Documente Academic
Documente Profesional
Documente Cultură
CAPTULO 3
3. SERIES DE TIEMPO
usan para describir y analizar fennemos a travs del tiempo. Las series
aleatoria.
48
de variables aleatorias { Z ( ), T}
conjunta.
grupos de variables.
Su solucin.
Operador incremento :
Z t Z t 1 Z t
La ecuacion: Z t a 0 a1 Z t 1
Z t a 0 / 1 a1 sa1t
la ecuacin (1).
en diferencia.
Z 1 a 0 a1 Z 0
Z 2 a 0 a1 a 0 a1 Z 0 a 0 1 a1 a12 Z 0
Z 3 a 0 a1 Z 2 a 0 a 0 a1 a12 a13 Z 0
Z 3 a 0 1 a1 a12 a13 Z 0
Z 4 a 0 1 a1 a12 a13 a14 Z 0
Z t a 0 1 a1t / 1 a1 a1t Z 0
Z t a 0 a1 Z t 1 a 2 Z t 2
estacionaridad dbil.
estacionaria s y solo s:
i) E[ X t ] , t Z
2
ii) E[ X t ] , t Z
los X t
estacionaria.
54
varianza.
peridicamente.
de junio entre s.
_ n
X n 1 X i .
i 1
del tiempo del mismo individuo. Para entender mejor esta diferencia
caso la ley de los grandes nmeros afirma que el promedio del curso
ergdicas y estacionarias.
as:
T
1
Y (t ) lim
k 2T
Y (t ) dt
T
revs no.
es decir:
_ n
X t t 1 X i .
i 1
(1970).
valores sucesivos de Z .
58
ao pasado.
Z t a t 1a t 1 2 a t 2 .... 1 1 B 2 B 2 3 B 3 ... a t
Z t B a t
componentes:
59
serie.
etc.).
completo.
es decir, B Z t = Z t-1,
y en general, Bk Z t = Z t-k.
Z t Z t Z t 1 1 B Z t
2 Z t Z t Z t 1 Z t Z t 1 Z t 1 Z t 2
pasadas, ponderadas:
G B Z t Z t g1 Z t 1 g 2 Z t 2 ...g k Z t k Z t g j Z t j
G B A B / C B
A(B) = 1- aj B j ; C(B)= 1- c j B j
61
racional:
G (B) = A (B) / C(B) =1 / ( 1-g B). Donde: A (B) = 1 ; C(B) = (1-g B).
A B Z t = constante
A B Z t constante a t
62
rezagos de la forma: 1 B
1 2
B 2 3 B 3 ..... p B p . Luego el
1 B B
1 2
2
3 B 3 4 B 4 .... p B p Z t constante a t
como:
B Z~ 1 1 B 2 B 2 ... p B p Z~ t a t Z~ Z t .
Z t 1 1 2 ... p 1 Z t 1 2 Z t 2 p Z t p a t
Tenemos:
63
Z t 1 Z t 2 Z t 1 ... n Z t k a t
1 B B
1 2
2
3 B 3 ..... p B p Z t a t
B Z t a t
realice.
~ Z
Z ~ a
t t 1 t , que genera una serie de tiempo conocida como serie
de Markov.
~
El proceso se puede re-escribir como: 1 B Z t a t .
Modelo AR (2):
1 B B Z~
1 2
2
t at . Yule 1927
Z~t Z t
Modelo AR (p):
1 B B
1 2
2
~ a .
3 B 3 ..... p B p Z t t
~ Z~ Z ~ Z ~ ....... Z~
Z t 1 t 1 2 t 2 3 t 3 p t p at
aleatorios independientes {a t } .
Zt = (1- 1 B - 2 B2 - 3 B3 - 4 B4 .- q Bq ) a t
de retrasos:
Z t at 1 at 1 2 at 2 ... n a n
( Z t ) (1 1 B 2 B 2 3 B 3 ... n B n )at
caractersticas.
66
ser:
Modelo MA(1):
~
Z t (1- B)a t =a t- a t-1
~ ~
E ( Z t ) = 0 ; VAR Z t (1- 2 )VAR (a) =(1- 2 ) a .
2
~ ~
La autocovarianza entre Z t y Z t k ser:
~ Z
k =Autocovarianza( Z ~
t ; t k ) / VAR (a) = - (1- ) para K=1; cero
2
para K 2 .
67
k 0.5.
1 .
Modelo MA (2):
~
Z t (1- B- 2 B2) a t
Z~t Z t
~ ~
E ( Z t ) = 0 ; VAR ( Z t ) = ( 1 + 2 ) a .
2
Modelo MA (q)
~
Z t (1- B - 2 B2 - ..- q Bq) a t
68
~
Z t at - a t-1 - 2 at-2..- q a t-q.
~
Z t = Z t-
1) ( B ) Z t ( B) at ,
~
Una forma alterna de escribir el proceso que sigue la variable Z t
sera:
69
O bien:
posible de parmetros.
~
que si el proceso original { Z t } adolece de no estacionariedad
~
2) Wt = d Z t , para toda t. Para esta nueva serie es posible obtener
un modelo ARMA:
70
~
(B) d Z t = (B ) a t
Tendremos finalmente:
~ = Ba
( B ) [ d ( Z t - ) ] = ( B ) d Z t t.
71
(B ) d Zt = (B ) at
~
variable de estudio Z t de orden d, y de un polinomio de promedios
(BE ) ED ( Z t - ) = (BE) t
(B) d t = (B) a t
(B) (BE ) E
D
( Z t - ) = (B) (BE) a t
de tales efectos.
74