Curso

Anlisis Estadstico de Datos

Climticos

Tema: SERIES TEMPORALES II
Mario Bidegain (FC) Alvaro Diaz (FI) Marcelo Barreiro (FC)

Universidad de la Repblica

Montevideo, Uruguay

2009
CONTENIDO


Anlisis espectral.

Espectro de Potencia.

Filtros estadsticos.

Espectro cruzado.

Periodicidades y cuasiperiodicidades.

Separacin de seal y ruido.

Anlisis en el dominio de frecuencias
El anlisis en el dominio de frecuencia implica representar la serie de datos
en trminos de contribuciones hechas en escalas de tiempo diferentes. Por
ejemplo, una serie de tiempo de datos horarios de temperaturas de una
ubicacin en latitudes medias por lo general expondr fuertes variaciones
en la escala de tiempo diaria (correspondiente al ciclo diurno de
calentamiento solar) y en la escala de tiempo anual (debido a la marcha de
las estaciones).

En el dominio de tiempo, estos ciclos aparecern como grandes valores
positivos de la funcin de autocorrelacin cerca de 24 horas para el ciclo
diurno, y 24 365 = 8760 horas para el ciclo anual.

Pensando en la misma serie de tiempo en el dominio de frecuencia,
hablamos de fuertes contribuciones a la variabilidad total de la serie
temporal en los perodos de 24 y 8760 horas, o en frecuencias de
1/24 = 0.0417 1/h y 1/8760 = 0.000114 1/h.

Anlisis Armnico - Funciones Seno y Coseno
El anlisis armnico consiste en representar las
fluctuaciones o variaciones en una serie de
tiempo como la suma de una serie de funciones
de coseno y seno.

Estas funciones trigonomtricas son armnicas
en el sentido que ellos son elegidas para tener
frecuencias que exponen los mltiplos de
nmeros enteros de la frecuencia fundamental
decidida por el tamao de la muestra (p. ej., la
longitud) de la serie de datos.
Funciones Peridicas
Una Funcin Peridica f(t) cumple la
siguiente propiedad para todo valor de t.
f(t)=f(t+T)

A la constante mnima para la cual se
cumple lo anterior se le llama el periodo de
la funcin

Repitiendo la propiedad se puede obtener:
f(t)=f(t+nT), donde n=0,1, 2, 3,...
)
2
cos( u
t
+ =
T
t
A Y
t
A, amplitud de la oscilacin.
T, perodo.
u, desfase.
-1,5
-1
-0,5
0
0,5
1
1,5
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
A
T
-1,5
-1
-0,5
0
0,5
1
1,5
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
DESFASE = PI/2
) cos( u e + = t A Y
t
) sen( ) cos( t b t a Y
t
e e + =
t i t i
t
e i
b a
e i
b a
Y
e e
+ + = )
2 2
( )
2 2
(
Expresiones alternativas:
Funciones Peridicas
Serie Trigonomtrica de Fourier
Algunas funciones peridicas f(t) de periodo
T pueden expresarse por la siguiente serie,
llamada Serie Trigonomtrica de Fourier
f(t) = a
0
+ a
1
cos(e
0
t)+a
2
cos(2e
0
t)+...
+ b
1
sen(e
0
t)+b
2
sen(2e
0
t)+...
Donde e
0
=2t/T.
Es decir,
] ) t n ( sen b ) t n cos( a [ a ) t ( f
1 n
0 n 0 n 0
2
1

e + e + =

=
Serie Trigonomtrica de Fourier
Es posible escribir de una manera
ligeramente diferente la Serie de Fourier, si
observamos que el trmino
a
n
cos(ne
0
t)+b
n
sen(ne
0
t) se puede escribir
como



Podemos encontrar una manera ms
compacta para expresar estos coeficientes
pensando en un tringulo rectngulo:
|
|
.
|

\
|
e
+
+ e
+
+ ) t n ( sen
b a
b
) t n cos(
b a
a
b a
0
2
n
2
n
n
0
2
n
2
n
n
2
n
2
n
Serie Trigonomtrica de Fourier




Con lo cual la expresin queda
n
2
n
2
n
n
n
2
n
2
n
n
sen
b a
b
cos
b a
a
u =
+
u =
+
a
n
b
n
2
n
2
n n
b a C + =
u
n
| | ) t n ( sen sen ) t n cos( cos C
0 n 0 n n
e u + e u
| | ) t n cos( C
n 0 n
u e =
Serie Trigonomtrica de Fourier
Si adems definimos C
0
=a
0
/2, la serie de
Fourier se puede escribir como



As,

y
| |

=
u e + =
1 n
n 0 n 0
) t n cos( C C ) t ( f
2
n
2
n n
b a C + =
|
|
.
|

\
|
= u

n
n
1
n
a
b
tan
Componentes y armnicas
As, una funcin peridica f(t) se puede escribir
como la suma de componentes sinusoidales de
diferentes frecuencias e
n
=ne
0
.

A la componente sinusoidal de frecuencia ne
0
:
C
n
cos(ne
0
t+u
n
) se le llama la ensima armnica
de f(t).
A la primera armnica (n=1) se le llama la
componente fundamental y su periodo es el
mismo que el de f(t)
A la frecuencia e
0
=2tf
0
=2t/T se le llama frecuencia
angular fundamental.
Amplitudes y Periodograma
La componente de frecuencia cero C
0
, es el valor
promedio de f(t) en cada periodo.

Los coeficientes C
n
y los ngulos u
n
son
respectivamente las amplitudes y los ngulos de
fase de las armnicas.

La descomposicin de la varianza puede
presentarse en un grfico de potencia media o
varianza de la armnica en funcin de la
frecuencia y esto se denomina Espectro de lnea
de Fourier o Periodograma
El Periodograma
- 6
- 4
- 2
0
2
4
6
2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
C I C L O1
0
5
10
15
20
0 5 10 15 20 25
FREC
P
E
R
D
G
El periodograma se asimila a un sintonizador de un receptor de radio, as, la serie que
observamos sera la seal emitida por una radio y el periodograma no sera mas que el
dial que busca en que frecuencia se oye mejor la seal emitida.
El Periodograma: formulacin

=
+ + =
k
i
t i i i p t
t b t a Y
1
) sen cos ( c e e
Modelo que sigue la serie observada:
Asumimos que las frecuencias, w, son:
N
p
i
i
t
e
2
=
k p
i
,..., 1 =

=
=
N
t
t
N
Y
a
1
0

=
=
N
t
o t p
t p Y
N
a
1
cos
2
e

=
=
N
t
o t p
t p Y
N
b
1
sen
2

=
=
N
t
t N
t Y
N
a
1
2 /
cos
1
t
Se determinan los parmetros, a y b, segn:
0
2 2
2
) (
) (
e
e
p p
p
b a
I
+
=
Se calcula el periodograma I(w)
El Periodograma: Interpretacin
El periodograma mide aportaciones a la varianza total de la serie de
componentes peridicos de una frecuencia determinada (w).Si el
periodograma presenta un pico en una frecuencia, indica que
dicha frecuencia tiene mayor importancia en la serie que el resto.
ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u
N=200; 200/10=20; 200/40=5; 200/20=10; 200/25=8
0
5
10
15
20
0 50 100 150
FREC
P
E
R
D
G
0
5
10
15
20
0 5 10 15 20 25
FREC
P
E
R
D
G
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
0
1
2
3
4
0 50 100 150
De izquierda a derecha aumenta la frecuencia (disminuye el perodo)
El Periodograma: Interpretacin
El Periodograma y la transformada de Fourier
El periodograma est basado en una herramienta
matemtica denominada Transformada de Fourier,
segn la cual una serie, que cumpla determinados
requisitos, puede descomponerse como suma de un
nmero finito o infinito de frecuencias. Del mismo
modo, a partir de la representacin frecuencial puede
recuperarse la serie original a travs de la
Transformada Inversa de Fourier.
En este punto, es preciso sealar las diferencias existentes entre
procesos discretos peridicos, aperidicos y estocsticos en
trminos frecuenciales:
Las series peridicas presenta un periodograma discreto, es decir,
solo existe "masa" espectral en aquellas frecuencias contenidas en
la serie, siendo stas un nmero discreto.
Las series aperidicas presentan un periodograma contino, es
decir, existe "masa" en un "infinito" nmero de frecuencias.
Las series estocsticas presentan densidad espectral en un rango
contino de frecuencias.
SERIE PERIODICA SERIES APERIODICAS
PERIODOGRAMA PERIODOGRAMA
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
0
5
10
15
20
0 50 100 150
FREC
P
E
R
D
G
0
20
40
60
80
100
20 40 60 80 100 120 140 160 180 200
0
2000
4000
6000
8000
10000
12000
0 50 100 150
FREC
P
E
R
D
G
SERIES ESTOCASTICAS
PERIODOGRAMA (DE ESA REALIZACION)
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
0 50 100 150
FREC
P
E
R
D
G
-3
-2
-1
0
1
2
3
20 40 60 80 100 120 140 160 180 200
Estimacin del Espectro
El espectro o densidad espectral se define para procesos
estocsticos estacionarios como la transformada de Fourier
de la funcin de autocovarianza (teorema de Wiener-
Khintchine). Su estimador natural es el periodograma,
antes visto. Como hemos comprobado es un instrumento
adecuado para la deteccin de procesos peridicos puros, sin
embargo en el caso de procesos estocsticos presenta serias
limitaciones, las ms importantes son la inconsistencia y la
correlacin asintticamente nula entre ordenadas del
periodograma. Esto implica que no converja al verdadero
espectro cuando la muestra se amplia y que el
periodograma muestre un comportamiento errtico.

0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
0 50 100 150
FREC
P
E
R
D
G
w
h(w)
-pi pi
Estimacin del Espectro:
METODOS NO PARAMTRICOS
A fin de solucionar los problemas antes comentados se propone, en
este tipo de mtodos, ponderar el espectro por unos valores
denominados ventanas espectrales

=
) 1 (
) 1 (
) (

2
1
) (
N
N r
r i
r R e h
e
t
e
t e t s s

=
) 1 (
) 1 (
) (

) (
2
1
) (
N
N r
r i
r R e r h
e

t
e t e t s s
Estimador sin aplicar ventanas
Estimador con ventanas
Existe un amplio nmero de ventanas espectrales, Tukey,
Parzen, Hamming, etc.
Estimacin del Espectro
METODOS NO PARAMTRICOS
Si bien la utilizacin de ventanas espectrales permite eliminar la
inconsistencia y la irregularidad del periodograma como
estimador, el que se suavicen las ordenadas del periodograma
introduce la dificultad de diferenciar frecuencias prximas.

x1=cos(2*pi*t/(200/15))+cos(2*pi*t/(200/17))+u

0
5
10
15
20
0 10 20 30 40
FREC
P
E
R
D
G
PERIODOGRAMA NO SUAVIZADO
0.0
0.5
1.0
1.5
2.0
2.5
3.0
0 10 20 30 40
FREC
D
E
N
S
I
D
A
D
2
PERIODGRAMA SUAVIZADO MEDIANTE UNA VENTANA
DE TUKEY-HANNING (M=50)
Estimacin del Espectro
METODOS PARAMTRICOS
Los mtodos paramtricos, parten de suponer conocido el PGD, y
modelizado en general a travs de un proceso ARMA, a partir del cual se
puede recuperar una estimacin del espectro.
Si la serie observada responde a un modelo ARMA (p,q):

q t q t t t p t p t t t
b b b Y a Y a Y a Y

+ + + + = + + + + c c c c ... ...
2 2 1 1 2 2 1 1
El espectro equivale a:

t
o
e
c
e e e
e e e
2
... 1
... 1
) (
2
2
2
2 1
2
2
2 1
ip
p
i i
iq
q
i i
Y
e a e a e a
e b e b e b
h


+ + + +
+ + + +
=
t e t s s
- 8
- 6
- 4
- 2
0
2
4
6
8
2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
Y 4
0
5
10
15
20
0 20 40 60 80
FREC
P
E
R
D
G
PERIODOGRAMA(NO ALISADO)
-0.5
0.0
0.5
1.0
1.5
2.0
0 20 40 60 80
FREC
D
E
N
S
I
D
A
D
2
PERIODOGRAMA ALISADO
( VENTANA TUKEY-HANNING)
0 0.5 1 1.5 2 2.5 3
0
50
100
150
200
250
300
350
Frecuencia (0-pi)
Serie original
Estimaciones del espectro
COMPARACION METODOS DE ESTIMACION
Espectro Cruzado I
La relacin general entre dos series climticas puede estudiarse a travs de
funciones de correlacin cruzada, pero la existencia de un desplazamiento
temporal de una serie respecto de la otra o de correlaciones positivas en un
rango de frecuencias y negativas en otro deben detectarse por tcnicas algo
mas elaboradas. La herramienta adecuada es el Espectro Cruzado, basado
en la transformada de Fourier de la covarianza cruzada, que determina la
relacin entre las dos series en el dominio de frecuencias evaluando la
contribucin de una frecuencia a la covarianza cruzada total.
La transformada de Fourier de la funcin R
xy
() define la densidad
coespectral de potencias o espectro cruzado.

El espectro cruzado permite evaluar el grado de correlacin entre las
componentes de alta y baja frecuencia de las dos series temporales.

Espectro Cruzado II
Como la funcin de covarianza cruzada no es una funcin par, Gxy (f) es en
general compleja y por lo tanto
G
xy
(f) = C
xy
(f) i Q
xy
(f)
Donde Cxy es el COESPECTRO y Qxy es la CUADRATURA
El Coespectro especifica la contribucin de cada frecuencia f a la covarianza
cruzada total de las series x(t) y y(t) para un desplazamiento temporal nulo. La
Cuadratura mide la contribucin a la covarianza total cuando una de las
series se desplaza temporalmente para dar un desplazamiento de 90 en la
fase para una frecuencia dada.
El espectro cruzado tambin puede representarse en forma polar:
G
xy
(f) = IG
xy
(f)I exp(-i
xy
(f))
Donde G
xy
(f) = sqrt(C
xy
2 +
Q
xy
2
) es el espectro de Amplitudes y

xy
(f) = 360/2 arctg(Q
xy/
C
xy)
es el espectro de Fases (en grados)
La bondad de la relacin entre las variables x(t) y y(t) para las distintas
frecuencias se puede obtener de la funcin de Coherencia:
K
xy
2
= IG
xy
(f)I
2
/G
x
(f) G
y
(f) 0 < K
xy
2
< 1


Espectro Terico
Modelos autorregresivos AR(1)
En el caso ms simple de un proceso AR (1) los valores positivos de la
autocorrelacin inducen una memoria en la serie de tiempo que tiende a
dejar de lado variaciones a corto plazo (de alta frecuencia) en la serie, y
acentuar las de baja frecuencia. En trminos del espectro, estos efectos
conducen a ms concentracin de la densidad en frecuencias menores, y
menos densidad en frecuencias ms altas. Adems, estos efectos son
cada vez ms fuertes cuanto ms cerca a 1.

Estas ideas son cuantificadas por la funcin de densidad espectral
terica para los procesos AR (1) :
Espectro Terico
Modelos autorregresivos AR(1)
Espectro Terico
Modelos autorregresivos AR(2)
El AR (1) el proceso con = 0 en realidad consiste en la serie de datos no
correlacionados. Estos no exponen ninguna tendencia de acentuar altas o bajas
frecuencias, entonces su espectro es constante, o chato. Como decamos otra
vez por analoga con la luz visible, se le llama a esto el ruido blanco debido a la
igual mezcla de todas las frecuencias.
Finalmente, el AR (1) el proceso con = +0 6 tiende a producir variaciones
errticas a corto plazo en la serie de tiempo, causando correlaciones negativas en
desplazamientos impares y correlaciones positivas en desplazamientos pares.
(Esta clase de estructura de correlacin es rara en las series temporales
atmosfricas.) el espectro para este proceso est incrementado en las altas
frecuencias y deprimido en las bajas frecuencias bajas, Estas series se conocen
como procesos de ruido azul.

En particular el espectro para el proceso AR (2):
Espectro Terico
Modelos autorregresivos AR(2)
El AR (2) procesos es interesante debido a su capacidad para exponer una
amplia variedad de comportamientos, incluyendo pseudoperiodicidades. Esta
diversidad es reflejada en varias formas de los espectros.

Los procesos con = 0.9 = -0.6, y = -0.9 = -0.5, exponen
pseudoperiodicidades, como es indicado por los amplias picos en sus
espectros en frecuencias intermedias.

Los procesos con = 0.3 = 0.4 exponen la mayor parte de su variacin en
bajas frecuencias, pero tambin muestra un pequeo mximo en altas
frecuencias.

El espectro para los procesos con = 0.7 = -0. 2 se parece a los espectros
rojos de la figura anterior, aunque con un ms amplio mximo de baja
frecuencia.
Espectro Terico
Modelos autorregresivos AR(2)
Significacin estadstica de los picos
espectrales en relacin a un ruido rojo
Imaginemos una serie temporal hipottica de longitud n = 200 para el
cual las estimaciones de la autocorrelacin con lag 1 y la varianza de
ruido blanco son r
1
= 0.6 y s
2
, respectivamente. Un candidato razonable
para describir el comportamiento de estos datos es una serie del tipo
AR (1) con estos dos parmetros.
Relacin seal/ruido
La relacin seal/ruido (en ingls Signal to noise ratio
SNR o S/N) se define como la relacin que hay entre la
intensidad o potencia de la seal y la intensidad o
potencia del ruido que la corrompe.
Espectro para la precipitacin
de verano en Saint Louis (Missouri)
Espectro para la velocidad
del viento en New Jersey
(Van der Hoven 1957)
Espectro para la velocidad
del viento en New Jersey II
(Van der Hoven 1957)