Procesos de paseo aleatorio

• Un proceso estocástico sigue un paseo aleatorio si;

xt  xt 1   t
donde  t es ruido blanco
• El valor en un momento es el valor del periodo anterior más
un efecto aleatorio ruido blanco.

xt  xt 1  xt  (1  L) xt   t
Procesos de paseo aleatorio
 Procesos de paseo aleatorio
• Se puede generalizar el modelo e incorporar una constante.

xt     t
xt  xt 1     t
 Procesos de paseo aleatorio
• El primero momento;
 t 1 
E ( xt )  E  x0  t    t  j   x0  t
 j 0 
• Si   0 el proceso no es estacionario en media.
 Procesos de paseo aleatorio
• La varianza;
2

t 1 
 t ,0  E ( xt  E ( xt ))  E    t  j 
2

 j 0 
 t 1  t 1
 t 1

 E    t  j  2   t  j t  j '    E ( t2 j )
2

 j 0 j , j ' 0  j 0
 j j' 
  2t  t es ruido blanco, y E ( t t  j )  0 j  0
• No es estacionario en varianza; tiene una tendencia (incrementa
linealmente). Paseo aleatorio tiene una tendencia en varianza o
tendencia estocástica.
 Procesos de paseo aleatorio
• Otra manera de llegar al mismo resultado;
 Procesos de paseo aleatorio
• Autocovarianza;
 t ,  E ( xt  E ( xt ))( xt   E ( xt  ))
 t 1  t  1  t  1
 E    t  j    t   j    E ( t2 j )
 j 0  j 0  j 0
  2 (t   )

• La autocovarianza tampoco es constante

• Por lo tanto el paseo aleatorio no es estacionario
 Procesos de paseo aleatorio

• Si transformamos el proceso a través de una

diferencia, la transformación sería estacionaria.

wt  xt     t
wt es estacionario; es un ruido blanco alrededor de la media,  .
 Procesos de paseo aleatorio
• Es importante detectar si un serie está generada por
un paseo aleatorio.

• 1) La función de autocorrelación simple puede dar

una indicación.
 t ,  2 (t   ) (t   ) 
t ,     1
 t ,0 t  ,0   t  (t   )
2 2
t (t   ) t

• Una correlograma presentará los primeros

coeficientes muy cerca de 1, y esta va decreciendo
suavemente.
 Procesos de paseo aleatorio

 xt  c  11 xt 1  ut
x  c  x  x  u
 t 21 t 1 22 t  2 t

 
 xt  c  k1 xt 1  k 2 xt  2  ...  kk xt  k  ut

• La FAP, resultaría en un primero coeficiente significativo y

cerca de uno, mientras los siguientes coeficientes serán cero.
 Procesos de paseo aleatorio
• Normalmente un FAC que está decreciendo muy lento con un
primer FAP cerca uno y los restos cero, indica que podemos
diferenciar para conseguir un serie temporal estacionario.
 Procesos de paseo aleatorio

• Otra manera para saber si se debe diferenciar una serie

temporal son los contrastes de raíces unitarias.
• Constaste de raíces unitarias. “unit roots”. Estima la
ecuación;
xt  xt 1     t
Y contrastar si H 0 :   1
 Procesos lineales
• Definición: Un proceso estocástico 
T
t t 1es
lineal cuando lo
podemos escribir como una función de una combinación lineal
(posiblemente infinita) de variables aleatorios de ruido blanco.

xt   t   1 t 1   2 t  2  ...

  j t  j
j 0
 Procesos lineales
• Hay tres tipos de procesos estocásticos lineales;
• Autoregresivas (AR)
• Media móvil (MA)
• ARMA (la combinación de AR y MA)

AR ( p ); xt  1 xt 1  2 xt  2  ...   p xt  p   t
MA(q ); xt   t  1 t 1   2 t  2  ...   q t  q
ARMA( p, q ); xt  1 xt 1  ...   p xt  p   t  1 t 1  ...   q t  q

 t es un término aleatorio, independiente e idénticamente distribuido (“ruido blanco”).

 Procesos lineales
• Se puede introducir una constante  para tener
procesos con una media . 0

• Se puede expresar los procesos con un polinomio de

operadores de retardos. El operador de retardos B esta
definido por:
Bxt  xt 1
B k xt  xt  k

k
 Procesos lineales
• Utilizando el operador de retardos y la generalización, se
puede escribir los procesos:
AR( p );  p ( L) xt     t
MA(q ); xt     q ( L) t
ARMA( p, q );  p ( L) xt     q ( L) t

• Se puede transformar procesos AR y ARMA en procesos MA.

 p ( L)  1  1 L  2 L2  ...   p Lp polinomio autoregres sivo
 p ( L)  1  1 L   2 L2  ...   q Lq polinomio media móvil
 Procesos lineales
Teorema de Wold. Cualquier proceso estocástico estacionario se
puede representar con una suma de dos procesos.
xt  d t  ut

Donde d t es linealmente determinista y ut es un procesoMA():

u t    ( L) t



j 0
j  t j

Donde  t es ruido blanco.

 Procesos autoregresivos (AR)
• Un proceso autoregresivo se puede escribir,

 p ( L) xt     t
(1  1L  2 L2  ...   p Lp ) xt     t
xt    1 xt 1  2 xt  2  ...   p xt  p  
 Procesos autoregresivos (AR)

• Para que un proceso AR sea estacionario el polinomio

en el operador de retardos  p (L) asociados al
proceso tiene que ser estable, es decir, al calcular las
raíces del polinomio,
 p ( L)  (1  1 L  2 L  ...   p L )  0
2 p

estas tienen de caer fuera del círculo unidad. Los

valores
L de L 1
que satisfacen esto cumple .
 Procesos autoregresivos (AR)
• Si hay alguno raíz igual a 1 (raíz unitario) el proceso AR no es
estacionario, y no se pueden expresar como procesosMA(.) Si
hay alguna raíz inferior a 1 el proceso será explosivo y
tampoco estacionario.
 Procesos autoregresivos (AR)
• Las condiciones para estacionariedad son:
p

• (necesaria, pero no suficiente): 

j 1
j 1

• (suficiente, pero no necesario): 

j 1
j 1
 Procesos autoregresivos (AR)
• AR(1) estacionariedad

xt    1 xt 1   t
(1  L) xt     t

• Condición necesaria y suficiente:

 1
 Procesos autoregresivos (AR)
• Un proceso AR (1) estacionario se puede escribir como un
proceso MA( .)

  t
xt   (1  L   2 L2  ...)(   t )
(1  L)
 
   j t  j
1   j 0

• Se puede llegar a la misma solución a través de substitución

recursiva.
xt    xt 1   t .
 Procesos autoregresivos (AR)
• El momento de primer orden es;

    
  E ( xt )  E      t  j  
j

 1   j 0  1
• Con estacionariedad ( E ( xt )  E ( xt 1 )   )
tenemos el mismo resultado;

  E ( xt )  E (  xt 1   t )       (1   ) 1
 Procesos autoregresivos (AR)
• La varianza del proceso es;
2
   
 2
 0  E ( xt   )  E     t  j         2
2
 j
 2j 2

 j 0  j 0 1
• También se puede llegar a este resultado a través;

 0  V ( xt )  V (  xt 1   t )   2 0   2   2 (1   2 ) 1
 Procesos autoregresivos (AR)

• La función de autocorrelación simple es;


    
0

• y tiene un decrecimiento exponencial.

• FAP, al otro lado, sólo tiene un coeficiente diferente

de cero. Se puede demostrar con las ecuaciones de
Yule-Walker.
Procesos autoregresivos (AR)
 Procesos autoregresivos (AR)
• AR(2): xt    1 xt 1  2 xt 2   t
(1  1 L  2 L2 ) xt     t
 2 ( L ) xt     t
donde 2 ( L)  (1  1 L  2 L2 )

• Al calcular las raíces del polinomio (1  1L  2 L2 )  0

tendríamos dos soluciones y hay los siguientes requisitos
(simultáneamente) para tener un polinomio estable.
2  1  1
2  1  1
2  1
 Procesos autoregresivos (AR)
• Los resultados para la covarianza de AR(1) se puede
generalizar.
 Procesos autoregresivos (AR)

• En síntesis los procesos AR(p) se caracterizan por tener una

FAC donde los coeficientes decrecen exponencialmente en
valor absoluto hacia 0 y por tener tantos coeficientes distintos
de 0 en la FACP como orden tenga el proceso. Los procesos
mas habituales son los de orden 1 y 2 y las condiciones de
estacionariedad son: AR (1)
1 1
AR (2)
 2 1
 2  1  1
 2  1  1
 Procesos media móviles (MA(q))
• Un proceso media móvil de orden q;
xt     t  1 t 1   2 t  2  ...   q t  q
    q ( L) t

• Estos procesos siempre son estacionarios (los

momentos de primer y segundo orden son siempre
finitas y constantes a largo del tiempo).
• Una condición (que hay que comprobar) para estos
procesos es que son invertibles.
 Procesos media móviles (MA(q))
• Esta condición implica que las raíces del polinomio q (L) están
fuera del círculo de unidad. Los procesos MA no invertibles
no permiten una representación autoregresiva convergente.
 Procesos media móviles (MA(1))
• MA(1): xt     t  1 t 1

• La condición de invertibilidad es para un proceso MA(1) es

.
 1
• Esperanza:

  E ( xt )  E (   t  1 t 1 )  
 Procesos media móviles (MA(1))
• Varianza:

 0  E ( xt   ) 2  E ( t  1 t 1 ) 2  E ( t2 )  12 E ( t21 )  21E ( t t 1 )

 
 1  12  2
• Autocovarianza:

 1  E ( xt   )( xt 1   )  E ( t  1 t 1 )( t 1  1 t  2 )  1 2

 2  E ( xt   )( xt  2   )  E ( t  1 t 1 )( t  2  1 t  3 )  0
   0   2
 Procesos media móviles (MA(1))
• FAS es:  1
   1
   (1  1 )
2

0  2

• La FAP presenta un decrecimiento exponencial;

1k (1  12 )
kk  
1  12 ( k 1)
Procesos media móviles (MA(1))
 Procesos media móviles (MA(2))

• Calcular las raíces del polinomio.

 Procesos media móviles (MA(2))
• Para tener un modelos estable;
Procesos media móviles (MA(2))
Procesos media móviles (MA(2))
Procesos media móviles (MA(2))
Procesos media móviles (MA(2))
 Procesos autoregresivos media
móviles (ARMA(p,q))
• Un modelo autoregresivo media móvil (ARMA(p,q))
sigue la forma;

• Es decir, tiene una parte autoregresivo y otra parte

media móvil.
 Procesos autoregresivos media
móviles (ARMA(p,q))
• Debemos comprobar si la parte autoregresiva es estacionaria y
la parte media móvil es invertible.

• Si la parte AR es estacionario, se puede escribir como un MA()

 Procesos autoregresivos media
móviles (ARMA(p,q))
• Si la parte MA es invertible, se puede expresarlo como un AR()
 Procesos autoregresivos media
móviles (ARMA(p,q))
• Los procesos ARMA tienen un FAS como la de su parte AR y
una
• FAP como su parte MA.
• ARMA tiene FAS y FAP que decrecen exponencialmente en
valor absoluta hacia cero.
Procesos autoregresivos media
móviles (ARMA(p,q))
 ARMA(1,1)
xt    xt 1   t  1 t 1
  (1  1 ) 1
1  211  12 2
0  
1  12
• FAS:
 (1  11 )(1  1 )
  1
   1  211  12
1  1  1
ARMA(1,1)
 ARMA(p,q)

   p (1)  1

• Representar con MA() :


xt     j t  j      ( L) t
j 0

 0  E ( xt   ) 2   2  2j
j 0
 Procesos autoregresivos integrados
media móvil; ARIMA(p,d,q)
• Procesos ARIMA presentan raíces unitarias en el polinomio
autoregresivo; no son estacionarios. Se puede factorizarr* ( L) a
partir de las raíces unitarias. Podemos escribir;
r* ( L)  (1  L) d r  d ( L)
• Donde r  d ( L)no incluye raíces unitarias y es el número de
*

raíces unitarias.
 Procesos autoregresivos integrados
media móvil; ARIMA(p,d,q)
• Recuerda el operador de diferencias;
 ARIMA(p,d,q)
• Por ejemplo, ARIMA(0,1,0) es un paseo aleatorio.
 ARIMA(p,d,q)
• Si una serie presenta un correlograma como un AR(1) con  1
; FAS está muy cerca 1, y no caen rápidamente.
 ARIMA(p,d,q)
• Si aplicamos el operador de diferencia cuando no es necesario
(sobre-diferenciar), tendremos un MA(1) que no es invertible.

• Por ejemplo: Ruido blanco;

 ARIMA(p,d,q)
• Cuando el orden de diferencia se ha decidido , se
puede escribir un procesos ARIMA como AR()o un MA(.)
 Procesos estaciónales
• Si tenemos datos con información de varias ocasiones durante
un año, podemos observar estacionalidad, es decir, un
comportamiento económico que depende del tiempo durante
un año. (Ejemplos; temperaturas, vacaciones, movimientos
turísticos). Los procesos anteriores están pensados para series
con sólo una observación cada año, o series sin estacionalidad.
• El numero de estaciones durante el año llamamos s. Por
ejemplo, S=12 para datos mensuales, o 4 para trimestrales. Se
puede generalizar los procesos explicas arriba para captar
estacionalidad.
Procesos estaciónales
Procesos estaciónales
Procesos estaciónales
 Procesos estaciónales

• Una serie temporal con estacionalidad puede tener

una estructura de dependencia estacional y otra parte
regular (no estacional) que sigue un

• Normalmente estas partes pueden interactuar en una

especificación multiplicativa. Este es un modelo
 Procesos estaciónales
• En estos modelos hay “efectos satélites”.
• Por ejemplo

• Nota el término que se nota en FAP

y FAS asociados los retardos próximos a los
múltiples de S, pero esto no significa que tengamos
procesos adicionales de MA(0,1) y SMA(0,1).
 Procesos estaciónales
• FAS: Se reproduce la parte regular de la FAS
alrededor de los coeficientes estaciónales.
• FAP: Se reproduce la parte regular de la FAS a la
izquierda de los coeficientes estaciónales y la parte
de FAP a la derecha.
• Signos:
– En FAS se multiplica el signo del coeficientes estacional
por el de regular.
– En FAP, si el signo del coeficiente estacional es positivo
se inversa el signo a la parte derecha (FAP regular)
mientras si es negativo, se inversa el de la izquierda
(FAS regular).
Procesos estaciónales