Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2. MARCO TEÓRICO
componentes:
plazo.
26
en períodos largos.
1
Véase Time Series Analysis, George P. Box, Gwilyn Jenkins, and Gregory Reinsel
27
F(Yti).
de diverso orden, aunque los más utilizados son los de 1er orden y
2do orden.
define por:
t = E( Yt )
28
(autocovarianzas).
Var( Yt ) = E[( Yt - t )2 ]
Cov( Yt , Ys )
t,s 1 t, s 1
Var( Yt )Var( Ys )
unidades de medida.
29
momentos gaussianos.
Yt ~ N( t , 2t )
un proceso estocástico.
tiene solución.
30
en media si : t E[Yt ] =
t : E[( Yt k )( Yt )] k
31
Cov[ Yt k , Yt ] k
k
k k0
o
se denomina Correlograma.
Figura 2.2.
32
sola realización.
k k 0
lim
consistentes.
aleatorias
E[t ] 0 t (media 0)
2
E[t ] t (var constante)
2
Yt t donde
E[ , ] 0 t1 t2
t1 t 2
33
Yt 1Yt 1 2 Yt 2 ............... p Yt p t
Yt t 1 t 1 2 t 2 ................ q t q
Yt 1 Yt 1 .......... p Yt p t 1 t 1 ........... q t q
Operador de diferencias:
Yt Yt Yt 1
( Yt ) ( Yt Yt 1)
2 Yt ( Yt Yt 1 ) ( Yt 1 Yt 2 )
n Yt f ( Yt , Yt 1,........, Yt n )
34
Operador de retardos: L
retardos:
Yt 1Yt 1 2 Yt 2 ............... p Yt p t
Equivale a:
Operador polinomial
Yt 1Yt 1 0
Yt t
t 1 t 1 0
/ t 1 1 0 ==> = 1
==> Yt ( 1) t
Si t = 0
Y0 ( 1)0
Y0
Yt Y0 ( 1) t
| 1| 1
Puesto que:
retardos:
Yt 1Yt 1 0
[1 1L]Yt 0
1 1L 0
1
L
1
36
| 1| 1
1
| | 1 ==> |L1| 1
1
Yt 1Yt 1 2 Yt 2 0
| 1| 1 y | 2| 1
| u| 1
Si es raíz única:
1 1L 2L2 0
1
L1
1
1
L2
2
En este caso las raíces L1 y L2 deben caer fuera del círculo unidad.
valores pasados.
Modelo AR (1)
Yt 1Yt 1 t
38
2
o
1 12
Para k 0
k 1 k 1
o 1
Para k 0
k 1k
Modelo AR(2)
Yt 1Yt 1 2 Yt 2 t
1 2 1
2 1 1
2 1
o 1 1 2 2 2
Para k 0 k 1 k 1 2 k 2
o 1
1
1
1 2
Para k 1 k 1k 1 2k 2
Modelo AR(p)
Yt 1Yt 1 2 Yt 2 ............. p Yt p t
Si tenemos que:
Yt 1Yt 1 2 Yt 2 ............. p Yt p t
Si k0
o 1 1 2 2 ......... p p 2e
Para k 0
k 1 k 1 2 k 2 ........ pk p
de k p.
Matricialmente
1
1 1 1 2 p-1 1
2 1 1 1 p-2 2
p p-1 p-2 p-3 1 p
blanco.
Modelo MA(1)
Yt t 1 t 1
42
o (1 12 ) 2
1 1 2
Si k 1 k 0
o 1
1
1
1 12
Si k 1 k 0
Modelo MA(2)
Yt t 1 t 1 2 t 2
o (1 12 22 )2
1 ( 1 1 2 ) 2 2 2 2
Si k2 k 0
43
o 1
1 12
1
1 12 22
2
2
1 12 22
Si k > 2 k 0
Modelo MA(q)
Modelo ARMA(1,1)
Yt 1Yt 1 t 1 t 1
ARMA(p,q).
46
Fase de Identificación
en estacionaria.
47
Wt (1 L)d Yt( )
estacionaria Wt.
Fase de Estimación
original Yt.
48
(L)( Wt t ) (L) t
Fase de Validación
Fase de Predicción
modelo.
(W t W )( Wt k W )
t k 1
rk N k = 1,2,3.........
(W W )
t 1
t
2
Observaciones:
de tamaño N = T-d.
FACE).
r
11 1 11
21 1 r1 -1 r1
= 22
22 r1 1 r2
31 1 r1
1
r2 r1
32 r1 1 r2 r2 33
r r2 1 r3
33 1
las ecuaciones:
51
k 1
rk k 1, jrk j
j 1
kk k 1
1 k 1, jrj
j 1
2) Por Regresión
Yt 11Yt 1
Yt 21Yt 1 22 Yt 2
FACPE).
1 B
S 1 BS
SARIMA[(p,d,q)x(P,D,Q)]S
53
( S )D P (BS )
P (B S )
(S )D P (BS )
t
P (BS )
ARIMA(p,d,q):
dp (B ) t q (B ) t
principio.
definir como:
previos j
Ztl
j 0
j t l j
55
ecuación de coeficientes:
Z t l Z
j1
j t l j t l
[s/2]
2jl 2jl
Z t (l) bo [b1( tj ) cos(
(t)
) b(2tj) sin( )]
j1 s s
Ho : i = 0
vs.
H1: i 0
Un buen modelo tiene que lograr reducirla, para así poder ser