REPORTE:

TRANSFORMADA DE
FOURIER,
AUTOCORRELACION.

JOSE ANTONIO LOPEZ ALVAREZ

JOSE DAMIAN RAMIREZ GUTIERREZ

ARTURO APARICIO HERNANDEZ

MARINA MORALES PETER

RIGOBERTO PEREZ PEREZ

1 DE DICIEMBRE DE 2020
SERIES DE TIEMPO
DATOS “CRUI.DAT”

DATOS “C4.DAT”

DATOS “C6.DAT”
 ANALISIS DE LA SERIE DE FOURIER
En las siguientes graficas mostradas previamente en la pagina anterior de
dicho documento se puede ver la variación del periodograma de cada uno
de los datos dados. Una serie de Fourier es una serie infinita que converge
puntualmente a una función continua y periódica. La serie de Fourier solo se
mantiene mientras el sistema es lineal. Esta nos sirve para determinar si la
función de los datos antes mencionados tiene una periocidad o alguna
curva para determinar su comportamiento, como si fuese una regresión a la
hora de observar la gráfica. En las gráficas podemos observar varios
comportamientos, el pico de cada una de ellas encontramos una
recepción más fuerte que está dada por la transformada de Fourier.

En las observaciones de los datos “crui.dat” se puede apreciar que los datos
> 0 no lleva ninguna repetición, analizando a fondo vemos que su
periocidad no se repite, en los datos “c4.dat” observamos que si tenemos
una pequeña periocidad empezando desde el pico alrededor de (100) en
ambos lados que va disminuyendo gradualmente. En los datos “c6.dat”
observamos un comportamiento más estable alrededor de su pico, se
puede ver con claridad que una continuidad periodica de (100, 200), (200,
300), (300, 400), que va disminuyendo gradualmente, pero siguiendo el
mismo patrón.

Así mismo se puede observar que a partir del valor de 500 la transformada
de Fourier tiende a ser una línea recta, a excepción de los datos “crui.dat”.
ANALSIS DE LA
AUTOCORRELACION
MEDIANTE R

Fig.datoc4.dat

Fig.datocrui.dat
Fig.datoc6.dat

En las figuras se pueden ver los correlogramas de la autocorrelación de cada uno de los datos
dado. Las líneas punteadas nos muestran el nivel de significancia es decir que no hay mucho
retraso significativo en los pasos anteriores. Como se puede apreciar para los tres datos
obtuvimos los correlogramas con un retraso de 20, en las imágenes se puede apreciar la
coeficientes de autocorrelación y podemos notar que en R0 comienza desde el numero 1,
para el caso crui.dat(St2) tenemos coeficientes de autocorrelación de 0.994 después 0.988 y
en R , de igual manera para C4.dat (St1) tenemos en R1 0.988 posterior 0.976 al llegar a R7
se aprecia coeficiente de autocorrelación no significativas y finalmente para C6.dat(St3) en
R1 tenemos un coeficiente de autocorrelación de 0.988 luego 0.976 hasta R6 hay valores de
coeficientes de autocorrelación insignificantes.
Para los datos C4.dat y C6.dat es muy notorio que tiene los mismos coeficientes de
autocorrelación con un retraso de 20. Estos dos en comparación con crui.dat los valores de
autocorrelación no son tan diferentes, diferencian de algunos decimales, asumimos que los
datos presentan estacionariedad ya que al hacer la transformada de serie de Fourier notamos
ciertos cambios sistemáticos en la media y de igual manera un cambio sistemático en la
variación, y esto no lleva a que haya fluctuaciones periódicas.
Los coeficientes de autocorrelación encontrado nos indica que los tres datos, hay patrones
repetitivos dentro con cierta periodicidad que esta disfrazado bajo ruido , al hacer la
transformada Fourier notamos estas pequeñas fluctuaciones que tienen hacer periódicas