LICENCIATURA EN

MATEMTICAS.
UNIDAD I.PROCESOS Y SERIES
DE TIEMPO.
ACTIVIDAD 2.USO DE
SOFTWARE.

ESTADSTICA III.

ALUMNA: Mara de la Luz Prez Limn.

MATRCULA: AL12525958.
FACILITADORA: Patricia Bautista Otero.
GRUPO: MT-MEST3-1501S-B1-001

ACTIVIDAD 2. USO DE SOFTWARE.

Instrucciones: Mediante el uso de los cdigos en R (generarAR.R,
ar2simA2.R, ma2sim.R)
que se encuentran en la carpeta Material
de apoyo resuelve los siguientes ejercicios.
1. Usar el cdigo generar AR.R para simular un proceso AR( 1 )
1
para valores de
:
a

1 (1,1) .

Simulacin de procesos AR(1) para los siguientes valores de

200 observaciones, obteniendo las siguientes grficas.

Ejecute en R los siguientes comandos :
>cambiar dir("/Users/Administrador/Documents/generaAR.R")
>source("generaAR.R")
>generaAR.R(200,-1)

Para 1=0. 1

Para 1=0 .5

Para 1=0 . 9

13

Para 1=1

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

con

1=1, 1.01,1.01,1

Ejecute en R los siguientes comandos :

13

>cambiar dir("/Users/Administrador/Documents/generaAR.R")
>source("generaAR.R")
>generaAR.R(200,1)
Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y
Tecnologas
Mara de la Luz Prez Limn.
AL12525958

Para
Para

Para 1=1.01 .

1=1

1=1.01 .

Para

13

1=1.

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

Cmo se relaciona el comportamiento del proceso simulado con

respecto a la observacin despus de las ecuaciones (5) y (6), en
la seccin 1.1.3?
Los anlisis de las ecuaciones 5 y 6 nos dan indicativos de que el
comportamiento del proceso simulado puede aplicar en algunos casos,
sobre todo para las primeras grficas en donde se aprecia un tipo de
variabilidad constante; slo que al simular los valores entre 1, 1.01, -1.01
y -1, no se mantiene la hiptesis de la ecuacin 5, ya que notamos que la
esperanza vara conforme el tiempo y la variabilidad es cambiante
conforme pasa el tiempo, esto es, la media y la varianza tienen un
comportamiento drstico, y por lo tanto, la estacionariedad de segundo
orden, no se cumple para los parmetros del inciso b.
El comportamiento del proceso simulado tambin se puede
comparar con lo que establecen las ecuaciones (26), (29) y la
ecuacin (29) con =0 , comente referente a lo que observa en
las grficas y como se relaciona con la teora vista en el ejemplo
(c.1). Tenemos las ecuaciones:

E ( X t )=E 0 + k1 t k (26)
k=0

Si
COV [ X t , X t + ]=

Si

1 1

|1|<1

|1 |

( )
1 21

, la esperanza del proceso es

(29)

, el denominador es positivo, la covarianza es positiva y no

depende de

t .

13

Segn lo observado en estas ecuaciones, los procesos simulados son

de segundo orden, ya que el valor esperado y la covarianza son
independientes del tiempo, aunque s existe una dependencia de la
movilidad de los promedios; podemos observar en la ecuacin 29, que
existe tambin una indeterminacin cuando se dan los valores de
Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y
Tecnologas
Mara de la Luz Prez Limn.
AL12525958

 1=1,1

y, por lo tanto, la hiptesis anterior no se puede cumplir, por

1=1.01,1.01

otro lado si

el valor anterior crece de manera evidente.

2. Dado el vector de parmetros

2

=( 1 , , p ) , n 1=tamao de muestra

la varianza del ruido blanco, la funcin ar2simA2.R simula

n1

observaciones

de

un

proceso

AR(2).

Para

los

datos

simulados, esta funcin est hecha para calcular un estimador

{ ^ }

muestral

de la sucesin de autocorrelacin

{ }

descrita

en el tema 1.2. En la grfica que la funcin produce hay dos

paneles, en el panel superior esta la grfica del proceso simulado,
^
en el panel inferior esta la grfica del estimador
para cada
. Usando esta funcin produzca 10 simulaciones, cada una con
n 1=200

observaciones, del proceso

X t 0.1 X t 1+0.8 X t2= t

donde

{ t }

es de ruido blanco normal con varianza

2 =1 . De los

10 casos simulados.
Realizamos 10 simulaciones del proceso dado, considerando
1=0.1, 2=0.8
, con 200 observaciones; la varianza del ruido

13

blanco es 1.

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

13

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

13

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

13

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

Es posible encontrar el orden

del proceso usando

Explique.
Se dice que los procesos autorregresivos AR (p) se caracterizan por
tener una funcin de autocorrelacin simple (FAS), con coeficientes que
decrecen exponencialmente en valor absoluto hacia cero, adems de
tener tantos coeficientes distintos de cero, en la funcin de
autocorrelacin parcial (FAP) como orden tenga el proceso. Los procesos
ms habituales son los de orden 1 y 2, y las condiciones de
estacionariedad (estabilidad de los polinomios) son:
AR(1)
AR(2)

| 1|<1

21 <1 ; 2 + 1 <1;| 1|< 1

13

Existe una correspondencia directa entre estos parmetros y la

funcin de covarianza del proceso, y esta correspondencia puede ser
invertida para determinar los parmetros de la funcin de autocorrelacin
(que es obtenido a partir de las covarianzas. Ahora bien, si los datos han
sido generados por un modelo AR(p), slo los primeros p coeficientes de
autocorrelacin parcial sern distintos de cero. Por otra parte, si los datos
han sido generados por un modelo MA(q), la FAP ser infinita y tender a
aproximarse a cero asintticamente.
Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y
Tecnologas
Mara de la Luz Prez Limn.
AL12525958

Como se indica en la pgina 25, considero que no es posible

^
poder encontrar el orden del proceso usando
, ya que para
hacer la identificacin de un modelo autorregresivo para los
datos, es necesario usar otra sucesin de autocorrelacin
llamada autocorrelacin parcial PACF.

3. Dado el vector de parmetros

=( 1 , , q ) ,n 1=tamao de muestra

la varianza del ruido blanco, la funcin ma2sim.R simula

2
n1

observaciones de un proceso MA(2). Para los datos simulados

esta funcin est hecha para calcular un estimador muestral
{ ^ } . En la grfica que la funcin produce hay dos paneles, en el
panel superior est la grfica del proceso simulado, en el panel
^
inferior est la grfica del estimador
para cada . Usando
esta funcin produzca 10 simulaciones, cada una con

n 1=200

observaciones, del proceso

9
X t = t t2
16

donde

{ t }

es ruido blanco normal con varianza

unidad 2 se ver que para cada

2 =1 . En la

, cada vez que

esta

dentro de las bandas punteadas, significa que podemos asumir

=0
que
. Siguiendo esta idea, compare las 10 grficas
obtenidas de las estimaciones

{ ^ }

con lo que establece la

ecuacin (22) y la discusin que sigue a esta ecuacin.

Para los siguientes problemas puedes usar R para analizar los
polinomios de promedios mviles y el autorregresivo.

13

Realizacin de 10 simulaciones del proceso MA(2), mediante el script de

9
la funcin ma2sim.R ,con 200 observaciones para theta c (0, 16 )

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

13

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

13

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

13

Segn lo estudiado en el programa desarrollado y despus de estudiar la siguiente ecuacin (22) :

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y
Tecnologas
Mara de la Luz Prez Limn.
AL12525958

q| |

j j+| |
j =0

2j

, si0 || q

j=0

0, si||> q

Se puede concluir que dado que el proceso es de orden 2, se cumple

que la sucesin ACF se va aproximando cada vez
ms, a cero.

CORRECCIN.
4. Sea

{ t }t

un proceso de ruido blanco con varianza de

Determine si el proceso

{ X t }t dado por

1
1
1
9
X t + X t1 X t 2 X t3 = t t2
2
9
18
16
es causal.
Definicin:
En este caso se tiene que el proceso descrito se ajusta a:
X
p y q en {1,2, }
Para
diremos que el proceso { t }t

se llama

autorregresivo y de promedios mviles de rdenes p y q (ARMA(p,q)), si

se puede escribir como:
1
1
1
9
X t + X t1 X t 2 X t3 = t t2
2
9
18
16

Sea el proceso ARMA (p, q)

Escribimos el modelo en trminos del operador B

(1+ 12 B 19 B 181 B ) X =(1 169 B )

2

Los polinomios asociados son :

][

13

1
1
1
1
1
1
( z )= 1+ z z 2 z 3 = (1+ z z 2) z 3
2
9
18
2
9
18

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

 ( 1+ 0.16 z )( 10.75 z )0.055 z

( ) ( )
1

z=

1 2
1
1
1 5
4 ( 1 )

25 /36

2
9
2
2 6
=
=
2
2
2 (1)

( ) ()

()

1 5
+
2 6
z 1=
=0.16
2

( 12 ) 56 =0.75

z 2=

Luego
( z ) =(1

9 2
3
3
z )=(1+ z)(1 z ) = (1+0.75 z)(10.75 z )
16
4
4

Tienenun factor comn que puede cancelarse .

Obtenemos un Modelo ARMA

con ecuacin:

( ( 1+0.16 z )0.055 z 3 ) X t =( 10.75 z ) t

O sea :

X t =0.16 X t 1 +0.05 X t30.75 t1 + t

El modelo es invertible porque la raz de

( z ) = 1 0.75z = 0 y est

fuera del crculo unitario, entonces concluimos que el proceso es

causal.
5. Sea

{ t }t

un proceso de ruido blanco con varianza de

13

Determine si el proceso

{ X t }t dado por

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

2 .

1
13
3
1
X t + X t1= t + t1 + t2 + t3
2
12
8
24
es invertible.
Definicin:
Un proceso ARMA (p, q) definido por:
X t 1 X t 1+ 2 X t2 ++ p X t p =+ t +1 t1 + q tq
es invertible, si existe una sucesin d constantes

| j|< y
j=0

{ j } j tales que:

t = j X t j , t=0, 1, 2,
j=0

Sea el proceso ARMA(p,q)

1
13
3
1
X t + X t1= t + t1 + t2 + t3
2
12
8
24
Escribimos el modelo en trminos del operador B

(1+ 12 B ) X =(1+ 1312 B+ 38 B + 241 B )

2

Los polinomios asociados son :

( z )=1+ 0.5 z
13
3 2 1 3
z+ z + z
12 8
24
13
3
1
= (1+ z + z 2)+ z3
12
8
24
( z )=
1+

13

( 1+ 0.16 z )( 10.75 z ) +0.04 z 3

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958

( 13 /12 ) ( 13/12 ) 4 ( 1 ) (3 /8 )
=
2( 1)
2

z=

z 1=

1.08+i
2

z 2=

1.08i
2

Hemos obtenido races

cuando las races de

imaginarias

13
169 12

12
144 8 1.08 i
=
2
2

( )

y un modelo ARMA es invertible slo

( z ) estn fuera del crculounitario , es decir ( z ) =0 slo cuando |

z|> 1.

Por lo tanto, se trata de un proceso invertible.

13

Fuentes de consulta:
Programa Desarrollado de Estadstica III, I Unidad, Depto. de
Ciencias Exactas, UNADM, 2015.
Apuntes-ICT-2950-1er-Sem-2013 Tpicos de Econometra, Profesor:
Louis de Grange C.Pdf.
Basu, S., & Reinsel, G. C. (1992). Journal of statistical computation
and simulation.

Educacin Abierta y a Distancia * Ciencias Exactas, Ingenieras y

Tecnologas
Mara de la Luz Prez Limn.
AL12525958