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
Calculo de Tendencias y Estacionalidad

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,
alcalin- idad 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 distribu- cion 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

esta- cionales.
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.

log(No. de pasajeros)

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

log(No. de pasajeros)
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
Ejemplo 14. Obtenemos la serie desestacionalizada, Xt St:

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
Ejemplo 15. Obtenemos la serie desestacionalizada, Xt St:

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
 Descomposicion de la serie en
componentes
Ejemplo 18. Con los datos del Ejemplo 6, obtenemos los siguientes gr
o estacionalidad. aficos:
 Descomposicion de la serie en
componentes
Ejemplo 18. Con los datos del Ejemplo 1, obtenemos los siguientes gr
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

Descomposicion de la serie en
componentes
Ejemplo 19. Con los datos del Ejemplo 1, obtenemos los siguientes gr
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?
Lago Murray, Carolina del Sur
24
Temperatura media en el fondo

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
 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
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
 Lago Murray, Carolina del Sur
35
Temperatura media
Temperatura media en el fondo
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.
Lago Murray, Carolina del Sur
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?
Lago Murray, Carolina del Sur
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)
 Interpolacion de los datos
faltantes
Podemos predecir los datos
faltantes?
Multiple Regression Analysis
-----------------------------------------------------------------------------
Dependent variable: Oxigeno Fondo
-----------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
-----------------------------------------------------------------------------
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
-----------------------------------------------------------------------------

R-squared = 8.5047 percent

R-squared (adjusted for d.f.) = 4.29802 percent

Multiple Regression Analysis

-----------------------------------------------------------------------------
Dependent variable: Oxigeno Fondo
-----------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
-----------------------------------------------------------------------------
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
-----------------------------------------------------------------------------

R-squared = 9.61981 percent

R-squared (adjusted for d.f.) = 6.53866 percent
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
------------------------------------------------------------------------------
 Interpolacion de los datos
faltantes
Lago Murray, Carolina del Sur
14
Oxgeno disuelto
Oxgeno disuelto en el fondo

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
 Lago Murray, Carolina del Sur
14
Oxgeno disuelto
Oxgeno disuelto en el fondo

12

10

0
0 20 40 60 80 100 120 140 160 180
 Recapitulaci
on

Introduccion al Analisis de Series Temporales

Calculo de Tendencias y Estacionalidad

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 <andres.alonso@uc3m.es>

6 Jose R. Berrendero

<joser.berrendero@uam.es> 6 Ana E. Garca

<anaelizabeth.garcia@urjc.es> 6 Carolina Garca

<garcia.martos@upm.es>
6 Adolfo Hernandez <A.Hernandez@exeter.ac.uk>

6 Ana Justel <ana.justel@uam.es>

6 Julio Rodrguez <jr.puerta@uam.es>

6 Mara J. Sanchez <mjsan@etsii.upm.es>

Grupo de investigacion en analisis de series
temporales