Serie de Tiempo

Introduccion al Analisis de Series
Temporales
Calculo de Tendencias y Estacionalidad
Los contenidos a desarrollar en este tema son los siguientes:
Graficos temporales.
Series estacionarias y no estacionarias.
Descomposicion de una serie: tendencia, estacionalidad y componente

irregular.
Prediccion.
Introduccion al Analisis de Series Andres M.

Temporales Alonso
Lecturas recomendadas:
Pena, D. (2005) Analisis de series temporales, Alianza Editorial.
Box, G.E.P., Jenkins,G.M. y Reinsel, G. (1994) Time Series Analysis:

Forecasting and Control, Editorial Prentice-Hall.
Brockwell, J.P. y Davis, R.A. (1996) Introduction to Time Series

and Forecasting, Editorial SpringerVerlag.
Pena, D., Tiao, G.C. y Tsay, R.S. (2005) A Course in Time Series
Analysis, Editorial John Wiley.
Introduccion
Definicion 1. Una serie temporal es una sucesion de observaciones de

una variable tomadas en varios instantes de tiempo.
Nos interesa estudiar los cambios en esa variable con respeto al

tiempo.
Predecir sus valores futuros.
Ejemplos de series temporales podemos encontrarlos en muchos

campos de conocimiento:
Economa: producto interior bruto anual, tasa de inflacion, tasa de
desem- pleo, etc.
Demografa: nacimientos anuales, tasa de dependencia, etc.
Meteorologa:temperaturas maximas,medias o mnimas,precipitaciones
diarias, etc.
Medio ambiente: concentracion media mensual de nitratos en agua,
alcalinidad media anual del suelo, emisiones anuales de CO2, etc.
Representacion grafica de una serie temporal
A menudo, se representa la serie en un grafico temporal, con el valor de la

serie en el eje de ordenadas y los tiempos en el eje de abscisas.
Ejemplo 1. El siguiente grafico temporal muestra la media de

los pluviometros peninsulares (Fuente I.N.M.) para el perodo
Octubre/1989 a Septiembre/2006.
Pluviometria (mm)
150
120
90
60
30
0
10/89 10/91 10/93 10/95 10/97 10/99 10/01 10/03 10/05 10/07
Ejemplos de grafico temporal
Rio Santa Cruz (Washigton, USA) Rio Santa Cruz (Washigton, USA)
Temperatura (Celsius)
7.2 24
20
pH del agua
7
16
6.8 12
8
6.6
4
6.4
0
1972 1976 1980 1984 1988 1992 1996 2000 2004
1972 1976 1980 1984 1988 1992 1996 2000 2004
Oxigeno disuelto mg/lt
Rio Santa Cruz (Washigton, USA) Rio Santa Cruz (Washigton, USA)
Conductancia microsiemes/cm
12.2 141
10.2 121
8.2 101
6.2 81
4.2 61
1972 1976 1980 1984 1988 1992 1996 2000 2004
1972 1976 1980 1984 1988 1992 1996 2000 2004
Otros tipos de graficos
temporales
Graficos por perodos de observacion.
Ejemplo 2. Distribucion mensual de la precipitacion media en

Espana Tomado de www.hispagua.cedex.es.
Graficos por perodos de observacion plurianuales.
Ejemplo 3. Reserva hidrologica peninsular. Tomado de www.mma.es.

Boxplot anual.
Ejemplo 4. Alcalinidad total (mg/lt). Tomado de www.gemstat.org.

Boxplot por perodos de observacion.
Ejemplo 5. Concentracion de sulfatos (mg/lt). Tomado de

www.gemstat.org.
Clasificacion de series
temporales
Definicion 2. Una serie temporal es una sucesion de observaciones de
una variable tomadas en varios instantes de tiempo. Estas observaciones
provienen de una distribucion que puede ser diferente en cada instante del
tiempo.
No somos capaces de tratar

cualquier tipo de serie
temporal, ya que en cada
instante tenemos una variable
con distinta distribucion de
la que solo observamos un
dato. Ignoramos mucho y
tenemos poca informacion.
Clasificacion de series
temporales
Necesitamos imponer condiciones a la serie
Una serie es estacionaria si la media y la variabilidad se mantienen
constantes a lo largo del tiempo.
Una serie es no estacionaria si la media y/o la variabilidad cambian a

lo largo del tiempo.
Series no estacionarias pueden mostrar cambios de varianza.
Series no estacionarias pueden mostrar una tendencia, es

decir que la media crece o baja a lo largo del tiempo.
Ademas, pueden presentar efectos estacionales, es decir que

el comportamiento de la serie es parecido en ciertos tiempos
periodicos en el tiempo.
Clasificacion de series temporales - Series
estacionarias
Definicion 3. Una serie temporal es estacionaria en sentido amplio si:
E[Xt] = para todo t
V ar(Xt) = 2 para todo t.
Cov(Xt, Xt+k) = k para todo t y k.
El ejemplo mas simple es el RUIDO BLANCO, cuando la media y la

covarianza son siempre cero.
Por que es bueno que las series sean estacionarias?
Con series estacionarias podemos obtener predicciones facilmente.
Como la media es constante, podemos estimarla con todos los datos, y

utilizar este valor para predecir una nueva observacion.
Tambien se pueden obtener intervalos de prediccion (confianza)

para las predicciones asumiendo que Xt sigue una distribucion conocida,
por ejemplo, normal.
Clasificacion de series temporales -
Ejemplos
Serie estacionaria: Variaciones anuales de la media de los pluvi
ometros peninsulares para el perodo Octubre/1990 a Septiembre/2006.
130
Variacin anual
90
50
10
-30
-70
-110
10/89 10/91 10/93 10/95 10/97 10/99 10/01 10/03 10/05 10/07
Serie no estacionaria: Emisiones mundiales de CO2.
Emisiones mundiales de CO2

7
0
1950
1960 1970 1980 1990 2000
Tendencia
Serie no estacionaria: Superficie de hielo
A rtico.
en el
Cambios en la
tendencia
Serie no estacionaria: Precipitaciones medias (mm).
Coopermine (1933 - 1976)
Precipitaciones medias (mm)
120
100
80
60
40
20
Fuente de datos: P.C. Baracos, K.W. Hipel & A.I. McLeod (1981) Modeling
hydrologic time series from the Arctic, Water Resources Bulletin, Vol. 17.
Estacionalidad
Serie no estacionaria: Agua embalsada y energa disponible (hm3).
Aos hidrolgicos 2003/2004 a 2005/2006
44
40
Reserva total
36
32
28
24
20
1 27 53 79 105 131 157
Fuente de datos: Boletn hidrologico, Ministerio de Medio Ambiente.
Tendencia + Estacionalidad
Serie no estacionaria: Numero mensual de pasajeros de avion, USA,
Enero:1949 a Diciembre:1960
750
No. de pasajeros
600
450
300
150
0
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Tendencia, Heteroscedasticidad y Estacionalidad
Fuente de datos: Box, G. & Jenkins, G. (1976) Time Series Analysis: Forecasting and
Control.
Componentes de una serie
temporal
En muchos casos, se supone que la serie temporal es la suma de varias

componentes:
Xt = Tt + St + It
Valor observado = Tendencia + Estacionalidad +

Irregular
Tendencia: comportamiento o movimiento suave de la serie a largo plazo.
Estacionalidad: movimientos de oscilacion dentro del ano.
Irregular: variaciones aleatorias alrededor de los componentes anteriores.
En esos casos, es interesante obtener o aislar los distintos

componentes.
Analisis de la
tendencia
En algunos casos, se puede suponer una relacion determinista entre Tt y t,
por ejemplo una tendencia lineal
Tt = a + bt
que se estima mediante el metodo de mnimos cuadrados.
Ejemplo 6.
Residual Plot for No. de pasajeros
Linear trend = 87.6528 + 2.65718 200
t
800
No. de pasajeros
150
600
Residual
100
400 50
0
200
-50
0 1 49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58

/ 1/59 1/60 1/61
Analisis de la
tendencia-100 1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
6
Log(No. de pasajeros)
Ejemplo 6. En primer lugar, eliminamos la heteroscedasticidad mediante
una transformacion logartmica.
6.6
6.2
5.8
5.4
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Ejemplo 6. Sobre la serie transformada estimamos una tendencia lineal.
log(No. de pasajeros)
Linear trend = 4.81367 + 0.0100484 t
6.6
6.2
5.8
5.4
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Se observa una clara tendencia creciente lineal, ademas de efectos

estacionales.
Ejemplo 6. Obtenemos la serie de residuos, Xt Tt:
0.49
0.29
Residual
0.09
-0.11
-0.31
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Se mantienen los efectos estacionales.

7
Ejemplo 7. Oxgeno disuelto (ml/lt). Rio Santa Cruz (Washington, USA).
Linear trend = -24.9531 + 0.0168516 t Linear trend = -24.9531 + 0.0168516 t
Oxigeno disuelto
12.2 3.9
10.2 1.9
Residual
8.2 -0.1
6.2 -2.1
4.2 -4.1 1972 1976 1980 1984 1988 1992 1996 2000 2004
1972 1976 1980 1984 1988 1992 1996 2000 2004
Una tendencia determinista (lineal) no parece adecuada.

Tendencia evolutiva
A menudo, la tendencia de la serie no sigue una recta y evoluciona a lo

largo del tiempo.
En ese caso, un metodo general de estimar Tt es suponer que evoluciona

lentamente en el tiempo, y que se puede aproximar con una funcion sencilla
para intervalos cortos del tiempo.
Ejemplo 8. Si una recta es una representacion valida para tres
periodos
Tt1 = Tt
consecutivos:
T = T
Tt
T t
t+1 = Tt +
T
Si hacemos la media de las tres observaciones consecutivas, mt =
3
xt1+xt+xt+1
,
tendramos mt = Tt
que: + It1 + It +
It+1
3
Tendencia evolutiva
es decir descubriramos la tendencia subyacente.
Definicion 4. Para instante t, se define la media movil de orden 3 de
la
serie x +x +x
como .
t1 t t+1
mt =
3
Suponemos que la tendencia Tt satisface
It1 + It + It+1
Tt = mt .
3
Como la media del componente irregular es cero, podemos suponer

que la media de los tres valores (It1, It, It+1) es pequena, de esta manera
mt recoge fundamentalmente la tendencia de la serie en el instante t.
Es posible calcular medias moviles de ordenes mas altos. Cuando crece
el orden, el valor de mt cambia mas suavemente.
7
Ejemplo 9.
Smoothed Time Series Plot for Oxigeno disuelto Time Series Plot of Residuals for Oxigeno
disuelto
Oxigeno disuelto
12.2 2.6
10.2 1.6
8.2 0.6
6.2 -0.4
4.2 -1.4 1972 1976 1980 1984 1988 1992 1996 2000 2004
1972 1976 1980 1984 1988 1992 1996 2000 2004
En los residuos no se observa una tendencia clara.

6
Ejemplo 10. Tendencia evolutiva en el numero de pasajeros.

Simple moving average of 3 6.6 Simple moving average of 12 terms
terms
6.6
6.2 6.2
5.8 5.8
5.4 5.4
5 5
4.6
4.6 1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60
1/61
1/61
Analisis de la tendencia - Ejemplo
6
Con medias moviles de ordenes altos, suavizamos los efectos estacionales.
Diferenciacion de la
serie
Es un metodo mas general que consiste en no hacer ninguna hipotesis

sobre la forma de la tendencia a corto plazo y suponer simplemente que
evoluciona lentamente en el tiempo.
Asumimos que la tendencia en el instante t es muy proxima a la tendencia en

el instante t 1, y construimos una nueva serie:
yt = xt xt1
que denominamos serie diferenciada.
Diferenciar la serie equivale a suponer que la tendencia en t es el

valor de serie en t 1:
Tt = xt1.
Diferenciacion de la serie - Ejemplo
6
Ejemplo 11. Obtener la serie diferenciada para los datos del Ejemplo 6.
0.27
0.17
0.07
-0.03
-0.13
-0.23
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
La serie diferenciada no muestra una tendencia clara y mantiene los

efectos estacionales.
Ejemplo 12. Obtener la serie diferenciada para los datos del Ejemplo 7.
Residual Plot for Oxigeno disuelto
Random walk
3.8
1.8
-0.2
-2.2
-4.2
1972 1976 1980 1984 1988 1992 1996 2000 2004
La serie diferenciada no muestra una tendencia clara.

Analisis de la estacionalidad
Un metodo de estimar el efecto estacional (v.g., de cada mes) es
considerar como vara la media del perodo (mes) respecto de la media
global.
Anos
1 2 n Medias S
enero x11 x12 x1n x1 S1
febrero x21 x22 x2n x2 S2
Meses .. .. .. .. .. ..
. . . . . .
noviembre x11 1 x11 2 x11 n x11 S11
diciembre x12 1 x12 2 x12 n x12 S12
Medias x1 x2 xn x

Los coeficientes estacionales son:
Si = xi M para i = 1, . . . , 12.
Suponemos que el efecto estacional St satisface:
St = St+12 = St+24 = . . .
Ejemplo 13. Volvemos al Ejemplo 6. El graficomuestra los
coeficientes estacionales.
Seasonal Index Plot for log(No. de pasajeros)
0.28
seasonal index
0.18
0.08
-0.02
-0.12
-0.22
0 1 2 3 4 56 78 910111213
season
Ejemplo 13. Obtenemos la serie desestacionalizada, Xt St:
Seasonally Adjusted Data Plot for log(No. de pasajeros)
6.7
6.3
5.9
5.5
5.1
4.7
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
No muestra efectos estacionales.

Ejemplo 14. Obtener los coeficientes estacionales de la serie mensual
de pluviometros peninsulares (Fuente I.N.M.) para el perodo
Octubre/1989 a Septiembre/2006 (Ejemplo 1).
Seasonal Indices for Pluviometria
Seasonal decomposition method: Additi ve
Season Index
------------------------
seasonal index
1 29.0565
2 21.1044
3 18.8623
4 5.59299
5 -7.70493
6 -4.37706
7 4.22346 Seasonal Index Plot for Pluviometria
8 4.78362
31
9 -19.1383
10 -28.394 21
11 -23.1034
12 -0.905707 11
-9
-19
-29
012345678910 11 12 13
Seasonally Adjusted Data Plot for Pluviometria

140
110
80
50
No muestra efectos estacionales.
20
-10
Ejemplo 15. Obtener los coeficientes estacionales de la serie mensual
de Oxgeno disuelto (ml/lt). Rio Santa Cruz (Washington, USA).
(Elaboracion propia a partir de http://waterdata.usgs.gov).
Seasonal Indices for Oxigeno
Seasonal decomposition method: Additi ve
Season Index
------------------------
seasonal index
1 1.75095
2 1.82438
3 1.66915
4 1.45595
5 -0.989603
6 -1.57851
7 -2.56157 Seasonal Index Plot for Oxigeno
8 -2.76155
9 -1.56786 2.2
10 -0.657377
11 1.23205 1.2
12 2.184
0.2
-0.8
-1.8
-2.8
seasonally adjusted
Seasonally Adjusted Data Plot for Oxigeno

15
12
6
Todava muestra efectos estacionales.
3
0
Diferenciacion estacional de la serie
Es un metodo mas general que consiste en no hacer ninguna hipotesis

sobre la forma general de la estacionalidad a corto plazo y suponer
simplemente que evoluciona lentamente en el tiempo.
Construimos una nueva serie:
yt = xt xts
que denominamos serie diferenciada estacionalmente.
Diferenciar estacionalmente la serie equivale a suponer que la

estacionalidad en t es el valor de serie en t s:
St = xts.
Diferenciacion estacional de la serie - Ejemplos
Ejemplo 16. Obtener la serie desestacionalizada mediante diferenciaci
on estacional para las series de los datos 15 y 6.
Time Series Plot for SDIFF(log(No. de pasajeros),12)
Time Series Plot for SDIFF(Oxigeno, 12) 0.44
10 0.34
0.24
7
4 0.14
1 0.04
-0.06
-2
-0.16
-5
-0.26 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
1/721/741/761/781/801/821/841/861/881/901/921/941/961/981/001/021/041/061/08
En ambas no se observan efectos estacionales.

Descomposicion de la serie en
componentes
Ejemplo 17. Con los datos del Ejemplo 6, obtenemos los siguientes gr
aficos:
Time Series Plot for log(No. de pasajeros) Time Series Plot for TREND
6.6
6.6
6.2
6.2
5.8
5.8
5.4
5.4
5
5
4.6
4.6
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61 1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
Time Series Plot for INDICES Time Series Plot for IRREGULAR
0.28
0.12
0.18 0.08
0.08 0.04
0
-0.02
-0.04
-0.12
-0.08
-0.22
1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61 -0.12 1/49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58 1/59 1/60 1/61
La componente irregular parece aproximadamente estacionaria y sin patrones de

tendencia
componentes
o estacionalidad. aficos:
componentes
aficos:
Time Series Plot for Pluviometria Time Series Plot for TREND
150 150
120 120
90 90
60 60
30 30
0
0
10/89 10/93 10/97 10/01 10/05
10/89 10/93 10/97 10/01 10/05
Time Series Plot for INDICES
31
21
11
-9
-19
-29
10/89 10/93 10/97 10/01 10/05
Time Series Plot for IRREGULAR
La componente irregular parece aproximadamente estacionaria y sin patrones de

80
tendencia 50
20
10/89 10/93 10/97 10/01 10/05
-40
-70
componentes
o estacionalidad. aficos:
Prediccion de una serie
temporal
Una vez que hemos obtenido la descomposicion de la serie temporal:
Xt = Tt + St + It
Podemos obtener predicciones de los valores futuros mediante los

valores para t + 1, t + 2, . . . , t + h de las componentes Tt y St.
Ejemplo 19. Si Tt = a + bt y St se obtuvo mediante ndices

estacionales trimestrales, i.e., tenemos S1, S2, S2, y S4, entonces:

S si t + 1 = Q1
1
S2 siSt3 + 1 = Q2
Tt+1 = a + bt y St+1 = .
si t + 1 = Q3
S4 si t + 1 = Q4

Prediccion de una serie
temporal
Las predicciones para t + 2, t + 3, . . . , t + h se obtienen de manera an
aloga.
Prediccion de una serie temporal -
Ejemplos
Ejemplo 20. Con los datos del Ejemplo 1 obtenga las predicciones para
el ano hidrologico 2006/2007 con los siguientes procedimientos:
Tendencia lineal, Tt = a + bt, e ndices estacionales.
Xt3 +Xt2 +Xt1

Medias moviles de orden 3, mt = 3 , e ndices
estacionales.
Indices estacionales.
Diferencia
estacional. Xt = Xt1 Xt12.
Time Sequence Plot for Pluviometria Time Sequence Plot for Pluviometria
Linear trend = 51.6349 + -0.0091951 160 Simple moving average of 3
150 t terms
actual actual
forecast 120 forecast
120
95.0% 95.0% limits
90 limits 80
60 40
30
0
0
-30 -40 10/89

10/89 10/93 10/97 10/01 10/05 10/09 10/93 10/97 10/01 10/05 10/09
Time Sequence Plot for Pluviometria Time Sequence Plot for Pluviometria
Constant mean = 190 ARIMA(0,0,0)x(0,1,0)12 with constant
150 46.3064
actual actual
150
forecast forecast
120
95.0% 110 95.0% limits
90 limits
60 70
30 30
0 -10
-30 -50 10/89

10/89 10/93 10/97 10/01 10/05 10/09 10/93 10/97 10/01 10/05 10/09
Prediccion de una serie temporal -
Resultados
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Observado Modelo 1 Modelo 2 Modelo 3 Modelo 4

Octubre 74.42 77.46 75.36 93.11 85.3 Octubre 0.128 0.092 0.116 0.092
Noviembre 66.46 69.51 67.41 73.01 89.9 Noviembre 0.261 0.227 0.250 0.188
Diciembre 64.21 67.26 65.17 46.21 45.2 Diciembre 0.421 0.488 0.442 0.022
Enero 50.93 53.99 51.90 47.21 33.9 Enero 0.502 0.593 0.531 0.393
Febrero 37.62 40.70 38.60 46.41 58.5 Febrero 0.357 0.304 0.340 0.207
Marzo 40.94 44.02 41.93 61.31 50.3 Marzo 0.186 0.125 0.166 0.219
Abril 49.53 52.62 50.53 37.81 64.9 Abril 0.237 0.189 0.221 0.417
Mayo 50.08 53.18 51.09 22.01 61 Mayo 0.179 0.128 0.162 0.639
Junio 26.15 29.26 27.17 21.61
Julio 16.89 20.01 17.91 13.21 Media 0.284 0.268 0.279 0.272
Agosto 22.17 25.30 23.20 19.21 S.D. 0.131 0.183 0.147 0.200
Septiembre 44.36 47.50 45.40 60.11 ECM 0.098 0.105 0.099 0.114
Otra alternativa para la prediccion de una serie temporal
Alisados Exponenciales
Se emplean fundamentalmente para predecir nuevos valores de la serie.
Se basan en modelos parametricos deterministas que se ajustan a la

evolucion de la serie.
Las observaciones mas recientes tienen mas peso en la prediccion que

las mas alejadas.
Se resuelven por metodos recursivos.
Pueden ser poco realistas para explicar la evolucion de la serie.

Alisado exponencial simple, se emplea para series sin tendencia ni
estacionalidad:
X T = XT + (1 )X T 1,
. T1
X T =
t=0
(1 s,
)tXT
X T +k = X T , para todo k.
Alisado exponencial lineal de Holt: se emplea para series con

tendencia lineal y sin estacionalidad:
X T = XT + (1 )(X T 1 + BT 1),
bT = (X T X T 1) + (1 )BT 1,
X T +k = X T + BT k,
con X 1 = X1 ,
X 2 = = 0 y B2 X1 .
X2 , B1 = X2
Alisado exponencial estacional de Holt-Winters: se emplea para
series con tendencia y estacionalidad.
X T = XT + (1 )(X
T 1 + BT 1 ),
St
s
bT = (X T X T 1) + (1 )BT 1,
= XT
ST + (1 Ts,
X T )S
X T +k = (X T + BT k)ST s+k .
El factor estacional no es constante como en los ndices estacionales.

Alisado exponencial - Efecto y seleccion de los pesos
Time Sequence Plot for Oxigeno Time Sequence Plot for Oxigeno Time Sequence Plot for Oxigeno disuelto
disuelto disuelto
Simple exponential smoothing with alpha = 13.1 Simple exponential smoothing with alpha = 13.5 Simple exponential smoothing with alpha = 0.7992
12.2 0.1 0.9
actual
11.1 11.5 forecast
10.2 95.0% limits
9.1 9.5
8.2 7.1 7.5
6.2 5.5
5.1
4.2 3.1 1970 3.5 1970

1980 1990 2000 2010 1980 1990 2000 2010
1970 1980 1990 2000 2010
Los pesos determinan el peso que damos a las componentes de la predicci
on, un peso cercano a la unidad le asigna mas peso a las observaciones
recientes.
Prediccion de una serie temporal - Ejemplos
Ejemplo 21. Con los datos del Ejemplo 1 obtenga las predicciones para
el ano hidrologico 2006/2007 utilizando los metodos de alisados simple,
de Holt y de HoltWinters.
Simple exponential smoothing with alpha = 0.0089 150 Holt's linear exp. smoothing with alpha = 0.0491 and beta = 0.044 Winter's exp. smoothing with alpha = 0.0033, beta = 0.0001, gamma =
160 0.3079 180
actual
120
140 forecast
130
90 95.0% limits
100 100
70 60 60
40 30 20
10 0 -20
-20 -30 10/89 -60 10/89 10/93 10/97 10/01 10/05 10/09
10/89 10/93 10/97 10/01 10/05 10/09 10/93 10/97 10/01 10/05 10/09
Prediccion de una serie temporal - Resultados
Modelo 1 Alisado 1 Alisado 2 Alisado 3 Observado Modelo 1 Alisado 1 Alisado 2 Alisado 3

Octubre 74.42 46.01 39.98 97.54 85.3 Octubre 0.128 0.461 0.531 0.144
Noviembre 66.46 46.01 39.82 71.98 89.9 Noviembre 0.261 0.488 0.557 0.199
Diciembre 64.21 46.01 39.66 58.19 45.2 Diciembre 0.421 0.018 0.123 0.287
Enero 50.93 46.01 39.50 43.86 33.9 Enero 0.502 0.357 0.165 0.294
Febrero 37.62 46.01 39.35 48.38 58.5 Febrero 0.357 0.213 0.327 0.173
Marzo 40.94 46.01 39.19 56.09 50.3 Marzo 0.186 0.085 0.221 0.115
Abril 49.53 46.01 39.03 47.15 64.9 Abril 0.237 0.291 0.399 0.273
Mayo 50.08 46.01 38.87 40.58 61 Mayo 0.179 0.246 0.363 0.335
Junio 26.15 46.01 38.72 21.87
Julio 16.89 46.01 38.56 14.26 Media 0.284 0.270 0.336 0.228
Agosto 22.17 46.01 38.40 21.94 S.D. 0.131 0.166 0.160 0.080
Septiembre 44.36 46.01 38.24 50.16 ECM 0.098 0.101 0.138 0.058
Ejemplo con datos
faltantes
Ejemplo 22. Temperatura media en la superficie y en el fondo en
Lago Murray - Carolina del Sur, Octubre/1992 a
Septiembre/2006.
Lago Murray, Carolina del Sur
35
Temperatura media
Temperatura media en el fondo
30
25
20
15
10
5
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168
Podemos predecir la temperatura del
fondo?
24
22
20
18
16
14
12
10
8
5 10 15 20 25 30 35
Temperatura media
Interpolacion de los datos
faltantes
La relacion entre Temperatura y Temperatura en el fondo es no
lineal
Multiple Regression Analysis
-----------------------------------------------------------------------------
Dependent variable: Temperatura Fondo
-----------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
-----------------------------------------------------------------------------
CONSTANT 3.6386 1.22333 2.97435 0.0035
Temperatura 0.982518 0.144872 6.78196 0.0000
Mes -1.21715 0.155993 -7.80261 0.0000
Temperatura^2 -0.0363928 0.00396844 -9.17058 0.0000
Temperatura*Mes 0.10833 0.0092613 11.697 0.0000
-----------------------------------------------------------------------------
Analysis of Variance
-----------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
-----------------------------------------------------------------------------
Model 1446.01 4 361.502 208.78 0.0000
Residual 219.905 127 1.73154
-----------------------------------------------------------------------------
Total (Corr.) 1665.91 131
R-squared = 86.7997 percent

R-squared (adjusted for d.f.) = 86.384 percent
Plot of Temperatura Fondo
23
20
observed
17
14
11
8
8 11 14 17 20 23
predicted
35
Temperatura media
30
25
20
15
10
5
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168
Interpolacion - Una alternativa basada en series
temporales
Winter's exp. smoothing with alpha = 0.3343, beta = 0.0001, gamma = 0.1693
80
actual
60
forecast
95.0% limits
40
20
-20
-40
10/92 10/94 10/96 10/98 10/00 10/02 10/04 10/06
35
Temperatura media
Ajuste e interpolacin
30
25
20
15
10
5
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168
Ejemplo con datos
faltantes
Ejemplo 23. Oxgeno disuelto media en la superficie y en el fondo en
Lago Murray - Carolina del Sur, Octubre/1992 a Septiembre/2006.
14
Oxgeno disuelto
Oxgeno disuelto en el fondo
12
10
0
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168
Podemos predecir los datos
faltantes?
Oxgeno disuelto en el fondo (mg/lt)
14
12
10
0
3 4 5 6 7 8 9 10 11 12 13
Oxgeno disuelto (mg/lt)
faltantes
Podemos predecir los datos
faltantes?
-----------------------------------------------------------------------------
Dependent variable: Oxigeno Fondo
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT 6.29991 10.4769 0.601317 0.5492
Oxigeno 0.830319 1.67511 0.495681 0.6214
Oxigeno^2 -0.106926 0.0698998 -1.52971 0.1297
Mes -0.483242 1.01006 -0.478427 0.6335
Oxigeno*Mes 0.0205182 0.110638 0.185454 0.8533
-----------------------------------------------------------------------------


-----------------------------------------------------------------------------
Dependent variable: Oxigeno Fondo
-----------------------------------------------------------------------------
Standard T
-----------------------------------------------------------------------------
CONSTANT -9.22845 8.81297 -1.04714 0.2979
Oxigeno 0.882918 0.893172 0.98852 0.3256
Temperatura 0.509903 0.388381 1.31289 0.1926
Oxigeno*Temperatu -0.0330939 0.0419215 -0.789424 0.4320
-----------------------------------------------------------------------------

Interpolacion - Una respuesta basada en series
temporales
Random walk + Seasonal
adjustment actual
12
forecast
O2 interpolado
95.0% limits
10
4
10/92 10/94 10/96 10/98
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
9/99 6.67861 5.13383 8.22338
10/99 6.0107 4.04454 7.97686
------------------------------------------------------------------------------
Simple exponential smoothing with alpha =
0.9126
14 actual
O2F interpolado
forecast
11 95.0% limits
-1
12/96 12/97 12/98 12/99 12/00
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
11/00 6.64211 4.35922 8.925
12/00 7.85614 4.76551 10.9468
------------------------------------------------------------------------------
faltantes
14
Oxgeno disuelto
12
10
0
0 20 40 60 80 100 120 140 160 180
Datos faltantes al inicio de la
serie
Prediccion inversa (backcasting)
ARIMA(0,0,0)x(0,1,0)12 with constant

15
Observado
O2F inverso
12 Ajuste
Pronstico
0
0 60 120 180
14
Oxgeno disuelto
12
10
0
0 20 40 60 80 100 120 140 160 180
Recapitulaci
on
Introduccion al Analisis de Series Temporales

Graficos temporales.
Series estacionarias y no estacionarias.
Descomposicion de una serie: tendencia, estacionalidad y componente

irregular.
Prediccion.
Interpolacion.
Grupo de investigacion en analisis de series
temporales
6 Andres M. Alonso <[email protected]>
6 Jose R. Berrendero
<[email protected]> 6 Ana E. Garca
<[email protected]> 6 Carolina Garca
<[email protected]>
6 Adolfo Hernandez <[email protected]>
6 Ana Justel <[email protected]>
6 Julio Rodrguez <[email protected]>
6 Mara J. Sanchez <[email protected]>

Grupo de investigacion en analisis de series
temporales

Serie de Tiempo

Cargado por

Copyright:

Formatos disponibles

Serie de Tiempo

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Serie de Tiempo

Cargado por

Copyright:

Formatos disponibles

Introduccion al Analisis de Series

Los contenidos a desarrollar en este tema son los siguientes:

Series estacionarias y no estacionarias.

Descomposicion de una serie: tendencia, estacionalidad y componente

Introduccion al Analisis de Series Andres M.

Pena, D. (2005) Analisis de series temporales, Alianza Editorial.

Box, G.E.P., Jenkins,G.M. y Reinsel, G. (1994) Time Series Analysis:

Brockwell, J.P. y Davis, R.A. (1996) Introduction to Time Series

Definicion 1. Una serie temporal es una sucesion de observaciones de

Nos interesa estudiar los cambios en esa variable con respeto al

Predecir sus valores futuros.

Ejemplos de series temporales podemos encontrarlos en muchos

A menudo, se representa la serie en un grafico temporal, con el valor de la

Ejemplo 1. El siguiente grafico temporal muestra la media de

Ejemplo 2. Distribucion mensual de la precipitacion media en

Ejemplo 3. Reserva hidrologica peninsular. Tomado de www.mma.es.

Ejemplo 4. Alcalinidad total (mg/lt). Tomado de www.gemstat.org.

Ejemplo 5. Concentracion de sulfatos (mg/lt). Tomado de

No somos capaces de tratar

Una serie es no estacionaria si la media y/o la variabilidad cambian a

Series no estacionarias pueden mostrar una tendencia, es

Ademas, pueden presentar efectos estacionales, es decir que

E[Xt] = para todo t

V ar(Xt) = 2 para todo t.

Cov(Xt, Xt+k) = k para todo t y k.

El ejemplo mas simple es el RUIDO BLANCO, cuando la media y la

Con series estacionarias podemos obtener predicciones facilmente.

Como la media es constante, podemos estimarla con todos los datos, y

Tambien se pueden obtener intervalos de prediccion (confianza)

Emisiones mundiales de CO2

Aos hidrolgicos 2003/2004 a 2005/2006

Fuente de datos: Boletn hidrologico, Ministerio de Medio Ambiente.

Tendencia, Heteroscedasticidad y Estacionalidad

En muchos casos, se supone que la serie temporal es la suma de varias

Valor observado = Tendencia + Estacionalidad +

Tendencia: comportamiento o movimiento suave de la serie a largo plazo.

Estacionalidad: movimientos de oscilacion dentro del ano.

Irregular: variaciones aleatorias alrededor de los componentes anteriores.

En esos casos, es interesante obtener o aislar los distintos

0 1 49 1/50 1/51 1/52 1/53 1/54 1/55 1/56 1/57 1/58

Se observa una clara tendencia creciente lineal, ademas de efectos

Se mantienen los efectos estacionales.

Una tendencia determinista (lineal) no parece adecuada.

A menudo, la tendencia de la serie no sigue una recta y evoluciona a lo

En ese caso, un metodo general de estimar Tt es suponer que evoluciona

Como la media del componente irregular es cero, podemos suponer

En los residuos no se observa una tendencia clara.

Ejemplo 10. Tendencia evolutiva en el numero de pasajeros.

Simple moving average of 3 6.6 Simple moving average of 12 terms

Es un metodo mas general que consiste en no hacer ninguna hipotesis

Asumimos que la tendencia en el instante t es muy proxima a la tendencia en

que denominamos serie diferenciada.

Diferenciar la serie equivale a suponer que la tendencia en t es el

La serie diferenciada no muestra una tendencia clara y mantiene los

La serie diferenciada no muestra una tendencia clara.

Suponemos que el efecto estacional St satisface:

No muestra efectos estacionales.

Seasonal decomposition method: Additi ve

Seasonally Adjusted Data Plot for Pluviometria