Series de tiempo
Una serie temporal o cronolgica es una secuencia de datos, observaciones o valores, medidos en
determinados momentos del tiempo, ordenados cronolgicamente y, normalmente, espaciados entre
s de manera uniforme. El anlisis de series temporales comprende mtodos que ayudan a
interpretar este tipo de datos, extrayendo informacin representativa, tanto referente a los orgenes o
relaciones subyacentes como a la posibilidad de extrapolar y predecir su comportamiento futuro.
De hecho, uno de los usos ms habituales de las series de datos temporales es su anlisis para
prediccin y pronstico. Por ejemplo de los datos climticos, de las acciones de bolsa, o las series
pluviomtricas. Resulta difcil imaginar una rama de las ciencias en la que no aparezcan datos que
puedan ser considerados como series temporales.
Modelamiento Estocstico
Procedimiento del modelamiento estocstico
Segn Salas (2008), los pasos del modelamiento estocstico de series de tiempo son los siguientes:
- Definicin del enfoque de modelamiento (esquema)
1. Caractersticas del sistema.
2. Caractersticas fsicas de los procesos tratados.
3. Caractersticas estadsticas de las series tratadas.
4. Otros aspectos (experiencia, software, sesgo, etc).
- Seleccin del tipo de modelo.
- Identificacin del orden del modelo.
- Estimacin de los parmetros del modelo.
- Prueba y verificacin del modelo.
- Aplicar el modelo.
Caractersticas Estadsticas de las Series de Tiempo
Salas (2000) menciona que, un proceso de series de tiempo puede ser caracterizado por un nmero
de propiedades estadsticas tales como la media, desviacin estndar, coeficiente de variacin,
coeficiente de sesgo, correlacin estacin a estacin, autocorrelacin, correlacin cruzada, y otros
estadsticos relativos al fenmeno, ejemplo: almacenamiento, a sequias y a excesos en caudales
de un ro.
a. Estadsticos muestrales generales para datos anuales
Salas (1993), describe, que la media y la varianza de una serie de tiempo yt se estiman por
1
=
1
=
1
1 2
y s se definieron anteriormente. Puesto que las estadsticas muestrales
, s2, y g son
En que
2
estimadores de las estadsticas poblacionales , , y , respectivamente, algunas veces las notaciones
, , son usadas para representar las estadsticas muestrales.
La funcin de autocorrelacin muestral rk (o coeficientes de autocorrelacin) de una serie de tiempo
puede estimarse por
!
=
!"
=
'
1
! = # $ 0
'
#
(
'
'
# *
#
/
1
, = -,, . = 1, , 0
-
As mismo, las ecuaciones de desviacin estndar y de coeficiente de sesgo anual pueden aplicarse
1
, = 1 23,, , 4
3
1
3 23,, , 4
, =
,
El coeficiente de variacin estacional (mensual) es !3,, =
, /,
,,
1
= 2-,, , 42-,,' ,' 4
-
Para esta instancia, para series de datos mensuales, r1,4 representa la correlacin entre los datos del
cuarto mes con aquellos del tercer mes.
Alternativamente, la estructura de correlacin de la serie de tiempo y , puede determinarese
para cada estacin o mes por.
,,
9 = : 9 ' + <=
< = B1 :C :D EC'D F
C D
1
67 =
/
1
7 = >
2 67 4 ?
1
'
'
'
9 9 # $ 2 9 42 9 # 4
E 9 =
1
1
'
'
'
'
2
9 4 H G 9 #
2
9 4 H
G 9
$
$ #
9 = : 9 ' + 1 : =
: = E
El trmino 1 es el primer coeficiente de autocorrelacin de xt. Salas (1979) afirma que, si este
modelo es el adecuado para describir la dependencia de xt, entonces la variable t calculada por la
siguiente ecuacin, debe ser una variable independiente.
9 : 9 '
= =
1 :
Donde
yt
xt
1 2437.34
x(t+1)
x(t)*x(t+1) x(t)^2
x(t+1)^2
0.2490 -0.6857
-0.1707 0.0620
0.4702
0.5407 0.4702
0.6219
1.0888 0.6219
1.9061
0.9331 1.9061
0.4567
1.0256 0.4567
2.3032
1170.46
-1.5176
0.4123
-0.6258
2.3032
0.1700
2554.50
0.4123
0.5426
0.2237
0.1700
0.2944
2647.90
0.5426
-0.2913
-0.1580
0.2944
0.0848
2049.93
-0.2913
0.6531
-0.1902
0.0848
0.4265
10
2727.13
0.6531
1.0299
0.6726
0.4265
1.0608
11
2997.39
1.0299
0.4296
0.4424
1.0608
0.1845
12
2566.86
0.4296
0.1291
0.0555
0.1845
0.0167
13
2351.38
0.1291
-0.5394
-0.0696
0.0167
0.2910
14
1871.94
-0.5394
1.1256
-0.6072
0.2910
1.2670
15
3065.99
1.1256
0.7152
0.8051
1.2670
0.5116
16
2771.71
0.7152
-0.3123
-0.2234
0.5116
0.0976
17
2034.81
-0.3123
0.5668
-0.1770
0.0976
0.3213
18
2665.27
0.5668
0.7679
0.4352
0.3213
0.5896
19
2809.47
0.7679
-2.0801
-1.5973
0.5896
4.3270
20
767.06
-2.0801
0.9037
-1.8797
4.3270
0.8166
21
2906.84
0.9037
1.7359
1.5687
0.8166
3.0135
22
3503.69
1.7359
2.4009
4.1678
3.0135
5.7642
23
3980.53
2.4009
-0.6915
-1.6602
5.7642
0.4782
24
1762.91
-0.6915
0.3898
-0.2696
0.4782
0.1520
25
2538.35
0.3898
0.2817
0.1098
0.1520
0.0794
26
2460.84
0.2817
-1.3109
-0.3693
0.0794
1.7184
27
1318.72
-1.3109
-1.3473
1.7661
1.7184
1.8151
28
1292.63
-1.3473
-1.2924
1.7412
1.8151
1.6704
29
1331.94
-1.2924
-0.1315
0.1700
1.6704
0.0173
30
2164.49
-0.1315
0.5802
-0.0763
0.0173
0.3366
31
2674.86
0.5802
-0.8426
-0.4888
0.3366
0.7099
32
1654.56
-0.8426
-0.9456
0.7967
0.7099
0.8941
33
1580.69
-0.9456
0.8907
-0.8422
0.8941
0.7933
34
2897.51
0.8907
-0.9510
-0.8470
0.7933
0.9044
35
1576.80
-0.9510
-0.2186
0.2079
0.9044
0.0478
36
2102.03
-0.2186
-0.3103
0.0678
0.0478
0.0963
37
2036.28
-0.3103
1.4571
-0.4521
0.0963
2.1233
38
3303.76
1.4571
1.0520
1.5329
2.1233
1.1067
39
3013.20
1.0520
88092.92
-1.0520
Suma =
1.1067
-0.2490
7.6471 36.8933
37.9380
Media =
2258.79
Desvest =
717.13
r1 (xt) = 0.20430207
1
IJ
'
9 # 9 9 9
1
I J
9 9
rk(xt)
0.6
0.4
0.2
0
0
-0.2
-0.4
Retardo k
yt
1
xt
2437.344
et
0.24897911
--
1767.0528 -0.68570272
-0.916
1693.2672 -0.78859242
-0.525
1268.6976 -1.38062987
-1.143
1774.1376 -0.67582338
-0.018
1170.4608 -1.51761533
-1.360
2554.5024
0.41234964
1.296
2647.9008
0.54258824
0.393
2049.9264 -0.29125205
-0.627
10
2727.1296
0.65306816
0.902
11
2997.3888
1.02992879
0.817
12
2566.8576
0.42957824
-0.072
13
2351.376
0.12910177
-0.087
14
1871.9424 -0.53944032
-0.684
15
3065.9904
1.1255897
1.575
16
2771.712
0.7152357
0.202
17
2034.8064 -0.31233601
-0.745
18
2665.2672
0.56680466
0.815
19
2809.4688
0.76788535
0.566
767.0592 -2.08013524
-2.786
20
21
2906.8416
0.90366602
2.161
22
3503.6928
1.73594007
1.485
23
3980.5344
2.40086776
1.789
24
1762.9056 -0.69148575
-2.094
25
2538.3456
0.38981992
0.820
26
2460.8448
0.2817496
0.109
27
1318.7232
-1.3108721
-1.646
28
1292.6304 -1.34725698
-0.820
29
1331.9424
-1.2924387
-0.738
30
2164.4928 -0.13149591
0.554
31
2674.8576
0.58017792
0.732
32
1654.56 -0.84256734
-1.275
33
1580.688 -0.94557752
-0.618
34
0.89065421
1.529
35
1576.8 -0.95099911
-1.568
36
2102.0256 -0.21860277
0.269
37
2036.2752 -0.31028785
-0.234
38
3303.7632
1.45714995
1.828
39
3013.2
1.05197658
0.404
SUMA =
2897.5104
88092.9216
MEDIA
2258.79286 r1(xt) =
0.204302073
DESVEST 717.133017
Mean
StDev
N
0.007611
1.170
38
Frequency
5
4
3
2
1
0
-3
-2
-1
et
95
90
0
1
38
0.598
>0.250
80
Percent
70
60
50
40
30
20
10
5
-3
-2
-1
0
et
Se concluye que la variable independiente se ajusta a una distribucin Normal estndar con media 0 y
varianza 1, N(0,1).
Entonces, se puede realizar la generacin de series, aunque el autocorrelograma puede indicar que
no se necesita ningn modelo estocstico, porque xt es ya independiente.
Para ello se genera nmeros aleatorios con distribucin Normal con media cero y varianza 1, esto se
puede realizar con cualquier programa estadstico. La longitud de serie anual que se genera en este
ejemplo es 40 aos.
En los siguientes cuadros se presenta los clculos para generar dos series sintticas, comparados con
los valores histricos. Se obtuvieron mediante la siguiente ecuacin
= 67 +
7 9
9 = : 9 ' + 1 : / =
Que con los valores de los parmetros hallados tiene la siguiente forma
= 88092.92 + 2258.79 9
10
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
-0.5132
1.9722
0.8657
2.3757
-0.6549
1.6615
-1.6124
0.5389
0.9022
1.9189
-0.0845
-0.5238
0.6751
-0.3813
0.7576
-0.5327
1.8218
1.2196
2.5747
-0.1151
1.6029
-1.2509
0.2720
0.9387
2.0702
0.3402
-0.4432
0.5703
-0.2568
0.6892
1876.8040
3565.2587
3133.4152
4105.2067
2176.2699
3408.2871
1361.7222
2453.8651
2931.9914
3743.4212
2502.7739
1940.9308
2667.8050
2074.6628
2753.0233
2460.8448
1318.7232
1292.6304
1331.9424
2164.4928
2674.8576
1654.5600
1580.6880
2897.5104
1576.8000
2102.0256
2036.2752
3303.7632
3013.2000
11
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
0.5813
1.3184
1.0000
-0.4329
-1.1665
-2.3237
1.5906
0.6565
0.9843
0.4573
0.0171
-0.3407
-1.5849
0.5461
0.0168
0.2843
-2.3271
0.0202
0.5723
1.4075
1.2664
-0.1650
-1.1756
-2.5149
1.0433
0.8558
1.1384
0.6803
0.1557
-0.3017
-1.6131
0.2050
0.0583
0.2902
-2.2187
-0.4335
2669.1900
3268.1347
3166.9809
2140.4705
1415.7330
455.3096
3006.9544
2872.5247
3075.1752
2746.6442
2370.4652
2042.4617
1101.9567
2405.8336
2300.6214
2466.8945
667.6634
1947.9270
3980.5344
1762.9056
2538.3456
2460.8448
1318.7232
1292.6304
1331.9424
2164.4928
2674.8576
1654.5600
1580.6880
2897.5104
1576.8000
2102.0256
2036.2752
3303.7632
3013.2000
El primer valor de xt tomado para la generacin fue el ltimo valor obtenido en el clculo de xt para
determinar el coeficiente de autocorrelacin de 1 retardo.
En las siguientes figuras se compara la serie histrica con las dos series sintticas obtenidas
aplicando el modelo estocstico. Las series generadas o sintticas son estadsticamente iguales a la
serie histrica, puesto que el modelo estocstico se determin a partir de los datos de volumen anual
del ro Ramis.
Figura. Comparacin de la serie histrica con la serie sinttica 1
Serie histrica y serie generada 1
4500.0000
4000.0000
3500.0000
MMC
3000.0000
2500.0000
yt generado 1
2000.0000
yt historico
1500.0000
1000.0000
500.0000
0.0000
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
12
MMC
3000.0000
2500.0000
yt generado 2
2000.0000
yt historico
1500.0000
1000.0000
500.0000
0.0000
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031323334353637383940
13