Ecmtr2 Sesión 18marzo2020-2

Econometría II ~ Grupo 2602 ~ Salón 525 – A ~ 6 ° semestre ~ 8:30 a 10:30 am 1 de 19 Febrero - marzo de 2020
Procesos estocásticos
Mtro. Ángel R. Reynoso Cruz

Econometría 2 – Sesión del 18 de marzo 2020
1. Revisar la presentación hasta la última diapositiva.

2. Leer y analizar los capítulos 21 del Gujarati y 10 del Wooldridge.
3. Ejecutar los ejemplos en R.
4. El próximo lunes 23 de marzo enviaré la siguiente presentación.
5. Enviar dudas y preguntas al buzón sigfesa@gmail.com.
6. Por favor, avisen a sus compañeros (de quienes tienen teléfono,
WhatsApp, correo electrónico, Facebook), reenvíen este documento y
el buzón “oficial”: sigfesa@gmail.com, y pídanles que me envíen
correo para mantener la comunicación.
Proceso estocástico
Colección o familia de variables aleatorias
𝑥𝑡 , 𝑡 ∈ 𝑇
Un proceso estocástico es una colección o familia de variables aleatorias ordenadas según
el subíndice t que, en general, se suele identificar con el tiempo. Por lo tanto, para cada
instante t tendremos una variable aleatoria distinta representada por Xt.
Con todo ello, un proceso estocástico puede interpretarse como una sucesión de variables
aleatorias cuyas características pueden variar a lo largo del tiempo. A los posibles valores
que puede tomar la variable aleatoria se le denominan estados, por lo que se puede tener
un espacio de estados discretos y un espacio de estados continuos. Por otro lado, la
variable tiempo puede ser de tipo continuo o discreto.
Por lo tanto, dependiendo de cómo sea el conjunto de subíndices t y el tipo de variable dado
por Xt, se puede establecer la siguiente clasificación de los procesos estocásticos:
t Discreta t Continua
Proceso de estado discreto y tiempo Proceso de estado discreto y tiempo

discreto (Cadena). continuo (Proceso de saltos puros).
X Discreta
Ej. Unidades de producto producidas Ej. Unidades producidas hasta el
mensualmente instante t
Proceso de estado continuo y tiempo Proceso de estado continuo y tiempo

discreto continuo (Proceso continuo)
X Continua
Ej. Toneladas de producción diaria Ej. Velocidad de un vehículo en el
de un producto instante t.
Proceso estocástico
Colección o familia de variables aleatorias

𝑥𝑡 , 𝑡 ∈ 𝑇
Proceso estocástico – Ejemplos en R

1. Variable discreta en tiempo discreto
Supongamos que en un proceso de manufactura la proporción de defectuosos es 0.15. Simular el número
de defectuosos por hora en un periodo de 24 horas si se supone que se fabrican 25 unidades cada hora.
Defectuosos<-rbinom(24,25,0.15)
Defectuosos
## [1] 7 2 0 6 1 4 3 1 3 5 4 5 3 5 8 2 4 2 2 2 3 2 1 7
plot(Defectuosos, main="Número de defectuosos por hora", col="blue", xlab="Horas",type="o")
2. Variable discreta en tiempo continuo
Supongamos que el número de accidentes que ocurren en una carretera al año tiene una distribución de
Poisson de media 3.7. Simula el número anual de accidentes que se producirán en un periodo de 20 años.
Accidentes<-rpois(20,3.7)
Accidentes
## [1] 3 6 4 1 4 4 4 2 3 9 4 4 4 5 2 4 6 1 6 3
plot(Accidentes, main="Número de accidentes anuales", col="blue", xlab="Años", type="o")
Procesos de Markov
• La historia pasada del proceso se puede resumir en la

posición actual, se cumple la propiedad siguiente:
• El estado del proceso en el tiempo futuro n+1 solo depende del

tiempo presente n, pero no del pasado.
• Cadena del jugador; poo=1 pNN=1.
Caminata aleatoria
• Donde ξ es i.i.d.
• Jugador A tiene k pesos, jugador B tiene N-k pesos
• La probabilidad de ganar de A es p y la de perder 1-p
• Es una caminata aleatoria sobre el conjunto (0, 1, 2, …N)
Caminata aleatoria – Ejemplo en R

## Ejemplo de ruido blanco caminata aleatoria con y sin deriva
### Ejecutar línea por línea
#White noise ~ ruido blanco
set.seed(12)
w=rnorm(100,0,1)
#Random walk without drift ~ caminata aleatoria sin deriva

x=cumsum(w) #cummulative sum
#Random walk with drift 0.5 ~ caminata aleatoria con deriva

wd=w+0.5
xd=cumsum(wd)
plot.ts(xd,main="random Walk",col="red",ylim=c(-10,60))
lines(x)
lines(.5*(1:200), lty="dashed")
Martingala
• Sea Xn el capital del jugador en el tiempo n, la fortuna promedio

del jugador en el tiempo futuro n+1 dado que conoce la historia
del juego hasta el tiempo n, es el capital que tiene en n; es un
juego justo en promedio no pierde ni gana.
• Es una caminata aleatoria simétrica.
Procesos estacionarios
• Son constantes en el tiempo
Estacionariedad estricta
• Al desplazarse en el tiempo en todas las variables su

distribución conjunta no varía
Estacionariedad débil
• Es un proceso de covarianza estacionaria

Ruido Blanco
• Sucesión aleatoria estacionaria

Propiedades
• Ruido Blanco:
𝑦𝑡 = 𝜇 + 𝑢𝑡 donde 𝑢𝑡 ~𝑖𝑖𝑑 0, 𝜎 2
𝐸 𝑦𝑡 = 𝜇
𝑣𝑎𝑟 𝑦𝑡 = 𝜎 2
• Su autocovarianza es:
𝐸 𝑦𝑡 − 𝜇 𝑦𝑡−𝑠 − 𝜇 = 𝛾𝑠
• En el rezago s=0:
2
𝐸 𝑦𝑡 − 𝜇 𝑦𝑡−0 − 𝜇 = 𝐸 𝑢𝑡 = 𝜎2
• En el rezago s=1:
𝐸 𝑦𝑡 − 𝜇 𝑦𝑡−1 − 𝜇 = 𝐸 𝑢𝑡 𝑢𝑡−1 = 0
Autocorrelación
𝛾𝑠
𝜏𝑠 = s=0, 1, 2,…
𝛾0
• Sus valores están limitados a caer en un intervalo ±1
• La función de autocorrelación del Ruido Blanco es:
𝛾0 𝜎2 0
𝜏0 = = = 1 ; 𝜏1 = = 0 etc.
𝛾0 𝜎2 𝜎2
Autocovarianzas muestrales
• Autocovarianza:
𝑛
𝛾ො1 = 1/𝑛 ෍ 𝑥𝑡 − 𝑥ҧ (𝑥𝑡+1 − 𝑥)ҧ

𝑡=1
𝑛
𝛾ො2 = 1/𝑛 ෍ 𝑥𝑡 − 𝑥ҧ (𝑥𝑡+2 − 𝑥)ҧ Dividir entre la varianza para

𝑡=1 obtener las
etc.
AUTOCORRELACIONES
𝛾ො𝑠 = 1/𝑛 ෍ 𝑥𝑡 − 𝑥ҧ (𝑥𝑡+𝑠 − 𝑥)ҧ

𝑡=1
Propiedades
• Operador de rezagos: 𝐿 𝑦𝑡 = 𝑦𝑡−1

• Polinomio de rezagos: 1 − 𝜙1 𝐿 −1 = 1 + 𝜙1 𝐿 + 𝜙1 𝐿2 + ⋯ si
𝜙1 < 1
• Caminata aleatoria: 𝑦𝑡 = 𝑦𝑡−1 + 𝑢𝑡
• 𝑦𝑡 − 𝑦𝑡−1 = 𝑢𝑡
• 𝑦𝑡 − 𝐿𝑦𝑡 = 𝑢𝑡
• 𝑦𝑡 (1 − 𝐿) = 𝑢𝑡
• 𝑦𝑡 = (1 − 𝐿)−1 𝑢𝑡
• 𝑦𝑡 = 1 + 𝜙1 𝐿 + 𝜙1 𝐿2 + ⋯ 𝑢𝑡
• 𝑦𝑡 = 𝑢𝑡 + 𝜙1 𝑢𝑡−1 + 𝜙1 𝑢𝑡−2 + ⋯
Pruebas de autocorrelación
• Si yt se distribuye como una normal, el coeficiente de

autocorrelación muestral también se distribuye de
manera aproximada como una normal:
1
• 𝜏Ƹ 𝑠 ~𝑎𝑝𝑟𝑜𝑥. 𝑁(0, 𝑇)
• Esto permite construir un intervalo de confianza para
la hipótesis nula Ho: 𝜏Ƹ 𝑠 = 0
1
• ±1.96 ×
𝑇
• Si el coeficiente estimado de autocorrelación cae fuera
de ese intervalo se rechaza Ho.
Prueba Q
• Es una prueba para la hipótesis conjunta de que las m

autocorrelaciones son nulas simultáneamente, se
conoce como prueba Q de Box y Pierce (1970):
2
• 𝑄 = 𝑇 σ𝑚 𝜏Ƹ
𝑘=1 𝑘
• Donde T=tamaño muestral y m=máxima longitud de
rezagos.
• Variante de Ljung-Box para muestras pequeñas:
𝑚 𝜏ො 𝑘 2
• 𝑄 ∗= 𝑇(𝑇 + 2) σ𝑘=1 𝑇−𝑘
• Ambos se distribuyen como una ji-cuadrada

Ecmtr2 Sesión 18marzo2020-2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ecmtr2 Sesión 18marzo2020-2

Cargado por

Copyright:

Formatos disponibles

Econometría II ~ Grupo 2602 ~ Salón 525 – A ~ 6 ° semestre ~ 8:30 a 10:30 am 1 de 19 Febrero - marzo de 2020

Mtro. Ángel R. Reynoso Cruz

Econometría 2 – Sesión del 18 de marzo 2020

1. Revisar la presentación hasta la última diapositiva.

Proceso de estado discreto y tiempo Proceso de estado discreto y tiempo

Proceso de estado continuo y tiempo Proceso de estado continuo y tiempo

Colección o familia de variables aleatorias

Proceso estocástico – Ejemplos en R

2. Variable discreta en tiempo continuo

• La historia pasada del proceso se puede resumir en la

• El estado del proceso en el tiempo futuro n+1 solo depende del

Caminata aleatoria – Ejemplo en R

#White noise ~ ruido blanco

#Random walk without drift ~ caminata aleatoria sin deriva

#Random walk with drift 0.5 ~ caminata aleatoria con deriva

• Sea Xn el capital del jugador en el tiempo n, la fortuna promedio

• Al desplazarse en el tiempo en todas las variables su

• Es un proceso de covarianza estacionaria

• Sucesión aleatoria estacionaria

• Sus valores están limitados a caer en un intervalo ±1

• La función de autocorrelación del Ruido Blanco es:

𝛾ො1 = 1/𝑛 ෍ 𝑥𝑡 − 𝑥ҧ (𝑥𝑡+1 − 𝑥)ҧ

𝛾ො2 = 1/𝑛 ෍ 𝑥𝑡 − 𝑥ҧ (𝑥𝑡+2 − 𝑥)ҧ Dividir entre la varianza para

𝛾ො𝑠 = 1/𝑛 ෍ 𝑥𝑡 − 𝑥ҧ (𝑥𝑡+𝑠 − 𝑥)ҧ

• Operador de rezagos: 𝐿 𝑦𝑡 = 𝑦𝑡−1

• Si yt se distribuye como una normal, el coeficiente de

• Es una prueba para la hipótesis conjunta de que las m

También podría gustarte