estad´ıstica miguel angel chong r.´ [email protected]

Series de tiempo

Estadıstica

Miguel Angel Chong [email protected]

5 de marzo del 2013

Miguel Chong Series de tiempo

Procesos estocasticos lineales.

DefinicionUn proceso estocastico {Xt}t2T es un proceso lineal si para todo t 2 Z sepuede representar como

Xt =1X

j=�1 j✏t�j , (1)

donde {✏t}t2T es un proceso de ruido blanco y { j}1j=�1 es una sucesion

de constantes reales absolutamente sumablesP1

j=�1 | j | < 1.

Una forma de escribir (1) a partir de operadores de retraso es la siguiente;

Xt = (B) ✏t , donde (B) =1X

j=�1 jB

j .


El operador (B) puede ser interpretado como un filtro lineal.En otras palabras el proceso lineal {Xt}t2T es la salida oresultado de aplicarle el filto (B) a la serie de ruido blanco{✏t}t2T .Podemos ser un poco mas generales si suponemos un procesolineal {Xt}t2T que tiene media µ se puede expresar de laforma Xt � µ =

P1j=�1 j✏t�j .


Veamos un ejemplo de un proceso estocastico lineal. Sea {Xt}t2Tun proceso estocastico

Xt =�Xt�1

+ ✏t , con |�| < 1.

De manera recursiva podemos escribir la ecuacion anterior como

Xt = � (�Xt�2

+ ✏t�1

) + ✏t = �2Xt�2

+ �✏t�1

+ ✏t

= �2 (�Xt�3

+ ✏t�2

) + �✏t�1

+ ✏t = �3Xt�3

+ �2✏t�2

+ �✏t�1

+ ✏t...

= �nXt�n + �n�1✏t�(n�1)

+ . . .+ �2✏t�2

+ �✏t�1

+ ✏t

= limn!1

�nXt�n +1X

j=0

�j✏t�j =1X

j=0

�j✏t�j .


TeoremaSea {Yt}t2T un proceso estacionario con media cero, varianza�Y (0) = �2 y funcion de autocovarianzas �Y (h) para h � 1. Si

{ j}1j=�1 es una serie de reales tales que1X

j=�1| j | < 1 entonces

el proceso Xt =1X

j=�1 jYt�j es estacionario con media cero y fun-

cion de autocovarianzas

�X (h) =1X

j=�1

1X

k=�1 j k�Y (h � k + j), h � 0.


Demostracion. Sea h � 0

�X (h) = Cov (Xt ,Xt+h) = E (XtXt+h)� 0

= E

0

@1X

j=�1

jYt�j

1X

k=�1

kYt+h�k

1

A

= E

0

@1X

j=�1

1X

k=�1

j kYt�jYt+h�k

1

A

=1X

j=�1

1X

k=�1

j kE (Yt�jYt+h�k)

=1X

j=�1

1X

k=�1

j k�Y (h � k + j)⌅


Lo que dice el teorema anterior es que la serie que resulta deaplicarle un filtro lineal a una serie estacionaria es tambien unaserie estacionaria.

CorolarioCon las hipotesis del teorema anterior y ahora suponiendo que{Yt}t2T es ruido blanco, la funcion de autocovarianzas del procesoestocastico lineal {Xt} esta dado por

�X (h) = �21X

j=�1 j j+h, h � 0.


Demostracion Si {Yt}t2T es ruido blanco entonces�Y (h) = 0 si h 6= 0, y �Y (0) = �2, entonces de la ecuacion

�X (h) =1X

j=�1

1X

k=�1 j k�Y (h � k + j),

tenemos que �Y (h � k + j) = �2 si solo si h � k + j = 0 oequivalentemente k = h + j , y sustituyendo k en la ecuacionanterior

�X (h) =1X

j=�1 j h+j�Y (0) = �2

1X

j=�1 j h+j⌅


Promedios moviles

DefinicionDiremos que {Xt}t2T es un proceso de media movil de orden q, ylo denotaremos como MA(q), si para q � 1 entero y ✓

1

, . . . , ✓q, µson constantes reales tales que para todo t 2 T tenemos

Xt =µ+ ✏t + ✓1

✏t�1

+ . . .+ ✓q✏t�q

=µ+ (1 + ✓1

B

1 + . . .+ ✓qBq)✏t

=µ+ ✓q(B)✏t

donde {✏t} es un proceso de ruido blanco. (A ✓q(B) le llamaremosel polinomio de media movil.)

Veamos si este proceso es estacionario (estacionario de segundoorden)


Promedios moviles

Primero calculemos la esperanza y la varianza de un procesoMA(q)

E [Xt ] =E [µ+ ✏t + ✓1

✏t�1

+ . . .+ ✓q✏t�q]

=E [µ] + E [✏t ] + ✓1

E [✏t�1

] + ...+ ✓qE [✏t�q]

=µ.

Var [Xt ] =Var [µ+ ✏t + ✓1

✏t�1

+ . . .+ ✓q✏t�q]

=V [✏t ] + ✓21

V [✏t�1

] + ...+ ✓2qV [✏t�q]

=�2✏

qX

i=0

✓2i , donde ✓0

= 1.


Promedios moviles

Ahora para calcular la funcion de autocovarianza recordemos que para unproceso estocastico lineal

Xt � µ =1X

j=�1 j✏t�j ,

sabemos que podemos encontrar la funcion de autocovarianza como

�X (h) = �2

1X

j=�1 j j+h, h � 0.

En nuestro caso tenemos que el proceso estocastico es

Xt � µ =✏t + ✓1

✏t�1

+ . . .+ ✓q✏t�q

entonces 0

= 1, 1

= ✓1

, 2

= ✓2

, . . . , q = ✓q y k = 0 para k � q+1.


Promedios moviles

Entonces se puede probar que la autocorrelacion para h � 0 de unMA(q) es:

�(h) = Cov (Xt ,Xt+h) =

8>><

>>:

�2✏

q�hX

i=0

✓i✓h+i si 0 h q

0 h > q.

Notemos que esto ultimo no depende de t, el tiempo donde se estaparado, sino de cuanto estan separadas las observaciones. por lotanto es un proceso estacionario de segundo orden.


Promedios moviles

La funcion de autocorrelacion para h � 0 de un MA(q) esta dadopor

⇢(h) = ⇢(Xt ,Xt+h) =�h�0

=

8>>>>>>><

>>>>>>>:

q�hX

i=0

✓i✓h+i

qX

i=0

✓2i

si 0 h q

0 h > q.


Observaciones

Para una MA(q), definido por Xt = µ+ ✓q(B)✏t , si es unproceso de ruido blanco {✏t} es gaussiano, entoces Xt

tambien es gaussiano.

En un proceso MA(q) la funcion de autocorrelacion presentaun rasgo identificativo, puesto que es cero a partir de los lag 0smayores a el orden del proceso.

Notemos que aunque no se requieren restricciones sobre loscoeficientes, ✓

1

, . . . , ✓q para que un proceso MA (q) seaestacionario, sı hay un inconveniente que explicaremos acontinuacion.


La funcion de autocorrelacion ⇢(h) es una herramienta queusaremos mas para tratar de identificar que proceso genero nuestraserie de tiempo. Por lo tanto cabe la pregunta ¿Para cada modeloMA existe una unica funcion de autocorrelacion? Por desgracia larespuesta es no.

Supongamos que tenemos los siguientes procesos MA (1)

Xt = ✏t + ✓✏t�1

y Yt = "t +1

✓"t�1

,

donde ✓ 2 R\ {0} y {✏t}t2T y {"t}t2T son dos procesos de ruidoblanco. Para estos dos procesos tenemos que la funcion deautocorrelacion es

⇢(h) =

8>><

>>:

1 si h = 0✓

1 + ✓2si h = 1

0 si h > 1.


Veamos una forma para elegir entre uno de estos modelos. Del modeloXt = ✏t + ✓✏t�1

tenemos que ✏t = Xt � ✓✏t�1

Xt = ✏t + ✓✏t�1

= ✏t + ✓ (Xt�1

� ✓✏t�2

)

= ✏t + ✓Xt�1

� ✓2✏t�2

= ✏t + ✓Xt�1

� ✓2 (Xt�2

� ✓✏t�3

)

= ✏t + ✓Xt�1

� ✓2Xt�2

+ ✓3✏t�3

= ✏t + ✓Xt�1

� ✓2Xt�2

+ ✓3 (Xt�3

� ✓✏t�4

)

= ✏t + ✓Xt�1

� ✓2Xt�2

+ ✓3Xt�3

� ✓4✏t�4

...

= ✏t +1X

j=1

(�1)j+1 ✓jXt�j

Por lo tanto si |✓| < 1, el efecto del pasado cada vez es menor. Por lotanto si |✓| < 1 tenemos que

✏t = Xt �1X

j=1

(�1)j+1 ✓jXt�j = Xt +1X

j=1

(�1)j ✓jXt�j

=1X

j=0

(�1)j ✓jXt�j .Miguel Chong Series de tiempo

Ahora vamos a introducir el concepto de invetibilidad en losprocesos MA que nos garantiza que para cada proceso MA sepuede relacionar de manera unica con una funcion deautocorrelacion.

Invertibilidad

DefinicionUn proceso MA(q), {Xt}t2T definido por ✓p (B) = 1+ ✓

1

B + . . .+✓qBq se llama invertible si se puede expresar como un AR(1), es

decir ✏t =1X

j=0

⇡jXt�j =1X

j=0

⇡jB jXt = (B) ✏t para toda t 2 T ,

donde1X

j=0

|⇡j | < 1 y ⇡0

= 1.


El siguietne resultado nos da condiciones necesarias para saber siun proceso MA es invertible o no.

TeoremaUn proceso MA(q), definido por ✓p (B) ✏t = Xt , donde ✓q (B) =1+ ✓

1

B + . . .+ ✓qBq es invertible si solo si las raıces de la ecuacion

✓q (B) = 1 + ✓1

B + . . .+ ✓qBq = 0,

son en modulo mayores que la unidad


Ejemplo

Para un MA(2), Xt = ✏t + ✓1

✏t�1

+ ✓2

✏t�2

=�1 + ✓

1

B + ✓2

B

2

�✏t

sera invertible si las raıces del polinomio ✓2

(B)=1 + ✓1

B + ✓2

B

2

son en modulo mayores a la unidad, es decir

z

1

=

��

�✓1

+q✓21

� 4✓2

2✓2

��> 1 y z

2

=

��

�✓1

�q✓21

� 4✓2

2✓2

��> 1.

Entonces igualando el polinomio ✓2

(B) con su factorizacion

1 + ✓1

B + ✓2

B

2 = ✓2

(B)=

✓1� B

z

1

◆✓1� B

z

2

◆= 1� B

✓1

z

1

+1

z

2

◆+

B

2

z

1

z

2

Por lo tanto ✓2

= 1

z1

z2

, y ✓1

= �⇣

1

z1

+ 1

z2

⌘, con estas condiciones

tenemos que la region en R2 donde el proceso MA(2) es invertiblees

�1 < ✓2

< 1,✓1

+ ✓2

< 1, ✓2

� ✓1

< 1.


Para un MA(2) el conjunto de puntos que hace que sea invertibleson

−2 −1 0 1 2

−1.0

−0.5

0.0

0.5

1.0

theta_1

theta_2


Autorregresivos

Diremos que un proceso {Xt}t2T es un autorregresivo de orden p, ylo denotaremos como AR(p), si para p � 1 un entero y �

1

, . . . ,�pconstantes reales tenemos que

Xt =�1Xt�1

+ . . .+ �pXt�p + ✏t

donde {✏t} es un proceso de ruido blanco.

En terminos de operadores de retraso tenemos

Xt � �1

Xt�1

� . . .� �pXt�p =✏t

(1� �1

B � . . .� �pBp)Xt =✏t

�p (B)Xt =✏t ,

a �p (B) se le conoce como el polinomio autorregresivo.


Un proceso AR(p) puede ser estacionario o no estacionario, esodependera de los valor es de �

1

, . . . ,�p, por ejemplo

Para un AR(1) Xt = �Xt�1

+ ✏t con |�| < 1, ya habıamoscalculado que

E (Xt) = 0, �(h) =�2�h

1� �2y ⇢(h) =

�(h)

�(0)= �h.

Notemos que de lo anterior concluimos que la funcion deautocorrelacion decrece de forma exponencial y ademas queira alternado el signo si � < 0.


Ahora introduciremos el concepto de causalidad para los procesoAR(p). Este concepto es casi identico a la definicion de un procesoestocastico lineal, y recordemos que para ese tipo de procesosabemos que condiciones pedir para que sean estacionarios desegundo orden. En otras palabras, si tenemos un proceso AR(p)causal entonces este sera estacionario.

DefinicionUn proceso AR(p), {Xt} definido por �p (B) = 1��

1

B�. . .��pBp

se llama causal o funcion causal de {✏t} si se puede expresar como

un MA(1), es decir Xt =1X

j=0

j✏t�j =1X

j=0

jBj✏t = (B) ✏t para

toda t 2 T , donde1X

j=0

| j | < 1 y 0

= 1.


El siguiete teorema nos da condiciones necesarias para saber si unproceso AR(p) es causal o no.

TeoremaUn proceso AR(p), definido por �p (B)Xt = ✏, donde �p (B) =1��

1

B� . . .��pBp es causal si solo si las soluciones de la ecuacion

�p (B) = 1� �1

B � . . .� �pBp = 0,

son en modulo mayores que la unidad.


Para un AR(2) la region de causalidad es la que se muestra acontinuacion


estad´ıstica miguel angel chong r.´ [email protected]

Documents