Professional Documents
Culture Documents
Procesos Estoc
asticos Estacionarios
Las series temporales se pueden clasificar en dos tipos:
Series con valores estables alrededor de un nivel constante (captulos
2-4).
Series con tendencias, estacionalidad u otros efectos evolutivos en el
tiempo (captulo 5).
Ejemplo 12 Las series n
um. 1) y 2) pueden tener un nivel estable, la 3)
y la 4) seguro que no.
Nota 6 La estabilidad depende del periodo de observaci
on. Por ejemplo,
en una serie anual de la temperatura media en un lugar, cuanto mas a
nos
se observen, menos problable es que el nivel se mantenga constante.
Nota 7 Los valores sucesivos de una serie suelen ser dependientes, aunque
sea simplemente por inercia.
2.1.
Proceso estoc
astico: Conjunto de v.a. (Yt )tI , donde el ndice t toma valores en un conjunto I. Llamamos trayectoria del proceso a una realizacion
del proceso estocastico. Si I es discreto, el proceso es en tiempo discreto.
Si I es continuo, el proceso es en tiempo continuo.
Ejemplo 13 Un ejemplo de proceso en tiempo discreto se obtiene para
I = {1, . . . , n}. En este caso, el proceso es Y1 , Y2 , . . . , Yn , y una trayectoria
se denota por y1 , y2 , . . . , yn .
Ejemplo 14 Un ejemplo de proceso en tiempo continuo se obtiene para
I = [0, T ], I = [0, ] o I = (, ).
39
n N.
t
X
aj ,
donde
j=1
aj iid N (0, 2 ).
proceso:
Tenemos varias series de la forma y1 , . . . , y300 provenientes del mismo proceso, una para cada da.
Sea Yt la distribucion de la concentraci
on en el minuto t-esimo. Se supone
que la distribucion de Yt es la misma cada da. Entonces, al aumentar el
n
umero de das, la proporcion con la que yt pertenece a un intervalo (a, b)
converge a la probabilidad P (a < Yt < b). Es decir, obtenemos informacion
sobre la distribucion de Yt repitiendo el experimento.
30
20
0
30
10
20
10
concentration [%]
10
40
20
50
30
50
100
150
200
250
300
time
50
100
150
200
250
300
time
Ejemplo 18 Temperatura en D
usseldorf: (serie n
um. 23, 1/1991-12/2003):
Si consideramos que la distribuci
on de la temperatura es la misma en cada
uno de los 13 a
nos observados, entonces tenemos 13 trayectorias del proceso con 12 variables aleatorias cada una (una por mes). Vease la Figura
2.3 izquierda.
Podemos hacer lo mismo con la serie de las lluvias (serie n
um. 24). Vease
la Figura 2.3 derecha.
50
10
100
15
20
150
25
10
12
10
12
month
month
Funci
on de varianzas: La funcion de varianzas de un proceso estocastico
(Yt )tI es una funcion de t que proporciona las varianzas de las Yt
t2 = V ar(Yt ),
t I.
Funci
on de autocovarianzas: La funcion de autocovarianzas de un proceso estocastico (Yt )tI es una funcion que describe las covarianzas entre
42
t1 , t2 I .
Funci
on de autocorrelaci
on: La funcion de autocorrelacion de un proceso estocastico (Yt )tI es una funcion de dos instantes que describe las correlaciones entre las variables en un par de instantes t1 , t2 I cualesquiera
t ,t
t1 ,t2 = Cor(Yt1 , Yt2 ) = 1 2 , t1 , t2 I .
t1 t2
Nota 10 Se verifica:
t,t = t2 para cada t I.
Las dimensiones de las autocovarianzas son los cuadrados de la serie.
Las autocorrelaciones permiten comparar distintas series ya que son
adimensionales.
2.2.
Procesos estacionarios
La funci
on de autocovarianzas viene dada por
Cov(Zt , Zt+h ) = ...
45
de orden h son:
0 1 . . . h1
0 1 . . . h1
..
..
.
.
.
.
1 0 . .
1 0 . .
,
Rh = .
h = .
.
.
..
..
..
..
1
1
h1 . . . 1 0
h1 . . . 1 0
Estabilidad de procesos estacionarios ante combinaci
ones lineales
(i) Si multiplicamos un proceso estacionario por una constante, resulta
un proceso estacionario.
(ii) Si sumamos varios procesos que son conjuntamente estacionarios, la
suma tambien lo es.
Ejemplo 23 (Incrementos) Sea (Yt ) un proceso estacionario, y definimos el proceso de incrementos Zt = Yt Yt1 . Compruebese que (Zt )
es estacionario.
Efectivamente,
E(Zt ) = ...
V ar(Zt ) = ...
Cov(Zt , Zt+h ) = ...
2.3.
Estimaci
on
1X
Yn
= Y =
n t=1
Varianza muestral: La varianza muestral es
n
1X
S =
(Yt Y )2
n t=1
2
S2
1X
(Yt Y )(Yt+h Y )
ch =
n t=1
Autocorrelaci
on muestral (funcion de autocorrelacion emprica)
rh =
ch
c0
47
X Si h 6= 0 para alg
un h > 0, entonces V ar(Y ) 6= 0 /n.
X El segundo termino no tiene por que converger cuando n tiende a
infinito; por tanto, la media muestral no tiene por que ser consistente
para la media poblacional .
Proceso erg
odico: Un proceso estacionario en sentido debil es ergodico
para la estimacion de la media si
n
V ar(Y ) .
Proceso peri
odico: El proceso
Yt = A cos(t + ) + at
48
0.0
0.2
0.2
0.0
0.2
0.4
ACF
0.4
ACF
0.6
0.6
0.8
0.8
1.0
1.0
Series AR1
10
20
30
40
Lag
10
20
Lag
49
30
40
rk N (k , V ar(rk )).
Su varianza y la covarianza entre dos autocorrelaciones vienen dadas
por las formulas de Bartlett:
1 X 2
V ar(rk ) =
i + ik i+k 4k i ik + 22i 2k
n i=
1 X
Cov(rk , rk+h ) =
(i ih + ik i+k+h 2k+h i ik 2k i ikh
n i=
+22i k k+h
9 + 45 + 60 + . . . + 31 + 59 + 49
= 31,83
34
(9 31,83)2 + (45 31,83)2 + . . . + (59 31,83)2 + (49 31,83)2
= 266,97
34
(9 31,83)(45 31,83) + (45 31,83)(60 31,83) + . . . + (59 31,83)(49 31,83)
= 138,82
34
c1
= 0,52
s2
(9 31,83)(60 31,83) + . . . + (31 31,83)(49 31,83)
= 5,3
34
c2
= 0,02
s2
0.2
0.4
ACF
30
0.2
0.0
20
10
leguas
40
0.6
50
0.8
60
1.0
Figura 2.4: Leguas diarias recorridas por Colon (izq.) y su correlograma (der.)
10
15
20
25
30
35
dia
10
Lag
51
15
200 observaciones
Series ruido
0.4
ACF
0.4
50
100
150
200
0.2
0.2
0.0
0.0
0.2
0.2
ACF
0.6
0.6
0.8
0.8
1.0
1.0
ruido
time
10
15
20
10
Lag
15
20
Lag
100
spectrum
10
20
50
0.4
0.2
0.0
0.2
ACF
0.6
500
0.8
2000
1.0
5000
Series lluvia
10
15
20
0.0
Lag
0.1
0.2
0.3
frequency
bandwidth = 0.00180
52
0.4
0.5
DE OPERADORES
APENDICE
A. NOTACION
Operador retardo: El operador retardo de una funcion del tiempo en un
instante proporciona la funcion en el instante anterior:
Bxt = xt1 .
Propiedades del operador retardo: Si a, b son constantes que no dependen del tiempo y xt , yt son funciones del tiempo t, se verifica:
Ba = a;
B(axt ) = aBxt ;
B(axt + byt ) = aBxt + bByt ;
B k xt = xtk . B k se llama operador retardo de orden k.
Operador diferencia: El operador diferencia proporciona la diferencia
entre la funcion en un instante y la misma funcion en el instante anterior:
xt = xt xt1 .
Se verifica que = 1 B. Efectivamente,
xt = xt xt1 = xt Bxt = (1 B)xt .
Este operador se puede aplicar sucesivamente de la forma
2 xt = (xt ).
Operador diferencia de orden s: Este operador proporciona la diferencia entre la funcion en un instante y la misma funcion en s instantes
antes,
xt = xt xts .
y
53
BB 1 xt = Bxt+1 = xt .
54
APENDICE
B. ECUACIONES LINEALES EN DIFERENCIAS
Ecuaci
on lineal en diferencias de orden k: Sea xt una funcion del
tiempo y c una constante. Una ecuacion lineal en diferencias de orden k es
xt 1 xt1 2 xt2 k xtk = c.
En esta ecuacion, la funcion xt es la incognita y los coeficientes 1 , . . . , k
son conocidos.
Resolver la ecuacion consiste en encontrar una funcion xt que sea solucion de la ecuacion.
A menudo existen muchas soluciones para una ecuacion lineal en diferencias.
Para encontrar una solucion se necesita tener k condiciones iniciales
x0 , . . . , xk1 .
Si c = 0, la ecuacion en diferencias se llama homogenea.
La ecuacion en diferencias se puede escribir en funcion del operador
retardo,
(1 1 B 2 B 2 k B k )xt = c
55
Despejando x, obtenemos
x=
c
1 2 2 k
Soluci
on general: Es un conjunto de soluciones particulares. Si se tiene
una solucion Gt de la ecuacion homogenea (B)xt = 0 y una solucion
particular Ht de la ecuacion completa (B)xt = c, entonces
x t = G t + Ht
es una solucion general de la ecuacion completa (B)xt = c.
Efectivamente, si reemplazamos xt = Gt + Ht en la ecuacion completa,
como (B)Gt = 0 y (B)Ht = c, obtenemos
(B)(Gt + Ht ) = (B)Gt + (B)Ht = (B)Ht = c.
Ecuaciones lineales en diferencias homog
eneas: Consideramos una
ecuacion homogenea del tipo
xt 1 xt1 2 xt2 k xtk = 0
(1 1 B 2 B 2 k B k )xt = 0
(B)xt = 0.
Ejemplo 27 (Ecuaci
on en diferencias homog
enea de primer orden)
xt xt1 = 0.
La soluci
on se puede encontrar de forma recursiva a partir de una condicion
inicial x0 . Aplicando la formula de la ecuaci
on en diferencias para t =
1, 2, 3, . . ., se tiene
x1 = x0 ,
x2 = x1 = 2 x0
x3 = x2 = 3 x0
...
xt = t x0 .
Propiedades de las ecuaciones homog
eneas: Si Gt y Ht son soluciones
de la ecuacion homogenea (B)xt = 0, A y B son constantes cualesquiera,
entonces tambien son soluciones las siguientes:
(i) AGt ;
56
(ii) Gt + Ht ;
(iii) AGt + BHt .
Prueba: (i) Reemplazando xt = AGt en la ecuacion, como (B)Gt = 0,
entonces
(B)AGt = A(B)Gt = 0.
(ii) Reemplazando ahora xt = Gt + Ht en la ecuacion, como (B)Gt = 0 y
(B)Ht = 0, entonces
(B)(Gt + Ht ) = (B)Gt + (B)Ht = 0.
(iii) Por (i), AGt y BHt son soluciones de la ecuacion. Por (ii), la suma de
ambas tambien es solucion. 2
Resoluci
on de una ecuaci
on en diferencias homog
enea: Si G es el
inverso de una solucion de la ecuacion caracterstica (B) = 0, entonces
xt = AGt es solucion de la ecuacion homogenea, donde A 6= 0 es una constante.
Efectivamente, si reemplazamos xt = AGt en la ecuacion homogenea,
obtenemos
A(Gt 1 Gt1 2 Gt2 k Gtk ) = 0.
1 1 B 2 B 2 k B k = 0,
que es exactamente la ecuacion caracterstica. Una solucion B de esta
ecuacion esta relacionada con una solucion de la ecuacion anterior G de la
forma G = 1/B.
Por tanto, si B es solucion de la ecuacion caracterstica, entonces xt = AGt
con G = 1/B es solucion de la ecuacion homogenea.
57
Ejemplo 28 (Ecuaci
on en diferencias homog
enea de orden 1)
xt xt1 = 0.
Comprobemos que la solucion viene dada por xt = AGt , donde G1 es
la soluci
on de la ecuacion caracterstica, y A viene determinada por las
condiciones iniciales.
Solucion de la ecuacion caracterstica:
1 B = 0 1 B = 0 B = 1/.
Por tanto, G = y la solucion sera xt = At . Reemplazando ahora la
solucion inicial en la ecuacion, obtenemos x0 = A0 = A. Por tanto, la
solucion es xt = x0 t .
Soluci
on general de una ecuaci
on en diferencias homog
enea de
orden k: Sean G1 , . . . , Gp las inversas de las soluciones reales distintas
de la ecuacion caracterstica (B) = 0, con multiplicidades m1 , . . . , mp .
Entonces la solucion general de la ecuacion en diferencias homogenea es
xt =
p
X
i=1
xt = A1 Gt1 + A2 Gt2 .
58
59
< lm xt < .
t
i = 1, . . . , k.
Ejemplo 30 (Ecuaci
on en diferencias homog
enea de primer orden)
t
La soluci
on xt = x0 de una ecuaci
on en diferencias homogenea de primer
orden es estable si || < 1.
Ejemplo 31 (Ecuaci
on en diferencias homog
enea de orden 2) Tenemos
que diferenciar los mismos tres casos que en el Ejemplo 29.
(a) 2 > 21 /4: Hay dos races reales distintas y xt = A1 Gt1 + A2 Gt2 ,
donde G1 y G2 son soluciones de
G2 1 G 2 = 0,
que vienen dadas por
G=
21 + 42
.
2
61
1 < 2 < 0.
= 2 .
r =a +b =
4
4
4
4
on es estable
Por tanto, r = 2 , y como 2 <21 /4 < 0, la soluci
si 1 < 2 0. Como |1 | < 2 2 , entonces tambien debe ser
|1 | < 2. Por tanto, la soluci
on xt es estable si
2
2 < 1 < 2 y
62
1 < 2 0.
Ecuaci
on en diferencias con t
ermino de error: Es una ecuacion del
tipo
xt = c + 1 xt1 2 xt2 k xtk + t .
Ejemplo 32 Considera la ecuaci
on de primer orden
xt = c + xt1 + t .
A partir de las condiciones iniciales x0 y x1 y de forma recurrente, calculamos la solucion de la ecuaci
on:
x1 = c + x0 + 1 ;
x2 = c + x1 + 2
= c + (c + x0 + 1 ) + 2
= c(1 + ) + 2 x0 + (1 + 2 );
x3 = c + x2 + 3
= c + c(1 + ) + 2 x0 + (1 + 2 ) + 3
= c(1 + + 2 ) + 3 x0 + 2 1 + 2 + 3
...
t1
t1
X
X
i
t
xt = c
+ x0 +
i ti
= c
i=0
t1
X
i + t x0 +
i=0
"i=0
t1
X
(B)i t .
i=0
i =
i=0
1 t
,
1
X
xt = AGt + b0 +
i ti = Sol. general de la ec. homogenea+Sol. particular.
i=0
Resoluci
on de ecuaciones en diferencias con t
ermino de error: El
metodo consiste en:
(a) Encontrar la solucion general de la ecuacion en diferencias homogenea,
que omite la constante y el termino de error;
(b) Encontrar una solucion particular de la ecuacon completa. Habitualmente se prueba con una solucion del tipo
xt = b0 +
i ti .
i=0
i ti .
i=0
X
X
i ti + t
i ti = c + b0 +
b0 +
i=0
i=0
X
c
i ti .
+
Ht =
1 i=0
(c) Finalmente, la solucion general es
X
c
x t = G t + Ht =
i ti + At .
+
1 i=0
La constante A se determina a partir de una condicion inicial x0 .
Tomando t = 0 en la ecuaci
on, obtenemos
X
c
i i + A.
+
x0 =
1 i=0
Despejando A,
X
c
A = x0
+
i i .
1 i=0
65