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
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.
Descripción general
Notas
URL del Recurso
Identificador ISBN
Identificador ISSN
Identificador DOI
Página de inicio
Es Parte del Libro
Colecciones
