DEPARTAMENTO DE ELCTRICA Y ELECTRNICA

CARRERA DE ING. EN ELECTRNICA E INSTRUMENTACIN

PROCESOS ESTOCSTICOS
Unidad III

TEMA: MODELOS AUTORREGRESIVOS

Hrs. de la asignatura
4 Hrs
Catedrtico:
Ing. lvarez

Estudiante:
Emily Tobar

Fecha de entrega: 27 de febrero del 2015

Modelos autorregresivos
En estadstica y procesamiento de seales, un modelo autorregresivo (AR) es una
representacin de un tipo de proceso aleatorio, que como tal, describe ciertos procesos
variables en el tiempo. El modelo autorregresivo especifica que la variable de salida
depende linealmente de sus propios valores anteriores.
Definimos un modelo como autorregresivo si la variable endgena de un perodo t es
explicada por las observaciones de ella misma correspondientes a perodos anteriores
aadindose, como en los modelos estructurales, un trmino de error. En el caso de
procesos estacionarios con distribucin normal, la teora estadstica de los procesos
estocsticos dice que, bajo determinadas condiciones previas, toda Yt puede expresarse
como una combinacin lineal de sus valores pasados (parte sistemtica) ms un trmino
de error (innovacin).
Los modelos autorregresivos se abrevian con la palabra AR tras la que se indica el orden
del modelo: AR(1), AR(2),....etc. El orden del modelo expresa el nmero de observaciones
retasadas de la series temporal analizada que intervienen en la ecuacin. As, por ejemplo,
un modelo AR(1) tendra la siguiente expresin:
Y t = 0 + 1 Y t 1+ at
El trmino de error de los modelos de este tipo se denomina generalmente ruido blanco
cuando cumple las tres hiptesis bsicas tradicionales mencionadas al principio del texto:
- media nula
- varianza constante
- covarianza nula entre errores correspondientes a observaciones diferentes
La expresin genrica de un modelo autorregresivo, no ya de un AR(1) sino de un AR(p)
sera la siguiente:
Y t = 0 + 1 Y t 1+ 2 Y t 2+ + p Y t p +a t
pudindose escribir de forma abreviada como:
p ( L ) Y t = 0 +a t
donde p(L) es lo que se conoce como operador polinomial de retardos:
2

p ( L ) Y t =11 L2 L p L

y donde, a su vez, el trmino L es lo que se conoce como operador retardo tal que, aplicado
al valor de una variable en t, d como resultado el valor de esa misma variable en t-1:

LY t =Y t 1
y aplicado sucesivamente p veces retarda el valor en p perodos
L p Y t =Y t p
Normalmente, se suele trabajar con modelos autorregresivos de rdenes bajos: AR(1) o
AR(2), o bien con rdenes coincidentes con la periodicidad de los datos de la serie
analizada (si es trimestral AR(4), si es mensual AR(12)....).
En la prctica, la informacin disponible para poder estimar los modelos y luego predecir
con ellos son las propias observaciones de la serie. Por ello, vamos a exigir que los modelos
AR sean invertibles. La propiedad de invertibilidad establece que el valor presente de yt
pueda expresarse como una combinacin lineal convergente de observaciones pasadas. En
<1
el caso concreto del modelo AR(1) esto significa que 1
.
En general, en un modelo AR(q), la condicin de invertibilidad viene dada porque las
soluciones de la siguiente ecuacin sean
1+1 x ++ q xq =0
mayores que uno en mdulo. Como caso particular, podemos ver que para el modelo
AR(1), la ecuacin es
1+1 x=0
Por lo que su solucin es:
x=1/ 1

La
ecuacin
diferencia
que
describe
un
filtro
AR
es
y [ n ] + A 1 y [ n1 ] + A2 y [ n2 ] + + A N y [ nN ] =x [n] , lo que da lugar a una funcin de
transferencia
H ( z )=

1
1+ A1 z + A 2 z2+ + A N zN
1

De donde se denotan las siguientes caractersticas:

La funcin de transferencia contiene solo polos.

El filtro es recursivo ya que la salida depende no solo de la entrada actual sino
adems de valores pasados de la salida (Filtros con realimentacin).

El trmino autorregresivo tiene un sentido estadstico en que la salida y[n] tiene una
regresin hacia sus valores pasados.
La respuesta al impulso es normalmente de duracin infinita, de ah su nombre.