Está en la página 1de 65

Matemticas y Estadstica aplicada

POLITCNICA
ANLISIS EN EL DOMINIO DEL TIEMPO
MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973):
De Procesos estacionarios
De Procesos no estacionarios
Aplicacin a series observadas:
Anlisis descriptivo
Identificacin del modelo
Estimacin de parmetros
Verificacin del modelo
Indice de contenidos:
INTRODUCCIN
Prof Concepcin Gonzlez Garca
La expresin de la covarianza cuando se expresa en funcin de k
(distancia entre dos puntos de medida de la misma variable) :
se conoce por autocovarianza, y la distancia k de separacin se le
denomina retardo (lag, en ingls).
Anlisis en el dominio del tiempo: Introduccin I
Anlisis en el dominio del tiempo: Introduccin I
T i ), s , s ( C ) k (
k i i
=
+
La teora en que se basa el anlisis en el dominio del
tiempo es la de los procesos estocsticos.
Las herramientas, en este tipo de anlisis, para detectar
pautas repetitivas en la evolucin de una serie de tiempo
son la covarianza y el coeficiente de correlacin.
A partir de la autocovarianza y de la varianza de la serie (0), la
expresin:
(k) = (k)/(0)
se denomina Autocorrelacin entre observaciones a retardo k
La representacin de (k) para cada k se conoce por funcin de
autocorrelacin simple (fas) o correlograma.
Anlisis de series temporales: Introduccin II
Anlisis de series temporales: Introduccin II
Utilidad: - analizar pautas de dependencia
(variaciones peridicas)
- identificar modelo que genera los datos
De la teora de los procesos estocsticos, cuando se desconoce la
distribucin conjunta de
{X(t
1
),, X(t
n
)}
y slo se dispone de una trayectoria del proceso (serie observada)
{x(t
1
),, x(t
N
)}
para la obtencin de un modelo que represente la evolucin de la
variable hay que realizar ciertas hiptesis simplificadoras (normalidad,
estacionaridad) sobre la distribucin conjunta de las variables que
generan los datos observados.
para detectar dependencias e identificar un modelo se emplean
estimadores de la autocovarianza y de la autocorrelacin.
Anlisis de series temporales: Introduccin III
Anlisis de series temporales: Introduccin III
A partir de los datos observados cmo se estiman las
expresiones anteriores?
Estimador sesgado y eficiente. Se recomienda emplearlo con N > 50 y
estudiar el retardo hasta N/4.
Autocovarianza muestral:
Lo mismo sucede para el coeficiente de correlacin muestral
r(k) = c(k) / c(0).
Si al aumentar k, el coeficiente de correlacin presenta una
tendencia clara a disminuir
Proceso ergdico

=
+

=
k N
t
N k t N t
N
x x x x
k c
1
) )( (
) (
Anlisis de series temporales: Introduccin IV
Anlisis de series temporales: Introduccin IV
CORRELOGRAMA DE UN
PROCESO ERGDICO
r
k
Anlisis de series temporales (procesos especiales)
Anlisis de series temporales (procesos especiales)
Anlisis de series temporales (procesos especiales)
Anlisis de series temporales (procesos especiales)
En un proceso ergdico la
dependencia lineal tiende a 0 al
aumentar el retardo.
Si el proceso no es ergdico, el
aumento de observaciones (tamao
muestral) no supone obtencin de
ms informacin, por ser todas las
observaciones muy dependientes entre
s.
Anlisis de series temporales (procesos especiales)
Anlisis de series temporales (procesos especiales)
La serie { a
t
}, se le llama ruido blanco si cumple las
condiciones:
a) E[a
t
] = 0 media cero.
b) Var(a
t
) = s varianza constante.
c) Cov( a
t
, a
s
) = 0 para t s
(c) Es la condicin de no correlacin entre las variables del
proceso (en caso de normalidad del proceso supone
independencia entre variables a
t
y a
s
.
Si adems cada variable aleatoria del proceso tiene distribucin
normal se le llama un proceso de ruido blanco gaussiano.
PROCESO RUIDO BLANCO: Caractersticas
Series discretas
Notacin: X(t) X
t
Las observaciones se toman a
intervalos regulares de t:
X(t), X(t+k), X(t+2k), ...
Objetivo anlisis: Determinar la estructura de
dependencia entre las observaciones para obtener
un modelo que sirva para explicar, predecir la
evolucin futura de la variable observada y, en su
caso, controlar el proceso.
Anlisis de series temporales: series observadas
Anlisis de series temporales: series observadas
Anlisis de series temporales
Anlisis de series temporales
La construccin de un modelo de serie de
tiempo implica
Suponer que las propiedades transversales
de la serie son estacionarias y ergdicas.
El modelo expresar la dependencia de X(t)
en funcin de X(t-k) con k=1,2,...
Anlisis de series temporales: Estacionariedad
Anlisis de series temporales: Estacionariedad
Un proceso es estacionario (en sentido dbil):
> Si su media no depende del tiempo, .
cte X
t
= =
> Si la covarianza c(x(t), x(s)), slo depende de la distancia
t-s = k
> Si su varianza no depende del tiempo, .
cte
t
= =
2 2

Un proceso es estacionario (en sentido estricto):
> Si, adems de las tres condiciones anteriores, la distribucin
de cada x(t) es la misma para cualquier t (no depende del tiempo).

MODELOS DE PROCESOS ESTACIONARIOS:


MODELOS DE PROCESOS ESTACIONARIOS:
AUTORREGRESIVOS, AR(p)
X(t)=
1
X(t-1)+...+
p
X(t-p)+ a
t
DE MEDIA MOVIL, MA(q)
X(t)= a
t
-
1
a
t-1
-...-
q
a
t-q
MIXTOS, ARMA (p, q)
X(t)=
1
X(t-1)+...+
p
X(t-p)+ a
t
-
1
a
t-1
-...-
q
a
t-q
Anlisis de series temporales: Modelos
Anlisis de series temporales: Modelos

AUTORREGRESIVOS AR(p)
AUTORREGRESIVOS AR(p)
X(t)=
1
X(t-1)+...+
p
X(t-p)+ a
t
Existe autocorrelacin entre X(t) y las variables en los p
instantes anteriores
Modelo similar al de regresin mltiple donde
a
t
es el residuo con E(a
t
)=0 y V(a
t
)=
a
2
Sin trmino independiente por ser X(t)=X(t)-E(X(t))
Para que el proceso sea estacionario los coeficientes |
i
| <1
Anlisis de series temporales: Modelos AR
Anlisis de series temporales: Modelos AR

AUTORREGRESIVO AR(1)
AUTORREGRESIVO AR(1)
X(t)=
1
X(t-1) + a
t
Anlisis de series temporales: Modelos AR
Anlisis de series temporales: Modelos AR
Con el coeficiente = 1, es el proceso conocido por paseo
aleatorio, que no es estacionario, como se ver ms
adelante.
Por ello, |
1
|< 1 para que represente un proceso estacionario.

DE MEDIA MOVIL MA(q)


DE MEDIA MOVIL MA(q)
X(t)= a
t
-
1
a
t-1
-...-
q
a
t-q
Existe autocorrelacin entre X(t) y la parte aleatoria de las
variables en q instantes anteriores
Modelo similar al de regresin mltiple
a
t
es el residuo con E(a
t
)=0 y V(a
t
)=
a
2
Siempre es estacionario
Para que tenga buenas propiedades, los coeficientes |
i
| <1
Anlisis de series temporales: Modelos MA
Anlisis de series temporales: Modelos MA

MIXTOS ARMA(p,q)
MIXTOS ARMA(p,q)
X(t)=
1
X(t-1)+...+
p
X(t-p)+ a
t
-
1
a
t-1
-...-
q
a
t-q
Similar a un modelo de regresin mltiple con p trminos AR
y q trminos MA.
Anlisis de series temporales: Modelos MA
Anlisis de series temporales: Modelos MA
Por convenio, los coeficientes
i
de los trminos AR se les
antecede con un signo +, y los coeficientes
i
de los trminos
MA se les antecede con un signo , pero pueden tomar ambos
tanto signo + como -.

MODELOS DE PROCESOS NO ESTACIONARIOS


MODELOS DE PROCESOS NO ESTACIONARIOS
:
:
Si las series no son estacionarias pueden presentar:
Tendencias (variaciones en la media)
Estacionalidad, ciclos (periodicidades)
Variaciones en la dispersin
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
En resumen, su media y dispersin varan con el tiempo.

MODELOS SENCILLOS DE PROCESOS NO


MODELOS SENCILLOS DE PROCESOS NO
ESTACIONARIOS:
ESTACIONARIOS:
Un proceso se llama paseo aleatorio si en cada t:
X(t)= X(t-1) + a
t
con a
t
ruido blanco de media y varianza
a
2.
Se suelen iniciar en t = 0, X
1
= a
1
y
X
t
= a
1
+ a
2
+...+a
t
Entonces E(X
t
) = t y Var (X
t
) = t var(a
t
) no es
estacionario pero X(t)=X(t)-X(t-1)=a
t
s lo es.
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Ejemplos de procesos representados por paseos
aleatorios :
En Economa:
opciones de inversin en Bolsa
administracin de acciones
....
En clculo de probabilidades:
El nombre de paseo viene del caso de lanzar una
moneda y avanzar un paso si sale cara y retroceder si
sale cruz. El caso en dos dimensiones se realiza con el
lanzamiento de dos monedas. Repetidos lanzamientos
trazan una trayectoria del proceso paseo aleatorio.
MODELOS SENCILLOS DE PROCESOS NO ESTACIONARIOS MODELOS SENCILLOS DE PROCESOS NO ESTACIONARIOS
:
:
> Proceso de alisado exponencial simple:
t 1 t 1 t t 1 t t
a ) B 1 ( x a a x x + = + =

t t
a ) B 1 ( x =
Muy empleado en previsin.
Con operadores, su notacin es
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
1 t t
1 t t t
a Ba
x x x

=
= Operador diferencia
Operador retardo
Este tipo de modelos son casos particulares de un grupo
ms amplio, los ARIMA.

MODELOS INTEGRADOS ARIMA:


MODELOS INTEGRADOS ARIMA:
Si la media de una serie vara en el tiempo, tiene
tendencia, con diferencias se puede estabilizar la
media. Por ejemplo, con una diferencia:
Z(t)=X(t)-X(t-1)=X(t), si hubiera tendencia en
Z(t), se diferencia de nuevo,

2
X(t)=Z(t)-Z(t-1)=[X(t)-X(t-1)]-[X(t-1)-X(t-2)]
En general, la serie estacionaria despus de d
(normalmente 1 2) diferencias ser W(t)=
d
X(t).
Anlisis de series temporales:
Modelos (Procesos no estacionarios)
Anlisis de series temporales:
Modelos (Procesos no estacionarios)

MODELOS INTEGRADOS ARIMA:


MODELOS INTEGRADOS ARIMA:
La serie W(t) se modeliza con un ARMA(p,q) y la
serie original X(t) se obtiene por suma (integracin)
de las W(t)Modelo integrado ARIMA(p,d,q)
Por ejemplo,
Una serie que se ha diferenciado una vez, d=1, y tenga p=0 y
q=1, ser un ARIMA(0,1,1) y tendr la expresin:
X(t)=X(t-1)+a
t-1
-a
t-1
Anlisis de series temporales:
Modelos ARIMA
Anlisis de series temporales:
Modelos ARIMA

MODELOS INTEGRADOS ARIMA:


MODELOS INTEGRADOS ARIMA:
Si una serie tiene estacionalidad (media que vara cada s
observaciones) no ser estacionaria.
Para estabilizar la media se tomarn D diferencias de
periodo s (normalmente 1 2)
Z(t)=X(t)-X(t-s)=
s
X(t)
si sigue habiendo estacionalidad en Z(t), se vuelve a
diferenciar estacionalmente,
) x x ( ) x x ( z z x
s 2 t s t s t t s t t t
2
s
= =
Anlisis de series temporales:
Modelos ARIMA
Anlisis de series temporales:
Modelos ARIMA

MODELOS ESTACIONALES:
MODELOS ESTACIONALES:
W(t) =
s
D
X(t)
En general, la serie estacionaria despus de D (normalmente 1 2)
diferencias estacionales de perodo s ser
Anlisis de series temporales:
Modelos ARIMA
Anlisis de series temporales:
Modelos ARIMA
A W(t) ya se le podr ajustar un modelo ARMA (P,Q)
Cuando hay estacionalidad, una vez diferenciada y estabilizada
la serie, el ajuste del modelo ARMA, se realiza fijndonos en
los retardos estacionales, por lo que en la notacin se distingue
con letras maysculas los trminos AR y MA del modelo, as
como los coeficientes y . Del ingls Seasonal, se suelen
conocer por SARIMA

MODELOS ESTACIONALES: Ejemplos


MODELOS ESTACIONALES: Ejemplos
Si X(t) es mensual, s=12:
12
D
X(t)
Las diferencias de orden uno (D=1) sern,

12
X(t)= X(t)-X(t-12)
Las diferencias de orden dos (D=2) sern,

12
2
X(t)= [X(t)-X(t-12)]-[X(t-12)-X(t-24)]
Anlisis de series temporales:
Modelos SARIMA
Anlisis de series temporales:
Modelos SARIMA

MODELOS GENERALES:
MODELOS GENERALES:
Cuando existe tendencia y estacionalidad se puede
modelizar la dependencia en la serie estacionaria
W(t)=
d

s
D
X(t) examinando:
la parte no estacional mediante un ARMA(p,q) y
la estacional con un ARMA(P,Q)
s
, obteniendo un
Modelo ARIMA(p,d,q)x(P,D,Q)
s
Anlisis de series temporales: Modelos
Anlisis de series temporales: Modelos

MODELOS GENERALES:
MODELOS GENERALES:
Si X(t) es mensual (precipitaciones o caudales en un
ro) con ARIMA (1,0,0)x(0,1,1)
12
, el modelo
proporciona cada valor de X en t, en funcin de los
valores en t-1, t-12 y t-13, as como de los
residuos en t-12
X(t)= X(t-12)+
1
[X(t-1)-X(t-13)]+a
t
-
1
a
t-12
Ejemplo:
Anlisis de series temporales: Modelos
Anlisis de series temporales: Modelos
Anlisis de series temporales:
Identificacin modelo (I)
Anlisis de series temporales:
Identificacin modelo (I)
i) IDENTIFICACIN DEL MODELO (Anlisis descriptivo):
Etapas, segn metodologa de Box-Jenkins, para la
obtencin de un modelo ARIMA para una serie observada.
Para identificar un modelo de la clase general ARIMA, es
necesario que la serie sea estacionaria, por ello, habr que
seguir un procedimiento con herramientas de tipo
descriptivo para detectar y eliminar las causas de falta
de estabilidad de los datos.
Observacin del grfico de la serie inicial.
Estabilizar la media con diferencias
Estabilizar la varianza transformando los datos con alguna de
las transformaciones de potencia Box-Cox
OBSERVACIN DEL GRFICO DE LOS DATOS EN
FUNCIN DEL TIEMPO.
Para detectar la presencia de variaciones en la
dispersin o en la media por tendencias o
periodicidades.
Se debe extraer toda la informacin posible del anlisis
descriptivo de la serie inicial observada.
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva
i) IDENTIFICACIN DEL MODELO (Anlisis descriptivo):
ESTABILIZAR LA SERIE
> Por transformacin de los datos
p.e.: z
t
=log x(t)
se elimina la variacin en la dispersin (varianza)
> Con diferencias d o D, obteniendo la serie estacionaria
w
t,
, con t=1, ..., N-d-D al eliminar variaciones en la media
(tendencias o estacionalidad)
PROBLEMAS OBSERVADOS EN LA SERIE INICIAL:
Falta de estacionariedad por variaciones en la media o en la
dispersin.
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva
ANLISIS DE LA ESTRUCTURA DE DEPENDENCIA.
Con ayuda de la funcin de autocorrelacin simple (f.a.s.)
y su grfico o correlograma (coeficientes de correlacin
segn distintos retardos k = 1, 2,
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva - Correlogramas
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva - Correlogramas
La evolucin de las autocorrelaciones permite
identificar el tipo de modelo:
AR, MA o ARMA.
En el anlisis de la fas, es necesario establecer los lmites
de confianza para los r(k) y as decidir los que son
significativos (0).
ANLISIS DE LA ESTRUCTURA DE DEPENDENCIA.
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva - Correlogramas
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva - Correlogramas
Otra forma de construir el intervalo es suponer que
los k primeros valores tericos () son no nulos y los
siguientes s lo son. Estos lmites crecen con el retardo.
Si las variables del proceso son independientes e
idnticamente distribuidas, los lmites de confianza al
95% para las autocorrelaciones son, aproximadamente,
Lmites de confianza para los r(k):
N
2
N
1

Es la representacin de los coeficientes de
autocorrelacin parcial (
kj
) en funcin del retardo k.
Los
kj
son:
w
t
=
k1
w
t-1
+ ...+
kk
w
t-k
+ r
t
Los lmites para decidir si los
kj
0 se calculan con
2/N
ANLISIS DE LA ESTRUCTURA DE DEPENDENCIA.
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva - Correlogramas
Anlisis de series temporales:
Identificacin modelo: Etapa descriptiva - Correlogramas
Funcin de autocorrelacin parcial (fap)
El anlisis conjunto de fas y fap permitir identificar el
tipo de modelo y el n de coeficientes o parmetros a
estimar. De aqu el inters de estas dos funciones en la
metodologa Box-Jenkins.
Decrecimiento hacia 0. Decrecimiento hacia 0. ARMA(p,q)
Muchos coef. no nulos que
decrecen con k como
mezcla de exp. y senoides
q primeros coeficientes no nulos y
el resto 0.
MA(q)
p primeros coeficientes no
nulos y el resto 0.
Muchos coef. no nulos que
decrecen con k como mezcla de
exp. y senoides
AR(p)
funcin autocorrelacin
parcial (fap)
funcin autocorrelacin simple
(fas)
Anlisis de series temporales:
Identificacin modelo: Comparacin fas y fap
Anlisis de series temporales:
Identificacin modelo: Comparacin fas y fap
Fas y Fap varian de manera inversa en el caso de procesos
AR o MA y son similares cuando corresponden a un ARMA:
1. La velocidad de decrecimiento de r(k) al aumentar k,
va a servir para indicar si la serie es estacionaria o
debe diferenciarse d y D veces
Se estudian las r(k) significativas en retardos
interpretables fsicamente (primeros retardos o
periodos estacionales).
Se pueden dar coeficientes significativos a retardos
altos debido a la variacin muestral (lmites al 95%).
Anlisis de series temporales:
Identificacin modelo: Caractersticas correlogramas
Anlisis de series temporales:
Identificacin modelo: Caractersticas correlogramas
f.a.s. de temperatura en est. 4
retardo
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
f.a.s. de conductividad en est. 210
retardo
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
Estabilizar tomando
d =1 2
Estabilizar tomando
D =1
Anlisis de series temporales: Identificacin del modelo
Ejemplos de dos series con media inestable
Anlisis de series temporales: Identificacin del modelo
Ejemplos de dos series con media inestable
Media
inestable
por
tendencia
Media
inestable
por
estacionalidad
2. Para la serie estacionaria w(t) (idem para la
parte estacional) se comparan sus grficos de
fas y fap con los simulados de modelos
tericos AR, MA y ARMA.
Se selecciona el modelo que mejor represente la
serie estudiada, eligiendo el nmero de coeficientes p
y/o q.
Esta es la fase ms complicada del anlisis y
requiere cierta experiencia.
Anlisis de series temporales:
Identificacin modelo (IX)
Anlisis de series temporales:
Identificacin modelo (IX)
Anlisis de series temporales:
Identificacin modelo: comparacin con fas y fap de modelos
tericos simulados
Anlisis de series temporales:
Identificacin modelo: comparacin con fas y fap de modelos
tericos simulados
Funciones autocorrelacin simple y parcial procesos AR(1)
fas
fas fap
fap
AR(1)
Anlisis de series temporales:
Identificacin modelo: comparacin con fas y fap de modelos
tericos simulados
Anlisis de series temporales:
Identificacin modelo: comparacin con fas y fap de modelos
tericos simulados
fas
fas
fap
fap
Funciones autocorrelacin simple y parcial procesos AR(2)
AR(2)
Anlisis de series temporales:
Identificacin modelo: comparacin con fas y fap de modelos
tericos simulados
Anlisis de series temporales:
Identificacin modelo: comparacin con fas y fap de modelos
tericos simulados
Funciones autocorrelacin simple y parcial procesos AR(2)
fas
fas fap
fap
AR(2)
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
Funciones autocorrelacin simple y parcial procesos MA(1)
MA(1)
1
-1
< 0
> 0
1
-1
F.a.s.
1
-1
-1
1
F.a.p.
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
Funciones autocorrelacin simple y parcial procesos MA(2)
MA(2)
F.a.s. F.a.p.

1
< 0 ;
2
< 0

1
> 0 ;
2
> 0
1,0
-1,0
-1,0
1,0
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
Funciones autocorrelacin simple y parcial procesos MA(2)
MA(2)
F.a.s. F.a.p.

1
< 0 ;
2
> 0

1
> 0 ;
2
< 0
1,0
-1,0
1,0
-1,0
-1,0
-1,0
1,0
Funciones autocorrelacin simple y parcial procesos ARMA
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
1,0
-1,0 -1,0
1,0
ARMA(1,1)
0 , 0 < <
fas
fas
fap
fap
1,0 1,0
-1,0 -1,0
Funciones autocorrelacin simple y parcial procesos ARMA
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
ARMA(1,1)
1,0
0 , 0 < <
1,0
fas fap
1,0
-1,0
-1,0
fas
-1,0
fap
-1,0
1,0 1,0
0 , 0 > <
Funciones autocorrelacin simple y parcial procesos ARMA
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
ARMA(1,1)
1,0
-1,0
fas
fap
fas
fap
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
Funciones autocorrelacin simple de algunos procesos estacionales, s = 12
MA(1) x MA(1)
12
MA(1) x MA(1)
12
= 0,5 ; = -0,5 = = 0,5
AR(1) x MA(1)
12
= 0,5 ; = 0,5
AR(1) x AR(1)
12
MA(1)
12
= 0,6
AR (1)
12
= 0,6
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
Funciones autocorrelacin simple de algunos procesos estacionales, s = 12
AR(1) x MA(1)
12
= 0,5 ; = 0,5
AR(1) x AR(1)
12
MA(1) x MA(1)
12
= 0,5 ; = -0,5
MA(1) x MA(1)
12
= = 0,5
Anlisis de series temporales:
Identificacin modelo
Anlisis de series temporales:
Identificacin modelo
Funciones autocorrelacin simple de algunos procesos estacionales, s = 12
AR(1) x MA(1)
12
= 0,5 ; = 0,5
AR(1) x AR(1)
12
AR(1) x MA(1)
12
= 0,5 ; = 0,5
3. Una vez identificado el posible modelo
para la serie en estudio, se realiza el
ajuste mediante la estimacin de los
parmetros del modelo.
El ajuste se realiza mediante algoritmos de
optimizacin lineal basados en la minimizacin de la
suma cuadrtica de los errores.
Anlisis de series temporales:
Estimacin modelo (I)
Anlisis de series temporales:
Estimacin modelo (I)
Conductividad
e
s
t
.

2
1
0
1/60 1/63 1/66 1/69 1/72 1/75
0
100
200
300
400
500
600
Grfico de la serie inicial mensual (no ergdica ni homocedstica)
EJEMPLO 1 (conductividad del agua) (I)
f.a.s. de conductividad en est. 210
retardo
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
Este grfico y el anterior indican que la serie no es estacionaria y
es necesario tomar diferencias.
EJEMPLO 1 (conductividad del agua) (II)
Conductividad con d=1
e
s
t
.

2
1
0
1/60 1/63 1/66 1/69 1/72 1/75
-370
-170
30
230
430
Con una diferencia, la serie w
t
resultante, salvo punto anmalo en el
ao 1962, se acepta como estacionaria.
EJEMPLO 1 (conductividad del agua) (III)
w
t
= x
t
x
t-1
f.a.s. de conductividad con d=1
retardo
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
f.a.p. de conductividad con d=1
retardo
c
o
e
f
i
c
i
e
n
t
e
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
Comparamos los grficos de las correlaciones de w
t
con
los de un modelo lo ms simple posible:
EJEMPLO 1 (conductividad del agua) (IV)
Comparamos los grficos de las correlaciones de w
t
con
los de un modelo lo ms simple posible:
EJEMPLO 1 (conductividad del agua) (IV)
AR(1)
El modelo seleccionado para la serie diferenciada es un
AR(1).
La estimacin del parmetro se realiz con ordenador.
[ ] ) t ( a ) 2 t ( X ) 1 t ( X 44 , 0 ) 1 t ( X ) t ( X + =
EJEMPLO 1 (conductividad del agua) (IV)
w
t
= w
t-1
+ a
t
Grfico de la serie inicial mensual (muestra periodicidad
estacional)
Temperatura del agua en est. 4
1/65 1/68 1/71 1/74 1/77 1/80
0
5
10
15
20
25
EJEMPLO 2 (temperatura del agua) (I)
La f.a.s. confirma la estacionalidad de s = 12.
Se debe efectuar una diferencia estacional, D = 1
f.a.s. de temperatura en est. 4
retardo
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
EJEMPLO 2 (temperatura del agua) (II)
Grfica serie con D=1, se puede aceptar
media y varianza estables con el tiempo.
Temperatura del agua en est. 4
1/65 1/68 1/71 1/74 1/77 1/80
-4
-2
0
2
4
EJEMPLO 2 (temperatura del agua) (III)
Se examina la estructura de fas y fap en los retardos
estacionales (k=12, 24,...) por ser datos mensuales, y
en parte no estacional (primeros retardos, k = 1, 2,
f.a.p. de temperatura en est. 4
retardo
c
o
e
f
i
c
i
e
n
t
e
0 6 12 18 24 30 36
-1
-0.6
-0.2
0.2
0.6
1
f.a.s. de temperatura en est. 4
retardo
c
o
e
f
i
c
i
e
n
t
e
s
0 6 12 18 24 30 36
-1
-0.6
-0.2
0.2
0.6
1
EJEMPLO 2 (temperatura del agua) (IV)
En primeros retardos, se identifica un AR(1), y la
estructura en retardos estacionales (k=12, 24,...),
segn fas y fap, se asimila a un MA(1).
EJEMPLO 2 (temperatura del agua) (IV)
AR(1) x MA(1)
12
= 0,5 ; = 0,5
El modelo seleccionado es, por tanto un ARIMA
(1,0,0)x(0,1,1)
12
[ ]
12 t t
a 87 , 0 a
) 13 t ( X ) 1 t ( X 233 , 0 ) 12 t ( X ) t ( X

+
+ + =
EJEMPLO 2 (temperatura del agua) (II)
w
t
= x
t
x
t-12
La estimacin de los parmetros se realiz con ordenador.
w
t
= w
t-1
+ a
t
a
t-12
ANLISIS EN EL TIEMPO
Existen gran variedad de modelos
estadsticos que permiten predecir la
evolucin de un proceso estocstico
(modelos de pronstico).
La frecuente aplicacin de los modelos
ARIMA se debe a la fcil explicacin
de los elementos del modelo.
Martnez Falero, E. 1995. Quantitative Techniques in Landscape
Planning. Lewis Publishers, New York.
Chatfield, C., 1989. The Analysis of Time Series. Chapman and Hall,
Londres.
Gonzlez Garca, C. (1989). Anlisis Estadstico Comparativo de
Series Cronolgicas de Parmetros de Calidad del Agua: Valoracin
de diferentes modelos de Prediccin. Tesis doctoral (sin publicar).
ETSI Montes. Universidad Politcnica de Madrid.
Anlisis en el dominio del tiempo: Referencias (i)
Anlisis en el dominio del tiempo: Referencias (i)
Box, G., Jenkins, G .(1976).Time Series Analysis, Forecasting and
Control. Editorial Holden-Day. San Francisco.
Pea Snchez de Rivera, D. 2005. Anlisis de Series Temporales.
Alianza Editorial. Madrid.
Martn Fernndez, S., Ayuga Tllez, E., Gonzlez Garca, C., Martn
Fernndez, A. (2001) Gua completa de Statgraphics. Desde MS-
DOS a Statgraphics Plus. Daz de Santos, Madrid.
Software: Statgraphics plus 5.1
Anlisis en el dominio del tiempo: Referencias (ii)
Anlisis en el dominio del tiempo: Referencias (ii)
Millard, S.P.; Neerchal, N.K. (2001). Environmental Statistics with S-
PLUS. CRC Press. Florida
Ramos, A. et al. (2000). Gua para la elaboracin de estudios del
medio Fsico: Contenido y Metodologa. M de Medio Ambiente.
Secretara General Tcnica. Madrid.
Woollcott, Smith; Gonick, Larry. (2000). La Estadstica en Comic. Editorial
Zendrera Zariquiey, S.A. , Barcelona.