Elkin Castao V

1
Anlisis de Series de Tiempo Lineales
Profesor: Elkin Castao V.

Texto Gua:
Wei, W. (2005) Time Series Analysis: Univariate and Multivariate Methods.

Textos complementarios:
Abraham y Lodolter (2005) Statistical Methods for Forecasting.
Box y Jenkins (1986) Time Series Analysis: Forecasting and Control.
Brockwell y Davis (1996) Introduction to Time Series and Forecasting.
Enders, W. (2004) Applied Econometric Time Series.
Guerrero, V. (2003) Anlisis Estadstico de Series de Tiempo Econmicas.
Liu (2005) Time Series Analysis and Forecasting.
Maddala y Kim (2000) Unit roots, Cointegration and Structural Changes.
Breitung, Brggemann, Herwartz, Krtzig, Ltkepohl, Terrsvirta, Tschernig (2004).
Applied Time Series Econometrics, Editado por Ltkepohl y Krtzig.

Software Estadstico:
R (Libreras para series de tiempo)
SCA (Scientific Computing Associates)

Evaluacin:
Parcial 1: 30%
Parcial 2: 35%
Final: 35%

Prerrequisitos:
Clculo, probabilidad, inferencia estadstica, anlisis de regresin.


Elkin Castao V


2
Introduccin

Informalmente, una serie de tiempo es una sucesin ordenada de
observaciones. Generalmente, el ordenamiento se hace a travs del tiempo
y en intervalos igualmente espaciados. Sin embargo, hay situaciones donde el
ordenamiento se hace a travs del espacio.

Las series de tiempo tienen aplicacin en muchas reas. Por ejemplo,

En Agricultura: el volumen anual de la produccin y los precios anuales de
las cosechas.
En Economa y Negocios: precios diarios de las acciones, la tasa de
inters mensual, ndices de precios mensuales, ventas trimestrales,
ganancias anuales, tasa de desempleo.
En ingeniera: Mediciones de sonidos, seales elctricas, voltaje.
En Medicina: Electroencefalogramas, cardiogramas, tasa anual de cncer.
En meteorologa: velocidad del viento cada hora, temperatura diaria, lluvia
anual.
En Hidrologa: caudales de los ros.
Control de calidad: Evolucin de un proceso de produccin de acuerdo a
un cierto valor objetivo.
Ciencias Sociales: nacimientos anuales, tasa de mortalidad anual, tasa de
accidentes semanal, tasa de criminalidad.

Las series de tiempo pueden ser:

Discretas: son observadas en intervalos especficos de tiempo
(generalmente iguales): horas o das, o semanas, o meses, etc.
Continuas: Son observadas en forma continua en el tiempo. Por ejemplo,
el electrocardiograma.

Elkin Castao V


3

El propsito de este curso es el estudio de series de tiempo discretas.

El estudio de una serie de tiempo tiene varios objetivos:

Comprender y describir el mecanismo que genera las observaciones.
Pronosticar los valores futuros.
Realizar control ptimo de un sistema.

El propsito de este curso tiene que ver con los dos primeros objetivos.

La naturaleza intrnseca de las series de tiempo implica que sus observaciones
son dependientes o correlacionadas, y por tanto el orden de las mediciones es
importante. Las tcnicas estadsticas que se basan en muestras aleatorias
(independencia de las observaciones) no son aplicables en el anlisis y se
necesita construir nuevos mtodos.

1. Conceptos Fundamentales

Proceso Estocstico: Es una familia de variables aleatorias ) , ( t w Z , donde
w pertenece al espacio muestral y t pertenece a un conjunto de ndices.
Asumiremos que el conjunto ndice es el conjunto de los nmeros enteros.

Para un valor fijo de t, ) , ( t w Z es una variable aleatoria (v.a.)

Para un valor fijo de w, ) , ( t w Z como una funcin de t, es llamada una
realizacin del proceso estocstico. Formalmente, una serie de tiempo
es una realizacin del proceso estocstico y corresponde a una
observacin del proceso.

Elkin Castao V


4

La poblacin es el conjunto de las posibles realizaciones de un proceso
estocstico.

El proceso estocstico es el marco terico formal para el estudio de las
series de tiempo.

Ejemplos de series de tiempo

Realizacin del precio mensual de la electricidad en Colombia, 2000.1-2010.11
P
r
e
c
i
o
2000 2002 2004 2006 2008 2010
50
100
150
200


Realizacin del Producto Interno Bruto trimestral de Colombia 2000.1-2012.4
70,000
80,000
90,000
100,000
110,000
120,000
00 01 02 03 04 05 06 07 08 09 10 11 12




Elkin Castao V


5



Realizacin de la generacin de electricidad no hdrica en Colombia, 2000.1-2010.11
10
20
30
40
50
60
70
80
90
00 01 02 03 04 05 06 07 08 09 10



Realizacin del consumo horario de electricidad para una regin de Colombia, 12-08-12 a 25-08-12
18,000
19,000
20,000
21,000
22,000
23,000
24,000
25,000
26,000
10 20 30 40 50 60 70 80 90 100










Elkin Castao V


6

Realizacin del nmero de pasajeros mensual en vuelos internacionales, 1950.1-1960.12
100
200
300
400
500
600
700
1950 1952 1954 1956 1958 1960
p
a
s
s
e
n
g
e
r
s


Retornos de la tasa de cambio del precio de cierre diario peso colombiano con respecto al dlar, enero
2000-julio 2006
-0.030000
-0.025000
-0.020000
-0.015000
-0.010000
-0.005000
0.000000
0.005000
0.010000
0.015000
0.020000
0.025000


Caracterizacin de los procesos estocsticos: Considere un conjunto finito
de variables aleatorias,
1 2
{ , , ..., }
t t tn
Z Z Z de un proceso estocstico
...} , 2 , 1 , 0 : ) , ( { = t t w Z . Su funcin de distribucin conjunta est definida
como:

1 2 1 1 2 2 t t t n t t t t t n t n
F( z , z , ..., z ) P( w: Z z , Z z , ...,Z z ) =


Elkin Castao V


7
donde z
tj
son constantes reales, j=1,2,,n

Un proceso estocstico es llamado estacionario de orden n en
distribucin si la funcin de distribucin conjunta n-dimensional es
invariante en el tiempo. Es decir, si

1 2 1 2 t t t n t k t k t n k
F( z , z , ..., z ) F( z , z , ..., z )
+ + +
= (1)

para cualquier n-tupla (t
1,
t
2,
, t
n
) y k enteros.

Un proceso es llamado estrictamente estacionario (o fuertemente
estacionario, o completamente estacionario) si (1) es cierto para todo
n=1,2,

Observacin: Si (1) es cierto para n=m, tambin es cierto para nm, es
decir, la estacionaridad de orden alto implica siempre la estacionaridad de
rdenes ms bajos (Ejercicio).

Ejemplo: Un ejemplo trivial de un proceso estocstico estrictamente
estacionario lo constituye una sucesin de variables aleatorias i.i.d. Sin
embargo, este tipo de procesos generalmente no tiene inters en series de
tiempo (Ejercicio).

En la prctica, generalmente es muy difcil probar si un proceso es
estrictamente estacionario, y de manera alternativa se trata de caracterizar
los procesos estocsticos en trminos de sus momentos, cuyas
propiedades se pueden verificar ms fcilmente.


Elkin Castao V


8
Un proceso es llamado dbilmente estacionario de orden n, si todos sus
momentos conjuntos hasta de orden n son finitos e invariantes en el
tiempo.

Un proceso dbilmente estacionario de segundo orden es tal que:

La media es constante
La varianza es constante
Las covarianzas y correlaciones no dependen del tiempo,
solamente dependen del nmero de perodos que separan los
trminos del proceso.

Esta clase de proceso es tambin llamado proceso estacionario en
sentido amplio o proceso estacionario en covarianza, o,
simplemente, estacionario.

Ejemplo: Considere el proceso estocstico generado por las siguientes
variables aleatorias
( )
t
Z Asen t = +
donde A es una variable aleatoria de media cero y varianza 1; es otra
variable aleatoria con distribucin Uniforme continua entre - y ; A y
son independientes estadsticamente. Entonces el proceso es dbilmente
estacionario, ya que:
( )
t
E Z =0 para todo t, Var(Z
t
)=1/2, para todo t, y Cov(Z
t
, Z
t+k
)=
1
cos( )
2
k

En efecto,

( ) [ ( )] ( ). [ ( )] 0. [ ( )] 0
t
E Z E Asen wt E A E sen wt E sen wt
por independencia
= + = + = + =

Elkin Castao V


9

{ }
2
( , ) [( ( )( ( )] ( )
[ ( ) ( ( ) )] ( ) [ ( ) ( ( ) )]
1
(1) cos( ( )) cos( ( ))
2
( ) ( ) (1/ 2)[cos(
t t k t t t k t k t t k
Cov Z Z E Z E Z Z E Z E Z Z
E Asen wt Asen w t k E A E sen wt sen w t k
Por independencia
E wt wt wk wt wt wk
sen sen u

+ + + +
= =
= + + + = + + +

(
= + + + + + + +
(

= ) cos( )] u u +

{ }
1
cos( ) cos( (2 ) 2 )
2
1 1
cos( ) cos( (2 ) 2 ) ( )
2 2
E wk w t k
wk w t k f d

(
= + +
(

= + +

1 1
cos( ) cos( (2 ) 2 )
2 4
( ) 1/ 2
wk w t k d
f

= + +
=

( )
1 1
cos( ) 0
2 4
1
cos( )
2
wk
wk

=
=


Por tanto la covarianza solamente depende k.

Finalmente,


2
var( ) ( ) ( , ), 0
1 1 1
cos( .0) cos(0)
2 2 2
t t t t k
Z E Z Cov Z Z con k
w
+
= = =
= = =


Elkin Castao V


10

Es decir, la varianza es constante.

Observacin: Un proceso estrictamente estacionario puede no ser
estacionario en covarianza, ya que puede no tener momentos de primer y
segundo orden finitos. Ejemplos: i) el proceso formado por variables
aleatorias independientes e idnticamente distribuidas Cauchy. ii) el
proceso formado por variables aleatorias independientes e idnticamente
distribuidas como t de student con 2 grados de libertad (Ejercicios).

En la prctica, generalmente se trabaja con procesos estacionarios en
covarianza. Este es un supuesto mucho menos restrictivo que la
estacionaridad estricta y ms fcil de probar en la prctica.

Un proceso estocstico es llamado Gaussiano o Normal si su funcin de
distribucin conjunta es normal. Considere el vector Z=
1 2
[ , , ... ]'
n
Z Z Z con n
variables aleatorias de un proceso estocstico. Se dice que el proceso es
Gaussiano si la funcin de densidad de probabilidad (f.d.p) del vector Z es

1
1
( ) ' ( )
2
1 2 / 2 1/ 2
1
( ) ( , ,..., )
(2 ) | |
z z
n n
f z f z z z e

= =

donde
1 2
( ) [ , ,..., ]'
n
E Z = = es el vector de lmedias de Z y
11 12 1
12 22 2
1 2
...
...
...
n
n
n n nn



(
(
(
=
(
(
(


es la matriz que contiene las varianzas y covarianzas,
donde [( )( )]
ts t t s s
E Z Z = . debe ser una matriz definida positiva.


Elkin Castao V


11

Dado que la distribucin normal est caracterizada de manera nica por los
dos primeros momentos, la estacionaridad estricta y la estacionaridad
dbil de segundo orden son equivalentes en un proceso Gaussiano.
(Ejercicio)

Inicialmente asumiremos que los procesos estocsticos que estudiaremos
son Gaussianos. Por tanto ellos pueden ser completamente caracterizados
por sus momentos hasta de segundo orden.

Notacin: En adelante ) , ( t w Z se escribir como
t
Z o ) (t Z .

El proceso estocstico es llamado un proceso estocstico de valor real si
slo toma valores reales. Para un proceso estocstico de valor real definimos:

La funcin de medias del proceso:
t
= ) (
t
Z E
La funcin de varianza del proceso:
2
t
= ] ) [(
2
t t
Z E
La funcin de covarianza entre
1 t
Z y
2 t
Z ,

) , (
2 1
t t = )] )( [(
2 2 1 1 t t t t
Z Z E

La funcin de correlacin entre
1 t
Z y
2 t
Z ,


2 / 1 2
2
2
1 2 1 2 1
) /( ) , ( ) , (
t t
t t t t =

Para un proceso estrictamente estacionario cuyos momentos de segundo
orden existen, puesto que la funcin de distribucin es la misma para todo t,
se cumple que:

Elkin Castao V


12

La funcin de medias del proceso:
t
= , constante
La funcin de varianzas del proceso:
2
t
=
2
,
constante
Si t
1
= t-k y t
2
= t, la funcin de covarianza entre
1 t
Z y
2 t
Z es
) , (
2 1
t t = ) , ( t k t = ) , ( k t t + =
k

es decir, solamente depende del nmero del nmero de perodos que
separan a
1 t
Z y
2 t
Z .

Similarmente, Si t
1
= t-k y t
2
= k la funcin de correlacin entre
1 t
Z y
2 t
Z es
) , (
2 1
t t = ) , ( t k t = ) , ( k t t + =
k

puesto que solamente depende del nmero de nmero de perodos
que separan a
1 t
Z y
2 t
Z .

Si el proceso estacionario es Gaussiano, entonces su estructura de
dependencia puede ser estudiada por medio de dos funciones: La funcin de
autocorrelacin y la funcin de autocorrelacin parcial del proceso,
definidas a continuacin, las cuales dependen de los momentos hasta de
segundo orden del proceso.

Funcin de Autocorrelacin (ACF) de un proceso estacionario {Z
t
} : es la
funcin de correlacin del proceso:

0
2 / 1
)] ( ) ( [
) , (
) , (

k
k t t
k t t
k t t k
Z Var Z Var
Z Z Cov
Z Z Corr = = =
+
+
+
para k entero.


Elkin Castao V


13
donde ) ( ) (
k t t
Z Var Z Var
+
= =
0

A
k
se le llama el coeficiente de autocorrelacin de orden k.

Algunas propiedades de
k
y
k


0
= 1
|
k
| 1

k
=
k

, para todo k entero, es decir, es simtrica con respecto a

cero.

k
=
k

, para todo k entero, es decir, es simtrica con respecto a

cero. Dada la simetra, no es necesario calcularla para todo entero k.
Es suficiente calcularla para k>0.

El grfico de
k
contra k es llamado correlograma.

Ejemplo: Considere un proceso estocstico que tiene la siguiente funcin de
autocorrelacin
, 0, 1, 2,
k
k
k = =
donde 1 < .
Caso 1: 0 1 < < . Considere 0.8 = .


K ACF K ACF
-10 0.11 1 0.80
-9 0.13 2 0.64
-8 0.17 3 0.51
-7 0.21 4 0.41
-6 0.26 5 0.33
-5 0.33 6 0.26
-4 0.41 7 0.21
-3 0.51 8 0.17
-2 0.64 9 0.13
-1 0.80 10 0.11
0 1.00

Elkin Castao V


14


Correlograma 0.8 =
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10

so 2: 1 0 < < . Considere 0.8 = .

k ACF K ACF
-10 0.11 1 -0.80
-9 -0.13 2 0.64
-8 0.17 3 -0.51
-7 -0.21 4 0.41
-6 0.26 5 -0.33
-5 -0.33 6 0.26
-4 0.41 7 -0.21
-3 -0.51 8 0.17
-2 0.64 9 -0.13
-1 -0.80 10 0.11

Correlograma 0.8 =

-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10


Dada la simetra de la ACF con respecto a cero, en ambos casos basta
graficarla para k>0.

Elkin Castao V


15

Funcin de Autocorrelacin Parcial (PACF) de un proceso estacionario.
Se define como la funcin de correlacin condicional:

P
k
= ) ..., , , / , (
1 2 1 + + + + k t t t k t t
Z Z Z Z Z Corr

En otras palabras, es la correlacin simple entre
t
Z y
k t
Z
+
despus de
eliminar la influencia lineal de los trminos intermedios
1 + t
Z ,
2 + t
Z , ,
1 +k t
Z
sobre cada una de ellas. Por tanto, P
k
est dado por la correlacin simple
entre

t k t k
Z Z
+ +
y

t t
Z Z , es decir,

P
k
=
( )

( ), ( )

( ) ( )
t t t k t k
t t t k t k
Cov Z Z Z Z
Var Z Z Var Z Z
+ +
+ +




donde
i)

t k t k
Z Z
+ +
es la variable
k t
Z
+
sin la influencia lineal de los trminos
intermedios
1 + t
Z ,
2 + t
Z , ,
1 +k t
Z sobre
k t
Z
+
. Para conseguir esto

t k
Z
+
=
0 1 1 2 2 1 1
...
t k t k k t
Z Z Z
+ + +
+ + + + contiene la influencia lineal de
1 + t
Z ,
2 + t
Z , ,
1 +k t
Z sobre
k t
Z
+
. Los
i
son los coeficientes de regresin
obtenidos de forma que minimicen el Error cuadrtico promedio
2

( )
t k t k
E Z Z
+ +
.
ii)

t t
Z Z es la variable
t
Z sin la influencia lineal de los trminos
intermedios
1 + t
Z ,
2 + t
Z , ,
1 +k t
Z sobre
k t
Z
+
.
k t
Z
+
. Para conseguir esto

t
Z =
0 1 1 2 2 1 1
...
t t k t k
Z Z Z
+ + +
+ + + + contiene la influencia lineal de
1 + t
Z ,
2 + t
Z , ,
1 +k t
Z sobre
k t
Z
+
. Los
i
son los coeficientes de regresin

Elkin Castao V


16
obtenidos de forma que minimicen el Error cuadrtico promedio
2

( )
t t
E Z Z .

Se puede probar que:

i) P
k
=
1 1 1 1
1 1 1 1
...
1 ...
k k k
k k






donde los
i
son obtenidos solucionado

1 2 2 1 1
2 1 1 3 2
1 1 2 3 4
1 ...
1 ...
...
... 1
k
k
k k k k k

( ( (
( ( (
( ( (
=
( ( (
( ( (
( ( (




ii) P
k
tambin se puede escribir como:

1 2 2 1
1 1 3 2
1 2 3 1
k
1 2 2 1
1 1 3 2
1 2 3 1
1 ...
1 ...
...
...
P
1 ...
1 ...
...
... 1
k
k
k k k k
k k
k k
k k k

=

Otra forma de calcular la autocorrelacin parcial: La correlacin parcial
entre
t
Z y
k t
Z
+
tambin puede ser obtenida como el coeficiente
kk
en la
siguiente autorregresin:

Z
t+k
=
k1
Z
t+k-1
+
k2
Z
t+k-2
+ +
kk
Z
t
+ e
t+k
(4)


Elkin Castao V


17
donde
t
Z es un proceso estacionario de media cero y e
t+k
es un trmino de
error normal no correlacionado con Z
t+k-j
para j 1. Si el proceso
t
Z no es de
media cero, se agrega un intercepto a la regresin (4).

Para denotar la k-sima autocorrelacin parcial se usar
kk
.

Como funcin de k,
kk
es llamada la funcin de autocorrelacin parcial.
El grfico
kk
contra k es llamado el correlograma parcial.

El proceso estocstico de Ruido Blanco.

Un proceso estocstico {
t
a } es llamado un proceso de ruido blanco (RB) si es
una sucesin de variables aleatorias no correlacionadas de una misma
distribucin con E(
t
a )=
a
y Var(
t
a )=
2
a
. Con frecuencia
a
= 0.
Entonces, por definicin, {
t
a } es un proceso estacionario con funcin de
autocovarianzas
2
0
0 0
a
k
si k
si k

=
=

y de autocorrelacin
1 0
0 0
k
si k
si k

=
=

Adems, su funcin de autocorrelacin parcial es

1 0
0 0
kk
si k
si k

=
=

Elkin Castao V


18
{
t
a } juega un papel muy importante en la construccin de modelos de series
de tiempo. Un proceso de ruido blanco es Gaussiano si su distribucin es
normal.

Estimacin de la media, autocovarianzas y autocorrelaciones de un
proceso estacionario

Un proceso estacionario est caracterizado por su media , su varianza
2
,
su autocorrelaciones
k
, y sus autocorrelaciones parciales
kk
.

Si todas las realizaciones del proceso fueran conocidas, es decir se
conociera toda la poblacin, se podran calcular los valores exactos de
todos esos parmetros.

Sin embargo, en la mayora de las aplicaciones es difcil o imposible
obtener una muestra de realizaciones. Generalmente, la mayora de series
de tiempo constan de una sola realizacin.

Dada una realizacin Z
1
, Z
2
, , Z
n
, de un proceso estacionario, a
continuacin se presentan los estimadores, sus distribuciones muestrales, sus
propiedades y las condiciones bajo las cuales se pueden estimar los
parmetros usando dicha realizacin.

El estimador natural para la media
t
= E(Z
t
), es la media muestral
Z =
1
/
n
t
t
Z n
=

Estimador para la funcin de autocovarianza:


Elkin Castao V


19

k
= n z Z z Z
k t
k n
t
t
/ ) )( (
1

+ ++ +

= == =



Estimador para la funcin de autocorrelacin

k
=
k
/
0
= ) )( (
1
z Z z Z
k t
k n
t
t

+ ++ +

= == =

/
2
1
) (

n
t
t
z Z


Distribucin muestral de
k
: Para un proceso estacionario Gaussiano y
para muestras grandes, bajo el supuesto de que
k
=0 para k>m,

k
se distribuye aproximadamente como N(0, Var(
k
)).

donde la varianza de
k

es:

Var(
k
) (1+2
2
1
+2
2
2
++2
2

m
)/n

Por ejemplo, bajo el supuesto de que
k
=0 para k>0 (es decir, el proceso
no est autocorrelacionado),

k
se distribuye aproximadamente como N(0, 1/n).

Estimador para la funcin de autocorrelacin parcial: Para obtener

kk,
obtenga la estimacin de
kk
en la autorregresin:

Z
t+k
=
k1
Z
t+k-1
+
k2
Z
t+k-2
+ +
kk
Z
t
+ e
t+k


Si el proceso
t
Z no es de media cero, se agrega un intercepto a la
regresin anterior.


Elkin Castao V


20
Distribucin muestral de
kk

: Para un proceso estacionario Gaussiano y

para muestras grandes, bajo el supuesto de que
k
=0 para todo k (es
decir, el proceso no est autocorrelacionado),

kk

se distribuye aproximadamente como N(0, 1/n).

Cuando k es grande con respecto a n,
k
, y por tanto
k
, son estimados
en forma muy imprecisa. Por esta razn se sugiere obtener slo los
primeros n/4 estimadores en el anlisis de la serie de tiempo.

Propiedades de los estimadores:
Para Z :
i. Z es insesgado
ii. Var( Z ) =

1
) 1 (
0
) 1 (
n
n k
k
n
k
n

iii. Z converge en media cuadrtica a si y slo si

=


1
) 1 (
) 1 ( lim
n
n k
k n
n
k
<

En este caso se dice que el proceso es ergdico en media.
Una condicin necesaria para que esto ocurra es que 0
k

cuando k . En este caso plimZ =

Para
k

:
:
i. Es sesgado en muestras finitas, pero asintticamente insesgado.
ii. Var(
k
)

=
+
+
i
k i k i i
n
) (
1
2
(Bartlett, 1946)
iii. Una condicin necesaria para que
k
converja en media cuadrtica

Elkin Castao V


21
a
k
es que

=
<
i
i
(es decir, la funcin de autocovarianza es
absolutamente sumable) . En este caso plim
k

=

k
y se dice que
el proceso es ergdico en covarianza.

Representaciones de las series de tiempo: Hay dos representaciones muy
tiles para expresar una serie de tiempo:

Representacin de Medias Mviles (MA):

=

+ = + + + + =
0
2 2 1 1
...
j
j t j t t t t
a a a a Z
donde

=
<
0
| |
j
j
y donde
0
= 1. El proceso } {
t
a es un proceso estocstico
llamado Ruido Blanco de media cero, el cual tiene las siguientes
propiedades:

i) La funcin de medias del proceso es: 0 ) ( =
t
a E
ii) La funcin de varianzas del proceso es :
2
) (
a t
a Var =
iii) La funcin de covarianzas entre
t
a y
k t
a
+
es:
k
=0, para todo k 0
La funcin correlacin entre
t
a y
k t
a
+
es:
k
= 0, para todo k 0

Todo proceso estacionario puramente no determinstico (es decir, que no
contenga componentes determinsticas) puede ser escrito en la forma anterior
(Teorema de Wold). Este proceso tambin es llamado proceso lineal.

Notacin: El proceso MA usando el operador de rezagos
j t t
j
x x B

=
El modelo en forma MA puede ser escrito como:

t t
a B Z ) ( + =

Elkin Castao V


22
donde ) (B =

=0 j
j
j
B , siendo
0
1 = .
Para que el proceso MA sea estacionario se requiere que
0
j
j

<.

Algunas propiedades del proceso MA estacionario :

1) Para el proceso MA, ( )
t
E Z =
En efecto,
1 1 2 2
( ) ( ...)
t t t t
E Z E a a a

= + + + +
Puesto que el proceso es estacionario,
0
j
j

< y entonces,

1 1 2 2
( ) ( ) ( ...)
t t t t
E Z E E a a a

= + + + +
=
0 0
( )
j t j j t j
j j
E a E a


= =
| |
+ = + =
|
\


2)
2
0
k a i i k
i

+
=
=


En efecto, sea
t t
Z Z =

. Entonces,


0 0
( )
k t t k i t i j t k j
i j
E Z Z E a a

+ +
= =
| |
= =
|
\




1 1 2 2 1 1 2 2 1 ( 1)
[( ...)( ... ...)
t t t t k t k t k k t k k k t k k
E a a a a a a a a
+ + + + + + +
= + + + + + + + + +


1 1 2 2 1 1 2 2 1 1
[( ...)( ... ...)
t t t t k t k t k k t k t
E a a a a a a a a
+ + + +
= + + + + + + + + +


2 2 2
1 1 1 2 2 2
( ...) ( )
k t k t k t t
E a a a E Suma de productos cruzados entre los a
+ +
= + + + +

Puesto que
0
j
j

< implica que
0
i k i
i

+
=
<

, entonces
k

2 2 2
0 0 0
( ) ( )
i k i t i i k i t i a i k i
i i i
E a E a

+ + +
= = =
= = =




Elkin Castao V


23
3)
2 2
0
( )
t a i
i
Var Z

=
=


Basta hacer k=0 en 2).

4)
0
2
0
i k i
i
k
i
i

+
=

=
=

5)
k
y
k
:

i) slo dependen de k
ii) son finitas

Para probar ii),

1/ 2
2 2 1/ 2
( ) ( ) ( ) [ ( ) ( )]
k t t k t t k t t k
E Z Z E Z E Z Var Z Var Z
+ + +
= = =

2 2
0
( )
t a i
i
Var Z

=
=


Como
0
i
i

< entonces
2
0
i
i

< y por tanto
k
< .
Verifique que tambin
k
<

6)
2
0
( )
0 0
a
t t j
si j
E a Z
si j

=
=

>

(Ejercicio)

Para una sucesin dada de autocovarianzas , 0, 1, 2, ...
k
k = , la funcin
generadora de autocovarianzas est definida como

( )
k
k
k
B B

=
=




Elkin Castao V


24
En esta funcin, la varianza del proceso,
0
, es el coeficiente de B
0
y la
autocovarianza de orden k,
k
, es el coeficiente tanto de B
k
como de B
-k
.

( ) B tambin puede ser escrita como
2 1
( ) ( ) ( )
a
B B B

= .
En efecto, puesto que
2
0
k a i i k
i

+
=
=

, entonces

2 2
0 0
( ) ( )
k k k
k a i i k a i i k
k k i k i
B B B B

+ +
= = = = =
= = =



Haciendo j=i+k y teniendo en cuenta que 0
j
= si j<0.
2 2 2 1
0 0 0 0
( ) ( ) ( )
j i j i
a i j a j i a
j i j j
B B B B B B


= = = =
= = =



La funcin ( ) B es til para calcular la funcin de autocovarianzas de algunos
procesos lineales.

La funcin generadora de autocorrelaciones est definida como:

0 0 0
( )
( )
k
k
k k k k
k
k k
B
B
B B B

=
= =
= = = =

Representacin Autorregresiva (AR):

t t t t
a Z Z Z + + + + =

...
2 2 1 1 0


o, equivalentemente, usando el operador de rezagos B,

t t
a Z B + =
0
) (

donde ( ) B =
2 3
1 2 3
1 B B B

Elkin Castao V


25
con <

=0
| |
j
j
, y 1
0
= .

Un proceso es llamado invertible si puede ser escrito en esta forma. Box-
Jenkins muestran que cuando se est pronosticando, un proceso no invertible
no tiene sentido.

Para que un proceso MA estacionario sea invertible, es decir, tenga una
representacin AR, es necesario que las races del polinomio (B)=0 caigan
todas fuera del circulo unidad, o en otras palabras, su mdulo sea mayor que
uno. Esto significa que si B es una raz del polinomio y B=a+bi, donde i= 1 ,
entonces su mdulo |B|=(a
2
+ b
2
)
1/2
>1.

No todo proceso invertible es necesariamente estacionario. Para que un
proceso invertible sea estacionario, es decir tenga una representacin MA, es
necesario que las races del polinomio (B)=0 caigan todas fuera del crculo
unidad, o en otras palabras, que su mdulo sea mayor que uno.

Aunque las representaciones MA y AR son tiles, ellas contienen un nmero
infinito de parmetros que en la prctica no es posible estimar. Por tanto, la
modelacin de un fenmeno requiere usar un nmero finito de parmetros.
De aqu surgen los modelos:

Autorregresivos de orden p, AR(p):

t p t p t t t
a Z Z Z Z + + + + + =

...
2 2 1 1 0


De Medias Mviles de orden q, MA(q):


Elkin Castao V


26
q t q t t t t
a a a a Z

+ = ...
2 2 1 1


Autorregresivos y de Medias Mviles, ARMA(p,q):
En la prctica, si nos restringimos a trabajar exclusivamente con un
modelo MA o un modelo AR, el nmero de parmetros necesitado puede
ser excesivamente grande, frente al nmero disponible de datos
recolectados para el anlisis. Una alternativa natural es el modelo
autorregresivo y de medias mviles:

q t q t t t p t p t t t
a a a a Z Z Z Z

+ + + + + = ... ...
2 2 1 1 2 2 1 1 0


Esta clase de modelos es parsimoniosa, en el sentido que puede
explicar el fenmeno con modelos potentes que tienen muy pocos
parmetros.

Ecuaciones lineales en diferencias

Las ecuaciones lineales en diferencias juegan un papel importante en los
modelos de series de tiempo lineales: todos los modelos finitos anteriores
relacionan la salida
t
Z con la entrada
t
a por medio de una ecuacin lineal en
diferencias. Por esta razn tambin se les llama modelos de ecuaciones en
diferencias.

Las propiedades de estos modelos dependen de las caractersticas de las
races de estas ecuaciones en diferencias.

La ecuacin lineal en diferencias de n-simo orden con coeficientes
constantes est definida como:


Elkin Castao V


27
0 1 1 2 2
...
t t t n t n t
C Z C Z C Z C Z e

+ + + + = (5)

donde
i
C , i=1,,n son constantes

0
C =1, sin prdida de generalidad
La ecuacin (5) es llamada nohomognea (o completa) si
t
e 0, y es
llamada homognea si
t
e =0.

Usando el operador de retraso B, (5) se puede escribir como

( )
t t
C B Z e =

donde
2
1 2
( ) 1 ...
n
n
C B C B C B C B = + + + + .

Como funcin de B, ( ) 0 C B = es llamada ecuacin auxiliar asociada con la
ecuacin en diferencias.

La solucin a una ecuacin lineal en diferencias homognea, est dada por el
siguiente teorema.

Teorema: Sea ( )
t
C B Z =0 una ecuacin lineal en diferencias homognea de
orden n, donde
2
1 2
( ) 1 ...
n
n
C B C B C B C B = + + + + . Si
1
( ) (1 )
i
N
m
i
i
C B R B
=
=

donde
1
N
i
i
m n
=
=

y
1
i i
B R

= , i=1,,N son la races de multiplicidad m

i
de
( ) 0 C B = , entonces
1
1 0
i
m N
j t
t ij i
i j
Z b t R

= =
=

.

Elkin Castao V


28
En particular si m
i
=1 y las races
1
i i
B R

= son todas distintas, entonces

1
n
t
t i i
i
Z b R
=
=

Observaciones
i) En una ecuacin lineal en diferencias de valor real, una raz compleja de
( )
t
C B Z =0 debe aparecer por pares. Es decir si c+di es una raz, entonces su
compleja conjugada c-di tambin lo es.
ii) Un nmero complejo siempre puede ser escrito en forma polar
(coordenadas polares) como

(cos ) c di isen =

donde
2 2
c d = + y
1
tan ( / ) d c

= .

iii) Puesto que, por el teorema de DeMoivre, si t Z
( ) (cos )
t t
c di t isen t = , entonces para cada par de races complejas de
multiplicidad m, la solucin
t
Z de la ecuacin lineal en diferencias homognea
debera contener las sucesiones cos
t
t ,
t
sen t , cos
t
t t ,
t
t sen t , ,
y
1
cos
m t
t t

,
1 m t
t sen t

.

Ejemplo. Considere la ecuacin en diferencias de segundo orden
1 1 2 2 t t t
Z C Z C Z

= + , cuya ecuacin auxiliar es
2
1 2
( ) 1 0 C B C B C B = = .
Entonces,
2
1 2 1 2
1 (1 )(1 ) 0 C B C B R B R B = =

donde las dos races son
1
1 1
B R

= y
1
2 2
B R

= . Entonces

1
1 1
(cos ) R B c di isen

= = + = +

Elkin Castao V


29
1
2 2
(cos ) R B c di isen

= = =

Como las races son todas distintas, por el teorema anterior la solucin para
t
Z es
2
1 1 2 2
1
t t t
t i i
i
Z b R b R b R
=
= = +

=
1
[ (cos )]
t
b t isen t + +
2
[ (cos )]
t
b t isen t (6)
donde
1 2
y b b son nmeros complejos.

Ahora, si el proceso es de valor real, la solucin
t
Z siempre se puede escribir
como
1 2
cos s
t t
t
Z e t e en t = +

donde
1 2
y e e son nmeros reales. Esto se debe a que siempre podemos
elegir a
2
b como el complejo conjugado de
1
b . Es decir, si
1
b x iy = + ,
entonces
2
b x iy = y, reemplazando en (6)

t
Z =
1 2 1 2
( )( cos ) ( ) ( )
t t
b b t b b i sen t + +

t
Z =
1 2
cos ) )
t t
e t e sen t +

Donde, claramente
1 2
y e e son nmeros reales.

Ejemplo. Considere la ecuacin en diferencias
1 2
2 0
t t t
Z Z Z

+ = . Encuentre
la solucin para
t
Z .
Ecuacin auxiliar:
2
1 2 0 B B + =
Races: de la factorizacin
2
1 2 (1 )(1 ) 0 B B B B + = = , se obtiene
1 2
1 B B = = . Entonces la raz 1 tiene multiplicidad m=2 y N=1.
Inversas de las races:
1
1 R B

= =
Por el teorema, la solucin para
t
Z es de la forma

Elkin Castao V


30

1 1 2 1 1
1 10 11
1 0 1 0 0
( )
i
m N
t j t j t j t
t i ij i ij j
i j i j j
Z R b t R b t R b t R b b t

= = = = =
= = = = +



como 1 R = ,
10 11 t
Z b b t = +

Ejemplo. Considere la ecuacin lineal en diferencias
1 2 3
2 1.5 0.5 0
t t t t
Z Z Z Z

+ = . Encuentre la solucin para
t
Z .
Ecuacin auxiliar:
2 3
1 2 1.5 0.5 0 B B B + =
Factorizacin:
2 3 2
1 2 1.5 0.5 (1 )(1 0.5 ) 0 B B B B B B + = + =
Races:
1
1 B = y las otras dos son generadas por
2
4
2
b b ac
B
a

=
1 1 4(0.5)(1)
2(0.5)
B

= , que produce
2
1 B i = + y
3
1 B i =

Inversas de las races:
1
1 1
1 R B

= = , y para una raz compleja c+di su inversa

es
1 1
2 2 2 2
( )
c d
R B c di i
c d c d


= = + = +
+ +
.

Por tanto,
1
2 2
1 1
2 2
R B i a bi

= = = y
1
3 3
1 1
2 2
R B i a bi

= = + = + .

Solucin: Como las tres races son distintas, la solucin
t
Z es de la forma

3
1 1 2 3
1
1 1 1 1
1
2 2 2 2
t t
t t
t i i
i
Z b R b b i b i
=
| | | |
= = + + +
| |
\ \

donde, en forma polar

1 1
2 2
i = (cos ) isen

Elkin Castao V


31
y
1 1
2 2
i + = (cos ) isen +
con
2 2
1
2
a b = + = y
1 1
tan ( / ) tan (1) / 4 b a

= = =

reemplazando en la solucin,

1 2 3
1 1
(cos ) (cos )
2 2
t t
t
Z b b isen b isen
| | | |
= + + +
| |
| |
\ \


1 2 3
1 1
(cos ) (cos )
2 2
t t
t
Z b b t isen t b t isen t
| | | |
| | | |
| |
= + + +
| |
| |
| |
\ \
\ \


Si el proceso es de valor real,

1 2 3
1 1
cos
2 2
t t
t
Z a a t a sen t
| | | |
= + +
| |
| |
\ \


Ejercicio: Resolver
2
(1 )(1 ) 0
t
B B Z = .

2. Modelos para series de tiempo univariadas estacionarias:
Modelos AR, MA y ARMA. Funciones de autocorrelacin y de
autocorrelacin parcial.

El proceso Autorregresivo de orden p, AR(p)

Especificacin:

t p t p t t t
a Z Z Z Z + + + + + =

...
2 2 1 1 0

t t
a Z B + =
0
) (



Elkin Castao V


32
donde
p
p
B B B B = ... 1 ) (
2
2 1
y } {
t
a es un proceso de ruido blanco
de media cero.
El proceso es siempre invertible ya que

p
j 1
j
|< |
Para que el proceso sea estacionario es necesario que las races de
(B)=0 caigan fuera del crculo unidad.

El proceso AR(1):

Especificacin:
t t t
a Z Z + + =
1 1 0

t t
a Z B + =
0
) (


donde B B
1
1 ) ( = y } {
t
a es un proceso de ruido blanco de media cero.

El proceso es siempre invertible.
Para que el proceso sea estacionario es necesario que las races de
B B
1
1 ) ( = = 0 caigan fuera del crculo unidad. Esto se cumple si |
1
| < 1,
ya que la solucin a la ecuacin auxiliar es
1
1/ B = . Entonces el proceso es
estacionario si
1
1/ 1 B = > , lo que es equivalente a que |
1
| < 1.
Media del proceso:
) ( ) ( ) (
1 1 0 t t t
a E Z E Z E + + =


Como 0 ) ( =
t
a E y el proceso es estacionario:
) ( ) (
1 0 t t
Z E Z E + =
0 1
) ( ) 1 ( =
t
Z E
= = )) 1 /(( ) (
1 0 t
Z E
Varianza del proceso:

) ( ) ( ) ( ) ( ) (
2
1 1 1 1 1 0 t t t t t t t
a Var Z Var a Z Var a Z Var Z Var + = + = + + =



Elkin Castao V


33
2 2
1
) ( ) 1 (
a t
Z Var =

0 1 1
2 2
1
2
) 1 /( ) 1 /( ) ( = = =
a a t
Z Var

ACF y PACF del proceso:

Derivacin de la ACF de un AR(1):
Autocovarianzas:

1 1 1 1
( ) ( ( )) ( ) ( )
k t k t t k t t t k t t k t
E Z Z E Z Z a E Z Z E Z a

= = + = +



1 1 k k


= si 1 k
Autocorrelaciones:

1 1 1
1 1 1
0 0 0
k k k
k k

= = = = si 1 k

1 1 1
K
k k

= = si 1 k

Por tanto, la ACF decae exponencialmente.

ACF para
1
0.8 =










Elkin Castao V


34

ACF para
1
0.8 =


Derivacin de la PACF de un AR(1):
De la expresin para la PACF,

kk
=
1 1
=

si k=1
= 0 si k>1

Por tanto, la PACF se anula a partir de k=2 (corte a partir de k=2)

PACF para
1
0.8 =

PACF para
1
0.8 =


Elkin Castao V


35
Ejemplo: Simulacin del proceso AR(1) con
1
= 0.65, 5
0
= y ) 1 , 0 ( ~ N a
t
.
Estacionaridad: es estacionario pues |
1
|=0.65<1.
Invertibilidad: Siempre, pues todo AR(p) lo es.

Una realizacin con n=500 observaciones para el proceso AR(1)

Obtencin de la ACF y PACF muestral:

AUTOCORRELATIONS
1- 12 .67 .48 .37 .27 .23 .20 .18 .14 .10 .09 .05 .04
ST.E. .04 .06 .07 .07 .07 .08 .08 .08 .08 .08 .08 .08
Q 224 339 406 444 472 493 509 519 525 528 530 531

13- 24 .01 .04 .03 .03 -.01 -.04 -.03 -.01 .01 .02 .06 .08
ST.E. .08 .08 .08 .08 .08 .08 .08 .08 .08 .08 .08 .08
Q 531 532 532 532 532 533 534 534 534 534 536 539

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 0.67 + IX+XXXXXXXXXXXXXXX
2 0.48 + IXX+XXXXXXXXX
3 0.37 + IXX+XXXXXX
4 0.27 + IXXX+XXX
5 0.23 + IXXX+XX
6 0.20 + IXXX+X
7 0.18 + IXXXX
8 0.14 + IXXXX
9 0.10 + IXXX+
10 0.09 + IXX +
11 0.05 + IX +
12 0.04 + IX +
13 0.01 + I +
14 0.04 + IX +
15 0.03 + IX +
16 0.03 + IX +





Elkin Castao V


36
PARTIAL AUTOCORRELATIONS
1- 12 .67 .06 .05 .00 .05 .03 .02 -.01 -.02 .01 -.03 .01
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

13- 24 -.06 .09 -.03 .01 -.06 -.04 .04 .03 .02 .00 .08 .01
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 0.67 + IX+XXXXXXXXXXXXXXX
2 0.06 + IX+
3 0.05 + IX+
4 0.00 + I +
5 0.05 + IX+
6 0.03 + IX+
7 0.02 + IX+
8 -0.01 + I +
9 -0.02 + I +
10 0.01 + I +
11 -0.03 +XI +
12 0.01 + I +
13 -0.06 +XI +
14 0.09 + IXX
15 -0.03 +XI +
16 0.01 + I +


El proceso AR(2):

Especificacin:
t t t t
a Z Z Z + + + =
2 2 1 1 0

t t
a Z B + =
0
) (


donde
2
2 1
1 ) ( B B B = y } {
t
a es un proceso de ruido blanco de media
cero.

El proceso es siempre invertible.
Para que el proceso sea estacionario es necesario que las races de
2
2 1
1 ) ( B B B =

= 0 caigan fuera del crculo unidad.
Por ejemplo: el proceso
2
(1 1.5 0.56 )
t t
B B Z a + = es estacionario puesto
que
2
(1 1.5 0.56 ) (1 0.7 )(1 0.8 ) 0 B B B B + = = , tiene races B=1/0.7 y
B=1/0.8 las cuales son mayores que 1.
Las condiciones de estacionaridad del AR(2) pueden ser dadas en
trminos de sus parmetros:

Elkin Castao V


37

2
+
1
< 1

2
-
1
< 1 (ver Wei, pg. 40-41)
-1<
2
< 1

Media del proceso:

0 1 2
( ) /(1 )
t
E Z = =
Varianza del proceso:

2
1 1 2 2 0
( ) /(1 )
t a
Var Z = =

0
2 1 2 1 2
2
2
) 1 )( 1 )( 1 (

) 1 (
) (

=
+ +

=
t
Z Var (Ejercicio:obtener las condiciones anteriores)

ACF y PACF del proceso:

Derivacin de la ACF del AR(2):

Autocovarianzas:

1 1 2 2 1 1 2 2
( ) ( ( )) ( ) ( ) ( )
k t k t t k t t t t k t t k t t k t
E Z Z E Z Z Z a E Z Z E Z Z E Z a

= = + + = + +


1 1 2 2 k k k


= + , para 1 k

Autocorrelaciones:

1 1 2 2 1 2
1 2
0 0 0 0
k k k k k
k




+
= = = +

1 1 2 2 k k k


= + si k1

Usando la expresin anterior para
k
, para k=1, 2

Elkin Castao V


38

1 1 2 1
= +
2 1 1 2
= +

Lo que implica
1
1
2
1

2 2 2
1 1 2 2
2 2
2 2
1 1



+
= + =



y los dems
1 1 2 2 k k k


= + para 3 k

Como
1 1 2 2 k k k


= + es una ecuacin lineal en diferencias de segundo
orden homognea (k reemplaza a t), usando el teorema anterior, y teniendo en
cuenta que sus races (B) y sus inversos R, son



la solucin para
k
es


Elkin Castao V


39
2 2
2 1 1 2 1 1 2
1 2 1 2
2
1
1 2 1 2
4 4
, 4 0
2 2
( ) , 4 0
2
k k
k
k
b b si
b b k si

( (
+ + +

( (
+ +

( (
=

+ + =
(

Por tanto, el patrn de comportamiento de la ACF est gobernado por una
ecuacin lineal en diferencias homognea de segundo orden, y presentar
decrecimiento exponencial (si las races de
2
2 1
1 B B =0 son reales) o
decrecimiento en forma de ondas sinusoidales (si las races de
2
1 2
1 0 B B =
son complejas).

Derivacin de la PACF del AR(2):
De la expresin para la PACF de un proceso estacionario,

1
11 1
2
1

= =

2
2 2
1
1 2 2 1
2 2 2
1 2 2 2
2 1 2 2 1
22 2 2 2 2 2
1 1 2 1
1
1
2
1
1 1
[(1 ) ]
1 1 (1 )
1
1
1

| | +

|


\
= = = = =

| |

\


1 1 1 1 2 1
1 2 1 1 1 2
2 1 3 2 1 1 2 2 1
33
1 2 1 2
1 1 1 1
2 1 1 2
1 1
1 1
0
1 1
1 1
1 1

+
+
+
= = = ,



Elkin Castao V


40
puesto que la ltima columna es una combinacin lineal de las dos primeras
columnas (es la suma de primera columna por
1
y la segunda columna por
2
).
Similarmente se puede mostrar que
kk
= 0 si k3. Resumiendo, para un
proceso AR(2) estacionario, la PACF es tal que


kk
0 si K=1,2
y
kk
= 0 si k>2

Por tanto, la PACF se anula a partir de k=3 (corte a partir de k=3)

Ejemplos de ACF y PACF para procesos AR(2):

AR(2) con
1 2
0.4, 0.3 = =
0 5 10 15
0
.
0
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
2 4 6 8 10 12 14
0
.
0
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F






Elkin Castao V


41
AR(2) con
1 2
0.4, 0.3 = =
0 5 10 15 20
-
0
.
5
0
.
0
0
.
5
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
5
0
.
0
0
.
5
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F


AR(2) con
1 2
0.4, 0.3 = =
0 5 10 15 20
-
0
.
2
0
.
2
0
.
6
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
2
0
.
6
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F






Elkin Castao V


42
AR(2) con
1 2
0.4, 0.3 = =
0 5 10 15 20
-
0
.
2
0
.
2
0
.
6
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
2
0
.
6
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F

Ejemplo: Simulacin del proceso AR(2) con
1
=0.80 y
2
= -0.35, 0
0
= y
) 1 , 0 ( ~ N a
t
.
Invertibilidad: Siempre invertible
Estacionaridad: Anlisis de las races de: 1-0.80B+0.35B
2
=0

ALL ROOTS OF THE ARMA POLYNOMIALS LIE OUTSIDE THE UNIT CIRCLE
ROOT(S) FOR THE FOLLOWING AR OR MA FACTOR:
1 2
1 -( 0.80)B -( -0.35)B

PAIR REAL IMAGINARY DISTANCE
1 1.142857 1.245400 1.690309
2 1.142857 -1.245400 1.690309



Elkin Castao V


43

Obtencin de la ACF y PACF muestrales:

AUTOCORRELATIONS
1- 12 .56 .04 -.20 -.22 -.11 .02 .09 .11 .09 -.00 -.13 -.19
ST.E. .04 .06 .06 .06 .06 .06 .06 .06 .06 .06 .06 .06
Q 156 157 177 200 206 206 210 216 220 220 228 248

13- 24 -.16 -.05 .07 .16 .19 .09 -.06 -.13 -.06 .02 .04 .01
ST.E. .06 .06 .06 .06 .06 .07 .07 .07 .07 .07 .07 .07
Q 261 263 265 279 298 302 304 313 314 315 315 315



-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 0.56 + IX+XXXXXXXXXXXX
2 0.04 + IXX+
3 -0.20 XX+XXI +
4 -0.22 XX+XXI +
5 -0.11 XXXI +
6 0.02 + IX +
7 0.09 + IXX+
8 0.11 + IXXX
9 0.09 + IXX+
10 0.00 + IX +
11 -0.13 XXXI +
12 -0.19 XX+XXI +
13 -0.16 X+XXI +
14 -0.05 + XI +
15 0.07 + IXX+
16 0.16 + IXX+X
17 0.19 + IXX+XX
18 0.09 + IXX+
19 -0.06 + XI +
20 -0.13 XXXI +


Elkin Castao V


44

PARTIAL AUTOCORRELATIONS
1- 12 .56 -.40 -.01 -.08 .02 .03 .00 .07 .01 -.06 -.09 -.07
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

13- 24 -.03 .01 .03 .08 .07 -.04 -.04 .01 .07 -.04 -.04 -.04
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 0.56 + IX+XXXXXXXXXXXX
2 -0.40 XXXXXXXX+XI +
3 -0.01 + I +
4 -0.08 +XI +
5 0.02 + IX+
6 0.03 + IX+
7 0.00 + I +
8 0.07 + IXX
9 0.01 + I +
10 -0.06 +XI +
11 -0.09 +XI +
12 -0.07 +XI +
13 -0.03 +I +
14 0.01 + I +
15 0.03 + IX+
16 0.08 + IX+
17 0.07 + IXX
18 -0.04 +XI +
19 -0.04 +XI +
20 0.01 + I +

- El proceso AR(p):

Especificacin:
t p t p t t t
a Z Z Z Z + + + + + =

...
2 2 1 1 0

t t
a Z B + =
0
) (


donde
p
p
B B B B = ... 1 ) (
2
2 1
y } {
t
a es un proceso de ruido blanco
de media cero.
El proceso es siempre invertible ya que

p
j 1
j
|< |
Para que el proceso sea estacionario es necesario que las races de
(B)=0 caigan fuera del crculo unidad.
ACF y PACF del proceso:

Elkin Castao V


45

ACF del AR(p):
k
=

1

1 k

+
2

2 k

++
p

k p

si k1

La ACF est determinada por la ecuacin lineal en diferencias

2
1 2
( ) (1 ... ) 0
p
k p k
B B B B = =

donde
1
( ) (1 )
i
m
d
i
i
B G B
=
=

,
1
m
i
i
d p
=
=

y
1
i
G

son las races de multiplicidad

i
d de ( ) 0 B = . La solucin a la ecuacin es,

1
1 0
i
d m
j k
k ij i
i j
b k G

= =
=

Si 1
i
d = para todo i, entonces las
1
i
G

son todas distintas y la solucin se

reduce a
1
p
k
k i i
i
bG
=
=

, k>0.
Para un proceso estacionario |
1
i
G

|>1. Por tanto, la ACF decrece como una

mezcla de decaimientos exponenciales o de ondas sinusoidales
amortiguadas, o una mezcla de ambas, dependiendo de las races de
( ) 0 B = .

La PACF del AR(p):
kk
0 si K=1, 2, ,p
y
kk
= 0 si k>p

Por tanto, la PACF se anula a partir de k=p+1 (corte a partir de k=p+1) pues se
puede probar que si k>p, la ltima columna del determinante del numerador
para la expresin de
kk
puede ser escrita como una combinacin lineal de las
primeras columnas.

Elkin Castao V


46

CONCLUSIN: Comportamiento general de la ACF y PACF del AR(p)

ACF decae exponencialmente o por medio de ondas sinusoidales
amortiguadas, o mezcla de ambos, dependiendo de las races de ) (B =0.
PACF tiene un corte a partir del (p+1)-simo coeficiente de autocorrelacin
parcial. Desde este punto todos los coeficientes son iguales a cero.

El Proceso de Medias Mviles de orden q, MA(q).

Especificacin:
q t q t t t t
a a a a Z

+ = ...
2 2 1 1

t t
a B Z ) ( + =


donde
q
q
B B B B = ... 1 ) (
2
2 1
y } {
t
a es un proceso de ruido blanco
de media cero.
El proceso es siempre estacionario ya que
1
j
j

=
<
Para que el proceso sea invertible es necesario que las races de ) (B =0
caigan fuera del crculo unidad.

El proceso MA(1):

Especificacin:
1 1
+ =
t t t
a a Z

t t
a B Z ) ( + =


donde B B
1
1 ) ( = y } {
t
a es un proceso de ruido blanco de media cero.


Elkin Castao V


47
El proceso es siempre estacionario.
Para que el proceso sea invertible es necesario que las races de
B B
1
1 ) ( = =0 caigan fuera del crculo unidad. Esto se cumple si
|
1
|<1.

ACF Y PACF del proceso:

Derivacin de la ACF.

Autocovarianzas:
La funcin generadora de autocovarianzas del proceso es

2 1 2 1 2 1 2 0
1 1 1 1 1
( ) ( ) ( ) (1 )(1 ) ( (1 ) )
a a a
B B B B B B B B

= = = + +

Por tanto las autocovarianzas son:

2 2
1
2
1
(1 ) 0
1
0 1
a
k a
si k
si k
si k


+ =

= =

>

Autocorrelaciones:

1
2
1
0
1
1
0 1
k
k
si k
si k

+ = =

>

Por tanto, la ACF se anula (presenta un corte) a partir de k=2

Autocorrelaciones parciales:

Usando la expresin del cociente de determinantes para obtener la PACF,

1
11 1 2
1
1

= =
+


Elkin Castao V


48

2 2 2 2 2 2
1 1 1 1 1 1
22 2 2 4 2 4 2 6
1 1 1 1 1 1 1
(1 ) (1 )
1 1 (1 )(1 ) (1 )

= = = =
+ + + +


3 3 3 2 3 2
1 1 1 1 1 1
33 2 2 4 6 2 4 6 2 8
1 1 1 1 1 1 1 1 1
(1 ) (1 )
1 2 1 (1 )(1 ) (1 )

= = = =
+ + + + + +


En general,
2
1 1
2( 1)
1
(1 )
1
1
k
kk
k
si k

+

=

Por tanto, la PACF decae exponencialmente.

Ejemplos de ACF y PACF para una MA(1).

MA(1) con
1
0.6 =
0 5 10 15 20
0
.
0
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
0
.
0
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F





Elkin Castao V


49
MA(1) con
1
0.6 =
0 5 10 15 20
0
.
0
0
.
4
0
.
8
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
4
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F

Observaciones:
1. Los procesos MA(1) con parmetros
1
y 1/
1

producen la misma ACF
(verificar). Sin embargo, si |
1
|<1, entonces slo uno de los procesos es
invertible. Por tanto por unicidad, nos restringiremos a procesos invertibles en
la seleccin del modelo.

2. Como |
1
|<1, entonces cuando
1
1 ,
1
2
k
. Por tanto, en un
proceso MA(1),
k
<.5.

Ejemplo: Simulacin del proceso MA(1) con
1
=0.65, 5 = y ) 1 , 0 ( ~ N a
t
.
Estacionaridad: Siempre
Invertibilidad: es invertible pues |
1
|=0.65<1




Elkin Castao V


50

Una Realizacin con n=500 observaciones


Obtencin de la ACF y PACF muestral:

AUTOCORRELATIONS
1- 12 -.45 -.02 .01 -.04 .06 -.03 .04 -.06 .05 -.02 .01 .02
ST.E. .04 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05
Q 101 101 101 102 104 104 105 107 108 108 108 108

13- 24 -.05 .06 -.03 .00 -.01 .01 -.05 .02 .06 -.11 .09 -.04
ST.E. .05 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05
Q 110 111 112 112 112 112 113 113 115 121 125 126

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 -0.45 XXXXXXXXX+XI +
2 -0.02 + I +
3 0.01 + I +
4 -0.04 + XI +
5 0.06 + IX +
6 -0.03 + XI +
7 0.04 + IX +
8 -0.06 + XI +
9 0.05 + IX +
10 -0.02 + I +
11 0.01 + I +
12 0.02 + I +
13 -0.05 + XI +
14 0.06 + IX +
15 -0.03 + XI +
16 0.00 + I +



PARTIAL AUTOCORRELATIONS
1- 12 -.45 -.27 -.16 -.16 -.06 -.05 .01 -.05 .00 -.01 .02 .04
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

13- 24 -.01 .04 .01 .00 -.01 -.01 -.08 -.06 .03 -.08 -.00 -.01
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

Elkin Castao V


51

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 -0.45 XXXXXXXXX+XI +
2 -0.27 XXXXX+XI +
3 -0.16 XX+XI +
4 -0.16 XX+XI +
5 -0.06 +XI +
6 -0.05 +XI +
7 0.01 + I +
8 -0.05 +XI +
9 0.00 + I +
10 -0.01 + I +
11 0.02 + I +
12 0.04 + IX+
13 -0.01 + I +
14 0.04 + IX+
15 0.01 + I +
16 0.00 + I +


El Proceso de Medias Mviles de orden 2, MA(2).

Especificacin:
2 2 1 1
+ =
t t t t
a a a Z
t t
a B Z ) ( + =

donde
2
2 1
1 ) ( B B B = y } {
t
a es un proceso de ruido blanco de media
cero.
El proceso es siempre estacionario ya que

=1
2
j
j
<
Para que el proceso sea invertible es necesario que las races de
(B)=0 caigan fuera del crculo unidad, lo que es equivalente a que se
cumplan las siguientes restricciones:


2
+
1
<1

2
-
1
<1
-1<
2
<1
ACF del MA(2):

Autocovarianzas:


Elkin Castao V


52
La funcin generadora de autocovarianzas de un proceso MA(2) es

2 2 1 2
1 2 1 2
( ) (1 )(1 )
a
B B B B B

=

2 2 1 2 2 0 2
2 1 2 1 2 1 2 2
( ) [ (1 ) (1 ) (1 ) ]
a
B B B B B B

= + + +

Por tanto, las autocovarianzas son

2 2 2
0 1 2
(1 )
a
= + +
2
1 1 2
(1 )
a
=
2
2 2 a
=
0
k
= si k>2

Autocorrelaciones:
1 2
2 2
1 2
2
2 2
1 2
(1 )
1
1
2
1
0 2
k
si k
si k
si k

+ +

+ +

>

Por tanto, la ACF se anula (presenta un corte) a partir de k=3.

PACF del MA(2):
11
=
1


22
= (
2
-
1
2
)/(1-
1
2
)

33
= (
1
3
-
1

2
)(2-
2
)/(1-
2
2
-2
1
2
(1-
2
))
etc.

Se puede probar que la PACF presentar decrecimiento exponencial (si las
races de
2
2 1
1 B B = 0 son reales) o decrecimiento en forma de ondas
sinusoidales (si las races de
2
2 1
1 B B = 0 son complejas).

Ejemplos de ACP y PACF de procesos MA(2).

Elkin Castao V


53

MA(2) con
1 2
0.6 0.3 y = =
0 5 10 15 20
-
0
.
2
0
.
4
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
4
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F

MA(2) con
1 2
0.6 0.3 y = =
0 5 10 15 20
-
0
.
2
0
.
4
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
4
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F






Elkin Castao V


54
MA(2) con
1 2
0.6 0.3 y = =
0 5 10 15 20
-
0
.
5
0
.
5
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
5
0
.
5
True PACF
Lag
T
r
u
e

P
A
C
F

MA(2) con
1 2
0.6 0.3 y = =
0 5 10 15 20
0
.
0
0
.
4
0
.
8
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
0
.
0
0
.
4
0
.
8
True PACF
Lag
T
r
u
e

P
A
C
F



Elkin Castao V


55
Ejemplo: Simulacin del proceso MA(2) con
1
= 0.65,
2
= 0.24, 0 = y
) 1 , 0 ( ~ N a
t
.
Estacionaridad: Siempre
Invertibilidad: Anlisis de las races del polinomio: 1-0.65B-0.24B
2
=0

ALL ROOTS OF THE ARMA POLYNOMIALS LIE OUTSIDE THE UNIT CIRCLE

ROOT(S) FOR THE FOLLOWING AR OR MA FACTOR:
1 2
1 -( 0.65)B -( 0.24)B

PAIR REAL IMAGINARY DISTANCE
1 -3.803745 0.000000 3.803745
2 1.095412 0.000000 1.095412


Obtencin de la ACF y PACF muestral

AUTOCORRELATIONS

1- 12 -.38 -.12 .05 -.06 .01 -.00 .03 -.04 .08 -.13 .08 .05
ST.E. .04 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05
Q 74.3 81.8 83.3 84.8 84.9 84.9 85.3 86.3 89.6 98.6 102 103

13- 24 -.10 .03 .03 .02 -.08 .07 -.07 .06 -.01 -.06 .03 .03
ST.E. .05 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05 .05
Q 108 109 110 110 113 115 118 119 120 121 122 122






Elkin Castao V


56
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 -0.38 XXXXXXXX+XI +
2 -0.12 XXX+XI +
3 0.05 + IX +
4 -0.06 + XI +
5 0.01 + I +
6 0.00 + I +
7 0.03 + IX +
8 -0.04 + XI +
9 0.08 + IXX+
10 -0.13 XXXI +
11 0.08 + IXX+
12 0.05 + IX +
13 -0.10 XXXI +
14 0.03 + IX +
15 0.03 + IX +
16 0.02 + IX +
17 -0.08 +XXI +
18 0.07 + IXX+
19 -0.07 +XXI +
20 0.06 + IX +

PARTIAL AUTOCORRELATIONS

1- 12 -.38 -.32 -.17 -.18 -.14 -.13 -.07 -.11 .01 -.16 -.05 .01
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

13- 24 -.07 -.06 -.01 .05 -.04 .03 -.05 .02 -.01 -.06 -.09 -.03
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 -0.38 XXXXXXXX+XI +
2 -0.32 XXXXXX+XI +
3 -0.17 XX+XI +
4 -0.18 XXX+XI +
5 -0.14 XX+XI +
6 -0.13 X+XI +
7 -0.07 XXI +
8 -0.11 X+XI +
9 0.01 + I +
10 -0.16 X+XI +
11 -0.05 +XI +
12 0.01 + I +
13 -0.07 XXI +
14 -0.06 XXI +
15 -0.01 + I +
16 0.05 + IX+
17 -0.04 +XI +
18 0.03 + IX+
19 -0.05 +XI +
20 0.02 + I +





Elkin Castao V


57
El Proceso MA(q).

Especificacin:

q t q t t t t
a a a a Z

+ = ...
2 2 1 1

t t
a B Z ) ( + =


donde
q
q
B B B B = ... 1 ) (
2
2 1
y } {
t
a es un proceso de ruido blanco
de media cero.
El proceso es siempre estacionario ya que

=1
2
j
j
<
Para que el proceso sea invertible es necesario que las races de ) (B =0
caigan fuera del crculo unidad.
Autocovarianzas:
2 2
0
0
q
a j
j

=
=



2
1 1
( ... ) 1, 2, ...,
0
a k k q k q
k
si k q
si k q

+
+ + + =

=

>

Autocorrelaciones:

1 1
2 2
1
...
1, 2, ...,
1 ...
0
k k q k q
q k
si k q
si k q


+
+ + +
=

+ + + + =

>

PACF del MA(q):
kk
decae como una mezcla de exponenciales y/o ondas
seno amortiguadas, segn el tipo de races de ) (B =0.

CONCLUSIN: Comportamiento general de la ACF y PACF del MA(q)

ACF presenta un corte a partir del (q+1)-simo coeficiente.

Elkin Castao V


58
PACF decae exponencialmente o por medio de ondas seno coseno
amortiguadas, o una mezcla de ambos.

Relacin de dualidad entre los procesos AR(p) y MA(q).

Un proceso AR(p) estacionario,
t t
a Z B = ) ( (suponiendo
0
=0, sin
perder generalidad) puede ser escrito como

t t t
a B a B Z ) ( ) (
1
= =



donde ) ( ) ( B B =1. De esta ltima expresin podemos obtener los valores
para los
j
, j=1,2,3,. Por tanto un proceso AR(p) estacionario siempre
puede ser escrito como un proceso MA de orden infinito.

De la ecuacin ) ( ) ( B B =1, los coeficientes
j
pueden derivados igualando
los coeficientes de las potencias B
j
. Por ejemplo, para un proceso AR(2), se
tiene que
2 2 3
1 2 1 2 3
(1 )(1 ...) B B B B B + + + + =1
o,
2 3
1 2 3
1 ... B B B + + + +

2 3
1 1 1 1 2
... B B B

2 3
2 2 1
... B B =1

Los coeficientes
j
se obtienen de la siguiente manera:
1
1 1 1 1
2 2
2 1 1 2 2 1 1 2 1 2
3
3 2 1 1 2 3 2 1 1 2
: 0
: 0
: 0
B
B
B



= =
= = + = +
= = +


En general, para 2 j

2
1 1 2
j
j j

= +

Elkin Castao V


59
Donde
0
1. =

En particular si
2
0 = ,
1 1 1
j
j j

= = para 0 j

Por tanto, para un proceso AR(1),
2 2 3 3
1 1 1
1
1
(1 ...)
1
t t t
Z a B B B a
B

= = + + + +

Lo cual implica que un proceso AR(1) estacionario es equivalente a un
proceso MA de orden infinito.

Un proceso MA(q) invertible
t t
a B Z ) ( = , puede ser escrito como

t t t
a Z B Z B = =

) ( ) (
1

,

donde ) ( ) ( B B = 1. De esta ltima expresin podemos obtener los
valores para los
j
, j=1,2,3,.Por tanto un proceso MA(q) invertible
siempre puede ser escrito como un proceso AR de orden infinito.

Dado un proceso invertible MA(q),

( )
t t
Z B a =

donde
2
1 2
( ) 1 ...
q
q
B B B B = , este puede ser escrito como

( )
t t
B Z a =

donde
2 3
1 2 3
1
( ) 1 ...
( )
B B B B
B

= =
o,
( ) ( ) 1 B B =

Por ejemplo, para un proceso MA(2), se tiene que


Elkin Castao V


60
2 2 3
1 2 1 2 3
(1 )(1 ...) 1 B B B B B =

de donde,
2 3
1 2 3
1 ... B B B

2 3
1 1 1 1 2
B B B + + +

2 3
2 2 1
... B B + + =1

Los coeficientes
j
se obtienen de la siguiente manera:

1
1 1 1 1
2 2
2 1 1 2 2 1 1 2 1 2
3
3 2 1 1 2 3 2 1 1 2
: 0
: 0
: 0
B
B
B



= =
+ = = =
+ + = = +


En general, para 3 j
2
1 1 2
j
j j

= +

En particular si
2
0 = ,
1 1 1
j
j j

= = para 1 j

Por tanto, para un proceso MA(1),

2 2 3 3 2 2 3 3
1 1 1 1 1 1
1
1
(1 ...) (1 ...)
(1 )
t t t t
B B B Z B B B Z Z a
B

+ = + + + + = =

Lo cual implica que un proceso MA(1) invertible es equivalente a un
proceso AR de orden infinito.

El proceso mixto autorregresivo y de medias mviles, ARMA(p,q)

Especificacin:
t t
a B Z B ) ( ) (
0
+ =

donde:
p
p
B B B B = ... 1 ) (
2
2 1

q
q
B B B B = ... 1 ) (
2
2 1
,


Elkin Castao V


61
no existen factores comunes entre ( ) B y ( ) B y } {
t
a es un proceso de
ruido blanco de media cero.

Estacionaridad: Las races de ) (B =0 deben caer fuera del crculo
unidad.
Invertibilidad: Las races de ) (B =0 deben caer fuera del crculo unidad

Un proceso ARMA(p,q) estacionario e invertible puede ser escrito como un
proceso autorregresivo puro de orden infinito:
( )
t t
B Z a =

donde
( )
( )
( )
B
B
B

= o ( ) ( ) ( ) B B B = . Esta ecuacin permite

derivar los coeficientes
j
.
Un proceso ARMA(p,q) estacionario e invertible tambin puede ser escrito
como un proceso de medias mviles puro de orden infinito:

( )
t t
Z B a =

donde
( )
( )
( )
B
B
B

= o ( ) ( ) ( ) B B B = . Esta ecuacin permite

derivar los coeficientes
j
.

Comportamiento de la ACF y PACF en un proceso ARMA(p,q).
El proceso ARMA(p,q) puede ser escrito como

1 1 2 2 1 1 2 2
... ...
t t t p t p t t t q t q
Z Z Z Z a a a a

= + + + +



Derivacin de la ACF
Premultiplicando por
t k
Z

la ecuacin anterior,


Elkin Castao V


62
1 1 2 2 1 1 2 2
... ...
t k t t k t t k t p t k t p t k t t k t t k t q t k t q
Z Z Z Z Z Z Z Z Z a Z a Z a Z a

= + + + +


Tomando valor esperado,

1 1 2 2
1 1 2 2
( ) ( ) ( ) ... ( )
( ) ( ) ( ) ... ( )
t k t t k t t k t p t k t p
t k t t k t t k t q t k t q
E Z Z E Z Z E Z Z E Z Z
E Z a E Z a E Z a E Z a




= + + + +




o,

1 1 2 2 1 1 2 2
... ( ) ( ) ( ) ... ( )
k k k p k p t k t t k t t k t q t k t q
E Z a E Z a E Z a E Z a

= + + + +


Puesto que si k > i ( ) 0
t k t i
E Z a

=

, entonces

1 1 2 2
...
k k k p k p


= + + + ( 1) si k q +



Autocorrelaciones:

1 1 2 2
0 0
1 1 2 2
...
... ( 1)
k k p k p
k
k
k k k p k p
si k q

+ + +
= =
= + + + +


Por tanto, para un ARMA(p,q) su ACF se comporta como la ACF de un AR(p)
a partir del rezago q+1, dependiendo solamente de los parmetros
autorregresivos del modelo. Las primeras q autocorrelaciones
1 2
, ,...,
q
dependen tanto de los parmetros autorregresivos como de los
de medias mviles. Esta distincin es til en la identificacin del modelo.

Autocorrelaciones parciales


Elkin Castao V


63
La PACF del proceso ARMA(p,q): debido a que el proceso ARMA contiene
como caso particular el proceso MA, su PACF decaer exponencialmente y/o
con mezcla de ondas sinusoidales amortiguadas.

CONCLUSIN: Por tanto si la ACF y PACF se extinguen exponencialmente
y/o con mezcla de ondas sinusoidales amortiguadas el proceso que las
origina corresponde a un ARMA. Desafortunadamente, en general, la ACF y
PACF no dan indicaciones precisas sobre el orden p y q del proceso.

El proceso ARMA(1,1)

1 1
(1 ) (1 )
t t
B Z B a =

o,
1 1 1 1 t t t t
Z Z a a

= +



Estacionaridad:
1
1 < .
Invertibilidad:
1
1 < .
Cuando
1
0 = , el proceso se reduce a un MA(1).
Cuando
1
0 = , el proceso se reduce a un AR(1).
Un proceso ARMA(1,1) invertible tiene una representacin autorregresiva
pura
( )
t t
B Z a =

donde
2 3 1
1 2 3
1
(1 )
( ) (1 ...)
(1 )
B
B B B B
B

= =

o,
2 3
1 1 2 3 1
(1 )(1 ...) (1 ) B B B B B =

o, realizando el producto y agrupando

2 3
1 1 2 1 1 3 2 1 1
1 ( ) ( ) ( ) ... 1 B B B B + =

Igualando los coeficientes de las potencia iguales a ambos lados se obtiene,


Elkin Castao V


64
1 1 1 1 1 1
2 1 1 2 1 1 1 1 1
2
3 2 1 3 2 1 1 1 1 1 1 1 1
1
1 1 1
( )
( ) 0 ( )
( ) 0 [ ( )] ( )
En general, ( ), para 1
j
j
j

+ = =
= = =
= = = =
=


Tambin, un proceso ARMA(1,1) estacionario tiene una representacin de
medias mviles pura
( )
t t
Z B a =

donde
2 3 1
1 2 3
1
(1 )
( ) (1 ...)
(1 )
B
B B B B
B

= + + + =

o,
2 3
1 1 2 3 1
(1 )(1 ...) (1 ) B B B B B + + + =

o, realizando el producto y agrupando

2 3
1 1 2 1 1 3 2 1 1
1 ( ) ( ) ( ) ... 1 B B B B + + =

Igualando los coeficientes de las potencia iguales a ambos lados se obtiene,

1 1 1 1 1 1
2 1 1 2 1 1 1 1 1
2
3 2 1 3 2 1 1 1 1 1 1 1 1
1
1 1 1
( )
( ) 0 ( )
( ) 0 [ ( )] ( )
En general, ( ), para 1
j
j
j

= =
= = =
= = = =
=


ACF de un proceso ARMA(1,1)


Elkin Castao V


65
Premultiplicando la expresin
1 1 1 1 t t t t
Z Z a a

= +

a ambos lados por
t
Z

,

1 1 1 t k t t k t t k t t k t
Z Z Z Z Z a Z a

= +



Tomando valor esperado

1 1 1
( ) ( ) ( ) ( )
t k t t k t t k t t k t
E Z Z E Z Z E Z a E Z a

= +



1 1 1 1
( ) ( )
k k t k t t k t
E Z a E Z a

= +


Si k=0,
0 1 1 1 1
( ) ( )
t t t t
E Z a E Z a

= +

(7)

donde,
2 2 2
1 1 1 1 1 1 1 1 1 1
( ) [( ) ] ( ) ( ) ( ) 0 0
t t t t t t t t t t t a a
E Z a E Z a a a E Z a E a E a a

= + = + = + =


y,


2
1 1 1 1 1 1 1 1 1 1 1 1
2 2 2
1 1 1 1
( ) [( ) ] ( ) ( ) ( )
0 ( )
t t t t t t t t t t t
a a a
E Z a E Z a a a E Z a E a a E a


= + = +
= + =



Reemplazando en (7),


2 2
0 1 1 1 1 1
( )
a a

= +
o,

2 2
0 1 1 1 1 1
( )
a a
= + (8)

Si k=1,

2 2
1 1 0 1 1 1 1 1 0 1 1 0 1
( ) ( ) 0
t t t t a a
E Z a E Z a

= + = + =

(9)

Reemplazando (9) en (8),

2 2 2
0 1 1 0 1 1 1 1
( ) ( )
a a a
= +
de donde,
2
2 1 1 1
0 2
1
1 2
1
a

+
=

Entonces,


Elkin Castao V


66
2
2 2 2 2 1 1 1 1 1 1 1
1 1 0 1 1 1 2 2
1 1
1 2 ( )(1 )
1 1
a a a a



+
= = =



Si k2,
1 1 1 1 1 1 1
( ) ( ) 0 0
k k t k t t k t k
E Z a E Z a

= + = +


o,
1 1 k k


= , k2

Autocorrelaciones
De lo anterior,
1 1 1 1
2
1 1 1
1 1
1 0
( )(1 )
1
(1 2 )
2
k
k
si k
si k
si k

= =

La ACF de un proceso ARMA(1,1) combina las caractersticas tanto de
proceso AR(1) como de un proceso MA(1). El parmetro de medias mviles
1
entra en el clculo de
1
. Ms all de k=1, la ACF del proceso ARMA(1,1)
sigue el mismo patrn de comportamiento de un proceso AR(1).

Autocorrelaciones parciales
La forma general de la PACF de un modelo mixto es complicada y no se
necesita derivar. Basta con observar que debido a que el proceso ARMA(1,1)
contiene el proceso MA(1) como caso especial, entonces la PACF del proceso
ARMA(1,1) decae exponencialmente como la ACF, y su forma depende de
los signos y magnitudes de los parmetros
1
y
1
.

Ejemplos de ACF y PACF de un proceso ARMA(1,1)

ARMA(1,1) con
1 1
0.4 0.8 y = =

Elkin Castao V


67
0 5 10 15 20
0
.
0
0
.
4
0
.
8
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
4
0
.
2
0
.
8
True PACF
Lag
T
r
u
e

P
A
C
F



ARMA(1,1) con
1 1
0.4 0.8 y = =
0 5 10 15 20
-
0
.
2
0
.
4
1
.
0
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
4
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F



Elkin Castao V


68
ARMA(1,1) con
1 1
0.4 0.8 y = =
0 5 10 15 20
0
.
0
0
.
4
0
.
8
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
2
0
.
4
1
.
0
True PACF
Lag
T
r
u
e

P
A
C
F

ARMA(1,1) con
1 1
0.4 0.8 y = =
0 5 10 15 20
-
0
.
5
0
.
5
True ACF
Lag
T
r
u
e

A
C
F
5 10 15 20
-
0
.
5
0
.
5
True PACF
Lag
T
r
u
e

P
A
C
F



Elkin Castao V


69
Ejemplo: Simulacin del proceso ARMA(1,1) con
1
=0.65,
1
=0.24, 0
0
= y
) 1 , 0 ( ~ N a
t
.
Estacionaridad: Anlisis de las races de B B 65 . 0 1 ) ( = =0. Es estacionario
puesto que |
1
|=0.65<1.
Invertibilidad: Anlisis de las races de B B 24 . 0 1 ) ( = =0. Es invertible puesto
que |
1
|=0.24<1.

Obtencin de la ACF y PACF muestrales:

AUTOCORRELATIONS

1- 12 .40 .22 .16 .03 .02 -.05 -.07 -.08 -.09 -.12 -.12 -.10
ST.E. .04 .05 .05 .05 .05 .05 .05 .05 .05 .05 .06 .06
Q 79.0 103 116 116 116 118 120 123 128 135 143 148

13- 24 -.01 .01 .00 -.01 .02 -.02 .03 -.04 -.02 .01 -.08 -.07
ST.E. .06 .06 .06 .06 .06 .06 .06 .06 .06 .06 .06 .06
Q 148 148 148 148 148 149 149 150 150 150 154 156


-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 0.40 + IX+XXXXXXXX
2 0.22 + IXX+XX
3 0.16 + IXX+X
4 0.03 + IX +
5 0.02 + I +
6 -0.05 + XI +
7 -0.07 +XXI +
8 -0.08 +XXI +
9 -0.09 +XXI +
10 -0.12 XXXI +
11 -0.12 XXXI +
12 -0.10 +XXI +
13 -0.01 + I +
14 0.01 + I +
15 0.00 + I +
16 -0.01 + I +
17 0.02 + IX +
18 -0.02 + XI +
19 0.03 + IX +
20 -0.04 + XI +


PARTIAL AUTOCORRELATIONS

1- 12 .40 .07 .06 -.08 .02 -.08 -.02 -.04 -.03 -.07 -.04 -.02
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

13- 24 .07 .01 -.01 -.04 .03 -.06 .06 -.09 .02 -.01 -.08 -.04
ST.E. .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04 .04

Elkin Castao V


70
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
+----+----+----+----+----+----+----+----+----+----+
I
1 0.40 + IX+XXXXXXXX
2 0.07 + IX+XXXX
3 0.06 + IX+X
4 -0.08 XXI +
5 0.02 + I +
6 -0.08 XXI +
7 -0.02 +XI +
8 -0.04 +XI +
9 -0.03 +XI +
10 -0.07 XXI +
11 -0.04 +XI +
12 -0.02 +XI +
13 0.07 + IXX
14 0.01 + I +
15 -0.01 + I +
16 -0.04 +XI +
17 0.03 + IX+
18 -0.06 +XI +
19 0.06 + IXX
20 -0.09 XXI +


Observacin.

El modelo ARMA(p,q) estacionario puede escribir como:
i) ( ) ( )
t t
B Z B a =

( )( ) ( )
t t
B Z B a =

( ) ( ) ( )
t t
B Z B B a =

( ) (1) ( )
t t
B Z B a =

1 2
( ) (1 ... ) ( )
t p t
B Z B a = +


0
( ) ( )
t t
B Z B a = +
donde
0 1 2
(1 ... )
p
= . Este es el modelo escrito en trminos de
una constante
0
.

ii) ( ) ( )
t t
B Z B a =

( )( ) ( )
t t
B Z B a =


Elkin Castao V


71
( )
( )
t t
B
Z a
B

=

( )
( )
t t
B
Z a
B

= +

donde
0
1 2
(1 ... )
p

=

. Este es el modelo escrito en trminos de la
media de
t
Z .

Instalacin de las libreras de series de tiempo del R
Ejecute los siguientes comandos:

install.packages("ctv")
library("ctv")
install.views("TimeSeries")


3. Modelos para series de tiempo univariadas no estacionarias.
Modelos ARIMA.

En la prctica, muchas series de tiempo que deben ser analizadas no son
estacionarias. Con respecto a un proceso estacionario en covarianza, la no
estacionaridad puede ocurrir en diferentes formas.

No estacionaridad en media: la funcin de media
t
no es constante
No estacionaridad en varianza: la funcin varianza
2
t
no es constante.
No estacionaridad en covarianza: la funcin de covarianza ), , (
2 1
t t no
es invariante con respecto a t.
No estacionaridad en media ni en varianza ni en covarianza.


Elkin Castao V


72
Los resultados de las secciones anteriores no son ciertos para la clase de
procesos no estacionarios, y debemos adaptar algunos de estos procesos de
forma tal que dichos resultados sigan cumplindose.

3.1 No estacionaridad en media.

Suponga que el proceso
t
Z puede ser escrito como
t t t
a Z + = , donde la
funcin de media
t
es llamada tendencia o nivel del proceso. En general
t

depende del tiempo y puede ser una funcin determinstica o una funcin
aleatoria.

Series de tiempo con tendencias Determinsticas:

Tendencias determinsticas polinomiales
En este caso la funcin de medias
t
es una funcin determinstica del
tiempo tal como una tendencia de grado r:

t
=
r
r
t t t + + + + ...
2
2 1 0

y entonces
t
Z =
t
r
r
a t t t + + + + + ...
2
2 1 0


En este caso podemos usar la regresin estndar para describir el
fenmeno. Un caso de uso frecuente es la tendencia determinstica lineal
donde
t
Z =
0 1 t
t a + + .

En este caso
t
Z evoluciona alrededor de una lnea recta ms un choque
aleatorio de ruido blanco. Para r=2, la tendencia determinstica es cuadrtica. A
continuacin se presentan grficos con realizaciones para estos dos ltimos
procesos.


Elkin Castao V


73
Realizacin de
t
Z =
0 1 t
t a + + . Realizacin de
t
Z =
2
0 1 2 t
t t a + + + .


Tendencias determinsticas representadas por curvas seno-coseno
En este caso,

0
cos( )
t t
Z t a = + + +
0
cos( ) ( )
t
t sen t a = + + +

Donde cos( ) = , ( ) sen = y
2 2 1
, y tan ( / )

= + =
es llamada la amplitud, es llamada la frecuencia y es la fase de la
curva.
En general,
0
1
( cos( ) ( ))
m
t j j j j t
j
Z t sen t a
=
= + + +

Estos modelos pueden ser analizados usando el anlisis de regresin
estndar.

Tendencias determinsticas representadas por polinomios y curvas
seno-coseno

En este caso, la tendencia determinsta es una mezcla de los casos
anteriores. Por ejemplo, una tendencia lineal y una curva seno-coseno
define el modelo


Elkin Castao V


74
0 1
cos( ) ( )
t t
Z t t sen t a = + + + +

Los siguientes grficos presentan realizaciones de los dos casos
anteriores.


0
cos( ) ( )
t t
Z t sen t a = + + +
0 1
cos( ) ( )
t t
Z t t sen t a = + + + +


Observacin: En general, en una serie con tendencia determinstica el proceso
de ruido blanco
t
a puede ser reemplazado por un proceso ARMA(p,q)
estacionario e invertible. Estos procesos son denominados procesos
estacionarios en tendencia o procesos TS (Trend Stationary). La forma adecuada
de estacionarizar estos procesos es restar la tendencia determinstica a Z
t
. Por
ejemplo, si el proceso no estacionario es de la forma

t
Z =
0 1 t
t u + + .

donde
( )
( )
t t
B
u a
B

= es un proceso estacionario e invertible, entonces el proceso

t
M =
t
Z -
0 1 t
t u =

es un proceso estacionario e invertible.

Series de tiempo con tendencias estocsticas: Aunque muchas series de
tiempo no son estacionarias, existen algunas de ellas en las cuales sus
diferentes tramos no parecen ser muy diferentes, a excepcin del nivel de la

Elkin Castao V


75
serie. Este tipo de comportamiento ha sido denominado no estacionaridad
homognea y en estas series su comportamiento local es independiente de
su nivel.

Por tanto, si ( ) B es el operador autorregresivo no estacionario que describe
su comportamiento, entonces debe cumplirse que

( )( ) ( )
t t
B Z C B Z + =

para cualquier constante C.
Esto implica que ( ) B debe tener la forma

( ) ( )(1 )
d
B B B =

para algn 0 d > entero positivo, y donde ( ) B es el operador autorregresivo
estacionario.
Si una serie es no estacionaria homognea, no todas las races del
polinomio AR caern fuera del crculo unidad puesto que la parte AR de la
serie puede ser descompuesta como:

d
B B B ) 1 )( ( ) ( =

donde d1.

Las series que exhiben este comportamiento pueden ser convertidas a
estacionarias por medio de la diferenciacin y

d es el menor nmero de veces
que hay que diferenciar la serie para volverla estacionaria. A este clase de
procesos se les llama procesos estacionarios en diferencias o procesos DS
(Difference Stationary).

Considere el proceso no estacionario homogneo dado por

( )(1 ) ( )
d
t t
B B Z B a =


Elkin Castao V


76
Sea (1 )
d
t t
w B Z = . Reemplazando en la ecuacin anterior se obtiene

( ) ( )
t t
B w B a =

Es decir, el proceso
t
w sigue un proceso estacionario e invertible ARMA(p,q).

Ahora bien, el proceso (1 )
d
t t
w B Z = corresponde a la d-sima diferencia del
proceso
t
Z . Por ejemplo, si d=1,
1
(1 )
t t t t
w B Z Z Z

= = es la primera
diferencia de
t
Z . Si d=2,
2
(1 ) (1 )[(1 ) ]
t t t
w B Z B B Z = = corresponde a la
segunda diferencia de
t
Z .

Por tanto, para la clase de procesos no estacionarios homogneos, es
posible encontrar una diferencia de orden d para el cual el proceso
diferenciado sigue un proceso ARMA.

Por ejemplo, considere el modelo AR(1) no estacionario

1 t t t
Z Z a

= +

Observe que
1 t t t
Z Z a

= es estacionaria. En este caso d=1, ( ) 1 B = y

( ) 1 B = .

Observe que
t
Z puede ser escrito como
t t t
a Z + = , donde
t
es la
tendencia o nivel del proceso. Por comparacin,
t
= Z
t-1
, la cual es aleatoria.
En este caso se dice que el proceso posee una tendencia estocstica o
aleatoria.

Notas:
i) La primera diferencia
1
(1 )
t
t t
Z Z B Z

= se acostumbra denotar como

t
Z .


Elkin Castao V


77
ii) Si
t
Z es un proceso no estacionario homogneo, entonces
t
Z tiene d
races unitarias en su polinomio autorregresivo ( ) B y se dice que
t
Z es una
serie integrada de orden d, lo cual se denota como ~ ( )
t
Z I d .

Ejemplo: Grfica de una serie de tiempo no estacionaria homognea


Primera diferencia estacionaria de la serie anterior


Procesos integrados autorregresivos y de medias mviles,
ARIMA(p,d,q):

Considere una serie homognea no estacionaria
t
Z . Se dice que
t
Z sigue un
proceso ARIMA(p,d,q) si la d-sima diferencia de
t
Z sigue un proceso
estacionario ARMA(p,q). En este caso escribimos:


Elkin Castao V


78
t t
d
a B Z B B ) ( ) 1 )( (
0
+ =

donde:

p
p
B B B B = ... 1 ) (
2
2 1
es el operador AR estacionario
q
q
B B B B = ... 1 ) (
2
2 1
, es el operador MA invertible

y no existen factores comunes entre (B) y (B) y } {
t
a es un proceso de
ruido blanco de media cero.

El parmetro
0
juega papeles muy distintos cuando d=0 y cuando d>0.

Cuando d=0, el proceso original es estacionario y
0
est relacionado con
la media del proceso original
0
= (1-
1
-
2
--
p
).
Cuando d>0,
0
es llamado trmino de tendencia determinstica (o
deriva), y es omitido del modelo a menos que realmente sea necesitado.

El modelo de paseo aleatorio

t t
a Z B = ) 1 (
o equivalentemente
t t t
a Z Z + =
1


El valor de
t
Z es igual al valor del perodo (t-1) ms un choque aleatorio.
Este comportamiento es similar al seguido por un ebrio cuya posicin en el
momento t es la posicin del momento (t-1) ms un paso en una direccin
aleatoria.
El paseo aleatorio es el lmite del proceso AR(1)
1
(1 )
t t
B Z a =
cuando 1
1
. Como la ACF del AR(1) es
k
k 1
= , a medida que 1
1
, el
paseo aleatorio puede ser caracterizado por grandes barras en la ACF que
decrecen muy lentamente (en forma aritmtica) y en el PACF aparecer una
gran barra en k=1.


Elkin Castao V


79
El modelo de paseo aleatorio con deriva:

t t
a Z B + =
0
) 1 (
o equivalentemente
t t t
a Z Z + + =
1 0


Con referencia a un perodo de origen k, por sustitucin sucesiva obtenemos.

1 0
2 0 1
( ) 0 1 ( 1)
0
1
0 0
1
1
2
( ) ...
( )
,
t t t
t t t
t t k t t t t k
t
k j
j k
t
k j
j k
t
k j
j k
Z Z a
Z a a
Z t k a a a
Z t k a
Z t k a
t Z a t k

= +
= +
= +
= + +
= + + +
= + + + + +
= + +
= + +
= + + + >

Lo anterior indica que
t
Z posee una tendencia aleatoria,
k
Z
,
y una tendencia
determinstica

lineal, cuya pendiente es =
0
y cuyo intercepto = k
0
.
En la ecuacin anterior tambin se observa que toda innovacin
t
a que
entra en el sistema no desaparece, sino que su efecto persiste
indefinidamente. Esto es caracterstico de todos los procesos ARIMA de los
cuales se dice que poseen memoria persistente.

Ejemplo. Se simularon 100 observaciones de los modelos (1 )
t t
B Z a = y
(1 ) 4
t t
B Z a = + , donde en los dos modelos
t
a ~N(0,1). A continuacin se presentan
los grficos para las realizaciones de los dos procesos.

Paseo Aleatorio sin deriva

Elkin Castao V


80


Paseo Aleatorio con deriva


A continuacin se presenta la ACF y PACF muestral para la realizacin de cada
proceso. Ambas exhiben decrecimiento lento, indicando que el proceso original no es
estacionario. Observe que, puesto que el proceso no es estacionario, estas
funciones no son estimaciones adecuadas de la ACF y PACF.

Paseo Aleatorio sin deriva

Elkin Castao V


81


Paseo Aleatorio con deriva


Para cada proceso su respectiva ACF muestral decae lentamente, indicando no
estacionaridad, y su PACF muestra un gran valor para k=1.

A continuacin se presenta la ACF y PACF muestral de la primera diferencia de cada
proceso. Ambos patrones son idnticos y muestran un comportamiento que
corresponde los correlogramas muestrales de un proceso de ruido blanco.

Paseo Aleatorio sin Deriva Diferenciado

Elkin Castao V


82


Paseo Aleatorio con Deriva Diferenciado


Los resultados se observa que un paseo aleatorio sin deriva y un paseo aleatorio con
deriva no se pueden diferenciar por medio de la ACF y PACF. Sin embargo, los
grficos de las realizaciones de ambos procesos son completamente diferentes y
son tiles para identificar si es necesario incluir una deriva en el proceso.

Si p=0, al modelo ARIMA(0,d,q) tambin se le denomina IMA(d,q).

Si q=0, al modelo ARIMA(p,d,0) tambin se le denomina ARI(p,d).

Los patrones de comportamiento de la ACF y PACF se estudian para los modelos
diferenciados y por lo tanto son idnticos a los vistos anteriormente.

Elkin Castao V


83

3.2 Series no estacionarias en varianza y autocovarianza

La diferenciacin puede ser usada para reducir una serie no estacionaria
homognea a una serie estacionaria. Sin embargo, muchas series de tiempo
no son homogneas. La no estacionaridad de estas series no es debido a
que su funcin de media depende del tiempo, sino porque su funcin de
varianzas y su funcin de covarianzas dependen del tiempo. Para reducir
estas series a estacionaridad, se necesitan transformaciones diferentes a la
diferenciacin.
Varianza y autocovarianza de un proceso ARIMA. Un proceso estacionario
en media no necesariamente es estacionario en varianza y autocovarianza.
Sin embargo, un proceso que no es estacionario en media generalmente no lo
ser en varianza y en autocovarianza.

En un proceso ARIMA se mostr que la funcin de medias es dependiente del
tiempo. A continuacin se ver que el modelo ARIMA tambin es no
estacionario en su funcin de varianza y autocovarianza.

Por ejemplo, considere el proceso IMA(1,1)

(1 ) (1 )
t t
B Z B a =
o,
1 1 t t t t
Z Z a a

= +

Aunque el proceso no es estacionario, las caractersticas completas del
proceso estn determinadas a lo largo del tiempo solamente por los
parmetros y
2
a
(y, en general, parmetros por los
0
, ,
i j
y
2
a
para un
modelo ARIMA general).


Elkin Castao V


84
Esto implica que la evolucin futura del proceso puede ser estudiada usando
el modelo ajustado a un conjunto de datos
1 2
{ , , ..., }
n
Z Z Z .

Considere que el proceso IMA(1,1) anterior se ajusta a una serie de
0
n
observaciones. Con respecto a este perodo de origen
0
n , para
0
t n > , por
sucesivas sustituciones podemos escribir el modelo como

0 0 0
0
1 1
2 1 2 1
2 1 2
3 1 2 3
( ) 1 2 ( 1) ( )
1 2
( )
(1 )
(1 ) (1 )
(1 ) (1 ) ... (1 )
(1 ) (1 ) ... (
t t t t
t t t t t
t t t t
t t t t t
t t n t t t t t n t t n
n t t t
Z Z a a
Z a a a a
Z a a a
Z a a a a
Z a a a a a
Z a a a

= +
= + +
= + +
= + + +
= + + + + +
= + + + + +

0 0
1
0
1 )
| - - - - - - - hay 1 terminos - - - -- |
n n
a a
t n

+




Por tanto, con respecto al perodo de origen
0
n , dado que
0
n
Z y
0
n
a son conocidos

0 0 0
0
1 2 1
1 2 1
2 2 2 2 2
0 0
( ) ( (1 ) (1 ) ... (1 ) )
( (1 ) (1 ) ... (1 ) )
( 1)(1 ) [1 ( 1)(1 ) ]
t n t t t n n
t t t n
a a a
Var Z Var Z a a a a a
Var a a a a
t n t n



+
+
= + + + + +
= + + + +
= + = +


Similarmente, para
0
t k n > ,


Elkin Castao V


85
0 0 0
1 2 1
0
(1 ) (1 ) ... (1 )
| - - - - - - - hay 1 terminos - - - -- |
t k n t k t k t k n n
Z Z a a a a a
t k n

+
= + + + + +



y entonces

0 0 0
0
1 2 1
1 2 1
( ) ( (1 ) (1 ) ... (1 ) )
( (1 ) (1 ) ... (1 ) )
t k n t k t k t k n n
t k t k t k n
Var Z Var Z a a a a a
Var a a a a


+
+
= + + + + +
= + + + +

2 2 2 2 2
0 0
( 1)(1 ) [1 ( 1)(1 ) ]
a a a
t k n t k n = + = +

En forma similar, se puede probar que

2 2
0
( , ) [(1 ) ( 1)(1 ) ]
t t k a
Cov Z Z t k n

= +

y, por tanto

2 2
0
2 2 2 2
0 0
( , )
( , )
( ) ( )
[(1 ) ( 1)(1 ) ]
{[1 ( 1)(1 ) ] }{[1 ( 1)(1 ) ] }
t t k
t t k
t t k
a
a a
Cov Z Z
Corr Z Z
Var Z Var Z
t k n
t k n t n

=
+
=
+ +


De los resultados anteriores se concluye que:

i) La varianza ( )
t
Var Z de un proceso ARIMA depende del tiempo y adems
( ) ( )
t t k
Var Z Var Z

para 0 k .
ii) La ( )
t
Var Z crece sin cota a medida que t .
iii) La autocovarianza ( , )
t t k
Cov Z Z

y la autocorrelacin ( , )
t t k
Corr Z Z

del proceso
dependen del tiempo, y por tanto no son invariantes a con respecto a traslacin en el
tiempo. En otras palabras, no son slo funciones del nmero de perodos k entre los
trminos de la serie, sino que tambin son funciones del perodo de origen t y del
punto inicial de referencia
0
n .

Elkin Castao V


86

iv) Si t es grande con respecto a
0
n , entonces de la expresin para la
autocorrelacin del proceso, ( , ) 1
t t k
Corr Z Z

. Puesto que ( , )
t t k
Corr Z Z

1 , esto
implica que la funcin de autocorrelacin desaparece lentamente a medida que k
crece.

En general, con una sola realizacin es difcil o imposible hacer inferencia
estadstica de un proceso no estacionario, tanto en las funciones de media
como de autocovarianza o autocorrelacin. Afortunadamente, para un
proceso no estacionario homogneo, podemos estimar los parmetros
0
, ,
i j
y
2
a
que controlan la evolucin del proceso no estacionario, usando
una sola realizacin del proceso
t
Z . Esto es posible debido a que la serie
(1 )
d
t t
w B Z = sigue un proceso ARMA estacionario e invertible.

Transformaciones que estabilizan la varianza. No todas las series de
tiempo pueden ser transformadas a estacionaridad por medio de la
diferenciacin. Muchas series de tiempo son estacionarias en media pero no
en varianza. Para estacionarizar una serie que no sea estacionaria en
varianza frecuentemente se emplea una transformacin potencial la cual
puede estabilizar su varianza.

Es muy frecuente que un proceso no estacionario su varianza cambie a
medida que cambia su nivel, es decir,

) ( ) (
t t
cf Z Var =

para alguna constante c y f positivas y f montona. En estos casos es
posible encontrar una transformacin ) (
t
Z T de forma tal que )] ( [
t
Z T Var sea
constante.

Elkin Castao V


87
En efecto, considere la aproximacin de ) (
t
Z T usando series de Taylor
alrededor de
t
,
) )( ( ' ) ( ) (
t t t t t
Z T T Z T +
donde ) ( '
t
T es la primera derivada de ) (
t
Z T evaluada en
t
.

Entonces
) ( )] ( ' [ ) ( )] ( ' [ )] ( [
2 2
t t t t t
cf T Z Var T Z T Var =

Para que la )] ( [
t
Z T Var sea constante, se debe elegir
) (
1
) ( '
t
t
f
T

= , lo que
implica que

=
t
t
t
d
f
T

) (
1
) (
Ejemplos
i) Si Var(Z
t
)=c
2 2
t
, entonces ). ln(
1
) (
2
t t
t
t
d T

= =

En este caso la transformacin ln(Z
t
) estabiliza la varianza del proceso.

ii) Si Var(Z
t
)=c
t
, entonces . 2
1
) (
t t
t
t
d T

= =

En este caso se usa
t
Z .

iii) Si Var(Z
t
)=c
2 4
t
, entonces .
1 1
) (
4
t
t
t
t
d T

= =

En este caso se usa
t
Z
1
.

Cuando la varianza de una serie es una funcin montona de su nivel, es
posible estacionarizar la varianza usando una familia de transformaciones
introducida por Box y Cox (1964), la cual est definida por:


Elkin Castao V


88
0 ) ln(
0
1
) (
) (
= =

= =

si Z
si
Z
Z Z T
t
t
t t


es llamado el parmetro de la transformacin.
se obtiene como el valor que minimiza

S( )=

=

n
i t
t
Z
2 ) ( ) (
) (



donde
) (

es la media muestral de la serie transformada usando .

Puesto que para cada , la suma S( ) est medida en una escala diferente,
el valor de no puede ser directamente seleccionado por la comparacin de
S( ) para diferentes valores de . Para hacerlas comparables debemos
reemplazar Z
t
( )
por

1 ( )
( ) 0
1
ln( ) 0
t
t t
t
Z
T Z Z si
Z
Z Z si

= =

= =

donde
1/
1
n
n
t
t
Z Z
=
| |
=
|
\

, es la media geomtrica de las observaciones

t
Z .

Observaciones sobre la transformacin de Box y Cox :

Slo est definida para series positivas. Sin embargo, si una serie tiene
valores negativos, la transformacin puede ser usada sumando una constante
a la serie de forma tal que se vuelva toda positiva. Esto no altera la estructura
de correlacin de la serie.


Elkin Castao V


89
Si es necesaria una transformacin para estabilizar varianza, debe obtenerse
antes de hacer cualquier otro anlisis tal como diferenciar la serie.

Frecuentemente, la transformacin no solamente estabiliza la varianza, sino
que puede mejorar la aproximacin a la normalidad del proceso.

La transformacin es til para realizaciones con un nmero moderado o
grandes de observaciones.

Ejemplo.
Considere los datos anuales del producto nacional bruto (GNP) de EU de 1889 a
1970, representados en el siguiente grfico.

Producto nacional bruto de EU, 1889-1970


Se observa que a medida que el nivel de la serie crece la variabilidad tiende a
crecer. El grfico de la primera diferencia muestra claramente como la
variabilidad de los cambios va aumentando a medida que pasa el tiempo.

Primera diferencia del Producto nacional bruto de EU, 1889-1970

Elkin Castao V


90


Usando la Transformacin de Box y Cox para en el intervalo [-2, 2] con un
incremento de 0.1, se obtiene la siguiente tabla generada por el proceso de
minimizacin de la suma de cuadrados, donde ECM= S( )/n.

VARIABLE LAMBDA ECM

1 -2.000 .1093E+06
2 -1.900 94221.289
3 -1.800 81575.164

14 -.700 25220.502
15 -.600 23772.451
16 -.500 22621.273
17 -.400 21736.520
18 -.300 21094.795
19 -.200 20678.969
20 -.100 20477.582
21 .000 20484.469
22 .100 20698.543
23 .200 21123.764
24 .300 21769.260
25 .400 22649.650
26 .500 23785.533

37 1.600 68672.359
38 1.700 78627.086
39 1.800 90492.766
40 1.900 .1047E+06
41 2.000 .1216E+06

El grfico de contra ( ) / S n es el siguiente.

Elkin Castao V


91


Los resultados muestran que una transformacin adecuada es

=-0.1. Por
conveniencia se toma

=0, es decir que la transformacin logartmica estabiliza

la varianza de la serie. El siguiente grfico muestra la serie ln( )
t
Z , cuya varianza
es estable.
Logaritmo Natural del Producto nacional bruto de EU