Capítulo 2

2. MARCO TEÓRICO

2.1. Series de Tiempo

Una serie de tiempo es una realización de un proceso estocástico.

Figura 2.1 Serie de Tiempo

Toda serie temporal debe estar constituida por cuatro

componentes:

Tendencia.- Componente dominante a través del tiempo a largo

plazo.
 26

Componente cíclica.- Comportamientos periódicos observados

en períodos largos.

Componente oscilatoria.- Comportamientos irregulares que se

desarrollan en períodos pequeños.

Componente aleatoria.- La parte estocástica del proceso.

Para poder emplear un modelo de análisis de series temporales es

necesario referirnos a los procesos estocásticos, ya que la

secuencia de observaciones se registra a través del tiempo de

acuerdo a una ley de probabilidad.

2.2. Procesos Estocásticos

Un Proceso Estocástico se define como una familia de variables

aleatorias (definidas en una espacio probabilístico (,, p) ) que

corresponden a momentos sucesivos del tiempo. Se nota por Y (t, )

donde t es el tiempo y , donde  es la variable aleatoria.

El análisis de un proceso estocástico puede hacerse de 2 formas:

1) Mediante las funciones de distribución conjunta.

2) A partir de los momentos.

Notaremos ahora Y(t, ) por Yt. 1

1
Véase Time Series Analysis, George P. Box, Gwilyn Jenkins, and Gregory Reinsel
 27

Para t = ti la función de distribución de la variable aleatoria Y ti es

F(Yti).

Para t = ti y t= tj, la función de distribución conjunta es F(Y ti,Ytj).

En general para un conjunto finito de valores en el tiempo t 1,t2,.....,tn

la distribución conjunta es F(Yt1, Yt2,.......,Ytn).

Se dice que un proceso estocástico está perfectamente

caracterizado cuando se pueden determinar las funciones de

distribución conjunta para cualquier conjunto finito de variables t del

proceso, es decir, para cada valor finito de n se puede determinar:

F(Yt1, Yt2, ........., Ytn)

Este procedimiento en sí es muy complicado, por lo que se

acostumbra a utilizar el método de los momentos.

En una distribución de probabilidades se puede calcular momentos

de diverso orden, aunque los más utilizados son los de 1er orden y

2do orden.

En un proceso estocástico, la media o momento de 1er orden se

define por:

 t = E( Yt )
 28

Como momentos de segundo orden con respecto a la media,

además de la varianza, se considera las covarianzas entre

variables aleatorias referidas a distintos instantes de tiempo

(autocovarianzas).

 t,s  Cov( Yt , Ys )  E[( Yt   s )( Ys   s )]

Cuando t =s tenemos que:

Var( Yt ) = E[( Yt -  t )2 ]

Los coeficientes de autocorrelación son:

Cov( Yt , Ys )
 t,s   1   t, s  1
Var( Yt )Var( Ys )

Es preferible usar las autocorrelaciones pues estas carecen de

unidades, es decir son medidas relativas a las que no afectan las

unidades de medida.
 29

La caracterización de un proceso estocástico por medio de los

momentos de primero y segundo orden es en principio más

incompleta que cuando se hace con funciones de distribución

conjunta. Ahora si el proceso es normal (gaussiano) este queda

perfectamente caracterizado a través de los dos primeros

momentos gaussianos.

Yt ~ N(  t ,  2t )

En una serie temporal se dispone de una observación para cada

periodo de tiempo, por lo que se la puede considerar como una

muestra de tamaño 1 tomada en periodos sucesivos de tiempo en

un proceso estocástico.

A diferencia de un muestreo aleatorio simple donde cada

extracción es independiente a las demás, en una serie temporal,

el dato extraído para un período de tiempo, no será en general

independiente de los datos de los períodos anteriores.

Si se dispone de n datos de una serie temporal con ellos hay que

estimar n medias y n varianzas sin contar con las

autocovarianzas, entonces tal como se plantea el problema, no

tiene solución.
 30

Para poder, a partir de una realización, efectuar inferencias sobre

un proceso estocástico es preciso imponer restricciones a dicho

proceso, las cuales son: que sea estacionario y ergódico.

2.3. Procesos Estacionarios

Se dice que un proceso estocástico es estacionario en sentido

estricto cuando al realizar un mismo desplazamiento en el tiempo

de todas las variables aleatorias de cualquier distribución conjunta

finita, resulta que la distribución no varía, es decir:

F(Yt1, Yt2, Yt3,..........,Ytk) = F(Yt1+n, Yt2+n,....................,Ytk+n)

Se dice que un proceso estocástico es estacionario de 1er orden o

en media si : t E[Yt ] = 

Es decir, la media permanece constante en el tiempo.

Se dice que un proceso estocástico es estacionario de 2 orden

(o en sentido amplio) si se verifica :

1) t : Var( Yt )  E[( Yt   t )2 ]   2  

2) La autocovarianza entre dos períodos distintos de tiempo viene

afectada únicamente por el lapso de tiempo transcurrido entre

estos dos períodos.

 t : E[( Yt  k   )( Yt   )]   k
 31

Cov[ Yt  k , Yt ]   k

En un proceso estacionario en sentido amplio las

autocorrelaciones están dadas por :

k
k  k0
o

La representación gráfica de k para valores de k = 0, 1, 2 ..........

se denomina Correlograma.

Figura 2.2.
 32

Cuando el proceso estocástico es estacionario en sentido amplio,

puede estimarse los parámetros , o, 1, 2.......... a partir de una

sola realización.

A más de la estacionariedad es necesario que el proceso

estacionario sea ergódico.

Si un proceso estacionario es ergódico entonces:

k   k  0
lim 

Si para valores altos de k, k también es alto, se tiene que al

aumentar el tamaño de la muestra se añade poca información

nueva, en consecuencia los estimadores obtenidos no serían

consistentes.

2.4. Procesos Lineales

Son procesos estocásticos estacionarios en sentido amplio y

ergódicos que consisten en combinaciones lineales de variables

aleatorias

 Proceso puramente aleatorio: “ruido blanco”

E[t ]  0  t (media  0)
 2
E[t ]    t (var constante)
2
Yt  t donde
E[ ,  ]  0 t1  t2
 t1 t 2
 33

 Procesos Autorregresivos de orden p: AR(p)

Yt   1Yt 1   2 Yt  2 ...............  p Yt p  t

 Procesos de medias móviles de orden q MA (q)

Yt t  1 t 1  2 t  2 ................ q t  q

 Procesos ARMA(p,q), combinación de los dos anteriores.

Yt   1 Yt 1 ..........  p Yt p  t  1 t 1 ........... q t  q

2.5. Ecuaciones en Diferencias Finitas

Operador de diferencias: 

Yt  Yt  Yt  1

( Yt )  ( Yt  Yt 1)

2 Yt  ( Yt  Yt 1 )  ( Yt 1  Yt  2 )

n Yt  f ( Yt , Yt 1,........, Yt  n )
 34

Operador de retardos: L

El operador L se puede usar para expresar un modelo con

retardos:

Yt  1Yt 1  2 Yt  2 ............... p Yt  p  t

Equivale a:

[1   L  2L2 ............. pLp ]Yt  t

Operador polinomial

de retardos: (L)  (L)Yt = t

Ecuaciones de 1er orden

Yt  1Yt 1  0

Asumamos que la solución es de la forma:

 35

Yt  t

t  1 t 1  0
/ t 1   1 0 ==>  = 1
==> Yt  ( 1) t

Si t = 0

Y0  ( 1)0
Y0  
Yt  Y0 ( 1) t

Una condición suficiente y necesario para que el proceso

estocástico sea estacionario es que :

| 1|  1

lim Yt  lim Y0 ( 1) t  Y0 lim 1t 0

t  t  t 

Puesto que:

Alternativamente, se puede usar la ecuación polinomial de

retardos:

Yt  1Yt 1  0
[1  1L]Yt  0
1  1L  0
1
L
1
 36

Como sabemos que:

| 1|  1
1
| | 1 ==> |L1|  1
1

Ecuaciones de 2do orden

Yt  1Yt 1   2 Yt  2  0

2  1   2  0 Ec. caracteristica

1  12  4 2
1,2 
2

En una ecuación homogénea de 2do orden, cuando las raíces son

reales y diferentes la condición de estacionariedad implica que:

| 1|  1 y |  2|  1

| u|  1

Si es raíz única:

Si son imaginarias o complejas se tiene que r<1, es decir las raíces

deben caer dentro del círculo unidad.

 37

Como alternativa a la ecuación característica, se puede usar la

ecuación polinomial de retardos:

1  1L   2L2  0
1
L1 
1
1
L2 
2

En este caso las raíces L1 y L2 deben caer fuera del círculo unidad.

2.6. Modelos Lineales

2.6.1. Modelos Autorregresivos (AR)

Un modelo de proceso estocático será un AR de orden p, si se

cumple que los valores presentes se los representa como p

valores pasados.

Modelo AR (1)

Yt  1Yt 1  t
 38

Una condición necesaria y suficiente para que el proceso

estocástico sea estacionario es que |1| < 1.

Si |1| < 1 entonces las autocovarianzas serían:

 2
o 
1  12

Para k  0
 k  1 k 1

Las autocorrelaciones estarían dadas por:

o  1
Para k  0
k  1k

Modelo AR(2)

Yt  1Yt 1   2 Yt  2  t

Para que un modelo AR(2) sea estacionario se tiene que dar:

1  2  1
 2  1  1
 2  1

Las autocovarianzas están dadas por:

 39

 o  1 1   2  2   2
Para k  0  k  1 k 1   2  k  2

Las autocorrelaciones están dadas por:

o  1
1
1 
1  2
Para k  1 k  1k 1   2k  2

Modelo AR(p)

Yt  1Yt 1  2 Yt  2 ............. p Yt  p  t

(L)Yt  t con (L) = 1- 1L   2L2 ............ pLp

Para que el proceso sea estacionario se requieren que las

raíces de la ecuación (L)=0 estén fuera del círculo unidad.

 40

Si tenemos que:

Yt  1Yt 1   2 Yt  2 ............. p Yt  p  t

Y si multiplicamos esta ecuación por Yt-k y a su vez tomamos

esperanzas, tenemos que:

E[ Y tYt  k ]  1E[ Yt 1Yt  k ]   2E[ Yt  2 Yt  k ].......... pE[ Yt  p Yt  k ]  E[t Yt  k ]

 k  1 k 1   2  k  2 .................... p  k  p  E[t Yt  k ]

Si k0
 o  1 1   2  2 ......... p  p   2e
Para k  0
 k  1 k 1  2  k  2 ........ pk  p

Si dividimos la última ecuación para o tenemos:

k  1k 1   2k  2 ......... pk  p

Tomando o,1,2,........,p-1 como condicione iniciales

determinadas a partir de o,1,2,........,p (conocidos), la

ecuación anterior nos permite calcular k para cualquier valor

de k p.

A la inversa, si se conocen 1,2,........,p utilizando la última

ecuación para k=1,2,......p se puede calcular 1,2,........,p.

1  1  21    pp 1


2  11   2    pp  2

Ecuaciones de Yule  Wal ker     
    

p  1p 1  2p  2    p
 41

Matricialmente

1
1   1 1 2  p-1  1 
     
 2    1 1 1  p-2  2 
          
     
p  p-1 p-2 p-3  1  p 

2.6.2. Modelos de Medias Móviles (MA)

Modelo representado en términos de un ruido blanco

correspondiente a ese tiempo y q valores pasados de ese ruido

blanco.

Yt t 1 t 1  2 t  2 ........................ q t  q

Modelo MA(1)

Yt t 1 t 1
 42

Las autocovarianzas están dadas por:

 o  (1  12 ) 2

 1  1 2
Si k  1 k  0

Las autocorrrelaciones están dadas por:

o  1

 1
1 
1  12
Si k 1 k  0

Modelo MA(2)

Yt t 1 t 1  2 t  2

Las autocorrelaciones están dadas por:

 o  (1  12   22 )2

 1  ( 1  1 2 ) 2  2   2 2

Si k2 k  0
 43

Las autocorrelaciones están dadas por:

o  1
 1  12
1 
1  12  22
 2
2 
1  12  22

Si k > 2 k  0

Modelo MA(q)

Yt t 1 t 1  2 t  2 ........................ q t  q

Yt  (L) t con (L) = 1- 1L  2L2 ............pLp

Las autocovarianzas están dadas por:

 44

 o  (1  12  22 .........q2 ) e2

( k  1k 1  2k  2 .......q kq ) e2 k = 1,2,........,q

k  
 o k>q

Las autocorrelaciones están dadas por:

  k  1k  1 ..........q kq

 k = 1,2,....... q
k   1  12 ..........q2
 0 k>q


2.6.3. Modelos Mixtos Autorregresivos-Medias Móviles

Modelos ARMA (p,q) es una combinación de las dos anteriores.

Yt  1Yt 1  2 Yt  2 ..........p Yt  p  t 1 t 1 2 t  2 ........... q t  q

(L)  1  1L ......... pLp

(L)Yt  (L) t 
(L)  1  1L ......... qL q
 45

Para que el modelo sea estacionario se requiere que las raíces

de (L) = 0 caiga fuera del círculo unidad.

Modelo ARMA(1,1)

Yt  1Yt 1  t 1 t 1

 o 1 1   2  1 2 ( 1  1)

 1  1 o  1 2
 k  1 k 1 k 1

Las autocovarianzas están dadas por:

2.6.4. Modelo ARIMA(p,d,q)

A un proceso integrado Yt se le denomina proceso

ARIMA(p,d,q) si tomando diferencias de orden d, se obtiene un

proceso estacionario Wt del tipo ARMA(p,q).

La I de la palabra ARIMA significa integrado.

Sea Yt el modelo original (no estacionario) tomando diferencias

de orden d se tiene un modelo estacionario W t del tipo

ARMA(p,q).
 46

La representación de un proceso ARIMA(p,d,q) es:

(L)(1 L)d Yt  (L) t

Una clase considerablemente amplia de series se puede

modelizar por medio de los procesos ARIMA gracias a que

aplicando transformaciones de tipo no lineal, muchas series

pasan a ser representables por medio de estos modelos.

Hay series en las que a lo largo de un periodo extenso de

tiempo la varianza puede estar afectada por una tendencia la

cual no desaparece al tomar diferencias.

Si se presenta esta característica la transformación adecuada

puede consistir en la toma de logaritmos.

2.7. Elaboración de Modelos

Fase de Identificación

En la 1era etapa de esta fase se procede a efectuar un análisis de

estacionariedad. En el caso en que la serie no sea estacionario se

aplican las transformaciones adecuadas con objeto de convertirla

en estacionaria.
 47

Así, si se dispone de una serie Yt, se eligirá valores para  y  tales

que sea estacionaria la serie:

Wt  (1  L)d Yt(  )

Tanto a Yt, como a Wt se les puede centrar (restar el valor de la

media) si se considera necesario.

En la 2da etapa, si procede a determinar el orden de la parte

autorregresiva (es decir p) y el de la parte de medias móviles (es

decir q) del proceso ARMA que se considere generador de la serie

estacionaria Wt.

Fase de Estimación

En esta fase se obtienen valores estimados para los parámetros:

1,  2 ,......, p , 1, 2 ,......, p   w

Una vez concluida esta fase, se tiene conocimiento de un proceso

que hipotéticamente, ha podido generar la serie temporal

transformada Wt, a partir de la cual se puede obtener la serie

original Yt.
 48

En consecuencia, la serie W t, a partir de la expresión anterior, y

conociendo los parámetros se puede expresar como:


(L)( Wt   t )  (L) t

Se puede determinar el estimador de t, y si el modelo fuera

adecuado, debería ser una serie que se aproxima al ruido blanco.

Fase de Validación

Esta fase va dirigida a establecer si se produce o no esta

adecuación entre datos y modelos.

Fase de Predicción

Aquí se analizan pronósticos en términos probabilísticos de

valores futuros de la variable. Esta fase es la prueba de fuego del

modelo.

2.8. Identificación de Modelos Estacionarios

Para la identificación de los modelos estacionarios se utilizará

principalmente la función de autocorrelación estimada (FACE) y la

función de autocorrelación parcial estimada (FACPE).

2.8.1. Función de Autocorrelación Estimada (FACE)

 49

A partir de una muestra de tamaño N de valores de una serie

estacionaria Wt se puede calcular un coeficiente de

autocorrelación muestral de orden k.

 (W t  W )( Wt  k  W )
t  k 1
rk  N k = 1,2,3.........
 (W  W )
t 1
t
2

Observaciones:

1) El proceso original Yt se convierte en un proceso

estacionario Wt al tomar diferencias. En cada diferencia que

se toma se pierde una observación al comienzo de la serie

(es decir en cada aplicación del operador ).

Si para obtener Wt se han tomado d diferencias, entonces la

muestra original de tamaño T se ha reducido a una muestra

de tamaño N = T-d.

2) rk es el estimador de k de menor sesgo.

3) Para rN-1 se dispone de un solo sumando para el numerador,

en cambio rN no se puede calcular. Al disminuir el número

de sumandos en el numerador se pierde eficiencia en la

estimación, por lo que no se recomienda calcular

 50

coeficientes de autocorrelación para tamaños de k

superiores a 1/3 o 1/4 de la muestra.

La secuencia de valores rk para k = 1,2,3,......... constituye

el correlograma estimado rk ( que es una forma gráfica de la

FACE).

2.8.2. Función de Autocorrelación Parcial Estimada (FACPE)

La función de autocorrelación parcial estimada se la puede

calcular de dos formas:

1) Mediante ecuaciones de Yule-Walker

    r
11 1  11
21  1 r1  -1 r1 
 =     22
22  r1 1  r2 
31  1 r1
1
r2  r1 
     
32   r1 1 r2  r2   33
   r r2 1  r3 
33   1

El inconveniente de esta forma de cálculo es la obtención de la

matriz inversa que implica un gran número de operaciones.

Procedimiento de Durbin.- Es un método recursivo que utiliza

las ecuaciones:
 51

k 1
rk   k 1, jrk  j
j 1
kk  k 1
1   k 1, jrj
j 1

El inconveniente de esta forma de cálculo es que al ser

recursiva acumula errores de redondeo por lo que se debe

utilizar algoritmos de doble precisión:

kj  k 1, j  kkk  1,k  j j = 1,2,.....,k - 1

2) Por Regresión

Yt  11Yt  1
Yt  21Yt 1  22 Yt  2

Yt  k 1Yt  1  k 2 Yt  2 .................klk Yt  k

La secuencia de valores estimados de kk constituye el

correlograma estimado kk ( que es una forma gráfica de la

FACPE).

2.9. Modelos para Series de Tiempo Estacionales

 52

Estacionalidad es la tendencia a repetir un modelo de conducta

cada período o estación de referencia, el cual es generalmente de

un año. Las series estacionales se caracterizan por revelar una

fuerte correlación en el período estacional.

En general, a estos modelos se los puede expresar como:

 dp (B )( S )D  p (B S )Yt   q (B ) q (B S ) t

S es el período de la estacionalidad. Por ejemplo, si el período de

estacionalidad es anual, S será 12; si el período de estacionalidad

  1 B

es trimestral, S será 4, etc

D = número de veces que se diferencia estacionalmente

 S  1  BS

d = número de veces que se diferencia estacionariamente

p,P,q,Q son polinomios de grado p,P,q,Q con raíces de módulo

superior a uno; t es un ruido blanco.

Un proceso que satisface esta ecuación se lo denomina

SARIMA[(p,d,q)x(P,D,Q)]S
 53

El razonamiento que conduce a obtener un modelo SARIMA,

consiste en aplicar en s series, obtenidas a partir de Y t, poniendo

para cada serie los meses idénticos, la misma transformación:

( S )D P (BS )
P (B S )

(S )D P (BS )
t 
P (BS )

Y suponer que la serie obtenida :

No tiene estacionalidades y es entonces modelizable por un

ARIMA(p,d,q):

 dp (B ) t  q (B ) t

De la combinación de las dos últimas ecuaciones, obtenemos la

ecuación general para estos modelos estacionales, detallada al

principio.

Las series estacionales pueden detectarse analizando las

funciones de autocorrelación y de autocorrelación parcial

estimadas, pues ellas presentan grandes valores en módulo para

los índices múltiplos de s.

 54

La identificación de los parámetros P, D y Q de los factores

estacionales se hace de forma similar al procedimiento utilizado

para la identificación de los parámetros de los proceso ARIMA.

2.10. Pronósticos para Series No Estacionales

Como expresamos anteriormente , un proceso ARIMA, lo podemos

definir como:

 (L)(1 L)d Yt   (L) t

Si  (L) =  (L)(1- L)d

 (L)Yt   (L) t

Ahora, una observación Yt+l generado por un proceso ARIMA,

donde l  1, puede ser expresado de tres formas:

1) Directamente en términos de la ecuación diferencial

Yt  l  1Z t  l1 ...........p  dZ t  l p  d  1 t  l1 .........q t  l q  t  l

2) Como una suma de ponderaciones de errores en curso y

previos j


Ztl   
j 0
j t  l j
 55

Donde o = 1, y los pesos  pueden ser obtenidos por la

ecuación de coeficientes:

3) Como una suma de ponderaciones de observaciones previas,

más un error aleatorio

 (L)  (1  1B  2B 2 ........... )   (B )


Z t l  Z
j1
j t l j  t  l

2.11. Pronósticos para Series Estacionales

Una función de pronósticos para Series Estacionales, puede ser

representada mediante una función de senos y cosenos:

 [s/2]
2jl 2jl
Z t (l)  bo   [b1( tj ) cos(
(t)
)  b(2tj) sin( )]
j1 s s

Donde las b, son coeficientes adaptativos, y donde [s/2]= ½ S ,si s

es par y [s/2]= ½(s-1) si s es impar.

2.12. Elección del Mejor Modelo

Seleccionar un modelo que capture de una gran forma la

estructura de los datos de una serie, es sin lugar a dudas nuestro

principal objetivo, por lo cual para llevar a cabo la elección de un

 56

buen modelo en el Análisis de Series de Tiempo que se detalla en

el Capítulo 3, nos basaremos en dos criterios:

1) Prueba de Student de significancia de parámetros.

Esta prueba nos da a conocer si los parámetros del modelo

son significativamente diferentes de cero, para lo cual se

realiza el siguiente contraste de hipótesis:

Ho : i = 0

vs.

H1: i  0

Si el valor p es menor que 0.05, se tiene evidencia estadística

para afirmar que el parámetro es significativamente diferente de

cero, con un nivel de confianza del 95%.

2) Media Cuadrática del Error

La Media Cuadratica del Error del Modelo sin lugar a dudas va

a ser un factor preponderante para decidir cual modelo captura

de una mejor manera la estructura de los datos.

Un buen modelo tiene que lograr reducirla, para así poder ser

un gran medio de predicción.

57