Professional Documents
Culture Documents
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).
Definicin: Una serie temporal es una
realizacin del proceso estadstico, es decir,
es una observacin de T variables aleatorias
ordenadas en el tiempo.
Restricciones a la heterogeneidad
temporal del proceso.
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
E xt t xt t ,
t y .
para
todos
Restricciones a la heterogeneidad
temporal del proceso.
Restricciones de memoria del proceso, ergodicidad.
lim 0
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.
Queremos tener una serie temporal con
una media y varianza (ms o menos)
constante a largo del tiempo.
Restricciones a la heterogeneidad
temporal del proceso.
Transformacin Box-Cox:
xt( )
xt 1
si 0
ln xt si 0
Restricciones a la heterogeneidad
temporal del proceso.
2
2
t t
E ( xt t ) E ( xt t )
11 t 1
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.
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
(x
t 1
x )( xt x )
2
(
x
x
)
t
t 1
1
1
2
V (r ) 1 2 ri
T
i 1
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
2
2
E ( t ) V ( t )
E ( ) 0
t t
para todos t
para todos t
para todos t y 0
xt t
xt xt 1 t
x0 t t j
j 0
t 1
E ( xt ) E x0 t t j x0 t
j 0
Si 0 el proceso no es estacionario en
media.
E ( xt E ( xt )) E
t ,0
t 1
j 0
2
t j
t 1
t 1
j 0
t j
t 1
E
(
t j t j'
t j )
j , j ' 0
j 0
j j'
2t
t 1
E t j
j 0
2 (t )
t 1
t j
j 0
t 1
2
E
(
t j )
j 0
wt xt t
t ,
2 (t )
(t )
1
2
2
t
t , 0 t , 0
t (t )
t (t )
xt c k 1 xt 1 k 2 xt 2 ... kk xt k ut
xt xt 1 t
Procesos lineales
T
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 .
Se puede expresar los procesos con un
polinomio de operadores de retardos. El
operador de retardos L esta definido por;
Lxt xt 1
Lk xt xt k
Procesos lineales
Utilizando el operador de retardos y la
generalizacin con el constante, ,
podemos escribir los procesos:
AR( p ); p ( L) xt t
MA(q );
xt q ( L) t
ARMA( p, q ); p ( L) xt q ( L) t
p ( L) 1 1 L 2 L2 ... p Lp
p ( L) 1 1 L 2 L2 ... q Lq
Procesos lineales
Teorema de Wold. Cualquier proceso
estocstico estacionario se puede
representar con una suma de dos
procesos.
xt d t ut
j 0
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)
Transformaciones puede hacer series
estacionarios y la teorema permite crear
modelos relativamente sencillas a partir de
modelos lineales.
p ( L) (1 1 L 2 L ... p L ) 0
2
j 1
j 1
j t j
1 j 0
xt
E ( xt t h ) E
2
t t 1 t 2 ... t h 0
1
j
E ( xt ) E
t j
1 j 0
1
( E ( xt ) E ( xt 1 ) )
Con estacionariedad
tenemos el mismo resultado;
E ( xt ) E ( xt 1 t ) (1 ) 1
0 E ( xt ) 2 E
j 0
t j
2 j 2 2
1
j 0
E ( ~x ~
x ) E ((~
x )~
x )
t t
t 1
xt 1 xt 1 2 xt 2 t
(1 1 L 2 L2 ) xt t
2 ( L ) xt t
donde 2 ( L) (1 1 L 2 L2 )
2 1
xt t 1 t 1 2 t 2 ... q t q
q ( L) t
Estos procesos siempre son estacionarios (los
momentos de primer y segundo orden son
siempre finitas y constantes a largo del tiempo).
Una condicin (que hay que comprobar) para
estos procesos es que son invertibles.
xt t 1 t 1
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
1
1
2
(1 1 )
0
2
1k (1 12 )
kk
1 12 ( k 1)
1
1 12
2 12
12
22
2
1 1
1 12 14
3 13 1 22 2 1 2 12 3
13
33
2
2
2
1 2 1 2 2 1 2
1 2 12
2
1 1
1 2
2
1 1
13
1 12 14 16
(1 1L 1L ) 0
2
1 12 22 q2 2
si q
0
ARMA(1,1)
xt xt 1 t 1 t 1
(1 1 ) 1
1 211 12 2
0
1 12
FAS:
(1 11 )(1 1 )
1 211 12
1 1
1
1
ARMA(1,1)
ARMA(p,q)
p (1) 1
Representar con
xt j t j ( L) t
j 0
0 E ( xt ) 2 2 2j
j 0
MA()
Procesos autoregresivos
integrados media mvil;
ARIMA(p,d,q)
r* d ( L)
r d
Donde
no incluye races unitarias y d
es el nmero de races unitarias.
Procesos autoregresivos
integrados media mvil;
ARIMA(p,d,q)
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 (sobrediferenciar), tendremos un MA(1) que no
es invertible.
Por ejemplo: Ruido blanco;
ARIMA(p,d,q)
Cuando el orden de diferencia se ha
decidido
, se puede escribir un
procesos ARIMA como AR() o un MA() .
Procesos estacinales
Si tenemos datos con informacin de varias ocasiones
durante un ao, podemos observar estacionalidad, es
decir, un comportamiento econmico que depende del
tiempo durante un ao. (Ejemplos; temperaturas,
vacaciones, movimientos tursticos). Los procesos
anteriores estn pensados para series con slo una
observacin cada ao, o series sin estacionalidad.
El numero de estaciones durante el ao llamamos s. Por
ejemplo, S=12 para datos mensuales, o 4 para
trimestrales. Se puede generalizar los procesos explicas
arriba para captar estacionalidad.
Procesos estacinales
Procesos estacinales
Procesos estacinales
Procesos estacinales
Una serie temporal con estacionalidad puede
tener una estructura de dependencia estacional
y otra parte regular (no estacional) que sigue un
Procesos estacinales
En estos modelos hay efectos satlites.
Por ejemplo
Nota el trmino
que se nota en
FAP y FAS asociados los retardos prximos a los
mltiples de S, pero esto no significa que
tengamos procesos adicionales de MA(0,1) y
SMA(0,1).
Procesos estacinales
Procesos estacinales