UNIVERSIDAD AUTONOMA DEL ESTADO DE MXICO

CENTRO UNIVERSITARIO UAEM VALLE DE MEXICO

PROBLEMARIO DE SERIES DE TIEMPO

AUTOR: M. EN E. EDUARDO ROSAS ROJAS

Coautor: L. En E. Patricia Rojas Reyes

SEPTIEMBRE DE 2013

ndice
Introduccin ............................................................................................................... 3
Presentacin ................................................................................................................. 4
SERIES DE TIEMPO ................................................................................................ 5
ECONOMETRA APLICADA DE SERIES DE TIEMPO ..................................... 5
SOLUCIN POR ITERACIN............................................................................................... 6
PROCESO

FORZADO...................................................................................................... 7

ITERACIN SIN UNA CONDICIN INICIAL ......................................................................... 7

UNA METODOLOGA DE SOLUCIN ALTERNATIVA....................................................... 10
CONDICONES DE ESTABILIDAD ...................................................................................... 17
SISTEMAS DE OREDEN SUPERIOR.................................................................................. 19
REGLAS PARA REVISAR LA ESTABILIDAD ES SISTEMA DE ORDEN SUPERIOR. ....... 19
SOLUCIONES PARTICULARES PARA PROCESOS DETERMINISTICOS. ........................... 20
CASO 1: Xt = 0........................................................................................................................................ 20
CASO 2: EL CASO EXPONENCIAL bdrt = cmt ................................................................................. 22
CASO 3: TENDENCIA DETERMINSTICA btd = ctn ...................................................................... 24

EJERCICIOS ........................................................................................................... 25
MODELOS DE SERIES DE TIEMPO ESTACIONARIAS. ................................ 36
MODELOS DE ECUACIONES EN DIFERENCIAS ESTOCASTICOS. ........... 36
MODELOS ARMA................................................................................................... 39
PROCESO AUTORREGRESIVO (AR) ................................................................................ 40
CONDICIONES DE ESTABILIDAD. .................................................................................... 42
Proceso AR (P)................................................................................................................... 45
EL PROCESO MEDIA MOVIL MA (Q) ............................................................................... 46
Proceso ARMA (p,q)........................................................................................................... 48

EJERCICIOS ........................................................................................................... 50

II

Introduccin
El material incluido en este cuaderno de ejercicios de Series de Tiempo han sido diseados de
acuerdo al Programa de Estudios por Competencias de la materia de Series de Tiempo y con base
en las necesidades de los estudiantes de Economa, quines deben adquirir conocimientos sobre: i)
la identificacin de los distintos proceso estocsticos de series de tiempo, basados en ecuaciones en
diferencias, sus condiciones de estabilidad y sus distintas soluciones particulares, ii) El concepto y
la operacin de la estacionariedad, y iii) la identificacin y formulacin de procesos
autorregresivos integrados de medias mviles (ARIMA).
El cuaderno de ejercicios ha sido diseado para trabajarse de manera conjunta a los Apuntes de
Series de Tiempo con objeto de reforzar la teora aprendida y ejercitar de forma emprica cada
concepto. En las secciones se presentan ejercicios para la construccin de procesos estocsticos de
series de tiempo con tendencias tanto determinsticas como estocsticas y sus distintas alternativas
de solucin, tambin se presentan ejercicios para la prctica y comprensin de los distintos
modelos autorrgeresivos (AR(p)), de medias mviles (MA(q)) e integrados (I(d)), as como para
su identificacin mediante la funcin de autocorrelacin simple y parcial que sirve para la
elaboracin de los distintos correlogramas., con esta serie de ejercicios se cubren las unidades de
competencia I y II.
Los ejercicios propuestos son un compendio tanto de ejercicios propios como de ejercicios
comprobados y calculados en el libro Enders, W (2004) Applied Econometrics Time
Series, Secon Edition, John Wiley & sons Inc, Usa . Adems de los siguientes libros:
1.

Jhonston, J. Econometric Methods, Edit. Mc Graw Hill, 3a. Edicion.

2.

Otero, J.M. (1993) Econometra, Series Temporales Y Prediccin. Ed. A.C.

Libros Cientficos Y Tcnicos, Madrid

3.

Pindyck R. Y Rubinfeld, L. (1991) Econometric Models And Econometric

Forecast. Mc Graw Hill.

4.

Charemza, W Y Derek F. Deadman (1992). New Directions In Econometric

Pratice: General To Specific Modelling, Cointegration And Vector
Autogregresive.

5.

Greene, W. (1999) Anlisis Economtrico. Prentice Hall, Tercera Edicin.

6.

Mendoza, M.A. (1999) El Anlisis De Multiplicadores En Los Modelos De

Correccin De Error: Una Nota Metodolgica. Mimeo, Maestra En Ciencias
Econmicas; Posgrado De La Facultad De Economa, UNAM.

Presentacin
El presente cuaderno de ejercicios de Series de Tiempo pretende apoyar los objetivos de
aprendizaje y contenidos de esta asignatura presentando ejercicios resueltos en los temas a tratar.

El alumno al hacer uso frecuente de este cuaderno de ejercicios encuentra un apoyo acadmico, ya
que los conceptos y ejemplos presentados le permitirn hacer ms comprensibles e interesantes la
resolucin de los mismos. El principal objetivo de las series de tiempo es hacer proyecciones o
pronsticos sobre una actividad futura, suponiendo estables las condiciones y variaciones
registradas hasta la fecha, lo cual permite al profesionista planear y tomar decisiones a corto o
largo plazo. Despus, con base en esa situacin ideal, que supone que los factores que influyeron
en la serie en el pasado lo continuarn haciendo en el futuro, se analizan las tendencias pasadas y
el comportamiento de las actividades bajo la influencia de ellas; por ejemplo, en la proyeccin de
ventas de un producto o de un servicio de una empresa se calculan los posibles precios, la reaccin
del consumidor, la influencia de la competencia, etc.

SERIES DE TIEMPO
ECONOMETRA APLICADA DE SERIES DE TIEMPO

De la misma manera podemos formar las segundas diferencias como el cambio en la

primera diferencia:
(

La necesidad de una segunda diferencia raramente surge en el anlisis de series de

tiempo. Lo que consideraremos los mtodos para series de tiempo lineales.
Examinaremos solo el caso especial de una ecuacin en diferencias lineal de orden n
con coeficiente constante,.
La forma de este tipo especial de Ecuacin en Diferencia est dada por:

El orden de la Ecuacin en Diferencias est dado por el valor de n. La Ecuacin es

lineal porque todos los valores de la variable dependiente estn elevados a la primera
potencia.

El termino Xt es llamado proceso forzado

i) Funcin del tiempo.
ii) Valores actuales y rezagados de otras variables.
iii) Disturbios estocsticos.

De la apropiada eleccin del proceso forzado, podemos obtener una amplia variedad de
modelos importantes.
Un caso especial muy importante para la secuencia Xt es:

Donde i son constantes (las cuales pueden ser cero). Y los elementos individuales de
Et que no son funciones de Yt.
SOLUCIN POR ITERACIN
Aunque la iteracin es el mtodo ms incmodo e intensivo en tiempo, la mayora de la
gente lo encuentra muy intuitivo. Si el valor de Y es conocido en algn periodo
especifico, un mtodo directo de solucin es la iteracin. Hacia adelante del periodo para
obtener la trayectoria de tiempo subsecuente de la secuencia entera Y, tenemos:

Dado el valor de Yo, tenemos que Y1 estara dado por:

)
( )

Para Y3 ;

( )

Como:
(

Fcilmente podemos verificar que: para todo t> 0, la iteracin repetida produce:

As:
PROCESO
Por

lo

FORZADO
tanto

esta

es

la

solucin

para

la

Ecuacin

en

Diferencias

ITERACIN SIN UNA CONDICIN INICIAL

Suponga que no se le da la condicin inicial para Yo. La solucin interior no sera

apropiada porque el valor de Yo es desconocido. No podramos seleccionar este valor
inicial de Y e iterar hacia adelante ni hacia atrs. Simplemente escogeramos detener a
t= t=0 as, suponiendo que continuamos iterando mediante sustitucin de:

Por Yo, Si

Entonces Si t= t0

Si continuamos iterando otros M periodos, obtenemos:

Examinamos la trayectoria emergente de esta ltima ecuacin y veremos que:

Si [ ]
Tambin

el termino 2:
vemos

tiende a cero, mientras M se acerca a infinito.

que:

la

suma

infinita

Converge a

. Lo anterior se debe a: la serie de Taylor para un fin geomtrico es:

Por ello tenemos que, nuestra solucin Particular queda como:.

Esta es una solucin (particular) para:

Sabemos que una Solucin General est compuesta por una Solucin Complementaria
ms una Solucin Particular. YG=Yc+Yp.
Ahora bien, Si

, o lo que es igual partimos de una ecuacin homognea para

obtener la solucin complementaria y, tenemos que:

o
Ecuacin en Diferencia Homognea
Por

iteracin:

)
9

( )
Si
Resulta ser la solucin Complementaria
Por tanto la Solucin General

es:

Si t=0

Despejando

Sustituyendo en

la

Solucin

General:

UNA METODOLOGA DE SOLUCIN ALTERNATIVA

10

Supongamos que estamos buscando la solucin para la Ecuacin en Diferencias de

primer orden.

Solucin Particular
Donde a y c son las 2 constantes, como ya vimos. La Solucin General (YG) =
Solucin Particular (YP) + Solucin Complementaria (YC). La desviacin de la
trayectoria de tiempo respecto al equilibrio.
Para

la

Solucin

Particular

tenemos

que:

Ecuacin homognea. Solucin Complementaria

Sabemos que:
[ ]
[ ]

[ ][ ]

[ ]

[ ][ ]

[ ]

[ ]

[ ]

[ ]

, ya que si

Resulta ser una lnea resta horizontal situada en el eje

t.
Si

11

Esto

significa

Por

lo

que

para

cada

Solucin

de

prueba,

debemos

hacer

tanto

Busquemos ahora la solucin particular:

Para lo cual se propone

Si:
Ya que como es constante .aunque pase el tiempo sigue siendo
Constante

12

Pero qu pasa si

debemos proponer

Si:
(

)
(

Pero como a=-1

)
(

Como siempre si queremos despejar a

A (la Cte. Arbitraria aprovechamos
la condicin inicial:

)
(

)(

13

La estabilidad dinmica del equilibrio

Como ya vimos

, donde

genera diferentes tipos de trayectorias en el

tiempo.
Regin

Valor de b

Valor absoluto de b

b>1

b>1

b=1

b=1

0<b<1

b<1

b=0

b=0

-1<b<-1

b<1

B=-1

b=1

b>-1

b<-1

Valores de

diferentes periodos
t=0

T=1

T=2

T=3

T=4

( )

16

( )

1/8

1/16

-1/2

-1/8

-1/16

Valor de

( )
( )
(

-1

-1

-2

-8

16
14

La funcin de A. A sirve para aumentar (A=3) o para disminuir si (A=1/3) los valores
de

Ejemplo Ec. de segundo orden o complementara.

)
Formamos la ecuacin homognea
Proponemos
( )
[

( )
]

(
Ya que ambas races son menores

a la unidad en valor absoluto la solucin

convergente. Sin embargo, no es monotona por la influencia de la expresin (

es
).

Recordemos que para:

Proponemos:

)
Ecuacin caracterstica

15

Por el teorema de Moivre

R= radio vector :

16

CONDICONES DE ESTABILIDAD
Para el caso 1: (Races Reales y distintas). La estabilidad requiere que la raz ms
grande sea menor que la unidad y la raz ms pequea sea ms grande que -1.

Para el caso 2: (Rices reales iguales). La condicin de estabilidad es

|

Para el caso 3: (Races complejas). La condicin de estabilidad es

(

Una forma reducida de caracterizar las condiciones de estabilidad es establecer que las
RAICES CARACTERISTICAS DEBEN CAER DENTRO DEL CIRCULO
UNITARIO

17

En

radianes

Sen
Cos

0
1

2
1
0

0
-1

-1
0

0
1

Generalmente los ngulos se miden en grados (30,45,90 y 180); sin embargo en el

trabajo analtico es ms conveniente medir los ngulos en RADIANES. (La ventaja es
que de este modo, las derivadas de las funciones circulares van a conducir a expresiones
ms precisas).
Un radian define como el tamao del ngulo formado por un arco de longitud de
longitud R. Puesto que la circunferencia de un circulo tiene una longitud de
2

R=2

Radianes ( = 3.14) un circulo debe abarcar en su totalidad un ngulo 2

Radianes.
GRADOS

360

RADIANES 2

270

180

90

45

0
0

18

La condicin de estabilidad requiere que r<1. Por tanto dibujemos o grafiquemos un

crculo unitario como el anterior, las 2 races

deben caer dentro del radio del

circulo unitario.
En la literatura de series de tiempo se establece que:
La estabilidad requiere que todas las races caractersticas caigan dentro del crculo
unitario.
SISTEMAS DE OREDEN SUPERIOR
La misma metodologa vista anteriormente puede ser utilizada para encontrar la
solucin homognea a ecuaciones en diferencias de orden superior. La ecuacin
homognea para.

Igual que antes proponemos la solucin

donde A es una constante arbitraria

por lo tanto para encontrar los valores de b buscamos la solucin para.

El polinomio de orden n producir n soluciones para b. Denotando estas n races

caractersticas por

La combinacin lineal

es

tambin una solucin.

Las constantes arbitrarias

pueden ser eliminadas, imponiendo n condiciones

iniciales sobre la solucin general. La

pueden ser nmeros reales o complejos. La

estabilidad requiere que todos los valores reales

sean menores que la unidad en lo

absoluto.
REGLAS PARA REVISAR LA ESTABILIDAD ES SISTEMA DE ORDEN SUPERIOR.

19

1.-Una condicin necesaria para que todas las races caractersticas caigan dentro del
crculo unitario es

2.-Dado que los valores de

pueden ser positivos o negativos, una condicin suficiente

para que todas las races caractersticas caigan dentro del circulo unitario es

| |

.
3.-Al menos una de las races caractersticas es igual a la unidad si

SOLUCIONES PARTICULARES PARA PROCESOS DETERMINISTICOS.

Para encontrar la solucin particular de la ecuacin en diferencias debemos identificar
perfectamente la forma del proceso { }.
Comenzaremos por los procesos que contienen solo componentes determinsticos. Por
supuesto, en el anlisis econmico, DEL PROCESO FORZADO contiene tanto
componentes tanto determinsticos como estocsticos.

CASO 1: Xt = 0
Cuando todos los elementos del proceso { } son cero, la ecuacin en diferencia se
expresa como:

20

Nuestra intuicin nos sugiere que la solucin prueba

Para

obtener:

Por lo que:
(

Siempre y cuando:
(

) no sea igual a cero

Y la solucin particular est dada por:

Si

)=0

El valor de C esta indefinido. Por tanto es necesario tratar otra forma de solucin.
La clave para comprender esto es que { } es un proceso de raz unitaria si

=1

.Ya que { } no es convergente.

Por eso en lugar de lo anterior debemos sugerir que una TENDENCIA DE TIEMPO
LINEAL puede aparecer en la solucin de un proceso de raz unitaria.
Por ello intentamos con la solucin:

Por lo tanto:

Tenemos
(

21

Sustituyendo:

Ya que

Ejemplo: Dado
Es claro que { } es un proceso de raz unitaria ya que

, la solucin

particular tiene la forma

Donde

)]

Nota: en el caso de que la solucin C*t falle, secuencialmente tratamos la solucin

. Para una ecuacin de orden n, una de estas soluciones
siempre ser la solucin particular.
CASO 2: EL CASO EXPONENCIAL bdrt = cmt
Dado Xt tenemos la forma exponencial

( )

donde

y r son constantes. Ya que

r tiene una interpretacin como una tasa de crecimiento, podramos encontrar este
tipo de proceso forzado, en un contexto decrecimiento. Ilustraremos el procedimiento
de solucin utilizando ecuaciones de primer orden.

22

Para darnos idea de la solucin, note que si b=0, regresamos al caso 1. Por otro lado la
expresin

crece a una tasa constante r. es por ello que se puede esperar que la

solucin particular tenga la forma:

, donde

son constantes. Si

efectivamente esta ecuacin es una solucin, podemos sustituirla en la primera ecuacin

y obtener una identidad haciendo la sustitucin apropiada tenemos que:

Para que esta solucin funcione, es necesario seleccionar c0 y c1 tal que:

Sustituyendo, ya que
(

en

As la solucin particular queda como:

La naturaleza se la solucin es que

que crece a una tasa r. note que para

sea igual a la constante

mas una expresin

, lasolucin particular converge a

23

CASO 3: TENDENCIA DETERMINSTICA btd = ctn

En este caso, dado que la secuencia { } es representada por la relacin

donde

b es una constante y d es un nmero positivo.

Tenemos que:
Ya que

1)
(

depende de td, tenemos que:

(

Por lo que la solucin particular tiene la forma:

Para encontrar los valores de c sustituya la solucin particular en la ecuacin 1,

entonces seleccione el valor de cada c que resulte en la igualdad
Para propsitos ilustrativos, consideramos la ecuacin de segundo orden:
Postulamos la solucin

. Con

coeficientes indeterminados.

(
(

24

[
[

]
[

[
(

EJERCICIOS
1.- Sea

]
]
]
)

a) Encuentre los momentos del proceso estocstico (esperanza, varianza y

covarianza)
b) Determine: , , y
c) Realice el correlograma y su tres primeros rezagos
25

Donde:
,

y es un proceso MA(2)

a) ( )

( )

))

( )
( )

)(

))

( )
( )
b)

Dado

cuando

FAC
1
0.5
0
1

-0.5
-1

2.- Sea

un proceso AR(2) , con

a) Determine si es o no ESTACIONARIO
b) Encuentre la media, la varianza y las covarianzas (

)
26

c) Grafique su correlograma
Donde:

a) La ESTACIONARIEDAD se puede determinar de 3 maneras:

1.- Condiciones de Estabilidad
|

SI ES ESTACIONARIO

2.- Races

El proceso ser estacionario si las races obtenidas son menores a 1.

Resolviendo la ecuacin obtenemos las races

, SI ES ESTACIONARIO
3.- Operadores de rezago
El proceso ser ESTACIONARIO si las races caractersticas en valor absoluto
de [ ] caen fuera del circulo unitario.

-2.6103, como ambas races son en valor absoluto mayores a la

unidad el proceso Es ESTACIONARIO

b)

27

)
(
(

)
(

) (

)(

)(

|
(

)(

)(

)(

)(

)(

)(

28

3.- Suponga que a variable

Donde

sigue el proceso estacionario AR(1):

i.i.d. (independiente e idnticamente distribuida) con ( )

( )

a) Calcular la media y varianza del proceso

b) Calcular las dos primeras autocovarianzas y autocorrelaciones del proceso
Donde:

a)

( )
( )

b)
( )
( )(
(

)
)

4.- Dado el siguiente proceso:

a) Determine las races caractersticas
b) Demuestre que las races de:
son inversas a las encontradas en
el inciso anterior
c) Calcular las autocovarinzas y los coeficientes de autocorrelacin hasta el orden 5,
suponiendo que:
a)
donde:

]
29

{
[

Donde:

[
(

) [

]
]

b)

{
Donde:

( )

30

( )

c)
Donde:

(
(

)(

(
)(

)(

)( )
)(

)(

)
(

)(

)(

(
(

)(

)(

)(

)
(

)(

)(

)(

31

5. Demostracin: Dado un modelo lineal general

y un modelo de forma invertida
MA(1) es equivalente a un AR().
Siempre y cuando | |

. Demuestre que un

Considere: AR(1)

Entonces: AR(1) se puede escribir:

)
(
(

(
)

( )

( )

6. Calcule la Autocorrelacion parcial de

valores
.

( )

para los primeros 8

1.- ARMA donde:

32

)(

)(
(

))((
(

) (
))
)(
)

2.- las autocorrelaciones restantes decaen a una tasa de

FAC

)(

por lo tanto:
FACP

)(
(
(
(
(
(
(

)
)(
)(
)(
)(
)(

)
)
)
)
)

)(
(

)(

)
)

Para la funcin de autocorrelacion parcial (FACP)

33

7. Considere el modelo AR(1)

.

)
(

dado por:

)(
)(

)
)

donde
| |

a) Obtenga la solucin del modelo

t=1
t=2
[

t=3
[

Para | |

Mtodo de operadores de rezagos.

34

]
[

35

MODELOS DE SERIES DE TIEMPO ESTACIONARIAS.

La teora de las ecuaciones en Diferencias Lineales puede ser extendida para permitir
que los Procesos Forzados { } sean estocsticos. Esta clase de Ecuaciones en
Diferencias Estocsticas Lineales es fundamental en la Econometra de Series de
Tiempo. Especialmente importante es la metodologa de Box- Jenkins (1976) para
estimar los modelos de series de tiempo de la forma:

Tales modelos son llamados Modelos de Series de Tiempo Autorregresivos Integrados

de Media Mvil (ARIMA).
Un modelo ARIMA que es estacionario es llamado Modelo Autorregresivo de Media
Mvil (ARMA).
MODELOS DE ECUACIONES EN DIFERENCIAS ESTOCASTICOS.
La tarea de los Actuarios es desarrollar modelos que capturen la esencia de los
verdaderos procesos generadores de datos.
Las Ecuaciones en Diferencias Estocsticas son una forma conveniente de modelar los
procesos econmicos dinmicos. Para mostrar un ejemplo simple, suponga que la meta
de crecimiento de la oferta monetaria de la reserva federal es del 3 % cada ao.

Por lo que dada la Condicin Inicial m0 , la solucin particular es:

(

Logaritmo de la meta de oferta monetaria en el ao t.

Condicin inicial para la meta de oferta monetaria en el periodo 0.
Por supuesto, la oferta monetaria real ( mt) y las metas necesitan ser iguales. Suponga
que la brecha entre la oferta real de dinero es
.
Podemos modelar el comportamiento:
(

)
36

)(

Es la porcin incontrolable de la oferta

monetaria.
Podemos notar que:

El proceso forzado { } es estocstico (Podemos llamar a ec. 2 como Ecuacin en

Diferencia Estocstica Lineal)
Si conocemos la distribucin de { }, podemos calcular la distribucin para cada
elemento de { }
Habiendo observado la secuencia de las primera t observaciones en la
secuencia { }, podemos hacer los pronsticos de
Por ejemplo:
(de 2)
(

Pronostico.

Una secuencia { }, es un proceso Ruido Blanco, si cada valor en la secuencia tiene una
media de cero, una varianza constante y no esta correlacionado con otras observaciones,
es decir:

1.
2.
3.

( )
(
)
( )
(
)
(
)
(
(

( )
)

)
(

Ahora usemos un proceso ruido blanco para construir la serie de tiempo ms

interesante.

Aunque la secuencia { } es un proceso Ruido Blanco, la secuencia construida { }

no ser un proceso Ruido Blanco si dos o ms de las Bi difieren de cero o no cumplen
con las propiedades:
MA(q) de Xt.
37

( )

1.

( )

2.

[
)

]
( )

([

[(

] )

) (

)]
(

[(

) (

)]

[(

)(

)]
[

*El 0et que multiplica a los dems trminos es cero porque no estn correlacionados con
los otros trminos.
Solo nos interesan los cuadrados

Regresando al tema de Ruido Blanco (White Noise).

Si Yt es independiente que idnticamente distribuido con media cero y varianza
constante, decimos que es entonces un Ruido Bco. Gaussiano
(

Tanto Yt como et no estn correlacionados en el mismo tiempo.

En consecuencia, pronosticar un proceso RB es imposible. Sin embargo es deseable que
procesos que si sean pronosticables, presenten un error RB.

38

MODELOS ARMA
Es posible combinar un proceso de media mvil con una Ecuacin en Diferencias Lineal
para obtener un modelo autoregresivo de media mvil. Considere la ecuacin:

Ahora, dado que {Xt} es un proceso de media mvil, como el que vimos anteriormente,
podemos escribir:

Si las races caractersticas de esta ltima expresin se encuentran todas en el crculo

unitario, {Yt} es llamado un MODELO AUTORREGRESIVO DE MEDIA MOVIL
(ARMA) para Yt. Si q=0, el proceso es llamado PROCESO AUTORREGRESIVO
PURO ((AR)(p)) y si p=0 se le llama proceso puro de media mvil MA(q). Por ahora
veremos solamente modelos en los que las races caractersticas se encuentran dentro del
crculo unitario. Sin embargo si una o mas de las races caractersticas es mayor o igual a
la unidad, se dice que la secuencia {Yt} es un proceso integrado y es reconocido como
Modelo Autorregresivo Integrado de Media Mvil (ARIMA).
Vimos que para el modelo AR(1) Yt= a0+a1Yt-1+et la representacin de la media mvil
se presentaba como:

Y para el modelo general ARMA reescribimos ecuacin utilizando operadores de rezago

y obtenamos:
[

39

Por lo que la sol. Particular para Yt queda como:

[

] [

Las condiciones de estabilidad es que las races de los polinomios [

] deben
caer dentro del crculo unitario. Tambien se mostrara mas adelante que si Yt es una
ecuacion en diferencias estocastica, la condicion de estabilidad es una condicion
necesaria para que la serie de tiempo {Yt} sea estacionaria.
Previamente ya hemos visto las Cond. De Estacionariedad.
( )
( )
(

Cond. de Estacionariedad.

.
)

Solucin

General

Para:
| |

PROCESO AUTORREGRESIVO (AR)

AR(1)

(
(

)
)

40

Dado que a0 es constante todo el tiempo, el operador de rezago no le afecta

(

)
| |

}
(

[ ]
0

( )

( )
[ ]]

[
( )

[ ]]

(
( )

[ ]]

( )
( )

[{

][

[[

]]

}{
}]
( ) [

41

Veamos como se comporta un proceso AR(1).

(Ir a las hojas de Generacion de Series Temporales)
Ahora bien, la solucion General es la suma de las sol. Particulares y Homogeneas es
decir,

CONDICIONES DE ESTABILIDAD.
1)
La solucin homognea debe ser cero. Ya sea que la secuencia deba empezar
infinitamente lejos en el pasado o que el proceso simple haya estado en equilibrio. (Por
lo que la cte arbitraria es cero)
2)

La raz caracteristica A1 debe ser en valor absoluto menor a la unidad.

Estas 2 condiciones facilmente generalizan a todos los procesos ARMA. Sabemos que la

sol. Homogenea para

tiene la forma:
42

Nota:
(
(

)
)

Para un AR(2)

( )
( )

Definimos:
( )

43

Para obtener la varianza multiplicamos por

la ecuacin y esperanzas.
(

Para la covarianza mult. Por

aplicamos la esperanza.
(

Multiplicar por
(

ambos lados de

Ecuaciones de Yute-Walter

ambos lados de la ecuacin y

(

y aplicando la expectativa.
(

Gral.
( (
Sustituyendo

)
y

en
(

)(

tenemos:
)
)(

Como la varianza debe ser positiva y constante (finita) entonces:

Las condiciones de estacionariedad para HR(2) son:
|

Si
44

]
[

[ ]

]
[

]
(
(

)(

)
)(

(
(

)(

)
)(

Proceso AR (P)
45

En este caso la representacin es la siguiente:

( )

EL PROCESO MEDIA MOVIL MA (Q)

Un proceso AR (1) puede ser invertido para dar:

Este es un proceso MA( )

Como sabemos en un proceso MA una variable esta expresada solamente en trminos de
los ruidos blancos corrientes y pasados.
MA (1)
[

Sin coeficiente de interseccin con coeficiente de interseccin.

Para:
( )

(
]

( )

( )

]
]
46

( )
(

( )

[(

( )

[[

( )

)]

][

[[

][

]]

]]
]

[
(

)(

)
[

][

[[

]]

Para s 1

nota: Un modelo MA (1) siempre es estacionario independientemente del

valor de

.
(

Series
Series ma1=

Series

( )

series ma1=

se obtienen un FAC Y FACP

Se obtiene un FACP

47

MA (2)

( )
( )

( )

)
(

Proceso MA (q)
( )
( )

(
(

)
(

Proceso ARMA (p,q)

El proceso general ARMA es:

( )

( )

Dnde:
( )
48

( )
La ESTACIONARIEDAD requiere que las races de A(L) estn Fuera del circulo
unitario.
El proceso ARMA puede ser expresado como un proceso AR() o un MA().
( ) ( )

Propiedades de la Varianza.
(
)
1)
( )
(
)
2)
( )
3) (
)
(
)
( )
( )
4)
(
)
( )
5)

( ) ( )
Veamos el proceso ARMA (1,1)

( )

Escrito de forma alternativa como:

[

]]

Por Yule-Walker:
(

[
(

Cuando:

]]

(
(

)
(

49

(
(
[

)
)

]
(
(

)(
(

)(

)
)

Si
Si

La convergencia ser directa.

Las autocorrelaciones oscilan.

EJERCICIOS
1.- Para el caso de una ecuacin en diferencias de segundo orden homogneo:
Donde las Races Reales Repetidas para la solucin complementaria estn dadas por:
Esto se deriva del caso en que:
Demuestre que:
efectivamente es solucin de la ecuacin en diferencias de segundo
orden.
Dado:
y
La solucin:
Sabemos que
50

Es lo que queremos probar.

(

Dado:

) por simplicidad eliminamos

(

)(

)(

)
)

Sustituyendo en la solucin general:

)(

Dividiendo por (
(

)(

)( )

)(

(
(

)(

)
)

(
(

)(

)
)

Por lo tanto

) efectivamente es SOLUCIN.

2.- Resuelva la siguiente ecuacin en diferencias de primer y segundo orden

51

)( )

)( )

)(

)(

( )
Para:

Dado
(
)

)
)

52

(
Si

)
cuando

)(

( ) [

( ) [

53

( )

( )

( )

( )

)
}

( )( )

( )(

3.- Determine la solucin general, particular y homognea para

de las siguientes ecuaciones
en diferencias y explique el tipo de solucin (Establezca si la solucin es Estable o No Estable)
a)
}

54

Y dado que:

(
)
Solucin general:

)
)

De las condiciones de ESTABILIDAD

Para el caso de Raices Reales Distintas. La estabilidad requiere que la raiz mas grande sea
menor que la unidad (a1) y la raiz mas pequea (a2) sea mas grande que : -1

) (

b)

55

La solucin particular es:

La solucin complementaria es:

La solucin general es:

(

56

Races reales distintas:

c)

57

La solucin particular es:

La solucin complementaria es:

[(

Si se obtiene en modo RAD

(

)[

En DEG
la calculadora

) ]

58

La solucin general es:

(

)[

) ]

Races complejas:
(

d)

yc
59

1 -1

)(

)
(

( )
)

( )

( )
( )

Como ninguna raz es mayor que 1 en valor absoluto por lo tanto la solucin obtenida
representa una trayectoria de tiempo que converge al equilibrio estacionario de 32.

[
(

]( )
(
)

)
60

yc

4.- Para la ecuacin en diferencias de segundo orden cuyo proceso forzado toma la forma
exponencial
, donde b d y r son constantes. Sabiendo que:
Determine la frmula para encontrar la solucin particular
. Sume la solucin
complementaria y finalmente proponga la solucin general de la ecuacin en diferencias:

Dado

)
(

)
(

( )

)
(

para toda

61

Ej.

B1= 1.3027
B2= -2.3027
(

5.- Para el caso en que el proceso forzado es una tendencia de tiempo determinstica
donde b es una constante y d es un nmero positivo. Resuelva:

Yp

)
62

(
(

)
)

Ya que:

sustituimos:
(
[

y tenemos:
(

]
[

| |

| |

yc

63

6.- Utilizando el operador de rezagos

,
|

a)

y sus propiedades resuelva:

)
(

Sabemos que

=
=
=
(

]
(

Para | |
Sabemos que:

Propiedad 6 de op de rezago.
(

[ ( )

(
(

64

(
(

)
)

[ ]
| |

La solucin a

[ ]

Para los siguientes incisos puede utilizar el operador de rezagos

,
y sus propiedades o bien puede utilizar el Mtodo Iterativo para obtener la solucin.
Sea el proceso
Determine la solucin para cada caso y
establezca para cul es estacionaria y para cul no es estacionaria (en cuyo caso conviene
introducir una tendencia temporal):
b) La solucin de la ecuacin anterior

c) La solucin de la ecuacin anterior

[
(

(
[

)
]

]
)

El proceso puede seguir iterando:

65

O podemos utilizar otro mtodo conocido como el mtodo de los operadores de

rezago
Si

[
[

Desaparece la L en el primer trmino por que la

[
[

es una constante.
[

]
[

]
(

[
Y ya que:

)
)

la solucin particular
(

66

cuando | |
el proceso es convergente ya que se encuentra dentro del circulo
unitario y por lo tanto es estacionario teniendo como solucin:
[

cuando | |
el proceso no es convergente ya que estamos en presencia de una raz
unitaria entonces es conveniente utilizar una tendencia.
[

7.- Con base en el anlisis de la pregunta anterior. Encuentre los valores de

de la siguiente ecuacin en diferencias del siguiente proceso

Dada la solucin de prueba:

Utilizando el mtodo de coeficientes indeterminados resuelva la siguiente ecuacin en

diferencia del proceso.

dado
[

67

Sustituimos en la ecuacin original

[

]
(

Agrupando trminos (constante, tendencia (t), forcing process)

[

Resolviendo el sistema se obtiene que

( )

68