PDF superior ANÁLISIS DE SERIES TEMPORALES DE DATOS SONOROS

ANÁLISIS DE SERIES TEMPORALES DE DATOS SONOROS

ANÁLISIS DE SERIES TEMPORALES DE DATOS SONOROS

d) Análisis de eventos excepcionales. El Ld(24h) y Le(4h) de la semana 24 así como el Ln(8h) de la semana 25 se han excluido del proceso. Las celebraciones por la consecución de Liga española de futbol 2007 por el Real Madrid C.F. suponen un evento totalmente excepcional, cuya inclusión modifica notablemente alguno de los índices. Como puede apreciarse en la figura 2 el lavor de Ln(8h) de esa semana tiene un valor 7 dBA por encima de los contiguos, con la consiguiente repercusión en el valor mensual y anual. Se retiran de la serie los datos que transcurren entre las 22:52 del 17 de junio y las 0:42 del 18 del mismo mes.
Mostrar más

6 Lee mas

Reconocimiento automático de patrones . Análisis y clasificación automática de series temporales

Reconocimiento automático de patrones . Análisis y clasificación automática de series temporales

Este trabajo describe una línea de I/D y los resultados esperados de la misma. El objetivo principal es estudiar, desarrollar y evaluar sistemas de reconocimiento automático de patrones en modo supervisado y no supervisado. En modo supervisado el objetivo principal es optimizar la generalización del clasificador. Son estudiadas aplicaciones caracterizadas por medio de señales digitales y en particular series temporales. Se estudian sistemas de reconocimiento estadístico de patrones, métodos de extracción y selección de características, análisis de métricas, técnicas de optimización y clasificadores basados en máquinas de soporte vectorial (SVM).
Mostrar más

5 Lee mas

Análisis de series temporales aplicado a intoxicaciones atendidas en urgencias hospitalarias

Análisis de series temporales aplicado a intoxicaciones atendidas en urgencias hospitalarias

Para alcanzar una adecuada calidad asistencial debemos conocer el pronóstico del comporta- miento de la demanda de servicios el cual condi- ciona la toma de decisiones a la hora de planificar y organizar el trabajo hospitalario. En el área de las intoxicaciones urgentes, este pronóstico hace refe- rencia al comportamiento futuro más probable de la demanda por este tipo de atención. Para cons- truir estos modelos se emplea la técnica de análisis de series temporales, de uso común en física, de- mografía, economía y bolsa, pero no tanto en me- dicina de urgencias. El objetivo del presente estu- dio es la construcción de un modelo de pronóstico de la tasa endémica acumulada semanal de intoxi- caciones atendidas en los SUH, empleando para ello el caso del Hospital Universitario Nuestra Se- ñora de la Candelaria de Tenerife.
Mostrar más

7 Lee mas

Análisis multifractal de correlaciones en series temporales de sistemas económicos

Análisis multifractal de correlaciones en series temporales de sistemas económicos

Desde que Mandelbrot (Mandelbrot B., 1982) propuso la teor´ıa de los fractales, un amplio numero de estudios empr´ıricos se han realizado con la intenci´on de evaluar la dependencia de largo y corto alcance de series de tiempo financieras. Los trabajos de Peters son referentes bajo esta perspectiva (Peters E. 1991,1994). En ellos se estudian las propiedades no-lineales y las autocorrelaciones de largo-alcance de un conjunto de series financieras a la luz de la de la geometr´ıa fractal y elementos de teor´ıa del Caos. Posteriormente se extiende aquellas ideas en otros contextos financieros; nuevas y m´as recientes aproximaciones te´orico-fractal a distintos mercados stocks (Cajueiro D.O., Tabak B.M., 2007), mercados de renta varia- bles (Cajueiro D.O., Tabak B.M., 2008), los cuales proveen de suficiente evidencia emp´ırica de la ineficiencia de los mercados, esto es, del comportamiento fractal de los mercados(HMF). En la literatura existente, varias aproximaciones han sido desarrolladas para estudiar rasgos multifractales en mercados financieros. Los resultados muestran que algunos mercados finan- cieros son (multi)fractales, sus series stocks exhiben autocorrelaciones de largo-alcance (Hu K., et al. 2001; Chen Z., et al. 2002;), ademas que presentan entre ellas correlaciones(cross- correlation) igualmente de largo-alcance (Podobnik B.,2009a, Podobnik B., 2009b; Horvatic D.,et al.,2011),lo que a su vez representa una recusaci´on a la hip´otesis del mercado eficiente tradicional (HME).
Mostrar más

33 Lee mas

Modelos Arch: Un análisis de volatilidad de series temporales financieras

Modelos Arch: Un análisis de volatilidad de series temporales financieras

En segundo lugar, se puede observar que la curtosis de la serie diaria de rendimientos del tipo de cambio peseta/dólar es 5,640229, es decir, significativamente mayor que 3 y, por lo tan[r]

18 Lee mas

Fundamentos matemáticos del análisis de series temporales

Fundamentos matemáticos del análisis de series temporales

necesidad de desarrollar t´ ecnicas espec´ıficas para el an´ alisis estad´ıstico de series temporales. Con este fin es necesario disponer de modelos estad´ısticos apropiados para describir la dependencia temporal. Los modelos naturales en este ´ ambito son los procesos estacionarios. Estos son procesos que mantienen una estructura probabil´ıstica constante en el tiempo y esto posibilita la es- timaci´ on de caracter´ısticas asociadas y la predicci´ on. En apariencia muchas series no son estacionarias pero pueden transformarse en series que pueden modelarse como realizaciones de alg´ un proceso estacionario.
Mostrar más

85 Lee mas

Análisis del caos en series temporales financieras vía el estudio de atractores

Análisis del caos en series temporales financieras vía el estudio de atractores

Con el fin de comprobar la coherencia del algoritmo propuesto, se ha hecho lo siguiente: en puntos uniformemente distribuidos se han reemplazado algunos puntos por otros acumulados en una zona del espacio de estados y así la serie deja de cumplir la propiedad de transitividad topológica. Concretamente, se han reemplazado un 10 %, un 20 % y un 30 %, respectivamente, del número de confinamientos por puntos obtenidos sumando una pequeña oscilación a la media entre el máximo valor y el mínimo valor de los datos originales. Tras la aplicación del algoritmo propuesto a las tres series generadas debería obtenerse un p-value pequeño, que lleve a rechazar la hipótesis nula de que las funciones se distribuyen de modo parecido. Además, para que pudiese aceptarse la simulación como coherente, el p-value obtenido debería ser menor (más lejos de ser aceptada la hipótesis nula) a más puntos se hayan reemplazado de la serie uniforme, ya que ello implica alejarse más de la propiedad de transitividad topológica.
Mostrar más

262 Lee mas

Análisis de los mercados financieros y el modelo de Markowitz

Análisis de los mercados financieros y el modelo de Markowitz

En este trabajo se realiza un estudio del mercado de acciones a partir de los datos correspondientes a las cotizaciones de siete empresas del IBEX 35. El trabajo consta de dos partes principales. En primer lugar realizaremos un análisis de series temporales en el que buscaremos un modelo que pueda reflejar el comportamiento de las acciones y nos permita obtener la información necesaria para realizar buenas inversiones. En segundo lugar haremos un estudio del modelo de Markowitz, que está diseñado para encontrar una cartera de inversión óptima, y comentaremos cómo lo utilizan los profesionales y alguna de las críticas que recibe de ellos.
Mostrar más

60 Lee mas

Cambios aditivos e innovativos en series temporales

Cambios aditivos e innovativos en series temporales

Correa (2000) menciona que una serie de tiempo es una sucesión de observaciones o de lecturas ordenadas, obtenidas al variar el tiempo u otra índole. Cabe destacar que existe una gran diferencia entre los datos manejados en series de tiempo y los empleados para realizar inferencias, en pruebas de hipótesis sobre parámetros, o en análisis de varianza, dicha diferencia radica en el orden cronológico o secuencial inducido por la forma como se obtienen las observaciones que generan la serie, este orden crea una estructura de correlación o de dependencia entre las observaciones no existente en los otros conjuntos de datos. En una serie de tiempo la observación que ocupa cierta posición está relacionada con las observaciones ubicadas en las posiciones anteriores, por esta razón si se altera la posición de una observación se alteran las relaciones entre las observaciones y por ende los pronósticos estimados. Ahora bien, si se considera que la observación z t es
Mostrar más

60 Lee mas

Pronosticando el índice ENSO varios pasos en adelante mediante técnicas de modelamiento no lineal

Pronosticando el índice ENSO varios pasos en adelante mediante técnicas de modelamiento no lineal

A través de técnicas de modelamiento no lineal para sistemas dinámicos [1] se ha logrado caracterizar diferentes tipos de series temporales de carácter no lineal [2-3]. Para ello se emplean herramientas matemáticas que permiten determinar ciertos parámetros que entregan más luz en el análisis de una serie de tiempo no lineal. El primero de ellos se llama función AMI (información mutua promedio o average mutual information); y el segundo es la función FNN (falsos vecinos más cercanos o false nearest neighbours). Por otro lado, se han introducido como nueva técnica al estudio de las series temporales no lineales las denominadas Redes Neuronales Artificiales (RNA)[4], las cuales se han revelado como una herramienta capaz de modelar series temporales no lineales a las herramientas ya tradicionales [5-6].
Mostrar más

9 Lee mas

Modelos arima para la temperatura media anual en seis ciudades españolas

Modelos arima para la temperatura media anual en seis ciudades españolas

Análisis Univariable de Series Temporales, Método Box-Jenkins, Modelos Arima, Tempera- tura Media Anual.. Introducción.[r]

14 Lee mas

Supervisión multidistribuida de transportes refrigerados mediante tecnología inalámbrica: diagrama de fases una nueva metodología de análisis.

Supervisión multidistribuida de transportes refrigerados mediante tecnología inalámbrica: diagrama de fases una nueva metodología de análisis.

Se han desarrollado diferentes tipos de modelos para explicar y predecir los cambios de temperatura en el interior de contenedores refrigerados (Jedermann et al., 2013). La posibilidad de detectar comportamientos deterministas – caóticos o no -, o estocásticos – lineales o no – resulta de especial interés no sólo para justificar el uso de uno u otro tipo de modelos para la representación de las series temporales, sino como un incentivo adicional para seguir profundizando en el estudio de la estructura subyacente de los fenómenos estudiados. La certeza, o simplemente la evidencia débil, de la existencia de comportamientos caóticos en una serie temporal resulta también interesante para mejorar las predicciones sobre su evolución futura – por ejemplo usando los métodos de predicción por analogías. El análisis de si una serie de datos es aleatoria o presenta por el contrario caos determinista se traduce en investigar si sus elementos pueden considerarse muestreados en las trayectorias de un sistema determinista desconocido cuya dinámica converja a un atractor extraño (Fernández, 2012). Es decir, según demostraron Packard et al. (Packard et al., 1980), Takens (Takens, 1981), y Eckmann Ruelle (Eckmann and Ruelle, 1985) y otros autores, se trata de analizar una serie temporal asumiendo que ésta es una muestra observable de la trayectoria que describe la solución de un sistema dinámico. Para diagnosticar la presencia de caos a partir de una serie temporal se utilizan herramientas que tratan de encontrar evidencias de que el sistema dinámico generador de la serie temporal converge a atractores, es decir, se centran en la estimación de la estabilidad local del atractor. Para ello, un aspecto previo que tendremos que considerar será el de la reconstrucción del atractor a partir de la serie temporal de forma que se conserven las mismas propiedades cualitativas del sistema dinámico desconocido (Fernández, 2012).
Mostrar más

6 Lee mas

Desarrollo de un modelo en la cuenca alta del Río Negro (Uruguay) utilizando HydroBID: análisis de la disponibilidad de agua en diferentes escenarios

Desarrollo de un modelo en la cuenca alta del Río Negro (Uruguay) utilizando HydroBID: análisis de la disponibilidad de agua en diferentes escenarios

Así mismo a través del análisis de los gráficos de las series temporales de caudales se ha verificado que el modelo, reproduce de manera razonable los períodos donde se incrementa el caudal por eventos de precipitación, nuevamente considerando las limitaciones en lo que refiere al primer año de cada simulación. Sin embargo, ha de indicarse que en la validación 2 para la Estación Aguiar se observan diferencias importantes, subestimando el flujo total para el modelo. Esto podría explicarse considerando que solo se cuenta con dos años de mediciones, lo que hace difícil poder concluir al respecto. Diferencias importantes también se han registrado cuando se ejecutó la validación para la estación de aforo Laguna I. Los hidrogramas aquí arrojan mayor cantidad de picos, y picos más elevados para los caudales observados. Quizás este efecto en parte pueda deberse a una subestimación en el número de curva considerado en la calibración.
Mostrar más

60 Lee mas

PRÁCTICAS DE SERIES TEMPORALES CON EXCEL

PRÁCTICAS DE SERIES TEMPORALES CON EXCEL

Paso 4: Situar el gráfico como ¿ Objeto en la hoja gráficos. Terminar Es necesario editar el gráfico, tal como se ha hecho con el anterior, para que la escala de ordenadas vaya desde cinco mil hasta siete mil. El resultado es el gráfico de la página 112. Con la nueva escala parece bastante claro que puede haber una tendencia cuadrática, por eso, se ha de proceder a ajustar un modelo parabólico con el bien entendido de que si el término cuadrático no fuese significativo ya se detectaría en el análisis de los resultados, y se procedería en consecuencia; es decir, se debería ajustar un nuevo modelo sin el término que ha resultado no significativo.
Mostrar más

56 Lee mas

Sistema de predicción de estadísticas de nacimientos y defunciones en Colombia soportadas por TIC

Sistema de predicción de estadísticas de nacimientos y defunciones en Colombia soportadas por TIC

George C. Tiao (2015). Titulo: Time Series: ARIMA Methods, implementa unos modelos lineales y no lineales para aproximarse adecuadamente a un modelo dinámico, para ello se centran en el modelo un modelo lineal parsimonioso representados en los modelos de media móvil autorregresivo mixto (ARMA) que se utilizan para representar las series estacionarias y no estacionarias. Para poder manejar los modelos de media móvil integrada autorregresiva (ARIMA) se toma en cuenta la no estacionariedad para una auto correlación, suelen ser una manera extrapolar del patrón dinámico en los datos para pronosticar observaciones futuras, estimar el efecto de intervenciones exógenas conocidas y detectar intervenciones insospechadas. Se basan en la construcción de modelos propuestos por Box y Jenkins como un enfoque real que consiste en una especificación tentativa del modelo, una estimación eficiente y una verificación de diagnóstico, se discute e ilustra con un ejemplo real. Los modelos ARIMA se amplían para representar patrones estacionales en los datos, e incluir un componente aditivo para el efecto dinámico de las intervenciones. Se ilustra la correspondencia entre los modelos ARMA y los modelos GARCH comúnmente utilizados en el análisis de datos de series temporales financieras con varianzas heterogéneas. Finalmente, se presentan algunas extensiones de modelos de series de tiempo no lineales, en particular los modelos autor regresivos de umbral.
Mostrar más

44 Lee mas

Minería de datos para series temporales en Weka y su aplicación en el pronóstico de precipitaciones

Minería de datos para series temporales en Weka y su aplicación en el pronóstico de precipitaciones

Los métodos utilizados en el análisis de series temporales son típicamente divididos en dos clases: los de dominio de frecuencias [4] y los de dominio de tiempo [5]. El primero incluye el análisis espectral y más recientemente el análisis de ondulaciones; el segundo incluye autocorrelación y correlación cruzada. Además, las técnicas de análisis de series temporales pueden ser divididas según sus métodos en paramétricas y no paramétricas. Los enfoques paramétricos asumen que la estacionalidad fundamental del proceso estocástico tiene cierta estructura la cual puede ser descrita usando un reducido número de parámetros (por ejemplo, usando autorregresión o corrimiento de medias). En estos enfoques, el objetivo es estimar los parámetros del modelo que mejor describen el proceso estocástico. Por el contrario, los enfoques no paramétricos estiman explícitamente la covarianza o el espectro del proceso sin asumir que este tenga alguna estructura en particular. Adicionalmente otras clasificaciones han sido creadas para describir series temporales, algunas de ellas son: series lineales y no lineales, univariadas y multivariadas.
Mostrar más

92 Lee mas

Diseño e implementación de una herramienta de análisis de datos y automatización de procesos para mercados financieros

Diseño e implementación de una herramienta de análisis de datos y automatización de procesos para mercados financieros

A la hora de realizar un estudio basado en predicción de series temporales hemos estudiado como la traducción desde números a símbolos es mucho más factible. Este método de análisis perdería mucho sentido si todos los agentes del mercado utilizaran el mismo sistema de predicción. Para conseguir retornos otro tiene que sufrir pérdidas. Debido a esto un algoritmo de predicción nunca conseguirá ganar todas las operaciones que ejecute, pero mediante un proceso de optimización, se puede lograr que el número de aciertos sea mayor al número de errores en el pronóstico de la fluctuación del mercado. Del mismo, hay eventos que tienen un impacto muy alto en los mercados y que son impredecibles.
Mostrar más

54 Lee mas

Evaluación de modelos de series temporales para la previsión de la demanda de emergencias sanitarias

Evaluación de modelos de series temporales para la previsión de la demanda de emergencias sanitarias

La selección de los métodos se ha efectuado combinando dos criterios: la adecuación de la es- tructura de los datos a los modelos y la existencia de software estándar para su aplicación. Los 6 mo- delos seleccionados han sido: armónico multipli- cativo, método X-11 de desestacionalización, ali- sado de Winters, autorregresivo integrado de medias móviles (ARIMA) mediante el análisis de intervención con meses estivales y los valores atí- picos, ARIMA con función de transferencia de los casos declarados de gripe (ARIMAX), y un modelo estructural armónico, con población, casos de gri- pe y número de pernoctaciones como variables exógenas (Figura 1). Las técnicas y estadísticos utilizados para cada uno de los modelos se descri- ben en la Tabla 1 19-23 .
Mostrar más

8 Lee mas

Supervisión multidistribuida de transportes refrigerados mediante redes de sensores: diagramas de fases, una nueva metodología de análisis

Supervisión multidistribuida de transportes refrigerados mediante redes de sensores: diagramas de fases, una nueva metodología de análisis

t(k+ ∆ i ) − t(k). Obsérvese que el tiempo de retardo no de- pende de k ya que el paso temporal es fijo. La recons- trucción del espacio de fases se consigue al representar la serie temporal frente a sí misma retrasada en el tiem- po. El valor del tiempo óptimo de retardo para la recons- trucción del espacio de fases se establece heurísticamente. Previamente a la reconstrucción del es- pacio de fases, las series temporales de temperatura se suavizaron con una ventana de 5 puntos. En este trabajo se ha realizado la reconstrucción de un espacio de fases bidimensional, representando la temperatura en el tiem- po t(k+ ∆ ) versus la temperatura en el tiempo t(k). El valor óptimo de ∆ es aquél en el que la representación de la variable temperatura en el espacio de fases permite la observación del atractor o trayectoria cíclica de mayor su- Maersk
Mostrar más

6 Lee mas

Manipulación de series de datos espacio temporales mediante el uso de formatos de datos científicos y geográficos en R

Manipulación de series de datos espacio temporales mediante el uso de formatos de datos científicos y geográficos en R

Desde los orígenes de los SIG, una de las preocupaciones principales ha sido la de representar de la mejor manera posible toda la información que podemos extraer de una zona geográfica dada, de tal modo que pueda almacenarse y analizarse en el entorno de un SIG (Olaya 2014). Entre los modelos lógicos principales para representar datos geográficos se encuentran el formato raster y vectorial que dan lugar a dos grandes tipos de capas de información espacial. En líneas generales podemos decir que el modelo raster se basa en una división sistemática del espacio, la cual cubre todo este, caracterizándolo como un conjunto de unidades elementales. El modelo vectorial, por su parte, no divide el espacio completamente, sino que lo define mediante una serie de elementos geométricos con valores asociados, siendo la disposición de estos no sistemática, sino guardando relación con los objetos geográficos presentes en la zona de estudio (Olaya 2014).
Mostrar más

84 Lee mas

Show all 10000 documents...