En análisis de series temporales, el modelado de covarianza es una parte esencial de métodos estocásticos como la predicción o el filtrado. Para su uso práctico, son necesarias familias generales de funciones de covarianza con grandes flexibilidades para modelar estructuras de correlación complejas como correlaciones negativas. Por lo tanto, las familias de funciones de covarianza deben ser lo más versátiles posible al incluir una amplia variedad de funciones base. Otro inconveniente de algunos modelos de covarianza comunes es que pueden ser parametrizados de tal manera que no permiten que todos los parámetros varíen. En este trabajo, elaboramos sobre la afiliación de varias funciones de covarianza establecidas como las exponenciales, tipo Matérn y funciones de oscilación amortiguada a la clase general de funciones de covarianza definidas por procesos de media móvil autorregresiva (ARMA). Además, presentamos casos límite avanzados que también pertenecen a esta clase y permiten una mayor variabilidad de los parámetros de forma y, en consecuencia, de las funciones de covarianza representables. Para tareas de predicción en aplicaciones con datos espaciales, la función de covarianza debe ser positiva semidefinida en el dominio respectivo. Proporcionamos condiciones para los parámetros de forma que deben cumplirse para la semidefinición positiva de la función de covarianza en dimensiones de entrada más altas.