prediccion de senales~ m eto dos de descomposici on
TRANSCRIPT
![Page 1: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/1.jpg)
PREDICCION DE SENALESMetodos de descomposicion
Francisco J. Gonzalez Serrano
Universidad Carlos III de Madrid
![Page 2: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/2.jpg)
Prediccion de senales: Metodos de descomposicion
Metodos de descomposicion
En el modelado estructural de una serie temporal, los datos observados se interpretan como
una combinacion de componentes no observables como son las tendencias, los ciclos y las
componentes estacionales.
Este metodo tambien recibe el nombre de metodo de descomposicion, puesto que requiere
identificar tres componentes aisladas en el patron subyacente en los datos.
Xt = f (St, Tt, Ct, Ut)
• Xt: valor de la serie en el instante (actual) t
• St: componente estacional
• Tt: tendencia
• Ct: componente cıclica
• Ut es la componente aleatoria (o error) en el instante t.
• f (·): aditiva (simplemente se suman los cuatro elementos), multiplicativa, etc.
F. Gonzalez 1
![Page 3: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/3.jpg)
Prediccion de senales: Metodos de descomposicion
Modelos con tendencia y estacionalidad
1800 1820 1840 1860 1880 1900 1920 1940 1960 19800
50
100
150
200
250
Mill
ones
1980 1982 1984 1986 1988 1990 19920
0.5
1
1.5
2
2.5
3
Mile
s
(a) (b)
Figura 1: (a) Poblacion de los Estados Unidos por decenios en el periodo 1790-1990. (b) Ventas mensuales de vino tinto (millones delitros) durante el periodo Enero 1973 - Octubre 1991.
Clara tendencia creciente.
En ambos casos, los modelos de media cero presentan graves deficiencias.
La grafica correspondiente a la poblacion, que aparentemente no contiene ninguna componente
periodica, parece ajustarse mejor a un modelo de la forma
Xt = Tt + Ut (1)
Una vez seleccionado el modelo, es necesario ajustarlo a los datos: mınimos cuadrados.
F. Gonzalez 2
![Page 4: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/4.jpg)
Prediccion de senales: Metodos de descomposicion
Modelos con tendencia y estacionalidad
Datos de poblacion parecen ajustarse a tendencia cuadratica:
Tt = a0 + a1t + a2t2 . (2)
Ajustando este modelo al periodo 1790 ≤ t ≤ 1990, se obtienen las valores a0 = 2,1 × 1010,
a1 = −2,3 × 107 y a0 = 6,5 × 103.
1800 1820 1840 1860 1880 1900 1920 1940 1960 19800
50
100
150
200
250
Mill
ones
F. Gonzalez 3
![Page 5: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/5.jpg)
Prediccion de senales: Metodos de descomposicion
Modelos con tendencia y estacionalidad
1880 1890 1900 1910 1920 1930 1940 1950 1960 19706
7
8
9
10
11
12
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970−2.5
−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
2.5
(a) (b)
Figura 2: (a) Nivel del lago Huron en el periodo 1875-1972 con modelo lineal para la tendencia. (b) Residuos producidos en el ajuste.
Analisis superficial: tendencia lineal decreciente.
Xt = a0 + a1t + Ut
Tras ajuste de mınimos cuadrados, en el residuo, mostrado en la Figura 2.b, ya no se aprecia
ninguna tendencia aparente.
Presencia de de segmentos relativamente grandes con valores que presentan el mismo signo:
correlacion temporal en el residuo, cualidad que impide calificarlo como ruido IID.
Las dependencias temporales pueden aprovecharse para ajustar un modelo mas fino a los datos.
F. Gonzalez 4
![Page 6: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/6.jpg)
Prediccion de senales: Metodos de descomposicion
Regresion armonica
En muchas series presencia de un patron periodico.
1973 1974 1975 1976 1977 1978 19796.5
7
7.5
8
8.5
9
9.5
10
10.5
11
11.5
Mile
s
Figura 3: Muertes por accidentes de trafico en el periodo 1973-1978.
F. Gonzalez 5
![Page 7: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/7.jpg)
Prediccion de senales: Metodos de descomposicion
Para describir esta serie, se sugiere utilizar el modelo
Xt = St + Ut (3)
• St: funcion periodica de periodo d.
St = a0 +
N∑
k=1
(ak cos(ωkt) + bksen(ωkt)) (4)
• ωk son multiplos enteros de2π
d• N − 1 es el numero de armonicos considerados.
F. Gonzalez 6
![Page 8: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/8.jpg)
Prediccion de senales: Metodos de descomposicion
Regresion armonica
0 5 10 15 20 25 30 350
0.5
1
1.5
2
2.5
3
3.5
4x 10
4
Comp. anual
Comp. semestral
1973 1974 1975 1976 1977 1978 19796.5
7
7.5
8
8.5
9
9.5
10
10.5
11
11.5
(a) (b)
Figura 4: (a) Componentes de la serie de Fourier de la secuencia de accidentes de trafico. (b) Estima de la componente armonica.
Modelo: Xt = St + Ut (5)
con St = a0 +
N∑
k=1
(ak cos(ωkt) + bksen(ωkt)) (6)
Figura 6.a muestra las componentes del desarrollo en serie de Fourier.
• Observar frecuencia fundamental (periodo anual) y el armonico correspondientes al periodo
semestral.
Modelo con un armonico (N = 2) representa la tendencia estacional.
F. Gonzalez 7
![Page 9: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/9.jpg)
Prediccion de senales: Metodos de descomposicion
Estimacion de tendencia y estacionalidad
Procedimiento general
• Inspeccion visual.
• Si hubiese discontinuidades aparentes, dividir la serie en segmentos que presenten
caracterısticas homogeneas.
• Si se detectan valores extranos (outliers), debe hacerse un analisis cuidadoso para justificar
su descarte.
Estimacion de tendencia sin estacionalidad
En ausencia de estacionalidad,
Xt = Tt + Ut, , t = 1, . . . , n (7)
donde E [Ut] = 0
• Si E [Ut] 6= 0, entonces Tt → Tt + E [Ut] y Ut → Ut − E [Ut], respectivamente.
F. Gonzalez 8
![Page 10: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/10.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 1: Estimacion de la tendenciaAlisado con filtro FIR de promedio movil.
Tt =1
2q + 1
q∑
j=−q
Xt−j , q + 1 ≤ t ≤ n − q . (8)
1950 1955 1960 1965 1970 1975 19803
3.5
4
4.5
5
5.5
6
6.5
Mile
s
1950 1955 1960 1965 1970 1975 1980−1000
−800
−600
−400
−200
0
200
400
600
800
(a) (b)
Figura 5: (a) Promediado de 5 terminos sobre la serie de rayos. (b) Residuo.
F. Gonzalez 9
![Page 11: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/11.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 1: Estimacion de la tendenciaAlisado exponencial.
Tt = aXt + (1 − a)Tt−1 (9)
• Para t ≥ 2,
Tt =
t−2∑
j=0
a(1 − a)jXt−j + (1 − a)t−1X1
Eliminacion componentes de alta frecuencia
1950 1955 1960 1965 1970 1975 19803
3.5
4
4.5
5
5.5
6
6.5
Mile
s
1950 1955 1960 1965 1970 1975 19803
3.5
4
4.5
5
5.5
6
6.5
Mile
s
(a) (b)
Figura 6: Serie de rayos (a) Alisada exponencial con factor α = 0,4. (b) Alisado mediante la eliminacion de las componentes defrecuencia (normalizada) mayor que fl = 0,4; fl = 1,0 hubiera dejado la serie sin alterar.
F. Gonzalez 10
![Page 12: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/12.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 2: diferenciado
Notacion
• ∇: Operador diferencia de orden 1
∇Xt = Xt − Xt−1 = (1 − D)Xt (10)
• D: operador desplazamiento hacia atras (retardo),
DXt = Xt−1 .
• ∇j(Xt) = ∇(∇j−1(Xt)) con j ≥ 1 y ∇0(Xt) = Xt.
• Ejemplo
∇2Xt = ∇(∇(Xt)) = (1 − D)(1 − D)Xt = (1 − 2D + D2)Xt
= Xt − 2Xt−1 + Xt−2
• Si Xt = Tt + Ut con Tt =∑k
j=0 cjtj y siendo Ut un proceso estacionario de media 0,
∇kXt = k! ck + ∇kUt ,
que tiene media k! ck.
• Aplicacion reiterada puede conducirnos a un proceso estacionario de facil caracterizacion.
F. Gonzalez 11
![Page 13: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/13.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 2: diferenciado
Serie: Poblacion de los Estados Unidos: Aplicacion del operador ∇2
1800 1820 1840 1860 1880 1900 1920 1940 1960 19800
50
100
150
200
250
Mill
ones
1800 1820 1840 1860 1880 1900 1920 1940 1960 1980 2000−10
−5
0
5
10
15
Mill
ones
1800 1820 1840 1860 1880 1900 1920 1940 1960 1980 2000−0.12
−0.1
−0.08
−0.06
−0.04
−0.02
0
0.02
0.04
0.06
0.08
(a) (b)
La amplitud de las variaciones de ∇2Xt aumenta con el valor de Xt (Figura a).
Este efecto puede eliminarse transformando los datos con un operador logarıtmico antes de
aplicar el operador ∇2 (Figura b).
F. Gonzalez 12
![Page 14: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/14.jpg)
Prediccion de senales: Metodos de descomposicion
Estimacion conjunta
Modelo de descomposicion basico
Xt = Tt + St + Ut (11)
con E [Ut] = 0, St+d = St y∑d
j=1 Sj = 0.
1. Eliminar componente estacional y ruido.
Si el periodo es impar, d = 2q + 1,
Tt =1
2q + 1
q∑
j=−q
Xt−j , q + 1 ≤ t ≤ n − q .
Si fuese par,
Tt =
(
1
2Xt−q + Xt−q+1 + · · · + Xt+q−1 +
1
2Xt+q
)
/d
con q < t ≤ n − q.
F. Gonzalez 13
![Page 15: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/15.jpg)
Prediccion de senales: Metodos de descomposicion
2. Calcular la componente estacional.
Si wk, con k = 1, . . . , d es el promedio de las desviaciones{(
Xk+jd − Tk+jd
)
, con q < k + jd ≤ n − q}
.
entonces
Sk = wk −1
d
d∑
i=1
wi, con k = 1, . . . , d
verificandose que Sk = Sk−d para k > d.
3. Definir proceso sin componentes estacionales Dt = Xt − St.
Eliminando la tendencia del nuevo proceso Tt, se obtendra una serie ruidosa estacionaria
dada por:
Ut = Dt − Tt
F. Gonzalez 14
![Page 16: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/16.jpg)
Prediccion de senales: Metodos de descomposicion
Estimacion componente estacional
Aplicacion del procedimiento de estimacion de la componente estacional sobre la serie de
muertos en accidentes.
1973 1974 1975 1976 1977 1978 1979−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
Mile
s
1973 1974 1975 1976 1977 1978 19798
8.5
9
9.5
10
10.5
Mile
s
1973 1974 1975 1976 1977 1978 1979−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
Mile
s
(a) (b) (c)
Figura 7: (a) Componente estacional de la serie de muertos en accidente. (b) Serie sin la componente estacional. (c) Serie ruidosa Ut
sin tendencia (Dt: polinomio de segundo orden) ni componente estacional.
F. Gonzalez 15
![Page 17: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/17.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 2: diferenciado
Serie con componente estacional de periodo d
Definimos
∇dXt = Xt − Xt−d = (1 − Bd)Xt . (12)
Aplicandolo al modelo de descomposicion clasica,
∇dXt = Tt − Tt−d + Ut − Ut−d .
• Componente ruidosa: Ut − Ut−d
• Tendencia: Tt − Tt−d.
◦ Eliminable con metodos anteriores.
F. Gonzalez 16
![Page 18: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/18.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 2: diferenciado
Aplicacion del operador ∇12 a la serie de muertes mensuales por accidente (∇12Xt,
t = 13, . . . , 72)
1974 1975 1976 1977 1978 1979
−1.2
−1
−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8m
iles
• Persiste tendencia ascendente en los datos.
F. Gonzalez 17
![Page 19: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/19.jpg)
Prediccion de senales: Metodos de descomposicion
Metodo 2: diferenciado
Eliminacion de la tendencia mediante diferenciado (∇∇12Xt, t = 14, . . . , 72).
1974 1975 1976 1977 1978 1979
−800
−600
−400
−200
0
200
400
600
800
1000
1200
• Eliminacion tendencia mediante aplicacion del operador ∇.
F. Gonzalez 18
![Page 20: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/20.jpg)
Prediccion de senales: Metodos de descomposicion
Analisis de residuos
Objetivo final: extraer de la serie toda la informacion sobre tendencias y componentes
estacionales para dejar un residuo con propiedades estadısticas estacionarias.
Alcanzado este objetivo, resta encontrar un modelo para la secuencia de ruido.
El caso mas favorable es obtener un residuo ruidoso formado por una secuencia de variables
aleatorias independientes e identicamente distribuidas (IID).
En otro caso habrıa que iniciar un procesado adicional para eliminar toda la informacion que
permanece aun en el residuo.
F. Gonzalez 19
![Page 21: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/21.jpg)
Prediccion de senales: Metodos de descomposicion
Pruebas de comparacion
Funcion de autocorrelacion temporal (ACF)
• Para grandes espacios muestrales, las muestras de la funcion de autocorrelacion de una
secuencia IID Y1, . . . , Yn de varianza finita son aproximadamente IID, con distribucion
normal de media 0 y varianza 1/n
ρ(h) ∼ N(0, 1/n).
• Alrededor del 95 % de las muestras de ρ(h) deben quedar dento de los margenes ±1,96/√
n.
• Desde un punto de vista practico, si se calculan las muestras de la funcion de
autocorrelacion hasta el retardo 40 y se encuentran mas de 2 o 3 valores fuera de los
margenes, o bien uno que exceda significativamente esos lımites, se puede rechazar la
hipotesis IID.
F. Gonzalez 20
![Page 22: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/22.jpg)
Prediccion de senales: Metodos de descomposicion
Pruebas de comparacion: ACF
Serie correspondiente al nivel del lago Huron.
• Ajuste lineal (decreciente) para la tendencia.
1880 1890 1900 1910 1920 1930 1940 1950 1960 19706
7
8
9
10
11
12
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970−2.5
−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
2.5
0 5 10 15 20 25 30 35 40
−0.2
0
0.2
0.4
0.6
0.8
1
muestra
AC
F
El modelo no proporciona resultados adecuados (tres de las cuatro primeras muestras de la
ACF de los residuos superan los margenes ±1,96/√
98).
F. Gonzalez 21
![Page 23: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/23.jpg)
Prediccion de senales: Metodos de descomposicion
Test Portmanteau
Se define el estadıstico Q = n∑h
j=1 ρ2(j)
Si Y1, . . . , Yn es una secuencia IID de varianza finita, la distribucion Q ∼ χ2(h) (h = 20)
0 10 20 30 40 50 60 70 80 90 1000
0.01
0.02
0.03
0.04
0.05
0.06
0.07
• Un valor grande de Q indica que las muestras de la funcion de autocorrelacion son grandes
y que por tanto, es probable, que no se satisfaga el test de IID.
Se rechaza la hipotesis de IID al nivel α si Q > χ21−α(h), donde χ2
1−α(h) es el cuantil 1 − α de
la distribucion chi-cuadrado.
F. Gonzalez 22
![Page 24: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/24.jpg)
Prediccion de senales: Metodos de descomposicion
Test Portmanteau
Existen variaciones del estadıstico Q. Por ejemplo, la propuesta por Ljung y Box.
QLB = n(n + 2)
h∑
j=1
ρ2(j)/(n − j) .
Propuesta por McLeod y Li: permite distinguir si los datos proceden de una secuencia de
variables aleatorias IID con distribucion normal.
• Sustituye la ACF por la autocorrelacion de los datos elevados al cuadrado, ρY 2(h)
Q = n(n + 2)
h∑
k=1
ρ2Y 2(k)/(n − k) .
• La hipotesis de datos IID con distribucion normal se rechaza para un nivel α si el valor
obtenido de Q es mayor que el cuantil (1 − α) de la distribucion χ2(h).
F. Gonzalez 23
![Page 25: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/25.jpg)
Prediccion de senales: Metodos de descomposicion
Punto de cambio
Sea y1, . . . , yn una secuencia de datos,
• Si yi−1 < yi e yi > yi+1, o si yi−1 > yi e yi < yi+1, punto de cambio en el instante i.
C : numero de puntos de cambio
Para secuencias IID,
µC = E(C) =2
3(n − 2) σ2
C = V ar(C) = (16n − 29)/90.
Puede rechazarse la hipotesis IID si
|C − µC|/σC > Φ1−α/2
• Φ1−α/2: cuantil (1 − α/2) de una distribucion normal (si α = 0,05, Φ1−α/2 = 1,96).
Simplificacion.
• S: numero de puntos donde se verifica
yi > yi−1, i = 2, . . . , n.
• S ∼ N(µS, σ2S)
µS =1
2(n − 1) σ2
S = (n + 1)/12
F. Gonzalez 24
![Page 26: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/26.jpg)
Prediccion de senales: Metodos de descomposicion
Prueba del Orden
Prueba util para detectar tendencias lineales en los datos.
Si {Y1, . . . , Yn}: secuencia IID y
P : numero de pares de puntos (i, j) en los que se verifica
yi < yj, con i < j e i = 1, . . . , n − 1
• El numero de pares (i, j) que verifican i < j es(
n
2
)
=1
2n(n − 1)
• El evento {Yi < Yj} tiene probabilidad1
2.
• Por tanto,
µP =1
4n(n − 1) σ2
P = n(n − 1)(2n + 5)/8
Para un numero de muestras suficientemente grande,
P ∼ N(µP , σ2P )
Por consiguiente, los tests para rechazar la hipotesis de secuencia IID son nuevamente
aplicables.
F. Gonzalez 25
![Page 27: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/27.jpg)
Prediccion de senales: Metodos de descomposicion
Ejemplo
En este ejemplo se considera la serie temporal
Xt = cos(t) + Nt, t = 0,1, 0,2, . . . , 20
donde Nt es una proceso aleatorio normal, de media 0 y varianza 0.25.
Muestras de la serie
0 2 4 6 8 10 12 14 16 18 20−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
2.5
3
En el analisis se desconoce el modelo con el que se han generado.
• Primera hipotesis: secuencia IID.
F. Gonzalez 26
![Page 28: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/28.jpg)
Prediccion de senales: Metodos de descomposicion
Ejemplo. Pruebas a realizar
1. Funcion de autocorrelacion muestral del residuo. Se muestran los margenes ±1,96/√
n.
0 5 10 15 20 25 30 35 40
−0.2
0
0.2
0.4
0.6
0.8
1
Muestras
AC
F
Mas del 20 % de las muestras superan el umbral ±1,96/√
n
Conclusion: rechazo test IID.
F. Gonzalez 27
![Page 29: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/29.jpg)
Prediccion de senales: Metodos de descomposicion
2. Analisis estadıstico.
Q = n
h∑
j=1
ρ2(j) . (13)
Para h = 20, Q superior al cuantil 0.95 (α = 0,05) de la distribucion chi-cuadrado
Q = 48,6 > χ21−α(20) = 31,4
3. Densidad de puntos de cambio.
C = 137
Distribucion asintotica (para n = 200): N(132, 35,3),
|C − µC|/σC = 0,84 < Φ1−α/2 = 1,96.
Conclusion: no existen suficientes evidencias para rechazar la hipotesis IID.
4. Recuento numero de puntos, S, en los que xi > xi−1, i = 2, . . . , 200.
S = 99
|S − µS|/σS = 0,12 < Φ1−α/2 = 1,96
Conclusion: no existen suficientes evidencias para rechazar la hipotesis IID.
5. Prueba del Orden.
F. Gonzalez 28
![Page 30: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/30.jpg)
Prediccion de senales: Metodos de descomposicion
P = 10,134
Distribucion asintotica: N(9950, 2,015 × 104).
|P − µP |/σP = 0,1296 < Φ1−α/2 = 1,96
Conclusion: no se puede rechazar la hipotesis IID.
Pruebas (1) y (2) ofrecen rotundos resultados: debe rechazarse la hipotesis IID.
F. Gonzalez 29
![Page 31: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/31.jpg)
Prediccion de senales: Metodos de descomposicion
Gaussianidad
Y1, . . . , Yn: muestras de N(µ, σ2)
Y(1), . . . , Y(n), muestras ordenadas.
Y(1) < Y(2) < · · · < Y(n)
Proceso normalizado N(0, 1)
X(1) < X(2) < · · · < X(n)
Transformacion lineal X(j) → Y(j)
E(Y(j)) = µ + σmj
con mj = E(X(j))
Por tanto, el grafo (q-q plot) de los puntos(
m1, Y(1)
)
, . . . ,(
mn, Y(n)
)
F. Gonzalez 30
![Page 32: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/32.jpg)
Prediccion de senales: Metodos de descomposicion
• Si gaussiano: lineal.
R2 =E
(
miY(i)
)2
E (mi)2 E
(
Y(i)
)2 → 1
• En otro caso: no lineal.
Si aproximamos mi por Φ−1((i − 0,5)/n)
• Coeficiente de correlacion
R2 =
(
∑ni=1
(
Y(i) − Y)
Φ−1
(
i − 0,5
n
))2
∑ni=1
(
Y(i) − Y)2 ∑n
i=1
(
Φ−1
(
i − 0,5
n
))2
• Para n = 200, Pr(R2 < 0,987) = 0,05
F. Gonzalez 31
![Page 33: PREDICCION DE SENALES~ M eto dos de descomposici on](https://reader036.vdocuments.pub/reader036/viewer/2022081700/62dc7abdea43d610302ec110/html5/thumbnails/33.jpg)
Prediccion de senales: Metodos de descomposicion
−2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5−2.5
−2
−1.5
−1
−0.5
0
0.5
1
1.5
2
Standard Normal Quantiles
Qua
ntile
s of
Inpu
t Sam
ple
QQ Plot of Sample Data versus Standard Normal
F. Gonzalez 32