Tips certamen 1

SEALES: son manisfestaciones fisicas de procesos naturales o artificiales de distinta naturaleza.

Estan fluctuan con el tiempo, el espacio o cualquier otra variable independiente y contiene
informacion sobre el estado o comportamiento de un sistema fisico.
caracteristicas:
- son funcion de una o mas variables independientes.
- contienen informacion de algun fenomeno fisico.
Muestreo de seales analogas:
roblemas de muestreo:
!aliasing: pobre discretizacion de los datos de una serie de tiempo "falta de infomracion#.
!espurias: seales que se generan por problemas de aliasing, frecuencias que aparecen que no
corresponden a l registro.
$%mo evitar esto&&&...
El intervalo de muestreo debe ser seleccionado adecuadamente.
'i se conoce previamente la energia de la seal que se encuentra en algunas frecuencias se
puede - evitar el aliasing teniendo una razon de muestre que represente las frecuencias mal
altas de la seal.
'uavisando la seal, esto se (ace antes del remuestreo ya que luego de ser discreta la aliasing
no es reconocida por los filtros.
).........................................................................................................................................................
reguntas:
A)cual es el intervalo de muestreo mas grande que me permite resolver una seal
semianual?
Si mi periodo de interes es semianual osea 6 meces. ojo: si yo quiero resolver
para periodos semianuales entonces por N seria
dt= siempre que conosca la !ace" pero si no conosco !ace entonces dt=6#$%

&) 'etermine el error en la estimaci(n de la amplitud del ciclo
anual al utili)ar distintos tamaos de muestreo *entre + y 6,
dias) y di!erentes !ases *entre - y +.- grados).

uno lo puede /acer en malta0 con un ciclo !or cam0iando los indices y la
estimacion del error.
seria con dos datos importantes la estimacion de la amplitud del ciclo
anual y piden datos entre +y 6, entonces o0tengo de cada dato la
di!erencia del ciclo anual que se conoce con respecto al estimado y asi
con 1 o dias etc" y la di!erencia me dira la magnitud del error y luego
ver la di!erencia de !ace: en un eje uno puede poner el tama23o dt en el
otro la !ace y en alguna parte /acer la gra!ica del eje y) del error *d!
entre anual y estimacion o0tenido de la la!ace y dt)

4)4ual es el intervalo de muestreo m25s grande que permite
resolver una se23al anual cuando la serie esta constituida por
una se23al anual y semianual de igual amplitud.

que nos dicen: no predominancia en terminos de amplitud de las se23ales
asi si yo quiero resolver una se23al anual tengo que resolver la semianual
*si no no se puede) ... ???????????


*# $ual es el intervalo de muestreo m+s grande que permite resolver una seal anual cuando la
serie esta constituida por una seal anual e intraestacional",- d.as#, donde la seal
intraestacional posee un amplitud cien veces mayor que la primera.
tiene que ver con aliasing...?????
).............................................................................................................................................................
CORRELACIN: medida de asociacion entre dos variables y su ob/etivo es decir si estas se asocian
de forma directa o inversa.
0elacion perfectamente lineal ---1 corr2 1 o -1
3o e4iste relacion lineal ----1 corr2 -
5/5: 35 se debe confundir correlacion con causalidad6
7ormas de calcular correlacion:
*Correlacion de Pearson, utilizado cuando ambas variables son cuantitativas "siguiendo una
distribucion normal#. $oeficiente adimensional.
!$orrelacion de 'pearman, utilizado cuando una variable es dicotomatica, para variebles cusntitativas
con muestras pequeas.
8rados de libertad efectivos, generalmente se asume que los valores de la muestra que se estudia son
estadisticamente independientes, pero esto "en geof.sica# 35 E' 9':6, ya que e4isten constribuciones
de ba/as frecuencias y ocsilaciones con bandas de frecuencias estrec(as que pueden procucir altas
correlaciones entre valores separados por largos peridodos de tiempo y distancia. ara que la estadistica
tenga un significado real se debe encontrar el numero efectivo de grados de libertad "atraves de
autocorrelacion#.
- Escala de tiempo integral "definida en terminos de autocorrelaci%n#: nos entrega el numero
de grados de libertas"3!#.
5/o: Resago es un desplazamiento o desface en el tiempo en terminos de frecuencia "(acia
delante o atr+s en un intervalo de tiempo especifico#.
*onde, $"-#2sin reago; $"tau<#2con resago.
3ma42 ma4imo resago de la serie sobre si misma empieza en - y termina en 3=>.
porque n=>&&&
porque debido al resago alfinal es probable que me quede solo con la mitad del registro, ya que en el
proceso pierdo grados de libertad, porque pierdo numero de observaciones "tambien puede ser n=?#.
5/o: el n-1 es debido a que perdemos un grado de libertad por calcular la varianza desde la
muestra para inferir sobre el poblacional.
@uego los grados de libertad efectivos "numero de observaciones independientes# estan dados por:
con deltat2intervalo de tiempo de los datos
Ana forma practica de calcular la escala de tiempo integral es mediante la integracion de la funcion de
autocorrelacion rezagada en el tiempo desde un resago cero asta que la funcion pasa por primera ves
por cero "en el e/e B2resago; C2grados de libertad#.
!cuando queremos determinar la asociaci%n lineal vemos que a medida que la corr. disminuye el resago
aumenta asta que llega un momento en que ambos trosos de serie son ceros y en ese momento las series
son completamente independientes.
>D=-?=>-11
$uando queremos estudiar cierto proceso en una serie o seal los pasos a seguir son:
!graficamos la seal; 6asi cuando tenemos una serie de tiempo cualquiera" lo que
uno mira son las varias componentes.

6 asi vemos si tiene !rec. 7eriodicas o no" y ademas apreciamos si contiene
6 alguna componente lineal. 8ntonces uno puede descomponer la seal en
6componentes periodicas
6 y otras que no se pueden resolver que son aleatorias
6 *ruido 0lanco y ese tipo de cosas) mas una tendencia de largo plaso.
67ara series de tiempo la componente de largo plaso no la usaremos" asi
6de0emos eliminarla...
!Eliminamos tendencia si es que e4iste; c(mo la eliminamos??? si es lineal la
eliminamos de !orma lineal" si no lo es entonces /acemos un ajuste de los
datos. luego uno lo
6trans!orma para lineali)ar alguna de las !luctuaciones y luego se
6elimina.
! sacar los dt para esto usamos usualmente la frecuencia de 3ysq. ara el cual devemos tener
pleno conocimiento del periodo en que ocurre el proceso a analizar;
6todas la series tienen distintas componentes" asi cuando de!inimos dt
6tenemos que tener claro las !rec que estan contenidas en nuestra serie"
6asi /ay dos !rec mas importantes la de N y la !undamental" la ultima se
puede
6calcular mediante una apro9 al valor verdadero pero esto no es correcto ya
que tiene solo una
6!rec de las mas 0ajas contenida. Asi /ay que tener por lo menos $ o , para
6poderlo resolver con cierta verdad estadistica :7
:mportante;;;: si no conocemos la !ace" el dt sera dt=<#$.
Ejemplo programa 28/3: 'i queremos remuestrear la seal:
6analisamos los periodos de sisigia y cuadratura *osea de alta y 0aja
6marea)
6queremos resolver estas !recuencias con periodos de +, dias osea el dt mas grande
6de0iese ser con periodos de =.," sacados atraves de la !recuencia de
6Nysq...*N)
6es +, porque duran alrededor de +, dias los periodos de sisigia y cuadratura.

6ojo sin nos interesan la !rec 0ajas tenemos que preocuparnos primeramente de
!rec. altas ya que estos son
6las mas energeticas y producen inter!erencia" osea un pro0lemas de aliasing
6en el regsitro" asi de0emos preocuparnos del !enomeno !isico
6dominante. 8n el mar la marea es la que tiene mas energia por lo tanto
independiente
6de que nos interese los periodos de +, dias de0emos resolver el !enomeno
6dominante" asi pensamos en largo de +1 /oras asi el dt=6 derivado de N y
6vemos qu> pasa... a/ora vemos que la cosa anda algo mejor pero no muy 0ien y eso
es
6porque no conocemos la !ace o tam0ien porque /ay otras !recuencias muy
6importantes que tienen aporte en la varia0ilidad del registro y que no
6conocemos.
6a/ora para asegurarme de que !uncione 0ien sin conocer la !ace: yo tomo
6<#$ no siempre sera la optima pero sera muc/o mejor que la utili)ada
6anteriormente" ojo que si muestreamos mas de $ veces tendremos mejor
6resolucion
66...............................................................................
9utocorrelaci%n "para una sola series que se a desplasado en el tiempo#: >E=-?=>-11
Fay procesos que se repiten cada cierto tiempo, y uno puede necesitar saber cada cu+nto tiempo ocurre
ese proceso que contiene un resago "desface en el tiempo:incremento o disminucion#. @a
autocorrelacion permite saber cada cuanto tiempo ocurre este evento.
asos para traba/ar esta funcion:
1. eliminar la tendencia!; tiene un efecto fuerte sobre los coeficientes que se obtienen atraves
del dominio del tiempo y la frecuencia
6si uno pone solo la serie /ace la !uncion de autocorrelacion" a/ora se puede
6de!inir el ma9imo reago que puede correr la serie
6eje 9:resago*dias). y=correlacion. 7ara el resago cero" el valor de y es +
6*ma9imo) a medida que disminuye el resago una serie se separa de la otra" a/ora
6porque pueden salir valores negativos y positivos? porque depende de /acia
6donde se desplase...
quG pasa si de/o la tendencia&&&
"la linea ro/a y recta:con tendencia ; linea azul y anc(a:sin tendencia#
6la amplitud de la correlacion disminuye" se tran!orma practicamente en una
6linea recta
6para una recta mas pronunciada" la tendencia lineal es muy !uerte" asi se pierden
6valores. ?a in!ormacion que se puede e9traer atraves de la varia0ilidad de
-40 -30 -20 -10 0 10 20 30 40
0.4
0.5
0.6
0.7
0.8
0.9
1
6la !uncion de autocorrelacion se pierde solamente por tener una tendencia
6lineal" si no es !uerte se pierde y si es muy !uerte es una linea recta asi
6todas la osilaciones de !recuencia altas osea so0re la tendesia de largo
6plaso desaparecen" esto es porque estan asiendo relaciones entre
6variansias" la variansa de la serie es demaciado !uerte como para poder
6determinar las osilaciones c/iquititas que son perdidas en la tendencia de
6largo plaso y esto es uno de los aspecto mas negativos.
Correlacin cruzada; e4presa que tanta similitud e4iste entre dos series de tiempo 4"t# e y"t#, para
diferentes desplazamientos en el tiempo tau "t#, se basa en el grado de relacion "dependencia
matematica# que poseen dos variables numericas entre si.
Esta dada por:
$orrelaciones positivas " H-,1H # -----1Incrementos en una variables produce incrementos
proporcionales en la otra.
$orrelaciones negativas "J-1,-J #------1lo contrario :
$orr2 5 ------1 no e4iste correlacion entre ambas variables.
5/o: tambien se pueden obtener correlaciones altas pero que no tengas relacion causa-efecto,
sino mas bien poseen igual variabilidad "fluctuacion similar#, es decir, similitud entre dos series
de tiempo, para desplazamientos en el tiempo T"tau#.
En que casos saco corr. cruzada&...
'e utiliza para estimar la dependencia de una serie desplazada en el tiempo con respecto a otra y
a su ves sobre si misma.
se emplea para medir: e/emplos; constribucion de algun forsante sobre la variabilidad,
relaciones entre dos variables "relacion entre el viento y la corriente#
cambios del nivel del mar por el viento,etc.
As e!os "ue es el !is!o conce#$o de correlacion #ero a%ora $o!ando en consideracion los
resa&os de series dis$in$as'
'e emplea para medir tiempos de retardo para seales que se propagan
ara determinar la significancia de la correlacion cruzada es necesario determinar el numero de
mediciones independientes o grados de libertad "son distintos debido a que en geofisica todas la series
involucran algun grado de dependencia entre valores consecutivos#.
5/o:LA TENDENCIA AFECTA!! (ay un impacto de la tendencia en la serie, ya que afecta el grado
de correlacion y esto obliga a tener registros mas largos, tambien es necesario saber el numero de
observaciones independientes, es decir, estimar el grado de livertad.
Escala de tiempo integral, indica cada cu+nto tiempo se obtiene un valor independiente "se busca
convergencia de la escala ya que esto nos indica los valores independientes#.
*onde r44.autocorrelacion de 4; ryy2idem de y; dt2intervalo de tiempo entre mediciones;M:nK de
mediciones muuuuuy grande.
@uego los grados de libertad estan dados por: "3:largo serie#
roceso de calculo de correlacion cruzada:
1. eliminamos tendencia si es que e4iste "verlo graficamente#
>. obtenemos la escala de tiempo integral; entrega el numero de observaciones independientes
entre si. "buscamos encontrar cuando la escala de tiempo converge, y esto no siempre es
evidente pero se puede ver cuando se forma el primer plat%, y es en ese momento donde
encontramos nuestro primer valor independiente#
?. calculamos correlaci%n.
e/emplo ,=-L:
si uno quiere esta0leces una relacion entre las !luctuaciones del nivel
6del mar y la temperatura super!icial del mar" una /erramienta que nos sirve
6es la correlacion cru)ada.
6As@ lo primero que uno /ace es ver si /ay un des!ace o
6no y cual es el grado de asociacion lineal" como los datos de la
6temperatura del nivel del mar son mas menos diarios lo que uno quiere ver
6es en mensuales para lograr /acer la correlacion a/ora como /ago para que sea
6mensual???
6aqui tenemos un arc/ivo de !luctuaciones del nivel del mar con respecto a
6las temperaturas de la super!icial del mar en la costa *en !orma diaria)
6 para esto tomaremos la correlacion lineal que /ay entre am0as varia0les y
6 con este o0jetivo se construira primeramente una ventana mensual que
6 promediarA5 los datos en cada mes con el !in de usar el promedio como
6 !iltro" asi sa0remos que disminuira la varia0ilidad de la serie * aqui lo que
/ace la ventana es promediar los datos y esto produce una perdida
de varia0ilidad de la serie y cBal es la variavilidad que elimina?...la
que esta dentro de la ventana que estoy utilisando y como es un promedio lo que
/ace es suavisarla dejando las !recuencias mas 0ajas).

%ai que procurar que la series sean del mismo largo" como /acer esto?
6primero leo el dato y luego lo gra!ico" para sa0er como es la varia0le que
6estoy tra0ajando.
6as@ usamos una ventana que la movemoss cada - dias y con esto o0tenemos el
6promedio mensual * recordar que tienen la misma longitud en terminos de
6aos pero mn esta en meses y te en dias)el promedio mensual lo centramos
6en la media de esos -" + - 1C dias" por ejemplo si yo tomo o entonces
6el promedio de - cae en el dia +," es mejor la ventana e9acta para poder
6centrar.
4alculo la escala de tiempo integral...
6asociada a la multiplicacion de una serie con respecto a la otra...con un
6intervalo de tiempo que corresponde a el resultado de la escala de tiempo de < es
6un curva que nos muestra cuando tenemos una medida independiente dentro
6de la serie que estamos comparando" independiente de si * 0usco los
6grados de li0ertad asociado al numero de datos independiente entre si.
por lo tanto:
6primero calcularemos promedio" luego la escala de tiempo integral y !inalmente
sacar> la correlaci(n
Correlacin co!#le(a; encuentra el grado de asociacion temporal y el angulo medio que se forma
entre un par de vectores bidimensionales.
El coef toma valores entre J-,1H; corr2- ------1 no e4iste dependencia matematicas entre ambas
variables.
E@ angulo fluctua entre -K y ?M-K "nos dice el resago de la serie#

3os muestra el grados de dependencia matematica entre dos variables, Nporque no varia entre -1
y 1&&& primero el valor nos muestra si (ay alta o ba/a asociacion temporal y el angulo que
entrega si es 1D- tambien nos indica una alta asociacion o al igual que en corr. *e pierson nos
indica si es proporcional o inversamente proporcional.
ara que nos sirve&&
Es utilizada cuando tengo dos series de tiempo con componentes fundamentalmente vectoriales
" que poseen por ende una magnitud y direccion# con parte real e imaginaria.
*eterminar el grado de dependencia temporal entre dos vectores e/: viento y marea.
N$omo lo (ace&... los relaciones ambos vectores atraves de sus componentes real e imaginaria
por separado "parte real de viento con partereal de marea#
5/o: la correlacion comple/a 3o requiere de resago, ya que el angulo que entrega nos muestra ese
desface, por lo tanto, no tiene sentido desfasarla6
*e que nos sirve el angulo&&&
es que si quiero (acer una correlacion entre variables ,e/: comparacion entre dos series vectoriales y se
obtienen: corr -,M? o -,ML y angulo2 11K y >1K la diferencia es de 1-K lo que nos indica una muy
buena correlacion! "ese 1-K es el resago entre ambas series#, ya que las amplitudes son muy parecidas
y si el periodo tambien es muy 2 entonces lo unico que cambia es la face pero en el fonfo ambas series
son 2 por lo tanto la corr. ser+ apro4. 1.
esto se obtiene aplicando corr. comple/a:

Damp"t/eta"transE = comcor*F+"F1)% amp= amplitud de la seal"t/eta=des!ace" trans=
coe!iciente de trans!erencia *rason de amplitudes)
Gjo: H8sta correlacion solo se puede o0tener en parejas de datos *am0as series
deven tener en la mimma posicion datos NG nan)
H Tambien es afectada por la tendencia!!" por lo tanto" elimino la
tendencia de cada componente por separado * componente u y v) y luego las junto en
la varia0le compleja y /ago el calculo.
ANALISIS AR)ONICO; supone que las fluctuaciones "periodicas# de una serie se pueden e4presar en
terminos matematicos por una suma de funciones armonicas.
9si esto se puede e4presar como:
5/o: aplicable s%lo a series "periodicas o semiperiodicas# en que la amplitud y face sean mas menos
constantes en el tiempo6
Esta representacion tiene como incognitas amplitud y face de cada constituyente armonico, para lo cual
se forma un sistema de 3 ecuaciones "un sistema sobreestimado# las cuales sson resueltas atraves del
metodo de minimos cuadrados.
@uego atraves de este metodo se lograr+ encontra las face que estar+ referida al primer dato del registro
y la amplitud.
Osto e4presa que en un tiempo t"subn#, tendremos que nuestra variable va a ser representada por un
valor medio P una serie de coefcientes armonicos con una frecuencia determinada y angulo de face
determinado.
9s. para utilizar el metodo de minimos cuadrados sera necesario e4pandir la ec. anterior y quedara
finalmente como:
donde:
5/o: para aplicar el metodo de minimos cudrados en una serie de tiempo, se le debe sustraer antes el
promedio y la tendencia lineal ! para ganar e4actitud.
Error cuadratico medio; permite determinar en forma clara si el error es grande o pequeo "es el
error de la estimacion al cuadrado y el promedio de esto6#.
9l igualar las derivadadas de los coeficinetes a cero minimisamos el error.
9ves a este error le llamamos ruido cuando es parte de la seal que uno no quiere.
Nara que sirve este metodo&&
0epresentacion de un fenomeno ciclico "que se repite en el tiempo# y lo que uno requiere es la amplitud
y la face para poder reproducirlo en cualquier momento del registro o (acer proyecciones "(acia el
futuro o pasado#.

Nque pasa si la serie que queremos analizar "serie periodica# cambia de face&&&
9l (acer un analisis con minimos cuadrados y e4traer sus propiedades con cosenos o senos nos traera
problemas ya que estos cambios no estan siendo considerados en estas funciones, si el cambio es
abrupto el fi"angulo# que obtendremos del analisis armonico ser+ un promedio de estos cambios " no
estar representando la face ni al comienso ni al final#, por lo tanto, no ser+ un valor real de la serie.
@uego por esto debemos particionar la serie, es decir, (acer una analisis armonico antes del cambio de
ace y luego de este.
Requisitos para que funcione bien:
eliminar tendencia y media de la serie" el promedio actua como filtro de ba/as frecuencias#, que
sea una funcion periodica "o semiperiodica#, que tenga una amplitud y face mas menos
constante.
5/o: la face estar+ referida siempre al primer dato.
@a fraccion de varianza obtenida atraves del metodo nos dice si este metodo es eficiente o no en
representar las fluctuaciones en cierta frecuencia.
ANLISIS ARMONICO DE VECTORES :*a igual forma que una serie de tiempo de una variable
real, una serie de tiempo vectorial puede ser analizada a travGs del mGtodo de m.nimos
cuadrados, considerando sus componentes ortogonales por separado.
u t
n
=U
0

k=1
M
[
U
k
cos
k
t
n
!
k

]

" t
n
=#
0

k=1
M
[
#
k
cos
k
t
n
!
k

]
5/o: eliminamos tendencia lineal a ambas componentes!
E4pandimos ambas componentes:
u t
n
=U
0

k=1
M
[
$U
k
cos
k
t
n
%&U
k
sin
k
t
n

]
" t
n
=#
0

k=1
M
[
$#
k
cos
k
t
n
%&#
k
sin
k
t
n

]
odemos pensar que que para una misma frecuencia tenemos una componente que rota "en sentido
(orario y otra en sentido anti(orario# pensando que ese su sentido de giro. $omo es un vector posee
ademas una magnitud y direccion y esto estaria girando en el tiempo. 9si tenemos dos
representanciones de una elipse.
@uego:
9plicando a cada componente por separado la metodolog.a descrita anteriormente, se puede obtener
una representaci%n de las corrientes en la forma de una elipse definida en funci%n de los coeficientes
cosenos y senos "$A, $Q, 'A y 'Q# que acompaan a cada a componente. *e esta forma para cada
arm%nico, la elipse de la corriente queda definida por:
amplitudes de las componentes rotatorias en sentido (orario "P# y anti(orario "-#.
a

=
[
$U%&#
>

>

&U $#
>

>
]
1/>
a

=
[
$U &#
>

>

&U%$#
>

>
]
1/ >
obtenemos la face de cada componente "corresponde a los +ngulos que esos vectores (acen con el e/e
real en el tiempo t2-#:
!

=arctan

$U%&#
&U $#


!

=arctan

$U &#
&U%$#

@a serie de tiempo resultante es una elipse con un semie/e mayor con una longitud definido por
M=a

%a

y un semie/e menor definido por m= a

. El semie/e mayor est+ orientado con un

+ngulo de inclinaci%n de != !

%!

/ > , respecto del e/e real "u# y la corriente rota en sentido

anti(orario cuando a

'a

y (orario cuando a

(a

.
or lo tanto, vemos que si tenemos dos componentes de una misma frecuencia donde una de las
componente poseera un giro anti(orario y la otra ser+ (orario y por ende la sumatoria de ambas dar+
como resultado final una elipse, la cual contendr+ un e/e mayor y uno menor.
5/o:'i el e/e mayor es muy sema/ante al menor se usa una proporcion.
ara que sirve&&&
'i queremos saber como un canal rota dentro de una ba(ia y si es que rota o no6
E/emplo 1>=-L:
6analisis armonico: toda !luctuacion de serie puede ser representada como una
operacion matematica
6entre !unciones armonicas

6aqui la amplotud y la !ace son las incognitas primcipales por lo tanto
6 se !orma un sistema de tantas ecuaciones como incognitas y si no entonces
6 se resuelve por minimos cuadrados;
6antes de usar el metodo de I.4. se de0e quitar el promedio y tendencia de los
daros
6para asi disminuir el error
66
6 en esta rutina lo que /aremos es estiamar atraves de minimos cuadrados
6 los coe!. AJ y &J para distinatas !recuencias odistinatos periodos" asi
6 uno de!ine el armonico que se quiere analisar y el am!a se encarga del
6 resto.

6las retricciones que nos impone este modelo" la !uncion que estamos
6tra0ajando es una !uncion coseno o sinuidal !uncion con la cual uno
6analisa los datos para poder e9traer parte de sus propiedades lo que
6implica que nuestra serie de0e ser periodica" es decir" de0e /a0er una
6!luctuacion que se repita en el tiempo y la mplitus tam0ien.
6por eso uno de0e o0tener una amplitud promedio que tiene el registro
6completo.
6 si estamos sumando series que son completamente armonicas" que tiene una
6 !ace que es relativamente constante que elemento no tiene que tener
6 nuestra serie original o que elemntos no puede reproducir: la tendencia
6 *lineal" e9ponencial" etc)" por lo tanto para anlisar nuestro datos estos
6 no pueden tener tendencia;;

6tam0ien e9traer el promedio de anomalias" como??
6atraves del promedio
6atraves de una serie normalisada *trans!ormacion en la que la serie
6resultante es *la serie menos el valor promedio )#la desviacion estandar)

6cual es la ventaja de normalisarlo as@?? es que la variansa se lleva a
6uno.
Rue pasa si mi serie tiene tendencia " y no la retiro#&&
6 !ase cam0io /artoo" y el resto de los par25metros tam0i2Kn
6 este metodo apunta a sa0er cuales con las coponentes tipicas que tienen
6 nuestro datos lo que signi!ica que no sa0remos su !recuencias especi!ica
6 " su amplitud" la !ace entonces ai que tratar de regular la serie para
6 o0tener los valores que corresponden a los reales.
6Gjo: el indice temporal sera un vector de + al !inal de los datos
6si los datos son mensuales y 0usco ciclo anual: armonico =+1
6si los datos son diario" entonces" el armonicos seran 6,"1,
que pasa si mi serie tiene nan y no los retiro&&
6ves q el resultado te arroja nan" entonces lo que /ay q /acer es q el
6indice temporal sean las posiciones donde /ay dato;
L...................
66en de!initiva si conocemos amplitud y !ace de una !recuecnia
66especi!ia entonces podemos descri0ir en que tiempo vamos a
66recosntruir nuestras serie porque podemos reconstruir /acia atras del
66registro a /acia adelante" porque al intervalos que teniamos de!inido
66agregamos los coe!icientes y podemos /acr una p!rediccion so0re qu>
66va a ocurrir con la varia0lidad asociada a esta !recuencia
6ejemplo: si queremos sa0er cual es la !luctuacion del nivel del mar para
6el 1, de dic. de este ao si estas !luctuaiones ovedecen a constituyente
super atmonicas
6 peensando en ciclo de la luna el sol y algunos otros astros uno puede
6 decir que a as 1+ -- estaremos en periodo de sisigia o cudratura lo
6 que es predeci0le porque son constituyentes armonicos" tam0ien se
*9T5:
6 puede utili)ar como !iltro
6si pensamos que un ai un periodo completamente ciclico y no nos
6interesa podriamos pensar en reconstruir la serieen terminos de los
6ocnstituyente armosnico e9traerlo y restarlos y quedarnos con la
6di!erencia analisar el residuo y analisar este residuo esto seria un
6!iltro suprime 0anda* nos quedariamos !inalmente solo con las anomalias)
6A/ora veamos que pasa si la linea roja *calculo de estimacion de componentes)"
minimi)amos el
6error cuadr25tico medio * esta es la calculada con los armonicos)
6recordar que al igualar las derivadadas de los coe!icinetes a cero solo
6minimisavamos el error.