Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series Temporales
Series Temporales
CONTENIDO
Estudio
MAR MAY
JUL
SET
NOV
ENE
MAR MAY
JUL
SET
NOV
Diferentes aproximaciones:
Dominio temporal vs. dominio frecuencia
Los mtodos basados en el dominio temporal procuran caracterizar la serie de
datos en los mismos trminos (condiciones) en los cuales ellos son observados. El
instrumento fundamental para la caracterizacin de relaciones entre valores de
datos en el dominio temporal es la funcin de autocorrelacin.
Matemticamente, el anlisis en el dominio temporal funciona en el mismo espacio
que los valores de datos en dominios de frecuencia.
El anlisis en dominio de frecuencia representa la serie de datos en trminos de
contribuciones que ocurren en escalas de tiempo diferentes, o frecuencias
caractersticas. Cada escala de tiempo es representada por un par de funciones de
coseno y seno. La serie de tiempo total es considerada como proveniente de los
efectos combinados de una coleccin de senos y cosenos que oscilan en
diferentes periodos. La suma de estas ondas reproduce los datos originales,
Los mtodos de anlisis en dominio de frecuencia son comnmente aplicados a las
series de temporales geofsicas, e importantes ideas pueden ser generadas a partir
del anlisis del dominio de frecuencia.
Procesos estocsticos I
Se define un proceso X(t) como un fenmeno que cambia en el tiempo o el
espacio. Los procesos suelen clasificarse en:
Determinsticos: existe una relacin definida o causal por lo que la obtencin de
nuevos datos u observaciones no agregan informacin sobre el mismo
Estocsticos: definidos por una distribucin de probabilidades. Son mas
complejos que su anlogo determinstico.
Normalmente se define una Serie cronolgica o temporal como una funcin
no determinstica o aleatoria X que depende de una variable t (tiempo).
Se admite que la serie temporal representa un muestreo de una poblacin,
suponiendo adems que es estacionaria, es decir que su promedio, varianza y
otros momentos estadsticos son invariantes a desplazamientos temporales.
Un proceso aleatorio puro cumple adems que las realizaciones son
independientes entre ellas constituyendo una secuencia al azar.
Procesos estocsticos II
En las series climticas los valores sucesivos no son independientes entre si
debido a la presencia de persistencia (la serie tiende a recordar sus valores
anteriores), ciclos peridicos o aperiodicos y tendencias ya sea lineal o no lineal
y otros efectos no aleatorios.
En general las series climticas consisten tanto de componentes aleatorias como
determinsticas. El objetivo es identificar tan claramente como sea posible la
naturaleza y extensin de las componentes no aleatorias en estas series
climticas.
Existen varias tcnicas estadsticas que intentan ajustar modelos que
representen los procesos estocasticos generadores de las series. Si bien un
proceso estocstico no es predecible con certeza es posible describirlo en
trminos de sus parmetros estadsticos.
Estacionariedad
Hay dos aproximaciones para tratar con series no estacionarias:
Estacionariedad
Hay dos aproximaciones para testear la estacionariedad de una serie:
No paramtricas
Paramtricas
Dentro de las No Paramtricas se utiliza:
Test del recorrido
Dentro de las Paramtricas:
La Funcin de autocorrelacin en una serie temporal no estacionaria, no
decaer, ni se extinguir rpidamente.
Bsicamente las aproximaciones paramtricas asumen un cierto nivel de
experiencia con los datos, y con aquella experiencia uno entonces puede
contar que examinando los datos pueden se puede considerar estacionaria
o no.
Autocovariancia
La autocovariancia es la covariancia consigo misma en
otros instantes de tiempo, medido por un lag o desfasaje
temporal.
Esta funcin es utilizada para estimar los periodos
dominantes en una serie temporal.
La autocovariancia mide el grado de intensidad de
correlacin, dependencia o memoria de los valores de un
proceso entre dos instantes.
Autocorrelacin I
Usamos la correlacin como una medida de dependencia.
Cuando trabajamos con una variable, podemos calcular la
correlacin entre X t y X t-1 o entre X t y X t-2
Las correlaciones entre X en diferentes tiempos son
llamados autocorrelaciones.
No obstante, debemos asumir que todos los Xs tienen:
misma media (no existen tendencias)
misma varianza
Autocorrelacin II
Suponemos que la serie es estacionaria.
Esto significa que:
La serie temporal varia alrededor de una media
fija y tiene variancia constante
La dependencia entre observaciones sucesivas
no cambia con el tiempo
cov X t , X t s
Var X t Var X t s
cov X t , X t s
Var X t
Autocorrelacin III
Las estimaciones de la autocorrelaciones
muestrales son:
T
rs =
(X
t s
X)(X t s X)
(X
X)
t 1
Ejemplos de
correlogramas
mas comunes.
Procesos estocsticos
Procesos estocsticos elementales: Ruido Blanco
E at2 a2
Cov (at , at k ) 0 k
Procesos estocsticos
Procesos estocsticos elementales: Proceso Autorregresivo.
Definimos un proceso autorregresivo de primer orden AR(1) como
un proceso aleatorio que responde a una expresin del tipo
X t 0 1 X t 1 at
o bien
X t 1 X t 1 at
con X t X t 0
a
Var X t z2 12 z2 a2
1 12
X t 0 1 X t 1 2 X t 2 ... p X t p at
Procesos estocsticos
Procesos estocsticos elementales: Medias mviles.
Definimos una media mvil de primer orden MA(1) como un proceso
aleatorio que responde a una expresin del tipo
X t at 1at 1 2 at 2 ... q at q
Cadenas de Markov I
La clase ms comn de modelo estocstico, usado para representar las series
temporales de variables discretas es la Cadena de Markov.
Una cadena de Markov puede ser imaginada como una sucesin de estados de
un sistema. Cada estado corresponde a uno de los elementos de la particin del
espacio muestral que describe la variable aleatoria en cuestin.
Para cada perodo de tiempo, la cadena de Markov puede o permanecer en el
mismo estado o cambiarse a uno de los otros estados. El permanecer en el
mismo estado corresponde a dos observaciones sucesivas del mismo valor de la
variable aleatoria discreta en la serie temporal, y un cambio de estado implica
dos valores sucesivos diferentes de la serie de tiempo.
Cadenas de Markov II
Cmo sabemos que orden es apropiado por una cadena de Markov para
representar una serie de datos en particular?
Un acercamiento es de usar un contraste de hiptesis, por ejemplo Chi-cuadrado
Dos criterios se emplean comnmente para escoger entre los rdenes de los
modelos de cadena de Markov. Estos son el Criterio de Informacin de Akaike
(AIC) y el Criterio de Informacin Bayesiano (BIC).
Tanto el AIC como el BIC intentan encontrar el orden mas apropiado para el
modelo logrando un justo equilibrio entre la bondad del ajuste y una penalizacin
que aumenta con el nmero de parmetros ajustados. Los dos criterios se
diferencian slo en la forma de la funcin de penalizacin.
Procesos autoregresivos
Wilks, 2006