Procesos estacionarios
Procesos estacionarios
Un proceso estocástico (𝑌𝑡 ) es estacionario cuando las propiedades
estadísticas de cualquier secuencia finita 𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛 (n ≥ 1) de
componentes de (𝑌𝑡 ) son semejantes a las de la secuencia
𝑌𝑡1 +ℎ , 𝑌𝑡2 +ℎ , … , 𝑌𝑡𝑛 +ℎ para cualquier número entero h = ±1, ±2, ...
Sí un proceso estocástico es estacionario, sus propiedades estadísticas se
simplifican notablemente con respecto a las de un proceso que no sea
estacionario.
Procesos no estacionarios
Un proceso estocástico (𝑌𝑡 ) es no estacionario cuando las propiedades
estadísticas de al menos una secuencia finita 𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛 (n ≥ 1) de
componentes de (𝑌𝑡 ) son diferentes a las de la secuencia
𝑌𝑡1 +ℎ , 𝑌𝑡2+ℎ , … , 𝑌𝑡𝑛 +ℎ para al menos un número entero h .
Modelos
Un modelo univariante para un proceso estocástico univariante o
escalar (𝑌𝑡 ) es cualquier conjunto de hipótesis bien definidas sobre
ciertas propiedades teóricas de las distribuciones de probabilidad
(conjuntas, marginales o condicionales) de los componentes del
proceso (𝑌𝑡 ) del que se supone procede una serie temporal observada
𝑁
𝑦𝑡 𝑡=1 .
Modelo completo
Un modelo de la estructura probabilística completa de (Yt ) consiste en
una especificación de las distribuciones conjuntas de todos los vectores
del tipo
𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛 ′
𝑡1 < 𝑡2 < ⋯ < 𝑡𝑛 𝑛 = 1,2, 3, …
Elaborar un modelo de este tipo requiere al menos estimar el vector de
medias y la matriz de varianzas y covarianzas de las v. a. de las que
proviene la serie.
Modelo completo
La muestra
𝒀 ≡ 𝑌1 , 𝑌2 , … , 𝑌𝑁 ′
𝑁 parámetros 𝑁(𝑁 + 1)/2 parámetros
En conjunto, µ y Σ contienen N + N (N + 1) / 2 parámetros distintos, que no pueden
estimarse con precisión utilizando una única serie temporal de N observaciones.
Un modelo para (𝑌𝑡 ) suele especificarse mediante alguna expresión
matemática para 𝑌𝑡 (el componente genérico del proceso considerado),
que implique unas propiedades teóricas sobre los momentos de
primer y segundo orden (medias, varianzas y covarianzas) de las
distribuciones conjuntas de los componentes de (𝑌𝑡 ) que sean
compatibles con las propiedades muestrales correspondientes
observadas en una serie temporal 𝒚 ≡ 𝑦1 , 𝑦2 , … , 𝑦𝑁 ′
Cuando dichas distribuciones conjuntas son Normales, sus propiedades
de primer y segundo orden caracterizan completamente la estructura
probabilística de (Yt ).
Ruido Blanco
Un proceso de ruido blanco univariante es una secuencia (𝐴𝑡 ) de
variables aleatorias escalares idéntica e independientemente
distribuidas con media 0 y varianza 𝜎𝐴2 .
𝐴𝑡 ~𝐼𝐼𝐷(0, 𝜎𝐴2 )
2
𝐴𝑡 ~𝑁𝐼𝐼𝐷(0, 𝜎𝐴 )
Un proceso de ruido blanco Normal o Gaussiano.
Simulación
Ruido blanco-IIDU(0, 1/3)
1
0,8
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35
-0,2
-0,4
-0,6
-0,8
-1
Simulación
Ruido Blanco Normal (0, 4)
4
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
-1
-2
-3
-4
-5
Modelo AR(1)
Un proceso estocástico univariante estacionario (𝑌𝑡 ) sigue un modelo
autorregresivo de orden 1 (AR1) si
𝑌𝑡 = 𝜇 + 𝜑1 𝑌𝑡−1 + 𝐴 𝑡 para todo 𝑡 = 0, ±1, ±2, ±3, … .
donde 𝜇 y 𝜑1 son parámetros, 𝜑1 < 1 (condición de estacionariedad)
y 𝐴𝑡 ~𝐼𝐼𝐷(0, 𝜎𝐴2 ).
Simulación AR(1)- 𝜑1 = 0.8 𝜇=0
Modelo MA(1)
Un proceso estocástico univariante estacionario (𝑌𝑡 ) sigue un modelo
de medias móviles de orden 1 (MA1) si
𝑌𝑡 = 𝜇 + 𝐴 𝑡 − 𝜃1 𝐴𝑡−1 para todo 𝑡 = 0, ±1, ±2, ±3, … .
donde 𝜇 y θ1 son parámetros, θ1 < 1 (condición de invertibilidad) y
𝐴𝑡 ~𝐼𝐼𝐷(0, 𝜎𝐴2 ).
Simulación MA(1)- 𝜃1 = 0.8 𝜇=0
Caminata o paseo aleatorio
Un proceso estocástico univariante no estacionario (𝑌𝑡 ) es un paseo
aleatorio si
𝑌𝑡 = 𝜇 + 𝑌𝑡−1 + 𝐴 𝑡 para todo 𝑡 = 0, ±1, ±2, ±3, … .
donde 𝜇 es un parámetro, generalmente igual a 0 y 𝐴𝑡 ~𝐼𝐼𝐷(0, 𝜎𝐴2 ).
Un paseo aletorio se correspondería con un AR(1) donde 𝜑1 = 1
Caminata o paseo aleatorio
𝑌𝑡 = 𝜇 + 𝑌𝑡−1 + 𝐴 𝑡 para todo 𝑡 = 0, ±1, ±2, ±3, … .
𝛻𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 diferencia regular de orden 1
Un paseo aletorio se expresaría como
𝛻𝑌𝑡 = 𝜇 + 𝐴 𝑡
Un proceso estocástico univariante no estacionario (𝑌𝑡 ) es un paseo
aleatorio si su diferencia regular de orden 1 es estacionario 𝐼𝐼𝐷(𝜇, 𝜎𝐴2 ).
Simulación Paseo Aleatorio 𝜇 = 0
Proceso estrictamente estacionario
Un proceso estocástico (𝑌𝑡 ) es estrictamente estacionario si y sólo si
para cualquiera 𝑛 ≥ 1momentos 𝑡1 < 𝑡2 < ⋯ < 𝑡𝑛 de su historia, la
distribución de probabilidad conjunta de 𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛 ′ coincide con
la del vector 𝑌𝑡1+ℎ , 𝑌𝑡2 +ℎ , … , 𝑌𝑡𝑛 +ℎ ′ para cualquier número entero h
= ±1, ±2, ...distinto de cero.
Proceso estacionario en media
Un proceso estocástico (𝑌𝑡 ) con 𝐸 𝑌𝑡 < ∞ para todo t = 0,±1, ±2, ...es
estacionario en media o débilmente estacionario de primer orden si y
sólo si 𝐸 𝑌𝑡 es constante para todo t = 0,±1, ±2, ... (no depende de t).
Proceso estacionario en varianza
Un proceso estocástico (𝑌𝑡 ) con 𝐸 𝑌𝑡2 < ∞ para todo t = 0,±1, ±2, ...es
estacionario en autocovarianza o débilmente estacionario de segundo
orden si y sólo si:
• 𝐸 𝑌𝑡 y 𝑉𝑎𝑟 𝑌𝑡 son constantes para todo t = 0,±1, ±2, ... (no depende
de t).
• 𝐶𝑜𝑣 𝑌𝑡 , 𝑌𝑡+𝑘 depende de 𝑘 (entero) pero no de 𝑡, para todo t = 0,±1,
±2, ...
Proceso estocástico Normal
Un proceso estocástico (𝑌𝑡 ) es Normal o Gaussiano si y sólo si para
cualquiera 𝑛 ≥ 1 momentos 𝑡1 < 𝑡2 < ⋯ < 𝑡𝑛 de su historia, la
distribución de probabilidad conjunta de 𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛 ′ es una
Normal-n variante.
Si un proceso estocástico es Normal sumado a que sea estacionario en
autocovarianza implica que el proceso sea estrictamente estacionario.
Función de Autocovarianza -ACF
La autocovarianza de orden 𝑘 (𝑘 > 0) de un proceso estocástico (𝑌𝑡 )
estacionario se representa con el símbolo 𝛾𝑘 y se define como 𝛾𝑘 =
𝐶𝑜𝑣 𝑌𝑡 , 𝑌𝑡+𝑘 .
Media, varianza y autocovarianzas de un
proceso estacionario.
