GEMA MARTINA ROMERO PACHECO

AL11506642
EVIDENCIA UNIDAD 2
ESTADISTICA 3
Evidencia de aprendizaje. Reporte de modelacin

Considera los siguientes modelos autorregresivos AR en donde c es una constante y t es un proceso

de ruido blanco. Encuentra los cinco primeros valores de la funcin de autocorrelacin (FAC). Son
estacionarios los procesos?, por qu?
Los modelos autoregresivos se abrevian con la palabra AR tras lo que se indica el orden de modelo AR
(1),AR(2) etc. El orden del modelo expresa el nmero de observaciones retasadas de series temporales
analizadas que intervienen en la ecuacin.
Es el modelo AR(1) estacionario
Si |1|<1 si
Si

|1|1 no
|1|<1 AR ( 1 ) es estacionario ?

Porque

Ejemplo de un modelo AR (1)

Yt = 0 +1 y t 1 + at
El termino de error de los modelos de este tipo se denominan generalmente como ruido blanco cuando
cumple las tres hiptesis bsicas tradicionales mencionadas al principio del texto
- Media nula
- Varianza constante
- Covarianza nula entre errores correspondientes a observaciones diferentes
La expresin genrica de un modelo autorregresivo no de un proceso AR() sino de un AR(p) es la
siguiente

y t =0 +1 y t1 +2 y t 2+ + p y t p +at
De forma abreviada

p ( L ) y t =0+ at
Donde

p ( L) es lo que se conoce como operador polinomial de retardos

Donde a su vez el termino L es lo que se conoce como operador retardo tal que aplicando el valor de
una variable en t da como resultado el valor de esa misma variable en t -1

y t = y t1

Y aplicado sucesivamente p veces retardo el valor en p periodos

LPyt=

y t p

Normalmente se suele trabajar con modelos autorregresivos de ordenes bajos AR(1) AR(2) o bien con
ordenes coincidentes con la periocidad de los datos de los serie analizada ( si es trimestral AR(4) y si
es mensual AR(12)

La funcin de autocorrelacin (FAC) se entiende a los sucesivos coeficientes de correlacin de distintos

rdenes de una variable con ella misma desfasada diferentes rdenes o periodos .La FAC se define como:

pt =

Cov ( y t y t )
var ( y t )

( y t y t )
( y t )2

la FAC proporciona informacin sobre la relacin lineal entre la misma serie separadas por
temporales.
EJEMPLO : para un modelo AR(2)
La FAC de orden uno

yt

E
La FAC deden uno p1=
yt

E
La FAC de ordendos p 2=

y 0 +2 y1
y0

1+ 2 P1

y 1 +2 y 1
y0

1 P1 +2

y 2 +2 y 1
y0

1 P2 +2 p 1

E( y t y 1)

E ( y t y 2 )

yt

E
La FAC de ordentres p3 =

E ( y t y 3 )

yt

La FAC de ordencuatro p 4=

E( y t y 4 )

yt

E
La FAC de ordencinco p5=

E( y t y 5)

y 3 +2 y 1
y0

y 4 +2 y 1
y0

1 P3 +2 p 1

1 P4 + 2 p1

Concluyendo de forma anloga se concluye que la FAC para un modelo AR(2) es

Pt =( 1 Pt 1+2 Pt2 ) para todo >1

unidades

a)

Z t 0.9 Zt 1 0.1Z t 2 c at

el modelo AR(1) se representa

p

x t=C + xt 1+t
i=1

si representamos los valores en elmodelo AR(1)

t= c0.9 z t1 +at
z

Conforme a la definicin del problema tenemos que contiene la covarianza

Hallamos el valor fi

0.9

||=|0.9|<1
1< 0.9< 1
por lo que se cumple que es estacionario y no depende deltiempo sino del intervalo

b)

Z t 0.1Z t 1 0.9 Z t 2 c at

el modelo AR(1) se representa

p

x t=C + xt 1+t
i=1

si representamos los valores en elmodelo AR(1)

t= c 0.1 z t1+ at
z

Conforme a la definicin del problema tenemos que contiene la covarianza

Hallamos el valor fi

0.1

||=|0.1|<1
1< 0.1<1
por lo que se cumple que es estacionario y no depende deltiempo sino del intervalo

En cambio el requisito de estacionalidad en varianza para un modelo AR es que las races del
polinomio sean menores que la unidad. De ah que si el modelo es estacionario en varianza se
calculan las races del polinomio caracterstico del modelo para ello se iguala la parte
autorregresiva del modelo.

1. Considera los siguientes modelos de promedios mviles MA, en donde t es un proceso de ruido
blanco. Encuentra la funcin de autocorrelacin (FAC) para cada uno de ellos, y di si son o no
invertibles.
Function de autocorrelacion

Z~t at 0.7at 1 0.2at 2

y t = t 1 t 1 + 2 t2
Con

1=0.7 2 = 0.2

0.7
0.2
R(0)=(1
( 2)
( 2)+ 9=13.77

=.9

21

R(1)=

9 1 j +1=9( 0 1+ 1 2 )
j=0

=9(-0.7 +(-0.7)(0.2))=-7.56

22

R(2)= 9

1 j +2=9(0 2)

= 9(0.2)= 1.8

j=0

Entonces la FAC es

P(0) =1

P(1)=

7.56
13.77

= .549

P(2)=

1.8
= .130
13.77

P(3)= P(4)=.=0

a)

Z~t at 0.7 at 1 0.2at 2

Veamos si

Z t es invertible , hallamos las raices del polinomio z(2)

2 ( z ) =10. 2z 0.7 z 2=0

0.2 0.224(0.7)(1)
2(.7)

z=.

.2+.21.67
= .90
1.4

z=

.2.21.67
=-1.19
1.4

Por lo que -.90

y -1.19

1 por lo tanto

Encuentra la funcin de autocorrelacin (FAC

Z~t at 0.2at 1 0.7at 2

y t = t 1 t 1 + 2 t2

z t=es invertible

Con

1=0.7 2 = 0.2

=.9

0.220.72 9=13.77

R(0)=(1

21

R(1)=

9 1 j +1=9( 0 1+ 1 2 )
j=0

=9(0.2 +(0.2)(-0.7))=0.54

22

R(2)= 9

1 j +2=9(0 2)

= 9(-0.7)= -6.3

j=0

Entonces la FAC es

P(0) =1

b)

P(1)=

.54
13.77

= .039

P(2)=

6.3
= .457
13.77

Z~t at 0.2at 1 0.7 at 2

Comprobemos si

Z t es invertible, hallamos las races del polinomio z(2)

2

2 ( z ) =1+ 0.2 z0.7 z =0

Z=

0.7 0.724( 0.2)(1)

2(0.2)

.7+.7.89
.4

= .22

Z=

.7.7.89
.4

= -5.7

Por lo tanto z=.22

.22 1 asimismo

z=-5.7

1 por lo que se comprueba z t

invertible

Los dos ejemplos son invertibles ya que se dice que el proceso Yt es invertible si cumple

q (z )|z|1

=1q o tambin si

2.

Encuentra el valor de
a)

1 , 2 ,..., 5

Z~t at 0.7 at 1 0.2at 2

1=1
1=0.7
2= 1 1 2

2=( 0.7 ) (0.7 )0.2

2=.29
3= 2 1+ 1 2 - 3
0.7

(0.29 )(0.7 )+ ( 0.2()0 ]

3=
3=0.063
4 = 3 1 + 2 2+ 1 3 4

para cada uno de los siguientes modelos.

|z j|>1, j

0.063

0.7
0.29

4=
4=0.0139
5 =

4 5
4 1 + 3 2 + 2 3 1

(0.0139)(-0.7)+(0.063)(0.2)+0

5 =
5=0.0349

Z~t at 0.2at 1 0.7 at 2

1=1

1=0.2
2= 1 1 2

2=(0.2 )( 0.2 ) +0.7

2 =0 .66

3= 2 1+ 1 2 - 3

0.2

( 0.66 ) ( 0.2 ) + (7()0 ]

3=. 272
4 = 3 1 + 2 2+ 1 3 4
4 = (0.272)(0.2)+(0.66)(-.7)-0
4 =.407

5 =

4 5
4 1 + 3 2 + 2 3 1

5 = (.407)(0.2)+(.272)(-0.7)+0=.109
5 =-0.109

Considera la represe
Justifica tu respuesta.

ntacin de estos modelos como

B Z t at . Convergen las sumas

i 1

20 <0( y consecuencia ( B ) converge en el circulounitario) es

Si

una condicin suficiente para

j=0

que el proceso sea estacionario

Un proceso autoregresivo se escribe

Z t = 1 z t 1 + 2 z t 2+ +at ,

O su manera equivalente

( B ) z t=at

( B )=1 -

Donde

j Bj y
j=1

1+

| j|<
j=1

Un proceso se dira invertible si puede ser representado de esta manera.Notemos que dado un proceso de
Z t = ( B ) at
la
forma
de
ser
invertible
si
las
races
de

( B )=0 se encuentra fueradel circulo unitario .

Ejemplo
sea un proceso de la forma
obtenemos que

es decir

at

z t = (1- B at . Si expresamos a
1k +1 Bk +1 1
z
1
= (1- B z t =(1+
2
B+B ++Bk

at

en funcin de la

Zt

z t =- zt 12 z t2k z tk +a t k+1 at k1
2

luego si ||
1,teniendo k a infinito obtenemos que z t=z t1 z t2+at que define un
proceso estacionario
j
adems = j . Luego si || 1 tenemos que se agranda a medida que k se hace grande . Luego si
pide

||<

todo

|B|1

1 para que la serie sea invertible y se satisfar si

1B 1 =
( B )=

1 B j
j=0

converge para

es decir dentro del circulo unitario

En general tendremos que un proceso ser estacionario si ( B ) converge dentro del circulo
unitario y ser invertible si ( B ) converge dentro del circulo unitario.
Otro ejemplo
Para

z t0.1 z t =C+a t

i=
1
i=1

0(0.1)

i= 1(0.1)
i=1

0.1
<
i= 1.01
i=1

Para

^z t=at +0.7 at10.2 a t2

i=
i=1

0.2(0.7)
1(0.7)

i=3<

i=1

De ah que las sumas

i
i=1

convergen