Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de series temporales
Procesos estocsticas
Funcin de autocovarianza, autocorrelacin y autocorrelacin parcial.
Procesos de ruido blanco y paseo aleatorio
Teorema de Wold
Procesos AR(p)
Procesos MA(q)
Procesos ARMA(p,q)
Procesos ARIMA(p,d,q)
Procesos estocsticos
Definicin: Un proceso estocstico es una
sucesin de variables aleatorias ordenadas
en el tiempo (en el caso de series
temporales).
Restricciones de Estacionaridad
Definicin: Un proceso estocstico es
estacionario en sentido estricto o fuerte cuando
la distribucin de probabilidad conjunta de
cualquier parte de la secuencia de variables
aleatorias es invariante del tiempo.
F ( xt , xt 1 ,..., xt k ) F ( xt , xt 1 ,..., xt k )
Restricciones a la heterogeneidad
temporal del proceso.
Definicin: Un proceso estocstico es
estacionario en sentido dbil si los
momentos del primero y segundo orden
de la distribucin (esperanzas, varianzas,
covarianzas) son constantes a largo del
tiempo.
E ( xt ) , para todos los t .
E ( xt t ) 2 2
t y .
E xt t xt t , para todos
Restricciones a la heterogeneidad
temporal del proceso.
Restricciones de memoria del proceso, ergodicidad.
lim 0
La relacin entre dos variables aleatorios de un proceso
es ms dbil cuando las variables son ms lejanas en el
tiempo.
Al aumentar el nmero de observaciones de la serie
temporal aumenta el nmero de covarianzas, pero no el
nmero de parmetros de estimar.
Restricciones a la heterogeneidad
temporal del proceso.
Definicin: Homogenizacin de una serie
temporal es cuando a travs de una
transformacin el serie temporal es
estacionar.
xt 1
si 0
xt( )
ln xt si 0
Restricciones a la heterogeneidad
temporal del proceso.
Las funciones de autovarianza y
autocorrelacin
Funciones de autocorrelacin miden la
relacin lineal entre variables aleatorias
de procesos separadas de una cierta
distancia en el tiempo.
Estimacin de estas funciones permiten
determinar la forma del procesos
estocstico.
Las funciones de autovarianza y
autocorrelacin
La funcin de autocovarianza
t , Cov( xt , xt ) E[( xt t )( xt t )]
...,1,0,1,...
E[( xt )( xt )]
0 E ( xt ) 2
kk Corr ( xt , xt k | xt 1 ,..., xt k 1 )
Las funciones de autovarianza y
autocorrelacin
Cov (( xt xt ), ( xt k xt k ))
kk
Var ( xt xt )Var ( xt k xt k )
xt 21 xt 1 22 xt 2 vt
xt k1 xt 1 k 2 xt 2 ... kk xt k vt
xt
Nota: Si la esperanza de no es cero, hay
que aadir una constante en cada regresin.
Las funciones de autovarianza y
autocorrelacin
Se puede demostrar que los coeficientes
de FAS se pueden escribir como una
funcin de coeficientes de FAP. Esta
relacin se llama el sistema de
ecuaciones de Yule-Walker.
Estimacin de los momentos
mustrales
Para un proceso estocstico estacionario con
ergodicidad, con una sola serie temporal, podemos
estimar;
La funcin de autocovarianza
La funcin de autocovarianza se puede
estimar a travs de la funcin de
autocovarianza muestral:
T
T 1 ( xt x )( xt x )
t 1
Funcin de autocorrelacion simple
Funcin de autocorrelacion simple
muestral,
T
(x t x )( xt x )
r t 1
0 T
t
( x
t 1
x ) 2
Funcin de autocorrelacion simple
1 1
2
V (r ) 1 2 ri
T i 1
funcin de autocorrelacin parcial
Para hacer la funcin de autocorrelacin parcial
muestral se puede aplicar MCO.
xt c 11 xt 1 vt
x c x x v
t 21 t 1 22 t 2 t
xt c k1 xt 1 k 2 xt 2 ... kk xt k vt
Procesos de ruido blanco
Definicin:
T
t t 1 es un proceso estocstico de ruido
blanco si;
E ( t ) 0 para todos t
E ( t ) V ( t )
2 2
para todos t
E ( ) 0 para todos t y 0
t t
Si 0 el proceso no es estacionario en
media.
Procesos de paseo aleatorio
La varianza;
2
t 1
t ,0 E ( xt E ( xt )) E 2
t j
j 0
t 1 t 1
t 1
E 2
t j 2
t j t j' E ( 2
t j )
j 0 j , j ' 0 j 0
j j'
2t
No es estacionario en varianza; tiene una tendencia
(incrementa linealmente). Paseo aleatorio tiene una
tendencia en varianza o tendencia estocstica.
Procesos de paseo aleatorio
Otra manera de llegar al mismo resultado;
Procesos de paseo aleatorio
Autocovarianza;
t , E ( xt E ( xt ))( xt E ( xt ))
t 1 t 1 t 1
E t j t j t j )
E ( 2
j 0 j 0 j 0
2 (t )
wt xt t
Procesos de paseo aleatorio
Es importante detectar si un serie est generada
por un pasea aleatorio.
xt c 11 xt 1 ut
x c x x u
t 21 t 1 22 t 2 t
xt c k 1 xt 1 k 2 xt 2 ... kk xt k ut
xt xt 1 t
Procesos lineales
T
Definicin: Un proceso estocstico t t 1
es lineal cuando lo podemos escribir
como una funcin de una combinacin
lineal (posiblemente infinita) de variables
aleatorios de ruido blanco.
xt t 1 t 1 2 t 2 ...
j t j
j 0
Procesos lineales
Hay tres tipos de procesos estocsticos lineales;
Autoregresivas (AR)
Media mvil (MA)
ARMA (la combinacin de AR y MA)
AR( p ); xt 1 xt 1 2 xt 2 ... p xt p t
MA(q ); xt t 1 t 1 2 t 2 ... q t q
ARMA( p, q ); xt 1 xt 1 ... p xt p t 1 t 1 ... q t q
Procesos lineales
Se puede introducir una constante para tener
procesos con una media 0 .
Donde t es ruido blanco.
j 0
j t j
Procesos lineales
El proceso MA() se puede aproximar a travs
modelos lineales, cuando el polinomio infinito (L)
se puede aproximar bien con un cociente de
dos polinomios en q ( L)
L : ( L )
p ( L)
j 1
(suficiente, pero no necesario): j 1
Procesos autoregresivos (AR)
AR(1) estacionariedad
xt 1 xt 1 t
(1 L) xt t
E ( xt t h ) E t t 1 t 2 ... t h 0
2
1
Procesos autoregresivos (AR)
El momento de primer orden es;
E ( xt ) E t j
j
1 j 0 1
Con estacionariedad ( E ( xt ) E ( xt 1 ) )
tenemos el mismo resultado;
E ( xt ) E ( xt 1 t ) (1 ) 1
Procesos autoregresivos (AR)
La varianza del proceso es;
2
2
0 E ( xt ) 2 E t j
j
2 j 2 2
1
j 0 j 0
2 1 1
2 1
Procesos autoregresivos (AR)
Los resultados para la covarianza de
AR(1) se puede generalizar.
Procesos autoregresivos (AR)
Procesos media mviles (MA(q))
Un proceso media mvil de orden q;
xt t 1 t 1 2 t 2 ... q t q
q ( L) t
Esperanza:
E ( xt ) E ( t 1 t 1 )
Procesos media mviles (MA(1))
Varianza:
0 E ( xt ) 2 E ( t 1 t 1 ) 2 E ( t2 ) 12 E ( t21 ) 21E ( t t 1 )
1 12 2
Autocovarianza:
1 E ( xt )( xt 1 ) E ( t 1 t 1 )( t 1 1 t 2 ) 1 2
2 E ( xt )( xt 2 ) E ( t 1 t 1 )( t 2 1 t 3 ) 0
0 2
Procesos media mviles (MA(1))
FAS es: 1
1
(1 1 )
2
0 2
0 E ( xt ) 2 E ( t 1 t 1 2 t 2 q t q ) 2
1 12 22 q2 2
0 si q
Procesos media mviles (MA(q))
Procesos autoregresivos media
mviles (ARMA(p,q))
Un modelo autoregresivo media mvil
(ARMA(p,q)) sigue la forma;
(1 11 )(1 1 )
1
FAS: 1 211 12
1 1 1
ARMA(1,1)
ARMA(p,q)
p (1) 1
r* d ( L)
Donde no incluye races unitarias y d
es el nmero de races unitarias.
Procesos autoregresivos
integrados media mvil;
ARIMA(p,d,q)
Recuerda el operador de diferencias;
ARIMA(p,d,q)
Por ejemplo, ARIMA(0,1,0) es un paseo
aleatorio.
ARIMA(p,d,q)
Si una serie presenta un correlograma
como un AR(1) con 1 ; FAS est muy
cerca 1, y no caen rpidamente.
ARIMA(p,d,q)
Si aplicamos el operador de diferencia
cuando no es necesario (sobre-
diferenciar), tendremos un MA(1) que no
es invertible.