 Trim 1 1 398,74
2013 Trim 2 2 501,87
2013 Trim 3 3 477,06
2013 Trim 4 4 447,31
2014 Trim 1 1 448,67
2014 Trim 2 2 528,21
2014 Trim 3 3 521,07
2014 Trim 4 4 474,44
2015 Trim 1 1 496,13
2015 Trim 2 2 601,16
2015 Trim 3 3 596,92
2015 Trim 4 4 532,27
2016 Trim 1 1 538,37
2016 Trim 2 2 642,41
2016 Trim 3 3 628,08
2016 Trim 4 4 583,33
2017 Trim 1 1 572,24
2017 Trim 2 2 714,87
2017 Trim 3 3 697,78
2017 Trim 4 4 627,04
2018 Trim 1 1 638,53
2018 Trim 2 2 736,39
2018 Trim 3 3 741,79
2018 Trim 4 4 685,54
2019 Trim 1 1 707,65
2019 Trim 2 2 838,83
2019 Trim 3 3 806,22
2019 Trim 4 4 759,58

7
 Año Trimestre Periode Y
2020 Trim 1 1 766,02
2020 Trim 2 2 890,86
2020 Trim 3 3 872,48
2020 Trim 4 4 803,98
2021 Trim 1 1 803,7
2021 Trim 2 2 991,43
2021 Trim 3 3 944,4
2021 Trim 4 4 880,5
2022 Trim 1 1 885,32
2022 Trim 2 2 1035,56
2022 Trim 3 3 1007,98
2022 Trim 4 4 937,58
2023 Trim 1 1 952,51
2023 Trim 2 2 1125,13
2023 Trim 3 3 1086,24
Tabla 1 Modelo Lineal

Con estos datos (ser103) representaremos el modelo de dispersión del gráfico, los cuales nos
ayudaran a hacer la interpretación de la serie. A partir de esto determinaremos el tipo de periodo,
el modelo de la gráfica, el modelo de la línea y la tendencia de esta.
Podemos determinar que la gráfica es de modelo multiplicativo con una tendencia positiva. En la
grafica los datos iniciales están en azul y la línea de tendencia esta en rojo para representar las
medias móviles y sus tendencias. El periodo de la gráfica presente tiene un periodo p=4.

ACCIONES MONETARIAS $ DE UNA EMPRESA MINERA

1200

1000

800

600

400

200

0
0 5 10 15 20 25 30 Grafica
35 1 40
Valores45de la 50
serie y55
medias
60móviles.
65 70 75 80 85 90 95 100

8
Construcción del modelo en variables categóricas

El siguiente paso es construir el modelo de variables categóricas. Establecemos, en forma de

columnas, los datos originales de la serie temporal y después el valor del tiempo (t). En este caso
se construirán las tablas de los otros coeficientes. Se pone en la columna de los valores 𝑡 2 y las
columnas Q2, Q3 y Q4. Se pone hasta el Q4 porque hay una estacionalidad p=4. Estos valores
tendrán 1 cuando el tiempo sea igual a el índice del coeficiente. Creada la tabla para construir el
modelo de variables categóricas, mediante la opción de análisis de datos por regresión en Excel,
encontraremos los valores de los coeficientes y si son significativos o no. Serán significativos
cuando sean P<0,05 y serán no significativos cuando sean P>0,05. A continuación encontramos la
tabla de valores de la construcción del modelo de variables categóricas

Índex
Y t² Q2 Q3 Q4 Tq2 Tq3 Tq4
t
55,05 1 1 0 0 0 0 0 0
70,63 2 4 1 0 0 2 0 0
42,47 3 9 0 1 0 0 3 0
74,65 4 16 0 0 1 0 0 4
72,94 5 25 0 0 0 0 0 0
80,51 6 36 1 0 0 6 0 0
70,93 7 49 0 1 0 0 7 0
84,53 8 64 0 0 1 0 0 8
56,86 9 81 0 0 0 0 0 0
88,22 10 100 1 0 0 10 0 0
87,89 11 121 0 1 0 0 11 0
81,31 12 144 0 0 1 0 0 12
87,32 13 169 0 0 0 0 0 0
117,85 14 196 1 0 0 14 0 0
104,95 15 225 0 1 0 0 15 0
113,39 16 256 0 0 1 0 0 16
88,16 17 289 0 0 0 0 0 0
137,23 18 324 1 0 0 18 0 0
119,84 19 361 0 1 0 0 19 0
110,92 20 400 0 0 1 0 0 20
111,74 21 441 0 0 0 0 0 0
145,17 22 484 1 0 0 22 0 0
138,78 23 529 0 1 0 0 23 0
151,06 24 576 0 0 1 0 0 24
133,47 25 625 0 0 0 0 0 0
196,31 26 676 1 0 0 26 0 0
176,8 27 729 0 1 0 0 27 0

9
 Índex
Y t² Q2 Q3 Q4 Tq2 Tq3 Tq4
t
157,22 28 784 0 0 1 0 0 28
172,28 29 841 0 0 0 0 0 0
209,66 30 900 1 0 0 30 0 0
212,95 31 961 0 1 0 0 31 0
194,47 32 1024 0 0 1 0 0 32
182,46 33 1089 0 0 0 0 0 0
243,31 34 1156 1 0 0 34 0 0
242,63 35 1225 0 1 0 0 35 0
228,48 36 1296 0 0 1 0 0 36
201,65 37 1369 0 0 0 0 0 0
290,2 38 1444 1 0 0 38 0 0
253,12 39 1521 0 1 0 0 39 0
254 40 1600 0 0 1 0 0 40
251,47 41 1681 0 0 0 0 0 0
320,78 42 1764 1 0 0 42 0 0
305,84 43 1849 0 1 0 0 43 0
280,12 44 1936 0 0 1 0 0 44
277,19 45 2025 0 0 0 0 0 0
365,12 46 2116 1 0 0 46 0 0
345,58 47 2209 0 1 0 0 47 0
323,79 48 2304 0 0 1 0 0 48
312,84 49 2401 0 0 0 0 0 0
409,36 50 2500 1 0 0 50 0 0
386,56 51 2601 0 1 0 0 51 0
362,05 52 2704 0 0 1 0 0 52
347,95 53 2809 0 0 0 0 0 0
454,3 54 2916 1 0 0 54 0 0
440,57 55 3025 0 1 0 0 55 0
393,66 56 3136 0 0 1 0 0 56
398,74 57 3249 0 0 0 0 0 0
501,87 58 3364 1 0 0 58 0 0
477,06 59 3481 0 1 0 0 59 0
447,31 60 3600 0 0 1 0 0 60
448,67 61 3721 0 0 0 0 0 0
528,21 62 3844 1 0 0 62 0 0
521,07 63 3969 0 1 0 0 63 0
474,44 64 4096 0 0 1 0 0 64
496,13 65 4225 0 0 0 0 0 0
601,16 66 4356 1 0 0 66 0 0
596,92 67 4489 0 1 0 0 67 0
532,27 68 4624 0 0 1 0 0 68
538,37 69 4761 0 0 0 0 0 0

10
 Índex
Y t² Q2 Q3 Q4 Tq2 Tq3 Tq4
t
642,41 70 4900 1 0 0 70 0 0
628,08 71 5041 0 1 0 0 71 0
583,33 72 5184 0 0 1 0 0 72
572,24 73 5329 0 0 0 0 0 0
714,87 74 5476 1 0 0 74 0 0
697,78 75 5625 0 1 0 0 75 0
627,04 76 5776 0 0 1 0 0 76
638,53 77 5929 0 0 0 0 0 0
736,39 78 6084 1 0 0 78 0 0
741,79 79 6241 0 1 0 0 79 0
685,54 80 6400 0 0 1 0 0 80
707,65 81 6561 0 0 0 0 0 0
838,83 82 6724 1 0 0 82 0 0
806,22 83 6889 0 1 0 0 83 0
759,58 84 7056 0 0 1 0 0 84
766,02 85 7225 0 0 0 0 0 0
890,86 86 7396 1 0 0 86 0 0
872,48 87 7569 0 1 0 0 87 0
803,98 88 7744 0 0 1 0 0 88
803,7 89 7921 0 0 0 0 0 0
991,43 90 8100 1 0 0 90 0 0
944,4 91 8281 0 1 0 0 91 0
880,5 92 8464 0 0 1 0 0 92
885,32 93 8649 0 0 0 0 0 0
1035,56 94 8836 1 0 0 94 0 0
1007,98 95 9025 0 1 0 0 95 0
937,58 96 9216 0 0 1 0 0 96
952,51 97 9409 0 0 0 0 0 0
1125,13 98 9604 1 0 0 98 0 0
1086,24 99 9801 0 1 0 0 99 0
Tabla 2 Valores de la construcción del modelo de variables categóricas con sus coeficientes.

11
Regresión lineal
A continuación, realizamos la regresión lineal con la función de Análisis de Datos. Observando la
tabla obtenida, localizamos el coeficiente menos significativo; en este caso, observamos la
probabilidad. Eliminaremos la columna correspondiente al coeficiente menos significativo
encontrado en el paso anterior y repetimos el proceso de nuevo. Para aceptar el modelo como
valido, se requiere que el valor p asociado el análisis de regresión sea P<0,05, lo que indica una
significancia estadística adecuada.

Ilustración 1 Análisis de Datos, Regresión

Ilustración 2 Regresión Inicial

12
A continuación, después de realizar la regresión inicial, procedemos a hacer las iteraciones
correspondientes:
Iteración 1
A continuación, plantearemos el modelo, pero en este caso hemos eliminado el Q3 (eliminado en
la regresión inicial).

Ilustración 3 Iteración 1, Regresión Lineal

A continuación, veremos si el modelo que se nos ha dado es aceptable y desde aquí solamente
tomaremos en cuenta aquellos valores significativos y se eliminaran los no significativos P>0,05.
En este caso eliminamos el valor de tQ4, el cual requerirá iteraciones adicionales según sea
necesario.
Iteración 2
A continuación, plantearemos el modelo, pero en este caso hemos eliminado el Q3 y Tq4
(eliminados en regresiones anteriores).

13
 Ilustración 4 Iteración 2, Regresión Lineal

A continuación, veremos si el modelo que se nos ha dado es aceptable y desde aquí solamente
tomaremos en cuenta aquellos valores significativos y se eliminaran los no significativos P>0,05.
En este caso eliminamos el valor de Q2, el cual requerirá iteraciones adicionales según sea
necesario.
Iteración 3
A continuación, plantearemos el modelo, pero en este caso hemos eliminado el Q3, Tq4 y Q2
(eliminados en regresiones anteriores)

Ilustración 5 Iteración 3, Regresión Lineal

14
Una vez completada esta iteración, observamos que ningún valor de probabilidad supera el umbral
de significancia de 0,05. Por lo tanto, podemos concluir que el modelo ha sido validad. Ahora que
hemos confirmado la validez del modelo, utilizaremos las siguientes variables en nuestro análisis:
𝑡 2 , Q4, tQ2 y tQ3.

Validación del modelo grafico

A continuación, procederemos a calcular las predicciones y compararlas con los valores
observados en nuestra serie. Esto nos permitirá también los residuos del modelo. Es necesario
construir el modelo con los coeficientes encontrados. En este caso, construimos el modelo con:

𝑌̂ = 𝐴 + ∑ 𝐵𝑖 ∗ 𝑋𝑖 [−] (1)
𝑖=1

En la formula anterior corresponde lo siguiente:

A: termino independiente
𝑩𝒊 : valor numérico obtenido
𝑿𝒊 : corresponde a los coeficientes restantes (𝑡 2 , Q4, tQ2 y tQ3)

En esta formula por cada instante encontraremos el valor de 𝑌̂ y así con este valor podremos
representar gráficamente los datos y compararlo con la serie temporal de los datos iniciales. De
estos valores conseguiremos calcular los residuos que es la diferencia entre los valores reales y el
valor obtenido en el modelo. La formula es la siguiente.

𝑅 = 𝑌 − 𝑌̂[−] (2)

Donde corresponde lo siguiente:

𝑌: Valores iniciales o reales
𝑌̂: Valores obtenidos en el modelo

15
 A continuación, se presentan los coeficientes finales:

Intercept 51,5175533
Índex t 1,46138336
t² 0,08024793
Q4 10,8208851
tQ2 1,51954313
tQ3 1,02130018

̂ = 𝟓𝟏, 𝟓𝟏𝟕𝟓𝟓𝟑𝟑 + 𝟏, 𝟒𝟔𝟏𝟑𝟖𝟑𝟑𝟔 ∙ 𝒕 + 𝟎, 𝟎𝟖𝟎𝟐𝟒𝟕𝟗𝟑 ∙ 𝒕𝟐 + 𝟏𝟎, 𝟖𝟐𝟎𝟖𝟖𝟓𝟏 ∙ 𝐐𝟒 + 𝟏, 𝟓𝟏𝟗𝟓𝟒𝟑𝟏𝟑 ∙ 𝐭𝐐𝟐

𝒀
+ 𝟏, 𝟎𝟐𝟏𝟑𝟎𝟎𝟏𝟖 ∙ 𝐭𝐐𝟑
(3)

Ahora según los datos obtenidos y la formula obtenida procedemos a hacer los siguientes gráficos:
Y Y^ R
55,0500 53,0592 1,9908
70,6300 57,8004 12,8296
42,4700 59,6878 -17,2178
74,6500 69,4679 5,1821
72,9400 60,8307 12,1093
80,5100 72,2920 8,2180
70,9300 72,8285 -1,8985
84,5300 79,1654 5,3646
56,8600 71,1701 -14,3101
Tabla 3 Primeros valores de la serie, los valores del modelo y residuo

Las gráficas obtenidas anteriormente las hemos obtenido utilizando el modelo en base a los
coeficientes finales, aquí en la Tabla 3 se muestran los resultados obtenidos y los cuales serán
utilizados para realizar los siguientes gráficos: Grafico de regresión ajustada, Grafico de residuos
y Grafico de probabilidad de residuos.

16
Curva de Regresión ajustada

Curva de regresión ajustada

1200,0000

1000,0000

800,0000

600,0000

400,0000

200,0000

0,0000
1 4 7 101316192225283134374043464952555861646770737679828588919497

Series1 Series2

Grafica 2 Curva de Regresión Ajustada

La curva de regresión ajustada es una representación gráfica de la relación entre la variable

independiente y la variable dependiente de un modelo en regresión. La curva de regresión ajustada
es útil visualizar le relación entre las variables en el modelo y evaluar la calidad del ajuste del
modelo a los datos observados.
En el grafico presente podemos observar como la serie original como la serie nueva están muy
cercanas a lo largo de toda la curva. Esto indica que la serie nueva esta capturando bien los datos
observados en la serie original. Vemos que las graficas quedan sobrepuestas en la mayoría del
tramo el cual nos indica que el modelo se ajusta a la realidad. Se observa un patrón ondulado en
ambos conjuntos de datos, lo que sugiere la presencia de componente estacional o cíclico. Este
patrón cíclico parece estar bien capturado por el modelo ajustado, ya que ambos conjuntos de datos
siguen esta oscilación de manera bastante coherente.

17
Grafico de Residuos

Residuos
30,0000

20,0000

10,0000

0,0000
0 20 40 60 80 100 120

-10,0000

-20,0000

-30,0000

-40,0000

Grafica 3 Grafico de Residuos

El grafico de residuos es una herramienta utilizada en el análisis de regresión para evaluar la

validez de las suposiciones subyacentes en el modelo de regresión. En el contexto de la regresión
lineal, los residuos son las diferencias entre los valores observados y los valores predichos por el
modelo de regresión.
A primera vista, en este grafico no parece haber una estructura clara en los residuos, lo que sugiere
que el modelo esta capturando bien la tendencia general. No se observa un patrón claro de
heterocedasticidad, lo cual es una buena señal de que el modelo esta bien especificado en términos
de dispersión de errores. Podemos observar que el grafico tiene unos puntos fuera de rango, pero
en general el rango esta entre 20,000 y -20,000. Tiene dos valores aislados uno arriba de 20,000 y
otro por debajo de -30,000.

18
Grafica de probabilidad de residuos
Para poder validar el modelo analizaremos los resultados de los residuos. A continuación,
presentaremos la Grafica de probabilidad de Residuos ordenándolos de menor a mayor:

R i Fi Zi

-35,87 1 0,005050505 -2,57235211

-17,28 2 0,015151515 -2,16610675
-17,22 3 0,025252525 -1,95566144
-16,60 4 0,035353535 -1,8073542
-14,31 5 0,045454545 -1,69062163
Tabla 4 Primeros valores de la tabla con el residuo ordenado

R y = 8,9063x - 8E-14
R² = 0,9635
30,00

20,00

10,00

0,00 R
-3 -2 -1 0 1 2 3
-10,00 Linear (R)

-20,00

-30,00

-40,00

Grafica 4 Grafico de Probabilidad de Residuos

El grafico de probabilidad de residuos es una herramienta para evaluar si los residuos de un modelo
siguen una distribución normal. Este grafico compara los residuos de un modelo estadístico con
una distribución teórica, generalmente una distribución normal. Como definimos anteriormente
los residuos son las diferencias entre los valores observados y los valores predichos por el modelo.
Según el grafico obtenido podemos ver que los puntos azules que representan los datos observados
se ajustan muy bien a la línea de regresión, con una pequeña dispersión. Los valores se distribuyen
alrededor de la línea de forma bastante simétrica, lo que indica que el modelo lineal es apropiado
para estos datos.
El valor 𝑅 2 = 0,9635 indica que el 96,35% de la variabilidad en la variable dependiente (R) es
explicada por el modelo lineal. Esto es un indicador de un excelente ajuste del modelo de datos.
El valor 𝑅 2 cercano a 1 implica que la línea de regresión se ajusta muy bien a los datos observados,
lo que sugiere que hay poca variación en los puntos que no esta siendo explicada por el modelo.

19
Correlograma

Un correlograma es una representación grafica que muestra la correlación entre una variable y sus
propios valores en diferentes retrasos de tiempo. Muestra como se relacionan los valores de una
serie de tiempo entre si a medida que transcurre el tiempo. El correlograma nos ayuda a identificar
patrones relacionados, tendencias o ciclos en los datos, así como la determinación de la estructura
de los modelos de series temporales.
Mediante el correlograma obtendremos los valores de las predicciones. Utilizaremos la estimación
de los coeficientes de autocorrelación para determinar cuando son razonables las previsiones
hechas con los modelos estimados. Con el valor temporal y los valores que nos dan el principio
del problema, encontraremos la media de todas estas y obtendremos la diferencia del valor real
con su mediana.
Para calcular la estimación de la función, tenemos que conocer los siguientes valores que se
presentan a continuación:
N m=mitjana
99 425,705

Utilizando los datos presentes, encontraremos los valores de Gamma k. Comenzando con Gamma
0, este valor se obtiene con la varianza poblacional de los datos originales. Para encontrar los
valores del resto de la Gamma, calculamos k<N/4 lo cual, en este caso seria, k<99/4. Por lo tanto,
buscamos el valor de Gamma hasta 25.
Encontramos Gamma k con la siguiente formula:

∑𝑁−𝑘 ̂ ̂
𝑖=1 (𝑦𝑖 − 𝑌)( 𝑦𝑖+𝑘 − 𝑌)
𝑌𝑘 = ([−] (4)
𝑁

Donde:
𝑦𝑖 : es el valor de la serie temporal en el tiempo i. Son los datos originales de la serie.
𝑌̂: es el promedio de la serie temporal, es decir, la media de los valores de la serie 𝑦𝑖 .
𝑦𝑖+𝑘 : es el valor de la serie temporal en el tiempo i+k es decir, el valor que esta k periodos después
del valor en 𝑦𝑖 .
N: es el numero total de observaciones de la serie temporal.

20
Encontrando la Gamma podemos encontrar su relación en función de gamma 0 (rk) mediante esta
fórmula:

𝑌𝑘
𝑟𝑘 = ([−] (5)
𝑌0

Donde:

𝑌𝑘 : es el valor de la covarianza o la Gamma k.

𝑌0 : Corresponde a la varianza de la serie temporal.

Encontrando la relación de Gamma k y Gamma 0, ahora encontramos el valor de 𝑟𝑘 2

Empezaremos con la elaboración de los límites de intervalo de no significación (+-2S), para eso
construimos la siguiente formula:

1 + 2 ∗ ∑𝑘−1
𝑖=1 𝑌𝑘
𝑉(𝑟𝑘 ) = ([−] (6)
𝑁

Donde:
𝑉(𝑟𝑘) : este es el valor de la varianza del coeficiente de autocorrelación rk en k. La varianza de rk
te dice cuanta variabilidad hay en torno al valor estimado de la autocorrelación para un desfase
dado.
N: es el número de observaciones en la serie temporal.

𝑌𝑘 : son los coeficientes de auto covarianza.

A continuación, después de formular la varianza del coeficiente de autocorrelación rk encontramos

los valores de los limites de intervalo de no significación:

2𝑆 = 2 ∗ √𝑉(𝑟𝑘 ) ; −2𝑆 = −2 ∗ √𝑉(𝑟𝑘 )[−] (7)

2S representa dos veces el valor de la desviación estándar del coeficiente de autocorrelación rk.

21
Resultados
Los resultados que hemos obtenido según las fórmulas explicadas anteriormente son los siguientes:
Gamma_k r_k r_k^2 V(r_k) 2S -2S
84748,617 0,95045638 0,90336732 0,01010101 0,20100756 -0,20100756
80508,897 0,90290789 0,81524266 0,02835086 0,33675424 -0,33675424
79053,252 0,88658281 0,78602909 0,0448204 0,4234166 -0,4234166
78027,332 0,87507711 0,76575996 0,06069978 0,4927465 -0,4927465
73881,517 0,82858177 0,68654775 0,07616968 0,55197709 -0,55197709
69850,054 0,78336889 0,61366681 0,09003933 0,60013108 -0,60013108
68418,793 0,76731728 0,5887758 0,10243664 0,64011448 -0,64011448
67283,820 0,75458855 0,56940388 0,1143311 0,67625764 -0,67625764
63080,958 0,70745342 0,50049035 0,12583421 0,70946235 -0,70946235
58983,476 0,66150013 0,43758243 0,13594512 0,73741474 -0,73741474
57626,156 0,64627778 0,41767496 0,14478517 0,76101294 -0,76101294
56386,384 0,63237372 0,39989652 0,15322305 0,78287432 -0,78287432
52454,578 0,58827848 0,34607158 0,16130177 0,80324783 -0,80324783
48783,653 0,54710904 0,2993283 0,16829311 0,82047087 -0,82047087
47263,235 0,53005753 0,28096099 0,17434015 0,83508119 -0,83508119
45978,374 0,51564781 0,26589267 0,18001613 0,84856615 -0,84856615
42120,067 0,47237687 0,2231399 0,1853877 0,86113344 -0,86113344
38495,588 0,43172831 0,18638933 0,18989558 0,87154019 -0,87154019
36987,612 0,41481635 0,1720726 0,19366102 0,88013866 -0,88013866
35672,548 0,4000679 0,16005432 0,19713723 0,88800277 -0,88800277
32004,887 0,35893505 0,12883437 0,20037065 0,89525561 -0,89525561
28778,297 0,32274881 0,1041668 0,20297337 0,90105131 -0,90105131
27378,485 0,30704992 0,09427965 0,20507775 0,90571021 -0,90571021
26212,435 0,29397265 0,08641992 0,20698238 0,90990634 -0,90990634
22647,331 0,25398999 0,06451092 0,20872824 0,91373572 -0,91373572
Tabla 5 Resultados de los cálculos de la función de autocorrelación con los intervalos de no significación

1
0,8
0,6
0,4
0,2 r_k
0 2S
-0,2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
-2S
-0,4
-0,6
-0,8
-1

Grafica 5 Correlograma con los valores de rk y el Intervalo de no significación 22

 Ilustración 6 Correlograma Minitab

Podemos observar que los resultados en el correlograma nos muestran que el ultimo valor de 𝑟𝑘
queda sobre el limite superior de 2S nos marca el numero de predicciones que se pueden realizar
en el modelo. El grafico nos presenta que el ultimo valor que toca es el 9 por lo tanto se pueden
hacer 9 predicciones.

Cálculo de predicciones
ACCIONES MONETARIAS
Año Trimestre Periodo t t² Q4 Tq2 Tq3
$ DE UNA EMPRESA MINERA
2023 Trim 4 4 100 10000 1 0 0
2024 Trim 1 1 101 10201 0 0 0
2024 Trim 2 2 102 10404 0 100 0
2024 Trim 3 3 103 10609 0 0 101
2024 Trim 4 4 104 10816 1 0 0
2025 Trim 1 1 105 11025 0 0 0
2025 Trim 2 2 106 11236 0 102 0
2025 Trim 3 3 107 11449 0 0 103
2025 Trim 4 4 108 11664 1 0 0
Tabla 6 Variables categóricas de las predicciones

̂ = 𝟓𝟏, 𝟓𝟏𝟕𝟓𝟓𝟑𝟑 + 𝟏, 𝟒𝟔𝟏𝟑𝟖𝟑𝟑𝟔 ∙ 𝒕 + 𝟎, 𝟎𝟖𝟎𝟐𝟒𝟕𝟗𝟑 ∙ 𝒕𝟐 + 𝟏𝟎, 𝟖𝟐𝟎𝟖𝟖𝟓𝟏 ∙ 𝐐𝟒 + 𝟏, 𝟓𝟏𝟗𝟓𝟒𝟑𝟏𝟑

𝒀
∙ 𝐭𝐐𝟐 + 𝟏, 𝟎𝟐𝟏𝟑𝟎𝟎𝟏𝟖 ∙ 𝐭𝐐𝟑

23
 El calculo de predicciones es un proceso fundamental en el análisis de datos ya que busca estimar
valores futuros basados en la información que hemos obtenido de la tabla 5. El análisis exploratorio
de datos, incluyendo el correlograma, guía a la selección del modelo adecuado. Una vez
seleccionado, el modelo se ajusta a la toma de decisiones informadas en diversos campos. Ya que
en el apartado del correlograma hemos determinado que podemos hacer 9 predicciones más, ahora
el siguiente paso es mostrar los valores de las predicciones.
ACCIONES MONETARIAS
Año Trimestre Periodo t t² Q4 Tq2 Tq3
$ DE UNA EMPRESA MINERA
2023 Trim 4 4 1010,96 100 10000 1 0 0
2024 Trim 1 1 1017,73 101 10201 0 0 0
2024 Trim 2 2 1187,43 102 10404 0 100 0
2024 Trim 3 3 1156,54 103 10609 0 0 101
2024 Trim 4 4 1082,28 104 10816 1 0 0
2025 Trim 1 1 1089,70 105 11025 0 0 0
2025 Trim 2 2 1263,08 106 11236 0 102 0
2025 Trim 3 3 1231,84 107 11449 0 0 103
2025 Trim 4 4 1156,18 108 11664 1 0 0
Tabla 7 Valores numéricos de las predicciones.

A continuación, mostramos la curva de regresión ajustada con los resultados de las predicciones.
1400

1200

1000

800

600

400

200

0
7

19

31
1
4

10
13
16

22
25
28

34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
103
106

Series1 Series2

Grafica 6 Curva de regresión ajustada con predicciones

24

Grafica 7 Curva de regresión ajustada con predicciones

Conclusiones
Durante este trabajo se logró hacer un análisis sobre series temporales, con un enfoque en las
predicciones de las acciones de una empresa minera a lo largo de varios años. Las conclusiones de
este trabajo son las siguientes:
• Identificamos que el patrón de comportamiento de la serie es de p=4 y es presentada
mediante un modelo multiplicativo con una tendencia positiva.

• Tanto los datos iniciales como la tendencia de la serie muestran un comportamiento

creciente, por lo que sugiere que los valores de la serie aumentaran con el tiempo.

• En la curva de regresión ajustada que la serie original y la serie ajustada están bastantes
cercanas, lo que indica que el modelo es preciso al capturar los datos observados.

• Las líneas de la serie original y la serie ajustada están sobrepuestas en gran parte de la
gráfica, lo que ratifica la validez del modelo ajustado.

• Dentro del grafico de residuos no se muestra un patrón claro, lo que es un indicio de que
el modelo esta bien ajustado y no hay errores sistemáticos.

• La dispersión de residuos es constante por lo que confirma que el modelo es adecuado en

términos de distribución de errores.

• Los puntos del grafico de probabilidad se ajustan bien a la línea de regresión, lo que indica
que los residuos siguen una distribución normal.

• El correlograma muestra como los valores de la serie temporal están correlacionados con
sus valores anteriores. El análisis revela que el último valor de autocorrelación cae dentro
del intervalo de no significancia en el valor 9, lo que sugiere que se pueden hacer hasta 9
predicciones razonables basadas en los datos históricos.

25
Anexo
Datos finales de correlograma
Índex
Y t² Q4 Tq2 Tq3
t
55,05 1 1 0 0 0
70,63 2 4 0 2 0
42,47 3 9 0 0 3
74,65 4 16 1 0 0
72,94 5 25 0 0 0
80,51 6 36 0 6 0
70,93 7 49 0 0 7
84,53 8 64 1 0 0
56,86 9 81 0 0 0
88,22 10 100 0 10 0
87,89 11 121 0 0 11
81,31 12 144 1 0 0
87,32 13 169 0 0 0
117,85 14 196 0 14 0
104,95 15 225 0 0 15
113,39 16 256 1 0 0
88,16 17 289 0 0 0
137,23 18 324 0 18 0
119,84 19 361 0 0 19
110,92 20 400 1 0 0
111,74 21 441 0 0 0
145,17 22 484 0 22 0
138,78 23 529 0 0 23
151,06 24 576 1 0 0
133,47 25 625 0 0 0
196,31 26 676 0 26 0
176,8 27 729 0 0 27
157,22 28 784 1 0 0
172,28 29 841 0 0 0
209,66 30 900 0 30 0
212,95 31 961 0 0 31
194,47 32 1024 1 0 0
182,46 33 1089 0 0 0
243,31 34 1156 0 34 0
242,63 35 1225 0 0 35
228,48 36 1296 1 0 0
201,65 37 1369 0 0 0
290,2 38 1444 0 38 0

26
 Índex
Y t² Q4 Tq2 Tq3
t
253,12 39 1521 0 0 39
254 40 1600 1 0 0
251,47 41 1681 0 0 0
320,78 42 1764 0 42 0
305,84 43 1849 0 0 43
280,12 44 1936 1 0 0
277,19 45 2025 0 0 0
365,12 46 2116 0 46 0
345,58 47 2209 0 0 47
323,79 48 2304 1 0 0
312,84 49 2401 0 0 0
409,36 50 2500 0 50 0
386,56 51 2601 0 0 51
362,05 52 2704 1 0 0
347,95 53 2809 0 0 0
454,3 54 2916 0 54 0
440,57 55 3025 0 0 55
393,66 56 3136 1 0 0
398,74 57 3249 0 0 0
501,87 58 3364 0 58 0
477,06 59 3481 0 0 59
447,31 60 3600 1 0 0
448,67 61 3721 0 0 0
528,21 62 3844 0 62 0
521,07 63 3969 0 0 63
474,44 64 4096 1 0 0
496,13 65 4225 0 0 0
601,16 66 4356 0 66 0
596,92 67 4489 0 0 67
532,27 68 4624 1 0 0
538,37 69 4761 0 0 0
642,41 70 4900 0 70 0
628,08 71 5041 0 0 71
583,33 72 5184 1 0 0
572,24 73 5329 0 0 0
714,87 74 5476 0 74 0
697,78 75 5625 0 0 75
627,04 76 5776 1 0 0
638,53 77 5929 0 0 0
736,39 78 6084 0 78 0
741,79 79 6241 0 0 79
685,54 80 6400 1 0 0

27
 Índex
Y t² Q4 Tq2 Tq3
t
707,65 81 6561 0 0 0
838,83 82 6724 0 82 0
806,22 83 6889 0 0 83
759,58 84 7056 1 0 0
766,02 85 7225 0 0 0
890,86 86 7396 0 86 0
872,48 87 7569 0 0 87
803,98 88 7744 1 0 0
803,7 89 7921 0 0 0
991,43 90 8100 0 90 0
944,4 91 8281 0 0 91
880,5 92 8464 1 0 0
885,32 93 8649 0 0 0
1035,56 94 8836 0 94 0
1007,98 95 9025 0 0 95
937,58 96 9216 1 0 0
952,51 97 9409 0 0 0
1125,13 98 9604 0 98 0
1086,24 99 9801 0 0 99

Datos finales para la curva de regresión y el grafico de residuos

Y Y^ R
55,0500 53,0592 1,9908
70,6300 57,8004 12,8296
42,4700 59,6878 -17,2178
74,6500 69,4679 5,1821
72,9400 60,8307 12,1093
80,5100 72,2920 8,2180
70,9300 72,8285 -1,8985
84,5300 79,1654 5,3646
56,8600 71,1701 -14,3101
88,2200 89,3516 -1,1316
87,8900 88,5371 -0,6471
81,3100 91,4307 -10,1207
87,3200 84,0774 3,2426
117,8500 108,9791 8,8709
104,9500 106,8136 -1,8636

28
 Y Y^ R
113,3900 106,2640 7,1260
88,1600 99,5527 -11,3927
137,2300 131,1746 6,0554
119,8400 127,6580 -7,8180
110,9200 123,6653 -12,7453
111,7400 117,5959 -5,8559
145,1700 155,9379 -10,7679
138,7800 151,0704 -12,2904
151,0600 143,6344 7,4256
133,4700 138,2071 -4,7371
196,3100 183,2692 13,0408
176,8000 177,0507 -0,2507
157,2200 166,1715 -8,9515
172,2800 161,3862 10,8938
209,6600 213,1685 -3,5085
212,9500 205,5990 7,3510
194,4700 191,2766 3,1934
182,4600 187,1332 -4,6732
243,3100 245,6357 -2,3257
242,6300 236,7152 5,9148
228,4800 218,9496 9,5304
201,6500 215,4481 -13,7981
290,2000 280,6708 9,5292
253,1200 270,3993 -17,2793
254,0000 249,1905 4,8095
251,4700 246,3310 5,1390
320,7800 318,2738 2,5062
305,8400 306,6514 -0,8114
280,1200 281,9993 -1,8793
277,1900 279,7819 -2,5919
365,1200 358,4448 6,6752
345,5800 345,4713 0,1087
323,7900 317,3761 6,4139
312,8400 315,8006 -2,9606
409,3600 401,1837 8,1763
386,5600 386,8593 -0,2993
362,0500 355,3208 6,7292
347,9500 354,3873 -6,4373
454,3000 446,4905 7,8095
440,5700 430,8151 9,7549
393,6600 395,8334 -2,1734

29
 Y Y^ R
398,7400 395,5419 3,1981
501,8700 494,3653 7,5047
477,0600 477,3389 -0,2789
447,3100 438,9140 8,3960
448,6700 439,2645 9,4055
528,2100 544,8080 -16,5980
521,0700 526,4306 -5,3606
474,4400 484,5625 -10,1225
496,1300 485,5550 10,5750
601,1600 597,8187 3,3413
596,9200 578,0903 18,8297
532,2700 532,7789 -0,5089
538,3700 534,4134 3,9566
642,4100 653,3972 -10,9872
628,0800 632,3179 -4,2379
583,3300 583,5633 -0,2333
572,2400 585,8397 -13,5997
714,8700 711,5438 3,3262
697,7800 689,1134 8,6666
627,0400 636,9156 -9,8756
638,5300 639,8340 -1,3040
736,3900 772,2582 -35,8682
741,7900 748,4769 -6,6869
685,5400 692,8358 -7,2958
707,6500 696,3963 11,2537
838,8300 835,5406 3,2894
806,2200 810,4083 -4,1883
759,5800 751,3240 8,2560
766,0200 755,5264 10,4936
890,8600 901,3909 -10,5309
872,4800 874,9076 -2,4276
803,9800 812,3801 -8,4001
803,7000 817,2245 -13,5245
991,4300 969,8091 21,6209
944,4000 941,9748 2,4252
880,5000 876,0042 4,4958
885,3200 881,4905 3,8295
1035,5600 1040,7953 -5,2353
1007,9800 1011,6100 -3,6300
937,5800 942,1961 -4,6161
952,5100 948,3245 4,1855
1125,1300 1114,3494 10,7806

30
 Y Y^ R
1086,2400 1083,8132 2,4268

Datos para el grafico de probabilidad de residuos

R i Fi Zi
-35,87 1 0,005050505 -2,57235211
-17,28 2 0,015151515 -2,16610675
-17,22 3 0,025252525 -1,95566144
-16,60 4 0,035353535 -1,8073542
-14,31 5 0,045454545 -1,69062163
-13,80 6 0,055555556 -1,59321882
-13,60 7 0,065656566 -1,50894386
-13,52 8 0,075757576 -1,43420016
-12,75 9 0,085858586 -1,36670697
-12,29 10 0,095959596 -1,30492264
-11,39 11 0,106060606 -1,24775386
-10,99 12 0,116161616 -1,19439566
-10,77 13 0,126262626 -1,14423727
-10,53 14 0,136363636 -1,09680356
-10,12 15 0,146464646 -1,05171725
-10,12 16 0,156565657 -1,00867336
-9,88 17 0,166666667 -0,96742157
-8,95 18 0,176767677 -0,92775369
-8,40 19 0,186868687 -0,88949451
-7,82 20 0,196969697 -0,85249503
-7,30 21 0,207070707 -0,81662736
-6,69 22 0,217171717 -0,78178075
-6,44 23 0,227272727 -0,74785859
-5,86 24 0,237373737 -0,71477599
-5,36 25 0,247474747 -0,68245784
-5,24 26 0,257575758 -0,65083731
-4,74 27 0,267676768 -0,61985457
-4,67 28 0,277777778 -0,5894558
-4,62 29 0,287878788 -0,55959227
-4,24 30 0,297979798 -0,53021973
-4,19 31 0,308080808 -0,50129771
-3,63 32 0,318181818 -0,47278912
-3,51 33 0,328282828 -0,44465976
-2,96 34 0,338383838 -0,41687796

31
 R i Fi Zi
-2,59 35 0,348484848 -0,3894143
-2,43 36 0,358585859 -0,3622413
-2,33 37 0,368686869 -0,33533322
-2,17 38 0,378787879 -0,30866581
-1,90 39 0,388888889 -0,28221615
-1,88 40 0,398989899 -0,25596249
-1,86 41 0,409090909 -0,22988412
-1,30 42 0,419191919 -0,20396118
-1,13 43 0,429292929 -0,1781746
-0,81 44 0,439393939 -0,15250597
-0,65 45 0,449494949 -0,12693746
-0,51 46 0,45959596 -0,10145167
-0,30 47 0,46969697 -0,07603162
-0,28 48 0,47979798 -0,05066062
-0,25 49 0,48989899 -0,02532218
-0,23 50 0,5 0
0,11 51 0,51010101 0,02532218
1,99 52 0,52020202 0,05066062
2,43 53 0,53030303 0,07603162
2,43 54 0,54040404 0,10145167
2,51 55 0,550505051 0,12693746
3,19 56 0,560606061 0,15250597
3,20 57 0,570707071 0,1781746
3,24 58 0,580808081 0,20396118
3,29 59 0,590909091 0,22988412
3,33 60 0,601010101 0,25596249
3,34 61 0,611111111 0,28221615
3,83 62 0,621212121 0,30866581
3,96 63 0,631313131 0,33533322
4,19 64 0,641414141 0,3622413
4,50 65 0,651515152 0,3894143
4,81 66 0,661616162 0,41687796
5,14 67 0,671717172 0,44465976
5,18 68 0,681818182 0,47278912
5,36 69 0,691919192 0,50129771
5,91 70 0,702020202 0,53021973
6,06 71 0,712121212 0,55959227
6,41 72 0,722222222 0,5894558
6,68 73 0,732323232 0,61985457
6,73 74 0,742424242 0,65083731
7,13 75 0,752525253 0,68245784
7,35 76 0,762626263 0,71477599

32
 R i Fi Zi
7,43 77 0,772727273 0,74785859
7,50 78 0,782828283 0,78178075
7,81 79 0,792929293 0,81662736
8,18 80 0,803030303 0,85249503
8,22 81 0,813131313 0,88949451
8,26 82 0,823232323 0,92775369
8,40 83 0,833333333 0,96742157
8,67 84 0,843434343 1,00867336
8,87 85 0,853535354 1,05171725
9,41 86 0,863636364 1,09680356
9,53 87 0,873737374 1,14423727
9,53 88 0,883838384 1,19439566
9,75 89 0,893939394 1,24775386
10,49 90 0,904040404 1,30492264
10,58 91 0,914141414 1,36670697
10,78 92 0,924242424 1,43420016
10,89 93 0,934343434 1,50894386
11,25 94 0,944444444 1,59321882
12,11 95 0,954545455 1,69062163
12,83 96 0,964646465 1,8073542
13,04 97 0,974747475 1,95566144
18,83 98 0,984848485 2,16610675
21,62 99 0,994949495 2,57235211

Datos utilizados para el correlograma

Y N m=mitjana Y-m Gamma_0
55,05 99 425,705 -370,655 89166,235
70,63 -355,075
42,47 -383,235
74,65 -351,055
72,94 -352,765
80,51 -345,195
70,93 -354,775
84,53 -341,175
56,86 -368,845
88,22 -337,485
87,89 -337,815
81,31 -344,395
87,32 -338,385
117,85 -307,855
104,95 -320,755
113,39 -312,315

33
 Y N m=mitjana Y-m Gamma_0
88,16 -337,545
137,23 -288,475
119,84 -305,865
110,92 -314,785
111,74 -313,965
145,17 -280,535
138,78 -286,925
151,06 -274,645
133,47 -292,235
196,31 -229,395
176,8 -248,905
157,22 -268,485
172,28 -253,425
209,66 -216,045
212,95 -212,755
194,47 -231,235
182,46 -243,245
243,31 -182,395
242,63 -183,075
228,48 -197,225
201,65 -224,055
290,2 -135,505
253,12 -172,585
254 -171,705
251,47 -174,235
320,78 -104,925
305,84 -119,865
280,12 -145,585
277,19 -148,515
365,12 -60,585
345,58 -80,125
323,79 -101,915
312,84 -112,865
409,36 -16,345
386,56 -39,145
362,05 -63,655
347,95 -77,755
454,3 28,595
440,57 14,865
393,66 -32,045
398,74 -26,965
501,87 76,165

34
 Y N m=mitjana Y-m Gamma_0
477,06 51,355
447,31 21,605
448,67 22,965
528,21 102,505
521,07 95,365
474,44 48,735
496,13 70,425
601,16 175,455
596,92 171,215
532,27 106,565
538,37 112,665
642,41 216,705
628,08 202,375
583,33 157,625
572,24 146,535
714,87 289,165
697,78 272,075
627,04 201,335
638,53 212,825
736,39 310,685
741,79 316,085
685,54 259,835
707,65 281,945
838,83 413,125
806,22 380,515
759,58 333,875
766,02 340,315
890,86 465,155
872,48 446,775
803,98 378,275
803,7 377,995
991,43 565,725
944,4 518,695
880,5 454,795
885,32 459,615
1035,56 609,855
1007,98 582,275
937,58 511,875
952,51 526,805
1125,13 699,425
1086,24 660,535

35