Documentos de Académico
Documentos de Profesional
Documentos de Cultura
T6-Conceptos Básicos - 21
T6-Conceptos Básicos - 21
Conceptos básicos
Ejemplo de Serie de tiempo.
Serie de Tiempo:
Leguas diarias recorridas por la carabela de Cristóbal Colón en su
viaje de 34 días desde la Isla de la Gomera (Canarias) hasta la isla
de San Salvador en las Antillas (América) en 1492.
Unidades:
Leguas marinas, una legua equivale a 5.9 km
aproximadamente.
Periodo:
Datos diarios desde el 8 de Septiembre al 11 de Octubre de
1492.
Fuente:
Diario del Almirante. Universidad Nacional de Cuyo
1 9 45 60 40 33 33 20
2 27 39 50 55 25 8 13
3 30 22 12 4 31 24 14
4 24 14 25 39 47 63 57
5 40 28 12 31 59 49
Ejemplo de Serie de tiempo.
Leguas diarias recorridas por Colón entre Isla de la
Gomera y San Salvador. (8-09-1492 a 11-10-1492 )
Leguas diarias recorridas por Colón
70
60
50
Leguas
40
30
20
10
0
0 5 10 Universidad
15 Nacional20
de Cuyo 25 30 35
t=día
Ejemplo de Serie de tiempo.
Leguas diarias recorridas por Colón entre Isla de la
Gomera y San Salvador. (8-09-1492 a 11-10-1492 )
Leguas diarias recorridas por Colón.
70
60
50
Leguas
40
30
20
10
0
0 5 10 Universidad
15 Nacional20
de Cuyo 25 30 35
t=día
Ejemplo de Serie de tiempo.
Serie de Tiempo:
Periodo:
Datos mensuales desde marzo del 2001 a abril de 2021.
sep-11
ICC Nacional
mar-12
sep-12
mar-13
mar-17
sep-17
mar-18
sep-18
mar-19
sep-19
mar-20
sep-20
El Índice de Confianza del Consumidor (ICC) mensual de
mar-21
Ejemplo de Serie de tiempo.
Serie de Tiempo:
Casos nuevos diarios informados de covid-19 en la
Provincia de Mendoza.
Periodo:
Datos diarios desde el 1 de agosto del 2020 al 8 de mayo de
2021.
diarios 35
37
169
281
124
361
150
413
267
544
212
653
245
483
140
413
36
38
172
623
264
516
276 252
798 731
342
695
290
718
316
704
informados de 39
41
650
649
629
668
682
691
566
799
578
759
673
517
590
377
40
42
599
384
426
680
528 656
771 697
768
858
656
573
558
571
covid-19 en 2020
43
45
364
652
653
771
925
675
1056
813
897
704
659
509
513
207
44
46
744
513
968
515
1155 936
518 628
830
626
653
354
561
140
Mendoza. 47 326 520 474 380 425 294 94 48 429 396 339 243 317 226 152
Desde el 1 de 49
51
113
32
198
32
264
108
202
163
202
124
180
111
47
120
50
52
151
108
263
160
214 242
148 103
162
95
100
82
41
21
agosto del 53
2
76
69
138
155
183
157
66
178
67
180
53
145
51
76
1
3
77
105
161
196
169 86
150 162
86
135
65
135
77
47
2020 al 8 de 4 71 148 198 172 182 101 63 5 55 112 149 101 118 78 45
mayo de 6
8
82
21
146
46
158
134
190
164
180
139
121
127
38
39
7
9
118
78
194
131
187 148
165 220
144
137
101
121
43
51
2021. 2021 10
12
98
125
146
165
207
149
199
218
161
213
124
140
56
73
11
13
128
123
204
252
248 248
169 187
118
336
135
208
60
116
14 373 271 521 488 235 271 356 15 597 785 1005 1046 1056 759 451
16 639 953 966 1050 1150 763 566 17 769 1155 905 1036 1106 730 452
Fuente: OPS/OMS (paho.org) 18 715 998 794 879 820 484 328 19 609 1030 973 1690 720
1600
1400
1200
1000
800
600
400
200
0
27/7/20 11/8/20 26/8/20 10/9/20 25/9/20 10/10/2025/10/20 9/11/20 24/11/20 9/12/20 24/12/20 8/1/21 23/1/21 7/2/21 22/2/21 9/3/21 24/3/21 8/4/21 23/4/21 8/5/21
250
200 Paris
Francfort
150 Milán
100 Londres
Nueva York
50 Tokio
Universidad Nacional de Cuyo
0 Madrid
t = mes
Introducción
Un proceso Estocástico es un conjunto de variables
aleatorias {Zt:t C}, donde C es un cierto conjunto de
índices.
v +
dada por
y calcular
t
t tk
t tk
E Z t E As , y k cov As , Ar cov As , Ar .
s 1 s 1 r 1 s 1 r 1
Función de medias del proceso
“camino al azar”
t t
E Z t E As 0 0
s 1 s 1
s 1
Función de autocovarianzas del
proceso “camino al azar”
Por lo tanto, la función de autocovarianzas del
proceso “camino al azar” está dada por
En particular
vt= t 2.
= min(t;s)1/2 / max(t;s)1/2.
Universidad Nacional de Cuyo
Procesos estacionarios
Se vió que para caracterizar completamente a un
proceso estocástico {Zt:t }, se necesita
conocer todas las distribuciones conjuntas finito
dimensionales.
FZ t1 ,,Z tn FZ t1 h ,,Z tn h
Universidad Nacional de Cuyo
Estacionariedad.
Invarianza de las distribuciones cuando se producen
movimientos rígidos en el tiempo.
Ejemplo gráfico de cuatro tiempos t,r,s y u que se
mueven en forma rígida k unidades temporales.
i j t t
a a i
0,
j
n N a' a1 , a 2 , , a n n
i 1 j 1
t' t1 , t 2 , , t n n .
Ejemplo de un
correlograma teórico de
un proceso estacionario
Proceso de Ruido Blanco
Definición:
Correlograma del
proceso de Ruido Blanco
Estimación de los momentos de
procesos estacionarios univariados
Sea un proceso estacionario {Zt : t } con media E[Zt]= ,
autocovarianza cov[Zt , Zt-k ] = k y autocorrelación
corr[Zt , Zt-k ] = k y sean z1 ,…, zT los valores observados de
respectivamente las variables Z1 ,…, ZT.
Estimador de la media
Un estimador insesgado de la media es la media
muestral
, pues EZ T E Z .
1 T 1 T
ZT
T
Z
j 1
j
T
j 1
j
que
lim ECM (QT ) lim E QT 0.
2
T T
ECM Z T E Z T 2 var Z T , .
Estimación de los momentos de
procesos estacionarios
Propiedad:
Para un proceso estacionario con función de
autocorrelación , la media muestral es un
estimador consistente en Error Cuadrático
Medio de si se verifica que lim 0. k
k
Interpretación: Esta propiedad afirma que cuando variables
del proceso alejadas entre sí son poco correlacionadas, ellas
aportan nueva información sobre la media poblacional
Entonces, cuando el tamaño muestral tiende a la varianza
de la media muestral tiende a 0 y, por lo tanto, la media
muestral se concentra cada vez mas alrededor de .
Estimación de los momentos de
procesos estacionarios
T
T- 1
T- 2
.
T- (T-3)=3
T- (T-2)=2
T- (T-1)=1
varZ T 2
1 T T
T
i 1 j 1
i j
Estimación de los momentos de
procesos estacionarios
T
T- 1
T- 2
.
T- (T-3)=3
T- (T-2)=2
T- (T-1)=1
T 1
0 T 1
k
varZ T 2
1 1
T k k 1 k
T T
T
i 1 j 1
i j 2
T
k T 1 T k T 1 T
Estimación de los momentos de
procesos estacionarios
Sea un proceso estacionario {Zt : t } con media E[Zt]= ,
autocovarianza cov[Zt , Zt-k ] = k y autocorrelación
corr[Zt , Zt-k ] = k y sea {z1 ,…, zT} los valores observados de
las variables {Z1 ,…, ZT}.
Estimador de la autocovarianza k
Un estimador natural de la autocovarianza k= k , para k
natural con 0<k<T, es
T k
~k
1
Z Z
j T j k T k
Z Z ~ .
T k j 1
Sin embargo veremos que un mejor estimador es
1 T k
ˆk Z j ZT Z j k ZT ˆ k .
T j 1
Estimación de los momentos de
procesos estacionarios
Estimador de la autocovarianza k
Se demuestra que
T k T k
Z Z T Z j k Z T Z j Z j k T k Z T .
2
j
j 1 j 1
En consecuencia para T grande
.E Z T
E ˆk
T k
E Z j Z j k
T k 2
T T
T k
. k varZ T .
T
Estimación de los momentos de
procesos estacionarios
Estimador de la autocovarianza k
T k T k
Z Z T Z j k Z T Z j Z j k T k Z T .
2
j
j 1 j 1
Análogamente se tiene
E ~k k varZ T .
Estimación de los momentos de
procesos estacionarios
Estimador de la autocovarianza k
E k k varZ T .
~
E ˆk
T k
. k varZ T .
T
Estas relaciones muestran que ninguno de los dos
estimadores de k = -k es insesgado.
Sin embargo, si el proceso es ergódico para la media
(si lim k 0 ) , entonces ambos estimadores serán
k
asintóticamente insesgados.
Estimación de los momentos de
procesos estacionarios
Entre estos dos estimadores se prefiere a
ˆk ˆ k
1 T k
Z j ZT Z j k ZT ,
T j 1
γˆ 0 γˆ 1 γˆ k -1
γˆ γˆ 0 γˆ k -2
ˆ k
1
γˆ k -1 γˆ k -2 γˆ 0
Estimación de los momentos de
procesos estacionarios
Sea un proceso estacionario {Zt : t } con media E[Zt]= ,
autocovarianza cov[Zt , Zt-k ] = k y autocorrelación corr[Zt ,
Zt-k ] = k y sea {z1 ,…, zT} los valores observados de las
variables {Z1 ,…, ZT}.
Estimador de la autocorrelación k = k / 0
Un estimador natural de la autocorrelación k es
T k
ˆk
Z
j 1
j Z T Z j k Z T
ˆ k ˆ k para k con 0 k T .
ˆ0
Z j ZT
T
2
j 1
Estimación de los momentos de
procesos estacionarios
La función de autocorrelación muestral se
define como
T k
ˆk
Z j Z T Z j k Z T
ˆ : dada por ˆ k ˆ k
j 1
I AT k ,
0
Z ZT
ˆ T
2
j
j 1
1 si k AT
donde AT - T 1, ,0, , T 1 y donde I AT k .
0 si k AT
y varianza
1
varˆ k 2
j j k j k 4 k j j k 2 k2 2j ,
T j
Estimación de los momentos de
procesos estacionarios
Varianza de la autocorrelación muestral
Si la serie es tal que k= 0 para k > q entonces la varianza
se reduce a
ˆ
1
T
2 2
var k 1 2 1 2 q para k q .
1,96 1,96 2 2
ˆ k - , ˆ k ˆ k - , ˆ k ,
T T T T
2 2
ˆ k ,
T T
H0 : k 0
Criterio de las dos desviaciones
estándares.
Nota:
Es habitual graficar en el correlograma muestral las bandas
de aproximadamente el 95% de confianza
de un proceso de Ruido Blanco,
2 2
,
T T
De esta manera se observa en forma gráfica qué valores
de k son significativamente distintos de cero.
Ejemplos de Serie de Tiempo.
Datos generados con un proceso de Ruido Blanco (0 ; 1)