Sesion 0

Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.
TCNICAS AVANZADAS DE SERIES

TEMPORALES PARA LA PREDICCIN
ECONMICA Y EL ANLISIS DE
COYUNTURA
Tcnicas avanzadas de series temporales

PREDICCIN ECONMICA
Control y planificacin: gestin de inventarios, previsin de
ventas, planificacin de la produccin, etc.
Marketing: Las decisiones sobre precios y gastos en publicidad
se basan en predicciones de respuestas a las ventas en distintos
escenarios.
Economa: Los Gobiernos usan las predicciones en el contexto
de la poltica econmica y fiscal, mientras que las empresas las
usan para su planificacin estratgica, puesto que las
fluctuaciones econmicas generalmente tienen efectos a nivel de
industria y empresa.
Especulacin Financiera: Los analistas financieros buscan
beneficios con la prediccin de las series de rendimientos de los
activos.
Demografa: Los nacimientos, muertes, inmigrantes, emigrantes
son caractersticas que se predicen de forma rutinaria.

En un ejercicio de prediccin se necesita:

(a) Una adecuada especificacin del problema de prediccin.
(b) Reunir toda la informacin relevante, de acuerdo a la anterior
especificacin.
(c) La formulacin de un modelo para procesar toda la informacin
y producir la prediccin.
Un modelo nunca puede llegar a ser una descripcin
completamente exacta de la realidad, porque para ello se
tendra que desarrollar un modelo tan complejo que no sera
til en la prctica.

PREDICCIONES E INNOVACIONES
Los agentes econmicos planifican de acuerdo con

predicciones.
La prediccin se denomina expectativa.

La discrepancia entre la expectativa y la realidad se denomina
innovacin.
La innovacin es la nica nueva informacin contenida en los

nuevos datos observados.
Cuando una nueva observacin llega, el agente no acta de

acuerdo con la magnitud publicada, sino en respuesta a su
correspondiente innovacin.

HORIZONTE DE PREDICCIN Y PRECISIN EN LAS

PREDICCIONES.
El horizonte de prediccin se define como el nmero de

perodos entre hoy y la fecha de la prediccin que hacemos.
Las consideraciones corto, medio o largo plazo dependern del
problema considerado.
Para un director de ventas, un horizonte de un ao podra
ser el largo plazo.
Para un Ministro de Fomento, un horizonte de dos aos
podra ser el corto plazo.
La PRECISIN en la prediccin depende de:

El tipo de variable a predecir.
El horizonte de prediccin.
El mtodo de prediccin.
Asociada a la correcta especificacin del modelo
Asociada a la estimacin de los parmetros.

SERIES TEMPORALES ECONMICAS
Los fenmenos econmicos cambian a lo largo del tiempo.

Para entederlos, se necesita medirlos en el tiempo.
En esta medicin, el orden temporal es esencial.
TAL MEDICIN GENERA UNA SERIE TEMPORAL.
Una serie temporal econmica es:

Una secuencia de valores que corresponden a cierto
fenmeno econmico.
Ordenados a lo largo del tiempo.
Y generalmente registrados en intervalos equidistantes.
La longitud del intervalo es fija, dependiendo de:
la naturaleza del fenmeno y
el coste de conseguir los datos.

VARIABLES MACROECONMICAS DE INTERS

Entre otras
PIB
Inversin
Produccin Industrial
Consumo Privado
Ventas al por menor.
Ventas de automviles
Empleo en la industria.
Empleo en el sector de servicios.
Inflacin
Comercio Exterior
Indicadores de Confianza de los
Consumidores
...

CARACTERSTICAS DE LAS SERIES ECONMICAS

Las series econmicas presentan distintas regularidades: tendenciales,
estacionales, cclicas.
Indicador de Confianza de los Consumidores en la UM
10
No presenta un tendencia sistemtica a crecer,

sino ms bien fuertes oscilaciones alrededor de
una media.
-10
-20
-30
-40
1988
1990
1992
1994
1996
1998
2000
2002
Otras serie con estas caractersticas podra ser

la tasa de desempleo.
CONFIND

IPC Alimentacin en E.E.U.U.

170
165
Presenta una tendencia sistemtica a crecer.
160
155
150
145
1995
1996
1997
1998
1999
2000
Matriculacin de vehculos en Espaa

180000
160000
Presenta evolucin tendencial, fuerte

estacionalidad y comportamiento cclico.
140000
120000
100000
80000
Este comportamiento se puede observar en

series de actividad.
60000
40000
1990
1992
1994
1996
1998
2000
2002
MATRICULACION_VEHICULOS

Rendimientos mensuales de INTEL

0.8
0.6
No presenta evolucin tendencial, ni

correlaciones importantes. Sin embargo,
muestra signos de heterocedasticidad.
0.4
0.2
0.0
-0.2
-0.4
-0.6
74 76 78 80 82 84 86 88 90 92 94 96 98
Este comportamiento se puede observar en

series financieras.
INTEL
10

PROCESOS ESTOCSTICOS:
Xt : Un proceso estocstico, es una coleccin {Xt; t=1,2,...,T} de variables
aleatorias ordenadas en el tiempo.
Caractersticas:
E(Xt) = medida de posicin central en el momento t = t
Var(Xt) = medida de dispersin en el momento t =ot
Cov (Xt, Xt+k ) = medida de la relacin lineal entre las observaciones = kt
kt = E [(X t t )(X t k t k )]
kt
kt =
0t 0 (t k )
Funcin de autocovarianzas
Funcin de autocorrelacin
Una Serie Temporal es la

realizacin de un proceso
estocstico
11

Procesos estacionarios: Un proceso estacionario no

presenta evolucin en media ni en varianza y la relacin entre las
observaciones en dos momentos del tiempo diferentes slo depende
del nmero de observaciones que distan entre ambas y no del
momento en el que se calculan.
Una serie temporal Xt es dbilmente estacionaria si
(1) E(Xt) = constante =

(2) Var(Xt) = constante =o
(3) Cov (Xt, Xt+k ) solo depende de k = k
12

-1
-1
-1
-2
-2
-2
-3
-3
-3
25
50
75
100
125
150
175
200
25
50
75
100
125
150
175
200
25
50
75
SERIE1
100
125
150
175
200
SERIE2
Cmo distinguir entre estas tres series?

- Funcin de autocorrelacin terica
- Funcin de autocorrelacin estimada
13

Estimacin de las caractersticas del proceso:

Empricamente: Sean x1, x2, ..., xT los datos observados
T
X
i =1
T
T
0 =
(X
i =1
T 1
(X
k = i = k +1
)(X i k )
(X
i =1
1
N 0, (en muestras grandes)
T
con lo cual, una autocorrelacin es distinta de

cero si no pertenece al siguiente intervalo:
1.96
14

Ruido blanco:
Una serie at es ruido blanco si es impredecible:
E(at) = 0
2
Var(at) = a
cor(at, at-j) = 0 j 0
Un ruido blanco es un proceso estocstico estacionario.
Un proceso estocstico estacionario puede ser, en
general, predecible y
por tanto, no ser un ruido blanco.
15

Modelos de series temporales
xt = f (informacin conocida) +
predecible
ruido blanco
impredecible
Hasta el momento t-1 se tiene la siguiente informacin:

Valores pasados de la serie: x1, x2, ..., xt-1
Innovaciones pasadas: a1, a2, ..., at-1
Segn la informacin disponible, hay tres tipos de modelos:
xt = f (a1, a2, ..., at-1) + at
Modelos de medias mviles (MA)
xt = f (x1, x2, ..., xt-1) + at
Modelos autorregresivos (AR)
xt = f (x1, x2, ..., xt-1 , a1, a2, ..., at-1) + at Modelos mixtos (ARMA)
16

Descomposicin de Wald: Dado un proceso Xt de media 0, estacionario de

segundo orden, se puede representar de la forma:
X t = j at j
j =0
0 = 1, 2j <
j =0
con at ruido blanco.

Este teorema dice que cualquier proceso estocstico estacionario
Yt = at + 1at 1 + 2 at 2 + 3 at 3 + !
Tiene las siguientes implicaciones:
- la importancia de una innovacin es menor cuanto mayor sea el tiempo
que ha transcurrido desde que ocurri
- Es una caracterizacin poco operativa puesto que requerira la estimacin
de infinitos parmetros.
17

PROCESOS DE MEDIAS MVILES
18

Modelo de medias mviles de orden q: MA(q)

El modelo incorpora las ltimas q innovaciones.
X t = at 1at 1 2 at 2 ! q at q
Para comprender las caractersticas de este modelo, se analizan
primero algunos casos simplificados.
Modelo de medias mviles de orden 1: MA(1)
El modelo incorpora la innovacin actual y la anterior.
X t = at 1at 1
Con at un proceso ruido blanco con desviacin tpica residual
19

Caractersticas del modelo MA(1)
= E (X t ) = 0
0 = V (X t ) = (1 + 12 ) a2
1 a2 si k = 1
k = cov(X t , X t k ) =
si k > 1
0
1
si k = 1
k = corr (X t , X t k ) = 1 + 12
0
si k > 1
- siempre es estacionario.
- slo la primera autocorrelacin es distinta de cero.
20

X t = at 0.5at 1 , a = 1
X t = at + 0.5at 1 , a = 1
MA(1);_-0.5
MA(1);_0.5
2
2
1
1
0
0
-1
-1
-2
-2
-3
20
40
60
80
100
120
140
160
180
200
FAC
20
40
60
80
100
120
140
160
180
200
1.0
1.0
0 = (1 + 0.52 ) 1 = 1.25
0.5
1 =
= 0.4
1 + 0.52
0.5
0.0
0.5
0 = (1 + 0.52 ) 1 = 1.25
0.5
1 =
= 0.4
1 + 0.5 2
0.0
-0.5
-0.5
-1.0
-1.0
1
21

Modelo de medias mviles de orden 2: MA(2)

El modelo incorpora la innovacin actual y la anterior.
X t = at 1at 1 2 at 2
con at un proceso ruido blanco con desviacin tpica residual
Caractersticas del modelo MA(2)

= E (X t ) = 0
0 = V (X t ) = (1 + 12 + 22 ) a2
1 (1 2 )
(1 + 2 + 2 )
1
2
k = corr (X t , X t k ) =
2
2
(1 + 1 + 2 )
0
si k = 1
si k = 2
si k > 2
- siempre es estacionario.
- slo las dos primeras autocorrelaciones son distintas de cero.
22

Ejemplo:
X t = (1 0.9 L + 0.2 L2 ) at
Funcin de autocorrelacin
4
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
-0.40
-0.60
-0.80
-1.00
0
-1
-2
0 = 1.85
-3
-4
25
50
75
100
125
150
175
MA2
200
0.39 si k = 1
k = corr (X t , X t k ) = 0.11 si k = 2
0
si k > 2
23

Modelo de medias mviles de orden q: MA(q)

El modelo incorpora las ltimas q innovaciones.
X t = at 1at 1 2 at 2 ! q at q
- Siempre es estacionario
- Solo q innovaciones pasadas entran en el modelo
- x = 0 ,
- o = (1+12++ q2) a2.
- La funcin de autocorrelacin se corta tras q retardos.
- Las innovaciones persisten q perodos.
- Slo q predicciones hacia el futuro son distintas de 0 y la
incertidumbre hacia el futuro es acotada.
24

NOTACIN: Operador de retardos L
LX t = X t 1 L2 X t = X t 2
Lb X t = X t b
,
, en general, b
Lat = at 1 L2 at = at 2
L at = at b
En el caso de un polinomio de medias mviles MA(q):
X t = at 1at 1 2 at 2 ! q at q =
= (1 1 L 2 L2 ! q Lq )at
Polinomio en el operador de retardos L
Filtro de medias mviles (porque est aplicado a las innovaciones).
Observacin: Suma de una serie geomtrica
1+ g + g 2 + g3 +! =
1
1 g
Pero para que sea convergente debe

ser |g|<1
25

PROCESOS AUTORREGRESIVOS
26

Modelo autorregresivo de orden p: AR(p)

El modelo incorpora la informacin de las ltimas p observaciones.
X t = 1 X t 1 + 2 X t 2 + ! + p X t p + at
Otras formulaciones:
X t 1 X t 1 2 X t 2 ! p X t p = at
(1 L L
! p Lp X t = at
Polinomio en el operador de retardos L

Filtro de autorregresivo (porque est aplicado a la propia variable).
27

Modelo autorregresivo de orden 1: AR(1)

El modelo incorpora la ltima observacin.
X t = 1 X t 1 + at
(1 1 L) X t = at
Estacionariedad: Para comprobar esta caracterstica es preciso

conocer cmo afectan las innovaciones en el modelo.
(1 1 L) X t = at X t =
at
=
(1 1 L)
= 1 1 L 12 L2 13 L3 ! at =
= at 1at 1 12 at 2 13at 3 !
La condicin de estacionariedad:
(1 +
2
1
+ 1 + 1 + ! = i2i < 1 < 1

4
i =0
28

Caractersticas del modelo AR(1)
= E (X t ) = 0
0 = V (X t ) =
1
a2
2
1 1
k = cov( X t , X t k ) = 1 k 1 = 1k 0
k = corr ( X t , X t k ) = 1 k 1 = 1k
- Hay infinitas correlaciones distintas de cero.
- Las autocorrelaciones tienden a cero exponencialmente.
- Las autocorrelaciones siguen la misma ecuacin en diferencias que
el proceso AR(1) original
29

Ejemplos:
X t = 0.7 X t 1 + at
6
1
0.8
0.6
-0.2
0.4
0.2
0
1
-0.4
-0.6
-0.8
-1
k = 0 .7 k
-2
-4
25
50
75
100
125
150
175
200
AR1POS
X t = 0.7 X t 1 + at
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2
k = ( 0.7 )
-4
25
50
75
100
125
AR1NEG
150
175
200
30

Modelo autorregresivo de orden 2: AR(2)

El modelo incorpora las dos ltimas observaciones.
X t = 1 X t 1 + 2 X t 2 + at
(1 1 L 2 L2 ) X t = at
Estacionariedad:
(1 1 L 2 L2 ) X t = at X t =
=
at
=
(1 1 L 2 L2 )
at
(1 G1 L)(1 G2 L)
La condicin de estacionariedad:
G1 < 1 y G2 < 1, siendo G1 y G2 las races inversas del polinomio (1 1 L 2 L2 )

31
(1 1.2 L + 0.35L )X

Ejemplo
= at
El polinomio autorregresivo se puede descomponer de la siguiente forma:
(1 1.2L + 0.35L ) = (1 0.7 L )(1 0.5L )

2
Con lo cual:
1
1
3.5
2. 5
=
=
+
1 1.2 L + 0.35 L2
(1 0.7 L )(1 0.5L ) (1 0.7 L ) (1 0.5L )
y aplicado a la secuencia de innovaciones:
X t = 3.5 1 + 0.7 L + 0.7 2 L2 + ! at 2.5 1 + 0.5 L + 0.52 L2 + ! at =
= 1 + (3.5 0.7 2.5 0.5) + (3.5 0.7 2 2.5 0.52 ) L2 + ! at

Las inversas de las races del polinomio 0.7 y 0.5 son las que restringen
el comportamiento de los coeficientes
32

FUNCIN DE AUTOCORRELACIN
La funcin de autocorrelacin sigue la misma ecuacin en diferencias
que el proceso AR(2) original:
1
1 2
k = 1 k 1 + 2 k 2
1 =
La solucin para k>2 es:
k = A1G1k + A2G2k
con G1 y G2 las races inversas del polinomio AR

y A1 y A2 constantes a determinar.
Si G1 y G2 son reales, el decrecimiento de las autocorrelaciones ser la

suma de dos exponenciales
Si G1 y G2 son complejas conjugadas, el decrecimiento ser de forma
sinusoidal.
33

Tipos de races que se pueden obtener con un AR(2) y

comportamientos que inducen
FAC
PACF
Reales
Complejas
34

TRINGULO DE ESTACIONARIEDAD PARA UN AR(2)
35

Funcin de autocorrelacin parcial:

Permite distinguir entre un proceso AR(1) y un AR(2).
La funcin de autocorrelacin parcial de orden k es una medida de
la relacin lineal entre las observaciones separadas por k perodos,
independientemente de los valores intermedios
Ejemplos:
AR(1)
AR(2)
X t = 1 X t 1 + at
X t 1 = 1 X t 2 + at 1
X t 2 X t 1 X t
X t = 1 X t 1 + 2 X t 2 + at ,
X t 2 X t 1 X t
Existe relacin entre Xt-2 y Xt tanto en el modelo AR(1) como en el

AR(2), pero en el caso del AR(1) es indirecta (si se eliminaran los
efectos de Xt-1 ya no existira esta relacin)
36

Nuevas consideraciones sobre los procesos de medias mviles

Concepto de invertibilidad: La invertibilidad de un proceso es la
condicin que permite estimar las innovaciones. Un proceso es
invertible si se puede escribir como una combinacin lineal infinita de
las observaciones pasadas.
Xt
MA(1) X = (1 L) a
=a
t
(1 1 L)
(1 + 1 L + 12 L2 + 13 L3 + !) X t = at
at = X t + 1 X t 1 12 X t 2 13 X t 3 !
Para que la representacin sea convergente, el parmetro debe ser
inferior a la unidad en valor absoluto. (Al igual que ocurra con la
condicin de estacionariedad para los procesos autorregresivos).
37

FAC y PACF para modelos MA
FAC
PACF
38

COMPORTAMIENTO DUAL DE LOS PROCESOS MA Y AR
Estacionariedad
MA(q)
Siempre
AR(p)
Hay que
comprobarlo
Invertibilidad
F. Autocorrelacin
F. Autocorrelacin Parcial
Predicciones
Depende
Se corta tras q
retardos
Estructura exponencial o
sinusoidal
q predicciones distintas de
cero sin estructura
Siempre
Estructura
exponencial o
sinusoidal
Se corta tras p retardos
Infinitas predicciones
distintas de cero pero que
tienden a cero con
estructura exponencial o
sinusoidal
39

PROCESOS MIXTOS:
AUTORREGRESIVOS Y DE MEDIAS
MVILES
40

Modelos Mixtos: ARMA(p,q)

Incluyen p retardos de la propia variable y q innovaciones pasadas.
X t = 1 X t 1 + 2 X t 2 + ! + p X t p 1at 1 2 at 2 ! q at q + at
(1 1 L 2 L2 ! p Lp ) X t = (1 1 L 2 L2 ! q Lq )at
Parte autorregresiva.
Responsable de la estacionariedad.
Responsable de la estructura de la
funcin de autocorrelacin y en las
predicciones.
Parte de medias mviles.

Responsable de la invertibilidad.
Responsable de la ausencia de
estructura de la funcin de
autocorrelacin y en las
predicciones.
41

CARACTERSTICAS DEL MODELO ARMA(1,1)
(1 1 L) X t = (1 1 L) at
Estacionariedad: A partir de la representacin de medias mviles del
proceso:
Xt =
(1 1 L)
at
(1 1 L)
X t = 1 + (1 1 ) L + 1 (1 1 ) L2 + ! + 1k 1 (1 1 ) Lk + ! at
El proceso es estacionario si el parmetro autorregresivo es inferior a la
unidad en valor absoluto.
Invertibilidad: A partir de la representacin autorregresiva del proceso.
De igual manera, el proceso ser invertible si el parmetro de medias
mviles es inferior a la unidad en valor absoluto.
42

FUNCIN DE AUTOCORRELACIN SIMPLE Y PARCIAL DE

LOS PROCESOS ARMA(1,1).
FAC
1 =
PACF
( )(1 )
(1 2 + 2 )
2 = 1
k = k 1
Tras la primera
autocorrelacin,
las siguientes se
comportan segn
la parte AR
43

CARACTERSTICAS DEL MODELO ARMA(p,q) EN GENERAL
El proceso ser estacionario si la mayor raz del polinomio autorregresivo G,

satisface |G|<1.
El proceso ser invertible si la mayor raz del polinomio de medias mviles H
satisface |H|<1.
Los modelos MA(q), AR(p) or ARMA(p,q) estacionarios e invertibles siempre
tienen
(1) Una representacin AR
(2) Una representacin MA.
El correlograma del proceso presenta q-p+1 retardos distintos de cero sin
estructura y decrecimiento a 0 como mezcla de exponenciales y sinusoidales
posteriormente.
El correlograma parcial del proceso presenta un comportamiento dual.
Al igual que el correlograma simple, las predicciones se prolongarn sin
estructura durante q perodos y posteriormente decrecern exponencialmente
a 0, segn las races del polinomio AR.
Al ser el proceso estacionario la incertidumbre en la prediccin est acotada.
44

Resumen de procesos estacionarios

En los procesos estacionarios la persistencia de las innovaciones es
menor en el tiempo.
Los modelos AR, MA y ARMA son capaces de describir el comportamiento
de los procesos estacionarios con una cantidad pequea de parmetros.
En los procesos AR la persistencia de las innovaciones, la funcin de
autocorrelacin y las predicciones presentan un comportamiento
decreciente a cero como mezcla de exponenciales y sinusoidales.
En los procesos MA la persistencia de las innovaciones, la funcin de
autocorrelacin y las predicciones se prolongan q perodos sin estructura.
Los modelos ARMA combinan las propiedades de los procesos AR y MA.
La funcin de autocorrelacin parcial sirve para determinar el orden de los
procesos AR.
45

Sesion 0

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Sesion 0

Încărcat de

Drepturi de autor:

Formate disponibile

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

TCNICAS AVANZADAS DE SERIES

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

En un ejercicio de prediccin se necesita:

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Los agentes econmicos planifican de acuerdo con

La prediccin se denomina expectativa.

La innovacin es la nica nueva informacin contenida en los

Cuando una nueva observacin llega, el agente no acta de

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

HORIZONTE DE PREDICCIN Y PRECISIN EN LAS

El horizonte de prediccin se define como el nmero de

La PRECISIN en la prediccin depende de:

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

SERIES TEMPORALES ECONMICAS

Los fenmenos econmicos cambian a lo largo del tiempo.

Una serie temporal econmica es:

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

VARIABLES MACROECONMICAS DE INTERS

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

CARACTERSTICAS DE LAS SERIES ECONMICAS

No presenta un tendencia sistemtica a crecer,

Otras serie con estas caractersticas podra ser

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

IPC Alimentacin en E.E.U.U.

Presenta una tendencia sistemtica a crecer.

Matriculacin de vehculos en Espaa

Presenta evolucin tendencial, fuerte

Este comportamiento se puede observar en

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Rendimientos mensuales de INTEL

No presenta evolucin tendencial, ni

Este comportamiento se puede observar en

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Una Serie Temporal es la

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Procesos estacionarios: Un proceso estacionario no

(1) E(Xt) = constante =

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Cmo distinguir entre estas tres series?

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Estimacin de las caractersticas del proceso:

con lo cual, una autocorrelacin es distinta de

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Modelos de series temporales

Hasta el momento t-1 se tiene la siguiente informacin:

xt = f (a1, a2, ..., at-1) + at

Modelos de medias mviles (MA)

xt = f (x1, x2, ..., xt-1) + at