Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Víctor Guerrero - Análisis Estadístico de Series de Tiempo Económicas-International Thomson Editores (2003) (1) - Organized - Compressed

    Cargado por

    Maria Alejandra Lopez Contreras
    544 vistas200 páginas

    Título original

    Víctor Guerrero - Análisis Estadístico de Series de Tiempo Económicas-International Thomson Editores (2003)(1)_organized_compressed

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    544 vistas200 páginas

    Víctor Guerrero - Análisis Estadístico de Series de Tiempo Económicas-International Thomson Editores (2003) (1) - Organized - Compressed

    Cargado por

    Maria Alejandra Lopez Contreras

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 200
    (iW i GIF. 2 94 6826 Zoo3 ge Presentacién El propésite del presente libro ea proporcionar al lector las herramnientas que Je permitan llevar a cabo un andliss estadistico dé la informacién de la cual disponga en forma de series de tiempo univariarias. Bspecial énfasis ha sido puesto en ejemplificar Ins técnicas con aplicaciones a series de la economia mexicana; esto ocurrié ast debido al ambiente de trabajo del autor; sin ‘embargo, la metodologia es aplicable a series de tiempo de cualquier érea del conocimiento y no tinicamente a las que se refleren.a aspectos econémicos. Este libro fue pensado para que sirviera. como libro de texto y a la vez de consulta. De hecho, es de grin utilidad para dictar cursos de nivel en los ‘ltimos semestres de alguna licenciatura con preparacién matemética mo- derada o elevada, como es el caso de Tas licenciaturas en actuatia, economts, estad{stica, ingenieria o mateméticas. Desde luego, también se sugiere su tuso en alguna mecstria de las Areas citadas. De acuerdo con la experiencia del autor, quien desde 1981 ha utilizado esencialmenta las mismas aotas pata dar clases en instituciones de ensefianze superior, el material es asimi- lable por estudiantes cou diversas furuaciones profesionales, simplemento poniendo més o menos énfasis en los aspectos metemétices. In este sentido, el autor agradece Ia oportunidad que le brindaron instituciones como el Ins- tituto Tecnolégico Auténomo de México, el Instituto Politécnico Nacional, la Universidad Anéhuac, la Universidad Nacionsl Autéuoma de México y El Colegio de México, para hacer que las notas originales se enriquecieran ‘con la experiencia de haber impartido cursos en sus aulas. La actitud erftica, pero constructiva, de diversas personas que estuvieron, cen contacto de una forma u otra con el manuscrito ha eigo grandemente apreciada. Dentro de estas personss sobresalon el doctor Miguel Villalo~ bos, quien dicté cursos con las notas preliminares, y el maestro en ciencias Carlos del Cueto, quien ha contribuido a la divulgacién de dichas notes. Asimismo, son muchos los estudiantes que a través de sus comentarios han permitido mejora: la presentacién del libro; dentro de ellos tabe citar Luis G. Arias, Emesto Barrios, Gaudencio Hernandez, Carla Inclén y Carlos Sit vva. Desde luego, el autor acepta eer el nico responsable de los errores que seguramente arin permanecen en la presente versisn. Por otro lado, debe mencionarse que una versién preliminar del material de Los capitules 1, 2 3, srvi6 en un curso durante el V Coloquto del Depar- tamento de Matemiticas del Centro de Investigacin y Estudios Avanzsdos del Instituto Politéonico Nacional, por lo cual se editd en 1987 un volumen con ol titulo Modelos estadisticos pare series de tiempo univariadas. & Presontaciéna El apoyo brindado por la Universidad Auténoma Metropolitana Tata- palapa, a través de la persona del doctor Luis Verde, ha. permitido que este Horo salga editado por primera vez; eunque una versién preliminar ‘mecanografiads, circulaba en forma de fotocopias desde 1983, Victor M. Guerser6 México, D-F. abril 1989, Presentacién de la segunda edicién La sogunda edicién de este libro ja era nevesaria desde hace tiempo, para corregir diversas erratas que contenia la versién anterior y que fueron pues tos a la vista del autor por buenos amigos, quienes con ello mostraron su interés en mejorar el texto. Asimismo, esta versién ha sido auinentada fundaméntalmente ex dos ‘spectos; en lo que toca a lds pruebas de rafees unitarias que ahora formen, parte de los capitulos 4 y 5, y’én ottos temas relacionados con el uso de los modelos ARIMA en la préctios, que constituyen el capitulo 8. Desde luego, hay muches otros temas que hubiera sido deseable apa- recieran en esta aueva ediciOn, sugeridos muchos de ellos por colebas, quienes se agradece sus buenas intenciones. Sin embargo, hubo necesidad de acortar el tamaio del libro para que siguiera siendo manejable y fue ésta Ja razén que condujo a la decisién de no ineorporar més material. Nuevamente, es importante hacer patente el agradecimiento & muchas personas que apoyaron el trabajo requerido para asta segunda edicién, den- tro de ellos sobresalen los profesores Jorge Martine y Fabio Nieto, de la Universidad Nacional de Colombia, quienes comentarcn con el autor una bbuctia parte del libro e hicieron valiosas aportaciones. Ademés, el trabajo de capturar el material para corregirlo y sumentarlo fue una labor que rea- liaaron Salme Tanus y Chatic Tas con dedicacién y gran profesionalisiuo. Finalmente, el apoyo que brind6 la Asociaciin Mexicana de Coltura,"AiC'> 8 través de fa cdtedra sobre Anlisis de series de tiempo y pronéaticos a evoniometita, sirvié de aliciente pare realizar este trabajo shy Victor M. Guttit’ México, D.F., enero de 2003, Contenido Presentacién Prélogo 1. Tntrodusci6n al anliss je eories de tempo ; ‘ lementos a listicos en el andlisis de series de tiempo 12, Seis de tempo vats como proms, cowie geen Tot Series de empo dicrets = : 152) to de operadores y poliniioe de esas 122. Promo antoctetiosnlee === = 1a, Pricmatidemtin soa igths eae eee TEL Disencas y no estcionasiadad homogénes . Blementos de ecuacionen on diferencia a errant enfin pra Power sberniias Pil Brusca ended pina cen 31D, Eeneions on deni de sxunds orden 2.1.3. Ecuaciones en diferencia de orden p 2.2, Represetcin dengue proce aeee te sits 3. Modelos para series do tiempo univariadas 3.1, Modelos autorregresives (AR). / B.L1, Modelo AR(1) oo B12, Modelo AR(2) «0. +--+ 3.1.8. Modelo AR(p) 3.2, Modelos de promedios méviles (MA) 3.2.1. Modelo MA(1) i 3.22. Modelo MA(2) ...- x ( | vat Gontenido "|" Contenido x 3.2.3, Modelo MA(q) ... , tenes eee BT i 5.2.1, ‘Funciones de autocovarianea y FAC tipicas 3.3. Modelos ARMA... Gas eccenen 89 | Ue procesos estacionales .. 0... 0... 185 3.3.1, Modelo.ARMA(1, Beas 90, 1 5.3. Construccién de modelos estacionales ... . . Cite 206 33.2, Modelo ARMA(p, ¢) . see Oe | 5.3.1, Ejemplos ilustrativos de la construccién 3.4. Modelos ARIMA’ ‘ a Seep i de modelos estacionales . awe ® a 206 S41. Modelos con tendencia determinista vets 100 t 54. Rafces unitarias estacionales . . 216 4. Construecién de modelos para series univariadas 107 : ae : a oe 41. Identificacién so, ste 108 i ” 414. Empleo de la funcién de sutocorrelacién parcial 117 61 2 Pronéetico de series no estacionaries 236 i Simnsticciet hams ho? Pg B12, Pri om 21 42, Betimacign beveteeee eee 135 6.2.1, Intervalos de prediceién be AO a a acciiaiiees 8 222 minded |e 4.2.2. Obtencién de valores iniciales ... |. | | vas! Sb 6.3. eee cng importantes: 29 ta, eget ronnie 2G Se es ge cckls = de tiempo estacionales ¥ 117 8. Otros tépicos de series 5.1. Modelos ARIMA para series . de-tiempo univariadas 315, estacionales . ee te sree 17 8.1. Prondsticos con restricciones . Sas . BB ‘estactonales & ~ 184 aplicaciones . . 324 8.1.3. Restrieciones inciertas, competibles ‘0 no con la historia . Bld. Resteicciones ciertas incompatibles Contenido 328 con Ia historia 336 8.2. Descomposicida de series. . 3a 8.2.1. Componentes permanente y transitorio de una serie 25 046 a2 82.2, Descomposicion de series mediante extraceién de sefal ++ 350 8.2.3. Extraccién de sefial con series estacionsles ..... 358 ‘Tablas estadisticns 365 Soluciones a los ejercicios 367 Referencias 389 Indice alfabético 393 mat ee ee epee Prélogo “Elenfoque del andliss de series de tiempo que equi se presenta sel sugerido por Box y Jenkins en su libro, el eval aparecié poe primera ves en 1970, aunque aqui se ha intentado que el nivel de presentacin de la metodologis sea més elemental y con explicaciones més detalladas que en su Version original. Le idea fandamental del enfoque propuesto por Box y Jenkins Tadica en fa estratogia que proponen para construir modelos, los cusles'n0 silo deben ser adecundos para representar el comportamiento de los datos Ofeeriads, sino queen eloceén debe ser sugerlda por los datos mismos, Esto ve en contrapasicién con el enfoque tradicional, que simplemente buses logrer el melor afaste de ‘modelos precancebidos, a los datos con que se cuente ‘a estrategia de construccidn de modelos eonsta de as siguientes etapas: 1. Wdentificacin del modelo (dentro de tna clase general de modelos y de acuerdo con lo que los datos indiguen), 2, Batlinacint de los paxdmitros iiplicitos én et modelo (pare lo cual c, debe usar la téenica més ficients, que se conozca). 3, Verifcacién de supuestes (a fin de que los regultades que se detiven del modelo puedan considerarse vélidos). 4, Usodel modelo (pare los fines que motivaron su construcciéa), En le etapa de identificaciin del modelo se requiers definir primero, una clase de modelos lo suliiontemente: general para: qué pueda representax a précticaasente cualquier serie de tiempo que llegue a ser observada en Jas aplicaciones. Dicba fanslla de modelos surge tanto de consideraciones rmeramente estadisticas, a fin de tener en cuenta le alestoriedad de los feuémencs, coma de modelos dindmices puramente deterministas, que ban aparecido dentro del zea de la matemitica discrete y los cuales se conoce como ecuaciones en diferencia. Por este motivo, en el capitulo 1 se introduce Prélogo cl andlisis de series de tiempo desde el punto de vista estadistco, mientras ‘que en el capitulo 2se presenta ta introduccién al estudio de les ecuaciones en diferencia. De los resultados que se presenten en los capftulon 1 y 2 se deducen Jos modelos ARIMA (antaregresivos, itegrados y de promedios méviles) ‘que constituyen In familia de modelos requerida. Dichcs modelos debea constmirse a partir de series de tiempo observadas ¥ para ello se requiere ‘caracterzarlos mediante algunos estadisticos rlativamoute fdcles de caleu- [BF por este mativo, enol capiilo 3 so muestra el omportamient sipeo de Gichos estadistiees, para algunos miembros de fa familia de modelos ART- MA. Asi pues, los capitulos 1, 2 ¥ 3 podrfan considererse tedricos, en cl sentido de que sirven para introducir los modelos que sirven para.represen- tr series de tiempo. Ban Jes espftalos 4 y 5, se use as series de tempo observadas pars duster, con detalle, las etejes requoridas en la construccin de modelos. En arti, sent 6 enfoceelpobema de contr mde ar ue presentan efectos ai ald Sie Sadie bo totes ter om Saigo gees oer \emportantes relacionados con el tema de pronéstico, que es uno de los fines primordiales para los cuales se construyen modelos ARIMA ea la préctica, El capitulo presenta ia metodalogia denominads andiiss de intervear cia, con la cual es posible extender Ie aplicebilided de los modelos ARI- MA a situaciones en les cuales haya ocurrido algin evento inesperado, de acuerdo con «l comportamiento histérico deta serie y euyos efectos sean considerados de esrécter detorminista e inherentemente dinémicos. Finalmente, en elcapftulo 8 se muestran dos temas especiales relacons- dos con Ins series de tiempo univariadas. Estos temas fueron elegidos como ejemplos de las aplicaciones que se pueden lograr cou los modelos ARIMA Cada capitulo finalize presentando un conjunto de ejercicios, con Tos cuales se preteude subrayar algunos espectos de mayor importancia del material cubierto, Les soluciones de.ls mayor parte de ests ejercicos, presenta como una seccién por separado al finel del libro. Asinismo, ls referencias bibligréfcas quo se citan a lo largo del texto, aparecen juntas después de ls soluciones a los eercicios, + ejemplo, Guerrero, 2000). Recuériese entonces que laestadistva uta de Capitulo 1 Introduccién al andlisis de series de tiempo Una gran cantidad de informacién acerca de las caractersticas econdmicas, tanty de individurs como de empeesas o ylixs, ae texupila con fines do andlisis, para lever e cabo le planescién y tome de decsiones. Al registro tactic de ls ssdiciin u obeerveciin numérica, eectuada w ierialos de Giempo fijos, de tales caracteristices 0 variables econémicas, generalmente se Je comoce como series de tiempo (econémica en el presente cas). Observe que el ombre “series de tiempo" no es del todo epropiado para enotar los conjuntes de datas registrades de manera. ordenada respecto al tiempo, pues en particular el tino serie se atliza en mateméticas para nombrar wha suma infinite de valores de una'varieble. Quis una ter- ‘minologie més apropiada para referirse al canjunto de datos que interesa podria ser el do suoesiones cronoléicas; sin embargo, aquf se continu he ciendo mencién a series de tiempo, debido simplemente a que ésia ela terrainologia més usual y conocida 1.1. Elementos estadisticos en el andlisis de series de tiempo DDubido a que ls series de tiempo toustan de datos mniics, onal usar la herramienta de la estadistica para describirles y analizarlas, sei in0.~ © ‘ccurre cod cualquier otro conjunto a informacién numévice (Hebe bor Seb Ce fan pen cornea 2 Capitulo 1, Introduecién al andliss de series de tiempo resumir y describ en forma concisa, ya sea mediante grfias oa través de “Gu eats medida descrptivad, Is informacién co suentely 2h enfoque inferencial, ayo objetivo fundamental es uiizar datos muestrales pera realizar infereveias, que sean valides para toda Ja poblecidn de donde se obtuvo Ie muestra. Dentzo de los elementos descriptivos de una serie de tiempo se en- cueniran pues, as grficas y las medidas descriptivas y, posiblemente, el orden en que se mengjonaran estos elementos represente su orden de im- portancla, ya que es [primordial construir grfcas antes de llemr a cabo cualquiar tipo de edlctilo, aunque so sea pars verficarvisualments la com sgruencia de los datos] Bn Ia figura 1.1, por ejemplo, se muestra la gréfien el por clanto de la inlacién mensual en México, medida con base en las variaciones mensuales del Indice Nacional de Precios al Consumidor. isin 1 a 4 eae 1969 7 A671 1972. 1973 1574 fans sore torr tera THAR Figura 1.1 Inflacién mensual en México (1969-1978) (Poscentajes). [Bn esta grifica se aprecian las caracterfsticas rds relevantes de la vor rable on consideracién, la inflacién en este easo, Se alvierte que, hasta 1972, In infiaciOn Suctuaba alrededor de cierto nivel aproximadamente constante, al cual a simple vista, parece ser de 0.4%; ademés, se observa que las vyariaciones alrededor de dicho nivel son, pare todo fin préctico, esencial- 41.1 Blex entas estadisticos en el andlisis de series de tiempo 3 ‘mente constantes. Asi, una medida de localizacin (que indicaria el nivel de la setie) y una medida de variscién, podrian ser suficientes pare deseribi la parte de la serie del perfodo entre 1969 y 1972, Bsto no ocurre asf durante el pperfodo 1973-1978, ya que a partir de 1973 Ia nflacin comiensa aexeces y llega a aleanzer tn maximo aproximado de 4% durante el mes de diciembre del misto atio, posteriormente decrece y presenta un nivel relativamente constante, alrededor de 1%, desde marao de 1974 huste agosto de 1976, donque con mayor variabilidad que antes. En septiembre de 1976, a deva- Iuacién de la moneda (desde abril de 1954 hasta agosto de 1976 el tipo de cambio estaba fijo en 12.80 pesos par délar) parece provocar un crecimiento Aesmesurado de la inflacién, que aleanza un maximo de 5.6% en octubre de 1076; este valor es de hecho, el mis alto que toma la inlacidn durante el perfodo consideredo, Para febcero de 1977 se reduce la inflacién y muestra tia nuevo nivel, cercano a 1.3%, hasta fines de 1978. ‘in descripci6n anterior dela serie de inflaciOn ea simple y se efectu6 con 4 tinico objetivo de mostrar la utilidad préctica que una gréfca puede prestar para llevar a cabo una descripeldn; hari falta realizar, desde Iue- £2, los efleulos.muméricos nevesariog para obtener con_ mayor exactitnd “Yosredlis deseitivns ae parmitan represntar aprogiadamnents la seco, ‘medias que en este caso podren sr las qi 6 indian a eontimuacin SSDS, GH” | ascda con al Savina | Frome & sbearacees os "arian soetnte sede dsl ave! Desa eetindar DE THTEDE, TS aos SS Frases de ass 02 ESE Msi tes alors mins 9 sins DETTE TOT Tac dare ‘romeo de tats do wa Misi oat aloe mihima y sina [ae TTR TPE Tan cesta ———] Promedis d ober ‘Varlcn constaste Dein etSndar ‘ES, TOTS Ua, TE] Tason resents rotate We Tae 9 VaR | " Masia gba! Walcesmisino y dso PWR Tatin So ate ‘Prmadsde fst 4s var isi loa! | Naoves inine memo acy TOPIC, THRE] Taal onan -Fromedio dr abet ‘Vice conan Desa tinder Por a parte los elementos de inferencia estasistioa son aquellos que se utilizan para responder preguntas acerea de una poblacién o universo, con base on un conjunto de datos muestrales. Bn el estudio de series de tiempo, pal se desea inferr,"dapende Tuadimentalmente, del tipo de andlisis y/o modelo que se émplee.;Por consiguiente; onviene mei- ‘ionar que el andlisis de una serie de tiempo se realiza de distintas maneras; por ejemplo, uno de los métndas de andlisis eonsiderado como elésico es eb ev » 4 *_ Capitulo 1. Intzoduocin al anlisis de series de tiempo conocido como el de descompasicién de series, el cual presupone que le ‘sero de tiempo ext formada. por un componente de tendencivciclo, que representa el movimniento de Iago plazo dela sere, Otro componente es le gstacionalided, cuya utlidad es la de representa los efectos producidos por Fenémenos que e repiten cada aio con cieta constancia, y un componente re sla iomultida, que sree para caractrias ls movimientos impre- ‘sible y onsideraios como aleatorios. ‘Con Ta metedologia de descomposicién de series se pretende identifioar yy extimar cada uno de los componentes por separedo; ademds, dentro de teste conterto ae considera quedlos componentes de tendenciarcicio y estae cionalidad coustituyen la parte determinsta osemideterminista de la serie) trealzas quell componebte regular vena er su pate no determinista © estouistice) En este caso es razonable pensar que, I poblacién sobre la ‘que doses inferrse es el congunto de series de tiempo formadas pot la parte determinsta 0 semideverminista, comibineda con las posibles realizaciones imaginables de ia parte estocdstica. Para mayor informacién respecto a ls ‘doscomposicin de series se sugiare consultar los trabajos de Guerzero (1900 1992). ‘Aun cuando la metodologia anterior es bastante di, en fechas recientes ‘su empleo se ha. visto limitado, en esencia, a la estimacién del componente cstacional a fin de obtener series desestacicnalizades, Esto se debe, en par fe, ala aparcidn y unificacién de ciertos métodos estadistioas xelacionados coin procesos estocésticos, que han probado ou efcacia ex la construc. cién de modelos para eries de tiempo, Una do las principales ventajas del eofoque de process estocdstions, splicado a series de tiempo, @ Ja gran dad que logra pare representar un buen mimero de fenémenos diants una cla clase genoral de modelos; otra ventajees Ia facile aL Poona pure ellen? frosts, nlmente, una ventaja msc I generalizacia de modelos paca series individuals, a modelos pore varias seca consideradas simulténesmente, El tema de construccién de modelos para series de tiempo constituye, de hecho, el fundamento de este libro serd cubierto con gran detalle en capitules posterioes. Por otro lado, on este capitulo se cootiniaré con Ia presentacin de elgunos Vpicos introductorie, tems que se requere onio- tet para llevar acabo el anélisis de series de tiempo a partir del enfoque de procemosestoestics. 4 CRO i enjuntn fin con oestoiston se disé que es discrete ot Ten eee | be 1.2, Series de tiempo vistas como procesas estocésticos 5 1.2. Series de tiempo vistas como procesos estocdsticos Para describir lo que es una serie de tempo dentro del contexto de procesos ‘stocéstios, es necesario definr los proces estocéstions, esto es: un proceso estocdstico os una familia de variables alestocias ssociadas a un canjuato indice de nimeros reales, de tal forma que @ eada elemento del conjus- to le cocresponda une y sélo una variable aleatoria, esto se escribiré como {2(z};n€ T}, en donde es el eonjunto indice y Z(r) es la varisbe aleato- tia correspondiente al elemento + do 7. SiT' es ua intervalo de miimeros al 9 abjerto, se dist. qs sl px ae nue, y of fiito 0 infmito pero nuerebe, of proceso ‘hecho ‘el proceso estocésti- Go sua continio o disereto, no indica nada acwra de la naturalesa de ls ‘aviablossleatornsinvlncradas, ya. que tas som contins o discret. | 1.2.1. Series de tiempo discretas ‘Con base en lo anterior, una serie de tiempd es la suvesin. de observe- clones generedas por un prodsim eoedalic, cwyo conjunio fdive se toma ‘melanin ent Sampo} Por tanto, la infereucia que se relceseré acerca de las caracteristicas del proceso estocdstico generador de la serie observa- da. Ademds, asi como existen procesos estocisticos discretos y continuos, tambifa exsten series de tiempo discretas y continnas. En particular, las observaciones de una serie de tiempo discrete se. toman et los 10- rmentos ry,Tay-.-»T9r, el proceso estocistin respettivo se denotard por {2r1), 22), «+ Brn) De aqui en adelante se considererdn exclusvemente series de tiempo diserotas, con Ia caracterstca edicional de que hs observaciones 5 hae gan con intervalos de tiempo iguales. Asimismo, y stun oon el riesgo de crear cierta confusién,{em general no se haré distineién entre una. variable Slentoria 2 y ou valor sboervado, que se denotaé también por’ De esta manera, cuando ce tegan IV valores suossivos de una serie de tiempo, 9° esorbird Z;, Za,---,Zis--», Zw pare denctar las observaciones hechas a tervalos equidstantes ro+h70-+2h,...,To-+thy...,t9-+WVh, en donde 79 algin punto en el tempo que hace las veces de origen yf sla Tongitud del intervalo de tiempo que separa des observaciones eontiguas. En ‘yor parte de los casos, Jos valores de ro y h no son releventes para al andlisis ue se realioey se pode denoter le serie mediante, {2}, con la supesiién. Epa de que toma lon valves 1,2, eniaa de eta nolan radica en que no es necesari indicar en cada obseryacin Ja fchaon aU | | | 6 Capitulo 1, Introducciéa al andlisis de series de tiempo % 1969 1970197 1972 19731974 19751975 THO Figura 1.2 fndice de precios al oonsumidar a nivel nacional. se observ; por ejemplo, si se dispone de tna serie de tiempo rensual cuya primera obsecvacin fue becha en eneto de 1996, seré sufcente escribir Zas para refertse « la cbservaci6n correspondiente a enero de 1998 Bn Ia prictica existen dos formas bésicas para gonerar series de tiempo Aisretas: ~ (2) Por muestreo de una serie de tiempo continus; como ilustracién se puede considecar que la tase mensual de inflacidn, medida que eraples el indice de precios al consumsidor (IPC), se obtiene al nal de ~-eada mes como una muestra de i fproceso que evelucions en, forma continua durante el mes]{véase figura 1.2). (2) Por acitmulacién de una serie de tiempo, ya sea continue 0 disctite, ‘sobre un periodo dado; por ejemplo, la serie mensual del finance to oborgado por la banca privada y mixte que aparece en la figura 1.3, 6 una acurmilacin (saldo) de! fnanciamiento otorgado hasta el Bnd de caida mes, Bs importante-notar que una serie de tiempo observada. uo es mls que ‘Gnd realinaciin de an proce exlocésticn| o cual significa que bien pudo 1.2, Series de tiempo vistas como procesos astoiistigas 7 Franconi Tipo 1978 1979 1980 18 1962 Figura 1.3 Financiamiento otorgado por ln banca. privada y mixta: Saldo en miles de millones de pesos. hhaberse obsecvado stra realizacién det misino proceso, pero cuyo compor- tamlento fuese distinto del que se observ en la realidad: Reta iden se mues- ‘ra gréfleaments con Ia Sgura 1.4, en donde apareeen varias tealizaciones posibles del proceso estocéstico que pudo haber generada la serie indice de precios al consumidor, gura .2. Con esto se pretonde subrayar al ele ‘meno probit presente en une se de Tempo, ee iano ebnento ser ef que conduszca a tener en cuenta la funcidt de densidad conjunta de tas variables sleatorias que constituyen el proceso estocdtico. El compoftamiento de una variable dleatoria 2 Ts vegreseita su fmcion de densidad f(2). Similarmente, fios variables aleatorias Z1 y Z quedarén completamente descritas (en términos probabilities) por si funcién de densidad conjunta f(Za, Z)} En general, 1V variables aleatoras, y en con} secuencia un proceso estoedstico, podrén describirse mediante la funckin de) detsidad conjunta {(Zs, Za,---, 20). En prictioamente todo andlisis,estadisticn, exsepto en el endliss de sa jempo {Ze supone que las observaciones quo se tienen provieuen de vatiables aleatorias independientes{ de forms tal que con el eouocimlea to de las funciones de deosidad individusles, es posible obtener filmente 8 Capttalo 1. Introxuevign al andlsis de sevies de tiempo 1969, 1970 197119721973 97k 1575175 Tew ‘Figura 1.4 Tes reallzaciones del posible proceso guerador del IPC. Ia Sunn de densidad conusta Ba einai, eno as des sre de tieipo se supone que existe toda una estructura de corelaciGn entre las “Beets prcosipiente nde pal obiznr Ts nO de densidad conjunta de manera tan directa y debers utilizarse elguné otra forma para. -caacterizar la vasiables alentorias que inizrvienea] Con este objetivo en teste y para faciltar Ia exposiién eubsecuente, e3conveninte presentar alguncs operadores y polinomox de uso freeuente enol andisis do series de tiempo. . 1.2.2. Uso de operadores y polinomios de retraso Bl primer operadot que se menciosaré se ama operador dé retraso, que ‘se denotard por la letra B (del inglés backward), Dicho opetador se define ‘mediante Ia relacién N B2= Tis para todat (21) ‘por Ia aplicacin sucesiva del operador B sie obtiene " BA = BBA) = 2a : 1.2, Gexies de tiempo wistas como procesos estovésticos 9 Ba = Bz) = BYE, = B(BY'2) =e asi que, en general, la expres a ki que se legs es oats para k= 0,1,2)... ¥ toda t (aay ‘Adviértase que al “multiplicar” a B* por 2; se obtiene la variable re- trocada k petiodos y, debido a que B° = 1, se tiene B°Z = Z (si se fuera estricto, deberi, escibitae B° = [, on donde I denotaria el o Se ee feat ei in sane tobe saa oper) [Debe ‘potarse también que, de hecho, el operador modifica toda la -sucesiOn de va- Notes (Za, Zayev-yZeseers yf transforma ea la nueva soeesin {Zia Dak oy Deby EWR} ‘base en lo anterior conviene apreciar que, ‘si Gnicamente se cuenta con les observaciones Z,,...,Zv, 00 86 tendrén las observaciones Z1 1, Z2-t,---» 20, por tanto, la serie que originalmente eisinbs de 8 obeenncione, @fodurité a uma sre de eolameste Y= observaciones, por el salo hecho de aplicar BY. fara dar am ejemplo de la aplicacién de operadores de retraso,considere Jos datos del financiamiento otorgado mediante la banca privada y mixta {qué a musliaroa gréficamente on Io Bigura 1.3 y que aboca aparecen en el ceuadro LL. CCundeo 1.1 Finsacaainisotorgtdo medion In bance Pol y int, Slo ome 6 ps see ioe fee Toone ee Be mes veh inde tee TTA Be Sten sor tats) eae sans BS. grea mova t3oe0 utes 008 fey Sue asa tees GS Shenley ga tesoe tert ju. "asa taels tga oo ie 38st ~ sro Sen Moos GT ste Ot. nest esa ates Rov Tee Igo tsa 132 Si se dencta los datos por Ia serie de tiempo {Z:}, se tendria 70s 2) meme Ze =1K07 fools Zi Diora Ze = 1008 Sito 2 S12 = ae % =m 4 B rime Ze Fans Zo 210008 2y =e Bilime 24 wae Ze Fog ndteos Bn = ates Za= 4870 10 Capitulo 1. Introduce al andlisie de series do termpo 1L2. Series de tiempo vistes como proceses estocésticos n ‘Caro 1.2 Paanamisste etorgnd or la bance peivaday sta, Pujoe eneale ea mlows de pos =e esa = a es Re aes ash, TT ssi, si se coustruyen las nuevas series (:} y {Yi} definidas como X, = BZ ¥ ¥, = BIZ,, entonces los valores de estas series son Koen my 20m hs 000K os 2 Shor XS Shee 38 Sones ot Whe “Sega ca My. ee teh gta Soe at ams eape att Xo H MMe ig =I8ONO Kup 320067 Lye = OTE i jas aes XG ikme Xela amare key = aso 1 gam ie i aos eras y 1 8&2 te % hat = we - a % ou foe Yer | FA Un ejemplo del uso del operador diferencia se tiene pare pasar de Ia serie de saldos (Z,) del inanciamiento, del cuadro 1.1, a la serie de fyjos ne a asia ‘Ahora bien, en el andlisis de series de tiempo se utlizan operadores de % | ¥ %& i Ms=00' Y= e068 Vie=sos1 gman Hy Some Ye = Maar i 19862 Vig = 20496 Ys, = 1824 Yon = 19005 Von = 10082 Yoq = 26018 I de tal manera que (X+}'eontiene’los mismos datos (excepto el dltimo) que lj {21}, peroletrasadas por un perodo|y también [¥) extéformada por los rebraso en foreaa de polinomios, es decir, et polinomio : inlsies datos (excepto Tes doot ditimes) que {2}, pero retrasades doce i ‘periodos; asimisino, note que X1, Yi,..., Yi2-n0 tienen valores definidos. 4 Otro operedor de uso frecuente-¥ que esté intimamente ligado con B es | el operador diferencia. V.! Bste operador se utiliza para expreser relaciones ‘ del tipo ¥;, = Z~ Ze, donde, si Z, es una variable de saldo, entonees Yi seré la variable de flujo correspondiente; es decir, sise define a V mediante Bn Gta lea Bele = * ‘ A Yw8ig = Lali =) “ (128) aun polinomio de retraso que puede exprenarse como G(B)Z,, en donde Vap=%—Zia pare tedat (1.2.4) G(B) = 1 9.B = 8? ~---—ggB* = 1~ SB! =~ 3958" 0.2.7) ve tiene que Y; puede escribirse como ¥;, = VZ;. at ad Lea relacion que liga a V con 2 es la siguiente ications aan eon go = ~1'y Jos cosfclentes 9y,...,gk som constantes que ponderan ls importancia de los retrasos con les que estén asociados, ademés & puede : 92t 0,1,2,.. . ‘También es frecuente trabajar con polnomios de retraso rasionaes, los cusles, pueden expresarse como cacientes de des polinomics de vetrago, 0 sea, say ¥ 6; son constantes, Q(B) seré un olinomio racionel si v B oma VR 1 B)% (aa) de esta manera, asi como se obtuvo una expresién general pars B* inedian- te la aplicacién sucesiva del operador B, asi también podria obtenetse la siguiente forma general para. V* a _ _ con AB)= DfnoerBty er ee) 8) = ABCC) om Gg) Fikes 728) donde ky m son admeros enteros, no negativas y fnitas. Bl hecho de que G(B) tenga tal representacién, equivale a restringir el mimero de coef cientes 9; de este polinomio. El ejemplo més simple de este tipo de polinomios viene dado por Sin embargo, no se requiere de la aplicasin sucesive del operador V para Hegar a (1.2.5), ya que esta expresién es ficilmente comprobable a través } del empleo de! teorema del binomio, porque V* es en realidad un binomio | elevaci & Is kdsima potencia, o sea V*Z, = (1 ~ B)*Z ities ' Terao ge natn y une pba abe gu sien ae G(B)=1 498s Poe PB... oom lyl

    También podría gustarte