1

Procesos ARMA y Ejercicio 4

Eddy A. Zúñiga
usando el operador de backshift
Abstract— In this document B como:
we will explain about the AR
processes, the MA processes and
the union of the two, which is the
ARMA process. In addition, the
exercise will be carried out 4.

Index Term— AR Processes, Ma

de manera que, moviendo el
Processes, ARMA Processes.
término sumatorio hacia el lado
izquierdo y el uso de la notación
polinómica, tenemos
I. DESARROLLO
1.1 Procesos ARMA.

1.1.1 Proceso AR. Un modelo autorregresivo por lo

tanto se puede ver como la salida
En estadística y procesamiento de un todo- polo de impulso
de señales, un modelo respuesta infinito filtro cuya
autorregresivo (AR) es una entrada es ruido blanco.
representación de un tipo de Algunas limitaciones son
proceso aleatorio, que como tal, necesarias en los valores de los
describe ciertos procesos parámetros de este modelo con
variables en el tiempo ya sea en el fin de que el modelo se
la naturaleza, la economía, etc. mantiene estacionario en sentido
El modelo autorregresivo amplio. Por ejemplo, los
especifica que la variable de procesos en el (1) con el modelo
salida depende linealmente de |φ1| ≥ 1 no son estacionarias.
sus propios valores anteriores. Se
trata de un caso especial del más Más en general, para un modelo
general modelo ARMA de series AR (p) para ser estacionario en
de tiempo. sentido amplio, las raíces del
polinomio debe estar dentro del
La notación AR (p) presenta un círculo unitario, es decir, cada
raíz zi debe satisfacer que el
modelo autorregresivo de orden
valor absoluto de zi sea menor a
p. El modelo AR (P) se define
1.
como:
El proceso
AR simple es
AR (0), que
no tiene
dependencia
entre los
términos.
Sólo el término de error /
innovación / ruido contribuye a
la salida del proceso, por lo que,
en la figura, AR (0) corresponde
donde son los parámetros del al ruido blanco.
modelo, C es una constante, y Et Por un (1) Proceso de AR con un
es Ruido blanco. Esto se puede resultado positivo , Sólo el
escribir de manera equivalente término anterior en el proceso y
el término de ruido contribuyen
 2

a la salida. Si está cerca de 0, El modelo de medias móviles es

entonces el proceso todavía se esencialmente un filtro de
ve como ruido blanco, pero respuesta de impulso
como se aproxima a 1, la salida finitoaplicado a ruido blanco, al
se pone una mayor contribución que se ha añadido una
de la anterior legislatura en interpretación adicional.
relación con el ruido. Esto
El papel de la función de los
resulta en una "suavizado" o
shocks aleatorios en el modelo
integración de la salida, similar a
MA difiere de su función en el
un filtro de paso bajo.
autorregresivo (AR) de dos
Para una (2) Proceso de AR, los maneras:
dos términos anteriores y el
1. Están propagados a
término de ruido contribuyen a
valores futuros de la
la salida. Si tanto y son
serie de tiempo
positivos, la salida se asemejan a
directamente: por
un filtro de paso bajo, con la
ejemplo, εt-1 aparece
parte de alta frecuencia del ruido
directamente en el lado
disminuyó. Si es positivo,
correcto de la ecuación
mientras que es negativo,
para Xt-1.
entonces el proceso favorece a
2. En el modelo MA, un
los cambios en la señal entre los
shock afecta valores X
términos del proceso. La salida
solamente para el
oscila.
período actual y
1.1.2 Proceso MA. qperíodos futuros; en
contraste, en el modelo
En análisis de serie del AR, un shock afecta
tiempo, el modelo de medias valores futuros
móviles (MA) es una infinitamente lejanos,
aproximación común para series porque afecta a Xt, el
de tiempo univariadas. El modelo cual afecta a Xt+1, Xt+2, y
de medias móviles especifíca que así sucesivamente.
la variable de salida depende
linealmente del valor actual y El ajuste del MA es más
varios de los anteriores de un complicado que con el modelo
término estocástico. autorregresivo (AR) porque los
plazos de retardo de error no son
Junto con el modelo observables. Esto significa que
autorregresivo (AR), es un caso se necesitan procedimientos de
especial y componente clave de ajustes iterativos no lineales, en
los modelos de serie de tiempo vez del método de mínimos
más generales ARMA y ARIMA, cuadrados.
los cuales tienen una estructura
estocástica más compleja. La notación MA(q) se refiere a
un modelo de media móvil de
Al modelo de medias móviles orden q.
no se le ha de confundir con la
media móvil, un concepto
distinto, a pesar de sus
semejanzas. donde θ1, ..., θq son los
parámetros del modelo y εt, εt-
Contrariamente a los modelos 1,... son, de nuevo, los términos
autorregresivos, el MA es de error.
siempre estacionario.
Un modelo de medias móviles es
esencialmente un filtro de
respuesta finita al impulso FIR,
 3

con cierta interpretación aleatorias independientes

adicional. idénticamente distribuidas,
tomadas de una muestra con
distribución normal de media
1.1.3 Proceso ARMA. cero:
εt ~ N(0,σ2), donde σ2 es la
En estadística, los modelos varianza.
autorregresivos de media móvil
(en inglés AutoRegressive Estas suposiciones pueden ser
Moving Average models, frágiles y, si no se cumplen,
abreviados ARMA), también pueden cambiar las propiedades
llamados Modelos Box-Jenkins, del modelo. De hecho, un cambio
se aplican a series temporales de en la suposición de
datos. independencia y distribución
idéntica podría dar lugar a una
Dada una serie temporal de datos diferencia considerable.
Xt, el modelo ARMA es una
herramienta para entender y, aún Especificación en términos del
más, para predecir futuros operador retardo (lag operator)
valores de la serie. El modelo
está formado por dos partes, una En algunos textos los modelos se
parte autorregresiva (AR) y otra especifican en términos del
de media móvil (MA). operador retardo L. En estos
términos, el modelo AR(p) viene
El modelo se conoce con el dado por:
nombre de modelo ARMA (p,q),
donde p es el orden de la parte
autorregresiva y q es el orden de
la parte de media móvil.

Dualidad entre AR y MA:

donde φ representa el polinomio
La fas de un MA(1) tiene
estructura similar a la fap de
AR(1), con un sólo un
coeficiente no nulo.

La fap de un MA(1) tiene la

misma estructura que la fas de Un modelo MA(q) viene dado
AR(1), con decrecimiento por:
geométrico.

La notación ARMA(p, q) se
refiere a un modelo con p
términos autorregresivos y q
términos de media móvil. Este donde θ representa el polinomio
modelo combina los modelos AR
e MA:

Por último, el modelo

Nota sobre los términos de error:
combinatorio ARMA viene dado
por
Habitualmente se asume que los
términos de error εt son variables
 4

puede ajustar un modelo

vectorial ARIMA (VARIMA).

Si las series temporales en

o, de forma más concisa,
cuestión muestran una memoria
lejana, entonces es apropiado un
modelo ARIMA fraccional
(FARIMA, a veces denominado
Modelos de ajuste (fitting ARFIMA). De pensar que los
models) datos presentan estacionalidad,
entonces debe usarse un modelo
En general, tras seleccionar p y q, SARIMA.
los modelos ARMA pueden
ajustarse mediante regresión de
mínimos cuadrados para 1.2 Ejercicio 4.
encontrar los valores de los
parámetros que minimizan el 4) Generate a simple sequence of
término de error. Se considera size 20 for an AR (1) process
generalmente una buena práctica (explain it)
encontrar los valores menores de
p y q que proporcionan un ajuste Primero ponemos en Excel
aceptable a los datos. Para un nuestras condiciones iniciales y
modelo puro AR, deben la ecuación que vamos a graficar,
utilizarse las ecuaciones Yule- la cual representará nuestro
Walker para proporcionar un proceso estocástico.
ajuste.

Generalizaciones

La dependencia de Xt de
valores pasados y en los términos
de error εt se asume que es lineal,
salvo que se especifique lo Después, utilizaremos una
contrario. Si la dependencia no es función aleatoria para generar un
lineal, entonces el modelo se ruido el cual está representado
llama específicamente modelo de por W(n) y a partir de ahí
media móvil no lineal (NMA), realizaremos nuestro proceso
modelo autorregresivo no lineal estocástico.
(NAR) o modelo autorregresivo
de media móvil no lineal
(NARMA).

Los modelos autorregresivos de

media móvil pueden
generalizarse con otros métodos.
Véanse también los modelos
ARCH (modelos de
heterocedasticidad condicional
autorregresivos) y los modelos
autorregresivos integrados de
medias móviles ARIMA
(modelos autorregresivos
integrados de medias móviles).
Si tenemos que ajustar múltiples
series temporales, entonces se
 5

[3] Box, George E.P. 1976: and F.M.

Jenkins. Time Series Analysis:
Forecasting and Control, 2nd. ed.
Oakland, CA: Holden-Day.

Por último, graficaremos nuestro

proceso estocástico, representado
por Y(t).

PROCESO AR(1)
3
2
1
0
-1 0 5 10 15 20
-2
-3
-4

II. REFERENCIAS

[1] Mills, Terence C.

(1990) Time Series
Techniques for
Economists. Cambridge University
Press

[2] Box, George E.P. 1976: and F.M.

Jenkins. Time Series Analysis:
Forecasting and Control, 2nd. ed.
Oakland, CA: Holden-Day.