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(x ) , para todos los t .
t
E ( xt t ) 2 2
para todos t y .
Ext t xt t ,
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.
Para conseguir una media constante a largo del tiempo se puede aplicar operadores de
diferencia, . 1 L , donde L es el operador de retardo. Lxt xt 1 .
xt (1 L) xt xt xt 1.
wt d xt (1 L) d xt
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 )
Varianza ( 0 )
Autocovarianzas ( )
Autocorrelaciones ( )
Autocorrelaciones parciales ( kk )
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
Si el proceso es a) estacionario gaussiano (normal) y b) k 0 para k , se puede
estimar la varianza de r con esta formula,
1
1 2
V (r ) 1 2 ri
T i 1
Donde 11,...,kk son estimaciones consistentes de la FAP. Bajo los supuestos que el
proceso es gaussiano (normal) y que kk k 1, k 1 ... 0 , se puede estimar la varianza
con,
1
V (kk ) de manera que si kk est fuera del intervalo ( 1.96T 1 / 2 , 1.96T 1 / 2 )
T
rechazamos la hiptesis que kk 0 .
Procesos de ruido blanco
Definicin:
t t 1 es un proceso estocstico de ruido
T
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 t j
2
j 0
t 1 t 1
t 1
E t j 2 t j t j ' E ( t2 j )
2
j 0 j , j ' 0 j 0
j j'
2t t es ruido blanco, y E ( t t j ) 0 j 0
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 E ( t2 j )
j 0 j 0 j 0
2 (t )
wt xt t
wt es estacionario; es un ruido blanco alrededor de la media, .
Procesos de paseo aleatorio
Es importante detectar si un serie est generada
por un pasea aleatorio.
xt c 11xt 1 ut
x c x x u
t 21 t 1 22 t 2 t
xt c k1 xt 1 k 2 xt 2 ... kk xt k ut
xt xt 1 t
Y contrastar si H 0 : 1
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
t es un trmino aleatorio, independiente e idnticamente distribuido (ruido blanco).
Procesos lineales
Se puede introducir una constante para tener
procesos con una media 0 .
p
(necesaria, pero no suficiente):
j 1
j 1
p
(suficiente, pero no necesario):
j 1
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
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 j t j 2 j 2 2
j 0 j 0 1
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
1
2
1 2
4
6
1 2
1 1 1
2
1 1
Procesos media mviles (MA(1))
Procesos media mviles (MA(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
Representar con MA( ) :
xt j t j ( L) t
j 0
0 E ( xt )2 2 2j
j 0
Procesos autoregresivos
integrados media mvil;
ARIMA(p,d,q)
Procesos ARIMA presentan races
unitarias en el polinomio autoregresivo; no
*
son estacionarios. Se puede factorizar r ( L)
a partir de las races unitarias. Podemos
escribir; *
r ( L) (1 L) d r d ( L)
Donde r* d ( L )
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.