Resumen

Se presentan dos metodolog´?as para el rellenado de datos ausentes, enfocadas hacia
su uso en series de tiempo geof´?sicas. La primera se basa en la descomposici´on en
componentes principales de la matriz de correlaci´on de datos de una misma variable
entre estaciones cercanas y en periodos de tiempo comunes. Este m´etodo multivariable
permite incorporar en los valores rellenados los fen´omenos de mayor escala a partir
de la informaci´on de las estaciones cercanas. El segundo m´etodo es para ser utilizado
cuando no hay estaciones cercanas y el rellenado se debe hacer con la informaci´on de
la misma estaci´on. Consiste en ajustar un modelo autoregresivo a la serie de tiempo y
utilizar ese modelo como estimador de los datos ausentes. Se evaluaron dos algoritmos
para calcular los coeficientes autoregresivos: el estimador de Burg y el propuesto por
Ulrych y Clayton. El primero es apropiado para procesos estoc´asticos y el segundo para
series determin´?sticas. Las dos metodolog´?as descritos en este trabajo son recursivas:
se hace una primera estimaci´on a los datos ausentes corriendo el algoritmo ignorando
los datos ausentes si es posible ´o aproxim´andolos de forma grosera. El algoritmo se
contin´ua ejecutando con los nuevos valores sustituyendo los valores estimados en la
corrida anterior. La ejecuci´on termina cuando la diferencia m´axima de los valores
estimados entre dos corridas sucesivas es menor que un valor fijado de antemano por
el usuario. Los datos rellenados conservan la media y la desviaci´on est´andar original
de la serie de tiempo. Estos algoritmos se adaptaron y modificaron, por medio del uso
de Interfaces Gr´aficas con el usuario, para su uso en SCILAB, que es una plataforma similar a MATLAB pero de fuente abierta y que corre indistintamente en Windows y
Linux. Ellos fueron elaborados como una actividad de extensi´on de la Universidad de
Costa Rica.
Palabras clave: datos faltantes, control de calidad, filtros auto regresivos, an´alisis de
componentes principales, aplicaciones de software libre.