DCA
Introducción: Las series de tiempo son una poderosa herramienta para la interpretación y estudio de fenómenos de las ciencias que se expresan a través de eventos registrados regularmente a través del tiempo.
Cuando se trata de estudiar un fenómeno donde solo se considera una variable cuyas observaciones son tomadas a intervalos regulares de tiempo, estamos en el campo de las Series de Tiempo Univarialias.
Si el problema se amplía y se consideran ahora dos variables aleatorias subindicadas en el tiempo y entre ellas existe una dependencia unidireccional, se tiene la teoría de Funciones de Transferencia.
En una situación más general, se trata de conocer la relación de dependencia entre dos o más variables aleatorias medidas en el tiempo sin una direccionalidad determinada. En este caso el desarrollo de la teoría de los Procesos Vectoriales AMorregresivos y de Promedio Móvil (VARMA) tiene su aplicación.
Para este último caso, puede ser que se trate del estudio de la relación existente entre un conjunto de variables aleatorias sin tener en cuenta el efecto que en esta relación ejercen las perturbaciones aleatorias, es decir, sólo estarnos interesados en desarrollar y aplicar la teoría de los Procesos Vectoriales Autorregresivos (VAR).
Si por otra parte se considera que los residuos de esta aplicación estén correlacionados, el análisis se complementa con una estructura que descompone estos residuos en términos de una serie de residuos independiente que contribuye al efecto a diferentes rezagos, y se obtiene un proceso Vectorial Autorregresivo de Promedio Móvil (VARMA).
En la última de las situaciones mencionadas se enmarcan las relaciones de interdependencia de las variables del sistema Ciénaga Grande y Complejo de Pajarales. Por ello este trabajo se inicia con una presentación de los aspectos fundamentales de los procesos VARMA, para luego terminar con una aplicación en la cual se construyen modelos de interdependencia de variables en dos de las estaciones de la Ciénaga Grande de Santa Marta, Rinconada y Centro.
Un análisis posterior de la estructura de dependencia que reflejan los modelos VARMA estimados en las dos estaciones, permite hacer una clasificación de las variables en términos de motricidad y dependencia e identificar un conjunto de variables de baja dependencia que no se pueden explicar a partir de las restantes a través de modelos y por lo tanto sobre ellas es necesario mantener la toma de información.
Así mismo se identifica un conjunto de variables de “salida”, es decir de máxima dependencia que se pueden modelar a través de otras variables y pueden suprimirse del monitoreo, son ellas: Clorofila, Oxigeno superficial y Salinidad en la columna
