Documentos de Académico
Documentos de Profesional
Documentos de Cultura
0.04
0.00
M4
−0.04
Time
1.0
0.6
Partial ACF
0.6
0.2
ACF
−0.6 −0.2
0.2
−0.2
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Lag Lag
1e−04
M1
−2e−04
Time
0.10
0.8
Partial ACF
0.00
ACF
0.4
0.0
−0.15
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Lag Lag
1e−04
M1
−2e−04
Time
Partial ACF
ACF
0.4
0.0
−1.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Lag Lag
0.20
M5
0.10
0.00
Time
1.0
0.9
Partial ACF
0.6
ACF
0.7
0.2
0.5
−0.2
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Lag Lag
1. γ0 = Var (Zt ) ⇒ γ0 ≥ 0; ρ0 = 1
2. |γk | ≤ γ0 ; |ρk | ≤ 1
3. γk = γ−k ; ρk = ρ−k para todo k, γk y ρk son funciones pares simétricas
alrededor del rezago k = 0. Dada esta simetrı́a solo es necesario calcular
las funciones para k > 0.
4. Las funciones de autocorrelación y autocovarianza son semidefinidas
positivas.
Nota: No toda función arbitraria que cumpla las propiedades de 1 a 3 es
una función de autocovarianza o FAC para el proceso.
a0 Fa ≥ 0
por tanto,
ρj = φk1 ρj −1 + φk2 ρj −2 + · · · + φkk ρj −k .
k =1 ρ1 = φ11 ρ0 ⇒ φ11 = ρ1
1
ρ1
ρ1 ρ2
ρ1 = φ21 ρ0 + φ22 ρ1
k =2 ⇒ φ22 =
ρ2 φ21 ρ1 φ22 ρ0
= + 1
ρ1
ρ1
1
ρ1 ρ1
1
ρ 1 ρ2
1
ρ1 = φ31 ρ0 + φ32 ρ1 + φ33 ρ2 ρ ρ1 ρ3
2
k =3 ρ2 = φ31 ρ1 + φ32 ρ0 + φ33 ρ1 ⇒ φ33 =
ρ1 ρ2
1
ρ3 = φ31 ρ2 + φ32 ρ1 + φ33 ρ0
ρ 1 ρ1
1
ρ ρ1 1
2
ρ1 ρ2 · · · ρk −2 ρ1
1
ρ1 1 ρ1 · · · ρk −3 ρ2
. .. .. .. ..
.
. . . . .
ρ ρ ρ · · · ρ ρ
k −1 k −2 k −3 1 k
φkk =
ρ1 ρ2 · · · ρk −2 ρk −1
1
ρ1 1 ρ1 · · · ρk −3 ρk −2
. .. .. .. ..
.
. . . . .
ρ ρ ρ · · · ρ 1
k −1 k −2 k −3 1
ρ̂11 = ρ̂1
2−1
X
ρ̂2 − ρ̂2−1,j ρ̂2−j
j =1 ρ̂2 −ρ̂11 ρ̂1
ρ̂22 = 2−1 = 1−ρ̂11 ρ̂1
X
1− ρ̂2−1,j ρ̂j
j =1
ρ̂21 = ρ̂11 − ρ̂22 ρ̂11
3−1
X
ρ̂3 − ρ̂3−1,j ρ̂3−j
j =1 ρ̂3 −(ρ̂21 ρ̂2 +ρ̂22 ρ̂1 )
ρ̂33 = 3−1 = 1−(ρ̂21 ρ̂1 +ρ̂22 ρ̂2 )
X
1− ρ̂3−1,j ρ̂j
j =1
ρ̂31 = ρ̂21 − ρ̂33 ρ̂22
ρ̂32 = ρ̂22 − ρ̂33 ρ̂21
4−1
X
ρ̂4 − ρ̂4−1,j ρ̂4−j
j =1 ρ̂4 −(ρ̂31 ρ̂3 +ρ̂32 ρ̂2 +ρ̂33 ρ̂1 )
ρ̂44 = 4−1 = 1−(ρ̂31 ρ̂1 +ρ̂32 ρ̂2 +ρ̂33 ρ̂3 )
X
1− ρ̂4−1,j ρ̂j
j =1
1e−27
M6
−1e−27
−3e−27
Time
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 20 25 30 0 5 10 15 20 25 30
La mayorı́a de las veces solo se tiene una realización, lo que hace imposible
calcular la media del conjunto.
Propiedad por la cual las medias a lo largo del tiempo convergen a los valores
esperados poblacionales.
Los procesos ergódicos son importantes, ya que permiten evaluar la
estacionaridad débil de un proceso a partir de sus momentos muestrales. Los
estimadores ergódicos garantizan que en convergencia en media cuadrática
los estimadores muestrales tienden los valores poblacionales.
Existen diferentes tipos de ergodicidad, según la caracterı́stica poblacional
involucrada.
Los procesos ergódicos son importantes ya que permiten evaluar la
estacionaridad en sentido débil de un proceso a partir de sus momentos
muestrales.
Los estimadores ergódicos garantizan que en convergencia de media
cuadrática los estimadores en muestrales, tienden a los valores poblacionales.
m.s
Se dice que {Xn } converge en media cuadrática1 a X, Xn −→ X , si
lı́m E (Xn − X )2 = 0
n→∞
1
Se utiliza la abreviatura m.s (mean square) o L2
Omar A. Rios S. (Escuela de Estadı́stica) Programa de Estadı́stica Series de Tiempo y Pronóstico 26 / 33
Ergodicidad en Media
El estimador φ
Òkk de la función de autocorrelación parcial φkk es
obtenido reemplazando ρi por ρ
bi .
Para Z ,
E Z = µ, lo cual implica que Z es un estimador insesgado para µ.
n −1
γ X
|k |
Var Z = 0 1− ρk . Ası́, si
n n
k =−(n−1)
n −1
|k |
X
lı́m 1− ρk < ∞,
n→∞ n
k =−(n−1)
entonces Var Z → 0 cuando n → ∞, y Z serı́a un estimador
consistente para µ.