Análisis de Series Temporales

Introducci
on al An
alisis de Series Temporales
C
alculo de Tendencias y Estacionalidad
Los contenidos a desarrollar en este tema son los siguientes:
Graficos temporales.
Series estacionarias y no estacionarias.
Descomposici
on de una serie: tendencia, estacionalidad y componente
irregular.
Predicci
on.
Introduccion al Analisis de Series Temporales
Andres M. Alonso
Introducci
on al An
C
Lecturas recomendadas:
Pe
na, D. (2005) Analisis de series temporales, Alianza Editorial.
Box, G.E.P., Jenkins,G.M. y Reinsel, G. (1994) Time Series Analysis:
Forecasting and Control, Editorial Prentice-Hall.
Brockwell, J.P. y Davis, R.A. (1996) Introduction to Time Series and
Forecasting, Editorial SpringerVerlag.
Pe
na, D., Tiao, G.C. y Tsay, R.S. (2005) A Course in Time Series Analysis,
Editorial John Wiley.
Andres M. Alonso
Introducci
on
Definici
on 1. Una serie temporal es una sucesi
on de observaciones de una
variable tomadas en varios instantes de tiempo.
Nos interesa estudiar los cambios en esa variable con respeto al tiempo.
Predecir sus valores futuros.
I Ejemplos de series temporales podemos encontrarlos en muchos campos de
conocimiento:
Economa: producto interior bruto anual, tasa de inflaci
on, tasa de desempleo, etc.
Demografa: nacimientos anuales, tasa de dependencia, etc.
Meteorologa: temperaturas maximas, medias o mnimas, precipitaciones
diarias, etc.
Medio ambiente: concentraci
on media mensual de nitratos en agua, alcalinidad media anual del suelo, emisiones anuales de CO2, etc.
Andres M. Alonso
Representaci
on gr
afica de una serie temporal
A menudo, se representa la serie en un gr
afico temporal, con el valor de la
serie en el eje de ordenadas y los tiempos en el eje de abscisas.
Ejemplo 1. El siguiente grafico temporal muestra la media de los
pluviometros peninsulares (Fuente I.N.M.) para el perodo Octubre/1989 a
Septiembre/2006.
Pluviometria (mm)
150
120
90
60
30
0
10/89
10/91
10/93
10/95
10/97
10/99
10/01
10/03
10/05
10/07
Andres M. Alonso
Ejemplos de gr
afico temporal
Rio Santa Cruz (Washigton, USA)

24
Temperatura (Celsius)
7.2
pH del agua
6.8
6.6
6.4
20
16
12
8
4
0
1972
1976
1980
1984
1988
1992
1996
2000
2004
1972
1980
1984
1988
1992
1996
2000
2004
12.2
141
Conductancia microsiemes/cm
Oxigeno disuelto mg/lt
1976
10.2
8.2
6.2
4.2
121
101
81
61
1972
1976
1980
1984
1988
1992
1996
2000
2004
1972
1976
1980
1984
1988
1992
1996
2000
2004
Andres M. Alonso
Otros tipos de gr
aficos temporales
Gr
aficos por perodos de observaci
on.
Ejemplo 2. Distribuci
on mensual de la precipitaci
on media en Espa
na
Tomado de www.hispagua.cedex.es.
Andres M. Alonso
Otros tipos de gr
aficos temporales
Gr
aficos por perodos de observaci
on plurianuales.
Ejemplo 3. Reserva hidrol
ogica peninsular. Tomado de www.mma.es.
Andres M. Alonso
Otros tipos de gr
aficos temporales
Boxplot anual.
Ejemplo 4. Alcalinidad total (mg/lt). Tomado de www.gemstat.org.
Andres M. Alonso
Otros tipos de gr
aficos temporales
Boxplot por perodos de observaci
on.
Ejemplo 5. Concentraci
on de sulfatos (mg/lt). Tomado de www.gemstat.org.
Andres M. Alonso
Clasificaci
on de series temporales
Definici
on 2. Una serie temporal es una sucesi
on de observaciones de una
variable tomadas en varios instantes de tiempo. Estas observaciones provienen
de una distribuci
on que puede ser diferente en cada instante del tiempo.
No somos capaces de tratar

cualquier tipo de serie temporal,
ya que en cada instante tenemos
una variable con distinta distribuci
on de la que s
olo observamos
un dato. Ignoramos mucho y
tenemos poca informaci
on.
Necesitamos imponer condiciones a la serie

Andres M. Alonso
Clasificaci
on de series temporales
I Una serie es estacionaria si la media y la variabilidad se mantienen
constantes a lo largo del tiempo.
I Una serie es no estacionaria si la media y/o la variabilidad cambian a lo
largo del tiempo.
I Series no estacionarias pueden mostrar cambios de varianza.
I Series no estacionarias pueden mostrar una tendencia, es decir
que la media crece o baja a lo largo del tiempo.
I Ademas, pueden presentar efectos estacionales, es decir que
el comportamiento de la serie es parecido en ciertos tiempos
peri
odicos en el tiempo.
Andres M. Alonso
Clasificaci
on de series temporales - Series estacionarias
Definici
on 3. Una serie temporal es estacionaria en sentido amplio si:
E[Xt] = para todo t

V ar(Xt) = 2 para todo t.
Cov(Xt, Xt+k ) = k para todo t y k.
El ejemplo mas simple es el RUIDO BLANCO, cuando la media y la covarianza

son siempre cero.
Andres M. Alonso
Clasificaci
on de series temporales - Series estacionarias
Por qu
e es bueno que las series sean estacionarias?
Con series estacionarias podemos obtener predicciones facilmente.
Como la media es constante, podemos estimarla con todos los datos, y
utilizar este valor para predecir una nueva observaci
on.
Tambien se pueden obtener intervalos de predicci
on (confianza) para las
predicciones asumiendo que Xt sigue una distribuci
on conocida, por ejemplo,
normal.
Andres M. Alonso
Clasificaci
on de series temporales - Ejemplos
Serie estacionaria: Variaciones anuales de la media de los pluvi
ometros
peninsulares para el perodo Octubre/1990 a Septiembre/2006.
130
Variacin anual
90
50
10
-30
-70
-110
10/89 10/91 10/93 10/95 10/97 10/99 10/01 10/03 10/05 10/07
Andres M. Alonso
Clasificaci
Serie no estacionaria: Emisiones mundiales de CO2.
7
Emisiones mundiales de CO2
6
5
4
3
2
1
0
1950
1960
1970
1980
1990
2000
Tendencia
Andres M. Alonso
Clasificaci
Serie no estacionaria: Superficie de hielo en el Artico.
Cambios en la tendencia
Andres M. Alonso
Clasificaci
Serie no estacionaria: Precipitaciones medias (mm).
Coopermine (1933 - 1976)
Precipitaciones medias (mm)
120
100
80
60
40
20
75
19
T
C 73
O 19
L 71
9
JU 1
R 9
P 6
A 19
N 966
JA 1
T 4
C 6
O 19
L 62
JU 19
R 0
P 6
A 19
N 957
JA 1
T 5
C 5
O 9
1
L 53
9
JU 1
R 1
P 5
A 19
N 48
JA 19
T 6
C 4
O 19
L 44
9
JU 1
R 2
P 4
A 19
N 939
JA 1
T
C 37
O 19
L 35
9
JU 1
R 3
P 3
A 19
N
JA
Fuente de datos: P.C. Baracos, K.W. Hipel & A.I. McLeod (1981) Modeling
hydrologic time series from the Arctic, Water Resources Bulletin, Vol. 17.
Estacionalidad
Andres M. Alonso
Clasificaci
Serie no estacionaria: Agua embalsada y energa disponible (hm3).
Aos hidrolgicos 2003/2004 a 2005/2006
44
Reserva total
40
36
32
28
24
20
1
27
53
79
105
131
157
Fuente de datos: Boletn hidrol

ogico, Ministerio de Medio Ambiente.
Tendencia + Estacionalidad
Andres M. Alonso
Clasificaci
Serie no estacionaria: N
umero mensual de pasajeros de avi
on, USA,
Enero:1949 a Diciembre:1960
Time Series Plot for No. de pasajeros
No. de pasajeros
750
600
450
300
150
0
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Tendencia, Heteroscedasticidad y Estacionalidad

Fuente de datos: Box, G. & Jenkins, G. (1976) Time Series Analysis: Forecasting and Control.
Andres M. Alonso
Componentes de una serie temporal

En muchos casos, se supone que la serie temporal es la suma de varias
componentes:
Xt = Tt + St + It
Valor observado = Tendencia + Estacionalidad + Irregular
Tendencia: comportamiento o movimiento suave de la serie a largo plazo.

Estacionalidad: movimientos de oscilaci
on dentro del a
no.
Irregular: variaciones aleatorias alrededor de los componentes anteriores.
I En esos casos, es interesante obtener o aislar los distintos componentes.
Andres M. Alonso
An
alisis de la tendencia
En algunos casos, se puede suponer una relaci
on determinista entre Tt y t, por
ejemplo una tendencia lineal
Tt = a + bt
que se estima mediante el metodo de mnimos cuadrados.
Ejemplo 6.
Linear trend = 87.6528 + 2.65718 t
Residual Plot for No. de pasajeros
800
200
600
Residual
No. de pasajeros
150
400
100
50
0
200
-50
0
-100
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Andres M. Alonso
An
alisis de la tendencia - Ejemplo 6
Ejemplo 6. En primer lugar, eliminamos la heteroscedasticidad mediante una
transformaci
on logartmica.
Log(No. de pasajeros)
6.6
6.2
5.8
5.4
5
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Andres M. Alonso
An
Ejemplo 6. Sobre la serie transformada estimamos una tendencia lineal.
Linear trend = 4.81367 + 0.0100484 t
log(No. de pasajeros)
6.6
actua
6.2
forec
95.0%
5.8
5.4
5
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I Se observa una clara tendencia creciente lineal, ademas de efectos estacionales.

Andres M. Alonso
An
Ejemplo 6. Obtenemos la serie de residuos, Xt Tt:
0.49
Residual
0.29
0.09
-0.11
-0.31
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I Se mantienen los efectos estacionales.

Andres M. Alonso
An
Ejemplo 7. Oxgeno disuelto (ml/lt). Rio Santa Cruz (Washington, USA).
Linear trend = -24.9531 + 0.0168516 t
Linear trend = -24.9531 + 0.0168516 t
12.2
3.9
forecast
1.9
95.0% limits
10.2
Residual
Oxigeno disuelto
actual
8.2
-0.1
6.2
-2.1
4.2
-4.1
1972 1976 1980 1984 1988 1992 1996 2000 2004
1972 1976 1980 1984 1988 1992 1996 2000 2004
I Una tendencia determinista (lineal) no parece adecuada.

Andres M. Alonso
Tendencia evolutiva
I A menudo, la tendencia de la serie no sigue una recta y evoluciona a lo largo
del tiempo.
I En ese caso, un metodo general de estimar Tt es suponer que evoluciona
lentamente en el tiempo, y que se puede aproximar con una funci
on sencilla
para intervalos cortos del tiempo.
Ejemplo 8. Si
on valida para tres periodos
una recta es una representaci
Tt1
consecutivos:
Tt
Tt+1
=
=
=
Tt T
Tt
Tt + T
Si hacemos la media de las tres observaciones consecutivas, mt =

tendramos que:
mt = Tt +
xt1 +xt +xt+1

,
3
It1 + It + It+1
3
es decir descubriramos la tendencia subyacente.
Andres M. Alonso
Tendencia evolutiva
Definici
on 4. Para instante t, se define la media m
ovil de orden 3 de la
serie como
xt1 + xt + xt+1
mt =
.
3
Suponemos que la tendencia Tt satisface
Tt = mt
It1 + It + It+1
.
3
I Como la media del componente irregular es cero, podemos suponer que la

media de los tres valores (It1, It, It+1) es peque
na, de esta manera mt recoge
fundamentalmente la tendencia de la serie en el instante t.
I Es posible calcular medias m
oviles de ordenes mas altos. Cuando crece el
orden, el valor de mt cambia mas suavemente.
Andres M. Alonso
An
Ejemplo 9.
Smoothed Time Series Plot for Oxigeno disuelto
12.2
Time Series Plot of Residuals for Oxigeno disuelto

2.6
Oxigeno disuelto
data
smooth
1.6
10.2
8.2
0.6
6.2
-0.4
4.2
-1.4
1972 1976 1980 1984 1988 1992 1996 2000 2004
1972 1976 1980 1984 1988 1992 1996 2000 2004
I En los residuos no se observa una tendencia clara.

Andres M. Alonso
An
Ejemplo 10. Tendencia evolutiva en el n
umero de pasajeros.
Simple moving average of 3 terms

6.6
actual
actual
6.2
forecast
foreca
95.0% limits
95.0%
6.6
6.2
5.8
5.4
5
4.6
5.8
5.4
5
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I Con medias m
oviles de ordenes altos, suavizamos los efectos estacionales.
Andres M. Alonso
Diferenciaci
on de la serie
I Es un metodo mas general que consiste en no hacer ninguna hip
otesis sobre
la forma de la tendencia a corto plazo y suponer simplemente que evoluciona
lentamente en el tiempo.
Asumimos que la tendencia en el instante t es muy pr
oxima a la tendencia en
el instante t 1, y construimos una nueva serie:
yt = xt xt1
que denominamos serie diferenciada.
I Diferenciar la serie equivale a suponer que la tendencia en t es el valor de
serie en t 1:
Tt = xt1.
Andres M. Alonso
Diferenciaci
on de la serie - Ejemplo 6
Ejemplo 11. Obtener la serie diferenciada para los datos del Ejemplo 6.
0.27
0.17
0.07
-0.03
-0.13
-0.23
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I La serie diferenciada no muestra una tendencia clara y mantiene los efectos

estacionales.
Andres M. Alonso
Diferenciaci
on de la serie - Ejemplo 7
Ejemplo 12. Obtener la serie diferenciada para los datos del Ejemplo 7.
Residual Plot for Oxigeno disuelto
Random walk
3.8
1.8
-0.2
-2.2
-4.2
1972
1976
1980
1984
1988
1992
1996
2000
2004
I La serie diferenciada no muestra una tendencia clara.

Andres M. Alonso
An
alisis de la estacionalidad
I Un metodo de estimar el efecto estacional (v.g., de cada mes) es considerar
c
omo vara la media del perodo (mes) respecto de la media global.
Meses
enero
febrero
...
noviembre
diciembre
Medias
1
x11
x21
...
x11 1
x12 1
x
1
A
nos
2
x12
x22
...
x11 2
x12 2
x
2
n
x1n
x2n
...
x11 n
x12 n
x
n
Medias
x
1
x
2
...
x
11
x
12
x
S
S1
S2
...
S11
S12
I Los coeficientes estacionales son:

Si = x
i M
para i = 1, . . . , 12.
I Suponemos que el efecto estacional St satisface:

St = St+12 = St+24 = . . .
Andres M. Alonso
Ejemplo 13. Volvemos al Ejemplo 6. El grafico muestra los coeficientes

estacionales.
Seasonal Index Plot for log(No. de pasajeros)
0.28
seasonal index
0.18
0.08
-0.02
-0.12
-0.22
0
10
11
12
13
season
Andres M. Alonso
Ejemplo 13. Obtenemos la serie desestacionalizada, Xt St:

Seasonally Adjusted Data Plot for log(No. de pasajeros)
6.7
6.3
5.9
5.5
5.1
4.7
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I No muestra efectos estacionales.
Andres M. Alonso
Ejemplo 14. Obtener los coeficientes estacionales de la serie mensual de

pluviometros peninsulares (Fuente I.N.M.) para el perodo Octubre/1989 a
Septiembre/2006 (Ejemplo 1).
Seasonal Indices for Pluviometria
Seasonal decomposition method: Additive
31
21
seasonal index
Season
Index
-----------------------1
29.0565
2
21.1044
3
18.8623
4
5.59299
5
-7.70493
6
-4.37706
7
4.22346
8
4.78362
9
-19.1383
10
-28.394
11
-23.1034
12
-0.905707
Seasonal Index Plot for Pluviometria
11
1
-9
-19
-29
0
10 11 12 13
season
Andres M. Alonso

Seasonally Adjusted Data Plot for Pluviometria
140
110
80
50
20
-10
10/89 10/91 10/93 10/95 10/97 10/99 10/01 10/03 10/05 10/07
I No muestra efectos estacionales.
Andres M. Alonso
Ejemplo 15. Obtener los coeficientes estacionales de la serie mensual de

Oxgeno disuelto (ml/lt). Rio Santa Cruz (Washington, USA). (Elaboraci
on
propia a partir de http://waterdata.usgs.gov).
Seasonal Indices for Oxigeno
Seasonal decomposition method: Additive
2.2
1.2
seasonal index
Season
Index
-----------------------1
1.75095
2
1.82438
3
1.66915
4
1.45595
5
-0.989603
6
-1.57851
7
-2.56157
8
-2.76155
9
-1.56786
10
-0.657377
11
1.23205
12
2.184
Seasonal Index Plot for Oxigeno
0.2
-0.8
-1.8
-2.8
0
10 11 12 13
Andres M. Alonso

Seasonally Adjusted Data Plot for Oxigeno
seasonally adjusted
15
12
9
6
3
0
1/72
1/76
1/80
1/84
1/88
1/92
1/96
1/00
1/04
1/08
I Todava muestra efectos estacionales.
Andres M. Alonso
Diferenciaci
on estacional de la serie
I Es un metodo mas general que consiste en no hacer ninguna hip
otesis sobre
la forma general de la estacionalidad a corto plazo y suponer simplemente que
evoluciona lentamente en el tiempo.
Construimos una nueva serie:
yt = xt xts
que denominamos serie diferenciada estacionalmente.
I Diferenciar estacionalmente la serie equivale a suponer que la estacionalidad
en t es el valor de serie en t s:
St = xts.
Andres M. Alonso
Diferenciaci
on estacional de la serie - Ejemplos
Ejemplo 16. Obtener la serie desestacionalizada mediante diferenciaci
on
estacional para las series de los datos 15 y 6.
Time Series Plot for SDIFF(log(No. de pasajeros),12)
Time Series Plot for SDIFF(Oxigeno, 12)
0.44
10
0.34
7
0.24
0.14
0.04
-0.06
-2
-0.16
-5
1/721/741/761/781/801/821/841/861/881/901/921/941/961/981/001/021/041/061/08
-0.26
1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I En ambas no se observan efectos estacionales.

Andres M. Alonso
Descomposici
on de la serie en componentes
Ejemplo 17. Con los datos del Ejemplo 6, obtenemos los siguientes graficos:
Time Series Plot for log(No. de pasajeros)
Time Series Plot for TREND
6.6
6.6
6.2
6.2
5.8
5.8
5.4
5.4
4.6
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Time Series Plot for INDICES

0.28
Time Series Plot for IRREGULAR

0.12
0.08
0.18
0.04
0.08
0
-0.02
-0.04
-0.12
-0.08
-0.22
-0.12
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
I La componente irregular parece aproximadamente estacionaria y sin patrones de tendencia

o estacionalidad.
Andres M. Alonso
Descomposici
on de la serie en componentes
Ejemplo 18. Con los datos del Ejemplo 1, obtenemos los siguientes graficos:
Time Series Plot for Pluviometria
Time Series Plot for TREND
150
150
120
120
90
90
60
60
30
30
0
10/89
10/93
10/97
10/01
10/05
10/89
Time Series Plot for INDICES
10/93
10/97
10/01
10/05
Time Series Plot for IRREGULAR
31
80
21
50
11
20
1
-10
-9
-40
-19
-29
-70
10/89
10/93
10/97
10/01
10/05
10/89
10/93
10/97
10/01
10/05
I La componente irregular parece aproximadamente estacionaria y sin patrones de tendencia

o estacionalidad.
Andres M. Alonso
Predicci
on de una serie temporal
I Una vez que hemos obtenido la descomposici
on de la serie temporal:
Xt = Tt + St + It
I Podemos obtener predicciones de los valores futuros mediante los valores

para t + 1, t + 2, . . . , t + h de las componentes Tt y St.
Ejemplo 19. Si Tt = a + bt y St se obtuvo mediante ndices estacionales
trimestrales, i.e., tenemos S1, S2, S2, y S4, entonces:
S1 si t + 1 = Q1
S2 si t + 1 = Q2
Tt+1 = a + bt
y
St+1 =
.
S
si
t
+
1
=
Q3
S4 si t + 1 = Q4
Las predicciones para t + 2, t + 3, . . . , t + h se obtienen de manera analoga.
Andres M. Alonso
Predicci
on de una serie temporal - Ejemplos
Ejemplo 20. Con los datos del Ejemplo 1 obtenga las predicciones para el
a
no hidrol
ogico 2006/2007 con los siguientes procedimientos:
Tendencia lineal, Tt = a + bt, e ndices estacionales.
Medias m
oviles de orden 3, mt =
Xt3 +Xt2 +Xt1

,
3
e ndices estacionales.
Indices estacionales.
Diferencia estacional.
Xt = Xt1 Xt12.
Andres M. Alonso
Predicci
Time Sequence Plot for Pluviometria
Linear trend = 51.6349 + -0.0091951 t
150
160
actual
120
forecast
actual
120
forecast
95.0% limits
90
95.0% limits
80
60
40
30
0
0
-30
-40
10/89
10/93
10/97
10/01
10/05
10/09
10/89
10/93
10/97
10/01
10/05
10/09
Andres M. Alonso
Predicci
Constant mean = 46.3064
ARIMA(0,0,0)x(0,1,0)12 with constant
150
190
actual
120
forecast
95.0% limits
90
actual
150
70
30
30
-10
-30
-50
10/93
10/97
10/01
10/05
10/09
95.0% limits
110
60
10/89
forecast
10/89
10/93
10/97
10/01
10/05
10/09
Andres M. Alonso
Predicci
on de una serie temporal - Resultados
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Observado
Octubre 74.42
77.46
75.36
93.11
85.3
Noviembre 66.46
69.51
67.41
73.01
89.9
Diciembre 64.21
67.26
65.17
46.21
45.2
Enero
50.93
53.99
51.90
47.21
33.9
Febrero 37.62
40.70
38.60
46.41
58.5
Marzo
40.94
44.02
41.93
61.31
50.3
Abril
49.53
52.62
50.53
37.81
64.9
Mayo
50.08
53.18
51.09
22.01
61
Junio
26.15
29.26
27.17
21.61
Julio
16.89
20.01
17.91
13.21
Agosto 22.17
25.30
23.20
19.21
Septiembre 44.36
47.50
45.40
60.11
Octubre
Noviembre
Diciembre
Enero
Febrero
Marzo
Abril
Mayo
Media
S.D.
ECM
Modelo 1 Modelo 2 Modelo 3 Modelo 4

0.128
0.092
0.116
0.092
0.261
0.227
0.250
0.188
0.421
0.488
0.442
0.022
0.502
0.593
0.531
0.393
0.357
0.304
0.340
0.207
0.186
0.125
0.166
0.219
0.237
0.189
0.221
0.417
0.179
0.128
0.162
0.639
0.284
0.131
0.098
0.268
0.183
0.105
0.279
0.147
0.099
0.272
0.200
0.114
Andres M. Alonso
Otra alternativa para la predicci

on de una serie temporal
Alisados Exponenciales
Se emplean fundamentalmente para predecir nuevos valores de la serie.
Se basan en modelos parametricos deterministas que se ajustan a la evoluci
on
de la serie.
Las observaciones mas recientes tienen mas peso en la predicci
on que las
mas alejadas.
Se resuelven por metodos recursivos.
Pueden ser poco realistas para explicar la evoluci
on de la serie.
Andres M. Alonso
Alisado exponencial simple, se emplea para series sin tendencia ni

estacionalidad:
T = XT + (1 )X
T 1,
X
XT 1
T =
(1 )tXT s,
X
t=0
T +k = X
T , para todo k.
X
Alisado exponencial lineal de Holt: se emplea para series con tendencia
lineal y sin estacionalidad:
T = XT + (1 )(X
T 1 + BT 1),
X
bT = (X
T X
T 1) + (1 )BT 1,
T +k = X
T + BT k,
X
1 = X1 , X
2 = X2 , B1 = 0 y B2 = X2 X1 .
con X
Andres M. Alonso
Alisado exponencial estacional de Holt-Winters: se emplea para series

con tendencia y estacionalidad.
XT
T 1 + BT 1),
XT =
+ (1 )(X
Sts
bT = (X
T X
T 1) + (1 )BT 1,
XT
+ (1 )ST s,
ST =
XT
T +k = (X
T + BT k)ST s+k .
X
I El factor estacional no es constante como en los ndices estacionales.
Andres M. Alonso
Alisado exponencial - Efecto y selecci

on de los pesos
Time Sequence Plot for Oxigeno disuelto
Simple exponential smoothing with alpha = 0.1
12.2
10.2
13.1
13.5
actual
actual
actual
11.1
forecast
11.5
forecast
forecast
95.0% limits
95.0% limits
95.0% limits
9.1
9.5
7.1
7.5
5.1
5.5
3.1
3.5
8.2
6.2
4.2
1970
1980
1990
2000
2010
1970
1980
1990
2000
2010
1970
1980
1990
2000
2010
I Los pesos determinan el peso que damos a las componentes de la predicci

on,
un peso cercano a la unidad le asigna mas peso a las observaciones recientes.
Andres M. Alonso
Predicci
Ejemplo 21. Con los datos del Ejemplo 1 obtenga las predicciones para el
a
no hidrol
ogico 2006/2007 utilizando los metodos de alisados simple, de Holt
TimeHoltWinters.
Sequence Plot for Pluviometria
y de
160
150
Winter's exp. smoothing with alpha = 0.0033, beta = 0.0001, gamma = 0.3079
180
actual
140
forecast
actual
130
actual
120
forecast
100
95.0% limits
90
95.0% limits
100
95.0% limits
70
60
60
40
30
20
10
-20
-20
-30
-60
10/89
10/93
10/97
10/01
10/05
Holt's linear exp. smoothing with alpha = 0.0491 and beta = 0.044
10/09
10/89
10/93
10/97
10/01
10/05
10/09
10/89
forecast
10/93
10/97
10/01
10/05
10/09
Andres M. Alonso
Predicci
on de una serie temporal - Resultados
Modelo 1 Alisado 1 Alisado 2 Alisado 3 Observado
Octubre 74.42
46.01
39.98
97.54
85.3
Noviembre 66.46
46.01
39.82
71.98
89.9
Diciembre 64.21
46.01
39.66
58.19
45.2
Enero
50.93
46.01
39.50
43.86
33.9
Febrero 37.62
46.01
39.35
48.38
58.5
Marzo
40.94
46.01
39.19
56.09
50.3
Abril
49.53
46.01
39.03
47.15
64.9
Mayo
50.08
46.01
38.87
40.58
61
Junio
26.15
46.01
38.72
21.87
Julio
16.89
46.01
38.56
14.26
Agosto 22.17
46.01
38.40
21.94
Septiembre 44.36
46.01
38.24
50.16
Octubre
Noviembre
Diciembre
Enero
Febrero
Marzo
Abril
Mayo
Media
S.D.
ECM
Modelo 1 Alisado 1 Alisado 2 Alisado 3

0.128
0.461
0.531
0.144
0.261
0.488
0.557
0.199
0.421
0.018
0.123
0.287
0.502
0.357
0.165
0.294
0.357
0.213
0.327
0.173
0.186
0.085
0.221
0.115
0.237
0.291
0.399
0.273
0.179
0.246
0.363
0.335
0.284
0.131
0.098
0.270
0.166
0.101
0.336
0.160
0.138
0.228
0.080
0.058
Andres M. Alonso
Ejemplo con datos faltantes

Ejemplo 22. Temperatura media en la superficie y en el fondo en Lago
Murray - Carolina del Sur, Octubre/1992 a Septiembre/2006.
Lago Murray, Carolina del Sur
35
Temperatura media
Temperatura media en el fondo
30
25
20
15
10
12
24
36
48
60
72
84
96
108
120
132
144
156
168
Andres M. Alonso

Podemos predecir la temperatura del fondo?
24
22
20
18
16
14
12
10
10
15
20
25
30
35
Temperatura media
Andres M. Alonso
Interpolaci
on de los datos faltantes
La relaci
on entre Temperatura y Temperatura en el fondo es no lineal
Multiple Regression Analysis
----------------------------------------------------------------------------Dependent variable: Temperatura Fondo
----------------------------------------------------------------------------Standard
T
Parameter
Estimate
Error
Statistic
P-Value
----------------------------------------------------------------------------CONSTANT
3.6386
1.22333
2.97435
0.0035
Temperatura
0.982518
0.144872
6.78196
0.0000
Mes
-1.21715
0.155993
-7.80261
0.0000
Temperatura^2
-0.0363928
0.00396844
-9.17058
0.0000
Temperatura*Mes
0.10833
0.0092613
11.697
0.0000
----------------------------------------------------------------------------Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df
Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Model
1446.01
4
361.502
208.78
0.0000
Residual
219.905
127
1.73154
----------------------------------------------------------------------------Total (Corr.)
1665.91
131
R-squared = 86.7997 percent
R-squared (adjusted for d.f.) = 86.384 percent
Andres M. Alonso
Interpolaci
Plot of Temperatura Fondo

23
observed
20
17
14
11
8
8
11
14
17
20
23
predicted
Andres M. Alonso
Interpolaci
35
Temperatura media
30
25
20
15
10
12
24
36
48
60
72
84
96
108
120
132
144
156
168
Andres M. Alonso
Interpolaci
on - Una alternativa basada en series temporales
Winter's exp. smoothing with alpha = 0.3343, beta = 0.0001, gamma = 0.1693
80
actual
60
forecast
95.0% limits
40
20
0
-20
-40
10/92
10/94
10/96
10/98
10/00
10/02
10/04
10/06
Andres M. Alonso
Interpolaci
on - Una alternativa basada en series temporales
35
Temperatura media
Ajuste e interpolacin
30
25
20
15
10
12
24
36
48
60
72
84
96
108
120
132
144
156
168
Andres M. Alonso

Ejemplo 23. Oxgeno disuelto media en la superficie y en el fondo en Lago
Murray - Carolina del Sur, Octubre/1992 a Septiembre/2006.
14
Oxgeno disuelto
Oxgeno disuelto en el fondo
12
10
12
24
36
48
60
72
84
96
108
120
132
144
156
168
Andres M. Alonso

Podemos predecir los datos faltantes?
14
Oxgeno disuelto en el fondo (mg/lt)
12
10
10
11
12
13
Oxgeno disuelto (mg/lt)
Andres M. Alonso
Interpolaci
Podemos predecir los datos faltantes?
----------------------------------------------------------------------------Dependent variable: Oxigeno Fondo
----------------------------------------------------------------------------Standard
T
Parameter
Estimate
Error
Statistic
P-Value
----------------------------------------------------------------------------CONSTANT
6.29991
10.4769
0.601317
0.5492
Oxigeno
0.830319
1.67511
0.495681
0.6214
Oxigeno^2
-0.106926
0.0698998
-1.52971
0.1297
Mes
-0.483242
1.01006
-0.478427
0.6335
Oxigeno*Mes
0.0205182
0.110638
0.185454
0.8533
----------------------------------------------------------------------------R-squared = 8.5047 percent
----------------------------------------------------------------------------Dependent variable: Oxigeno Fondo
----------------------------------------------------------------------------Standard
T
Parameter
Estimate
Error
Statistic
P-Value
----------------------------------------------------------------------------CONSTANT
-9.22845
8.81297
-1.04714
0.2979
Oxigeno
0.882918
0.893172
0.98852
0.3256
Temperatura
0.509903
0.388381
1.31289
0.1926
Oxigeno*Temperatu
-0.0330939
0.0419215
-0.789424
0.4320
----------------------------------------------------------------------------R-squared = 9.61981 percent
Andres M. Alonso
Interpolaci
on - Una respuesta basada en series temporales
Random walk + Seasonal adjustment
12
O2 interpolado
actual
forecast
10
95.0% limits
4
10/92
10/94
10/96
10/98
-----------------------------------------------------------------------------Lower 95.0%
Upper 95.0%
Period
Forecast
Limit
Limit
-----------------------------------------------------------------------------9/99
6.67861
5.13383
8.22338
10/99
6.0107
4.04454
7.97686
------------------------------------------------------------------------------
Andres M. Alonso
Interpolaci
on - Una respuesta basada en series temporales
14
O2F interpolado
actual
11
forecast
95.0% limits
8
5
2
-1
12/96
12/97
12/98
12/99
12/00
-----------------------------------------------------------------------------Lower 95.0%
Upper 95.0%
Period
Forecast
Limit
Limit
-----------------------------------------------------------------------------11/00
6.64211
4.35922
8.925
12/00
7.85614
4.76551
10.9468
------------------------------------------------------------------------------
Andres M. Alonso
Interpolaci
14
Oxgeno disuelto
12
10
20
40
60
80
100
120
140
160
180
Andres M. Alonso
Datos faltantes al inicio de la serie

Predicci
on inversa (backcasting)
ARIMA(0,0,0)x(0,1,0)12 with constant

15
Observado
O2F inverso
12
Ajuste
Pronstico
9
6
3
0
0
60
120
180
Andres M. Alonso
Datos faltantes al inicio de la serie

Predicci
on inversa (backcasting)
14
Oxgeno disuelto
12
10
20
40
60
80
100
120
140
160
180
Andres M. Alonso
Recapitulaci
on
Introducci
on al An
C
Graficos temporales.
Series estacionarias y no estacionarias.
Descomposici
on de una serie: tendencia, estacionalidad y componente
irregular.
Predicci
on.
Interpolaci
on.
Andres M. Alonso
Grupo de investigaci
on en an
alisis de series temporales
M Andres M. Alonso <andres.alonso@uc3m.es>

M Jose R. Berrendero <joser.berrendero@uam.es>
M Ana E. Garca <anaelizabeth.garcia@urjc.es>
M Carolina Garca <garcia.martos@upm.es>
M Adolfo Hernandez <A.Hernandez@exeter.ac.uk>
M Ana Justel <ana.justel@uam.es>
M Julio Rodrguez <jr.puerta@uam.es>
M Mara J. Sanchez <mjsan@etsii.upm.es>

Análisis de Series Temporales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis de Series Temporales

Cargado por

Copyright:

Formatos disponibles

Introducci

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Rio Santa Cruz (Washigton, USA)

Rio Santa Cruz (Washigton, USA)

Rio Santa Cruz (Washigton, USA)

Oxigeno disuelto mg/lt

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

No somos capaces de tratar

Necesitamos imponer condiciones a la serie

Introduccion al Analisis de Series Temporales

E[Xt] = para todo t

El ejemplo mas simple es el RUIDO BLANCO, cuando la media y la covarianza

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Emisiones mundiales de CO2

Serie no estacionaria: Superficie de hielo en el Artico.

Precipitaciones medias (mm)

Fuente de datos: Boletn hidrol

Introduccion al Analisis de Series Temporales

Tendencia, Heteroscedasticidad y Estacionalidad

Componentes de una serie temporal

Tendencia: comportamiento o movimiento suave de la serie a largo plazo.

Residual Plot for No. de pasajeros

Introduccion al Analisis de Series Temporales

Introduccion al Analisis de Series Temporales

Linear trend = 4.81367 + 0.0100484 t

I Se observa una clara tendencia creciente lineal, ademas de efectos estacionales.

I Se mantienen los efectos estacionales.

Linear trend = -24.9531 + 0.0168516 t

1972 1976 1980 1984 1988 1992 1996 2000 2004

I Una tendencia determinista (lineal) no parece adecuada.

Si hacemos la media de las tres observaciones consecutivas, mt =

xt1 +xt +xt+1

es decir descubriramos la tendencia subyacente.

Introduccion al Analisis de Series Temporales

I Como la media del componente irregular es cero, podemos suponer que la

Time Series Plot of Residuals for Oxigeno disuelto

1972 1976 1980 1984 1988 1992 1996 2000 2004

I En los residuos no se observa una tendencia clara.

Simple moving average of 3 terms

Simple moving average of 12 terms

Introduccion al Analisis de Series Temporales

I La serie diferenciada no muestra una tendencia clara y mantiene los efectos

I La serie diferenciada no muestra una tendencia clara.

I Los coeficientes estacionales son:

I Suponemos que el efecto estacional St satisface:

Ejemplo 13. Volvemos al Ejemplo 6. El grafico muestra los coeficientes

Introduccion al Analisis de Series Temporales

Ejemplo 13. Obtenemos la serie desestacionalizada, Xt St:

I No muestra efectos estacionales.

Introduccion al Analisis de Series Temporales

Ejemplo 14. Obtener los coeficientes estacionales de la serie mensual de

Introduccion al Analisis de Series Temporales

Seasonal Index Plot for Pluviometria

Ejemplo 14. Obtenemos la serie desestacionalizada, Xt St:

I No muestra efectos estacionales.

Introduccion al Analisis de Series Temporales