You are on page 1of 15

DEPARTAMENTO DE MATEMÁTICAS

Tarea 1 Series de Tiempo
Mat-267 Series de Tiempo

Alumno Rol USM Profesor Ayudante Fecha

: : : : :

Rodrigo Thiers Moggia 2711011-8 Ronny Vallejos Jonathan Acosta 01/04/2013

dat es una serie asociada al calentamiento global que contiene 142 mediciones de desviaciones en la temperatura de la tierra entre los años 1856 y 1997 (Shumway and stoffer 2000.UTFSM Problema 1: a) El archivo globtemp.dat") Zt = ts(datos[45:142]. 1 .Tarea 1 Series de Tiempo I Semestre 2013 . Gráfico Serie Globtemp Rodrigo Thiers M.1.start=c(1900)) b) Gráfico de la serie en el tiempo: Figura B. página 50). Dado que se pide trabajar con los datos entre los años 1900 y 1997 se genera una serie con las últimas 98 mediciones mediante los comandos: datos = scan("globtemp.

292 0.409 Tabla C. Para determinar el valor óptimo de α se realizan predicciones para siete valores distintos y se selecciona aquel que minimiza el error cuadrático medio definido como: ECM = ∑ El problema de inicialización del algoritmo se soluciona suponiendo Ẑ0(1) = Z1.2 1. 1 ≤ t ≤ n.285 0.6 (Azul) Rodrigo Thiers M.01 4.2 Serie Globtemp (Rojo) y Serie Suavizada α = 0. Los resultados obtenidos se resumen en la tabla C.6 1. En la figura C.1 2.6 (azul). 0 < α < 1.6 con un ECM = 1.UTFSM c) Se considera el siguiente modelo de predicción a un paso: Ẑt(1) = α Zt + (1 − α) Ẑt−1(1).4 1.Tarea 1 Series de Tiempo I Semestre 2013 .285.508 0.1 ECM para distintos valores de α Por lo tanto se selecciona como valor óptimo α = 0.443 0.037 0.327 1 1.8 1.2 se presentan los gráficos de la serie original (rojo) y la serie suavizada para α = 0. Figura C. 2 .1: α ECM 0.

serie suavizada (rojo) y la predicción para los tres años subsiguientes a la última observación (verde).S (α=0.1 Predicciones S. es decir. 1998 1999 2000 0.363248 0.41932 Tabla D. Suavizada (Rojo) y Predicción (Verde).Tarea 1 Series de Tiempo I Semestre 2013 . 3 .6. Año Z pred. Figura E.E. La serie Globtemp presenta una clara tendencia creciente por lo que el modelo utilizado no es el ideal para capturar Rodrigo Thiers M.1 se muestran gráficamente la serie original (negro). e) En la figura E. 1 ≤ t ≤ n.1 se presentan los resultados obtenidos. localmente constante más un comportamiento irregular. En la tabla D. 0 < α < 1.403299 0. Ẑt(k) = α Zt + (1 − α) Ẑt−1(k-1).6).1 Serie original (Negro).UTFSM d) Para predecir la serie en los tres años subsiguientes a la última observación se considera el siguiente modelo de suavizamiento exponencial simple con α = 0. El modelo de suavizamiento exponencial simple está formulado para una serie que no tiene tendencia.

Dado que la tendencia es lineal. λ > 0.Tarea 1 Series de Tiempo I Semestre 2013 .1. Zt > 0. (II) Zt ≥ 0.UTFSM este comportamiento. Serie Diferenciada Mediante simple inspección visual es posible verificar la eliminación de la tendencia y la estabilización de la media entorno a 0. el modelo óptimo de predicción corresponde a suavizamiento exponencial doble. Tλ(Zt) = log(Zt). Figura F. f) Para estabilizar la media de la serie se aplica el filtro de diferenciación. λ = 0. Sin embargo al observar la figura E. Rodrigo Thiers M.1 es posible apreciar un aceptable ajuste entre ambas curvas y suavizado de la serie. Para estabilizar la varianza se propone aplicar la transformación de Box-Cox. (I) Se aplica esta transformación a la serie original y a la series filtrada para valores de λ = 0 y λ = 1/2 y se comparan los resultados obtenidos. 4 . definido como Yt = ∇Zt = Zt − Zt−1 La serie diferenciada se presenta en la figura F.1. (Ztλ − 1)/λ.

donde no es posible identificar un periodo s claro. g) No existe evidencia experimental que permita establecer un comportamiento estacional en las variaciones de la temperatura anual media de la tierra.2. 5 . Por este motivo se realizan las predicciones utilizando un modelo de Holt-Winters no estacional. Rodrigo Thiers M. Se concluye por lo tanto que mediante la transformación de Box-Cox no es posible estabilizar la varianza.UTFSM Figura F.Tarea 1 Series de Tiempo I Semestre 2013 . Comparación Transformaciones de Box-Cox Se observa que ninguna de los cuatro resultados obtenido presenta una varianza estable. Esto se confirma al observar la serie.

390155 0. Este procedimiento consiste en utilizar el 90% de los datos (n=88) para calibrar el modelo y el 10% restante (n=10) para evaluar la capacidad de predicción calculando el error cuadrático medio (ECM). Año Z pred.Tarea 1 Series de Tiempo I Semestre 2013 . Predicciones Holt-Winters No Estacional La comparación de las capacidades de predicción del método Holt-Winters propuesto con el modelo de suavizamiento exponencial simple (α=0.411516 0. 2000.UTFSM Figura G. 1998 1999 2000 0.2 se presentan los resultados de las predicciones realizadas para los años 1998. Método Holt-Winters Caso No Estacional En la tabla G. 1999.432878 Tabla G.6) se realiza mediante validación cruzada.1. Rodrigo Thiers M.2. 6 .

UTFSM Año 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 Zt 0.02915637 0.0010225 0.9779E-05 0.25 0.16348688 0.2183763 0.10483611 Tabla G.35 0.00021642 0.905E-05 0.2292561 -0.18 0.2089559 0.2009409 -0.43 Holt .229981 0.22 0.3.07924763 0.02672796 0.0646495 0.12651312 0.18 0.29 0.11075795 0.2253505 0.03197656 0.20046623 0.23924205 0.02563809 9.43 S.19 0.14226828 0.00743413 0.6 Ẑt-1 (1) et 0.15802344 0.22 0.00722453 0.01471107 0.Winters No Estacional Ẑt-1(1) et e t^2 0.26 0.39 0.39 0.04366257 ECM 0.00417956 0.0173248 0.21292772 Zt 0.08499721 0.E.200019 ECM et^2 0.00154104 0.00043852 0.2297024 0.00858361 0.0926478 0. Rodrigo Thiers M.Tarea 1 Series de Tiempo I Semestre 2013 .2299524 -0.15 0.0302976 0.0099524 0.160119 0.Simple α = 0.1573522 0. Validación Cruzada Por lo tanto se concluye que el modelo de suavizamiento exponencial simple con α=0.09500279 0. 7 .25 0.00773172 5.18953377 0.20528893 0.229881 0.2210441 0.00610589 0.19 0.15 0.00091794 0.08622139 0.04018671 0.6 predice de mejor manera el comportamiento de la serie Globtemp.35 0.2281402 -0.0781402 0.17377861 0.29 0.1316237 0.26 0.0209409 0.0400076 0.17075237 0.0392561 0.05723676 0.

Para esto se utiliza el comando hist().1 Imagen Seleccionada “Geneva.A.1 Rodrigo Thiers M. Figura 2. de manera de mantener el problema en Z2.UTFSM Problema 2: a) En la figura 2.Tarea 1 Series de Tiempo I Semestre 2013 .jpg") Esto entrega un arreglo de datos de dimensión [504 756 3] debido a que la foto está compuesta por 3 canales de 504 x 756 pixeles. el cual entrega el gráfico de la figura 2.1 se presenta la imagen seleccionada.A.B.jpg” Para cargarla en R se utiliza el comando readJPEG de la librería jpeg: library(jpeg) f=readJPEG("Geneva. 8 . b) Como una primera descripción estadística de la imagen resulta útil obtener el histograma de su distribución. En el desarrollo del ejercicio los canales serán trabajados por separados.

1 Histograma Geneva. σ2 = 0. 0.06627668 Rodrigo Thiers M.B.B.2 Parámetros Estadísticos Finalmente para obtener información sobre la dispersión se calcula la varianza. Estos parecen corresponder a los dos colores predominantes que se observan en la fotografía (celeste y café). mínimo y máximo de la serie. mediana.495 3rd Qu.2314 0.jpg Se observa una distribución irregular con dos peaks (Distribución bimodal). Min 0. Para obtener mayor información sobre la distribución se utiliza el comando summary (). primer cuartil. tercer cuartil. el cual entrega la media.UTFSM Figura 2.Tarea 1 Series de Tiempo I Semestre 2013 .03922 1st Qu. 9 .5608 Mean 0. Median 0.7216 Max 1 Tabla 2.

7169 Max 1 1 Figura 2.495 3rd Qu.5. Median 0.03922 0.C. Figura 2. b) Parámetros Estadísticos Rodrigo Thiers M.UTFSM c) Para suavizar la serie espacial se plantea un filtro de media móvil considerando los vecinos a un pixel de distancia asignándoles un peso de 0. 10 .2392 0.7216 0. El detalle del procedimiento puede encontrarse en el archivo .C. los cuales se resumen en la figura 2. Una vez aplicado el filtro se calculan los mismos parámetros señalados en b).j+1. Dado que el filtro considera los datos Zi-1.5584 Mean 0.2314 0.1 Filtro Media Móvil Este procedimiento se realiza para cada canal de la imagen.Tarea 1 Series de Tiempo I Semestre 2013 .0702 1st Qu.C.j-1 y Zi+1.2. Imagen Original Filtrada Min 0.C.1 se presenta un esquema explicativo del algoritmo.R anexo. 0. se pierden 2 columnas y 2 filas de información.5608 0.2 a) Histogramas Imagen Filtrada v/s Original.495 0. En la figura 2.

En cuanto a la varianza. Se observa que los cuartiles se acercan hacia la media y que la mínima aumenta. d) En la figura 2.D.1 Comparación Imagen Original v/s Filtrada Rodrigo Thiers M.Tarea 1 Series de Tiempo I Semestre 2013 .D. 11 . Figura 2. lo que es esperable en un filtro de media móvil.1 se compara la imagen original con la imagen filtrada. también se observa una leve disminución alcanzando σ2 = 0.06384893.UTFSM Como es de esperar se aprecia un leve suavizamiento en el histograma de la serie.

R anexo.Tarea 1 Series de Tiempo I Semestre 2013 . 12 . El detalle del algoritmo puede encontrarse en el archivo . En la figura 2.UTFSM Al observar ambas imágenes se aprecia que la foto filtrada presenta menos definición en los bordes de los objetos. ya que el filtro de media móvil suavizó la serie espacial lo que provoca que los cambios de color sean menos bruscos y la imagen se vea más borrosa. e) Para estudiar el efecto que tiene sobre la imagen filtrada la elección de la cantidad de vecinos se plantea un nuevo filtro considerando valores a dos pixeles de distancia.1 se compara la imagen original con las dos imágenes filtradas. Esto es esperable. Rodrigo Thiers M.E.

1. Rodrigo Thiers M. La existencia de esta tendencia implica que la serie espacial no es estable en media.Tarea 1 Series de Tiempo I Semestre 2013 . Si bien el efecto de considerar vecinos a dos pixeles de distancia no tiene un efecto tan importante en el histograma. donde se juntan los colores celeste y café. En cuanto a la varianza se observa que en la mitad superior e inferior de la foto el color varía muy poco. se tiene una varianza alta. es importante destacar que la imagen tiene dimensiones 504x756 por lo que considerar vecinos a dos lugares de distancia no es significativo. Además es posible reconocer una tendencia: La parte superior de la foto es principalmente celeste y varía hasta ser café en la parte inferior. Comparación Imágenes El considerar un mayor número de vecinos tiene como consecuencia un mayor suavizamiento de la serie lo que se traduce en una imagen aún más borrosa. por lo tanto se espera una varianza baja en estos sectores. Si se aplicara un filtro con un número importante de vecinos se suavizaría aún más la serie y la imagen se vería más borrosa. Esta diferencia tan marcada en la varianza en distintos sectores implica que la varianza de la serie espacial no es estable. f) Al observar la imagen se observa claramente la predominancia de dos colores: celeste y café.UTFSM Figura 2.E. Sin embargo en la parte central de la imagen. 13 .

Ys] = 0 ∀ t ≠ s COV [Zt. σ2) ∀ t.Zt+1] = = E [α Yt-1 + (1-α) Yt] α E [μ + εt-1] + (1 – α) E [μ + εt] α μ + (1 – α) μ μ V [α Yt-1 + (1-α) Yt] α2 V [μ + εt-1] + (1 – α)2 V [μ + εt] α2 σ2 + (1 – α)2 σ2 σ2 (α2 + 1 – 2 α + α2) σ2 (2α2 – 2 α + 1) COV [α Yt-1 + (1-α) Yt . y como Yt ~ N (μ . Rodrigo Thiers M. Yt] + (1 – α)2 COV [Yt.Zt+1] Por lo tanto corresponde a la correlación existente entre la variable Z en el instante t y el instante t+1.Zt+1] = α (1-α) σ2 ≠ 0. Yt+1] + α (1-α) COV [Yt. 14 .Yt-1] = 0. E [Zt] = = = = V [Zt] = = = = = c) COV [Zt. entonces Yt e Yt-1 son independientes. e) f) COV [Yt. Por lo tanto Zt y Zt-1 no son independientes.UTFSM Problema 3: a) b) Zt es un filtro lineal ya que es una combinación lineal convexa entre las variables Y t-1 e Yt. Según lo calculado en c) COV [Zt. Yt] + α (1-α) COV [Yt-1. Yt+1] Dado que COV [Yt.Zt+1] = = d) α (1-α) Var [Yt] α (1-α) σ2 = CORR [Zt.Tarea 1 Series de Tiempo I Semestre 2013 . α Yt + (1-α) Yt+1 ] α2 COV [Yt-1.