Modelos de media

móvil (MA)
 Serie de tiempo
Es una colección o conjunto de mediciones de cierto fenómeno o experimento
registrados secuencialmente en el tiempo, en forma con intervalos de tiempo
iguales.
.
Componentes de una serie de tiempo

Residuos
Tendencia
Estacionalidad Ciclicidad
Ejemplos
 Propiedades de una serie de tiempo
Sea 𝑋𝑡 una serie de tiempo entonces con estas propiedades:

Donde 𝛾𝑡 ,la covarianza al rezago 𝑘, es la covarianza entre los

valores de 𝑋𝑡 𝑦 𝑋𝑡+𝑘, que están separados 𝑘 periodos.
 Procesos estocásticos
Las series de tiempo se pueden entender como procesos
estocásticos (es decir, fundamentalmente aleatorios).
Una serie se puede ver como un proceso estacionario si:

• Su media es constante en el tiempo, es decir, no tiene

tendencia.
• Su varianza es constante en el tiempo.
• Su estructura de autocorrelación es constante en el
tiempo.
 Autocorrelación
La autocorrelación indica qué tanto depende
(linealmente) lo qué pasará con los valores en un
momento dado de lo que pasaba con ellos en un
tiempo anterior.
 Autocorrelación simple (FAS):
Indica la relación de la variable en el momento 𝒕 con el
termino de perturbación y sus rezagos. Determina el orden
𝒒 del componente MA. (si la serie lo tiene).
 Autocorrelación parcial (FACP):
Indica la relación de la variable en el momento 𝒕 con sus propios
rezagos. Determina el orden 𝒑 de componente AR
 Procesos de ruido blanco

Definición:
 T
t t 1 es un proceso estocástico de ruido blanco si;
 E ( t )  0 para todos t

 E ( t
2
)  V ( t )   2
 para todos t
 E (  )    0 para todos t y   0
 t t  

Es un proceso con media = 0, varianza constante, y sin

autocorrelación. No se puede predecir a partir de su pasado.
Modelos de media móvil 𝑴𝑨(𝒒) Estos procesos siempre son estacionarios suponen linealidad,
el valor actual de la serie 𝑋𝑡 esta influenciado por valores de una fuente externa (los momentos
de primer y segundo orden son siempre finitas y constantes a largo del tiempo).
 Media móvil :

Es un cálculo utilizado para analizar un conjunto de

datos en modo de puntos para crear series de
promedios.
Son una lista de números en la cual cada uno es el
promedio de un subconjunto de los datos originales.
Grafico de un ruido blanco
El modelo de medias móviles (MA)

Es una aproximación común para series de tiempo

univariadas, especifíca que la variable de salida
depende linealmente del valor actual y varios de los
anteriores de un término estocástico.
 Modelos media móviles (MA(q))
El modelo de promedios móviles de orden 𝑞 esta dado por:

Expresado en términos del polinomio operador de retardos se tiene:

Donde es un proceso de ruido blanco, y son los

parámetros del modelo.
 Modelos media móviles (MA(q))

Esta condición implica que las raíces del

polinomio  q (L ) están fuera del círculo de
unidad.
Los procesos MA no invertibles no permiten
una representación autoregresiva convergente.
Procesos media móviles (MA(q))
modelo media móviles (MA(q))
 Modelos media móviles (MA(1))
Los modelos de media móvil determina el valor de 𝑋𝑡 en función de
la innovación actual y su primer retardo es:

Expresado en función del polinomio operador de retardos es:

Donde 𝜀𝑡 es un proceso de ruido blanco y 𝜃 es el parámetro.

a) Estacionario en media

Es estacionario en media para todo valor del parámetro

b) Estacionario en covarianza
La autocovarianza para 𝜸𝟏 𝜸𝟐 es:
Una forma general de la función de
autocovarianza es:
La función de autocorrelación de MA(1) es:
Y el proceso continuara, eliminando ahora el termino st-3.
Este procedimiento conduce, en el límite, a expresar𝑦𝑡 como función de su propio pasado, así como el
valor contemporáneo del ruido blanco 𝜀𝑡 , pero solo tiene sentido 𝜃 <1. De otro modo, se tendría en
[13.5[ que el pasado de 𝑦𝑡 , tiene una gran importancia para determinar su comportamiento actual, y
tanta más importancia cuanto más atrás en el tiempo. Cuando 𝜃 <1se dice que el proceso MA (1) es
invertible y podemos obtener su representación aurorregresiva como límite del procedimiento descrito en
13,5

𝛿
𝑦𝑡 = − σ∞ 𝑠
𝑠=1 𝜃 𝑦𝑡−𝑠 + 𝜀𝑡
1−𝜃

El hecho que al invertir un proceso MA (1) se tenga coeficiente 𝜃 𝑠 en los retardos de y, sugiere, como asi
es, que la fap: de un proceso MA (1) decae exponencialmente hacia cero, quizá alternamente en signo
positivo, entonces la fap converge a cero exponencialmente alternando en signo, y empezando de un
valor positivo. Si. En cambio, el parámetro 𝜃 tiene signo positivo, entonces la convergencia va a ser con
todos los valores de la fap. Tomando signo negativo. Nótese, por tanto, que u proceso MA(1) no puede
generar nunca una fap que sea siempre positiva, pero si puede generar una función de autocorrelacion
parcial que es siempre negativa.
Modelos de media móvil (MA(1))
 Modelos media móviles (MA(2))

Donde los parámetros son 𝜃1 y 𝜃2 , además 𝜀𝑡 es un proceso

de ruido blanco.
 Las características mas importantes son:

A) estacionario en media
b) Función de autocovarianza 𝜸𝒌,𝒌 = 𝟎, 𝟏, 𝟐, 𝟑, …
En resumen las autocovarianzas de un MA(2) son:
Las funciones de autocorrelación están
dadas por:
Las condiciones de invertibilidad para el
modelo MA(2) están dados por:
Procesos media móviles (MA(2))
Invertibilidad Para MA(2)
Siguiendo un proceso de inversión análogo al que se hizo con el proceso MA(1) se puede probar
fácilmente que la FAP de este proceso puede tener diversas formas, dependiendo de los signos y
los valores relativos de los parámetros 𝜃1 y 𝜃2 . En cambio, la función de covarianza cumple:
𝛾0 = 𝜎𝑦2 = (1 + 𝜃12 + 𝜃22 )𝜃𝜀2
𝛾1 = 𝐸 𝑦𝑡 𝑦𝑡−1 = 𝐸 (𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2 )(𝜀𝑡−1 − 𝜃1 𝜀𝑡−2 − 𝜃2 𝜀𝑡−3 =
= 𝐸𝜀1 𝜀𝑡−1 − 𝜃𝐸𝜀𝑡−2 − 𝜃1 𝐸𝜀𝑡−3 − 𝜃1 𝐸𝜀𝑡2 𝑡−1 + 𝜃12 𝐸𝜀𝑡−1 𝜀𝑡−2 +
2
+𝜃1 𝜃2 𝐸𝜀𝑡−1 𝜀𝑡−3 − 𝜃2 𝐸𝜀𝑡−1 𝜀𝑡−2 𝜃2 𝐸𝜀𝑡 𝜀𝑡−3 − 𝜃1 𝐸𝜀𝑡−2 + 𝜃22 𝐸𝜀𝑡−2 𝜀𝑡−3 =
= −𝜃1 −𝜃2 𝜎𝜀2
Donde se ha utilizado en repetidas ocasiones la ortogonalidad
Inter temporal del proceso de ruido blanco, del mismo modo
se tiene:
𝛾2 = 𝐸 𝑦𝑡 𝑦𝑡−2 = 𝐸 −𝜃2 𝜀𝑡−2 𝜀𝑡−2 = −𝜃2 𝜎𝜀2
Mientras que 𝛾𝑘 = 0 para todo 𝑘 > 2. Por tanto, la FAS es:
𝜃1 (1−𝜃2 )
𝜌1 =
1+𝜃12 +𝜃22
𝜃2
𝜌1 =
1+𝜃12 +𝜃22

𝜌𝐾 = 0 para todo 𝑘 > 2