Documentos de Académico
Documentos de Profesional
Documentos de Cultura
vt = xt + yt ,
xt = φxt−s + zt
yt = θωt−s + ωt ,
con |φ| < 1, |θ| < 1, s ∈ N, {zt } ∼ RB(0, σz2 ) y {ωt } ∼ RB(0, σω2 ) y Cov(zk , ωh ) = 0 ∀ k, h.
SOL:
La función de densidad para el proceso {xt } es dada por
σz2
fx (λ) =
2π(1 − φ exp (−isλ))(1 − φ exp (isλ))
σz2
= 2
2π(1 + φ − φ(exp (−isλ) + exp (isλ)))
σz2
= 2
,
2π(1 + φ − 2φ cos (sλ))
σω2
fy (λ) = = (1 + θ exp (−isλ))(1 + θ exp (isλ))
2π
σω2
= (1 + θ2 + 2θ cos (sλ)),
2π
para −π ≤ λ ≤ π. Luego la función de densidad espectral de vt es dada por
b) Considere ahora un ruido blanco más una media para el proceso {xt }, es decir
xt = µ + zt .
SOL:
La función de autocovarianza del proceso {xt } es
SOL:
Usando el resultado
P∞ que una función es autocovarianza de un proceso estacionario si y sólo si es par y
1
f (λ) = 2π h=−∞ γ(h) exp (−ihλ) ≥ 0 para −π ≤ λ ≤ π,. La función γx (h) es par, luego calculamos
la función de densidad espectral
∞
1 X
fx (λ) = γ(h) exp (−ihλ), −∞ < λ < ∞
2π
h=−∞
1
= (−0,25e3iλ − 0,5e2iλ + 1 − 0,5e−2iλ − 0,25e−3iλ ), −π ≤ λ ≤ π,
2π
1
= (1 − 0,5 cos (3λ) − cos (2λ)),
2π
1
en particular para λ = 0 se tiene f (0) = − 4π , por lo tanto no es una función de autocovarianza de un
proceso estacionario.
2. Sean Z1 , Z2 , . . . , variables no-correlacionadas, cada una con media cero y varianza unitaria.
Recordemos que
∞
" #
1 X
−iλh
f (λ) = e γ(h)
2π
h=−∞
∞
1 X −iλh
f (λ) = e γ(h)
2π
h=−∞
1
= · γ(0)
2π
1 1
= ·
2π 2
1
=
4π
Para mostrar que el proceso no es estrictamente estacionario se comparará E(Xn Xn+1 Xn+2 ) para
n = 1 y n = 4, con el fin de encontrar un contra ejemplo.
Para el primer caso (n = 1):
Esto muestra que los vectores {X1 , X2 , X3 } y {X4 , X5 , X6 } no tienen la misma distribución, por lo que
el proceso {Xn : n ≥ 1} no es estrictamente estacionario.
4. El archivo deaths.txt contiene cifras mensuales de muertes accidentales en Estados Unidos desde 1973
a 1978.
a) Grafique los datos y proponga un modelo para representar los datos.
b) Realice un análisis espectral para encontrar el periodo de la componente estacional. Cuál es el
periodo de los datos?
c) Ajuste un modelo de regresión usando el periodo encontrado.
d ) Gráficar los datos ajustados versus los datos reales.
e) Realice un ánalisis de los residuos y proponga un modelo.
f ) Alternativamente, podemos usar la función auto.arima para ajustar un modelo a los datos.