Professional Documents
Culture Documents
1
A(q 1) = 1 0,8875q 1 + 0,6884q 2 0,8956q 3 + 0,7022q 4
B(q 1) = 1 + 0,2434q 1 + 0,4649q 2
figure(1)
subplot(2,2,1), plot(x);
ylabel(Xn)
title(Trayectoria)
[fac_y,m]=autocorr(x,[],2);
subplot(2,2,2), autocorr(x,[],2)
title(fac);
v = (fac_y(1)-fac_y)/(fac_y(1)-fac_y(2));
subplot(2,2,4), stem(m,v);
grid
title(Variograma)
% eliminar la media
xt = x -mean(x);
% explora el orden
pvec = [1 2 3 4 5 6];
qvec = [1 2 3 4 5 6];
[mbest,minaic,pbest,qbest]=armabat(xt,pvec,qvec);
pbest
qbest
2
En las variables pbest y qbest estan los valores de los ordenes p y q que
mejor describen el proceso.
3. Estimacion los parametros del modelo ARMA(p,q). Para esto se utiliza la fun-
cion armax con la pareja (p, q) escogida en el punto anterior. Esta instruccion
crea un objeto de nombre (por ejemplo)armapq que contiene varios campos
con informacion sobre el modelo estimado.
tcrit = armapq.ParameterVector./sqrt(diag(armapq.CovarianceMatrix))
5. Para completar el analisis es necesario chequear si los residuos del modelo ajus-
tado son ruido blanco. Los residuos son valores estimados del proceso Zn . La
forma de hacerlo es calculando la fac y la fac parcial con los residuos. Si los
residuos resultan ruido blanco ambas funciones deben mostrar todos los valores
dentro de las bandas de Bartlett. El calculo de los residuos se puede hacer con
los siguientes comandos.
dato = iddata(xt);
rarmapq = resid(armapq,dato);
et = rarmapq.OutputData;
[H,P,Qstat,CV] = lbqtest(et, [20 25], 0.05);
[H,P,Qstat,CV]
figure(3)
3
subplot(2,2,1), plot(et);
title(Residuos)
[fac_x,m] = autocorr(et,30,[],2);
subplot(2,2,2), autocorr(et,30,[],2);
title(fac muestral)
subplot(2,2,3), parcorr(et,30,[],2);
title(facp muestral)
v = (fac_x(1)-fac_x)/(fac_x(1)-fac_x(2));
subplot(2,2,4), stem(m,v);
grid
title(Variograma)
6. Una manera de chequear si el modelo propuesto ajusto bien los datos es ajustar
el modelo con la primera mitad de los datos y utilizar la parte restante para
comparar con los pronosticos a un paso: se compara Xn con el pronostico de Xn
realizado con el modelo. La funcion compare de Matlab hace este calculo.
figure(4)
% uso de la funcion "compare"
mitad = floor(length(xt)/2);
ye = xt(1:mitad);
yv = xt(mitad+1:end);
model= armax(ye,[pbest qbest]);
compare(yv,model,1);
Ejemplo 1.1. En la Figura (1) se puede ver la grafica de la serie: entrada de gas
metano en un horno a gas ( Methane input into gas furnace: cu. ft/min. Sampling
interval 9 seconds. Source: Box and Jenkins (2)), se aprecian la fac y la fac par-
cial estimadas. Segun lo explicado acerca de la identificacion de modelos tipo AR-
MA, correspondera a un proceso autorregresivo AR(3). La estimacion con armabat
y armax se realizo de acuerdo a las indicaciones anteriores y se obtuvo un modelo
ARMA(1,4)(!!!). El modelo ajustado para la serie Xn es:
Discrete-time IDPOLY model: A(q)y(t) = C(q)e(t)
A(q) = 1 - 0.8109 (+-0.04829) q^-1
C(q) = 1 + 1.231 (+-0.0689) q^-1 + 1.111 (+-0.09903) q^-2 + 0.8187 (+-0.09637) q^-3 + 0.3131 (+-0.06364) q^-4
2
http://www-personal.buseco.monash.edu.au/ hyndman/TSDL/
4
Trayectoria fac muestral
4 1
Sample Autocorrelation
2
0.5
0
0
2
4 0.5
0 100 200 300 0 10 20 30
Lag
Sample Partial Autocorrelations
0.5
20
0
10
0.5
1 0
0 10 20 30 0 10 20 30
Lag
-16.7930
17.8598
11.2191
8.4959
4.9194
Prueba Ljung-Box
5
Trayectoria fac muestral
1 1
Sample Autocorrelation
0.5
0.5
0
0
0.5
1 0.5
0 100 200 300 0 10 20 30
Lag
Sample Partial Autocorrelations
0.5 1
0 0.5
0.5 0
0 10 20 30 0 10 20 30
Lag
1.5
0.5
0.5
1.5
2.5
3
140 160 180 200 220 240 260 280 300