UNIVERSIDAD DE CONCEPCIÓN

FACULTAD D MATEMÁTICAS / DEPARTAMENTO DE ESTADÍSTICA

523425 SERIES DE TIEMPO Primer Semestre 2021

Ayudantı́a N 6

Profesor: Guillermo Ferreira.

Ayudante: Angie Méndez.

1. Considere el proceso definido como:

vt = xt + yt ,

calcule la densidad espectral del proceso vt en los siguientes escenarios

a) Los procesos xt e yt satisfacen

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))

para −π ≤ λ ≤ π. Por otro lado, la función de densidad espectral de yt es dada por

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

fv (λ) = fx (λ) + fy (λ).

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

γx (h) = Cov(xt , xt+h ) = Cov(µ + zt , µ + zt+h )

 2
σz si h = 0
=
0 e.o.c.
 Luego la función de densidad espectral es dada por
∞
1 X
fx (λ) = γ(h) exp (−ihλ), −∞ < λ < ∞
2π
h=−∞
σz2
= , −π ≤ λ ≤ π,
2π
σz2 2
σω
por lo tanto fv (λ) = 2π + 2π (1 + θ2 + 2θ cos (sλ)).
c) Muestre que la siguiente función corresponde a una función de autocovarianza de un proceso
estacionario Xt .


 1 si h = 0
−0,5 si h = ±2

γx (h) =

 −0,25 si h = ±3
0 e.o.c.


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.

a) Sea Xn = Zn + αZn−1 donde α es constante. Encuentre la función de densidad espectral de X.

SOL:
Note que {Xn } es un proceso MA(1), con función de autocovarianza dada por

1 + α 2 si k=0
γX (k) = α si |k| = 1
0 si |k| ≥ 2


Recordemos que
∞
" #
1 X
−iλh
f (λ) = e γ(h)
2π
h=−∞

Obs. eiλ + e−iλ = cos(λ) + isen(λ) + cos(λ) − isen(λ) = 2cos(λ).

 Entonces:
∞
" #
1 X
f (λ) = e−iλh γ(h)
2π
h=−∞
1
γ(0) + γ(1)[eiλ + e−iλ ]
 
=
2π
1
= [γ(0) + γ(1)(2cos(λ))]
2π
1
(1 + α2 ) + α2cos(λ)
 
=
2π
1  2 
= α + 2αcos(λ) + 1
2π
Pr
b) Más general, sea Yn = i=0 αi Zn−i , donde α0 = 1 y α1 , . . . , αr son constantes. Encuentre la
función de densidad espectral de Y .
Solución
∞
X
Teorema 1 Sea {Xt } una serie estacionaria con funcion de covarianza γX tal que |γX (j)| < ∞.
−∞
∞
X ∞
X
Se define Yt = Ψj Xt−j , con |Ψj | < ∞. Entonces Yt es una serie estacionaria y su densidad
−∞ j=0
espectral es dada por   2
fY (λ) = Ψ e(−iλ)  fX (λ),
 

P∞
donde Ψ e(−iλ) = j=−∞ Ψj e(−iλj) y fX (λ) es la densidad espectral de {Xt }. En nuestro caso,
el proceso {Yn } puede escribirse como:
r
X
Yn = αi Zn−i
i=0
= Z1 + α1 Zn−1 + ... + αr Zn−r
= α(B)Zr ,
donde α(B) = 1 + α1 B + ... + αr B r . Además, se tiene que Zt ∼ RB(0, 1) con función de densidad
1
espectral es fZ (λ) = . Luego, utilizando el Teorema enunciado anteriormente
2π
1  2
fY (λ) = Ψ(e−iλ)  ,

2π
Pr
donde Ψ(z) = j=0 αj z j .
3. Sea X = {Xn : n ≥ 1} un proceso dado por Xn = cos (nU ), donde U ∼ U nif [−π, π]. Muestre que X es
estacionario pero no strictamente estacionario. Encuentre la función de correlación de X y su función
de densidad espectral.
SOL:
Para demostrar que el proceso Xn = cos(nU ) es estacionario debemos calcular la esperanza y la función
de auto-covarianza y ambas deben ser independientes del tiempo t ∀t ∈ N.
Z b
1
Recordemos que si Y ∼ U (a, b) ⇒ E(Y ) = dy. Entonces:
a b−a
Z π
1
E(Xn ) = E(cosU ) = cos(nU ) dU
−π 2π
Z π
1
= cos(nU )dU
2π −π
=0
 Z π
1
V ar(Xn ) = E(Xn2 ) = cos2 (nU )dU
2π −π
π
=
2π
1
=
2

1/2 si k = 0
Cov(Xn , Xn+k ) = E(Xn · Xn+k ) = E(cos(nU ) · cos(n + k)U ) =
0 e.o.c

∞
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):

E(X1 X2 X3 ) = E(cos(U )cos(2U )cos(3U ))

Z π
1
= cos(U )cos(2U )cos(3U )dU
2π −π
1 π
= ·
2π 2
1
=
4
Para el segundo caso (n = 4):

E(X4 X5 X6 ) = E(cos(4U )cos(5U )cos(6U ))

Z π
1
= cos(4U )cos(5U )cos(6U )dU
2π −π
1
= ·0
2π
=0

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.