estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/autocorrelacion-y-correlograma
Autocorrelación y correlograma
La correlación de una serie consigo misma desplazada: cómo se lee un correlograma, qué forma tiene según lo que hay en la serie y por qué arruina los intervalos de confianza.
Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma
1 · Qué es
La autocorrelación de orden es la correlación de una serie con ella misma desplazada períodos hacia atrás.

El conjunto de todos los es la función de autocorrelación o ACF, y su gráfico —una barra por rezago— es el correlograma. Es la primera herramienta de diagnóstico de cualquier serie, antes de cualquier modelo.
2 · Las bandas
Si la serie fuera ruido puro, cada se distribuiría aproximadamente normal con desvío . De ahí salen las bandas que todo correlograma dibuja:
Con las 156 observaciones de la serie de pernoctaciones prepandemia, la banda está en ±0,157. Una barra que no la supera es compatible con el azar; una que la supera, no.
No todos los programas dibujan esa banda fija. acf() de R sí; plot_acf de
Python dibuja por defecto las bandas de Bartlett, que se ensanchan con el
rezago porque suponen que las autocorrelaciones anteriores pueden no ser cero.
En R se obtienen con ci.type = "ma".
3 · Cuatro correlogramas y qué dice cada uno
La forma del correlograma identifica qué hay adentro de la serie:
| Serie | ||||
|---|---|---|---|---|
| Ruido blanco | 0,008 | −0,025 | −0,079 | 0,039 |
| IPC, en niveles | 0,969 | 0,805 | 0,611 | 0,217 |
| Pernoctaciones | 0,434 | 0,134 | 0,880 | 0,784 |
| Pernoctaciones desestacionalizadas | 0,654 | 0,323 | 0,238 | 0,051 |
Ruido blanco: todas las barras dentro de las bandas, sin patrón. Es lo que uno quiere ver en los residuos de un modelo.
Tendencia: decaimiento lento y monótono desde un altísimo. El IPC arranca en 0,969 y sigue arriba de 0,6 al año. No es que el índice de hoy dependa del de hace doce meses: es que los dos vienen subiendo.
Estacionalidad: picos en los múltiplos del período. En las pernoctaciones, 0,880 en el rezago 12 y 0,784 en el 24. Entre medio, los rezagos 3 a 9 dan negativos, entre −0,22 y −0,34, porque enfrentan la temporada alta con la baja. La excepción es el 6, positivo (0,134): enero queda enfrentado con julio, que por las vacaciones de invierno también es temporada alta.
Después de desestacionalizar: los picos de 12 y 24 desaparecen —0,238 y 0,051— y queda la persistencia de corto plazo. El correlograma muestra que el ajuste estacional hizo lo que tenía que hacer.
4 · La autocorrelación parcial
El problema de la ACF es que arrastra: si cada mes se parece al anterior, el mes 1 se parece al 3 automáticamente, sin relación directa. La autocorrelación parcial (PACF) mide la asociación entre y descontando los rezagos intermedios, igual que una correlación parcial cualquiera.
| Rezago | ACF | PACF |
|---|---|---|
| 1 | 0,434 | 0,434 |
| 2 | −0,009 | −0,244 |
| 3 | −0,234 | −0,161 |
| 12 | 0,880 | 0,530 |
| 13 | 0,377 | −0,280 |
5 · Las pruebas
Para una respuesta formal —¿queda autocorrelación o no?— hay dos herramientas estándar.
Ljung-Box evalúa los primeros rezagos a la vez. La hipótesis nula es que la serie no tiene autocorrelación en ninguno de ellos.
| Serie | Q(12) | |
|---|---|---|
| Ruido blanco | 11,7 | 0,471 |
| Pernoctaciones | 261,0 | < 0,001 |
| Desestacionalizada | 291,3 | < 0,001 |
| Desestacionalizada y diferenciada | 28,8 | 0,004 |
Durbin-Watson mira solo el rezago 1, y se usa sobre los residuos de una regresión. Su relación con la autocorrelación es directa:
| de los residuos | DW | Lectura |
|---|---|---|
| 0,0 | 2,0 | sin autocorrelación |
| 0,3 | 1,4 | positiva, moderada |
| 0,5 | 1,0 | positiva, fuerte |
| 0,8 | 0,4 | positiva, grave |
Durbin-Watson tiene dos limitaciones. Solo mira el rezago 1, y deja de valer si la regresión incluye la variable dependiente rezagada entre los predictores: en ese caso da valores cercanos a 2 aunque haya autocorrelación. La prueba de Breusch-Godfrey resuelve las dos cosas: admite rezagos de la dependiente y evalúa varios rezagos de los residuos a la vez.
6 · Por qué importa: los intervalos mienten
Esta es la razón de fondo por la que la autocorrelación no es un detalle técnico. Todas las fórmulas de error estándar del curso suponen observaciones independientes, y con datos correlacionados subestiman la incertidumbre.
Veinte mil series simuladas de 100 observaciones, con distinta autocorrelación, y un intervalo de confianza del 95 % para la media calculado de la manera habitual:
| Autocorrelación | Cobertura real del IC del 95 % |
|---|---|
| 0,0 | 95,0 % |
| 0,3 | 84,9 % |
| 0,5 | 73,3 % |
| 0,8 | 47,2 % |
El factor por el que hay que agrandar el error estándar, para una serie con autocorrelación que decae geométricamente, es : tres veces con . Dicho de otra manera, el tamaño efectivo de la muestra es
y cien observaciones correlacionadas así valen, a los fines de estimar la media, lo que once independientes.
7 · Qué hacer cuando hay
| Situación | Salida |
|---|---|
| Picos estacionales | desestacionalizar |
| Decaimiento lento | diferenciar: trabajar con las variaciones |
| Residuos de regresión correlacionados | errores de Newey-West o un modelo de series |
| Persistencia de corto plazo | modelar explícitamente, con ARIMA |
| Serie suavizada | no usarla: el suavizado fabrica autocorrelación |
Con la serie de pernoctaciones, desestacionalizar y después diferenciar baja el estadístico de Ljung-Box de 291 a 29. No lo lleva a cero —queda algo de estructura— pero deja algo con lo que se puede trabajar.
8 · Errores frecuentes
- No mirar el correlograma antes de modelar.
- Interpretar barra por barra en lugar de leer la forma.
- Confundir la ACF con la PACF.
- Leer autocorrelación en el rezago 12 de una serie con tendencia, donde lo que hay es tendencia.
- Usar los errores estándar habituales con datos autocorrelacionados.
- Leer un DW de 1,0 como aceptable.
- Usar Durbin-Watson en una regresión con la dependiente rezagada.
- No descontar los parámetros del modelo al aplicar Ljung-Box sobre residuos.
- Publicar una PACF sin decir con qué método se estimó.
- Calcular el correlograma de una serie suavizada.
- No declarar qué estimador de la ACF se usó, cuando se publican los valores.
- Concluir que no hay autocorrelación porque las barras individuales no salen de las bandas, sin una prueba conjunta.
9 · En el software
# R
s <- ts(valores, start = c(2007, 1), frequency = 12)
acf(s, lag.max = 24) # correlograma; ojo: con frequency = 12
# el eje va en años y el rezago 12 dice 1.0
forecast::ggAcf(s, lag.max = 24) # el mismo, con el eje en meses
pacf(s, lag.max = 24) # Durbin-Levinson: la de la tabla
acf(s, plot = FALSE)$acf[13] # el rezago 12: el vector arranca en el 0
# Prueba conjunta
Box.test(s, lag = 12, type = "Ljung-Box")
Box.test(residuals(ajuste), lag = 12, type = "Ljung-Box", fitdf = 2) # ARMA(1,1)
# Sobre los residuos de una regresión
lmtest::dwtest(modelo)
lmtest::bgtest(modelo, order = 12) # Breusch-Godfrey
lmtest::coeftest(modelo, vcov = sandwich::NeweyWest(modelo)) # SE robustos
# La banda de significación
1.96 / sqrt(length(s))
# Python
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.stattools import acf, pacf
from statsmodels.stats.diagnostic import acorr_ljungbox
plot_acf(s, lags=24) # bandas de Bartlett
acf(s, nlags=24)[12]
pacf(s, nlags=24, method='ywm') # la misma PACF que R
acorr_ljungbox(s, lags=[12])
acorr_ljungbox(resid, lags=[12], model_df=2) # residuos de un ARMA(1,1)
from statsmodels.stats.diagnostic import acorr_breusch_godfrey
acorr_breusch_godfrey(modelo, nlags=12)
modelo_hac = modelo.model.fit(cov_type='HAC', cov_kwds={'maxlags': 12})
Excel: =CORREL(B2:B145;B14:B157) el r12 con la fórmula de Pearson, que da
algo distinto que la ACF
=1,96/RAIZ(CONTAR(B2:B157)) la banda
SPSS: Analizar › Pronósticos › Autocorrelaciones: ACF, PACF y Ljung-BoxHerramientas de este tema
- CalculadoraDescomposición y desestacionalización
Seguir leyendo
Bioestadística · El dato en contexto · 78 de 330
Estadística para Economía y Administración · El dato en contexto · 80 de 318
Probabilidad y Estadística · El dato en contexto · 72 de 302
Cómo citar: Montivero, J. L. (2026). Autocorrelación y correlograma. estadistica.ar. https://estadistica.ar/conceptos/autocorrelacion-y-correlograma
estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.
Cómo citar esta entrada
APA (7.ª edición)
Montivero, J. L. (2026). Autocorrelación y correlograma. estadistica.ar. https://estadistica.ar/conceptos/autocorrelacion-y-correlograma
BibTeX
@misc{estadistica_ar_autocorrelacion_y_correlograma,
author = {Montivero, Jorge Luis},
title = {{Autocorrelación y correlograma}},
year = {2026},
howpublished = {\url{https://estadistica.ar/conceptos/autocorrelacion-y-correlograma}},
note = {estadistica.ar. Consultado el \today},
urldate = {2026-11-12}
}Última actualización: 12 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.