Series de Tiempo y Pronostico

Cali, Valle del Cauca, Colombia, de 2016

Tarea 1

Mnica Montao Hurtado1,a , Jse Luis Cuevas Muoz2,b

1 Escuela

de Estadstica, Facultad de Ingeniera, Universidad del Valle, Cali, Colombia

a) Sea Zt = U sin(2t) + V cos(2t), donde U y V son variables aleatorias independientes con media 0
y varianza 1.
Por lo tanto lo que necesitamos saber es si la funcin Zt es independiente del tiempo, y as probar
que la funcin es estrictamente estacionaria. Se proceder a partir de igualdades trigonomtricas
sin alterar la funcin de tal forma que al final nos daremos cuenta si el resultado de sintetizar la
funcin depende o no del tiempo.
Z 1
U Sin(2t) = U 2t
Cos(2t )d
0

V Cos(2t) = V V 2t

Sin(2t )d
0

Z
Cos(2t )d + V V 2t

U Sin(2t) + V Cos(2t) = U 2t
0

Sin(2t )d
0

= U 2Sin(t)Cos(t) + V 2V Sin2 (t)

= U 2Sin(t)Cos(t) + V 2V Sin(t)Sin(t)
= 2Sin(t)(U Cos(t) V Sin(t)) + V
Ahora dado que la funcin seno es peridica, y adems el Sin() = 0 y como el periodo del seno
en siempre sera cero, es decir Sin(t) = 0 para t Z, y dado que nuestro t cumple con esta
condicin de pertenecer a los enteros, siguiendo en la solucin se tiene que
:0

2
Sin(t)(U
Cos(t) V Sin(t)) + V = V
Puesto que Zt es igual a la variable aleatoria V, y no depende del tiempo, diremos que es estrictamente estacionaria.
b) Para determinar si la serie Zt es estacionario en covarianza se trabaja a partir de los primeros
momentos de la serie, en donde se debe llegar que estos son invariantes en el tiempo, es decir, que
la esperanza de la serie sea constante en el tiempo y la covarianza dependa solamente de los regazos.
E[Zt ] = E[U sen(2t) + V cos(2t)]
=E[U sen(2t)] + E[V cos(2t)] = E[U ]sen(2t) + E[V ]sen(2t) = 0
Luego para la cov(Zt , Zt+k ), tenemos
a.
b.

E-mail: monica.montano.hurtado@correounivalle.edu.co
E-mail: jose.cuevas@correounivalle.edu.co

Mnica Montao Hurtado & Jse Luis Cuevas Muoz

cov(Zt , Zt+k ) = E[Zt Zt+k ] E[Zt ]E[Zt+k ]

Anteriormente se concluyo E[Zt ] = 0, entonces:
cov(Zt , Zt+k ) = E[Zt Zt+k ]
Luego,
h

ih
i
U sen(2t) + V cos(2t) U sen(2(t + k)) + V cos(2(t + k))

cov(Zt , Zt+k ) = E[Zt Zt+k ] = E


=E U 2 sen(2t)sen(2(t + k)) + U V sen(2t)cos(2(t + k))+

2
V U cos(2t)sen(2(t + k)) + V cos(2t)cos(2(t + k))

=E[U 2 ]sen(2t)sen(2(t + k)) + E[U V ]sen(2t)cos(2(t + k))+

E[V U ]cos(2t)sen(2(t + k)) + E[V 2 ]cos(2t)cos(2(t + k))
Teniendo en cuenta E[V 2 ] = 1 y E[U 2 ] = 1 y la independencia entre las variables U y V se
tiene que Cov[U V ] = 0
donde Cov(U, V ) = E[U V ] E[V ]E[U ] = 0
E[V ] = 0; E[U ] = 0 entonces E[U V ] = 0
Aplicando las propiedades trigonomtricas
cos(x + y) cos(x y)
cos(x y) cos(x + y)
y cos(x)cos(y) =
2
2
i 1h
i
1h
= cos(2t 2t 2k) cos(2t + 2t + 2k) + cos(2t + 2t + 2k) cos(2t 2t 2k)
2
2
i 1h
i
1h
= cos(2k) cos(4t + 2k) + cos(4t + 2k) cos(2k)
2
2

sen(x)sen(y) =

como cos(x) = cos(x)

=

1
1
1
1
cos(2k) cos(4t + 2k) + cos(4t + 2k) cos(2k)
2
2
2
2

= cos(2k)
Ahora para determinar la varianza dado que tenemos la Covarianza entre Zt y Z( t k) y si k es
igual a cero entonces tenemos la covarianza sera entre Zt y Zt es decir la varianza.
Cov(Zt , Zt ) = cos(2k) = cos(20) = cos(0) = 1 = V ar(Zt )
Por lo tanto como se obtuvo que la media es constante en este caso 0 y la covarianza depende solamente del rezago k y la varianza es 1, el proceso Zt es estacionario de segundo orden o estacionario
en covarianza.
1.
a) Los procesos o modelos autorregresivos se basan en que el valor actual de la serie Zt puede explicarse en funcin de valores pasados Zt1 , Zt2 , ..., Ztp , donde p determina el numero de regazos
necesarios para pronosticar el valor actual Zt . En este caso, se cuenta con un proceso autorregresivo
de orden 1 AR(1), donde la variable Zt esta determinado por el valor pasado con p = 2 regazos.
Zt = 0.9Zt2 + Wt
Series de Tiempo y Pronostico (2016)

Tarea 1

donde Wt es un proceso de ruido blanco con w = 0 y w = 1. Para la generacin de los 100 valores,
la serie anterior cuenta con la particularidad que cuando t = 1 no hay valor anterior dos regazos a
Z1 , es decir, no se cuenta con el valor Z1 , por tal motivo cuando t = 1, Z1 = W1 , lo mismo ocurre
cuando t = 2 el valor Z0 no se encuentra, por tal motivo cuando t = 2, Z2 = W2 . Sin embargo
cuando t = 3 ya se tiene disponible el valor anterior a dos regazos, es decir, Z1 existe, por lo tanto
cuando t = 3, Z3 = 0.9Z1 + W3 . Obteniendo como resultado la siguiente serie:

Figura 1

(b) (c) Las Figura 2 muestra el comportamiento de la serie Zt = cos(2t/4) y Zt = cos(2t/4) + Wt

N (0, 1)

Figura 2

Series de Tiempo y Pronostico (2016)

Mnica Montao Hurtado & Jse Luis Cuevas Muoz

Figura 3

(d) La primera serie del grfico presenta un comportamiento ciclico o sinusoidal, o llamado tambin
deterministico en comparacin a la segunda seria la cual se encuentra afectada por la adicin de un
componente aleatorio wt en tal caso particular este componente es un ruido blanco. Este comportamiento tambin es explicado por las medias mviles en la Figura 3. La media mvil la cual acta
como un suavizador de los datos al promediar las observaciones consecutivas en una serie, mediante
su grfico puede mostrar la estructura cclica de la serie Zt = cos(2t/4).

e) El COLCAP es un indicador que refleja las variaciones de los precios de las 20 acciones ms liquidas
de la Bolsa de Valores de Colombia (BVC), donde el valor de la Capitalizacin Burstil Ajustada
de cada compaa determina su nivel de ponderacin. El comportamiento del indice propuesto
(COLCAP) para fechas comprendidas entre 08/04/2011 y 13/11/2014 se comporta similar a la
serie Zt = cos(2t/4) + wt N (0, 1)

Figura 4

Series de Tiempo y Pronostico (2016)

Tarea 1

2. La figura 5 muestra las 500 simulaciones de un proceso ruido blanco Gaussiano, correspondiente a
500 valores de una N (0, 1) y el calculo de la Funcin de correlacin de la serie FAC.

Figura 5

Tabla 1: FAC

0
1.00
11
-0.032

1
0.024
12
-0.050

2
0.072
13
-0.010

3
0.017
14
-0.059

4
-0.001
15
0.055

5
-0.026
16
0.005

6
0.042
17
0.039

7
0.006
18
0.007

8
0.054
19
-0.026

9
-0.009
20
0.017

10
-0.007

b) Las siguientes grficas muestran el comportamiento cunado disminuye el numero de simulaciones a

50.
Series de Tiempo y Pronostico (2016)

Mnica Montao Hurtado & Jse Luis Cuevas Muoz

Figura 6

Tabla 2: FAC

0
1.00
11
-0.144

1
0.126
12
-0.129

2
-0.094
13
-0.152

3
-0.110
14
0.206

4
0.096
15
0.195

5
0.155
16
0.034

6
-0.176
17
0.026

7
-0.211
18
0.080

8
-0.212
19
0.320

9
-0.147
20
0.136

10
-0.094

La correlacin mide la correlacion entre dos variables separadas por k = 20 periodos de tiempo,
los resultados obtenidos en la aplicacin 500 simulaciones del proceso de Ruido Blanco Gaussiano en
comparacin con las 50 simulaciones del mismo proceso, dan evidencia a pensar que a medida que estas
disminuye las correlaciones aumentan.

Series de Tiempo y Pronostico (2016)