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
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
= =
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)]