Curso - Series en Phyton PDF

AnlisisdeSeriesdeTiempo
MinicursoprcticoenPython
IIEscueladeVeranodeModelacinparalaSostenibilidad
1a5deagostode2016
Sede:CentrodeCienciasdelaComplejidad(C3),UNAM
JuanC.Toledo(C3)
juan.toledo@nucleares.unam.mx
IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

Sostenibilidad|1a5deagosto2016 2y3deagosto2016 juan.toledo@nucleares.unam.mx
Resumen

Preliminares
InstalacindePython+libreras
MinitutorialdePython

Da1:
Seriesdetiempo:descripcingeneral
Nocindeestacionariedad
Modelacindeseriesdetiempo:

ModelosAutoregresivos(AR)

ModelosdeMediaMvil(MA)

Modeloscombinados(ARMA)

Da2:anlisisdeFourierymtodosdeanlisisavanzados

Preliminares

EnestecursousaremosPython3+libreras

PorquPython?
Lenguajedeprogramacingeneral
Sintaxisintuitiva,ligeraymuypoderosa
Muypopularenmuchoscontextos(inc.ciencia,bigdata)
(2016IEEESpectrum
LanguageRankings)

Libreras
Pythoneslenguajegeneralnoincluyeherramientasespecficaspara
cmputocientficooanlisisdedatos:(
Peroexisteungranecosistemadelibrerasparaesto:
numpy:cmputonumrico,lgebra,matriceshttp://www.numpy.org/
scipy:herramientasparacmputocientficohttps://www.scipy.org/
matplotlib:grficasdecalidadpublicacinhttp://matplotlib.org/
pandas:anlisisdedatoshttp://pandas.pydata.org/
scikitlearn:herramientasdemachinelearning http://scikitlearn.org/
networkx:anlisisderedeshttps://networkx.github.io/
etc...
Todassonlibrerasopensourceygratuitas.

Alternativa:R

Crecientepopularidad

Entorno100%integradodedicadoaanlisisdedatos,
cmputocientficoyestadstica

MuchasreferenciasconejemplosparaR

SugerenciaRStudio:https://www.rstudio.com/home/

VolviendoaPython:Anaconda

Esunaplataformaintegradaparacienciadedatos

Variosentornosgrficosdeprogramacin

Integranumpy,scipy,matplotlib,jupyter,etc.

DisponibleparaWindows,MacyLinux

IncluyeinstalacindePython

InstalacindeAnaconda
1)DescargarAnaconda:https://www.continuum.io/downloads
Estoincluyetodolonecesario.
2)Descargarminiconda:http://conda.pydata.org/miniconda.html
VersinminimalistadeAnaconda+instalarlibrerasrequeridasdesdelaterminal
usandoelcomandoconda:
conda install numpy matplotlib pandas statsmodels jupyter
Encualquiercaso,seleccionarPython3.5y64bits
3)Descargarelmaterialdelcursoen:
http://meithan.net/curso/
ydescomprimirloenunlugarcmodo

JupyterNotebook
UsaremoselJupyterNotebook,unintrpreteinteractivomultiplataformaquecorreen
elbrowser.
Parainiciarlo:
1)Abrirunaterminal
(Windows:WIN+Ryluegocmd;Macy
Linux:lanzarterminal)
2)Navegaraldirectoriodetrabajodia1
3)Escribirjupyter notebookydar
ENTER
ElNotebookseabrirautomticamente
enelbrowserpredeterminado.
Sisecierra,sepuedevolveraabrir
navegandoalocalhost:8888

Verificarinstalacin
Verifiquemosquelospaquetesquenecesitaremosseinstalaroncorrectamente

Abrirelnotebookverificar.ipynb
Celda
Ejecutable

MinitutorialdePython3

CerrarelnotebookanteriorhaciendoclicenFileCloseandhalt

Abrirahoraelnotebooktutorial_python.ipynb
Msinformacin:
DocumentacinoficialdePython:https://docs.python.org
LibrogratuitoPythonparatodos:http://mundogeek.net/tutorialpython/

Introduccinalasseriesdetiempo

Seriedetiempo:secuenciadedatosexperimentalesordenadoseneltiempo
Ubicuas:casitodoslossistemasnaturalesyartificialesestnasociadosa
sealesquecambianconeltiempo
TasadecambioUSD/MXN,
ltimosdiezaos
(http://www.xe.com/)

Enqusediferencandeotrosconjuntosdedatos?
Elordenamientotemporaldacabidaaqueexistacorrelacinentrevalores
sucesivos:elvalorpresentepuededependerdelosvalorespasados.
Nmerodemanchassolaresdesde1750

Elanlisisdelasseriesdetiempoofreceentoncesprospectosinteresantes:
Entenderlosmecanismoscausalessubyacentesdetrsdeunfenmeno:
Porquestaumentandolatemperaturapromedioglobal?


Determinarlasrelacionescausalesentredosomsfenmenos:
QuimpactotieneelprogramaHoyNoCirculasobrelacontaminacin
atmosfricaenlaCDMX?
Partculasatmosfricasde2.5micrasenCoyoacn,2016


Modelarlasseriesnosdaunaformadepredecirelcomportamiento
futurodelfenmenoasociado:
Cmocrecerlapoblacinmundialdeaqual2050?
Poblacin(millones)
Modelosyproyecciones
poblacionales,ONU,2007

AnlisisExploratorio
Antesdeadentrarseenelanlisismatemtico
Graficarlaseriedetiempo!
Estoescrucialantesdecualquiertipodeanlisis,puesnospermite:

Descubrirrpidamentelaspropiedadesgeneralesdelaserie

Determinareltipodepreguntasquepodemoscontestar

Seleccionaradecuadamentequherramientasemplearparamodelarla
Ejercicio:abrircoyoacan.ipynb

AnlisisExploratorio
Laimportanciadegraficar...
Misma
Media(xyy)
Varianza(xyy)
Correlacin
Ajustelineal
AnscombesQuartet

Componentesdeunaseriedetiempo
Xt=Tt+St+Ct+Rt
Tendencia
Incrementoodecrementoa
largoplazoenlosdatos.
Notienequeserlineal,y
puedecambiardedireccin
(aunquelohacelentamente)

Xt=Tt+St+Ct+Rt
Tendencia Estacionalidad
Incrementoodecrementoa Patronesrepetitivosconun
largoplazoenlosdatos. periododefinido.
Notienequeserlineal,y Usualmentepodemosasociar
puedecambiardedireccin estarepetibilidadaun
(aunquelohacelentamente) fenmeno(e.g.las
estacionesdelao)

Xt=Tt+St+Ct+Rt
Tendencia Estacionalidad Ciclicidad
Incrementoodecrementoa Patronesrepetitivosconun Cambioscclicossinun

largoplazoenlosdatos. periododefinido. periododefinido.
Notienequeserlineal,y Usualmentepodemosasociar Nopodemosidentificarun

puedecambiardedireccin estarepetibilidadaun periodoclaroparaesta
(aunquelohacelentamente) fenmeno(e.g.las variabilidad.Usualmentees
estacionesdelao) demslargoplazoquelas
variacionesestacionales.

Residuo
Xt=Tt+St+Ct+Rt
Fluctuaciones
irregularese
impredicibles.
Loquequeda
despusde
Tendencia Estacionalidad Ciclicidad quitarlas
anteriores.
Incrementoodecrementoa Patronesrepetitivosconun Cambioscclicossinun
largoplazoenlosdatos. periododefinido. periododefinido.
Notienequeserlineal,y Usualmentepodemosasociar Nopodemosidentificarun

puedecambiardedireccin estarepetibilidadaun periodoclaroparaesta
(aunquelohacelentamente) fenmeno(e.g.las variabilidad.Usualmentees
estacionesdelao) demslargoplazoquelas
variacionesestacionales.

Ejemplos
Ventasimmobiliariasmensuales
Ventas(millones)
Ao

Ejemplos
Ventasimmobiliariasmensuales Estacionalidad
NOtendencia
Ventas(millones)
Ciclicidad?
Ao

Ejemplos
ProduccinelctricamensualenAustralia
Produccin(GWh)
Ao

Ejemplos
ProduccinelctricamensualenAustralia
Estacionalidad
Produccin(GWh)
NOciclicidad?
Tendencia
Ao

Ejemplos
Valor ContratosdedeudadelDepto.TesoroEE.UU
Das

Ejemplos
ContratosdedeudadelDepto.TesoroEE.UU
Ciclicidad?
Valor
NOestacionalidad
Tendencia
Das

Ejemplos
ndice ndiceDowJones
Das

Ejemplos
ndiceDowJones
NOtendencia
NOestacionalidad
ndice
NOciclicidad
Das

Ajustandolatendencia
Lamaneramssencillademodelarlatendencia,puestoquecambialentamente,es
usandounajustedecurva.
Lafuncincurve_fit(),descipy.optimize,permitehacerajustespormnimos
cuadrados(nonecesariamentelineal)defuncionesadatos.
Ejercicio:CO2atmosfricoenMaunaloa
primertapartedeCO2.ipynb.

Suavizadodeseriesdetiempo
Lasmodelosmatemticosnosiempreseajustanbienalasseriesdetiemporeales.
Otratcnicaparaextraertendencia,muysimpleybastanteefectiva,eselsuavizado.
Estoeliminalavariabilidaddealtafrecuenciaypermitesepararlatendencia+
ciclicidaddelasdemscomponentes.
= +

PromedioMvilSimple
Lamaneramssencilladesuavizarespromediando.
ParacadavalorXtdelaseriedetiempo,calculamos:
N1valoresanteriores
PromediomvilsimpledeNpuntos

PromedioMvilPesado
Elpromediomvilsimplesepuedeentendercomounpromedioenelquesedael
mismopesoalosN1valoresanteriores.
Pesos
PromediopesadodeNpuntos
Unaaplicacincomnesdarlepesos
decrecientesalosvaloresentremslejos
estnenelpasado.

PromedioMvilPesado
Estopermitequeelpromediomvilrespondamsrpidoencambiossbitosdelaserie:

PromedioMvilExponencial
Lospromediosmvilesanteriores(simpleopesado)tienenunalcancefinitoenel
tiempo:olvidanelpasadomsalldeciertadistanciatemporal.
Estepromedioasignaunpesoquedecreceexponencialmente,peronuncasevuelve
cero,alosvalorespasado.
Sedefinerecursivamente:
Presente Promedioanterior
Factordedecaimiento

Aplicandolareglarecursivaunpardeveces,seveque:
...
Factoresquevandecreciendo
exponencialmente


Suavizadodeseriesdetiempo
ContinuarconlasegundapartedelnotebookCO2.ipynb.

Estacionariedad
Lasseriesdetiemposepuedenentendercomoprocesosestocsticos(esdecir,
fundamentalmentealeatorios).
Decimosqueunprocesoesestacionariocuandosuspropiedadesestadsticasno
cambianconeltiempo.
Estoestilpuesnospermitehacerprediccionesestadsticassobresucomportamiento.
Enconcreto,unaseriesepuedevercomounprocesoestacionariosi:
1)Sumediaesconstanteeneltiempo,esdecir,notienetendencia;
2)Suvarianzaesconstanteeneltiempo;
3)Suestructuradeautocorrelacinesconstanteeneltiempo.
Enlaprctica,lasseriesdetiempocasinuncasonestacionarias!

Estacionariedad

Autocorrelacin
Cmodeterminamossiunaserieesestacionaria?
Lasprimerasdoscondiciones(mediaydesviacinestndarconstantes)sonfcilesde
medir:
calculamoslamediamvilyladesviacinestndarmvil,yvemossipermanecen
aprox.constantes.
Perodebemostambinmedirlaestructuradeautocorrelacin
Queslaautocorrelacin?

Autocorrelacin
Entrminossimples,nosdicesilaseriedetiemposepareceasmisma,entrminos
estadsticos,cuandoseleretrasaeneltiempo.
Enotraspalabras,indicaqutantodepende(linealmente)loqupasarconlosvalores
enunmomentodadodeloquepasabaconellosenuntiempoanterior.
Seentiendequeesunamedidadememoriadelprocesosubyacente,yesporestoquees
unabuenaherramientaparajuzgaraleatoriedadyestacionariedad.
Retraso1da
Temperatura
enCUltimos
7das

Autocorrelacin
Lafuncindeautocorrelacin(ACF)delaserieXtparaelretrasosedefine
como:
Media
Retraso Longitudde Varianza Seriedesfasadaen
laserie
Si=0,
naturalmente.

Autocorrelacin
Lafuncindeautocorrelacin(ACF)deunaseriealeatoria:

AutocorrelacinParcial
Unacantidadrelacionadaalaautocorrelacineslafuncindeautocorrelacin
parcial(PACF).
Entrminossimples,esunaformadelafuncindeautocorrelacinque
descuentaelefectodelosvaloresintermediosquehayentreelvaloractualyel
valorretrasado.
Calcularlanoestansencillopuestoqueesunaherramientacomn,lamayora
delaslibrerasincluyenunafuncinparahacerlo(statsmodeltienepacf()).

ACFyPACF
Ejercicio:temperatura.ipynb

Modelosdeprocesosestocsticos
Estosmodelosrepresentanunenfoquealternativo,ycomplementario,alos
modelosquehemosvisto.
Mientrashastaelmomentonoshemoscentradoenmodelarlostrminosde
tendencia,ciclicidadyestacionalidaddelaserie,otroenfoqueesmodelarla
variabilidadestocsticadelaserie(atravsdelaautocorrelacin).
Existenvariosmodelosparalaparteestocsticadeunaseriedetiempo:

ModelosAutoregresivos(AR)

ModelosdeMediaMvil(MA)

Modelosgeneralizados:ARMAyARIMA

ModeloAR
Elmodeloautoregresivoestablecequeelvaloractualdelaseriedetiempoes
unaregresinlinealquedependedelosvaloresanterioresydeuntrminode
ruidoestocstico
Definimoselmodeloautoregresivodeordenp,AR(p),como:
ruidooerror
parmetros (aleatorio)
(aajustar)

ModeloAR
Elmodeloautoregresivodeordencero,AR(0),essimplementeruido:
Elmodeloautoregresivodeorden1,AR(1),es
Esestacionariosi||<1.
Losefectosdeltrminoderuidoaltiempotcontribuyeninfinitamentelejosen
elfuturo,aunqueconunefectodecreciente.

ModeloAR
AR(0)
= 0.3
AR(1)
= 0.9
=1 =
2 = 0.3 2 = -0.8
0.30.3 1 = 0.9
AR(2)

ModeloMA
Elmodelodemediamvil(movingaverage),encambio,modelaunaseriede
tiempocomounamediamvilsobrelostrminosderuido.
Definimoselmodelodemediamvildeordenq,MA(q),como:
ruidoactual parmetros ruidoreciente

(aajustar)
Enciertosentido,dicequeelvaloractualdelaseriedetiempodepende
solamentedeunpromediopesadodelostrminosderuidorecientes.

LapruebadeDickeyFuller
Esunapruebadehiptesisdeestacionariedad.
SefundamentadecompararlaserieconenelmodeloAR(1),
elcualesestacionarioslosi||<1.
HiptesisNula: =1,esdecir,laserienoesestacionaria.
1)Genenerarlaestadsticadeprueba,t.
2)Obtenerelvalorcrticoctabuladodeacuerdoalniveldeconfianzadeseado.
3)Sit<c,rechazamoslahiptesisnulasugierequelaserieesestacionaria.

ModeloARIMA
Finalmente,losmodelosARyMApuedenserunificadosygeneralizadosenelmodelo
ARIMA:AutoRegressiveIntegratedMovingAverage.
RecetadeBox&JenkinsparaobtenerunmodeloARIMA(p,d,q):
1)Diferenciarlaserie(i.e.tomandolasdiferenciasentrevaloresvecinos)dveces
hastaquelaserieseaaproximadamenteestacionaria(e.g.DickeyFuller).
2)DeterminarlosrdenespyqdelascomponentesAR(p)yMA(q)usandolas
funcionesdeautocorrelacinyautocorrelacinparcial.
3)Finalmente,ajustarlosparmetrosdelosmodelosARyMAhastasatisfacerun
criteriodecalidaddeajuste(e.g.AIC).Estoesaltamentenotrivial.
Ejerciciocompleto:arima.ipynb

AnlisisEspectral(Fourier)
Hastaahoratodoelanlisissehahechoeneldominiodeltiempo.
Otraformadeanalizarunaseriedetiempoeshacerloeneldominiodelafrecuencia.
Ideafundamental:transformarlaseriedetiempoaunarepresentacinentrminosde
componentesperidicassimples
Nospermite:

Determinarlascomponentesperidicas(ancuandoestnescondidas)

Establecereltipodecorrelacionespresentesenlaserie

Modelarvariostiposderuido

LaSeriedeFourier
TeoremadeFourier:cualquierfuncinperidicapuedeserdescritaexactamente
comounasuma(infinita)defuncionesarmnicas(senosoidales)
amplitud frecuencia fase

Funcinarbitraria
conperiodoP
armnicos

LaSeriedeFourier
Fourier
Animacin:ondacuadradacon3armnicos
https://www.youtube.com/watch?v=LznjC4Lo7lE
Enserio,aplicaparacualquierfuncin
https://www.youtube.com/watch?v=QVuU2YCwHjw

Dominiodelafrecuencia
Estonosllevaaunarepresentacinalternativadecualquiersealentrminosdelas
amplitudesdecadaunadesusfrecuenciascomponentes.
A1
Amplitud
Amplitud
A2
A3
A4
A5 ...
Tiempo 1 2 3 4 5 Frecuencia
Dominiodeltiempo Dominiodelafrecuencia

LaTransformadadeFourier
LatransformadadeFouriergeneralizaestaidea:representamosunasealenel
dominiodelafrecuenciaempleandounafrecuenciaquevaracontinuamente
TransformadadeFourierdelaseal
(dominiodelafrecuencia) Sealoriginal Formamatematicosade
escribirsenosycosenos
(dominiodeltiempo)

DFT:Transf.deFourierDiscreta
Comolasseriesdetiemposonsealesdiscretas(estndefinidasparaunaseriede
instantestemporalesdiscretos),usamoslaversindiscretadelaFT:
Longituddela
DFT seriedetiempo
(unvalor frecuencia
paracadak Seriede
en[0,N1]) tiempo
Aunque,comoveremos,la
mitadsonredundantes.

ClculodelDFTconnumpy
Parte1defourier.ipynb

EspectrodePotencia
UsualmentesetrabajaconlatransformadadeFouriernodirectamente,sinoatravsde
suprimoelespectrodepotencia,tambinconocidocomoladensidadespectralde
potencia,PSD(PowerSpectralDensity).
SedefinesimplementetomandoelcuadradodelvalorabsolutodelDFT:
Debidoaqueelcuadradoamplificalosvalores,sesuelegraficarenescalaloglog.
Ejemplorpido:manchassolares
manchas.ipynb

Artefactos:filtradoespectral
(Parte2defourier.ipynb)
Cuandolasperiodicidadesdelaseriedetiemponocompletanunnmeroenterode
ciclos,elDFTensanchaartificialmentelospicosasociadosaesafrecuencia.
Estoseconocecomofiltradoespectral(spectralleakage).
Laserieno
completaun
Senode nmeroentero
0.33Hz deciclos
Elpicodefrecuencia
DFT correspondienteseensancha

Artefactos:filtradoespectral
Estotambinocurresilacomponenteperidicanoesestacionaria,porejemplo
porquesuamplitudcambiaconeltiempo:
Senode0.33Hz
conamplitud
creciente
Ensanchamiento
PSD

Artefactos:armnicos
Silaperiodicidadnoesdeformasinusoidal,estointroducearmnicosespurios.
Funcin
sierrade
0.1Hz
Armnicos
Frecuencia
PSD verdadera

Noestacionariedad
(tiempo_frecuencia.ipynb)
Sielcontenidoespectraldeunaseriedetiemponoesestacionario,latransformadade
Fouriertieneproblemasparadescomponerla.

AnlisisTiempoFrecuencia
Unaformadelidiarconseriesnoestacionariaseshacerelanlisisentiempoy
frecuenciasimultneamente.
UnatcnicasencillaesusarlatransformadadeFourier"ventaneada"oShortTime
FourierTransform(STFT).
LaideaescalcularlatransformadadeFourierenunaventanatemporalpequeala
cualsevarecorriendosobrelaserie.Conestosepuedecapturaruncontenido
espectralquecambiaconeltiempo.

Transf.deFourierVentaneada
Elresultadoesundiagrama2Dquetienetiempoenunejeyfrecuenciaenelotro
conocidocomoespectrograma.
Espectrogramadeunchirpqueaumentade1a5kHzen10s

TransformadasdeWavelet
Otraherramientarelacionadadeanlisisdetiempofrecuenciasonlastransformadas
dewavelets(oCWT,ContinuousWaveletTransform).
EsunageneralizacindelatransformadadeFourier:enlugardeusarfunciones
armnicasseusanwavelets:formasdeondaarbitrariaquepuedencambiardeescala
eneltiempo.Enscipyexistescipy.signal.cwt()paraesto.
Ricker
wavelet,alias s1
MexicanHat
s2
s1+s2
cwt

Ejemplo:deteccindeondasgravitacionales(LIGO)
http://stuver.blogspot.mx/2016/02/LIGOFirstDetection.html

Muchos,muchostemasms...

ModelosARIMAestacionales

Mtodosparaseriesdetiempomultivariadas

Teoradefiltrado

Transformadasdetiempofrecuenciaavanzadas

Mtodosdedecomposicinadapatativos

EmpiricalModeDecomposition

SingularSpectrumAnalysis

etc.

Libros

TimeSeriesAnalysisandItsApplications:WithRExamples
ShumwayandStoffer
Hayversin"EZ"gratuita:
http://www.stat.pitt.edu/stoffer/tsa4/tsaEZ.pdf

TimeSeriesAnalysis:WithApplicationsinR
CryerandChan

IntroductoryTimeSerieswithR
CowpertwaitandMetcalfe

TimeSeriesAnalysisandForecastingbyExample
BisgaardandKulahci


Curso - Series en Phyton PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Curso - Series en Phyton PDF

Hochgeladen von

Copyright:

Verfügbare Formate

AnlisisdeSeriesdeTiempo

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

Tendencia Estacionalidad Ciclicidad

Incrementoodecrementoa Patronesrepetitivosconun Cambioscclicossinun

Notienequeserlineal,y Usualmentepodemosasociar Nopodemosidentificarun

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

Notienequeserlineal,y Usualmentepodemosasociar Nopodemosidentificarun

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

ruidoactual parmetros ruidoreciente

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

amplitud frecuencia fase

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)

IIEscueladeVeranodeModelacinparala AnlisisdeSeriesdeTiempo JuanC.Toledo(C3)