Series de Tiempo

Miguel de Carvalho
DEPARTAMENTO DE ESTADSTICA
PONTIFICIA UNIVERSIDAD CATLICA DE CHILE
mdecarvalho@mat.puc.cl
1. INTRODUCCIN AL MODELAMIENTO ESTADSTICO DE
SERIES DE TIEMPO
Parte I
Introduccin y Motivacin
Introduccin
Las series de tiempo son un tema de amplio inters en estadstica con
diversas aplicaciones prticas.
Mientras que en muchos contextos se parte del supuesto de que los
datos son una muestra aleatoria (y por consiguiente independientes)
Y
t
i.i.d.
F
Y
(y), t = 1, . . . , n,
en nuestro contexto los datos estarn ordenados en el tiempo y por
tanto son a menudo dependientes.
Es as importante identicar la estructura de dependencia temporal
que se oculta en los datos, para por ejemplo
utilizar eventos pasados para predecir eventos futuros, o
extraer el comportamiento cclico de una serie de tiempo.
Economia EstadounidenseMercado Laboral
US Department of LaborEmployment & Training Administration
http://www.ows.doleta.gov
Tiempo (aos)
I
n
i
t
i
a
l

C
l
a
i
m
s

(
m
i
l
l
a
r
e
s
)
1970 1980 1990 2000 2010
2
0
0
3
0
0
4
0
0
5
0
0
6
0
0
7
0
0

Nota: Datos desestacionalizados.

Economia ChilenaEstadsticas Macro
Banco Central de Chile
http://si3.bcentral.cl
Tiempo (aos)
T
a
s
a

d
e

D
e
s
e
m
p
l
e
o

(
%
)
2010 2011 2012 2013
6
7
8
9
1
0
1
1
Tiempo (aos)
I
M
A
C
E
C
2008 2010 2012
1
0
0
1
0
5
1
1
0
1
1
5
1
2
0
Tiempo (aos)
I
P
C
2009 2010 2011 2012 2013
1
0
0
1
0
2
1
0
4
1
0
6
1
0
8

IMACEC: Indicador Mensual de Actividad Econmica; IPC: ndice de Precios al Consumidor.

ndice de Precio Selectivo de Acciones (IPSA)
Bolsa de Comercio de Santiago
http://www.bolsantiago.cl
Tiempo (aos)
I
P
S
A
2004 2006 2008 2010 2012
1
0
0
0
2
0
0
0
3
0
0
0
4
0
0
0
5
0
0
0
Tiempo (aos)

l
o
g

R
e
t
o
r
n
o
s

I
P
S
A
2004 2006 2008 2010 2012

0
.
3

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
So Paulo, BrasilDatos de Polucin
Companhia de Tecnologia de Saneamento Ambiental
http://www.cetesb.sp.gov.br
KazajstnGranjas de Produccin de Grano
Granja 1
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 2
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 3
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 4
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 5
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 6
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
Granja 7
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 8
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 9
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
Granja 10
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
Granja 11
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
5
1
0
1
5
2
0
Granja 12
Tiempo
P
r
o
d
u
c
c
i

n

(
0
.
1

t
o
n
.
)
1960 1980 2000
0
5
1
0
1
5
2
0
Bosque de Beatenberg, SuizaDatos Atmosfricos
Langfristige Waldkosystem-Forschung
http://www.wsl.ch
1998 2000 2002 2004 2006

2
0

1
0
0
1
0
2
0
3
0
4
0
Tiempo (aos)
T
e
m
p
e
r
a
t
u
r
a

M
e
d
i
a

D
i
a
r
i
a

(

C
)
Alpes SuizosSuelo Permafrost
WSL Institute for Snow and Avalanche Research
http://www.slf.ch
Tiempo (aos)
T
e
m
p
e
r
a
t
u
r
a

(

C
)
1998 2000 2002 2004 2006 2008 2010

2
0
2
Figura : Temperatura del suelo sobre diferentes profundidades.
Salud Pblica en PortugalInuenza y Gripe
Instituto Nacional de Sade, Dr. Ricardo Jorge
http://www.insa.pt
Tiempo (aos)
N

m
e
r
o

d
e

M
u
e
r
t
e
s

p
o
r

S
e
m
a
n
a
1980 1985 1990 1995 2000 2005
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Detalles sobre el Funcionamiento del Curso
http://www.mat.puc.cl/mdecarvalho/series_tiempo.html
Horario: martes y jueves, 17:0018:20, sala 3.
Evaluacin:
examen nal (60 %)
proyecto de anlisis de datos (40 %)
mini-proyectos (bnus).
Mini-proyectos. Los mini-proyectos sern cinco y funcionan como un
bonus su entrega no es obligatoria.
Proyecto de anlisis de datos. Plazos:
Propuesta: 30 abril, 2013;
Entrega de Proyecto: 4 junio, 2013.
Referencias clave. Brockwell y Davis (2001), Shumway y Stoffer
(2011).
Parte II
Introduccin al Modelamiento
Estadstico de Series de Tiempo
Dominio del Tiempo
El Anlisis de la Dinamica Temporal de los Datos
Procesos Estocsticos
Proceso Estocstico y Trayectoria
Denicin (Proceso Estocstico)
Sea T R un conjunto de indexacin. Un proceso estocstico es una
familia de variables aleatorias |Y
t

t T
denidas en un espacio de
probabilidad (, /, P).
Para jo, la funcin y
t
Y
t
(), para t T, es una trayectoria
del proceso estocstico |X
t

t T
.
Para series de tiempo igualmente espaciadas en el tiempo, el conjunto
de indexacin natural es T = Z, pero para otro tipo de datos T puede
asumir otras formas (por ejemplo, T = R para datos continuos).
Caractersticas de un Proceso Estocstico
Funciones de Media, Varianza, Autocovarianza y Autocorrelacin
Denicin
Sea |Y
t

t T
un proceso estocstico dnde E[Y
t
[ < ; adems, sea
F
t
(y) = P(Y
t
y). Las funciones de media y varianza son denida como

t
= E(Y
t
) =
_
R
y dF
t
(y),
2
t
= var(Y
t
) = E(Y
t

t
)
2
=
_
R
(y
t
)
2
dF
t
(y).
Denicin (Funciones de Autocovarianza y Autocorrelacin)
Sea |Y
t

t T
un proceso estocstico donde
2
t
< , para t T.
La funcin de autocovarianza ( , ) de |X
t

t T
es denida como
(r , s) = cov(Y
r
, Y
s
) = E|(Y
r

r
)(Y
s

s
), r , s T.
La funcin de autocorrelacin
Y
( , ) de |X
t

t T
es denida como
(r , s) = corr(Y
r
, Y
s
) =
(r , s)
|(s, s)(t , t )
1/2
, r , s T.
Estacionariedad
EstacionariedadDeniciones
Denicin
Una serie de tiempo |Y
t

t Z
es fuertemente estacionaria si para todo
el h Z y t
1
, . . . , t
k
Z
(Y
t
1
, . . . , Y
t
k
)
d
= (Y
t
1
+h
, . . . , Y
t
k
+h
).
Una serie de tiempo |Y
t

t Z
es (dbilmente) estacionaria si,
1 E[Y
t
[
2
< , para todo el t Z,
2
t
= , para todo el t Z,
3 (r , s) = (r + t , s + t ), para todo el r , s, t Z.
Estacionariedad
EstacionariedadIntuicin y Otras Consideraciones
En palavras:
Una serie de tiempo es fuertemente estacionaria si las
distribuciones conjuntas son invariantes a cambios de tiempo.
Una serie de tiempo es (dbilmente) estacionaria si ucta
alrededor de un nivel jo () y la dependencia de observaciones
pasadas depende slo de su rezago.
Si |Y
t

t Z
es estacionario podemos redenir la autocovarianza y
autocorrelacin del proceso como funciones de una nica variable
h Z,

h
(0, h) = cov(X
t
, X
t +h
),
h
(0, h) = corr(X
t
, X
t +h
).
En la prctica, a menudo nos enfrentamos con la cuestin de si los
datos son una trayectoria de un proceso estacionario; esto puede ser
estudiado usando R y la prueba de KPSS, que ser introducida
adelante.
Ruido Blanco
Denicin
Denicin
Un proceso estocstico |Y
t
es llamado ruido blanco si ninguno de
sus elementos es correlacionado, y si

t
= 0, para todo el t Z,

2
t
=
2
, para todo el t Z.
Si adems los Y
t
siguen una distribucin normal, entonces se
denomina proceso de ruido blanco Gaussiano,
Y
t
i.i.d.
N(0,
2
).
El trmino blanco viene de la analoga con la luz blanca, y indica que
todas las frecuencias estn igualmente presentes.
Ejemplo Simulado
Ruido Blanco Gaussiano Estndar
## set.seed es usado para efectos de reproducibilidad
set.seed(100)
n <- 1000
y <- rnorm(n)
plot(y)
0 200 400 600 800 1000

1
0
1
2
3
Ruido Blanco, Y
t
~ N(0,1)
Tiempo (t)
Y
t
Funciones de Autocovarianza
Propriedades Tericas
Teorema
1 Si () es una funcin de autocovarianza de un proceso estocstico
|Y
t

t Z
, entonces para todo h Z

0
0, [
h
[
0
,
h
=
h
.
2 Una funcin g : Z R es una funcin de autocovarianza de una serie
de tiempo estacionaria si y slo si es par (g(h) = g(h)) y no-negativa
denida, a saber
n

i =1
n

j =1
a
i
g(t
i
t
j
)a
j
0,
para todo n N, a = (a
1
, . . . , a
n
)
T
R
n
, y t = (t
1
, . . . , t
n
)
T
Z
n
.
Funcin de Autocorrelacin
Estimacin
Ya que
h
=
h
en la prtica consideramos slo las estimaciones de la
funcin de autocorrelacin de h = 0 hasta un determinado H N.
El resultado es un grco que llamamos correlograma
|(h,
h
) : h |0, . . . , H,
dnde
h
es la funcin de autocorrelacin muestral, construida
usando los datos (y
1
, . . . , y
n
),

h
=

nh
t =1
(y
t
y)(y
t +h
y)

n
t =1
(y
t
y)
2
, y = n
1
n

t =1
y
i
.
Si y
1
, . . . , y
n
son realizaciones de un proceso de ruido blanco, con
E(Y
4
t
) < , entonces cuando n

n
h

N(0, 1).
Ver Brockwell y Davis (2001, Teorema 7.2.2).
Para datos con tendencia, [
h
[ va a exhibir un decaimiento lento; para
datos con una componente peridica notable,
h
va a imitar el
comportamiento cclico con la misma periodicidad.
Funcin de Autocorrelacin
R: acf{stats}
Las lneas azules corresponden a 1,96/

n y son justicadas por el

resultado asinttico de la diapositiva anterior.
datos <- read.csv("ipsa.csv", header = TRUE)
## p.cierre: Precios de Cierre Mensuales, Bolsa de Mercado de Santiago
p.cierre <- ts(rev(datos$Close), start = c(2003, 10), frequency = 52)
acf(p.cierre, lag.max = 200)
## Bandas de confianza construidas de acuerdo con Brockwell and Davis (2001, Teorema 7.2.2).
0 1 2 3 4
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Rezago
F
u
n
c
i

n

d
e

A
u
t
o
c
o
r
r
e
l
a
c
i

n
Ejemplos
Paseo Aleatorio con Drift
Ejemplo
1 Sea T = N
0
. Sea
t
(0,
2
) ruido blanco, Y
0
= 0 y dena
Y
t
= + Y
t 1
+
t
, t N.
Muestre que |Y
t
no es una serie de tiempo estacionaria.
2 Simule en R una trayectoria de |Y
t
, con drift = 1.
0 200 400 600 800 1000
0
2
0
0
4
0
0
6
0
0
8
0
0
Paseo Aleatorio con Drift ( = 1)
Tiempo (t)
Y
t
Ejemplos
Proceso Alterno
Ejemplo
Sea |
t
estacionario y
Y
t
=
_

t
, t par,
+
t
, t impar.
con (, ) R
2
. Verique si existe (, ) R
2
tal que |Y
t
sea
estacionario.
Ejemplos
Proceso Sinusoidal
Ejemplo
1 Sea
Y
t
=
1
cos(t ) +
2
sin(t ), [, ],
con
1
(i)
2
y

1
d
=
2
(

,
2

), (

,
2

) R R
+
.
Verique si existe (

,
2

) R R
+
, tal que |Y
t
sea estacionario.
2 Use el ejercicio anterior para obtener un ejemplo de una funcin
no-negativa denida.
Ejemplos
Procesos Lineales
Ejemplo
1 Dena un proceso lineal Y
t
como un proceso que puede ser escrito
como una combinacin lineal de ruido blanco
t
(0,
2
),
Y
t
= +

j =

t j
,

j =
[
j
[ < .
Muestre que

h
=
2

j =

j +h
.
2 Muestre que los siguientes procesos son lineales y obtenga su
representacin lineal
Ruido Blanco: Y
t
=
t
,
t
(0,
2
).
AR(1): Y
t
= Y
t 1
+
t
,
t
(0,
2
), con [[ ,= 1.
MA(1): Y
t
=
t 1
+
t
, con
t
(0,
2
) y ,= 0.
Ejemplos Simulados
Ruido Blanco Gaussiano Estndar
0 200 400 600 800 1000

1
0
1
2
3
Ruido Blanco, Y
t
~ N(0,1)
Tiempo (t)
Y
t
0 20 40 60 80 100
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Rezago
F
u
n
c
i

n

d
e

A
u
t
o
c
o
r
r
e
l
a
c
i

n
Ejemplos Simulados
Proceso Autoregresivo: AR(1), = 0,1
Tiempo (t)
Y
t
0 200 400 600 800 1000

1
0
1
2
3
4
0 20 40 60 80 100
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Rezago
F
u
n
c
i

n

d
e

A
u
t
o
c
o
r
r
e
l
a
c
i

n
Ejemplos Simulados
Proceso Autoregresivo: AR(1), = 0,9
Tiempo (t)
Y
t
0 200 400 600 800 1000

5
0
5
0 20 40 60 80 100

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Rezago
F
u
n
c
i

n

d
e

A
u
t
o
c
o
r
r
e
l
a
c
i

n
Ejemplos Simulados
Proceso Autoregresivo: MA(1), = 0,1
Tiempo (t)
Y
t
0 200 400 600 800 1000

1
0
1
2
3
4
0 20 40 60 80 100
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Rezago
F
u
n
c
i

n

d
e

A
u
t
o
c
o
r
r
e
l
a
c
i

n
Ejemplos Simulados
Proceso Autoregresivo: MA(1), = 0,9
Tiempo (t)
Y
t
0 200 400 600 800 1000

2
0
2
4
0 20 40 60 80 100
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Rezago
F
u
n
c
i

n

d
e

A
u
t
o
c
o
r
r
e
l
a
c
i

n
Inferencia sobre la Signicancia Global de los
Rezagos
Para probar la signicancia global de los primeros m rezagos
H
0
:
1
, . . . ,
H
= 0 vs. H
a
: i |1, . . . , H :
i
,= 0,
podemos utilizar la prueba de Portmanteau (Box & Pierce, 1970)
Q
P
H
= n
H

h=1

2
h

2
H
,
o la prueba de LjungBox (Ljung & Box, 1978)
Q
LB
H
= n(n + 2)
H

h=1

h
2
n h

2
H
.
El valor de H es seleccionado de un modo arbitrario; usualmente
H = 20.
Prueba de Ruido Blanco
Box.test{stats} + EuStockMarkets{datasets}
En nanzas es de inters probar la hiptesis de ruido blanco ya que
corresponde a la clebre hiptesis de mercado eciente (Fama,
1970; Lo and MacKinlay, 1999).
Vamos ilustrar las ideas con algunos datos del Swiss Market Index
(SMI), el principal ndice de la bolsa de Suiza; vase
http://www.six-swiss-exchange.com
El cdigo R es lo siguiente:
## Daily Closing Prices of Major European Stock Indices, 1991--1998
## Germany DAX (Ibis), Switzerland SMI, France CAC, and UK FTSE
data(EuStockMarkets)
SMI <- diff(log((EuStockMarkets[,2])))
# Box.test(SMI, lag = 10, type = "Box-Pierce")
> Box.test(SMI, lag = 10, type = "Ljung-Box")
Box-Ljung test
data: SMI
X-squared = 12.4887, df = 10, p-value = 0.2537
Prueba de Ruido Blanco
Box.test{stats} + EuStockMarkets{datasets}
valores.p <- as.vector(NA)
m <- 20
for(i in 1:m)
{
valores.p[i] <- Box.test(SMI, lag = i, type = "Ljung-Box")$p.value
}
plot(valores.p, ylab = "p-values", xlab = "Rezago")
point(valores.p[10], pch = 10)
5 10 15 20
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Retraso
V
a
l
o
r
e
s

p

p
a
r
a

l
a

p
r
u
e
b
a

d
e

L
j
u
n
g
.
.
.
B
o
x
Prueba de Normalidad
R: jarque.bera.test{tseries}
Para probar la hiptesis de normalidad podemos usar por ejemplo la
prueba de JarqueBera cuyo estadstico es
JB =
_

_
n
6
_
2
+
_

_
n
24
_
2

2
2
,
y donde y representan la asimetra y (exceso de) curtosis
muestrales
=
1
n

n
t =1
(Y
t
Y)
3
_
1
n

n
t =1
(Y
t
Y)
2
_
3/2
, =
1
n

n
t =1
(Y
t
Y)
4
_
1
n

n
t =1
(Y
t
Y)
2
_
2
3.
Prueba de Estacionariedad
R: kpss.test{tseries}
La prueba de KPSS ha sido propuesto por Kwiatkowski et al. (1992). Se
basa en un modelo simple que descompone la serie en una tendencia
determinista, un paseo aleatorio, y una serie de ruido blanco
Y
t
= t + R
t
+
t
, R
t
= R
t 1
+ U
t
, U
t
iid
(0,
2
U
),
t
iid
(0,
2

).
El inters est en H
0
:
2
U
= 0, y dependiendo de si jamos = 0 o no,
la hiptesis nula es de estacionariedad en nivel o estacionariedad
en tendencia, respectivamente.
El estadstico de la prueba es
KPSS
h
=
n

t =1
n
2
S
2
t

2
h
, S
t
=
t

i =1
e
i
, t = 1, . . . , n.
Los e
1
, . . . , e
n
son los residuos de la regresin y
t
= + I( = 0)t +
t
,
y
2
h
es un estimador consistente de la varianza de largo plazo

2
= lim
n
n
1
E(S
2
n
), basado en los residuos truncados en el rezago
h.
Prueba de Estacionariedad
R: kpss.test{tseries}
En kpss.test, el estimador consistente de
2
es el estimador de
NeweyWest (Newey and West, 1987) y por defecto h
n
= ](3

n/13)_,
donde ]_ es la funcin piso.
La distribucin asinttica de KPSS
h
bajo la hiptesis nula es
complicada y por ejemplo en el caso de estacionariedad en nivel
KPSS
h
=
n

t =1
n
2
S
2
t

2
h

_
1
0
V
2
(r )dr , h
n
= o(n
1/2
),
donde V(r ) B(r ) rB(1) es un puente Browniano estndar, donde
B() denota el movimiento Browniano estndar.
La distribucin bajo la hiptesis nula de estacionariedad tendencia es
an ms complicada es una funcin del llamado puente Browniano
de segundo nivel, y por lo tanto en la prctica los valores crticos
deben ser obtenidos por simulacin de Monte Carlo.
Prueba de Estacionariedad
R: kpss.test{tseries}
## install.packages("tis")
## install.packages("tseries")
require(tis)
require(tseries)
claims <- read.csv2("claims.csv")
Claims <- tis(claims[,3], start = ti(19670107, tif = "wsaturday")) ; nc <-length(c)
kpss.test(Claims)
> kpss.test(Claims)
KPSS Test for Level Stationarity
data: claims$S.A.
KPSS Level = 2.0924, Truncation lag parameter = 10, p-value = 0.01
Warning message:
In kpss.test(claims$S.A.) : p-value smaller than printed p-value
H
0
es rechazada: los datos no son estacionarios en nivel.
Parte III
Introduccin al Modelamiento
Estadstico de Series de Tiempo
Dominio de la Frecuencia
El Anlisis de Movimientos Regulares
Anlisis Espectral
Introduccin
Vamos ahora abandonar el dominio del tiempo, y hacer una breve
incursin en el dominio de la frecuencia, que es particularmente
importante para el anlisis de ciclos y movimientos regulares en los
datos.
Los movimientos de alta frecuencia son asociados a oscilaciones ms
rpidas mientras que los movimientos de baja frecuencia son
asociados a oscilaciones ms lentas.
Para describir este tipo de fenmenos necesitamos utilizar modelos con
una componente sinusoidal y recurrir a conceptos de anlisis de
Fourier.
Vamos primero empezar por comprender el campo de aplicacin de los
mtodos.
Porqu Debo Aprender Anlisis Espectral?
Para ayudar a los economistas y nancieros a entender la dinmica de las
contracciones econmicas
Time
1950 1960 1970 1980 1990 2000 2010
-
0
.
0
6
-
0
.
0
4
-
0
.
0
2
0
.
0
0
0
.
0
2
0
.
0
4P T P T P T P T P T P TP T P T P T P T
Figura : Portada de la The Economist en Abril 2011 (izquierda); anlisis
espectral del ciclo econmico de la economia estadounidense (derecha).
Porqu Debo Aprender Anlisis Espectral?
Para ayudar a los Mdicos a entender la recurrencia de las pandemias
Tiempo (aos)
N

m
e
r
o

d
e

M
u
e
r
t
e
s

p
o
r

S
e
m
a
n
a
1980 1985 1990 1995 2000 2005
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Figura : Portada de la Time en 2009 (izquierda); nmero de muertes por
semana en Portugal debidas a Inuenza y Gripe (derecha).
Porque Debo Aprender Anlisis Espectral?
Para ayudar a los Gelogos a analizar los movimientos peridicos en el suelo
permafrost
2002 2004 2006 2008 2010

2
0
2
Tiempo (aos)
T
e
m
p
e
r
a
t
u
r
a

(

C
)
Figura : Temperatura en suelo permafrost medida 2 metros bajo del suelo.
Densidad Espectral
Introduccin
Comenzamos con la introduccin de la densidad espectral de un
proceso estacionario que se dene como
f () =

h=

h
e
2hi
, [1/2; 1/2].
La denicin en el intervalo [1/2; 1/2] es pura conveniencia, y se
puede tambin denir f en otros compactos. Como f () = f () en la
prtica apenas representamos f () en [0; 1/2].
Al igual que en el dominio del tiempo donde la autocorrelacin fue la
funcin natural para describir la dinmica de la serie al largo del
tiempo la densidad espectral es la funcin natural para describir las
caractersticas de recurrencia de una serie de tiempo.
Punto de Partida Terico
Teorema de Herglotz
Teorema (Herglotz)
Una funcin
h
, h Z, es no-negativa denida si y slo si puede ser escrita
como

h
=
_
1/2
1/2
e
2hi
dF(),
donde F : [1/2, 1/2] R es continua a la derecha y limitada, y
unicamente determinada por las condiciones
1 F(1/2) = 0;
2 F(1/2) =
0
.
Punto de Partida Terico
Elo entre la Densidad Espectral y la Funcin Autocovarianza de una Serie Estacionaria
Teorema
Si
h
es la funcin de autocovarianza de un proceso estacionario Y
t
con
h=

h=
[
h
[ < ,
entonces la densidad espectral de Y
t
, es dada por
dF
d
() f () =

h=

h
e
2hi
=
0
+

h=1

h
cos(2h), [1/2; 1/2].
Periodograma
Estimacin de la Densidad Espectral
Dena la ordenada del periodograma en [0, 1/2) para una serie
de tiempo igualmente espaciada
I() =
1
n
__
n

t =1
Y
t
sin(2t )
_
2
+
_
n

t =1
Y
t
cos(2t )
_
2
_
El periodograma es un estimador de la densidad espectral muy
frecuentemente utilizado, que se dene el logaritmo del periodograma
ordenadas evaluado en las frecuencias de Fourier, es decir
|(2j /n, log I(j /n)) : j = 1 + I(n impar), . . . , m = ](n 1)/2_.
El periodograma acumulativo permite probar la hiptesis de ruido
blanco, a travs de la comparacin de
C
r
=

r
j =1
I(j /n)

m
l =1
I(j /n)
, r = 1, . . . , m,
con una distribucin uniforme. La intuicin es la siguiente: El ruido
blanco tendr una densidad espectral plana de manera que su
periodograma acumulativo corresponde a la lnea diagonal.
Computing the Spectrum in R
Con Nuestro Cdigo
## clear variables in memory
rm(list = ls(all = T))
set.seed(1)
y <- arima.sim(n = 99, list(ar = c(0.9,0)))
y <- ts(y, frequency = 2
*
pi)
n <- length(y)
## ordenada del periodograma
I <- function(w)
{
time <- seq(1, n)
return(1/n
*
((sum(y
*
sin(2
*
pi
*
w
*
time)))^2 + (sum(y
*
cos(2
*
pi
*
w
*
time)))^2))
}
## Fourier frequencies
m <- ceiling((n-1)/2)
J <- seq(1, m)
ff <- 2
*
pi/n
*
J
I.jn <- rep(NA, m)
log.I <- rep(NA, m)
for(j in 1:m){
I.jn[j] <- I(j/n)
log.I[j] <- log(I(j/n))
}
par(mfrow = c(1,2))
plot(ff, I.jn/10, type = "l", xlab = "Frecuencias de Fourier",
ylab = expression(paste(log," ",italic(I(j/n))),")"), log = "y")
Estimacin del Espectro en R
Con Nuestro Cdigo
0.0 0.5 1.0 1.5 2.0 2.5 3.0
5
e

0
3
5
e

0
2
5
e

0
1
5
e
+
0
0
Frecuencias de Fourier
l
o
g

I
(
j
n
)
Estimacin del Espectro en R
R: spec.pgram{stats}
Vamos ahora a comparar el resultado con la funcin de R
spec.pgram(y, fast = FALSE, taper = 0, detrend = FALSE)
0.0 0.5 1.0 1.5 2.0 2.5 3.0
5
e

0
3
5
e

0
2
5
e

0
1
5
e
+
0
0
frequency
s
p
e
c
t
r
u
m
Series: y
Raw Periodogram
bandwidth = 0.0183
Estimacin del Espectro en R
R: cpgram{stats}
Para calcular el periodograma acumulativo con nuestro cdigo basta
escribir
cr <- cumsum(I.jn)/sum(I.jn)
Vamos ahora comparar con la funcin cpgram{stats} ya
implementada en R
par(mfrow = c(1,2), pty = "s")
plot(c(0,ff), c(0,cr), type ="S", main = "Nuestro Periodograma Acumulativo",
xlab = "Frecuencias de Fourier", ylab = "", xlim = c(0,pi), ylim = c(0,1))
cpgram(y, taper = 0)
0.0 1.0 2.0 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Con Nuestro Cdigo
Frecuencias de Fourier
E
s
p
e
c
t
r
o

A
c
u
m
u
l
a
t
i
v
o
0.0 1.0 2.0 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
frequency
Usando cpgram de R
Ejemplo Simulado
Ruido Blanco Gaussiano Estndar
0 200 400 600 800 1000

1
0
1
2
3
Ruido Blanco, Y
t
~ N(0,1)
Tiempo (t)
Y
t
0.0 0.1 0.2 0.3 0.4 0.5
1
e

0
3
1
e

0
2
1
e

0
1
1
e
+
0
0
1
e
+
0
1
Frecuencia
E
s
p
e
c
t
r
o
bandwidth = 0.000289
Ejemplo Simulado
Ruido Blanco
0.0 0.1 0.2 0.3 0.4 0.5
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Frecuencia
P
e
r
i
o
d
o
g
r
a
m
a

A
c
u
m
u
l
a
t
i
v
o
Ejemplos en Datos Reales
Economia EstadounidenseCiclo Econmico
Tiempo (aos)
P
r
o
d
u
c
t
o

I
n
t
e
r
n
o

B
r
u
t
o
1950 1960 1970 1980 1990 2000 2010
2
0
0
0
4
0
0
0
6
0
0
0
8
0
0
0
1
0
0
0
0
0.0 0.5 1.0 1.5 2.0
1
e
+
0
1
1
e
+
0
3
1
e
+
0
5
1
e
+
0
7
Frecuencia
E
s
p
e
c
t
r
o
bandwidth = 0.00481
Ejemplos en Datos Reales
Alpes SuizosSuelo Permafrost
Tiempo (aos)
N

m
e
r
o

d
e

M
u
e
r
t
e
s

p
o
r

S
e
m
a
n
a
1980 1985 1990 1995 2000 2005
5
0
1
0
0
1
5
0
2
0
0
2
5
0
0 5 10 15 20 25
1
e

0
3
1
e

0
1
1
e
+
0
1
1
e
+
0
3
Frecuencia
E
s
p
e
c
t
r
o
bandwidth = 0.0117
Ejemplos en Datos Reales
Alpes SuizosSuelo Permafrost
2002 2004 2006 2008 2010

2
0
2
Tiempo (aos)
T
e
m
p
e
r
a
t
u
r
a

(

C
)
0.0 0.1 0.2 0.3 0.4 0.5
1
e

0
6
1
e

0
4
1
e

0
2
1
e
+
0
0
1
e
+
0
2
Frecuencia
E
s
p
e
c
t
r
o
bandwidth = 7.7e05
Parte IV
Resumen
Resumen
Sntesis de esta Introduccin
En las ltimas clases introducimos:
ejemplos reales de series de tiempo;
el proceso estocstico como modelo matemtico para series de
tiempo;
las funciones de media, varianza, autocovarianza y
autocorrelacin;
modelos sencillos para series de tiempo: modelos AR(1), MA(1),
paseo aleatorio y ruido blanco;
pruebas de referencia (ruido blanco, normalidad y
estacionariedad);
tcnicas de modelamiento estadstico de series de tiempo, en el
dominio de la frecuencia.
En la prxima clase vamos a poner nuestra atencin en modelos de
suavizacin para series de tiempo.