Professional Documents
Culture Documents
Espacio Muestral:
Resultado:
Suceso:
Algebra:
Variable Aleatoria:
Conjunto de Estados: S, el espacio que contiene todos los posibles valores de una variable
aleatoria. Las elecciones mas comunes son los nmeros naturales N, los reales R, vectores de
dimensin k Rk, los reales positivos R+, etc
Probabilidad:
F
y no solo
Distribucin:
es un Borel Set (conjunto
de la recta real que puede expresarse como uniones o interseccin de intervalos) donde vive la
variable aleatoria Z.
P : F [0,1]
: B [0,1], donde B { A : A R}
Si interpretamos t=1, ..., n como momentos equidistantes en el tiempo, Zt puede interpretarse como el
resultado de un experimento aleatorio en el momento de tiempo t . Por ejemplo la sucesin de
variables aleatorias podria ser los precios de las acciones de Toyota Zt en n das sucesivos. Siempre
que se mencione un ejemplo pensad vosotros en otros ejemplos alternativos.
Un aspecto NUEVO, comparado con la situacin de una sola variable aleatoria, es que ahora podemos
hablar de la estructura de DEPENDENCIA dentro del vector de variables aleatorias.
FZ ( z ) P ( Z1 z1 ,..., Z n z n )
P ({ : Z1 ( ) z1 ,..., Z n ( ) z n })
Procesos Estocsticos
Supongamos que el tipo de cambio /$ en cada instante fijo de
tiempo t entre las 5p.m y las 6p.m. de esta tarde es aleatorio.
Entonces podemos interpretarlo como una realizacin Zt() de la
variable aleatoria Zt tipo de cambio. Observamos Zt(), 5<t<6. Si
quisieramos hacer una prediccin a las 6 p.m. sobre el tipo de
cambio Z7() a las 7 p.m. es razonable considerar TODA la
evolucin de Zt( entre las 5 y las 6 p.m. El modelo matematico
que describe esta evolucin se le llama proceso estocstico.
Z t ( ),
Zt : R
Z : T R
(2) Fijamos
Z t1 ( ), Z t2 ( ),.......Z tn ( )
t1
t2
z , z ,..., z
tn
t1, ..., tn T,
Estacionareidad
Considera la probabilidad conjunta de un conjunto de variables
aleatorias
F ( zt1 ) F ( zt1 k )
para todo t1 , k
para todo t1 , tn , k
Momentos (repaso)
E(Z t ) t
Z t f (z t )dz t
2
2
Var ( Z t ) t E( Z t t )
2
( Z t t ) f (z t )dz t
Cov( Z t 1 , Z t 2 ) E[( Z t 1 t 1 )( Z t 2 t 2 )]
( t1 , t 2 )
cov(Z t , Z t )
1
2
2
t1
t2
Momentos (cont)
F ( zt1 ) F ( zt1 k ) t1 t1 k
asumiendo que
E ( Z t ) , E ( Z 2 t )
porque
t2 2
(t1 , t2 ) (t1 k , t2 k )
sea
t1 t k
t2 t , entonces
(t1 , t2 ) (t k , t ) (t , t k ) k
Estacionareidad Dbil
Un proceso se dice que es estacionario debil de orden n si todos sus
momentos conjuntos de orden n existen y son invariantes en el
tiempo.
Procesos Estacionarios en Covarianzas (de 2nd orden):
Esperanza constante
Varianza constante
La funcin de covarianzas depende solo de la diferencia
temporal entre las variables
E (Zt )
Var ( Z t ) 2
Cov( Z t , Z s ) s t
cov( Z t , Z t k )
k k
2
0
var( Z t ) var( Z t k )
k : funcin de autocovarianza
:k R
k : funcin de autocorrelacin (ACF)
: k [ 1,1]
1. Si 0 var( Z t ) entonces
0 1
k 1 k 0
3. k k
k k
ya que k E ( Z t k )( Z ( t k ) k )
E ( Z t k )( Z t ) k
Z t k k 1Z t k 1 k 2 Z t k 2 ...... kk Z t et k
donde et k esta incorrleacionada con Z t k j
j 1
j k 1 j 1 k 2 j 2 ...... kk j k
j 1,2,...k
1 k 1 0 ....... kk k 1
2 k 1 1 ....... kk k 2
k k 1 k 1 ....... kk 0
k 1
k 2
k 3
Ecuaciones de
Yule-Walker
1 11 0 11 1
1 21 0 22 1
2 21 1 22 0
1
22
1 31 0 32 1 33 2
2 31 1 32 0 33 1
3 31 2 32 1 33 0
1
1
1
2
1
1
1
33
2
1
1
2
1
1
1
1
1
1
1
2
3
2
1
1
E4:
Yt
si t es par
Yt+1
si t es impar
Zt=
at :
E ( at ) a
(normalmente a 0)
Var ( at ) a2
Cov ( at , at k ) 0 para k 0
Autocovarianza y autocorrelacin
a2
0
1
k
0
1
kk
0
k 0
k 0
k 0
k 0
k 0
k 0
....
1
Dependencia: Ergodicidad
Queremos permitir tanta dependencia como la Ley de los Grandes Nmeros (LGN) nos
deje.
Estacionareidad no es suficiente como el siguiente ejemplo muestra:
E7: Sea {Ut} una secuencia de variables iid uniformemente distribuidas en [0, 1] y sea Z
una variable N(0,1) independiente de {Ut}.
Defina Yt=Z+Ut . Por lo tanto Yt es estacionaria (por qu?), pero
Yn
1
n
Yt
t 1
Yn Z
1
no
E ( Yt )
2
1
2
Ergodicidad en la Media
Objectivo: estimar la media del procesos
Necesitamos distinguir entre:
1. Media Vertical (ensemble average)
Zt E (Zt )
2. Media Temporal
n
Z
i 1
Z
t 1
La media vertical
t 1 s 1
t 1 s 1
0 n
2 ( t 1 t 2 t n )
n t 1
02 [( 0 1 n 1 ) ( 1 0 1 n 2 )
n
( ( n 1) ( n 2 ) 0 )]
n 1
k
var( z ) 2 ( n k ) k
(1
)k
n k ( n 1)
n k
n
k
lim var( z ) lim
(1
)k 0
n
n n
n
k
Finito
p lim z E ( Z t )
k 0
cuando k
Zt
Donde Estamos?
Considera el Problema de la Prediccion como motivacin:
Predecir Zt+1 dado el conjunto de informacin It en el tiempo t.
2
Min E [ Z t 1 Z t 1 ]
Solucin : Z t 1 E [ Z t 1 | I t ]
Este teorema es de lo ms bello de la Econometria. Entiendelo
bien, criticalo. El Homework 1 tiene una parte dedicado a l.
La esperanza condicional puede ser modelada en una forma
paramtrica o en una forma no-paramtrica. En este curso
elegiremos la primera. Los modelos parametricos pueden ser
lineales o no-lineales. En este curso elegiremos los modelos
lineales. Resumiendo los modelos que vamos a estudiar en este
curso son
modelos parametricos y lineales
Apendice I: Transformaciones
(vease el conjunto de notas extra)