Evidencia de Aprendizaje. Ajuste de modelos ARMA.

Karla Judith Andrew Mndez.

AL12509552.
Instrucciones: Elabora una tabla comparativa sobre los diferentes modelos en la clase ARMA(p,q); la tabla deber tener los siguientes
elementos:
Definicin del modelo.
Propiedades de cada modelo.
Cmo se ven sus funciones de autocorrelacin y sus diversas comparaciones.
Qu tipo de autocorrelacin caracteriza qu proceso.
Incluyendo dos ejemplos de cada proceso y argumentando por qu est en esa clasificacin.
Proceso
Definicin del
Propiedades de
Funciones de
Caracterizacin
Ejemplos
modelo
cada modelo
autocorrelacin.
Ruido
Blanc
o

El ruido blanco es
una seal no
correlativa, es
decir, en el eje del
tiempo la seal
toma valores sin
ninguna relacin
unos con otros.
Cuando se dice que
tiene una densidad
espectral de
potencia plana, con
un ancho de banda
tericamente
infinito, es que en
un grfica espectral
de frecuencia tras
haber realizado una
descomposicin
espectral de Fourier,
en el dominio de la
frecuencia veramos

E ( Z t )= Z

Funcin de
autocorrelacin

Var ( Z t ) = 2
Cov ( Z t , Z t +u )=C u
C
R u= u
C0

k =

Cov ( t , t k )
Var ( t )
si t 0

=0

Como la correlacin es
0, excepto para

Ejemplo 1

t=0

si el correlograma de un
proceso es 0 en todos
los puntos excepto en

x 0 que vale 1,
podemos decir que se
trata de un proceso de
ruido blanco.

Ejemplo 2

todas los
componentes con la
misma amplitud,
haciendo el efecto
de una lnea
continua paralela al
eje horizontal

a utilizacin de esta
tcnica supone que
la serie de tiempo
es estable, esto es,
que los
datos
que
la
componen
se
generan
sin
variaciones
importantes
entre
un dato y otro (error

Media y Varianza

Ejemplo 1

E ( X t )=0

Var ( X t ) = 1+ 2+ 2 + + 2 2
2
q
Auto covarianza y
auto correlacin

k =Cov ( X t , X tk )
Funcin de auto

El tipo de autocorrelacin
que caracteriza a este

aleatorio=0),
esto
es,
que
el
comportamiento de
Proceso los datos aunque
de
muestren
un
promedio crecimiento o un
s mviles decrecimiento
lo
MA(q)
hagan
con
una
tendencia
constante.
Cuando se usa el
mtodo
de
promedios mviles
se est suponiendo
que
todas
las
observaciones de la
serie de tiempo son
igualmente
importantes para la
estimacin
del
parmetro
a
pronosticar (en este
caso los ingresos).
De esta manera, se
utiliza
como
pronstico para el
siguiente periodo el
promedio de los n
valores de los datos
ms recientes de la
serie de tiempo

E [ X t , X t k ]

correlacin

proceso

es
o

la

funcin

simplemente

E [ ( t +1 t 1 + q tq ) ( tk + 1 t k1+ q t kq ) ]
funcin
p1=Corr [ Y t ,Y t1 ]=
1+ 2 autocorrelacin
( k + k+1 1+ +q q k ) 2

de
(ACF).
Esta funcin es diferente

k
pk =
var [ X t ]

X t =+ t +1 t 1+ +q t q

de 0 para valores de

pk =Corr [ Y t , Y t1 ]=0, k 2

en

el

rango

q ,q+1, 0, ,q1, q
por lo que por lo que nos
brinda informacin sobre

y por lo tanto del

orden del proceso. As

que si solo conocemos

tiene

este

comportamiento,
el
proceso
es
buen
candidato a un MA(q).

Ejemplo 2

Donde

, j

constantes

j=1,2 , q

son
reales
y

es un proceso de
ruido blanco.
Proceso En
estadstica
y
autorregr procesamiento
de
esivo
seales, un modelo
AR(p)
autorregresivo (AR)
es
una
representacin
de
un tipo de proceso
aleatorio, que como
tal, describe ciertos
procesos variables
en el tiempo ya sea
en la naturaleza, la
economa, etc. El
modelo
autorregresivo
especifica que la
variable de salida
depende
linealmente de sus
propios
valores
anteriores. Se trata
de un caso especial
del
ms
general
modelo ARMA de
series de tiempo.

Se
puede
reinscribir
en
funcin
del
operador
de
retardos (l) y el
correspondiente
polinomio
de
retardos

Es estacionario si
las
races
del
polinomio
de
retardos
caen
fuera del circulo
unidad, es decir si

Donde

X t =0.4 X t1 + t
Funcin
correlacin

|L|>1 i=1,2,donde Li
SON
DE

LAS

RAICES

11 L2 L2 P LP =0

de

Con

0
E (Y t )=
1 12 p

autocovarianzas
es una se obtienen del

ruido blanco de

media 0 y varianza 1.

=
0
Ejemplo 2
AR(2):

X t =0.3 X t 1+ 0.2 X t2 + t

Es estacionario si

Y t = 0+ 1 Y t 1+ y2 Y 2 ++ p Y t p +las
t
t

Ejemplo 1
AR(1):

(L)

Con

ruido blanco de

media 0 y varianza 1.

variable
aleatoria sistema
de
ruido blanco.
ecuaciones
de
Yule-Walker
(con
las
primeras
ecuaciones
se
obtiene
en la
varianza
y
las
primeras
covarianzas).Todas
sus
autocorrelaciones
simples
son
distintas de cero
pero solo las p
primeras
autocorrelacions
parciales
son
distintas de cero.

Es
un
modelo El proceso ARMA
autorregresivo y de se dice causal si
media mvil, por lo (z) 0
para
que
se
puede
escribir como:
z C|z| 1

Ejemplo 1

X t =0 X t 1 +2 X T 2 ++ P X t p=+ t +1 t 1+ +q t q
Donde

,j=1,2,,p
Proceso
ARMA(p,
q)

j , j=1,2 , q , so

El
procesos
se
puede dividir en
AR Y MA en cada
uno
de
los
anteriores teniendo

n constantes reales por un lado

el

(z)

polinomio

Funcin
autocorrelacin

Su caracterizacin es tal
que para la ACF los
coeficientes
no
se
anulan bruscamente y
presentan
un
decrecimiento rpido. Lo
de mismo para con la PACF.
Si
el
proceso
es
estacionario,
entonces

y el proceso
un
proceso
ruido blanco.

t
de

autorregresivo

(z )

y
el

polinomio
de
promedios mviles.
Los
polinomios
heredan
caractersticas de
procesos MA y AR.
Las propiedades de
un
proceso
ARMA(p,q) con una
mezcla de las que
ya hemos visto
para los procesos
AR(p) y MA(q)., por
ejemplo se puede
demostrar
que
para un proceso
ARMA(p,q)
sea
estacionario
se
deben
cumplir
tanto
las
condiciones
de
estacionariedad de
un AR(p) como las
de un MA(q).

en ambas funciones los

1, si k=0
coeficientes
no
se
( )( 1 )
k =
,
si
k=1
anulan bruscamente y
1+ 22
presentan decrecimiento
k1 , si k 2

rpido con periodicidad

igual
al
periodo
estacional.

Ejemplo 2
ARMA(2,2):

X t + 0.5 X t1 +0.3 X t 2= t0.2 t1 +

Donde

es ruido blanco de

media 0 y varianza
.