TEORA SOBRE CONTROL AVANZADO DE PROCESOS (SERIES DE TIEMPO)

Concepto Serie estacional Lag Estacionalidad Irregularidad Diferenciacin de la serie Frequency: Autocorrelacin Definicin Suposicin bsica en los modelos de series temporales. Posee E[Xt] y V[Xt] constantes. Funcin de R para atrasar una serie. Movimientos de oscilacin de la serie. Variaciones aleatorias de la serie (ruido blanco). Xt-Xt-1. Funcin de R para obtener la frecuencia de la serie. Relacin lineal entre v.a. de la serie en tiempos diferentes. Sirve para detectar tendencia y estacionalidad dentro de la serie, al construir el correlograma de la misma. Se conoce as a una sucesin de observaciones sobre valores que toma una variable (cuantitativa) en diferentes momentos del tiempo. Utilizada para estudiar el comportamiento de la variable y pronosticar valores futuros. Puede ser descrita por su media, su varianza y su funcin de autocorrelacin por su media, su varianza y su funcin de densidad espectral. Es aquella que puede presentar patrones de tendencia (la media crece o decrece de forma general), de estacionalidad (comportamientos peridicos similares) y/o heteroscedasticidad (varianza no constante). Patrn de comportamiento efecto global de la serie, ascendente descendente, debido a incrementos disminuciones de la media. Es aquella que resulta de eliminarle a la serie original el patrn estacional. Relacin lineal entre v.a. de la serie en tiempos diferentes eliminando correlaciones intermedias. Calcula la correlacin entre parejas de valores separados una distancia k pero eliminando el efecto debido a la correlacin producida por retardos anteriores a k. Xt-Xt-k. Funcin de R para graficar la serie contra s misma atrasada. Funcin de R que puede graficar autocorrelaciones simples y/o parciales. Posee E[Xt] V[Xt] no constantes. Funcin de R que slo puede graficar autocorrelaciones parciales. Es aquella cuyos valores futuros estn exactamente determinados por alguna funcin matemtica.

Serie temporal

Serie no estacionaria

Tendencia

Serie diferenciada estacionalmente Autocorrelacin parcial

Diferenciacin estacional de la serie lag.plot acf Serie no estacional pacf Serie temporal determinstica

Serie temporal estadstica (no determinstica) Proceso estocstico

Autocovarianza Autocorrelacin

Es aquella cuyos valores futuros solamente pueden ser descritos en trminos de una distribucin de probabilidad. Es un fenmeno estadstico que se desarrolla en el tiempo de acuerdo a las leyes probabilsticas. Sucesin de variables aleatorias ordenadas en el tiempo. , ,( )( ),( )( ) ,( ) - ,( ,( ) )( )-

* +, consiste en graficar los valores de los coeficientes de autocovarianza contra el retraso * +, consiste en graficar los valores de los Funcin de autocorrelacin coeficientes de autocorrelacin contra el retraso en un grfico conocido como correlograma. Diagrama de dispersin Instrumento para ilustrar la distribucin conjunta de un par de observaciones de la serie separadas por un tiempo k. Proceso estacionario normal Es caracterizado por su media y su funcin de autocovarianza, por su media, su varianza y su funcin de autocorrelacin. Proceso estocstico fuerte Es aqul cuyas propiedades no son afectadas por un estrictamente estacionario cambio del origen del tiempo, esto es, si la distribucin de probabilidad conjunta asociada con m-observaciones hecha con cualquier conjunto de tiempos es la misma que la asociada con m-observaciones hecha con los tiempos ; es decir que la distribucin de probabilidad conjunta de cualquier parte de la secuencia de variables aleatorias ) es invariante del tiempo ( ( ) Formas de obtencin de series Mediante el muestreo de una serie de tiempo temporales discretas: continuo. Mediante la acumulacin de una variable en un periodo de tiempo. Relacin entre una serie temporal y un Una serie temporal es una realizacin de un proceso proceso estocstico estocstico, es decir, es una observacin de T variables ordenadas en el tiempo. Proceso estocstico dbilmente Ocurre si los momentos del primer y segundo orden estacionario de la distribucin (esperanzas, varianzas y covarianzas) son constantes a lo largo del tiempo: , | | ) , ,( )( )y ,( . Funcin de autocovarianza

Descomposicin de Wold

Si una serie de tiempo es no estacionaria, entonces puede ser expresada en funcin de un elemento determinstico y un elemento no determinstico: ( ) . La parte determinstica se puede obtener mediante un ajuste de regresin lineal en funcin a otras series y/o con respecto al tiempo, la estocstica segn el patrn de tendencia y/o estacionalidad, y la parte aleatoria (ruido blanco), que no se puede modelar, pero que sigue una distribucin Gaussiana aproximadamente. Suavizador LOWESS Suavizador basado en el mtodo de regresin polinomial local ponderada y un complejo algoritmo computacional que grafica el diagrama de dispersin local ponderada propuesto por Cleveland. Suavizador SUPSMU Super suavizador de Friedman sobre regiones basado en un algoritmo computacional enfocado a regresin. Suavizador KSMOOTH Suavizador local basado en el kernel de NadarayaWatson de regresin estimado. El kernel acta como una funcin de peso, que otorga peso grande a los puntos cercanos al punto donde se va a suavizar y bajo peso a los puntos que estn alejados del mismo. La funcin de kernel ms usada es la del kernel gaussiano. Suavizador SPLINE Suavizador que adapta un spline cbico suavizado a los datos suministrados. El cual consiste en una funcin dentro de un intervalo dividido en subintervalos que posee un trmino sobre la media de la bondad de ajuste y otro sobre la medida del grado de suavidad. Coeficiente de Akaike ( Criterio de Es una medida de la bondad de ajuste relativa de un Informacin de Akaike AIC) modelo estadstico. Se basa en el concepto de entropa de la informacin, en efecto, que ofrece una medida relativa de la prdida de informacin cuando un determinado modelo se utiliza para describir la realidad. Se puede decir, para describir el equilibrio entre el sesgo y la varianza en la construccin del modelo, o en trminos generales entre la precisin y la complejidad del modelo. Mientras ms pequeo es mejor al contrastar dos modelos con el mismo nmero de parmetros. Modelo auto-regresivo AR (p) Describe una clase particular de proceso en que las observaciones en un momento dado son predecibles a partir de las observaciones previas del proceso ms un trmino de error. El caso ms simple ARIMA (1,0,0) AR(1): . De manera general: (ms una constante). Se reconocen por un ACF con colas y un

PACF que desaparece tras el p-simo retardo. En este modelo el valor actual puede predecirse a partir de las componentes aleatorias de este momento y, en menor medida los impulsos aleatorios anteriores. ARIMA (0,0,1) MA (1): . De manera general: . Se reconocen por un PACF con colas y un ACF que desaparece tras el q-simo retardo. Modelo mixto ARMA (p,q) Se refiere a un modelo con p trminos autoregresivos y q trminos de media mvil. Este modelo combina los modelos AR y MA: . Se reconocen por un ACF y un PACF con colas. Series cclicas Son aquellas que presentan, adems de patrones de tendencia y/o estacionalidad, fluctuaciones cclicas que pueden aislarse de las otras con algunas funciones senoidales y/o cosenoidales. Es una componente de la serie que recoge oscilaciones peridicas de amplitud superior a un ao. Estas oscilaciones peridicas no son regulares y se presentan en los fenmenos econmicos cuando se dan de forma alternativa etapas de prosperidad o de depresin. ngulo de fase Indica el desplazamiento horizontal de la funcin. Es el valor donde comienza el ciclo que comenzaba en 0, en la funcin sen (x) cos (x). Multicolinealidad Es una situacin en la que se presenta una fuerte correlacin entre las variables explicativas del modelo. Prueba de razn de verosimilitud Sirve para contrastar el ajuste de dos modelos con diferente nmero de parmetros (n<m) en funcin de su valor de log verosimilitud, cuya hiptesis nula defiende al modelo con menor nmero de parmetros. El estadstico de prueba se compara contra una distribucin ji cuadrada con m-n grados de libertad. Cuando se desea elegir entre dos modelos con el mismo nmero de parmetros, basta con escoger aquel que arroje el valor ms alto de verosimilitud. Modelo auto-regresivo integrado de Es una generalizacin del modelo ARMA. Es un media mvil ARIMA (p,d,q) modelo estadstico que utiliza variaciones y regresiones de datos estadsticos con el fin de encontrar patrones para una prediccin hacia el futuro. Este modelo es muy sensible a la precisin con que se determinen sus coeficientes. Sus parmetros representan p-autorregresiones, d-diferenciaciones de la serie y q-medias mviles. El valor de d corresponde a las d-diferencias ( integraciones) que son necesarias para convertir la serie original en estacionaria. La representacin del modelo es: Modelo de medias mviles MA (q)

Modelo estacional auto-regresivo integrado de media mvil SARIMA (p,d,q)X(P,D,Q)T

Modelo estacional auto-regresivo SAR (P)

Modelo estacional de medias mviles SMA (Q)

( )( ) donde . Un ARIMA(0,d,0)=I(d); cuando d=0 la tendencia es constante (promedio cero), cuando d=1 la tendencia es lineal (comportamiento de crecimiento lineal) y si d=2 la tendencia es cuadrtica (comportamiento de crecimiento cuadrtico). Un ARIMA(0,1,0) representa una caminata aleatoria con un modelo . Un modelo SARIMA (seasonal autoregressive integrated moving average) se define como un modelo ARIMA que, adems, considera el efecto de la estacionalidad. Sirve para modelar series que muestran un marcado patrn estacional; es decir, que exhiben un comportamiento peridico con periodo T, cuando las similitudes de la serie ocurren despus de T intervalos bsicos de tiempo. El modelo general se conoce como modelo multiplicativo que considera las componentes siguientes: ( )( )( )( ) donde y . Sus parmetros representan p-autorregresiones, ddiferenciaciones de la serie, q-medias mviles, Pautorregresiones estacionales, D-diferenciaciones estacionales y Q-medias mviles estacionales con periodo T. El valor de D corresponde a las Ddiferencias ( integraciones) estacionales que son necesarias para convertir la serie original en estacionaria. Describe una clase particular de proceso en que las observaciones en un momento dado son predecibles a partir de las observaciones previas del proceso en funcin de un periodo estacional ms un trmino de error. El caso ms simple SARIMA (0,0,0)X(1,0,0)T SAR(1): . De manera general: (ms una constante). Se reconocen por un ACF con colas estacionales y un PACF que desaparece tras el P-simo retardo estacional. En este modelo el valor actual puede predecirse a partir de las componentes aleatorias de este momento en funcin de un periodo estacional y, en menor medida los impulsos estacionales aleatorios anteriores. SARIMA(0,0,0)X(0,0,1)T SMA (1): . De manera general: . Se reconocen por un PACF con colas

Modelo estacional mixto SARMA (P,Q)

Densidad Espectral

Periodograma

Transformada de Fourier

estacionales y un ACF que desaparece tras el Q-simo retardo estacional. Se refiere a un modelo con P trminos autoregresivos y Q trminos de media mvil estacionales. Este modelo combina los modelos SAR y SMA: . Se reconocen por un ACF y un PACF con colas estacionales. Intuitivamente, sirve para identificar periodicidades escondidas en una funcin de variable continua o de variable discreta (secuencia de nmeros). Un proceso aleatorio no estacionario que es estacionario a trozos se llama cuasi-estacionario y es posible definir la DEP en cada uno de estos trozos. Es una funcin real positiva de una variable de frecuencia asociada a un proceso estocstico estacionario, o una funcin determinista del tiempo, que tiene dimensiones de potencia por Hz, o la energa por Hz. A menudo es llamado simplemente el espectro de la serie. Intuitivamente, la densidad espectral captura el contenido de frecuencia de un proceso estocstico y ayuda a identificar las periodicidades. El espectro de potencia de un proceso aleatorio estacionario en sentido amplio es la transformada de Fourier de la secuencia de autocorrelacin. De esta forma, la estimacin espectral puede considerarse como un problema de estimacin de la autocorrelacin. Mide aportaciones a la varianza total de la serie de componentes peridicos de una frecuencia determinada. Si presenta un pico en una frecuencia, indica que dicha frecuencia tiene mayor importancia en la serie que el resto. Es bsicamente el espectro de frecuencias de una funcin. Se utiliza para pasar al dominio frecuencial una seal para as obtener informacin que no es evidente en el dominio "temporal". Se demuestra matemticamente que una seal peridica se puede descomponer en una suma de senos y cosenos formando una base ortogonal, de esta forma, seales como la voz o las ondas se pueden descomponer en un sumatorio de seales trigonomtricas. El conjunto de constantes que multiplican a cada frecuencia forman el espectro de frecuencias.

Transformada Inversa de Fourier

Aliasing (solapamiento)

En estadstica, procesamiento de seales, computacin grfica y disciplinas relacionadas, el aliasing es el efecto que causa que seales continuas distintas se tornen indistinguibles cuando se les muestrea digitalmente. Cuando esto sucede, la seal original no puede ser reconstruida de forma unvoca a partir de la seal digital. Una imagen limitada en banda y muestreada por debajo de su frecuencia de Nyquist en las direcciones "x" e "y", resulta en una superposicin de las replicaciones peridicas del espectro G(fx, fy). Este fenmeno de superposicin peridica sucesiva es lo que se conoce como aliasing o Efecto Nyquist.