PDF superior Pronóstico de series temporales con estacionalidad

Pronóstico de series temporales con estacionalidad

Pronóstico de series temporales con estacionalidad

Para conocer la eficacia de los modelos en diferentes pasos hacia adelante de pronós- tico y con poca información, tomamos las series del capítulo 6 (cuadro 6.1) y las redujimos en tamaño. Esto es, tomamos los primeros 2m + j datos de cada serie con j = 1, . . . , 2m y pronosticamos las siguientes h = 1, . . . , (m = 12) observaciones. Es decir, pronosticamos un total de 24 veces las siguientes 12 observaciones añadiendo cada vez al conjunto de entrenamiento la siguiente observación. El haber tomado un número mínimo de observa- ciones a pronosticar de 2m + 1 se debe a que éste es el número mínimo de observaciones necesarias para que el MA  DB arroje intervalos predictivos. Para analizar los resultados, tomamos los mismos estadísticos que aquellos tomados cuando se pronosticaron las series con información regular de la sección 7.1 (página 87). Los estadísticos son: C  (cobertura observada del intervalo predictivo), E  (estrechez media del intervalo predictivo), D  (desviación absoluta media) y D  % (desviación absoluta porcentual).
Mostrar más

184 Lee mas

Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas

Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas

Dado que las series de alta rugosidad son muy complejas de predecir, se propone una metodología para suavizarla, donde se realiza un submuestreo. El número de entradas del filtro se pone en función de la cantidad de datos disponibles, de tal manera que cuando los datos son sub muestreados la cantidad de entradas es menor. La metodología consiste en generar series temporales a partir de submuestrear a la serie original, partiendo del último valor disponible hacia el más antiguo. Para cada una de las series generadas por el submuestreo, se ajustó a un filtro diferente basado en RNAs [36], [186], y cada uno de ellos genera un pronóstico que luego es promediado en su conjunto. Éste promedio, que consiste en un valor para cada uno de instantes futuros, está compuesto por el tamaño del horizonte de pronóstico. El desempeño del filtro propuesto se evalúa a través del índice SMAPE. Se puede concluir que es mejor suavizar a las series temporales de la clase rugosa, muy frecuente en las series de lluvia acumulada mensualmente. Por ello, es motivante generar algún criterio para fusionar las salidas de los filtros predictores en lugar de simplemente promediarlas.
Mostrar más

170 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

Análisis estadístico y pronóstico con series temporales de la información de las denuncias de accidente de tránsito, Comisaria Distrital PNP - Huaraz, 2007 - 2012

Análisis estadístico y pronóstico con series temporales de la información de las denuncias de accidente de tránsito, Comisaria Distrital PNP - Huaraz, 2007 - 2012

De la gráfica N° 22, se observa que el comportamiento de los accidentes de tránsito por choques con lesiones personales presenta un ligero crecimiento en todo el periodo de ti[r]

124 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

PRÁCTICAS DE SERIES TEMPORALES CON EXCEL

PRÁCTICAS DE SERIES TEMPORALES CON EXCEL

Parece detectarse una estacionalidad de período 4, hecho que debemos confirmar mediante el correlograma. Este gráfico ha sido el objetivo de la práctica 2; aplicando la metodología expuesta a los datos actuales resulta el correlograma mostrado en la página 132, donde se puede ver, por una parte, la evidencia de una estacionalidad de período 4 y, por otra, que es admisible hacer previsiones para cinco intervalos de tiempo.

56 Lee mas

ANALISIS DE SERIES TEMPORALES – J  HAMILTON

ANALISIS DE SERIES TEMPORALES – J HAMILTON

Así, la regresión MCO de Y sobre X, produce un coeficiente de proyección lineal coherente. Obsérvese que este resultado sólo requiere que el proceso sea ergódico durante segundos momentos. Por el contrario, el análisis econométrico estructural requiere suposiciones mucho más fuertes sobre la relación entre X e Y. La diferencia surge porque el análisis estructural busca el efecto de X sobre Y. En el análisis estructural, los cambios en X están asociados con un evento estructural particular como un cambio En la política de la Reserva Federal, y el objetivo es evaluar las consecuencias para Y. Dado que es el objetivo, si es muy importante considerar la naturaleza de la correlación entre X e Y antes de confiar en las estimaciones de MCO. En el caso de la proyección lineal, sin embargo, la única preocupación es la predicción, para lo cual no importa si es X el que causa Y o Y que causa X. Sus connotaciones históricas observadas (resumidas por E) son todo lo que se necesita para Calcular un pronóstico. El resultado [4.1.20] muestra que la regresión por mínimos cuadrados ordinarios proporciona una base sólida para la predicción bajo suposiciones muy suaves.
Mostrar más

806 Lee mas

TEORÍA DE SERIES TEMPORALES

TEORÍA DE SERIES TEMPORALES

Como resumen, se puede reiterar la gran similitud de valores de los coeficientes del modelo de tendencia y de los índices estacionales obtenidos por los dos métodos desarrollados. Esta concordancia es buena para un caso como el que se acaba de estudiar, que se podría etiquetar como modelo aditivo puro. Si se hubiera dado la circunstancia de una serie donde la estacionalidad hubiese afectado a la tendencia de distinta forma en cada componente del período, es decir, variando ya la pendiente, ya la ordenada en el origen, la descomposición clásica no hubiese conseguido modelizarla correctamente.
Mostrar más

47 Lee mas

Estudio estadístico de un caso real. Series temporales

Estudio estadístico de un caso real. Series temporales

El estudio de estas no siempre ha sido exitoso, puesto que, en ocasiones, y tras un análisis de dichas variables se nos hace imposible estimar un buen modelo. Por ello, se han mostrado los resultados que han resultado más interesantes, haciendo un recorrido por las diversas formas en las que nos podemos encontrar una serie temporal, es decir, la presencia o ausencia de tendencia, variabilidad o estacionalidad, así como las pertinentes transformaciones que podemos hacer para encontrar una serie con la que nos resulte sencillo trabajar.

57 Lee mas

Modelos para series de tiempo con estacionalidad compleja

Modelos para series de tiempo con estacionalidad compleja

Para la serie 1), los resultados demuestran que ambos tipos de modelos son aptos para describir y pronosticar esta serie que presenta estacionalidad compleja. El modelo TBATS presenta algunas ventajas sobre el modelo BATS como son: i) mejor bondad de ajuste (menor AIC); ii) menor porcentaje de error en sus pronósticos fuera de la muestra para diferentes horizontes de pronóstico (medido a través de MAPE); reducción en el tiempo de computación para estimar el modelo, debido al menor número de valores semilla.

12 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

El objetivo del presente estudio es evaluar com- parativamente los modelos que mejor pronosti- quen las llamadas recibidas en un centro de emer- gencias de Málaga y valorar los potenciales efectos sinérgicos de su utilización conjunta. Es el primer estudio que combina 6 métodos de series tempo- rales, que incluyen las variables exógenas, suscepti- bles de ser resueltos con software estándar, y anali- za las ventajas comparativas de cada uno, así como el valor añadido de su utilización conjunta.

8 Lee mas

Métodos de clasificación semi supervisada para series temporales

Métodos de clasificación semi supervisada para series temporales

Otra de las medidas de similitud m´as populares usada actualmente se conoce con el nombre de distorsi´on din´amica del tiempo o DTW 2 (Sakoe and Chiba, 1978) y corrige algunas de las dificultades de la distancia euclidiana, como se aprecia en la figura 1.5 (Kurbalija et˜al., 2014). Su principal caracter´ıstica es la elasticidad durante las comparaciones, que hace posible la ali- neaci´on entre puntos desfasados en el tiempo: Se obtiene el alineamiento ´optimo entre ellas, emparej´andolas de forma no lineal mediante contracciones y dilataciones de las series en el eje temporal. Para esta medida un par´ametro clave es el tama˜no de la ventana, el cual determina el mayor desplazamiento permitido entre dos puntos en el camino de emparejamiento.
Mostrar más

74 Lee mas

Nuevos modelos de predicción eólica basados en series temporales

Nuevos modelos de predicción eólica basados en series temporales

Como se ha comentado a lo largo de esta tesis, la relación entre la velocidad de viento y la potencia eólica es altamente no lineal por lo que, en cada instante de tiempo, unos modelos a[r]

143 Lee mas

Reacciones adversas a los antimicrobianos en Cuba (2003 2012)

Reacciones adversas a los antimicrobianos en Cuba (2003 2012)

13. Coutín G. Las Series Temporales. Unidad de Análisis y Tendencias en Salud. Área de Higiene y Epidemiología. La Habana: Ministerio Salud Pública; 2004. 14. Jiménez G, Debesa F, González B, Ávila J, Pérez J. El sistema cubano de farmacovigilancia, seis años de experiencia en la detección de efectos adversos. Rev Cubana Farm. 2006 [citado 10 Feb 2013];40(1):1-8. Disponible en:

12 Lee mas

Método para la búsqueda de patrones similares en series temporales simbólicas

Método para la búsqueda de patrones similares en series temporales simbólicas

Mediante este tipo de representaciones se busca transformar una serie temporal compuesta por valores numéricos, en una serie de símbolos (letras, conjunto de símbolos dependientes del dominio, etc.). Aunque a continuación se presentan de forma detallada solamente cuatro estrategias, hasta la fecha existen otra gran variedad de propuestas para la representación simbólica de series temporales. Muchos de estos métodos como los planteados en [36] [37] [27], buscan específicamente mantener la morfología de la serie original transformada. Por otra parte, existen propuestas de transformación simbólica como la presentada en [32] que requieren un alto conocimiento del dominio y/o de expertos para generar una transformación útil, lo que no permite que el método sea lo suficientemente general para ser aplicado en un gran número de áreas pero que presenta precisamente la ventaja de incluir información sobre el contexto en beneficio de la transformación.
Mostrar más

116 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

Elementos para la simulación numérica de series temporales de velocidad de viento

Elementos para la simulación numérica de series temporales de velocidad de viento

Las características dinámicas de las tipologías estructurales determinan los métodos que deben emplearse para el análisis y diseño ante cargas ecológicas como el viento. En algunas estructuras, el efecto de la energía contenida en secuencias de ráfagas debe ser atendido, fundamentalmente los componentes fluctuantes de las ráfagas que entran en resonancia con ellas. Frente a estos casos los métodos dinámicos en el dominio del tiempo son empleados con frecuencia. La simulación numérica para generar las series temporales de velocidad que serán procesadas como cargas en las estructuras, es una herramienta que ha tenido amplia evolución y aplicación. El objetivo de este estudio es realizar un análisis bibliográfico para determinar los parámetros del viento necesarios, con énfasis en las zonas propensas a la ocurrencia de huracanes, para la simulación de las series temporales así como los métodos numéricos existentes.
Mostrar más

8 Lee mas

Estima y detección de series temporales mediante múltiples sensores

Estima y detección de series temporales mediante múltiples sensores

estructura espacial. Para el caso de estructura espacial adicional, no es posible derivar una f´ ormula cerrada para el GLRT. Debido a esto, se han propuesto dos soluciones: (i) optimizar num´ericamente la verosimilitud mediante una minimizaci´ on alternada, y (ii) considerar una relaci´ on se˜ nal a ruido (SNR) baja, siendo posible obtener, en este caso, una soluci´ on cerrada para el GLRT. Posteriormente, se extendieron estos GLRT, haciendo uso de la verosimilitud asint´ otica, a series temporales con PSD arbitrarias y, por ´ ultimo, tambi´en se consideraron series temporales no estacionarias. Las prestaciones de los GLRT se evaluaron por medio de simulaciones num´ericas demostrando, una vez m´ as, la importancia de explotar completamente la estructura espacio-temporal. Adem´ as se ha mostrado que los GLRT para ruidos no-IID son m´ as robustos que los tests para ruidos IID y, por lo tanto, desde un punto de vista pr´ actico, es preferible usarlos.
Mostrar más

164 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

TítuloPredicción de series temporales utilizando redes de neuronas artificiales

TítuloPredicción de series temporales utilizando redes de neuronas artificiales

Para cada patrón repetir: 1.1 Desde to hasta t1 época o duración del patrón hacer en cada t: a Introducir el dato del instante t en la red b Propagar las activaciones como en una red mul[r]

18 Lee mas

Show all 10000 documents...