Series de Tiempo

Diplomado en Estadı́stica 2020

Ricardo Olea Ortega

Departamento en Estadı́stica - Facultad de Matemáticas

Pontificia Universidad Católica de Chile

07 de septiembre de 2020
Contenidos

Ejemplos de Series de Tiempo

Objetivo del Análisis de Series de Tiempo

Algunos Modelos Simples de Series de Tiempo

Transformaciones

Modelos Estacionarios y Función de Auto-Correlación

Estimación - Eliminación de Tendencia y Componente Estacional

Test para Ruido Estimado

Ejemplos de Series de Tiempo

Definición
Una Serie de Tiempo es un conjunto de observaciones {Xt } reg-
istrada en un instante especifico t.
Si estas observaciones son registradas durante conjunto discreto de
tiempos T , entonces la Serie de Tiempo se dice del tipo discreta.
Mientras que si se registran continuamente durante un intervalo de
tiempo, entonces la Series de Tiempo es del tipo continua.
Ejemplos de Series de Tiempo
Earthquakes

Earthquakes each Half Day, Chile. (01/07/14 − 30/06/15)

30

25

20

15

10

Jun−14 Jul−14 Aug−14 Sep−14 Oct−14 Nov−14 Dec−14 Jan−15 Feb−15 Mar−15 Apr−15 May−15 Jun−15 Jul−15 Aug−15

Time
Ejemplos de Series de Tiempo
Demanda Electrica

Demanda Eléctrica Edelmag (MWh) 2006 a 2014

30000

25000

20000

15000

10000

5000

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Time
Ejemplos de Series de Tiempo
Ventas

The Australian red wine sales, Jan. '80 ... Jul. '95

4000

3000

2000

1000

1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996

Year
Ejemplos de Series de Tiempo
Transporte Aéreo

Monthly totals (thousands) of international airline passengers, 1949 to 1960

700

600

500

400

300

200

100

1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962

Time
Ejemplos de Series de Tiempo
Contaminación

Ozone concentration, downtown L.A., 1955 − 1972

10

1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974

Time
Ejemplos de Series de Tiempo
Climatologı́a - Anillos de Crecimientos

Tree Ring, Piedra de Águila, Malleco − Chile. (1242 − 1975)

2.0

1.5

1.0

0.5

0.0

1200 1300 1400 1500 1600 1700 1800 1900 2000

Year
Ejemplos de Series de Tiempo
Paleoclimatologı́a - Sedimentos

Log Stalagmite Layer Thickness From Shihua Cave, China, from 665 BC to 1985 AD

−750 −500 −250 0 250 500 750 1000 1250 1500 1750 2000

Year
Ejemplos de Series de Tiempo
Macroeconomı́a

Imacec (2003−2014)

150

100

50

2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

Year
Ejemplos de Series de Tiempo
Macroeconomı́a

Pib Chile (2000−2014)

350

300

250

200

150

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Year
Ejemplos de Series de Tiempo
Economı́a

Stock Publico (MM Piezas) de Billetes CL$1000, Banco Central, 1985−2012

200

150

100

50

1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012

Year
Ejemplos de Series de Tiempo
All-Start Baseball Games, 1933-1995
2

● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
1
0
−1

● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
−2

1940 1950 1960 1970 1980 1990

Ejemplos de Series de Tiempo
Muertes por Accidente, U.S.A. 1973-1978

●
11

●
●
●
●

● ● ●
10

●
●
● ●
●
●
● ●
(Thousands)

●
●
● ●
●
● ● ●
● ● ● ●
●
9

● ● ●
● ●
●
● ● ● ●
● ● ●
●
● ●
● ●
●
● ● ● ●
● ●
● ● ●
8

●
● ● ●
● ● ● ●
● ●

●
●
7

● ●
●

1973 1974 1975 1976 1977 1978 1979

Ejemplos de Series de Tiempo
Señal con Distorsión (Simulación)

La figura siguiente muestra valores simulados de una serie de tiempo

{Xt } dada por
t 
Xt = cos + Nt , t = 1, 2, . . . , 200.
10
Donde {Nt } es una secuencia de variables aleatorias independientes
Normales de media cero y varianza 0.25.
La lı́nea segmentada corresponde a un suavizamiento de los datos
mientras que la lı́nea continua corresponde a la señal sin alteración.
Ejemplos de Series de Tiempo
Señal con Distorsión (Simulación)
2

● ● ● ●
● ●

●
●
●
● ● ● ●
●● ●
● ●
● ● ● ●
● ● ● ●
1

● ● ● ● ●
● ● ● ● ●
● ●
● ● ●
● ●
● ● ● ●
● ● ●
●
● ● ●● ● ● ●
● ● ● ●
● ● ● ● ● ● ●● ●
● ●●● ● ● ● ●●
● ● ●
● ●
● ●
● ● ● ● ●
● ● ●● ● ●
0

● ● ●
●
● ● ● ●
● ● ● ● ●
● ● ● ●
● ● ●
● ● ● ●
●
●
● ●● ● ●
● ●● ●
● ● ●
● ● ●
● ●
● ● ● ● ●
● ●
●
●● ●
● ● ● ●
● ● ●
−1

● ● ●
● ●
● ● ● ● ●
●
●● ● ● ●
● ● ●
● ●
●● ●
●
● ●
●
●
●●

●
−2

5 10 15 20
Ejemplos de Series de Tiempo
Población de U.S.A cada diez años, 1790-1990
250

●
200

●
150

●
(Millions)

●
●

●
100

●
50

●
●
●
●
●
● ●
● ●
0

1800 1850 1900 1950

Ejemplos de Series de Tiempo
Huelgas Anuales en U.S.A, 1951-1980

●
6.0

● ●
●
5.5

● ●
●
●
5.0

● ●

●
●

●
4.5

●
●
●
4.0

●
●
●

● ●
● ●
●
3.5

●
● ●
●

1950 1955 1960 1965 1970 1975 1980

Objetivo del Análisis de Series de Tiempo

Los ejemplos recién vistos son una muy pequeña muestra de la mul-
titud de series de tiempo encontradas en los campos de la ingenierı́a,
la ciencia, la sociologı́a, y la economı́a.
En este curso estudiaremos técnicas para hacer inferencias de dichas
series. Eso si, primero es necesario establecer un modelo de prob-
abilidad hipotético que represente el comportamiento de los datos.
Luego de haber elegido una familia de modelos, es posible calcular
los parámetros y comprobar la bondad de ajuste de este. La idea de
utilizar el el modelo es mejorar nuestra comprensión sobre como se
genera la serie.
El modelo puede ser utilizado simplemente para proporcionar una
descripción del comportamiento de los datos (Tendencia y Compo-
nentes Estacionales), como también para la predicción del futuro o
pasado.
Algunos Modelos Simples de Series de Tiempo

En el análisis de una serie de tiempo un tema importante es la

selección de un adecuado modelo de probabilidad para los datos. Las
futuras observaciones xt corresponde al valor que toma la variable
aleatoria X en un instante t, la cual se denota Xt .
Definición
Un modelo de series de tiempo para los datos observados {xt } es
una especificación de la distribución conjunta de una secuencia de
variables aleatorias {Xt }. Usualmente esta especificación es a un
nivel de las medias y de la estructura de covarianza.
Algunos Modelos Simples de Series de Tiempo

Un modelo probabilı́stico de series de tiempo para una secuencia

de variables aleatorias X1 , X2 ,. . . esta dado por la distribución de
probabilidad conjunta del vector aleatorio (X1 , X2 , . . . , Xn )0 .

P(X1 ≤ x1 , . . . , Xn ≤ xn ), −∞ < x1 , . . . , xn < ∞ n = 1, 2, . . .

Esta especificación en la practica raramente es utilizada, ya que en

general contiene demasiados parámetros a estimar a partir de los
datos disponibles.
Usualmente basta con especificar los primeros dos momentos de la
distribución conjunta, es decir,

E (Xt ) y E (Xt Xt+k ),

para t = 1, 2, . . . y k = 0, 1, . . .
Algunos Modelos Simples de Series de Tiempo

Caso Normal
En el caso particular de que todos los conjuntos tengan distribución
normal multivariada, las propiedades de segundo orden de Xt deter-
minan completamente las propiedades de la distribución conjunta,
por tanto, entregan una completa caracterización probabilı́stica de
la secuencia.
En general al observar el segundo orden de una serie perderemos
información, sin embargo, la teorı́a de minimizar el error cuadrático
medio de una predicción lineal depende sólo de las propiedades de
segundo orden. Esta justificación es suficiente para el uso las carac-
terı́sticas de segundo orden en modelos de series de tiempo.
Algunos Modelos Simples de Series de Tiempo
Modelos de Media Cero

Ruido
Quizás el modelo más simple para una serie temporal es aquella
en la que no hay ninguna tendencia o componente estacional y en
el que las observaciones son variables aleatorias independientes e
idénticamente distribuidas de media cero. Llamaremos a una se-
cuencia X1 ,. . . , Xn con estas caracterı́sticas como un Ruido.
Por independencia la función de distribución acumulada de esta se-
cuencia es de la forma:
n
Y
P(X1 ≤ x1 , . . . , Xn ≤ xn ) = P(Xi ≤ xi )
i=1
Algunos Modelos Simples de Series de Tiempo
Modelos de Media Cero

Ruido
lo que implica que no existe dependencia entre las observaciones, es
decir,

P(Xn+k ≤ xn+k | X1 = x1 , . . . , Xn = xn ) = P(Xn+k ≤ xn+k )

Algunos Modelos Simples de Series de Tiempo
Modelos de Media Cero

Proceso Binario
Un ejemplo de Ruido i.i.d. serı́a una secuencia de variables aleatorias
i.i.d Xt , t = 1, 2, . . . con

P(Xt = 1) = p, P(Xt = −1) = 1 − p,

con 0 < p < 1.

Los datos correspondiente a All-Star Baseball Game podrı́an tener
esa estructura de probabilidad.
Algunos Modelos Simples de Series de Tiempo
Modelos de Media Cero

Paseo Aleatorio
Sean X1 ,. . . , Xt una secuencia de variables aleatorias i.i.d de media
cero (por ejemplo el caso binario) y definamos la siguiente secuencia
de variables aleatorias

St = X1 + X2 + · · · + Xt , para t = 1, 2, . . .,

donde S0 = 0 y St − St−1 = Xt .
Algunos Modelos Simples de Series de Tiempo
Modelos de Media Cero

●●● ●

●●●●●● ●● ●●● ●

●● ●● ●● ● ●●●●● ●●
15

●●●● ●● ● ● ● ●●

● ● ● ● ●●● ●● ●

●● ●● ●● ●●

● ●●●● ●● ●

● ●● ●●●●●
10

●●● ●● ●

●● ● ●●●

●●●● ●

●● ●

● ● ●●

● ● ●●●●●
5

●● ●● ● ●●● ● ●

● ● ● ● ●●● ●● ●●● ●

●●●● ● ●●● ● ●●● ● ● ●

●● ● ●● ● ● ●● ● ●● ● ●●● ●

● ●●● ● ● ● ●●●●●●● ●●●

0

●●● ●●● ● ● ● ● ● ●

●●● ●●●●●

● ● ●

0 50 100 150 200

Algunos Modelos Simples de Series de Tiempo
Modelos de Media Cero
2

●● ●● ●●●● ● ● ● ●●● ● ●● ●●●●●● ●●● ● ●●● ● ●● ● ●● ●●● ● ●●●●● ●●● ●●● ●● ●●● ●●● ● ●●●● ● ●●● ●●●● ● ● ● ●●● ●●●● ● ●●● ●● ● ● ● ●●●● ●● ● ● ● ●●●● ● ●●
1
0
−1

● ●● ●●●●● ●● ●● ●● ●● ●● ●● ●● ● ●●●● ● ●●●● ● ●● ●● ●● ●● ●● ●● ●● ●● ● ● ●● ●● ●● ● ●●● ● ● ●● ● ● ●● ● ● ● ●● ●●● ●●● ● ● ●●●● ● ●●● ●●●

−2

0 50 100 150 200

Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Tendencia
Consideremos la siguiente representación para una serie de tiempo
Xt
Xt = mt + Yt ,
donde mt corresponde a la componente Tendencia e Yt una secuen-
cia de media cero.
Un polinomio de orden k para mt serı́a

mt = β0 + β1 t + · · · + βk t k

Donde los coeficientes β’s se pueden obtener por mı́nimos cuadra-

dos.
Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Population U.S.A.: Xt vs. X̂t = β̂0 + β̂1 t + β̂2 t 2 .

250

●
200

●
150

●
(Millions)

●
●

●
100

●
50

●
●
●
●
●
● ●
● ●
0

1800 1850 1900 1950

Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Lake Huron: Xt vs. X̂t = α̂0 + α̂1 t.

582

●
●

● ●
●
●
581

●
● ● ●

● ●
● ●● ●

●●
580

● ● ● ●
● ● ●
● ●● ● ●
● ●
● ● ● ●
● ●
● ● ● ● ●
●● ●
●
●●
579

●● ● ● ●
●●
● ●
● ●
● ● ● ●
●
● ● ●
● ● ●
● ● ●
578

● ●
● ●
● ● ●
●
●
●
● ●
●
577

●● ●●● ●
●● ●

●
576

1880 1900 1920 1940 1960

Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Lake Huron: Yt = Xt − X̂t .

● ●
●
2

●
●
● ● ●
●
● ● ●
● ●
●
●
●●
1

● ●
● ● ●●
● ● ●
● ● ●
● ●
●
● ● ● ●
● ● ● ●
● ● ● ● ●
●
●
0

● ●
● ● ●
● ● ●
● ● ● ●
●
● ● ●
●● ●●
●● ● ●
●
●
−1

● ●
●
● ● ● ●
● ● ●
●
●
● ●

●
● ●●
●
−2

●
●●

1880 1900 1920 1940 1960

Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Estacionalidad: Regresión Armónica

Consideremos la siguiente representación para una serie de tiempo
Xt
Xt = st + Yt ,
donde st corresponde a la componente Estacional y cumple con que
st = st−d para algún d entero positivo.
Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Estacionalidad: Regresión Armónica

Una representación conveniente para st esta dada por una suma
armónica dada por:
k
X
st = a0 + [aj cos(λj t) + bj sin(λj t)] ,
j=1

donde a0 , a1 , . . . , ak , b1 ,. . . , bk son parámetros desconocidos y

λ1 ,. . . ,λk son las frecuencias ajustadas del tipo 2dkπ .
Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

●
11

●
●
●
●

● ● ●
10

●
●
● ●
●
●
● ●
(Thousands)

●
●
● ●
●
● ● ●
● ● ● ●
●
9

● ● ●
● ●
●
● ● ● ●
● ● ●
●
● ●
● ●
●
● ● ● ●
● ●
● ● ●
8

●
● ● ●
● ● ● ●
● ●

●
●
7

● ●
●

1973 1974 1975 1976 1977 1978 1979

Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Estacionalidad: Regresión con variables auxiliares

Un manera de modelar la componente estacional de una serie de
tiempo es utilizado variables auxiliares de la forma:
d
X
st = αj Dj,t ,
j=1

donde

1, si el periodo t corresponde a estación j, j = 1, . . . , d
Dj,t = ,
0, en otro caso

donde d corresponde el periodo estacional.

Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

Estacionalidad: Regresión con variables auxiliares

Una alternativa a lo anterior es utilizar una variable factor que reem-
plaza la construcción de las variables dummies

st = αj , j = 1, . . . , d
Algunos Modelos Simples de Series de Tiempo
Modelos con Tendencia y Estacionalidad

●
11

●
●
●
●

● ● ●
10

●
●
● ●
●
●
● ●
(Thousands)

●
●
● ●
●
● ● ●
● ● ● ●
●
9

● ● ●
● ●
●
● ● ● ●
● ● ●
●
● ●
● ●
●
● ● ● ●
● ●
● ● ●
8

●
● ● ●
● ● ● ●
● ●

●
●
7

● ●
●

1973 1974 1975 1976 1977 1978 1979

Algunos Modelos Simples de Series de Tiempo
Modelamiento de una Serie de Tiempo (Aproximación General)

Los ejemplos analizados ilustran el enfoque clásico de series de

tiempo. Este análisis servirá de base para gran parte de lo que
haremos en este curso. Una idea general del modelamiento de series
de tiempo serı́a lo siguiente:
I Graficar la serie y examinar sus caracterı́sticas principales, en
particular:
I Tendencia,
I Componentes Estacionales,
I Cambios fuertes en el comportamiento de los datos,
I Observaciones a tı́picas.
Algunos Modelos Simples de Series de Tiempo
Modelamiento de una Serie de Tiempo (Aproximación General)

I Eliminar la tendencia y componentes estacionales para obtener

un residuo estacionario. Puede ser necesario aplicar
previamente una transformación a los datos (ver familias de
transformaciones de Box-Cox).
I Método de Regresión: Modelar la tendencia y componentes
estacionales mediante técnicas de regresión. El residuo se
obtiene como Yt = Xt − X̂t .
I Diferenciación: Para algún d entero positivo, podemos generar
una serie estacionaria como Yt = Xt − Xt−d .
Ambos métodos logran el objetivo de producir una serie
estacionaria.
Algunos Modelos Simples de Series de Tiempo
Modelamiento de una Serie de Tiempo (Aproximación General)

I Escoger un modelo que se adapte al comportamiento del

residuo estacionario.
I La predicción se logra prediciendo primero el residuo
estacionario y luego invertir los procedimientos anteriores para
generar la predicción de la serie original Xt .
Algunos Modelos Simples de Series de Tiempo
Modelamiento de una Serie de Tiempo (Aproximación General)

Lake Huron: Xt − Xt−1 (Diferenciación)

2

● ●

●
●

●
●● ●
● ●
1

● ●
●
● ● ●●
●
●
● ● ● ●
● ●
● ● ●
● ●
● ● ● ●
● ● ● ● ●
●
● ● ● ● ● ● ●●
0

● ● ●
● ● ● ●
● ●
● ● ● ●
● ● ●
●● ●
● ● ● ●
● ●
● ●
● ●● ● ● ●
●
● ●
● ● ●
● ●
−1

● ●
● ●
●
●
●
−2

1880 1900 1920 1940 1960

Time
Transformaciones

En ciertas ocasiones debemos transformar la serie original a través

de una función
Yt = f (Xt )
para fines especı́ficos
Transformaciones
Estabilizar Varianza

Xt
250
200
150
100

1950 1952 1954 1956 1958 1960

Time

f(Xt) = log(Xt)
200.2
200.1
200.0
199.9
199.8

1950 1952 1954 1956 1958 1960

Time
Transformaciones
Obtener Normalidad

Xt
100
80
60
40
20
0

10 20 30 40 50 60 70

f(Xt) = log(Xt)
150
100
50
0

2.5 3.0 3.5 4.0

log(x)
Transformaciones
Familia de transformaciones Box-Cox

Supongamos que la varianza de la serie cambia de acuerdo a la

evolución de su media

Var(Xt ) = Ω(µ)
µ = E (Xt )

Queremos encontrar una nueva variable Yt = f (Xt ) tal que Var(Yt ) =

σ2.
Transformaciones
Familia de transformaciones Box-Cox

Aplicando una expansión de Taylor de primer orden:

f (Xt ) = f (µ) + f 0 (µ)(Xt − µ) + · · ·

Var(Yt ) = Var(f (Xt ))
≈ Var(f (µ) + f 0 (µ)(Xt − µ))
2
= f 0 (µ) Var(Xt )

2
= f 0 (µ) Ω(µ)


Luego tenemos que la ecuación diferencial mediante

σ
f 0 (µ) = p
Ω(µ)
Transformaciones
Familia de transformaciones Box-Cox

Integrando a ambos lados se tiene que

Z
σ
f (µ) = p dµ
Ω(µ)

En general se puede encontrar la mejor función encontrando el mejor

λ que estabilice la variabilidad de la serie
( λ
Xt −1
f (Xt ) = λ , si λ 6= 0
log Xt , si λ = 0
Transformaciones
Familia de transformaciones Box-Cox
Ejemplo: Ventas mensuales de Vino Tinto en Australia, Ene’80 -
Jul’95.
−1615

95%
−1620
−1625
log−Likelihood

−1630
−1635

−0.5 0.0 0.5 1.0

λ
Transformaciones
Familia de transformaciones Box-Cox
Ejemplo: Ventas mensuales de Vino Tinto en Australia, Ene’80 -
Jul’95.

Xt = AustraliaRedWinet Yt = (Xtλ − 1) λ
4000

● ●

120
●
●
● ●
● ● ●
●
3000

● ●
● ●

100
●●● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ●
●●● ● ● ●
● ●
●
● ● ●●● ●● ● ● ●●● ●● ●
● ● ●●
●
●
●
● ● ● ● ●● ●● ●● ●● ● ● ●
●
● ● ● ●● ● ● ●
● ● ● ● ● ●●● ●
●
●
● ● ●● ● ● ●●● ●● ● ● ●● ● ● ●
●
●● ● ● ●● ● ●● ● ● ●

80
2000

● ● ● ● ●●
● ●●
●●
● ●● ●● ● ● ●
●
●● ● ●●
● ● ● ●● ● ●● ●● ●●● ● ●● ●
● ●●● ● ● ● ● ●
● ●● ● ● ● ●
● ●● ● ●● ● ● ●● ● ● ●
● ● ●● ● ● ● ● ● ●●
● ● ● ● ●
●● ● ●● ●● ●●● ●● ●● ● ● ●
● ●
●● ●
● ●● ● ● ●
● ● ●
● ● ● ● ●
● ●● ● ● ● ● ●●● ●● ●
●● ●●● ●●● ● ● ● ● ●

60
● ● ● ● ●● ● ● ● ●
● ● ●
● ●●● ● ● ●● ● ● ● ● ● ●● ● ●
500 1000

● ● ● ●
● ● ●●● ●● ●●● ● ● ● ● ● ●
●●● ● ● ● ● ● ● ● ● ●
● ●● ● ● ● ● ● ●
● ● ● ● ● ●
● ● ● ●
●● ●
●
● ● ●
● ●
● ●

40
1980 1985 1990 1995 1980 1985 1990 1995

Time Time

Histograma Xt Histograma Yt
6e−04

0.030
4e−04

0.020
Density

Density
2e−04

0.010
0e+00

0.000

0 1000 2000 3000 4000 40 60 80 100 120

AustraliaRedWine (AustraliaRedWine^0.5 − 1)/0.5

Modelos Estacionarios y Función de Auto-Correlación
Definiciones

Una Serie de Tiempo la definiremos como estacionaria si sus propiedades

en el tiempo son similares. Si restringimos estas propiedades a los
primeros dos momentos de la serie Xt tenemos las siguientes defini-
ciones.
Definición
Sea Xt una serie de tiempo con E (Xt2 ) < ∞. La media de Xt está
dada por
µX (t) = E (Xt ),
mientras que su función de covarianza se define como

Cov(Xr , Xs ) = γX (r , s) = E [(Xr − µX (r ))(Xs − µX (s))]

para todo entero r , s y t.

Modelos Estacionarios y Función de Auto-Correlación
Definiciones

Definición
Una serie de tiempo {Xt } es estacionaria en el sentido débil (2do
orden) si
I µX (t) es independiente de t.
I γX (t + k, t) es independiente de t para un k dado.
Definición
Una serie de tiempo {Xt } es estrictamente estacionaria si los vec-
tores aleatorios (X1 , . . . , Xn ) y (Xk , . . . , Xn+k ) tienen la misma dis-
tribución para todo entero k y n > 0.
Es fácil ver que si Xt es estrictamente estacionario y E (Xt2 ) < ∞
para todo t, entonces también en débilmente estacionario.
Modelos Estacionarios y Función de Auto-Correlación
Definiciones

Definición
Para una serie estacionaria la función de covarianza cumple con:

γX (0, k) := γX (t, t + k) := γX (k)

Definición
Sea {Xt } una serie de tiempo estacionaria. Su función de auto-
covarianza esta dada por

γX (k) = Cov(Xt , Xt+k )

y se define su función de auto-correlación como

γX (k)
ρX (k) = = Corr(Xt , Xt+k )
γX (0)
Modelos Estacionarios y Función de Auto-Correlación
Ejemplos
Ruido IID
Si {Xt } es un Ruido IID, con E (Xt ) = 0 y E (Xt ) = σ 2 < ∞ para
todo t. Entonces
 2
σ , si k = 0
γX (t, t + k) =
0, si k =6 0

Ruido Blanco
Si {Xt } es una secuencia de variables aleatorias NO correlacionadas
de media cero y varianza σ 2 , es claro entonces que {Xt } es esta-
cionario con función de auto-covarianza como la de un Ruido IID. A
esta secuencia la llamaremos Ruido Blanco y la denotaremos como

{Xt } ∼ RB(0, σ 2 ).

Nota: Un Ruido IID es Ruido Blanco, pero un Ruido Blanco no necesaria-

mente es un Ruido IID.
Modelos Estacionarios y Función de Auto-Correlación
Ejemplos

Paseo Aleatorio
Si {St } es un paseo aleatorio con E (St ) = 0 y Var(St ) = t σ 2 < ∞
para todo t. Su función de auto-covarianza esta dada por:

γS (k) = Cov(St , St+k )

= Cov(St , St + Xt+1 + · · · Xt+k )
= Cov(St , St )
= t σ2

Por lo tanto {St } es una serie NO estacionaria

Modelos Estacionarios y Función de Auto-Correlación
Ejemplos

Proceso de Media Móvil de Primer Orden, MA(1)

Considere una serie definida por la siguiente ecuación

Xt = Zt + θ Zt−1 , t ∈ Z,

donde {Zt } ∼ RB(0, σ 2 ) y θ una constante. Podemos ver que

E (Xt ) = 0
E (Xt2 ) = σ 2 (1 + θ2 )
Modelos Estacionarios y Función de Auto-Correlación
Ejemplos

Proceso de Media Móvil de Primer Orden, MA(1)

Su función de auto-covarianza esta dada por
 2
 σ (1 + θ2 ), si k = 0
γX (k) = σ 2 θ, si |k| = 1
0, si |k| > 1


Mientras que su función de autocorrelación


 1, si k = 0
θ
ρX (k) = 2 , si |k| = 1
 1+θ
0, si |k| > 1
Modelos Estacionarios y Función de Auto-Correlación
Ejemplos

Proceso Autoregresivo de Primer Orden, AR(1)

Considere una serie definida por la siguiente ecuación

Xt = φ Xt−1 + Zt , t ∈ Z,

donde {Zt } ∼ RB(0, σ 2 ) y |φ| < 1 una constante. Podemos ver

que

E (Xt ) = 0
σ2

, si k = 0


 1 − φ2


γX (k) =
φ|k| σ 2


, si k 6= 0



1 − φ2
Modelos Estacionarios y Función de Auto-Correlación
Auto-correlación Muestral

Definición
Sean x1 , . . . , xn observaciones de una serie de tiempo.
I La media muestral de x1 , . . . , xn es:
n
1X
x= xt
n
t=1

I La función de auto-covarianza es:

n−|k|
1 X
γ̂(k) = (xt+|k| − x)(xt − x),
n
t=1

con −n < k < n.

Modelos Estacionarios y Función de Auto-Correlación
Auto-correlación Muestral

Definición
I La función de auto-correlación es:
γ̂(k)
ρ̂(k) = ,
γ̂(0)

con −n < k < n. Su distribución asintótica esta dada por

√ D
n [ρ̂(k) − ρ(k)] → Z ∼ Normal(0, 1)

Luego, un Intervalo de Confianza para ρ(k) esta dado por:

Z1− α2 Z1− α2
 
ρ̂(k) − √ ; ρ̂(k) + √
n n
Modelos Estacionarios y Función de Auto-Correlación
Auto-correlación Muestral

Simulación de 200 valores Ruido IID Normal(0,1)

3

●
2

● ●

● ● ● ●
● ● ●
● ●●
● ● ●
● ● ● ●
● ● ●
● ●
● ● ● ● ● ●
● ● ●
1

● ● ●
● ●
● ● ● ●
● ● ● ● ●
● ● ● ● ● ● ●
● ●● ● ●
● ● ● ● ●
● ● ●● ●
● ● ● ● ● ● ● ● ●
●● ● ●● ●● ● ● ●
●
● ●
● ● ● ● ●
● ● ●
0

● ● ●
● ● ● ● ●
● ● ● ● ● ●
● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ●● ● ● ●
● ● ● ● ●● ●
● ● ● ●● ● ● ●
● ● ● ●
● ● ● ●
● ●
−1

●
● ● ● ●
● ● ● ●
● ●
● ●
● ● ●
● ●● ●
● ● ●
● ● ●
● ● ●●
● ●
−2

●
●
●

●
●

0 50 100 150 200

Time
Modelos Estacionarios y Función de Auto-Correlación
Auto-correlación Muestral

Simulación de 200 valores Ruido IID Normal(0,1)

1.0
0.8
0.6
ACF

0.4
0.2
0.0

0 10 20 30 40

Lag
Modelos Estacionarios y Función de Auto-Correlación
Auto-correlación Muestral
Ventas mensuales de Vino Tinto en Australia, Enero 1980 -
Julio 1995.
1.0
0.8
0.6
ACF

0.4
0.2
0.0

0 10 20 30 40

Lag
Modelos Estacionarios y Función de Auto-Correlación
Auto-correlación Muestral

Lake Huron

Xt = α0 + α1t + Yt
582

●
●
● ● ●
●
● ● ●
●
● ●
● ● ● ●
580

● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ●
● ● ● ●
● ● ●
● ● ● ●
● ● ● ●
578

● ● ● ● ● ●
● ● ●
● ● ● ●
●
● ●
● ● ●
● ● ● ● ● ● ●
● ●
576

●
●

1880 1900 1920 1940 1960

Time

Yt

●
● ● ●
2

● ● ●
● ●
● ● ● ●
● ● ●
● ●
1

● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ●
● ● ● ● ● ●
●
0

● ● ●
● ● ● ● ● ● ● ●
● ● ●
● ● ● ● ● ●
● ● ● ●
● ●
−1

● ● ●
● ● ● ● ● ● ●
● ●
● ●
● ● ● ●
−2

●
● ●
●
●

1880 1900 1920 1940 1960

Time

ACF Yt
1.0
0.6
ACF

0.2
−0.2

0 10 20 30 40

Lag
Estimación - Eliminación de Tendencia y Estacionalidad

Un primer paso en el análisis de Series de Tiempo es graficar los

datos. Si existe alguna aparente discontinuidad de los datos, como
un cambio brusco en la tendencia, puede ser aconsejable analizarla
por segmentos. Si hay observaciones atipicas hay que estudiarlas
para ver la posibilidad de eliminarla (podrı́a haber un error de tipeo).
Una inspección del graficos de la serie podrı́a sugerir utilizar un
decomposición clásica.

Xt = mt + st + Yt ,

donde mt es la evolución de la tendecia, st es una función de perı́odo

d conocido que representa la componente estacional, mientras que
Yt es una componente aleatoria estacionaria.
Estimación - Eliminación de Tendencia y Estacionalidad

●
●

● ●
8.0

●
●
● ●
●
● ●● ● ●●
● ●
● ● ●
● ● ●
● ● ● ●
● ● ● ●●●
● ● ● ● ● ●● ●
● ● ● ● ● ● ●
● ●
● ●● ● ● ● ●● ●
●
● ● ● ●
● ● ●
● ● ● ●
7.5

● ● ● ● ●
● ●
● ●● ● ● ● ●
● ● ●●
●●
●● ● ● ●
● ●● ●● ●●● ● ●● ●
● ● ●
● ●● ● ● ●
●
● ● ● ●
● ●● ● ●
● ● ● ● ● ● ●
● ●
● ●● ● ●
7.0

● ● ●
● ● ● ●
● ●
● ● ● ●●● ● ● ● ●
●● ● ● ● ●
● ●
● ●● ●
● ● ●
● ●
●
●
● ●
6.5

●
●
●

●
●

1980 1985 1990 1995

Estimación - Eliminación de Tendencia y Estacionalidad

Modelo No Estacional con Tendencia

En ausencia de una componente estacional el modelo clásico queda
como
Xt = mt + Yt ,
donde E (Yt ) = 0. En el caso que E (Yt ) 6= 0, podemos reemplazar
mt e Yt por [mt + E (Yt )] y [Yt − E (Yt )] respectivamente.
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método I: Estimación de la Tendencia

(a) Suavizamiento por Media Móvil: Sea q un entero no
negativo y considere el promedio móvil de dos lados
q
1 X
Wt = Xt−j
2q + 1
j=−q

del proceso Xt . Luego, para q + 1 ≤ t ≤ n − q

q q
1 X 1 X
Wt = mt−j + Yt−j
2q + 1 2q + 1
j=−q j=−q
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método I: Estimación de la Tendencia

Suponiendo que mt es aproximadamente lineal en el intervalo
[t − q, t + q] y que la media del error es cercana a cero.
El promedio móvil nos proporciona las estimaciones
q
1 X
m̂t = Xt−j , q + 1 ≤ t ≤ n − q.
2q + 1
j=−q

Para las estimaciones faltantes de repiten el primera y ultimo

dato q veces y se agregan virtualmente a los datos originales.
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

●
6.0

● ●
●
5.5

● ●
●
●
5.0

● ●
(Thousands)

●
●

●
4.5

●
●
●
4.0

●
●
●

● ●
● ●
●
3.5

●
● ●
●

1950 1955 1960 1965 1970 1975 1980

Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

●
500

●
● ●
●
● ●

● ●

●
● ●
●
0

● ●
●
● ● ●
●
●
● ● ●

●
−500

1950 1955 1960 1965 1970 1975 1980

Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método I: Estimación de la Tendencia

Es útil pensar que {m̂t } es un proceso obtenido a partir de la
aplicación de un filtro lineal a {Xt } de la forma
∞
X
m̂t = aj Xt−j ,
j=−∞

con pesos aj = (2 q + 1)−1 para −q ≤ j ≤ q.

Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método I: Estimación de la Tendencia

En particular este filtro es un filtro low-pass en el sentido que
toma los datos {Xt } y remueve rápidamente las fluctuaciones
(o altas frecuencias) de Yt al estimar suavemente la tendencia
m̂t .
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método I: Estimación de la Tendencia

(b) Suavizamiento Exponencial: Para α ∈ [0, 1] fijo un
promedio móvil de un lado esta definido por las recursiones

m̂t = α Xt + (1 − α) m̂t−1 , t = 2, . . . , n

y m̂1 = X1 .
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

●
6.0

● ●
●
5.5

● ●
●
●
5.0

● ●
(Thousands)

●
●

●
4.5

●
●
●
4.0

●
●
●

● ●
● ●
●
3.5

●
● ●
●

1950 1955 1960 1965 1970 1975 1980

Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método I: Estimación de la Tendencia

(c) Ajustar Polinomio: Vimos anteriormente que la tendencia en
una descomposición clásica puede ser estimada mediante el
ajuste de un polinomio a los datos con respecto al tiempo.
Mediante mı́nimos cuadrados se tiene que

m̂t = â0 + â1 t + · · · + âp t p

Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método II: Eliminar Tendencia por Diferenciación

Una alternativa al método I es eliminar la tendencia mediante difer-
enciación. Se define la diferenciación de largo uno al operador ∇
como:
∇ Xt = Xt − Xt−1 = (1 − B) Xt ,
donde B es el operador de rezago, B Xt = Xt−1 .
Potencias de ambos operadores se definen como:

B j Xt = Xt−j , ∇j Xt = ∇ ∇j−1 Xt ,

con ∇0 Xt = Xt .
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método II: Eliminar Tendencia por Diferenciación

Polinomios en B y ∇ se manipulan de las misma forma como las
funciones polinomiales de variables reales. Por ejemplo,

∇2 Xt = ∇ ∇ Xt
= (1 − B) (1 − B) Xt
= (1 − 2 B + B 2 ) Xt
= Xt − 2 Xt−1 + Xt−2
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

Método II: Eliminar Tendencia por Diferenciación

Una tendencia polinomial de orden k puede reducirse a una con-
stante aplicando el operador ∇k . Por ejemplo,
k
X
Xt = mt + Yt = cj t j + Yt ⇒ ∇k Xt = k! ck + ∇k Yt
j=0
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo No Estacional con Tendencia

●
10

●
5

●
●
●
(millons)

● ●
●
● ● ●
0

●
● ●

●
−5

1850 1900 1950

Estimación - Eliminación de Tendencia y Estacionalidad
Modelo Estacional con Tendencia

El modelo clásico es de la forma

Xt = mt + st + Yt , t = 1, . . . , n
d
X
donde E (Yt ) = 0, st+d = st y sj = 0.
j=1
Estimación - Eliminación de Tendencia y Estacionalidad
Modelo Estacional con Tendencia

Para estimar ambas componentes podemos utilizar métodos no paramétrico

como son los suavizamientos o aplicar un modelo de regresión lineal
o no lineal. Una alternativa es aplicar la técnica de la diferenciación.
Test para Ruido Estimado

Auto-correlación Muestral
Para muestras grandes de tamaño n, la autocorrelación muestral de
una secuencia iid Y1 ,. . . ,Yn con varianza finita son aproximadamente
iid con distribución Normal(0, 1/n). Para un nivel de confianza del
95% si ρ̂(k) ∈ ±1.96/n, la hipótesis H0 : ρ(k) = 0 no es rechazada.
Test para Ruido Estimado
Test de Portmanteau
En vez de realizar test para ρ(k) con |k| = 1, 2, . . .. Es posible hacer
un solo estadı́stico
k
X
Q=n ρ̂2 (j) ∼ χ2 (k)
j=1

Se rechaza la hipótesis de independencia con un nivel α si Q >

χ21−α (k), donde χ21−α corresponde al percentil (1 − α)%.
Una estadı́stico alternativo es propuesto por Box-Ljung (1978), donde
k
X
Q = n (n + 2) ρ̂2 (j)/(n − j),
j=1

cuya distribución es aproximadamente χ2 (k) .

Test para Ruido Estimado

p values for Ljung−Box statistic

●
0.8

●
●
●
0.6

●
●
p−value

●
0.4

●
●
●

●
● ●
0.2

●
●
●
● ●
●
●
0.0

5 10 15 20

Lag
Test para Ruido Estimado

Normalidad
Para testear la hipótesis de normalidad se puede hacer mediante:
I Jarque Bera.
I Shapiro-Wilk.
I Kolmogorov-Smirnov.
o graficamente
I Histograma.
I QQ-Norm.
Test para Ruido Estimado
0.4
0.3
Density

0.2
0.1
0.0

−3 −2 −1 0 1 2 3

x
Test para Ruido Estimado

Normal Q−Q Plot

3

● ●
●

● ●
●●
●●●●
●●
●●●●
2

●
●●
●●
●●●●●●●●
●
●●
●●
●●
●●
●●
●
●●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●
●
●●
●●
●
●●
●●
●
●
●●
●
●●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●
●
1

●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●●
●●
●
●
●
Sample Quantiles

●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●
●
●●
●●
●
●●
●●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
0

●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●●
●
●●
●●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
−1

●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●●
●
●●
●
●●
●●
●
●●
●●
●
●●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●
●●
●
●●
●●
−2

●●
●●●
●●●
●●●●●●●
●
●●●●
●●
● ● ●●
● ●
●
●
−3

−3 −2 −1 0 1 2 3

Theoretical Quantiles