T6-Conceptos Básicos - 21

Análisis de series de tiempo
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.
Universidad Nacional de Cuyo

Serie de Tiempo:
Leguas diarias recorridas por la carabela de Cristóbal Colón
en su viaje 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
Los 34 datos están en 7 columnas y en 5 filas.

Leguas diarias recorridas por la carabela de Cristóbal Colón
Semana Lun. Mar. Miér. Juev. Vier. Sáb. Dom.
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
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
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
Serie de Tiempo:
El Índice de Confianza del Consumidor (ICC) captura la

percepción del público en general respecto de las condiciones
macroeconómicas, la situación económica personal y las
expectativas a corto y mediano plazo. Indica qué tan seguras
se sienten las personas sobre la estabilidad de sus ingresos,
determinando actividades de consumo y, por lo tanto, sirve
como uno de los indicadores claves en la forma general de la
economía.
Desde 1998, el Centro de Investigación en Finanzas (CIF) de

la Universidad Torcuato Di Tella releva este indicador para la
Argentina.
Serie de Tiempo:
Índice de Confianza del Consumidor (ICC)
Periodo:
Datos mensuales desde marzo del 2001 a abril de 2021.
Fuente: Centro de Investigación en Finanzas – Universidad

Torcuato Di Tella
https://www.utdt.edu/ver_contenido.php?id_contenido=2837&id_item_menu=4976
Los datos están en 21 filas, cada una corresponde a un

año y en 12 columnas, los meses.
Serie de Tiempo:
El Índice de Confianza del Consumidor (ICC) mensual de
marzo del 2001 a abril de 2021. Fuente: utdt.edu
AÑO enero febrero marzo abril mayo junio julio agosto septiembre octubre noviembre diciembre
2001 38,99 40,69 38,17 40,57 37,06 37,03 32,9 32,05 34,35 31,19
2002 34,19 30,82 32,76 30,11 29,34 31,6 31,75 32,92 28,44 36,44 39,17 37,06
2003 41,51 39,5 38,36 40,13 44,52 54,42 53,87 54,8 50,33 50,37 49,32 50,18
2004 57,73 59,83 56,72 49,96 51,02 50,82 49,09 46,68 47,34 49,45 54,13 52,03
2005 56,81 55,97 58,41 52,27 51,41 50,63 50,51 52,06 49,93 50,12 53,37 51,01
2006 57,07 56,22 59,86 54,02 56,76 58,53 57,74 55,86 58,95 59,73 57,59 57,11
2007 60,97 59,54 58,84 52,8 52,92 51,32 50,18 46,61 49,21 47,9 51,45 51,51
2008 55,04 52,03 45,51 45,62 40,31 39,6 40,47 41,38 44,41 40,11 39,12 37,06
2009 41,19 39,44 37,45 37,54 39,09 40,01 42,35 40,69 40,02 39,03 40,49 40,22
2010 45,56 43,54 41,38 43,48 48,61 47,63 48,1 50,37 48,83 50,05 55,36 53,21
2011 55,69 53,96 57,38 54,42 55,55 55,71 58,07 57,46 59,31 57,68 56,69 52,57
2012 57,35 52,63 50,22 43,83 46,43 44,38 43,59 42,74 42,27 43,44 42,71 46,43
2013 46,86 47,62 46,91 44,06 41,65 44,49 47,48 50,03 48,65 51,85 49,89 46,15
2014 43,67 33,46 36,21 36,69 38,1 41,92 42,75 43,89 41,5 43,94 43,66 44,22
2015 49,95 50,47 52,6 52,85 54,99 54,88 56,09 56,78 54,62 56,96 60,35 54,89
2016 54,01 45,59 48,16 43,19 42,66 42,57 45,61 42,6 43,29 46,04 43,93 44,48
2017 44,47 40,68 40,95 46,19 45,76 42,04 42,48 47,61 51,04 51,11 51,1 43,18
2018 45,19 43,82 43,81 40,09 36,07 35,97 36,25 36,25 33,7 32,64 32,1 35,99
2019 33,1 36,04 34,79 34,41 36,47 40,57 44,18 41,86 42,09 43,77 41,35 42,35
2020 43,03 42,73 41,23 39,28 38,42 39,47 38,18 41,31 40,31 38,83 40,87 39,32
2021 38,2 37,77 38,19 35,34
20,00
25,00
30,00
35,00
40,00
45,00
50,00
55,00
60,00
65,00
mar-01
sep-01
mar-02
sep-02
mar-03
sep-03
mar-04
sep-04
mar-05
sep-05
mar-06
sep-06
mar-07
sep-07
mar-08
sep-08
mar-09
sep-09
mar-10
sep-10
mar-11
marzo del 2001 a abril de 2021.
sep-11
ICC Nacional
mar-12
sep-12
mar-13

sep-13
mar-14
sep-14
mar-15
sep-15
mar-16
sep-16
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
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.
Fuente: Organización Panamericana de la Salud
OPS/OMS | Organización Panamericana de la Salud (paho.org)

Serie de Año
Num
lun mar mié jue vie sáb dom
Num
lun mar mié jue vie sáb dom
Tiempo: sem sem
32 84 95
Casos nuevos 33 79 106 98 117 124 124 108 34 94 148 189 164 165 210 210
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

Serie de Tiempo:
Casos nuevos diarios informados de covid-19 en la Provincia
de Mendoza. Desde el 1 de agosto del 2020 al 8 de mayo de
2021.
Casos diarios de covid-19 en Mendoza
1800
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

Ejemplo: Serie de tiempo multivariada.
Indices: CAC 40 (Paris); DAx-Extra (Francfort) ; Banca
Comm.italiana (Milan) ; FT-SE 100 (Londres) ; Dow Jones
(Nueva York) ; Nikkei 225 (Tokio) ; General (Madrid)
Evolución de las bolsas del
mundo
450
400
350
300
Indices
250
200 Paris
Francfort
150 Milán
100 Londres
Nueva York
50 Tokio
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.
 El conjunto C será en este curso un conjunto ordenado

de tiempos (Ej. C=N=“Naturales”, C=  =“Enteros”).
Un tal proceso Estocástico se denominará Serie de
Tiempo (discreto).
 Es decir, importa el orden en que están dispuestas (o

aparecen) las variables. Además, en general las
variables serán dependientes entre si.
Introducción
 El conjunto de observaciones con las que se cuenta para

hacer inferencias sobre este proceso es {zt:t =1,…,T}.
 Es decir, se dispone de T observaciones que consisten

en una muestra de tamaño 1 de cada una de las
variables aleatorias que, por simplicidad en la notación,
se considera corresponden a los momentos t =1,…,T.

Introducción
 Ya que importa el orden en que aparecen las
observaciones, se las debería designar con la notación
vectorial (z1, z2,…, zT)’, en lugar de la notación usando
llaves {z1, z2,…, zT}.
 Si se designan así, z=(z1, z2,…, zT)’ es una muestra de

tamaño 1 del vector aleatorio Z=(Z1, Z2,…, ZT)’.
 Notar el empleo de minúsculas para designar

observaciones y mayúsculas para las variables aleatorias
de las que ellas provienen.

Introducción
 Para caracterizar completamente a un proceso estocástico
{Zt:t  }, se necesita conocer totalmente su estructura
probabilística.
 Es decir se necesita conocer todas las distribuciones

conjuntas finito dimensionales.
Es decir conocer
FZ t ,, Z t , para todo conjunto finito de tiempos, t1 ,  , t n .

1 n
•En la práctica, salvo en casos de procesos muy

particulares, este conocimiento no se tendrá.
Introducción
 En el caso de un proceso {Zt:t  }, Gaussiano, los

requerimientos para caracterizarlo completamente se
limitan a conocer el vector de medias y la matriz de
varianzas covarianzas de todos los vectores finito
dimensionales formados por variables aleatorias del
proceso.
• Esto conduce a considerar la función de medias

y la función de autocovarianzas de un proceso.
Función de medias
Dado un proceso (univariado) {Zt: t  }, se

denomina función de medias del proceso a la
función
  
dada por t= E[Zt] = t si existe y es finita.

Función de medias
 La gráfica de la función de medias muestra el

comportamiento medio del proceso.
 El proceso se dice estable en la media si su función

de medias es constante, o sea,
t= E[Zt] =   ( no depende de t).

Función de varianzas
Dado un proceso (univariado) {Zt:t  }, se

denomina función de varianzas del proceso a la
función
v  +
dada por vt= var[Zt] = E[(Zt- t)2] si existe y es

finita.
Función de varianzas
 La gráfica de la función de varianzas muestra la

dispersión del proceso en el tiempo.
 El proceso se dice estable en la varianza si su

función de varianzas es constante, o sea,
vt= var[Zt] = 0  (0 no depende de t).

Función de autocovarianzas

denomina función de autocovarianzas del proceso
a la función
    
dada por
t,s= cov[Zt, Zs]= E[ (Zt- t) (Zs- s)]
si existe y es finita. Universidad Nacional de Cuyo

 La función de autocovarianzas mide la relación

(dependencia) lineal entre cada par de variables
del proceso.
 Notar que t,t= vt.

 Las autocovarianzas t,s=cov[Zt, Zs] tienen como

dimensión el producto de las dimensiones con que son
medidas Zt y Zs. Como en general Zt y Zs tienen la misma
dimensión, t,s tendrá por dimensión el cuadrado de
dicha dimensión.
 Una medida adimensional de la relación lineal entre Zt y Zs

es la autocorrelación t,s.

Función de autocorrelación

denomina función de autocorrelación del proceso
a la función
    
dada por
t,s= corr[Zt, Zs] = t,s/(t,ts,s)1/2
= t,s/(vt1/2 vs1/2 ),
si existe y es finita.
Ejemplo: Proceso “camino al azar”
El proceso {Zt: t  N} se dice que es un camino aleatorio si

está definido por
Zt= Zt-1+ At para todo t  N,
donde las variables At son independientes y

tienen, cada una de ellas, distribución
normal con media 0 y varianza 2.
Se supone además que Z0= 0 con probabilidad 1.

Función de medias del proceso
“camino al azar”
 t= E[Zt] = E[ Zt-1+ At ] = E[Zt-1]+ E[At ]
 para todo t  N , como además se tiene que
E[At ]=0 y E[Z0]=0 resulta
 t= E[Zt] = E[Zt-1]=0 para todo t  N.
 Entonces el proceso “camino al azar” es estable

en la media.

Una forma de obtener las funciones de medias, de
autocovarianzas y de autocorrelación del proceso
“camino al azar” es partiendo de la igualdad
t t
Z t  Z 0   As   As , ya que PZ 0  0  1.
s 1 s 1
y calcular
t
 t tk
 t tk
E Z t    E  As , y  k  cov   As ,  Ar     cov As , Ar .
s 1  s 1 r 1  s 1 r 1
t t
E Z t    E As   0  0
s 1 s 1
Entonces el proceso “camino al azar” es estable

en la media.
 t t k
 t t k
 k  cov  As ,  Ar    covAs , Ar 
 s 1 r 1  s 1 r 1
para rs cov(As ,Ar )=0, luego
min( t , t  k )
k   cov As , As   min(t , t  k ).  2
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
t,s= cov[Zt ; Zs] = min(t;s) 2 .
En particular
vt= t 2.
Entonces el proceso “camino al azar” no es estable

en la varianza.
Función de autocorrelación del
proceso “camino al azar”
Entonces, la función de autocorrelación del
proceso “camino al azar” está dada por:
t,s=corr[Zt, Zs]=t,s/(vt1/2 vs1/2 )
= min(t;s) 2 /[(t 2)(s 2 1/2
= min(t;s)1/2 / max(t;s)1/2.
Procesos estacionarios
 Se vió que para caracterizar completamente a un
proceso estocástico {Zt:t  }, se necesita
conocer todas las distribuciones conjuntas finito
dimensionales.
 En general esto es imposible, por lo que se

necesita restringir la clase de procesos
estocásticos que vamos a analizar.
 Los conceptos de estacionariedad apuntan en esa

dirección.
Procesos estríctamente estacionarios.
Definición de estacionariedad estricta:
Se dice que un proceso estocástico {Zt : t  } es

estríctamente estacionario (o estacionario en sentido
estricto) si para todo n  N y para todo h, t1,…,tn  
se verifica que
FZ t1 ,,Z tn  FZ t1  h ,,Z tn  h
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.

Notar que: Si {Zt : t  } es un proceso estocástico
estríctamente estacionario entonces
1) Si se elige n=1 y t1=t, se tiene que para todo

h   es
FZ t  FZ t  h .
Es decir, todas las distribuciones univariadas son
iguales entre si, ya que llamando s=t+h se tiene que
para todo
t,s   es FZ  FZ .
t s
2) Si se elige n=2 , para todo t1 = t y t2 = t+k
(t1 y t2 arbitrarios pero fijos) , y para cualquier
h   es
FZ t ,Z t  k  FZ t  h ,Z t  h  k .
Es decir, son iguales entre si todas las distribuciones

bivariadas correspondientes a pares de tiempos
cuyas componentes están a la misma distancia k
entre ellos, ya que, llamando s a t+h en la igualdad
anterior se tiene que para todo t,s   es
FZ t ,Z t  k  FZ s ,Z s  k .
Estacionariedad débil.
Definición:
Un proceso {Zt : t   } es estacionario débil (ó
estacionario de segundo orden) si para todo tiempo
t   se verifica que :
i) t =  <  constante que no depende de t).
ii) (t,t+k) = cov[ Zt ; Zt+k]= E[(Zt - )(Zt+k - )] = k,
k  constante que sólo depende de k
y no depende de t).
Nota: De aquí en más suprimiremos el calificativo débil y a
un proceso {Zt : t   } que es estacionario débil lo
llamaremos simplementeUniversidad
“proceso estacionario”.
Nacional de Cuyo
Definición:
Dado un proceso estacionario {Zt : t   }, la función
 → dada por (k) = cov[ Zt ; Zt+k]= k se denomina
función de autocovarianzas del proceso.
Propiedades:
i)  es una función par o sea (k) = (-k) para k .
ii) |(k) |  (0) para k .
iii)  es una función semidefinida positiva (o definida no
n n negativa),
 a a 
i 1 j 1
i j ti  t j  0,
n  N a'  a1 , a2 ,  , an    h t'  t1 , t 2 ,  , t n    n .
Nota: Estas propiedades son heredadas por la función

de autocorrelación (simple) que se define similarmente.
Definición:
Dado un proceso estacionario {Zt : t   }, la función
 → dada por (k) = corr[ Zt ; Zt+k] = k = k / 0 se
denomina función de autocorrelación simple del proceso.
Propiedades:
i)  es una función par o sea (k) = (-k) para k .
ii) |(k) |  (0)=1 para k .
iii)  es una función definida no negativa, o sea,  verifica
n n
  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 .
Nota: El gráfico de las autocorrelaciones k en función

de k se denomina correlograma teórico.
Nota: El gráfico de las autocorrelaciones k en función
de k se denomina correlograma teórico.
Ejemplo de un
correlograma teórico de
un proceso estacionario
Proceso de Ruido Blanco
Definición:
Se denomina proceso de Ruido Blanco (univariado)

a un proceso {At : t   } tal que:
1) E[At]=0 para todo t .
2) Var[At] = para todo t .
3) Cov[At , As] =  para todo t  s .

Un proceso de Ruido Blanco es estacionario débil
pero no es necesariamente estrictamente
estacionario.
Nota: En un proceso de Ruido Blanco el conocer los

valores pasados no proporciona ninguna información
sobre los valores futuros. El proceso no tiene memoria.
Propiedad:
Un proceso de Ruido Blanco gaussiano {At : t   } es un
proceso estrictamente estacionario
Demostración:
Recordar que bajo el supuesto de tener todas las
distribuciones de orden finito Normales se verifica que la
no correlación implica independencia. Por lo tanto, las
distribuciones de orden finito son el producto de sus
marginales, quienes por hipótesis son todas iguales
(igual media e igual varianza).
Nota: La función de autocorrelación teórica de un

proceso de Ruido Blanco es igual a 0 salvo 0 que es 1.
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 EZ T   E Z    .
1 T 1 T
ZT 
T
 Z
j 1
j
T

j 1
j
Nota: Para probar que la media muestral es un estimador

insesgado de  no se necesita que las variables sean i.i.d.,
es suficiente con que tengan la misma media  .
procesos estacionarios
Consistencia en Error Cuadrático Medio.
Recordar que un estimador QT del parámetro  es
consistente en Error Cuadrático Medio (ECM) si se verifica
 
que
lim ECM  (QT )  lim E QT     0.
2
T  T 
Si existe un estimador Q del parámetro  de un proceso que

satisface la igualdad anterior, diremos que el proceso es
ergódico para la estimación de .
Nota: Si Q es un estimador insesgado de , entonces se

verifica que ECM(Q) = E[(Q-)2 ] = E[(Q-E[Q])2 ] = var[Q] .
Consistencia en Error Cuadrático Medio de la media
muestral como estimador de la media 
Sean Z1,..., ZT las variables observadas de un proceso

estacionario. La media muestral no siempre es un
estimador consistente en Error Cuadrático Medio de la
media poblacional .
Como la media muestral es un estimador insesgado de 

entonces su ECM coincide con su varianza, o sea,
 
ECM  Z T   E Z T    2  var Z T  ,   .
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 .
T
T- 1
T- 2

.

T- (T-3)=3
T- (T-2)=2
T- (T-1)=1
varZ T   2
1 T T
T
 
i 1 j 1
i j
T
T- 1
T- 2

.

T- (T-3)=3
T- (T-2)=2
T- (T-1)=1
T 1
0 T 1
 k
varZ 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 
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
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  varZ T .
T
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  varZ T  .
E  k    k  varZ T  .
~
E ˆk  
T  k
. k  varZ 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.
Entre estos dos estimadores se prefiere a
ˆk  ˆ k
1 T k
 
  Z j  ZT Z j  k  ZT ,
T j 1

Razón: porque tiene menor E. C. Medio, y porque la

matriz de autocovarianza muestral es siempre definida
no negativa como lo es k .
 γˆ 0 γˆ 1  γˆ k -1 
 γˆ γˆ 0  γˆ k -2 
ˆ k  
1
     
 
 γˆ k -1 γˆ k -2  γˆ 0 
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
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
Nota: El gráfico de la función de autocorrelación

muestral se denomina correlograma muestral.
Varianza de la autocorrelación muestral
Bartlett (1946) demostró que si {Zt : t  } es un
proceso estacionario gausiano entonces para T
suficientemente grande
ˆ k es aproximadamente normal con media k
y varianza
  

1
varˆ k   2
j   j  k  j  k  4  k  j  j  k  2  k2  2j ,
T j  
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 .
Nota: En el caso de un proceso de Ruido Blanco esta

varianza es aproximadamente igual a 1 / T.
Criterio de las dos desviaciones
estándares.
Si {a1,..., aT} son datos generados por un proceso
de Ruido Blanco gausiano, entonces un intervalo
del 95% de confianza para k es
 1,96 1,96   2 2 
 ˆ k - , ˆ k     ˆ k - , ˆ k  ,
 T T   T T 
Nota: Es habitual graficar en el correlograma muestral

las bandas de aproximadamente el 95% de confianza
(-2/T½ ; + 2/T½) de un proceso de Ruido Blanco
estándares.
En consecuencia, si
 2 2 
ˆ k    , 
 T T 
para un nivel de significación del 5%, no se rechaza

la hipótesis nula
H0 :  k  0
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)

Correlograma muestral de los 100 datos generados
por un proceso de Ruido Blanco (0 ; 1)

El promedio de la rentabilidad mensual de la Bolsa de Madrid en este período fue

de aproximadamente 0,01 (línea roja en el gráfico) y varianza 0,00343.
Correlograma de los datos de rentabilidad mensual
de la Bolsa de Madrid en este período 1988-2000.

Gráfico de la función de autocorrelación muestral de
los datos del viaje de Colón (Correlograma Muestral).

Gráfico de la función de autocorrelación muestral de
los datos del Indice de Confianza del consumidor
(Correlograma Muestral).

Proceso estacionario Proceso no estacionario
(teórico) (muestral)
Indice de Confianza del Consumidor

T6-Conceptos Básicos - 21

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

T6-Conceptos Básicos - 21

Cargado por

Copyright:

Formatos disponibles

Análisis de series de tiempo

Universidad Nacional de Cuyo

Los 34 datos están en 7 columnas y en 5 filas.

Semana Lun. Mar. Miér. Juev. Vier. Sáb. Dom.

El Índice de Confianza del Consumidor (ICC) captura la

Desde 1998, el Centro de Investigación en Finanzas (CIF) de

Fuente: Centro de Investigación en Finanzas – Universidad

Los datos están en 21 filas, cada una corresponde a un

Universidad Nacional de Cuyo

Fuente: Organización Panamericana de la Salud

OPS/OMS | Organización Panamericana de la Salud (paho.org)

Universidad Nacional de Cuyo

Universidad Nacional de Cuyo

Universidad Nacional de Cuyo

 El conjunto C será en este curso un conjunto ordenado

 Es decir, importa el orden en que están dispuestas (o

 El conjunto de observaciones con las que se cuenta para

 Es decir, se dispone de T observaciones que consisten

Universidad Nacional de Cuyo

 Si se designan así, z=(z1, z2,…, zT)’ es una muestra de

 Notar el empleo de minúsculas para designar

Universidad Nacional de Cuyo

 Es decir se necesita conocer todas las distribuciones

FZ t ,, Z t , para todo conjunto finito de tiempos, t1 ,  , t n .

•En la práctica, salvo en casos de procesos muy

 En el caso de un proceso {Zt:t  }, Gaussiano, los

• Esto conduce a considerar la función de medias

Dado un proceso (univariado) {Zt: t  }, se

dada por t= E[Zt] = t si existe y es finita.

 La gráfica de la función de medias muestra el

 El proceso se dice estable en la media si su función

t= E[Zt] =   ( no depende de t).

Dado un proceso (univariado) {Zt:t  }, se

dada por vt= var[Zt] = E[(Zt- t)2] si existe y es

 La gráfica de la función de varianzas muestra la

 El proceso se dice estable en la varianza si su

vt= var[Zt] = 0  (0 no depende de t).

Dado un proceso (univariado) {Zt:t  }, se

t,s= cov[Zt, Zs]= E[ (Zt- t) (Zs- s)]

si existe y es finita. Universidad Nacional de Cuyo

 La función de autocovarianzas mide la relación

 Notar que t,t= vt.

Universidad Nacional de Cuyo

 Las autocovarianzas t,s=cov[Zt, Zs] tienen como

 Una medida adimensional de la relación lineal entre Zt y Zs

Universidad Nacional de Cuyo

Dado un proceso (univariado) {Zt:t  }, se

El proceso {Zt: t  N} se dice que es un camino aleatorio si

Zt= Zt-1+ At para todo t  N,

donde las variables At son independientes y

Se supone además que Z0= 0 con probabilidad 1.

 Entonces el proceso “camino al azar” es estable

Universidad Nacional de Cuyo

Entonces el proceso “camino al azar” es estable

t,s= cov[Zt ; Zs] = min(t;s) 2 .

Entonces el proceso “camino al azar” no es estable

t,s=corr[Zt, Zs]=t,s/(vt1/2 vs1/2 )

= min(t;s) 2 /[(t 2)(s 2 1/2

 En general esto es imposible, por lo que se

 Los conceptos de estacionariedad apuntan en esa

Se dice que un proceso estocástico {Zt : t  } es

Universidad Nacional de Cuyo

1) Si se elige n=1 y t1=t, se tiene que para todo