Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AnalisisDeSeriesTemporales PDF
AnalisisDeSeriesTemporales PDF
1
29/11/12
Caractersticas
2
29/11/12
La tendencia:
Cuando una serie permanece ms o menos constante, oscilando en
torno a un valor, decimos que la serie
no tiene tendencia
2- Variabilidad:
HOMOCEDSTICA, si su variabilidad se mantiene constante a lo
largo de la serie. Su variabilidad no aumenta con el tiempo.
3
29/11/12
3- Componente cclica:
Oscilaciones de amplitud y frecuencia variables
4- Estacionalidad:
La disposicin de observaciones en un orden temporal (diaria,
mensual, anual, etc.) permite detectar patrones de comportamiento
regular y repetido en iguales periodos de tiempo
4
29/11/12
5- Componente irregular:
Junto con la tendencia, el ciclo y la estacionalidad este factor
aleatorio denominado irregular permite describir una serie temporal
Modelo aditivo
xt = mt + st + zt
Donde:
mt es la tendencia
st es la estacionalidad
zt es el trmino aleatorio (error)
5
29/11/12
Modelo aditivo
xt = mt + st + zt
Modelo multiplicativo
xt = mt st + zt
Donde:
mt es la tendencia
st es la estacionalidad
zt es el trmino aleatorio (error)
6
29/11/12
Modelo multiplicativo
xt = mt st + zt
Donde:
mt es la tendencia
st es la estacionalidad
zt es el trmino aleatorio (error)
7
29/11/12
Autocorrelacin
La idea de la autocorrelacin es proporcionar el coeficiente de
correlacin entre las observaciones separadas un nmero
determinado de periodos
Funcin de Autocorrelacin Simple (FAS), es una sucesin de
nmeros que representan cmo influye una observacin sobre:
la siguiente (1)
sobre la segunda posterior (2)
o sobre la k periodos posterior (k)
8
29/11/12
9
29/11/12
Series estacionarias
Una serie es estacionaria si la media y la variabilidad se
mantienen constantes a lo largo del tiempo.
Por lo tanto:
Una serie es no estacionaria si la media y/o la
variabilidad cambian a lo largo del tiempo.
Series estacionarias
Se define una serie como estacionaria cuando cumple las
siguientes caractersticas:
No tiene tendencia
Es homocedstica
No tiene ciclos estacionales
10
29/11/12
Series estacionarias:
Caractersticas
11
29/11/12
Las FAS y la FAP del ruido blanco son una sucesin de barras no
significativas
12
29/11/12
13
29/11/12
Componente cclico
El
componente
cclico
recorre
una
especie
de
crculo
que
es
posible
modelar
utilizando
funciones
trigonomtricas
bsicas,
cualquiera
de
ellas
son
funciones
del
crculo
que
se
repiten
cada
360
grados
o
2
radianes
Componente cclico
3600=2 rad 00=0 rad
1800= rad
14
29/11/12
Componente cclico
Se
postula
para
modelar
el
componente
cclico
la
siguiente
funcin:
C t ( p ) = cos( p t )
Donde:
wp
es
la
frecuencia
angular
asociada
a
un
ciclo
de
p
perodos
de
duracin
C
t
(1)
vara
entre
-1
y
1
por
ser
una
funcin
coseno
Componente cclico
un ciclo = p periodos un ciclo = p periodos
0.8
0.6
0.4
0.2
0
270 =3/2 rad 900=/2 rad
0
-0.2
-0.4
-0.6
-0.8
-1
1800= rad
un ciclo = p periodos
15
29/11/12
Componente cclico
Para
generalizar
el
componente
cclico
se
lo
puede
especicar
como:
C t ( p ) = p cos( p t )
p
correponde
a
la
duracin
del
ciclo
La
determinacin
precisa
de
Wp
,
la
frecuencia
del
ciclo
es
crucial
para
su
capacidad
predictiva,
lo
que
fundamenta
el
extremo
cuidado
en
captar
de
manera
precisa
todos
sus
componentes
16
29/11/12
Diferenciacin
Se ha explicado cmo es una serie estacionaria
Cuando la serie no lo es, es preciso transformarla
Este proceso es muy sencillo: Para eliminar la tendencia se toman
una o varias diferencias en la serie
wt = zt zt-1
En caso de que no la haya perdido se diferencia una segunda vez
17
29/11/12
Si Var ( Z N ) 0 N entonces E (Z N ) =
18
29/11/12
19
29/11/12
Z t = 0 + 1Z t 1 + 2 Z t 2 + ... + p Z t p + at
20
29/11/12
Z t = at + 1at 1 + 2 at 2 + ... + q at q
21
29/11/12
22
29/11/12
23
29/11/12
X t = 0.5 X t 1 + et
0.5 0.5
acf pacf
Mster
Ocial
en
Anlisis
y
Gestin
de
Ecosistemas
Mediterrneos
24
29/11/12
acf pacf
Mster
Ocial
en
Anlisis
y
Gestin
de
Ecosistemas
Mediterrneos
6 6
1 1
2 2
3 3
MA(1) 4
5
4
5
6 6
25
29/11/12
AR(2) 4
5
4
5
6 6
1 1
2 2
3 3
MA(2) 4 4
5 5
6 6
12 12
SMA(12) 24 24
36
36
Mster
Ocial
en
Anlisis
y
Gestin
de
Ecosistemas
Mediterrneos
26
29/11/12
27
29/11/12
MODELOS GENERALES
Cuando existe tendencia y estacionalidad se puede modelizar la
dependencia en la serie estacionaria
W(t)= d sD X(t)
examinando:
MODELOS GENERALES
Ejemplo:
Si X(t) es mensual (precipitaciones o caudales en un ro) con ARIMA
(1,0,0)x(0,1,1)12,
28
29/11/12
Metodologa de Box-Jenkins
Identicacin
de
p,
d
y
q
Correlograma
Correlograma
Parcial
Estimacin
de
parmetros
Diagnostico
(Validacin)
Aceptar
el
modelo
si
los
residuales
son
estacionarios,
en
caso
contrario
probar
otro
modelo
Predecir
Metodologa de Box-Jenkins
Para
identicar
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
grco
de
la
serie
inicial.
Estabilizar
la
media
con
diferencias
Estabilizar
la
varianza
transformando
los
datos
con
alguna
de
las
transformaciones
de
potencia
Box-Cox
29
29/11/12
Metodologa de Box-Jenkins
Observacin
del
grco
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.
Metodologa de Box-Jenkins
ANLISIS
DE
LA
ESTRUCTURA
DE
DEPENDENCIA.
Con
ayuda
de
la
funcin
de
autocorrelacin
simple
(f.a.s.)
y
su
grco
o
correlograma
(coecientes
de
correlacin
segn
distintos
retardos
k
=
1,
2,
...
La
evolucin
de
las
autocorrelaciones
permite
identicar
el
tipo
de
modelo:
AR,
MA
o
ARMA
El
anlisis
conjunto
de
fas
y
fap
permitir
identicar
el
tipo
de
modelo
y
el
nmero
de
coecientes
o
parmetros
a
estimar.
De
aqu
el
inters
de
estas
dos
funciones
en
la
metodologa
Box-Jenkins.
30
29/11/12
Metodologa de Box-Jenkins
Las
Funciones
de
autocorrelacin
Simple
y
Parcial
varian
de
manera
inversa
en
el
caso
de
procesos
AR
o
MA
y
son
similares
cuando
corresponden
a
un
ARMA:
Metodologa de Box-Jenkins
Ejemplos
Media inestable
por tendencia
Estabilizar tomando
d=1 2
Media inestable
por estacionalidad Estabilizar tomando
D=1
31