SciELO - Scientific Electronic Library Online

 
vol.35 número1Nikolai Luzin and the problem of existence in mathematicsA coinductive approach to real analysis índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Artigo

Indicadores

Links relacionados

  • Em processo de indexaçãoCitado por Google
  • Não possue artigos similaresSimilares em SciELO
  • Em processo de indexaçãoSimilares em Google

Compartilhar


Revista Integración

versão impressa ISSN 0120-419X

Integración - UIS vol.35 no.1 Bucaramanga jan./jun. 2017

http://dx.doi.org/10.18273/revint.v35n1-2017006 

Articulo Original

Geoestadística aplicada a series de tiempo autorregresivas: un estudio de simulación

Geostatistics applied to autorregresive time series: A simulation study

Ramón Giraldo 1   , Óscar Pacheco 2   , Astrid Orozco 3  

1 Departamento de Estadística, Universidad Nacional de Colombia, Bogotá, Colombia.

2 Departamento de Matemáticas, Escuela Colombiana de Ingeniería Julio Garavito, Bogotá, Colombia.

3 Turkish Petroleum Company, Bogotá, Colombia.

Resumen.

La geoestadística puede usarse como método de predicción de datos faltantes en series temporales. El procedimiento se basa en el estudio de la estructura de autocorrelación temporal de la serie de tiempo por medio de la función de variograma, que es estimada por mínimos cuadrados (geoestadística clásica) o por máxima verosimilitud (geoestadística basada en modelo), y en usar posteriormente Kriging para hacer predicción de los valores faltantes. En este trabajo se comparan a través de simulación las dos aproximaciones (geoestadística clásica y basada en modelo) en el contexto de series temporales autorregresivas.

Palabras-clave: Autocorrelación; Datos faltantes; Kriging; Predicción; Semivariograma; Series de tiempo; Variograma

Abstract.

Geostatistics can be used as a method for predicting missing data in time series. The procedure is based on estimating the temporal autocorrelation structure by means of the semivariance function, by least squares (classical geostatistics) or maximum likelihood (model-based geostatistics), and posteriorly using Kriging for doing prediction of missing data in the time series. In this work we compare classical and model-based geoestatistics in the context of time series using simulated autorregresive time series.

Key words: Autocorrelation; Kriging; Prediction; Missing values; Semivariogram; Time series; Variogram

Texto Completo disponible en PDF

Referencias

1. Box G., Jenkins G. and Reinsel G., Time Series Analysis: Forecasting and Control, John Wiley & Sons, New York, 2008. [ Links ]

2. Cressie N., Statistical for Spatial Data, John Wiley & Sons, New York, 1993. [ Links ]

3. De Iaco S., Palma M. and Posa D., “Geostatistics and the Role of Variogram in Time Series Analysis: A Critical Review”, en Statistical Methods for Spatial Planning and Monitoring ( ed. Montrone S. and Perchinunno P.), Springer-Verlag, Milan, 2013. [ Links ]

4. Diggle P. and Ribeiro P., Model-based Geostatistics, Springer-Verlag, New York, 2007. [ Links ]

5. Dowdall M., Bjorn L., Gerland S. and Rudjord A., “Geostatistical analysis as applied to two environmental radiometric time series”, Environmental Monitoring and Assessment 83 (2003), No. 1, 1-16. [ Links ]

6. Ghahraman B. and Ahmadi F., “Application of geostatistics in time series: Mashhad annual rainfall”, Iran Watershed Management Science and Engineering 1 (2007), No. 1, 7-15. [ Links ]

7. Haslett J., “On the sample variogram and sample autocovariance for non-stationary time series”, Journal Royal Statistical Society Series D 46 (1997), No. 4, 475-484. [ Links ]

8. Hollander T. and Wolfe D., Nonparametric Statistical Methods, John Wiley & Sons, New York, 1999. [ Links ]

9. Ljung G., “A note on the estimation of missing values in time series”, Comm. Statist. Simulation Comput. 18 (1989), No. 2, 459-465. [ Links ]

10. Ma Ch., “The use of the variogram in construction of stationary time series models”, J. Appl. Probab. 41 (2004), No. 4, 1093-1103. [ Links ]

11. Margalef R., Limnología, Ediciones Omega, Barcelona, 1983. [ Links ]

12. Peña D. and Tiao G., “A note on likelihood estimation of missing values in time series”, Amer. Statist. 45 (1991), No. 3, 212-213. [ Links ]

13. R Core Team, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, 2013. [ Links ]

14. Ribeiro P. and Diggle P., “geoR: a package for geostatistical analysis”, R-NEWS 1 (2001) , No. 2, 15-18. [ Links ]

15. Rouhani S. and Myers D., “Problems in space time Kriging of geohidrological data”, Mathematical Geology 5 (1990), No. 22, 611-623. [ Links ]

16. Schabenberger O. and Gotway C., Statistical Methods for Spatial Data Analysis, Chapman & Hall, Boca Ratón, 2005. [ Links ]

0Para citar este artículo: R. Giraldo, Ó. Pacheco, A. Orozco, Geoestadística aplicada a series de tiempo autorregresivas: un estudio de simulación, Rev. Integr. Temas Mat. 35 (2017), No. 1, 83-102.

Recibido: Abril de 2016; Aprobado: Mayo de 2017

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons