Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MODELOS ESTADISTICOS DE SERIES DE TIEMPOmod PDF
MODELOS ESTADISTICOS DE SERIES DE TIEMPOmod PDF
Jorge A. Méndez F
26 de julio de 2016
Definición 1.2 Un modelo de series de tiempo para los datos observados consiste
en una especificación de las distribuciones conjuntas (de dimensión finita) o
posiblemente de sus momentos de segundo orden (media y covarianzas) de una
sucesión de variables aleatorias de la cual se ha especificado que es una
realización.
Quizás el modelo más sencillo para una serie de tiempo es aquel en el cual no hay
componentes de tendencia ni variación estacional y en la que las observaciones son
simplemente variables aleatorias incorrelacionadas con media cero y varianza finita
. Esta serie de tiempo generada de variables aleatorias incorrelacionadas se utiliza
como modelo para el ruido en aplicaciones de ingeniería, donde se le denomina ruido
blanco. Vamos a referirnos a esta sucesión de variables aleatorias en forma
condensada como .
Algunas veces vamos a requerir que el ruido blanco este formado por variables
aleatorias independientes e idénticamente distribuidas (iid) con media cero y
varianza . Vamos distinguir este caso denominandolo ruido blanco independiente o
simplemente, .
(1.1)
La serie de ruido blanco se puede sustituir por un promedio movil que suavice la
serie. Por ejemplo, consideremos sustituir en el Ejemplo 1.22 por un promedio del
valor presente y sus vecinos inmediatos en el pasado y futuro. Sea
(1.2)
Consideremos la serie de ruido blanco del Ejemplo 1.22 como entrada y calculemos
la salida utilizando una ecuación de segundo orden
(1.3)
(1.4)
(1.5) ∑
para ; podemos utilizar inducción, o simplemente sustituir (1.5) en (1.4)
para verificar esta afirmación. La Figura 1.10 muestra 200 observaciones generadas
por el modelo con y .2, con Para comparar también se grafica la recta
.
Una descripción completa de una serie de tiempo observada como una colección de
variables aleatorias en puntos de tiempo , para cualquier entero positivo , se
obtiene a través de la función de distribución conjunta, definida como la probabilidad
de que los valores de la serie son conjuntamente menores que las constantes ,
esto es,
(1.6)
cuando ellas existen, son con frecuencia más informativas para examinar el
comportamiento marginal de una serie de tiempo. Otra medida informativa marginal
es la función media.
(1.7) ∫
siempre que la esperanza exista, donde denota el operador esperanza. Cuando no
exista confusión acerca de la serie de tiempo que nos estamos refiriendo podemos
eliminar el subíndice y escribir como .
(1.8)
∑
La falta de independencia entre dos valores adyacentes y puede especificarse de
forma numérica, al igual que en la estadística clásica, utilizando nociones de
covarianza y correlación. Asumiendo que la varianza de es finita, se tiene la
siguiente definición.
(1.9)
para todo y . Cuando no exista confusión acerca de cual serie de tiempo nos
estamos refiriendo, vamos a escribir ) como .
(1.10)
Cuando se tiene,
Cuando ,
(1.12)
{
El Ejemplo 1.24 muestra claramente que la operación de suavización (el promedio
móvil) resulta en una función de autocovarianzas que decrece a medida que se
incrementa la separación entre los puntos de tiempo y desaparece completamente
cuando los puntos de tiempo estan separados por una distancia de tres o más puntos.
Esta función de autocovarianzas en particular es interesante porque depende
solamente de la separación o rezago de tiempo y de la ubicación de los puntos de
tiempo a lo largo de la serie. Más tarde veremos que esta dependencia sugiere un
modelo matemático para el concepto de estacionariedad débil.
∑ ∑
Definición 1.6 La función de autocorrelación (ACF por sus siglas en inglés) está
definida como
(1.13)
√
Con frecuencia, nos gustaría tener una medida de la predictibilidad de otra serie a
partir de . Asumiendo que ambas series tienen varianza finita, tenemos la siguiente
definición.
(1.14)
Definición 1.8 La función de correlación-cruzada (CCF por sus siglas en inglés) esta
dada por
(1.15)
√
Fácilmente podemos extender las ideas anteriores al caso de más de dos series,
digamos ; esto es, se tiene una serie de tiempo multivariante con
componentes. Por ejemplo, por extensión de (1.11) en este caso es
(1.16)
Definición 1.9 Una serie de tiempo estrictamente estacionaria es aquella para la cual
el comportamiento probabilístico de toda colección de valores es
idéntico al de la serie de tiempo desplazada
Esto es,
(1.17)
(1.18)
para cualesquiera puntos de tiempo y . Esta afirmación implica, por ejemplo, que la
probabilidad de que el valor de la serie de tiempo, muestreada por hora, sea negativo
a la 1 AM será la misma a las 10 AM. Además, la función media, , de la serie de
tiempo existe, (1.18) implica que para todo y , y por tanto, debe ser
constante. Nótese que por ejemplo, un proceso de camino aleatorio con
desplazamiento no es estrictamente estacionario porque su función media cambia en
el tiempo (en realidad es proporcional), ver Ejemplo 1.14 en la página 18.
Cuando podemos escribir (1.18) como
(1.19)
(1.20)
(1.21)
(1.22)
√
El proceso de promedio móvil de tres puntos del Ejemplo 1.9 es estacionario porque a
partir de los Ejemplos 1.13 y 1.17, las funciones media y de autocovarianzas, se tiene
que ,y
(1.23)
(1.24)
(1.25)
Definición 1.14 La función de Correlación Cruzada (CCF por sus siglas en inglés) de
dos series y conjuntamente estacionarias, está definida como
(1.26)
√
⁄
{
⁄
(1.28) ∑ ∑
(1.29) ∑
⁄ ⁄
(1.30)
(1.31) ∑
∑ ∑ ∑
(1.32)
(1.33) ˆ ∑
con ˆ ˆ
ˆ
(1.34) ˆ ˆ
(1.35) ˆ
√
(1.36) ˆ ∑
ˆ
(1.37) ˆ
√ˆ ˆ
(1.38) ˆ
√
Para dar un ejemplo del procedimiento para cálculo numérico de las funciones de
autocovarianza y covarianza-cruzada, considérese la serie de datos generada por el
lanzamiento de una moneda, sea cuando se obtiene cara y cuando se
obtiene sello. Se define como
(1.39)
ˆ ∑
con
de manera que