TARIFACION

SERIES RESIDUAL

7.10 SERIE RESIDUAL

Serie residuales se refieren a la serie representada por N, en

las ecuaciones que definen el componente estocstico.
Se puede obtener de forma recursiva por sustitucin hacia
atrs, una vez que se determinan los parmetros del modelo.
Si se considera un modelo AR (p), requiere que los valores
pasados de z, que no son conocidos.

7.10.1 PRUEBA DE INDEPENDENCIA

La dependencia de la serie residual puede ser probada ya sea por el

correlograma residual o por la prueba de ajuste de Porte Manteau
Lack.
Estadstica Q para la prueba de ajuste de Porte Manteau Lack se
define como:

Donde d es el nmero de diferencias en un modelo general ARIMA

(d, p q) , y M es el retardo mximo, que se toma para ser de
aproximadamente N/5, en el caso de los modelos AR, d = 0.
Si n es independiente, entonces Q, estimada a partir de la ecuacin
7.142, es de aproximadamente x2 distribuido con (M-p-q) grados de
libertad.
Por lo tanto, si Q <x2 (M-p-q) a un nivel de significancia dado,
entonces la serie residual n, puede ser considerada como
independiente implicando que el modelo asumido es adecuada.

7.10.2 PRUEBA DE NORMALIDAD

si la serie residual se distribuye normalmente, el anlisis y la sntesis

posterior llega a ser relativamente simple. Normalidad de la serie
residual puede ser probada por una serie de mtodos.
Por ejemplo, un grfico de la distribucin emprica sobre el papel de
probabilidad natural debe dar una lnea recta si la serie residual se
distribuye normalmente.
Alternativamente, la distribucin de frecuencia acumulativa emprica
de la serie podra ser comparada con el acumulativo terico
distribucin de frecuencias de una serie normal.
Un tercer mtodo utiliza una prueba de asimetra basado en el criterio
de que el coeficiente de asimetra de una distribucin normal es cero.
Snedecor y Cochran (1967) sugirieron un mtodo que utiliza el
coeficiente de skewnees basado en la condicin de que si la serie es
normal, el coeficiente de asimetra es asintticamente normal con
media cero y varianza 6/ N.
Para valores grandes de N (> 150), la hiptesis de normalidad puede
ser aceptada en el nivel del 5% de significancia si la variable normal
estndar, z, se define de la siguiente manera, se encuentra dentro de
+/- 1,96:

 la ecuacin 7.143, (y) es el coeficiente de asimetra de la

En
serie residual, E(y) es el valor esperado del coeficiente de
asimetra si la serie es normal (= 0), y es
Si la serie residual no es normal, la serie original podra ser
normalizada por una transformacin (por ejemplo, una
transformacin logartmica). Alternativamente, una distribucin
no normal se puede montar en la serie de residuos.

7.11 PREDICCIN

El pronstico es el proceso de predecir la salida viene de un

evento futuro antes de su ocurrencia real.
La prediccin del tiempo es un ejemplo tpico en la vida diaria. la
prediccin de crecidas es otro ejemplo en el que la magnitud y el
momento de ocurrencia de inundaciones que impiden se utilizan
como las bases de los sistemas de alerta temprana para la
mitigacin de desastres.
Previsiones se hacen usando modelos matemticos, que pueden
ser emprica, conceptual, estocstico y determinista, o sus
combinaciones en todos estos tipos, algunas suposiciones son
necesarias, y las previsiones deben interpretarse teniendo
debidamente en cuenta las incertidumbres asociadas formulacin
del modelo, la implementacin y la exactitud de la fecha
De los diferentes mtodos, la ecuacin de diferencia tipo de error
cuadrtico medio mnimo es de lejos el ms simple

7.12 GENERACION DE DATOS SINTETICA

El producto final de anlisis de series temporales es el

componente aleatorio independiente n, es ideal para que esto sea
ruido blanco. Si es as, variables normales estndar
independientes se pueden generar utilizando una serie de
procedimientos.
Se aaden entonces la estructura dependiente y los componentes
deterministas para obtener la serie generada sintticamente.
Secuencias aleatorias se pueden generar utilizando la tcnica de
Monte Carlo, o lanzar una moneda. Muller (1958) propusieron un
mtodo de generacin estndar al azar nmeros de e1 y e2
normal:

Donde u1 y u2 son nmeros al azar de la distribucin

uniforme (0,1). Pruebas de normalidad e independencia
deben ser llevadas a cabo por los nmeros generados, ya
que a menudo son pseudo-normal o pseudo-independientes.

7.13 MODELADO ARAMAX

El modelo ARAMAX toma la forma

Es donde y Qt son las variables de entrada y de salida en el

momento t; Ai y Bj son los coeficientes de la funcin de
ponderacin para Qt-1 y It-1; p y q son las rdenes de los
modelos de Q e I. los coeficientes Ai y Bj puede ser estimado por
el mtodo de mnimos cuadrados. Las ecuaciones normales se
obtienen mediante la minimizacin de los errores cuadrticos
como sigue:

7.14 FILTRADO DE KALMAN

Filtro de Kalman (Kalman, 1960) estima de forma recursiva el
estado de un sistema dinmico lineal de una manera que minimiza
la media del error cuadrado. Slo se necesita la estimacin del
estado en el paso de tiempo anterior y la medicin actual para
calcular la estimacin del estado actual. En comparacin, las
estimaciones de lote Requiere toda la historia de las estimaciones
y mediciones que conducen a la solucin de sistemas de
ecuaciones simultneas.

Algoritmo de filtro de Kalman lineal comienza con dos ecuaciones:

Ecuacin de estado:

Ecuacin de medicin:

Donde Xt es el estado que puede incluir ms de una variable.

En general, es un vector de la forma

En un uno - sistema tridimensional, Xt es una cantidad escalar.

7.15 ESTIMACIN DE PARMETROS

Todos los modelos descritos anteriormente tienen parmetros
que deben ser estimados mediante alguna tcnica. El mal ajuste
de los resultados del modelo con los observaciones reales que
pueden resultar en algunas situaciones puede no ser
necesariamente debido a las deficiencias en el modelo, pero es
ms probable en las imprecisiones en la estimacin de
parmetros. varios mtodos para la estimacin de parmetros
del modelo estn disponibles, pero a veces sus estimaciones
podran diferir sensiblemente. Estimaciones iniciales de los
parmetros se obtienen generalmente por el mtodo de
momentos mediante la resolucin de la Yule - Walker modelos
de ecuaciones para MA y ARMA, este procedimiento es
complicado y las estimaciones de los parmetros. MA y ARMA
parmetros del modelo se calculan iterativamente.

7.16 APLICACIONES
Anlisis de series de tiempo y el modelado tienen diversas
aplicaciones en muchas disciplinas. Se utiliza en las estadsticas, la
ciencia actuarial, banca y seguros, procesamiento de seales,
control de Ingeniera, economa, ciencias de la vida, y en muchas
reas de la ciencia y la ingeniera. En el contexto de este captulo,
el inters se limita a aplicaciones en la hidro -medio ambiental
.
7.17 OBSERVACIONES FINALES

En este captulo, se ha hecho un intento de describir las diversas

tcnicas de anlisis de series temporales y la prediccin en el
contexto de las series hidrolgicas y ambientales. Debe tenerse en
cuenta que el anlisis de series de tiempo y el modelado son
procesos iterativos que implican la comprobacin de diagnstico y
de seleccin del modelo.
El contenido de este captulo se limita a las tcnicas de anlisis y
bajo los supuestos de linealidad y la estacionalidad. Serie no
estacionaria puede ser analizada por su transformacin en las
fijas.
Tambin, los modelos de temporada no se han abordado de