Escolar Documentos
Profissional Documentos
Cultura Documentos
Captulo 2
2. MARCO TEORICO
aplicacin.
actuales y pasados.
de tiempo.
DINMICOS- DETERMINISTICOS
prediccin y control.
deseada con todas las series de tiempo, el hecho es que ellos nos
en trminos de B, se tiene:
= + () at
28
()= 1 + 1 + 2 2 + ...
y j <
j= 0
proceso.
29
.. por zt, zt-1, zt-2, .... Adems se denota > t, >t-1, >t-2, ... como las
>= 1 1 + 2 2 + ...+ p p + a
()= 1 1 2 2 ... pp
()>t= a t
blanco a t.
Se puede eliminar > t-1 del lado derecho del modelo, entonces:
()>t= a t
que es equivalente a
>t = () at
con
()= 1 ()
que 1 en valor absoluto, esto es que todas las races deben caer
previas >t-1, >t-2, ... >t-p del proceso, ms un choque aleatorio at.
ser positivas.
33
()= 1 1, 2, ... q
como:
>t= (B) a t
o tambin:
()>t= (B) a t
el cual uno o ms de los ceros del polinomio (B) caen dentro del
(B)= () (1-B)d
es de la forma:
esto es:
donde
wt= dzt
36
usualmente 0, 1 o a lo mucho 2.
El proceso definido por (B) wt= (B) at y por wt= dzt provee un
por:
con w t= dz t.
ESTACIONARIOS.
0 +h, 0 +2h, ..., 0 +th, ..., 0 +h. Para muchos propsitos los
Z t= cos (2 ft)
proceso estocstico.
constante
= E [zt ] = zp( z) dz
varianza constante
= E[( z t ) ] = (z )
2 2 2
z
p ( z) dz
N
1
z=
N
z
t =1
t
N
1
$ =
2
z
N
(z
t =1
t z) 2
E [( zt )( zt + k )]
k =
z2
es:
k
k =
0
es:
0 1 2 ... n1
1 0 1 ... n2
n= 2 1 0 ... n3
. . . .
. . . ... .
. . . .
n-1 n-2 n-3 ... 0
0 1 2 ... n1
1 0 1 ... n2
2 z = 2 1 0 ... n3 =2 zPn
. . . .
. . . ... .
. . . .
n-1 n-2 n-3 ... 0
varianza de Lt es:
n n
var[ Lt ] = ll i j | j i |
i =1 j =1
1 1
>0
1 1
tal que
1- 12 >0
y se tiene que
-1< 1 <1
1 1
>0,
1 1
1 2
>0,
2 1
1 1 2
1 1 1 >0
2 1 1
46
-1< 1 <1
-1< 2 <1
estacionalidad estricta.
Autocovarianza
N
1
z=
N
z t
t =1
1 N N
N 1
k
var[ z ] = 2 t s = 0 1 + 2
1 k
N t =1 s =1 N k =1 N
0
var[ z ] = 1 + 2 k
N k =1
50
en el sentido que
N var[z ] 0 1 + 2 k
k =1
k =
k <
autocorrelacin k es:
rk=ck/c0
51
N k
(z z )( zt + k z )
1
ck = t
N t =1
para k=0,1,2,...,K
N/4.
Normal estacionario
1 + 2
var[rk ] ( v + v+k vk 4k v vk + 2v2 k2 )
N v=
dada por:
1 (1 + 2 )(1 2 k )
var[rk ] 2 k 2k
N 1 2
1
var[ r1 ] (1 2 )
N
q
1
var[ rk ] (1 + 2 v2 )
N v =1
para k>q
Bartlett.
54
q
1
cov[ rk , rk + s ]
N
v = q
k v +s
para k>q.
esto es, cuando los k son tomados para ser cero para todos los
autorregresivos.
AR(p)
estacionario.
orden
(1 1 )>t= a t
zt = (1 1 B) at = 1j at j
1
j=0
56
Entonces
( B ) = (1 1 B ) = 1j B j
1
j =0
p
Ki
zt = ( B )at =
1
at
i =1 1 G i B
()=0 pueden ser referidas como los ceros del polinomio ().
diciendo que los ceros de () deben caer fuera del crculo unitario.
57
ecuacin diferencial
j = 1 j 1 + 2 j 2 +...+p j p
Entonces la serie
multiplicando totalmente
ecuacin diferencial
() k=0
k y no sobre t.
Entonces, escribiendo a
(1 G B)
i =1
i
es:
caracterstica
humedecida.
Dksin(2 fk + F)
1[|Re(Gi)|/D].
1= 1 + 21 + ...+ pp-1
1 1 1 1 2 ... p-1
2 2 1 1 1 ... p-2
= p= . Pp= . . . .
. . . . . ... .
. . . . . .
p p p-1 p-2 p-3 .. 1
62
= P-1pp
0 = 1-1 + 2 -2 + ...+ p -p + 2
j = 1 j 1 + 2 j 2 +...+p j p
k= 1 k-1 k>0
k= k1 k=>0
z2 =
a
1 11 22 ... pp
64
2
z2 = a
1 11
haciendo 1 = 1
a2
=
1 21
triangular:
2 + 1 < 1
2 1 < 1
-1< 2< 1
65
orden
k= A1Gk1 + A 2Gk2
=[G1(1-G22)Gk1-G2(1-G21)Gk2]/[(G1-G2)(1+G1G2)]
k= [Dksin(2fok+F)]/sin F
D =| Gi |= 2
Re( Gi ) 1
cos(2fo) = =
D 2 2
1 + D2
tanF = tan( 2f 0)
1 D2
67
1= 1 + 21 + ...+ pp-1
2= 1 p-1 + 2 + ... + pp-2
. . . .
. . . ... .
. . . .
p= 1 p-1 + 2 p-2 + ... + p
1= 1 + 2 1
2= 1 p-1 + 2
1= [ 1(1- 2)]/[1- 2]
2= [2-2 1]/[1-2 1]
68
resultado:
1= 1/[1- 2]
2= 2+[ 2 1]/[1- 2]
2 z= 2z/(1-1 1-2 2)
1 2 a2
1 + 2 {(1 2 ) 2 12 }
conjunto de ecuaciones:
1 1 2 ... k-1 k1 1
1 1 1 ... k-2 k2 2
. . . . . .
. . . ... . . = .
. . . . . .
k-1 k-2 k-3 .. 1 kk k
o como:
Pk k= k
70
sucesivamente, obtenemos:
11=1
1 1
1 2 2 - 21
22= =
1 1 1 - 2 1
1 2
1 1 1
1 1 2
2 1 3
33=
1 1 2
1 1 1
2 1 1
autocorrelacin parcial.
71
j=1,2,...k
Parcial
usadas en el ajuste,
1
var[$kk ]
n
para Kp+1
estimada kk es:
1
S . E .[$kk ] = $[$kk ]
n
para Kp+1
73
proceso MA(q):
= () a t
>t= (1- 1 ) at
( B ) = (1 1 B ) = 1j B j
1
j =0
= () a t
de la sgte. manera:
Entonces, si
q
( B) = (1 Hi B )
i =1
expresin:
Mi q
( B) = ( B) =
1
i =1 1 H i
B
75
()= 1 1 2 2 ... qq = 0
estacionalidad.
Mviles
= () a t
0 =(1+ 12 + 22 + ...+ q2 )2 a
>t= a t - 1 a t-1
= (1- 1 ) at
0 =(1+ 12 )2 a
1 k=1
1 + 1 2
k=
0 k 2
78
1-1 22=0
79
2 + 1 <1
2 1 <1
-1<2 <1
un proceso AR(2).
0 = 2a(1+ 12 + 2 2 )
1 = 1 (12 )
1+ 1 2 + 22
2 = 2
1+ 1 2 + 22
k= 0 k 3
2 + 1=-0.5
2 1= -0.5
12= 42(1-2 2)
MOVILES
esto es
( )>t= () a t
( )>t= et
et= () a t
>t= ()b 1
( )b 1= at
82
tal que
( )>t= ()( )b 1= () a t
autorregresivo
zt = ( B)at = j at j
j =0
83
( B ) zt = z t j zt j = at
j =1
con 0=1, j=0 para j<0 y j=0 para j>q, mientras que de la relacin
Funcin de autocorrelacin.
ecuacin > t= 1 >t-1 + 2 >t-2 + ...+ p>t-p + at + at- 1 at-1- ... -qat-q
por za(k)= E[>t-k at]. Desde que >t-k depende solo de los shocks
sigue que:
0 k>0
za(k)=
k2a k 0
85
como:
y por lo tanto
( ) k=0 k q+1
1k-1 + ... +pk-p - 2 a(k 0 + k+1 1 + ... + q q-k), para k= 1,2, ..., p
su extensin.
esto es
(1 1)>t=(1- 1 )at
87
0= 11 + 2 a(1 - 1 1 )
0= 10 - 12 a
k= 1 k-1 k2
con 1=1 1.
88
1 + 12 211 2
0 = a
1 12
(1 + 11 )(1 1 )
1 = a2
1 1
2
k = 1 k 1
(1 + 11 )(1 1 )
1 1 =
1 + 12 21
2= 1 1
|2|<|1|
2>1(21+1) 1<0
2>1(21-1) 1>0