Documentos de Académico
Documentos de Profesional
Documentos de Cultura
D5 SeriesUnivariadas PDF
D5 SeriesUnivariadas PDF
Milena Hoyos
2018-I
1 / 32
Contenido
Procesos estacionarios.
Procesos ARMA(p,q).
2 / 32
Definiciones
3 / 32
Definiciones
4 / 32
Ejemplo de Datos de Series de Tiempo
Fecha yt wt xt dyt
2015-I 3.5
2015-II -1.5 3.5 -5.0
2015-III -0.3 -1.5 3.5 1.2
2015-IV 4.2 -0.3 -1.5 4.5
2016-I 5.6 4.2 -0.3 1.4
2016-II 7.2 5.6 4.2 1.6
2016-III 8.4 7.2 5.6 1.2
2016-IV 10.8 8.4 7.2 2.4
2017-I 10.6 10.8 8.4 -0.2
2017-II 11.2 10.6 10.8 0.6
2017-III 11.5 11.2 10.6 0.3
2017-IV 11.0 11.5 11.2 -0.5
5 / 32
Estacionariedad
6 / 32
Procesos Débilmente Dependientes
7 / 32
Proceso de Ruido Blanco
8 / 32
Proceso Autorregresivo de orden 1, AR(1)
Sustitución repetida da
t−1
X t−1
X
yt = a0 a1i + a1t y0 + a1i εt−i .
i=0 i=0
9 / 32
Proceso Autorregresivo de orden 1, AR(1)
El valor esperado es
a0
µ ≡ E (yt ) = .
1 − a1
La función de autocovarianza es
a1s σε2
γs ≡ E (yt − µ)(yt−s − µ) = , s ≥ 0.
(1 − a12 )
La función de autocorrelación es
γs
ρs ≡ = a1s , s ≥ 1.
γ0
El valor esperado es
a0
µ= .
1 − a1 − · · · − ap
La función de autocovarianza es
γs = a1 γ1 + ... + ap γp + σε2 , s = 0,
γs = a1 γs−1 + ... + ap γs−p , s ≥ 1.
La función de autocorrelación es
ρs = a1 ρs−1 + ... + ap ρs−p , s ≥ 1.
11 / 32
Promedio Móvil de Orden 1, MA(1)
Un proceso estocástico {yt } se llama un proceso MA(1) si
obedece a la ecuación
yt = a0 + εt + β1 εt−1 , εt ∼ RB (0, σε2 ).
El valor esperado es µ = a0 .
La función de autocovarianza es
γ0 = Var (yt ) = (1 + β12 )σε2 ,
γ1 = Cov (yt , yt−1 ) = β1 σε2 ,
γs = Cov (yt , yt−s ) = 0, s ≥ 2.
La función de autocorrelación es
γ1 β1
ρ1 = = ,
γ0 (1 + β12 )
ρs = 0, s ≥ 2.
12 / 32
Promedio Móvil de Orden q, MA(q)
Un proceso estocástico {yt } se llama un proceso MA(q) si
obedece a la ecuación
yt = a0 + εt + β1 εt−1 + ... + βq εt−q , εt ∼ RB (0, σε2 ).
El valor esperado es µ = a0 .
La función de autocovarianza es
γ0 = (1 + β12 + ... + βq2 )σε2 ,
γs = (βs + βs+1 β1 + ... + βq βq−s )σε2 , s ≤ q,
γs = 0, s > q.
La función de autocorrelación es
γs βs + βs+1 β1 + ... + βq βq−s
ρs = = , s≤q
1 + qi=1 βi2
P
γ0
ρs = 0, s > q.
13 / 32
Proceso ARMA(p,q)
Un proceso estocástico {yt } se llama autorregresivo de
promedios móviles ARMA(p,q) si obedece a la ecuación
(1 − a1 L − · · · − ap Lp )yt = a0 + (1 + β1 L + · · · + βq Lq )εt ,
a(L)yt = a0 + β(L)εt ,
donde
a(z ) = 1 − a1 z − · · · − ap z p ,
β(z ) = 1 + β1 z + · · · + βq z q
El valor esperado es
a0
µ= .
1 − a1 − · · · − ap
γk = a1 γk −1 + a2 γk −2 + ... + ap γk −p ,
ρk = a1 ρk −1 + a2 ρk −2 + ... + ap ρk −p ,
16 / 32
FAC y FACP de un proceso AR(1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
17 / 32
FAC y FACP de un proceso AR(2)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
18 / 32
FAC y FACP de un proceso AR(2)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
19 / 32
FAC y FACP de un proceso MA(1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
20 / 32
FAC y FACP de un proceso ARMA(1,1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
21 / 32
FAC y FACP de un proceso ARMA(1,1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
22 / 32
Procesos ARMA Estacionarios
23 / 32
Procesos ARMA Estacionarios
β(L)
yt − µ = εt ,
a(L)
yt − µ = ψ(L)εt ,
P∞
donde ψ(z ) = 1 + ψ1 z + ψ2 z 2 + · · · , con i=1 |ψi | < ∞.
24 / 32
Procesos ARMA Invertibles
26 / 32
Identificación
27 / 32
Identificación
28 / 32
Identificación
29 / 32
Ejemplo de la Identificación
(a) (b)
1.0
4000
0.5
3000
ACF
0.0
y
2000
−0.5
1000
−1.0
0 50 100 150 200 250 300 0 5 10 15
Index Lag
(a) (b)
1000
0.4
0.2
500
0.0
dly
dy
−0.2
−0.4
−500
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Index Index
31 / 32
Ejemplo de la Identificación
(a) (b)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: (a) FAC muestral de la serie ∆log(yt ) y (b) FACP muestral de la serie
∆log(yt ).