You are on page 1of 4

1. ¿Qué es una serie estacionaria?

Una serie es estacionaria cuando es estable a lo largo del tiempo, es


decir, cuando la media y varianza son constantes en el tiempo. Esto se
refleja gráficamente en que los valores de la serie tienden a oscilar
alrededor de una media constante y la variabilidad con respecto a esa
media también permanece constante en el tiempo.

Sucesiones estacionarias: Una sucesión 𝑋1 , 𝑋2 , … de variables aleatorias


se dice estacionaria si:
𝐹𝑖1 ,𝑖2 ,…,𝑖𝑘 ( 𝑥1 , 𝑥2 , … , 𝑥𝑘 ) = 𝐹𝑖1 +𝑠,𝑖2 +𝑠,…,𝑖𝑘 +𝑠 ( 𝑥1 , 𝑥2 , … , 𝑥𝑘 )
Para cualquier conjunto de enteros k y s.
2. Variables aleatorias con dependencia tipo “Strong mixing”
Suponga un espacio de probabilidad (Ω, ℱ, ℙ). Deje que la medida de la
dependencia entre dos campos-𝜎: 𝒜 y ℬ ⊂ sean:
∝ (𝒜, ℬ) = sup |ℙ(𝐴 ∩ 𝐵) − ℙ(𝐴)ℙ(𝐵)|
𝐴𝜖𝒜,𝐵𝜖ℬ

Deje que {𝑋𝑘 , 𝑘 𝜖 ℤ} sea una sucesión de dos caras de variables


aleatorias en (Ω, 𝒜, ℙ). Para −∞ ≤ 𝐽 < 𝐿 ≤ ∞ se define
ℱ𝐽𝐿 = 𝜎(𝑋𝑘 , 𝐽 ≤ 𝑘 ≤ 𝐿), es decir el campo-𝜎 generado por la familia
{𝑋𝑘 , 𝐽 ≤ 𝑘 ≤ 𝐿 }. Para cada 𝑛 𝜖 ℕ se define el coeficiente de dependencia
(mixing) 𝛼(𝑛) como:
𝐽 ∞
𝛼(𝑛) = sup 𝛼(ℱ−∞ , ℱ𝐽+𝑛 )|
−∞<𝐽<∞

La sucesión {𝑋𝑘 , 𝑘 𝜖 ℤ} se dice que es de tipo “strongly mixing” si:


lim 𝛼(𝑛) = 0
𝑛⟶∞

3. Variables aleatorias con dependencia tipo “D” y tipo “D(un)”


Tipo D
Sea 𝑋1 , 𝑋2 , …, una sucesión de variables aleatorias y sea 𝐹𝑖𝑖 ,𝑖2 ,… ,𝑖𝑟 (𝑥1 ,
𝑥2 , … , 𝑥𝑟 ) la función de distribución conjunta de 𝑋𝑖1 , 𝑋𝑖2 , … , 𝑋𝑖𝑟 . Se dice
que se satisface la condición D si para cualquier conjunto de enteros
𝑖1 < 𝑖2 < ⋯ < 𝑖𝑝 𝑦 𝑗1 < 𝑗2 < ⋯ < 𝑗𝑞 tales que 𝑗1 − 𝑖𝑝 ≥ 𝑠, y para
cualquier número real 𝑢 se tiene

|𝐹𝑖1 , …𝑖𝑝 ,𝑗1 , … ,𝑗𝑞 (𝑢, … 𝑢) − 𝐹𝑖𝑖,𝑖2 ,… ,𝑖𝑝 (𝑢, … 𝑢)𝐹𝑗𝑖 ,𝑗2,… ,𝑗𝑞 (𝑢, … 𝑢)| ≤ 𝑔(𝑠)

Con lim 𝑔(𝑠) = 0


𝑠→∞

Nótese que esta condición D implica sólo sucesos definidos como


intersecciones de sucesos del tipo 𝐶𝑖 = {𝑋𝑖 ≤ 𝑢}, que son los únicos que
influyen en el comportamiento de las distribuciones límites de los
estadísticos de orden. Nótese también que la condición SM implica la
condición D.
Tipo D (𝑢𝑛 )
Se dice que se verifica la condición D (𝑢𝑛 ) si para cualesquiera enteros
que satisfacen la condición anterior, se tiene

|𝐹𝑖1 , …𝑖𝑝 ,𝑗1 , … ,𝑗𝑞 (𝑢𝑛 ) − 𝐹𝑖𝑖,𝑖2 ,… ,𝑖𝑝 (𝑢𝑛 )𝐹𝑗𝑖,𝑗2,… ,𝑗𝑞 (𝑢𝑛 )| ≤ 𝛼𝑛 ,𝑠

Donde 𝛼𝑛 ,𝑠 𝑒𝑠 𝑛𝑜 𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑠 y
𝑠𝑛
lim 𝛼𝑛 ,|𝑠𝑛 | = 0 para alguna sucesión 𝑠𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 →0
𝑛→∞ 𝑛

Nótese que la condición D implica la condición D(𝑢𝑛 ) para cualquier


sucesión {𝑢𝑛 }.
Para secuencias de variables independientes la diferencia en
probabilidad anterior es igual a cero.
4. Existencia de límites no degenerados para la distribución del
máximo normalizado.
sea 𝑋1 , 𝑋2 , …, un proceso estacionario y sea 𝑀𝑛 = 𝑚á𝑥{𝑋1 , … , 𝑋𝑛 }.
Entonces, si {𝑎𝑛 > 0} 𝑦 {𝑏𝑛 } son secuencias de constantes tales
que
𝑀𝑛 − 𝑏𝑛
𝑃𝑟 {( ) ≤ 𝑧} → 𝐺(𝑧)
𝑎𝑛

Donde G es una función de distribución no degenerada y la


condición D (𝑢𝑛 ) se satisface con 𝑢𝑛 = 𝑎𝑛 𝑧 + 𝑏𝑛 para cualquier
número real z, G pertenece a la familia de distribuciones de
valores extremos generalizada.
Este resultado implica que dada una sucesión de variables suficientemente lejanas y
dependientes entre sí (en el sentido especificado por la condición D(u n)), los valores
máximos de estas series estacionarias se distribuyen según la misma distribución
límite que en el caso de sucesiones de variables independientes. Sin embargo, los
parámetros de la distribución se verán afectados por la dependencia.

5. Extensión del teorema Fisher tippet para sucesiones dependientes

La condición 𝐷(𝑢𝑛 ) sólo es suficiente para extender el teorema de


Fisher-Tippet al caso no independiente.
Para extender el teorema de Gnedenko(el cual garantiza la
convergencia a cada uno de los tres tipos de valores extremos) se
necesita introducir una condición adicional.
Dada una secuencia estacionaria 𝑋1 , 𝑋2 , … y una secuencia de
constantes {𝑢𝑛 }, la condición 𝐷′(𝑢𝑛 ) se satisface si
𝑛
[ ]
𝑘
lim sup 𝑛 ∑𝑗=2 𝑃(𝑋1 > 𝑢𝑛 , 𝑋𝑗 > 𝑢𝑛 ) → 0 𝑐𝑢𝑎𝑛𝑑𝑜 𝑘 → ∞
𝑛→∞

Donde [] denota la parte entera.

Dado un proceso estacionario 𝑋1 , 𝑋2 , … ., considere el proceso


𝑌1 , 𝑌2 , …, i.i.d cuya función de distribución es la misma que 𝑋1 , y
cuyo máximo parcial se define como
̃𝑛 ≔ max(𝑌1 , … , 𝑌𝑛 )
𝑀

Suponga que 𝐷(𝑢𝑛 ) y 𝐷′(𝑢𝑛 ) se satisfacen para una secuencia


𝑥
estacionaria 𝑋1 , 𝑋2 , … ., con 𝑢𝑛 = + 𝑏𝑛 para cada x (siendo {𝑎𝑛 },
𝑎𝑛
{𝑏𝑛 } secuencias de constantes). Entonces 𝑃(𝑎𝑛 (𝑀 ̃𝑛 − 𝑏𝑛 ) ≤ 𝑥)
converge a 𝐺(𝑥) para alguna función de distribución no
degenerada 𝐺 si y sólo si 𝑃(𝑎𝑛 (𝑀𝑛 − 𝑏𝑛 ) ≤ 𝑥) también converge a
𝐺(𝑥)( Leadbetter, M.R.; Lindgren, G.; Rootzén, H). En otras palabras, si
𝐷(𝑢𝑛 ) 𝑦 𝐷′(𝑢𝑛 ) se satisfacen, entonces el proceso 𝑋1 , 𝑋2 , … puede
ser tratado como si fuera i.i.d.

Fuentes :
http://www.ine.es/ss/Satellite?blobcol=urldata&blobheader=application%2Fpdf&blob
headername1=Content-
Disposition&blobheadervalue1=attachment%3B+filename%3D588%2F564%2F116_
1.pdf&blobkey=urldata&blobtable=MungoBlobs&blobwhere=588%2F564%2F116_1.
pdf&ssbinary=true

http://masteres.ugr.es/moea/pages/curso201516/tfm1516/medialdeavillanueva_tfm/!

Extreme Events in Finance/A Handbook of Extreme Value Theory and its Applications/FRANÇOIS
LONGIN.

Leadbetter, M.R.; Lindgren, G.; Rootz´en, H. Extremes and related properties of random sequences
and processes. Mir publishers: Moscow, Russia 1989. (In Russian)