SERIES TEMPORALES

PROCESOS ESTOCASTICOS PROCESOS ESTOCASTICOS

ESTACIONARIOS
GIAMPAOLO ORLANDONI MERLI. 2012
PROCESOSESTOCASTICOS
1. Introduccin. Conceptos: ST. Procesos Estocsticos.
2. Procesos Estocsticos Estacionarios. Propiedades.
3. Clasificacin de PE Estacionarios: PE Fuerte, PE Dbil
4 Procesos Fundamentales: Proceso Puramente Aleatorio 4. Procesos Fundamentales: Proceso Puramente Aleatorio,
Ruido Blanco, Proceso Camino Aleatorio. Proceso
Estocstico Estacionario Ergdico.
5. Funcin de Autocovarianza. Propiedades
6. Funcin de Autocorrelacin Simple y Parcial. Propiedades. 6. Funcin de Autocorrelacin Simple y Parcial. Propiedades.
7. Simulacin de PE. Generacin de Nmeros Aleatorios.
2
8. Funcin de Autocorrelacin Simple y Periodograma.
1-SERIE TEMPORAL
Secuencia de observaciones sobre una variable aleatoria,
cada una asociada con un instante particular de tiempo
Coleccin de variables aleatorias {xt} ordenadas en el
tiempo. Caractersticas:
Las VA son no independientes y las observaciones
estn ordenadas con relacin al tiempo (orden
l i ) cronolgico)
Para cada VA se tiene una sola observacin (muestras
de tamao n 1) de tamao n=1)
ST {x
t
;teTo}: Realizacin muestral de un PE{X
t
;teT}
3
El PE se relaciona con secuencias de eventos
PROCESO ESTOCASTICO
El PE se relaciona con secuencias de eventos
gobernados por leyes probabilsticas. Los modelos de
PE estudian la evolucin temporal de un sistema segn PE estudian la evolucin temporal de un sistema segn
leyes probabilsticas.
Un PE es una familia de VAs {X(t w); teT weO} Un PE es una familia de VAs {X(t,w); teT,weO}
definidas en un espacio probabilstico (O,F,P), y
observadas en instantes sucesivos de t observadas en instantes sucesivos de t.
Un PE est caracterizado por dos espacios:
Espacio de Estados: conjunto de todos los posibles valores
del PE. Puede ser continuo o discreto
E i d P t j t d ibl l d l
4
Espacio de Parmetros: conjunto de posibles valores del
parmetro ndice (tiempo, espacio). Puede ser continuo o
discreto.
PROCESO ESTOCASTICO y SERIE TEMPORAL
[EXPERIMENTACION CON FENOMENOS ALEATORIOS]
(O,P) [ESPACIO MUESTRAL: O ={ei, (i=1,2,...,n)}] (S,P*)
FUNCION DE PROBABILIDAD PROCESO ESTOCASTICO
(0 s P(w) s 1) {X(t,w); teT, weO} (0 s P(w) s 1) {X(t,w); teT, weO}
SERIE TEMPORAL VARIABLE ALEATORIA
X(t,w) X(t ,w)
REALIZACION
MUESTRAL DEL PE
U PE i i i bi i i
2-PROCESO ESTOCASTICO ESTACIONARIO
Un PE es estacionario si no presenta cambios sistemticos en
su media (no hay tendencia), ni en su varianza, y sus
variaciones estrictamente peridicas, si las tiene, han sido p , ,
eliminadas.
El PE estacionario tiende a una distribucin de equilibrio que
no depende de las condiciones iniciales, a medida que t crece
(t). Por eso, luego de cierto periodo de tiempo en que el
proceso ha estado en movimiento la distribucin de X(t) proceso ha estado en movimiento, la distribucin de X(t)
cambia muy poco.
Si las condiciones iniciales del PE se definen idnticas a las Si las condiciones iniciales del PE se definen idnticas a las
condiciones de equilibrio, entonces el PE es estacionario en
tiempo, y la distribucin de equilibrio es la distribucin
t i i d l
6
estacionaria del proceso.
PE: conjunto de VA {yt} observadas a lo largo del tiempo.
Para cada instante t se define una VA y
t
. Sus valores
observados en distintos instantes forman una ST.
La serie observada con T datos es una muestra de tamao uno
del vector de T vas ordenadas en el tiempo Representa una del vector de T va s ordenadas en el tiempo. Representa una
trayectoria del PE. El PE queda caracterizado al definir la
distribucin de probabilidad conjunta de las VA para cualquier
valor de T valor de T.
Ejemplo: ST lluvia mensual. Cada ao representa una
realizacin del PE lluvia. Al analizar la cantidad de lluvia
durante cierto mes j de cada ao, se estudia la distribucin de
probabilidad marginal de la correspondiente VA lluvia mes j.
MES
AO
MES
1 2 11 12
1
2
Realizacin
PE Lluvia
7
2
10
PE Lluvia
Ao 2
o En el ejemplo, se tienen diez aos de observaciones, que
corresponden a diez realizaciones del PE lluvia.
o Se tienen diez realizaciones cada una con 12 VA: o Se tienen diez realizaciones, cada una con 12 VA:
La trayectoria de los 12 valores en un ao representa una
realizacin del PE. Se tienen diez realizaciones del PE lluvia.
Para un mes j, los 10 valores correspondientes a los diez aos,
son una muestra de tamao 10 de la VA Lluvia en mes j.
AO
MES
1 2 j 11 12
1
Realizaciones del PE Lluvia
2
10
Evolucin Longitudinal del PE
Estimar las Caractersticas Transversales del
Distribucin de Probabilidad de la
PE a partir de su Evolucin Longitudinal.
8
VA Lluvia en el mes j
Caractersticas Transversales del
PE: Medias, Varianzas, Covarianzas
Propiedades Transversales del PE
(distribucin de las variables en cada t)
deben ser Estables a lo largo del tiempo
Distribucin de Probabilidad
VA Lluvia
Mes Mayo
Diez
Realizaciones
PE Lluvia PE Lluvia
9
## DATOS LLUVIA ## DATOS LLUVIA
library(forecast)
y = read.csv("c:/DataR/lluviasc.csv", header=FALSE, dec=".") y read.csv( c:/DataR/lluviasc.csv , header FALSE, dec . )
y= ts(y,frequency=12)
ts.plot(y) p (y)
seasonplot(y)
10
3-CLASIFICACION DE PE ESTACIONARIOS
1 -PE ESTRICTAMENTE ESTACIONARIO 1. PE ESTRICTAMENTE ESTACIONARIO
(ESTACIONARIEDAD FUERTE)
2.-PE DEBILMENTE ESTACIONARIO
(ESTACIONARIO COVARIANTE)
3.-PROCESO ESTOCASTICO HOMOGENEO
11
Las distribuciones marginales de todas las variables aleatorias son
id i l di ib i d l i j d i bl l
1.-PE ESTRICTAMENTE ESTACIONARIO (ESTACIONARIEDAD FUERTE)
idnticas y las distribuciones de cualquier conjunto de variables slo
dependen de los retardos entre ellas. Ello equivale a la siguiente
condicin:
La Distribucin de Probabilidad Conjunta (DC) de cualquier conjunto
de VA no se modifica si las variables se trasladan en el tiempo. Es
decir:
F(Xt
1
, Xt
2
,, Xt
n
)= F(Xt
1+h
, Xt
2+h
,, Xt
n+h
)
Significa que la DC del PE:
No cambia si se desplaza el origen del tiempo
Slo depende del intervalo h comprendidos entre las VA.
Consecuencias de Estacionariedad Fuerte para los momentos del PE:
1. E(X
t
) = E(X
t+h
) =
( ) ( )
2
12
2. V(X
t
) = V(X
t+h
) = o
2
3. CV(X
t
,X
t+h
) = CV(X
t+m
,X
t+m+h
) =
h
U PE dbil t t i i i di i
2.-PE DEBILMENTE ESTACIONARIO (ESTACIONARIO COVARIANTE)
Un PE es dbilmente estacionario si su media y varianza son
constantes, y si su funcin de autocovarianza slo depende del
retardo h definido entre dos puntos del PE.
Propiedades:
VALOR ESPERADO E(X
t
) = (
t
)
VARIANZA V(X
t
) = o
2
AUTOCOVARIANZA CV(X
t
,X
t+h
) =
h
(funcin de h)
3.-PROCESO ESTOCASTICO HOMOGENEO
Un PE {X
t
} No Estacionario es Homogneo de orden d, si puede
definirse otro proceso {Y
t
}={A
d
X
t
} que sea estacionario.
13
definirse otro proceso {Y
t
} {A X
t
} que sea estacionario.
4-PROCESOS IMPORTANTES
1. PROCESO PURAMENTE ALEATORIO
2. PROCESO RUIDO BLANCO
3. PROCESO CAMINO ALEATORIO
(RANDOM WALK)
14
PROCESO PURAMENTE ALEATORIO
PROCESO PURAMENTE ALEATORIO y RUIDO BLANCO
Un PE discreto {X
t
} es un proceso puramente aleatorio, si
l VA {X } f i d VA las VAs {X
t
,t=t
1
,t
2
,} conforman una secuencia de VAs
Independientes e Idnticamente distribuidas.
Este proceso tiene media y varianza constantes, y FACV
igual a cero:
Xt ~iid(,
0
):
E(X
t
) =
V(X
t
) = E(X
t
2
) = o
2
=
0
15
Cov(X
t
,X
t+h
) = E(X
t
X
t+h
) =
h
= 0, h=1,2,
Un proceso Ruido Blanco representa una variable que:
PROCESO RUIDO BLANCO (WHITE NOISE)
Oscila en torno a una media constante
Tiene una volatilidad constante
Su historia no contiene informacin til para predecir valores futuros p p
PE Ruido Blanco: Y
t
= c
t
Proceso serialmente no correlacionado, con varianza constante,
covarianza nula para cualquier h, con media nula: Xt ~ WN(0,o
2
)
SI Xt ~NId(0,
0
), entonces el PE {Xt} es un Ruido Blanco
Gaussiano o Normal
.3
.4
- 2
-.1
.0
.1
.2
ST Ruido Blanco: 500 observaciones
-.4
-.3
.2
100 200 300 400 500
Ruido blanco
ST Ruido Blanco: 500 observaciones
simuladas. Proceso Y
t
=c
t
; c
t
~NId(0;0.01)
PROCESO RUIDO BLANCO (WHITE NOISE): Shumway&Stoffer
A simple kind of generated series might be a collection of uncorrelated
random variables, wt, with mean 0 and finite variance o
2
w
.
The time series generated from uncorrelated variables is used as a model
for noise in engineering applications, where it is called white noise; we
shall sometimes denote this process as w
t
wn(0,o
2
w
). The designation
white originates from the analogy with white light and indicates that all
possible periodic oscillations are present with equal strength.
We will, at times, also require the noise to be iid random variables with
mean 0 and variance o
2
w
. We shall distinguish this case by saying white
independent noise, or by writing wt iid(0,o
2
w
).
A particularly useful white noise series is Gaussian white noise, wherein
the wt are independent normal random variables, with mean 0 and
variance o
2
w
; or more succinctly, wt iid N(0, o
2
w
).
PROCESO RUIDO BLANCO (WHITE NOISE)
Moving Averages
We might replace the white noise series wt by a moving average
that smoothes the series. Consider replacing wt by an average of
its current value and its immediate neighbors in the past and its current value and its immediate neighbors in the past and
future.
That is, let v
t
=(w
t-1
+ w
t
+ w
t+1
)/3 which leads to the series
t
(
t 1 t t+1
)
shown in the lower panel.
Inspecting the series shows a smoother version of the first series,
reflecting the fact that the slo er oscillations are more apparent reflecting the fact that the slower oscillations are more apparent
and some of the faster oscillations are taken out.
Generacin de WN y suavizarcin con Promedio Mvil (Moving Average)
u = rnorm(500,0,1) # 500 N(0,1)
v = filter(u, sides=2, rep(1,3)/3) # Promedio Mvil (moving average)
par(mfrow=c(2 1))
Generacin de WN y suavizarcin con Promedio Mvil (Moving Average)
par(mfrow=c(2,1))
plot.ts(u)
plot.ts(v)
PROCESO RUIDO BLANCO (WHITE NOISE)
u = rnorm(500 0 1)
w
1
3
u rnorm(500,0,1)
w
-
3
-
1
Time
0 100 200 300 400 500
PROCESO RUIDO BLANCO SUAVIZADO
1
2
v = filter(u, sides=2, rep(1,3)/3)
v
-
2
-
1
0
Time
0 100 200 300 400 500
D d l i { }
PROCESO CAMINO ALEATORIO (RANDOM WALK)
Dado un proceso puramente aleatorio {c
t
}, un proceso
Camino Aleatorio se define como:
Y
t
= Y
t 1
+ c
t
= Y
0
+
t
Y
t
Y
t-1
+ c
t
Y
0
+
t
PROPIEDADES
E(Y) = Y + n E(Y
t
) = Y
0
+ n
V(Y
t
) = no
2
El PCA t i i di El PCA es un proceso no estacionario: su media y su
varianza dependen del tiempo y cambian con su evolucin.
Tomando diferencias de primer orden, el proceso CA se p , p
transforma en un proceso estacionario puramente aleatorio:
Si Y
t
~PCA, entonces c
t
= (Y
t
-Y
t-1
) = AY
t
~ PPA
20
Por tanto, Y
t
es un proceso Homogneo de orden d=1
Un PE es Ergdico si tiende en probabilidad hacia un estado
PROCESO ESTOCASTICO ESTACIONARIO ERGODICO
Un PE es Ergdico si tiende en probabilidad hacia un estado
lmite, independientemente de su situacin o estado incial.
Propiedad indispensable para poder estimar consistentemente las
caractersticas del proceso a partir de una sola realizacin muestral.
Si el PE es Ergdico, entonces pueden obtenerse estimaciones
consistentes de los momentos del proceso teniendo slo una consistentes de los momentos del proceso teniendo slo una
realizacin de dicho proceso.
La Ergodicidad requiere que las observaciones muy separadas en
el tiempo estn poco correlacionadas
Si la ST presenta correlaciones grandes para observaciones muy
l j d t t l t l d b i alejadas entre s, entonces al aumentar el nmero de observaciones se
est aadiendo poca informacin nueva, puesto que es necesario
estimar un mayor nmero de autocovarianzas.
21
En este caso el proceso no es ergdico y como consecuencia, los
estimadores obtenidos de los momentos del PE no son consistentes.
Si las correlaciones entre observaciones muy alejadas entre s
son casi nulas, y si T es suficientemente grande, no es necesario y g
estimar los T coeficientes de la funcin de autocovarianzas.
A partir de un cierto retardo, h=s < T, las autocovarianzas

t
, t>s son nulas, y slo hay que estimar (0,1,...,s, ), lo
que es factible, particularmente si s es pequeo en
comparacin con T comparacin con T.
Esto significa que dentro de un proceso estocstico, la
influencia de una variable aleatoria sobre otra muy alejada influencia de una variable aleatoria sobre otra muy alejada
en el tiempo se puede considerar nula, lo que se justifica
basndose en la dependencia temporal.
Aunque las variables aleatorias que componen un proceso
estocstico sean distintas, las caractersticas de las variables
aleatorias prximas en el tiempo son ms similares que las
22
aleatorias prximas en el tiempo son ms similares que las
de VAs muy separadas en el tiempo.
Condicin de Ergodicidad: Dado un proceso estocstico
discreto {y
t
,(t=1,...,n)}, la sucesin de medias muestrales
formada por muestras de tamao creciente es ergdica si las formada por muestras de tamao creciente es ergdica si las
varianzas de las medias muestrales tienden a cero a medida
que aumenta el tamao de la muestra:
Medias Muestrales Condicin de Ergodicidad
m
n
= (n
-1
) Var(m
n
) = 0 , (n )
( 1 2 ) m

Y
t = 1
n
t

Un PE es Ergdico si las medias muestrales calculadas a partir

(n =1,2,...) m
n

h
0, (h ) E(m
n
)=
Un PE es Ergdico, si las medias muestrales calculadas a partir
de una realizacin del proceso, pueden usarse como una
aproximacin de las medias poblacionales desconocidas
correspondientes correspondientes.
La condicin necesaria para que un PE sea Ergdico es
que las correlaciones entre observaciones del PE separadas
por h periodos tiendan a cero a medida que h aumenta:
23
por h periodos tiendan a cero a medida que h aumenta:

h
0, ( h )
5-FUNCION DE AUTOCOVARIANZA Y AUTOCORRELACION
1. FUNCION DE AUTOCOVARIANZA (ACV):
C (Y Y ) E[(Y ) (Y )]
h
= Cov(Y
t
,Y
t-h
) = E[(Y
t
- ) (Y
t-h
- )]
2. FUNCION DE AUTOCORRELACION SIMPLE (FAS):

h
= Cor(Y
t
,Y
t-h
) = CV(Y
t
,Y
t-h
)/(
Yt

Yt-h
) =
h
/
O
3. FUNCION DE AUTOCORRELACION PARCIAL (FAP)
24
|
hh
= Cor[(Y
t
,Y
t+h
)/(Y
t+1
,Y
t+2
,,Y
t+h-1
)]
Define la covarianza entre observaciones de la ST separadas por h
FUNCION DE AUTOCOVARIANZA (ACV)
Define la covarianza entre observaciones de la ST separadas por h
retardos: Y
t
,Y
t-h
; t,h

h
= Cov(Y
t
,Y
t h
) = E[(Y
t
- ) (Y
t h
- )]
h
(
t
,
t-h
) [(
t
) (
t-h
)]
La Autocovarianza muestral es un estimador sesgado de la ACV g
poblacional. Pero si el proceso estocstico es Estacionario y
Ergdico, entonces la ACV muestral es asintticamente insesgada
Propiedades de la Funcin de Autocovarianzas:
(Yt) > 0
o
= var(Yt) > 0
|
h
| s
o
= (Simetra)
h
=
-h
(Simetra)
I
h
matriz semidefiida positiva
D fi l C l i b i d l ST d
FUNCION DE AUTOCORRELACION SIMPLE (FAS)
Define la Correlacin entre observaciones de la ST separadas por
h retardos (Y
t
,Y
t-h
), h=1,2,.
Correlograma: Representacin grfica de la FAS Correlograma: Representacin grfica de la FAS

h
= Cor(Y
t
,Y
t h
) = Cov(Y
t
,Y
t h
)/(
Yt

Yt h
)=
h
/
O
(h=0 1 2 3 )
h
Cor(Y
t
,Y
t-h
) Cov(Y
t
,Y
t-h
)/(
Yt

Yt-h
)
h
/
O
, (h 0,1,2,3,)
PROPIEDADES:

o
= 1
|
h
| s 1
(Si )
h
=
-h
(Simetra)
S

2
= n
-1
(1+2 ) n
-1

FAS: Ayuda a determinar si el proceso estocstico es estacionario

h

FAS PARA SERIES ESTACIONARIAS

Serie Temporal Estacionaria: Serie Temporal Estacionaria:
La ST vara alrededor de una media fija y tiene varianza
constante
La dependencia entre observaciones sucesivas no cambia con el
tiempo
La FAS se define:
( ) ( )
X X X X
La FAS se define:
( )
( ) ( )
( )
( )

= =

t t s t t s
s
t
t t s
cov X , X cov X , X
Var X
Var X Var X
La FAS Muestral:
T

t t s
t s
s
T
2
( X X)( X X)
=
r
( X X)
=
t
t 1
( X X)
FuncinAutocovarianza yFuncinAutocorrelacinSimple
FUNCION AUTOCOVARIANZA (FACV) FUNCION AUTOCOVARIANZA (FACV)
Covarianza entre observaciones de la serie
separadas por h retardos: Cov(Y
t
,Y
t-h
), t,h

h
= Cov(Y
t
,Y
t-h
)
t t h
La FACV muestral es un estimador
sesgado de la FACV poblacional.
= E[(Y
t
-)(Y
t-h
-)]
(h=0,1,2,3,)
PE Estacionario y Ergdico
FACV muestral es asintticamente
insesgada insesgada
FUNCION AUTOCORRELACION SIMPLE
(FAS)
Correlacin entre (Y
t
,Y
t-h
)
Define el Correlograma Simple de la serie

h
= Cor(Y
t
,Y
t-h
) =
h
/
O
= Cov(Y
t
,Y
t-h
)/(
Yt

Yt-h
)
28
g p
Propiedades:
o
= 1; |
h
| s 1;
h
=
-h
t t t t
S
2
=n
-1
(1+2
h
2
) n
-1
La FAP (| ) mide la correlacin lineal entre (y y ) eliminada la
FUNCION DE AUTOCORRELACION PARCIAL (FAP)
La FAP (|
h
) mide la correlacin lineal entre (y
t
,y
t+h
), eliminada la
dependencia lineal de observaciones intermedias (y
t+1
,y
t+2
,,y
t+h-1
):
| = Cor[(y y ) /(y y )] (h=0 1 2 3 ) |
hh
= Cor[(y
t
,y
t+h
) /(y
t+1
,,y
t+h-1
)], (h=0,1,2,3,)
Mide la contribucin de la observacin y
t
en la explicacin de y
t+h
Se calcula como el ltimo coeficiente |
hh
de la regresin mltiple
de y
t
respecto de (y
t-1
,y
t-2
,,y
t-h
):
21 1 22 2
| | c

= + +
t t t t
y y y
31 1 32 2 33 3
| | | c

= + + +
t t t t t
y y y y
y = | y + | y +| y + | y +c
1 1 2 2 3 3
... | | | | c

= + + + + +
t j t j t j t t j t
y y y y y
jj
29
y
t
= |
h1
y
t-1
+ |
h2
y
t-2
+|
h3
y
t-3 +
+ |
hh
y
t-h
+c
t
Representacin Grfica: Correlograma Parcial
#SIMULACION DE RUIDO BLANCO Y CAMINO ALEATORIO
library(MASS) ; library(TSA)
6-SIMULACION DE PROCESOS ESTOCASTICOS
library(MASS) ; library(TSA)
par(mfrow=c(2,2))
#RUIDO BLANCO GAUSSIANO
U= rnorm(500, mean=0, sd=1)
#PROCESO CAMINO ALEATORIO (BASADO EN U)
Y= ts(cumsum(U))
plot(U, main="RUIDO BLANCO")
plot(Y, main="CAMINO ALEATORIO")
periodogram(Y)
spectrum(Y) p ( )
acf(Y)
#PRIMERA DIFERENCIA DE LA SECUENCIA CAMINO ALEATORIO
30
#PRIMERA DIFERENCIA DE LA SECUENCIA CAMINO ALEATORIO
Ydf= diff(Y)
plot(Ydf, main="DIF d=1 del PROCESO CA)
PROCESO CAMINO ALEATORIO
PROCESO DIFERENCIA DEL CA
DIFERENCIA d=1
2
3
0
.
0
5
Series yd
y
d
-
2
-
1
0
1
1
0
-
0
.
0
5
0
.
0
0
A
C
F
Time
0 100 200 300 400 500 0 5 10 15 20 25
-
0
.
1
Lag
S i
1
0
1
2
a
m
1
.
0
0
0
m
Series: x
Raw Periodogram
0
2
4
6
8
P
e
r
i
o
d
o
g
r
a
0
0
1
0
.
0
1
0
0
.
1
0
0
s
p
e
c
t
r
u
m
0.0 0.1 0.2 0.3 0.4 0.5
0
Frequency
0.0 0.1 0.2 0.3 0.4 0.5
0
.
0
frequency
bandwidth = 0.000577
#SIMULACION DE CAMINO ALEATORIO
SIMULACION DE CAMINO ALEATORIO
#SIMULACION DE CAMINO ALEATORIO
library(TSA)
par(mfrow=c(2,2))
( d ) U= rnorm(500, mean=0, sd=1)
#PROCESO CAMINO ALEATORIO Sin DERIVA drift
Y= ts(cumsum(U))
plot(Y, main="CAMINO ALEATORIO Sin DERIVA")
acf(Y) ( )
#PROCESO CAMINO ALEATORIO Con DERIVA
Ud U+1 2 Ud= U+1.2
Yd= cumsum(Ud)
plot(Yd, main="CAMINO ALEATORIO con DERIVA")
33
acf(Yd)
periodogram(Yd); spectrum(Yd)
Proceso Camino Aleatorio con Deriva
CAMINO ALEATORIO sin Deriva
Series Y
Y
0
5
1
0
1
5
4
0
.
6
0
.
8
1
.
0
C
F
Y
-
1
5
-
5
0
.
0
0
.
2
0
.
4
A
Ud= U+0.2
Yd= cumsum(Ud)
plot(Yd, main="CAMINO ALEATORIO con DERIVA")
acf(Yd)
Time
0 100 200 300 400 500 0 5 10 15 20 25
Lag
CAMINOALEATORIOcon DERIVA
Series Yd
acf(Yd)
8
0
1
0
0
CAMINO ALEATORIO con DERIVA
.
6
0
.
8
1
.
0
Series Yd
2
0
4
0
6
0
Y
d
0
.
0
0
.
2
0
.
4
0
.
A
C
F
34
0 100 200 300 400 500
0
Index
0 5 10 15 20 25
0
Lag
Proceso Camino Aleatorio con Deriva
CAMINO ALEATORIO con DERIVA
Series Yd
-
4
0
-
2
0
0
Y
d
4
0
.
6
0
.
8
1
.
0
C
F
-
1
0
0
-
8
0
-
6
0
Y
0
.
0
0
.
2
0
.
4
A
0 100 200 300 400 500
Index
0 5 10 15 20 25
Lag
Series: Yd
Ud= U - 0.2
Yd= cumsum(Ud)
plot(Yd, main="CAMINO ALEATORIO con DERIVA")
a
m
6
0
.
8
1
.
0
Series: Yd
acf(Yd)
periodogram(Yd)
cpgram(Yd)
0
0
2
e
+
0
5
P
e
r
i
o
d
o
g
r
a
0
.
2
0
.
4
0
.
6
35
0.0 0.1 0.2 0.3 0.4 0.5
0
e
+
0
Frequency
0.0 0.1 0.2 0.3 0.4 0.5
0
.
0
frequency
PERIODOGRAMAS ACUMULADOS PCA Y RB
6
0
.
8
1
.
0
Series: Y
6
0
.
8
1
.
0
Series: yd
0
.
2
0
.
4
0
.
6
0
.
2
0
.
4
0
.
6
0.0 0.1 0.2 0.3 0.4 0.5
0
.
0
frequency
0.0 0.1 0.2 0.3 0.4 0.5
0
.
0
frequency
Los procesos estacionarios son estables ante combinaciones lineales
Combinacin de Procesos Estocsticos Estacionarios
Los procesos estacionarios son estables ante combinaciones lineales
Los procesos formados mediante combinaciones lineales de procesos
estacionarios tambin son estacionarios estacionarios tambin son estacionarios.
Ejemplo:
1-) Z
t
PE Estacionario: E(Z
t
) = ; V(Z
t
) = o
2
2 ) W Z Z 2-) W
t
= Z
t
- Z
t-1
E(W
t
) = E(Z
t
- Z
t-1
) = 0
V(W
t
) = 2(o
2
+ 1)
Cov(W
t
W
t+h
) = 2 (
h
-
h-1
)
Parmetros de Wt (Esperanza, Varianza, Covarianzas no dependen de t)
W es estacionario
37
W es estacionario.
Una funcin peridica se repite cada T perodos: presenta la mxima correlacin
7-FUNCION DE AUTOCORRELACION SIMPLE Y PERIODOGRAMA
con el retardo T y con sus mltiplos enteros.
La Autocorrelacin de una funcin peridica es peridica, y del mismo perodo que
dicha funcin.
FUNCION DE AUTOCORRELACION SIMPLE.
PERIODOGRAMA DE LA SERIE
Los coeficientes de Fourier y sus magnitudes derivadas
(potencia media) pueden obtenerse a partir de la funcin de
A t ri nz q di h fi i nt n l r lt d d Autocovarianza, ya que, dichos coeficientes son el resultado de
aplicar una transformada Fourier sobre la Funcin de
Autocovarianza correpondiente.
La representacin de una ST en el dominio temporal
mediante la FAS es equivalente a su representacin en el
d i i d f i d l d l d F i dominio de frecuencia a travs de el espectro de lnea de Fourier
El espectro o densidad espectral se define, para procesos
estocsticos estacionarios como la transformada de Fourier de la estocsticos estacionarios, como la transformada de Fourier de la
funcin de autocovarianza (Teorema de Wiener-Khintchine). Su
estimador es el Periodograma.
FUNCION DE AUTOCOVARIANZA
POTENCIA MEDIA DE LA SERIE
POTENCIA MEDIA DE LA i
ma
FRECUENCIA (i=1,2,,n-1)
(1/2)A
i
2
= (1/2)(o
i
2
+ |
i
2
) =
= (1/2)[(2/N) E(Y - ) Cos(e
i
t)]
2
+ (1/2) [(2/N) E(Y - ) Sen(e
j
t)]
2
(1/2)[(2/N) E(Y
t
) Cos(e
i
t)] + (1/2) [(2/N) E(Y
t
) Sen(e
j
t)]
(1/2)A
i
2
= (2/N) [(0) +2 E (h) Cos(e
i
h)] (i=1,2,,n-1) (1/2)A
i
(2/N) [(0) 2 E (h) Cos(e
i
h)] (i 1,2,,n 1)
POTENCIA MEDIA DE LA n
ma
FRECUENCIA
A
n
2
= (o
n
2
+ |
n
2
) = [(1/N) E(Y
t
- ) Cos(e
n
t)]
2
+ [(1/N) E(Y
t
- ) Sen(e
n
t)]
2
A
n
2
= (1/N) [(0) +2 E (h) Cos(e
n
h)]
FUNCION de AUTOCORRELACION
POTENCIA MEDIA RELATIVA de la ST
Potencia Media Relativa:
Se obtiene dividiendo la Potencia Media entre la Varianza de la ST: Se obtiene dividiendo la Potencia Media entre la Varianza de la ST:
A
i
2
/2(0) y A
n
2
/(0)
Corresponde a la transformacin de Fourier aplicada a la funcin
de autocorrelacin muestral simple FAS.
POTENCIA MEDIA RELATIVA DE LA i
ma
FRECUENCIA (i=1,2,,n-1)
(1/2) A
i
2
/(0) = (2/N) [ 1+2 E (h) Cos(e
i
h)] (i=1,2,,n-1) (1/2) A
i
/(0) (2/N) [ 1 2 E (h) Cos(e
i
h)] (i 1,2,,n 1)
POTENCIA MEDIA RELATIVA DE LA n
ma
FRECUENCIA
A
n
2
/(0) = (1/N) [ 1 + 2 E (h) Cos(e
n
h)]