Tarea: Series de tiempo

1.- Pruebe que Estrictamente estacionario ⇒ Débilmente estacionaria y

muestre que el regreso no es cierto.

2.- A partir de la definición del operador B encuentre expreciones para

BZt y B 2 Zt si Zt esta definido como:

Zt = β0

Zt = β0 + β1 t

Zt = β0 + β1 Xt + β2 t

Zt = β1 Xt + β2 Yt

donde β0 , β1 y β2 son constantes, mientras que Xt y Yt son dos variables

observadas en el tiempo.

3.- Considere a (Xt ) un proceso puramente aleatorio a tiempo discreto,

donde las variables son mutuamente independientes e idénticamente distri-
buidas con distribución N (0, σx2 ). Deduzca una expresión para γ(τ ) y para
ρ(τ )

4.-Considere a (Zt ) un proceso puramente aleatorio a tiempo discreto,

donde las variables son mutuamente independientes e idénticamente distri-
buidas con distribución N (0, σx2 ). Concidere la caminata aleatoria dada por:

Xt = Xt−1 + Zt

con X0 = 0. Pruebe que este proceso no es estacionario y que el proceso dado

por ∇Xt si lo es.

1
 5.- Para una serie de observaciones x1 , x2 , ..., xn sea γˆh la autocovarianza
muestral definida por:

 1
Pn−h
t=1 (xt − x¯n ) (xt+h − x¯n ) si 0 ≤ h ≤ n − 1
γˆh = n
γ(−h)
ˆ si −n < h ≤ 0
1
Pn
Donde x¯n = n i=1 xi . Pruebe que γˆh es invariante bajo traslaciones de
los datos.

6.- Sean Xt = φXt−1 + εt , un proceso autorregresivo con |φ| < 1 y {εt }t

v.a. independientes con distribución N ormal(0, σε2 ).Asumiendo que el ı́ndice
del tiempo esta dado por los enteros . . . , −2, −1, 0, 1, 2, . . . .
 
σε2
Pruebe que para cada t, Xt ∼ N ormal 0, 1−φ2 .

7.- Considere un proceso Xt con la estructura AR(1). Realize lo siguiente:

Escriba este proceso como uno de medias móviles de orden infinito.

Calcule su esperanza.

Calcule su varianza.

Calcule su función de autocovarianza.

Calcule su función de autocorrelación.

Nota: De no justificar claramente cada paso, la pregunta se considerará como
no contestatada.

8.- Considere un proceso Xt con la estructura AR(p). Calcule su función

de autocovarianza y su función de autocorrelación (De no justificar clara-
mente cada paso, la pregunta se considerara como no contestada).

9.- Considere un proceso Xt con la estructura ARM A(p, q). Calcule su

función de autocovarianza y su función de autocorrelación (De no justificar
claramente cada paso, la pregunta se considerara como no contestada).

Análisis de datos:
1.- Simule un proceso AR(2) de tamaño 500, con parámetros φ1 = .7,
φ2 = .2 y σz2 = .1. La simulación se hace con el siguiente código:

2
set.seed(628)
x=arima.sim(n = 500, list(ar = c(0.7,.2)),
sd = sqrt(.1))

Realice lo siguiente:
Grafique el proceso.
Grafique el Acf y Pacf del proceso. ¿Se puede identificar el modelo?
Estime los parámetros φ1 y φ2 usando la función arima() . ¿Los verda-
deros valores caen en la banda de un 80 % de confianza?(muestre las
bandas de confianza).
¿El modelo cumple los supuestos vistos en clase?. Enliste los supuestos
y exhiba si se cumple cada uno de ellos.
2.- Simule un proceso ARMA(3,2) de tamaño 500 y parámetros φ1 =
.2,φ2 = .13, φ3 = .17, θ1 = .3, θ2 = .78 y σz2 = 1. La simulación se hace con
el siguiente código:
set.seed(628)
x=arima.sim(n = 500, list(ar = c(0.2,.13,.17),
ma = c(.3,0.78)), sd = sqrt(1))

Realice lo siguiente:
Grafique el proceso.
Grafique el Acf y Pacf del proceso. ¿Se puede identificar el modelo?
Estime los parámetros usando la función arima(). ¿Los verdaderos va-
lores caen en la banda de un 85 % de confianza?(muestre las bandas de
confianza).
¿El modelo cumple los supuestos vistos en clase?. Enliste los supuestos
y exhiba si se cumple cada uno de ellos.
3.- Ajusta un modelo de series de tiempo a los datos enviados por correo
y realice lo siguiente:
Muestre como llego al modelo propuesto.
Verifique que se cumplen todos los supuestos implicados en el modelo.
Realize la predicción de los siguientes 3 valores del proceso y calcule
sus bandas de confianza al 90 %. Grafique la serie (color negro) con las
predicciones (color azul) y bandas de confianza (color rojo).
¿Son consistentes los valores de la predicción?. Diga si le parece adecua-
do el modelo (El mejor modelo de series de tiempo que pudo ajustar).