2. Héctor Allende O. 2
Modelos de Box-Jenkins.
RECORDEMOS X proceso estocástico ssi la función
es tal que sucesión de variables aleatorias
Dado X (p.e.), se definen:
X, se dice p.e. e. estricto ssi
Un X un p.e. e. débil ssi
Se llaman autocovarianza de X y autocorrelación de X a:
:
T
t
t
X
,
,
k
t
X
t
X
Cov
k
t
t
t
X
E
X
X
t
,
,
)
2
1)
k
t
X
k
t
X
F
t
X
t
X
F n
n
,.,
,., 1
1
.
,
t
cte
t
X
E X
t
.
,
,
,
,
,
k
h
t
k
h
t
h
t
k
t
t X
X
k
t
X
t
X
Cov
k
X
,
0
r
k
r
k
X
3. Héctor Allende O. 3
Propiedades:
Procesos de medias móviles (MA).
Sea X un p.e. Se dirá MA(q) si existe un ruido blanco
y reales tal que
Propiedades:
1) Todo es un MA(q) es p.e.e.
1
1)
k
X
k
k X
X
)
2
k
k X
X
)
3
Ζ
t
t
a 0
,
,
, 2
1
q
,
2
2
1
1
t
t
q
t
q
t
t
t
t
a
X
a
a
a
a
X
q
k
k
X
,
0
)
2
4. Héctor Allende O. 4
4.2 Procesos Autoregresivos (AR).
Sea X un p.e., se dirá autoregresivo general de orden p si existe un
ruido blanco y reales tal que
Propiedades: AR(p)
Un no es en general estacionario.
Un AR(P) es estacionario ssi las raíces de
están fuera del círculo unitario.
Todo X p.e. AR(p):
Autoregresivos de media móvil (ARMA(p;q)).
X se dirá un ARMA(p,q) general si existe un ruido blanco
reales
Ζ
t
t
a 0
,
,
, 2
1
p
t
p
t
p
t
t
t a
X
X
X
X
2
2
1
1
)
( p
AR
0
1 1
p
p
.
,
0 p
k
kk
Ζ
t
t
a
0
0
con
,
,
,
,
,
,
, 2
1
2
1
q
p
q
p
q
t
q
t
t
t
p
t
p
t
t
t a
a
a
a
X
X
X
X
2
2
1
1
2
2
1
1
5. Héctor Allende O. 5
Anotando
Se tiene que:
Propiedades: ARMA(p,q)
1. XARMA(p,q) es estacionario ssi no tiene raíces
dentro del círculo unitario.
2. XARMA(p,q) es invertible ssi no tiene raíces dentro del
círculo unitario.
3. XARMA(p,q) es
donde función de autocovarianza cruzada.
4. XARMA(p,q)
q
q
p
p
1
1
1
1
t
t a
X
0
0
, k
k
a
X X
X
t
t
k
t
t
X a
X
E
k
.
,
0 q
k
k
X
6. Héctor Allende O. 6
X se dirá un ARIMA(p,d,q) ssi es un p.e.e. ARMA(p,q) con
Tres formas de visualizar un ARIMA.
Ejemplo: ARIMA(1,1,1)
X
d
d
d
1
1
1
1
1
1
1
1
1
)
3
)
2
1
1
d
1
)
1
j
t
j
t
j
t
j
t
j
t
j
t
q
t
q
t
t
p
t
p
p
t
p
p
t
t
t
t
d
a
X
X
a
a
X
a
a
a
X
X
X
X
a
X
4.4 Proceso ARIMA.
t
j
j
t
j
t
t
t
t
t
a
X
X
X
a
a
X
2
2
1
1
1
1
1
1
7. Héctor Allende O.
Diremos que X es un ARIMA estacional de orden P,D,Q y período “s” si
con raíces fuera del disco unitario grados P y Q:
XARIMA(P,D,Q)s
Es decir
Obs: Diremos que X es un proceso ARIMA estacional multiplicativo de ordenes
P,D,Q, p,d,q y período “S” si existen polinomios de
grados P, Q, p y q respectivamente, con sus raíces fuera del círculo unitario
y un ruído blanco A:
Notación: X ARIMA(p,d,q)(P,D,Q)s
7
4.5 ARIMA estacional.
0
0 y
:
s
s
t
s
t
s
s
a
X
1
donde
0
0
t
s
s
t
D
s
ps
p
s
a
B
B
X Q
Q
1
1 1
1
1
s
s
D
s X Q
,
P
ARMA
un
es
y
;
; 0
0
t
s
t
D
s
d
s
a
X
0
0
8. Héctor Allende O. 8
Método de Box-Jenkins.
Se postula una clase
de modelos ARIMA
Identificación del modelo
tentativo: p, d, q, P, D, Q
Estimación de Parámetros
del modelo tentativo
Verificación de diagnóstico ¿Es
adecuado el modelo?
Uso del modelo con fines
de: Control, Predicción.
9. Héctor Allende O. 9
4.5 Identificación de modelos ARIMA.
Sea X p.e.e.
kk
kk
F
F
X
X
X
k
k
k
k
X
X
X
kk
X
X
X
X
X
X
X
X
e
e
e
e
k
k
k
φ
k
k
q
k
k
k
k
k
k
k
2
1
1
1
1
1
1
1
parcial.
n
correlació
de
e
coeficient
:
6)
p.
k
de
partir
a
mente
geométrica
decae
q
p,
ARMA
5)
p.
k
0
cero
a
lmente
exponencia
decae
p
AR
)
4
.
0
MA
)
3
cero.
a
e
rápidament
decae
)
2
0
;
0
lim
1)
1
,
,
2
,
1
kk
k
10. Héctor Allende O. 1
4.6 Estimación de parámetros.
Se pueden utilizar los siguientes métodos de estimación:
Mínimos cuadrados condicionados [Box and Jenkins].
Máxima verosimilitud [ Denby and Martin].
GM-estimadores [ Allende and Heiler].
Etc.
4.7 Verificación y diagnóstico. Dado
Todos se basan en el análisis de los residuos. Se postula:
t
a
t
X
n
t
t
k
n
t
k
t
t
a
a
a
t
t
a
a
n
a
a
a
a
k
n
k
k
r
X
a
1
2
1
1
ˆ
1
ˆ
ˆ
1
0
ˆ
,
ˆ
11. Héctor Allende O. 11
Test de bondad de ajuste.
Test de Ljung-Box (1978).
Función de autocovarianza residual
Test robusto de Portmanteau (Allende; Galbiati, 1996).
2
1
2
1
ˆ
2
Q q
p
K
K
k
a
k
n
k
r
n
n
2
1
2
1
3
Q q
p
K
K
k
K
k
n
na
n
K
p
t
K
t
t
K a
a
1
ˆ
ˆ
;
ˆ
ˆ
ˆ
ˆ
;
ˆ
ˆ 1
2
t
t a
a
a
12. Héctor Allende O. 12
4.8 Predicciones en modelos ARMA.
Sean los mejores predictores lineales de
dado Por la linealidad de los predictores tenemos que el mejor
predictor de
Además,
k
t
a
k
t
X
k
t
k
t
X
â
y
ˆ
k
t
a
k
t
X
y
.
, t
s
s
X
k
t
a
k
t
a
y
k
t
X
k
t
X
ˆ
es
ˆ
es
0
k
,
0
k
,
0
ˆ
0
k
,
0
k
,
ˆ
k
t
a
k
t
a
k
t
X
k
X
k
t
X t
0
,
1
ˆ
ˆ 1
k
X
k
t
X
k
t
a
siendo k
t
13. Héctor Allende O. 13
4.9 Predicciones en modelos ARIMA.
Consideremos la predicción de un modelo ARIMA(p,d,q)
El mejor predictor lineal de a partir de o bien
t
a
j
t
X
t
X
j
t
a
t
X
q
t
a
t
a
d
p
t
X
t
X
t
X
j
j
j
j
q
d
p
1
0
1
)
3
)
2
1
)
1
t
X
t
u
u
X
:
t
u
u
a
:
1
0
2
2
1
0
1
0
,
0
ˆ
ˆ
j
j
a
t
t
j
j
t
j
j
j
j
j
j
e
V
e
E
j
t
a
X
t
X
e
j
t
a
X
j
t
a
j
t
a
t
X
t
a
t
X
14. Héctor Allende O. 14
Luego, el mejor predictor lineal de es
Nota:
Los errores de predicción no están correlacionados hacia adelante
t
X
t
u
u
a
t
X
E
t
u
u
X
t
X
E
Xt
:
:
ˆ
0
,
j
t
t e
e
e
15. Héctor Allende O. 15
4.9 Algorítmo de Predicción en ARIMA(p,d,q).
Usando
A partir de n tenemos
Usando podemos estima:
n
u
u
X
d
p
u
u
a
n
d
p
t
X
t
X
a
q
t
a
t
a
t
a
d
p
t
X
t
X
X
t
t
q
d
p
t
,
,
2
,
1
:
,
0
ˆ
,
,
,
1
ˆ
1
ˆ
)
2
ˆ
1
ˆ
ˆ
ˆ
1
ˆ
)
1
1
1
1
.
hasta
repetir
,
ˆ
)
2
(
1
ˆ
)
1
(
1 n
t
a
X
p
t
d
p
d
p
q
máx
X
q
a
X
n
u
n
,
,
0
ˆ
para
ˆ
de
depende
no
ˆ
n
d
p
t
at ;
:
ˆ
n
d
p
t
t
a
d
p
n
a
1
2
2 ˆ
̂
16. Héctor Allende O. 16
Actualización de las predicciones
Luego, un intervalo de confianza para
t
X
1
ˆ
1
ˆ
ˆ
1
ˆ
ˆ
1
1
1
t
t
t
t
t
y
t
X
a
a
X
X
1
0
2
2
1
0
,
0
j
j
a
j
j
t N
j
t
a
e
2
1
0
2
2
1
ˆ a
j
j
t Z
X
t
X
IC
17. Héctor Allende O. 17
Ejemplo: Dada la serie
1
ˆ
1
ˆ
ˆ
5
,
0
5
,
0
1
ˆ
:
Algorítmo
8
;
7
;
ˆ
Estimar
5
,
0
1
5
,
0
1
Modelo
1
95
,
0
95
,
0
2
t
t
t
a
X
t
X
a
t
a
t
X
X
X
I
X
I
t
a
t
X
t 1 2 3 4 5 6
X(t) 2 1 -1 0 -2 0
t
t
X
1
ˆ t
X t
â 2
ˆt
a
1 2 1 0 0
2 1 0,5 0 0
3 -1 -1,25 -1,5 2,25
4 0 0,63 1,25 1,563
5 -2 -2,32 -2,63 6,917
6 0 1,16 2,32 5,382