SERIES DE TIEMPO
AUTOR: JONATHAN CRYER
2024-09-04
Un Proceso Químico Industrial
library(TSA)
Ejemplos de Series Temporales
En esta sección, presentamos una serie de ejemplos que se desarrollarán en capítulos posteriores.
Precipitación Anual en Los Ángeles
El Gráfico 1 muestra una gráfica de series temporales de las cantidades de precipitación anual registradas
en Los Ángeles, California, durante más de 100 años. La gráfica muestra una variación considerable en la
cantidad de precipitación a lo largo de los años: algunos años tienen precipitaciones bajas, otros altas, y
muchos están en un valor intermedio. El año 1883 fue un año excepcionalmente lluvioso en Los Ángeles,
mientras que 1983 fue bastante seco. Para fines de análisis y modelado, nos interesa saber si los años
consecutivos están relacionados de alguna manera. Si es así, podríamos utilizar el valor de precipitación de
un año para ayudar a predecir la cantidad de precipitación del año siguiente. Una forma gráfica de investigar
esa cuestión es emparejar los valores de precipitación de años consecutivos y trazar el diagrama de dispersión
resultante de los pares.
El Gráfico 2 muestra dicho diagrama de dispersión para la precipitación. Por ejemplo, el punto trazado
cerca de la esquina inferior derecha muestra que el año de precipitación extremadamente alta, 40 pulgadas
en 1883, fue seguido por una cantidad intermedia (alrededor de 12 pulgadas) en 1884.
Cerca de la parte superior de la gráfica se muestra que el año de 40 pulgadas de precipitación fue precedido
por un año mucho más típico, con alrededor de 15 pulgadas.
data(larain)
plot(larain,ylab='Inches',xlab='Year',type='o')
1
40
30
Inches
20
10
1880 1900 1920 1940 1960 1980
Year
Figure 1: Explicación figura
plot(y=larain,x=zlag(larain),ylab='Inches',
xlab='Previous Year Inches')
40
30
Inches
20
10
10 20 30 40
Previous Year Inches
Figure 2: Explicación figura
2
La principal impresión que obtenemos de esta gráfica es que hay poca o ninguna información sobre la cantidad
de precipitación de este año a partir de la cantidad del año pasado. La gráfica no muestra “tendencias” ni
tendencias generales. Hay poca correlación entre la cantidad de precipitación del año pasado y la de este
año. Desde el punto de vista del modelado o la predicción, ¡esta no es una serie temporal muy interesante!
Un Proceso Químico Industrial
Como un segundo ejemplo, consideramos una serie temporal de un proceso químico industrial. La variable
medida aquí es una propiedad de color de lotes consecutivos en el proceso. El Gráfico 3 muestra una gráfica
de series temporales de estos valores de color. Aquí, los valores que son vecinos en el tiempo tienden a ser
similares en tamaño. Parece que los vecinos están relacionados entre sí.
data(color)
plot(color,ylab='Color Property',xlab='Batch',type='o')
85
Color Property
80
75
70
65
0 5 10 15 20 25 30 35
Batch
Figure 3: Explicación figura
Esto se puede ver mejor construyendo un diagrama de dispersión de pares vecinos, como hicimos con el
primer ejemplo. El Gráfico 4 muestra el diagrama de dispersión de los pares vecinos de valores de color.
Vemos una ligera tendencia ascendente en esta gráfica: los valores bajos tienden a ser seguidos en el siguiente
lote por valores bajos, los valores medianos tienden a ser seguidos por valores medianos, y los valores altos
tienden a ser seguidos por valores altos. La tendencia es evidente, pero no es demasiado fuerte. Por ejemplo,
la correlación en este diagrama de dispersión es de aproximadamente 0.6.
plot(y=color,x=zlag(color),ylab='Color Property',
xlab='Previous Batch Color Property')
3
85
Color Property
80
75
70
65
65 70 75 80 85
Previous Batch Color Property
Figure 4: Explicación figura
Abundancia Anual de la Liebre Canadiense
Nuestro tercer ejemplo se refiere a la abundancia anual de la liebre canadiense. El Gráfico 5 muestra la
gráfica de series temporales de esta abundancia durante aproximadamente 30 años. Los valores vecinos
aquí están muy estrechamente relacionados. No se producen grandes cambios en la abundancia de un año
al siguiente. Esta correlación entre vecinos se ve claramente en el Gráfico 6, donde hemos graficado la
abundancia en función de la abundancia del año anterior. Al igual que en el ejemplo anterior, vemos una
tendencia ascendente en la gráfica: los valores bajos tienden a ser seguidos por valores bajos en el año
siguiente, los valores medianos por valores medianos, y los valores altos por valores altos.
data(hare); plot(hare,ylab='Abundance',xlab='Year',type='o')
4
80
Abundance
60
40
20
0
1905 1910 1915 1920 1925 1930 1935
Year
Figure 5: Explicación figura
plot(y=hare,x=zlag(hare),ylab='Abundance',
xlab='Previous Year Abundance')
80
Abundance
60
40
20
0
0 20 40 60 80
Previous Year Abundance
Figure 6: Explicación figura
5
Temperaturas Promedio Mensuales en Dubuque, Iowa
Las temperaturas promedio mensuales (en grados Fahrenheit) registradas durante varios años en Dubuque,
Iowa, se muestran en el Cuadro 1.7.
data(tempdub); plot(tempdub,ylab='Temperature',type='o')
70
Temperature
50
30
10
1964 1966 1968 1970 1972 1974 1976
Time
Figure 7: Explicación figura
Esta serie de tiempo muestra un patrón muy regular llamado estacionalidad. La estacionalidad para valores
mensuales ocurre cuando las observaciones con una diferencia de doce meses están relacionadas de alguna
manera. Por ejemplo, todos los meses de enero y febrero son bastante fríos, pero son similares en valor y
diferentes de las temperaturas de los meses más cálidos como junio, julio y agosto. Aún así, hay variación
entre los valores de enero y variación entre los valores de junio. Los modelos para este tipo de series deben
acomodar esta variación mientras preservan las similitudes. Aquí, la razón de la estacionalidad se comprende
bien: la inclinación cambiante del hemisferio norte hacia el sol.
Ventas Mensuales de Filtros de Aceite Nuestro último ejemplo para este capítulo se refiere a las
ventas mensuales a distribuidores de un filtro de aceite especializado para equipos de construcción fabricado
por John Deere. Cuando estos datos se presentaron por primera vez a uno de los autores, el gerente dijo:
“No hay razón para creer que estas ventas sean estacionales”. La estacionalidad estaría presente si los valores
de enero tienden a estar relacionados con otros valores de enero, los de febrero con otros de febrero, y
así sucesivamente. El gráfico de series de tiempo que se muestra en el Cuadro 1.8 no está diseñado para
mostrar la estacionalidad de manera clara. El Cuadro 1.9 muestra el mismo gráfico pero modificado para
usar símbolos de trazado significativos. En este gráfico, todos los valores de enero están representados con
el carácter “J”, todos los de febrero con “F”, todos los de marzo con “M”, y así sucesivamente. Con estos
símbolos de trazado, es mucho más fácil ver que las ventas en los meses de invierno, como enero y febrero,
tienden a ser altas, mientras que las ventas en septiembre, octubre, noviembre y diciembre son generalmente
bastante bajas. La estacionalidad en los datos es mucho más fácil de ver con este gráfico de series de tiempo
modificado.
6
data(oilfilters); plot(oilfilters,type='o',ylab='Sales')
6000
4000
Sales
2000
1984 1985 1986 1987
Time
Figure 8: Explicación figura
plot(oilfilters,type='l',ylab='Sales')
points(y=oilfilters,x=time(oilfilters),
pch=[Link](season(oilfilters)))
7
6000
J F F
JF J J A
FMAM A
4000
Sales
S J M
J AMJ
A OD D J J
M J M
J N A A M J
A ON
2000
O ON
S N M
S D S D
1984 1985 1986 1987
Time
Figure 9: Explicación figura
En general, nuestro objetivo es enfatizar métodos de trazado que sean apropiados y útiles para encontrar pa-
trones que conduzcan a modelos adecuados para nuestros datos de series de tiempo. En capítulos posteriores,
consideraremos varias maneras de incorporar la estacionalidad en los modelos de series de tiempo.
CONCEPTOS FUNDAMENTALES
Este capítulo describe los conceptos fundamentales en la teoría de modelos de series de tiempo. En particular,
introducimos los conceptos de procesos estocásticos, funciones de media y covarianza, procesos estacionarios
y funciones de autocorrelación.
2.1 Series de Tiempo y Procesos Estocásticos La secuencia de variables aleatorias {Yt : t =
0, ±1, ±2, ±3, . . . } se llama un proceso estocástico y sirve como modelo para una serie de tiempo
observada. Se sabe que la estructura probabilística completa de dicho proceso está determinada por el
conjunto de distribuciones de todas las colecciones finitas de las Y ’s. Afortunadamente, no tendremos
que trabajar explícitamente con estas distribuciones multivariadas. Gran parte de la información en estas
distribuciones conjuntas puede describirse en términos de medias, varianzas y covarianzas. Por lo tanto,
nos enfocamos en estos momentos de primer y segundo orden. (Si las distribuciones conjuntas de las Y ’s
son distribuciones normales multivariadas, entonces los momentos de primer y segundo orden determinan
completamente todas las distribuciones conjuntas).
2.2 Medias, Varianzas y Covarianzas Para un proceso estocástico {Yt : t = 0, ±1, ±2, ±3, . . . }, la
función de media se define como
µt = E(Yt ) para t = 0, ±1, ±2, . . .
Es decir, µt es el valor esperado del proceso en el tiempo t. En general, µt puede ser diferente en cada punto
de tiempo t.
8
La función de autocovarianza, γt,s , se define como
γt,s = Cov(Yt , Ys ) = E [(Yt − µt )(Ys − µs )] = E(Yt Ys ) − µt µs
para t, s = 0, ±1, ±2, . . ..
La función de autocorrelación, ρt,s , se da por
Cov(Yt , Ys )
ρt,s = Corr(Yt , Ys ) = p
Var(Yt )Var(Ys )
donde
γt,s = Cov(Yt , Ys )
y
γt,t = Var(Yt ), γs,s = Var(Ys )
para t, s = 0, ±1, ±2, . . ..
