Publicación: Temperatura promedio horaria durante el 2018 en Bogotá-Suba: Pasos claves para realizar un análisis de series temporales.
Portada
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Introducción: Los modelos de series de tiempo[MST] permiten descubrir la tendencia y comportamiento de datos ocurridos en diversas medidas de tiempo ordenadas cronológicamente. Objetivos: Nosotros describimos los pasos claves para seleccionar y analizar un MST aplicado en datos de la temperatura horaria en el año 2018 (Bogotá–Suba). Metodología: La temperatura horaria promedio fue 14.4 °C (4.1; min: 5.1, max: 27.0 °C) con diferencias al comparar entre horas del día y meses del año (Valor p:<0.001; Kruskall Wallis test). Los componentes de la serie evidenciaron un patrón estacionario (Dickey-Fuller; Valor p:<0.01) y alta influencia de los componentes periódico y aleatorio[Comp_per&aleat]. La influencia de los Comp_per&aleat disminuyó al diferenciar la serie[ndiff1], y preliminarmente con los análisis de autocorrelación[ACF;PACF] se esperaba un modelo ARIMA (ARIMA: p1_d0_q3). El modelo p1,d0,q3[AIC: 1382.55] fue más parsimonioso que el modelo p2_d0_q2[AIC: 1390.92] sugerido por la función AutoARIMA (Forecast Library), pero el gráfico Inverse AR Root sugirió mayor estabilidad en el modelo p2_d0_q2. No obstante,, entre los modelos paramétricos y no paramétricos ejecutados, el MST Holt-Winters de doble periodicidad pronosticó con alta precisión[Forecast_IC95%] el comportamiento y tendencia de la temperatura °C. Conclusión: Los datos ordenados de la temperatura horaria en la localidad de Suba-Bogotá permitieron aplicar los pasos básicos para seleccionar un MST. Esta aproximación práctica puede ser útil para estudiantes o principiantes que necesitan analizar observaciones secuenciales.
Resumen en inglés
Introduction: Time series models [TSM] allow us to discover the trend and behavior of data occurring in several chronologically ordered time measurements. Objective: We describe the basic steps to select and perform a TSM applied to hourly temperature data for the year 2018 (Bogota-Suba). Methodology: Data were obtained from hourly temperature measurements (°C) in the Bogotá Air Quality Monitoring Network [RMCAB] located in Bogotá-Suba (2018). The monthly and hourly mean(SD) temperature was described, and the TSM that best fit the seasonal, and trend of the hourly temperature was selected (RStudio 2022.07.2). Results: The mean hourly temperature was 14.4 °C (4.1; min: 5.1, max: 27.0 °C) with differences when comparing between hours of the day and months of the year (p-value: <0.001; Kruskall Wallis test). The components of the series evidenced a stationary pattern (Dickey-Fuller; p-value: <0.01) and high influence of the periodic and random components [Comp_per&aleat]. The influence of the Comp_per&aleat decreased when differentiating the series [ndiff1], and preliminarily with the autocorrelation analyses [ACF; PACF] a SARIMA model was expected (ARIMA: p1_d0_q3). The p1,d0,q3 model [AIC: 1382.55] was more parsimonious than the p2_d0_q2 model [AIC: 1390.92] suggested by the AutoARIMA function (Forecast Library), but the Inverse_AR_Root plot suggested greater stability in the p2_d0_q2 model. Nevertheless, among the parametric and non-parametric models run, the dual-periodicity MST Holt-Winters predicted with high accuracy[Forecast_IC95%] the behavior and trend of temperature °C. Conclusion: The ordered hourly temperature data for the Suba-Bogotá locality allowed us to apply the key steps for selecting a TSM. This practical approach may be useful for students or beginners who need to learn or analyze sequential observations.