AR(1)

ut =ρ1 ut−1 +ε t

Primer paso, son las propiedades valor esperado, varianza y normalidad

E(u t )=ρ1 E(ut −1)+ E( ε t )

E(u t )=0
Se sigue cumpliendo el supuesto de homocedasticidad,

En cuanto a la varianza,

var ( u t ) =E ( ut −E ( ut ) ) =E ( ut )=E ( ρ1 ut −1+ ε t )

2 2 2

var ( u t ) =ρ1 E ( ut−1 ) +2 ρ1 E ( ut−1 ε t ) + E ( ε t )

2 2 2

dado que se cumple el supuesto de homocedasticidad

2
var ( u t ) =σ u

Evaluando

σ 2u=ρ21 σ 2u +σ 2e
2
2 σe
σ = u 2
1−ρ1

Las covarianzas serán

cov ( ut u t−s ) =E(ut u t−s )

Como conocemos a la perturbación en el periodo t

cov ( ut u t−s ) =E ( ut ut −s )= E(( ρ1 ut −1+ ε t ) ut− s)

cov ( ut u t−s ) =ρ1 E ( u t−1 u t−s ) + E(ε t u t−s )

Se debe tener cuidado con el último término, porque no siempre es cero. en el coeficiente de
autocorrelación parcial, la formula es la siguiente

cov (ut u t−s ) cov (ut ut −s )

r s= =
√ var (ut ) √ var (u t−s ) 2
σu

Si s=0

cov (ut ut ) cov (u t ut )

r0 = = =1
√ var (ut ) √ var (ut ) σ 2u

Si s=1

cov (ut ut −1 ) cov (ut ut −1) ρ1 E ( u t−1 u t−1 ) + E ( ε t ut−1 )

r 1= = =
√ var (ut ) √ var (ut −1) σ 2
u σ 2u
 2
cov (ut ut −1 ) ρ 1 σ u+ 0
r 1= = =ρ1
√ var (ut ) √ var (ut −1) σu
2

Si s=2

cov (ut ut −2) cov (ut ut −2) ρ1 E ( u t−1 ut−2 ) + E ( ε t ut −2 )

r 2= = =
√ var (ut ) √ var (ut −2) σu
2
σu
2

Donde

E ( ut −1 ut −2 )=E ( ( ρ1 ut −2+ ε t −1) ( u t−2 ) ) =ρ1 E ( ut−2 ) + E ( ε t −1 ut −2) =ρ1 σ u

2 2

Evaluando
2 2
ρ1 σ u +0 2
r 2= 2
=ρ1
σ u

Si s=3

cov (ut ut −3 ) cov (ut u t−3) ρ1 E ( ut−1 ut−3 ) + E ( ε t ut −3 )

r 2= = =
√ var (ut ) √ var (ut −3) σ 2u σ 2u

Donde

E ( ut −1 ut −3 )=E ( ( ρ1 u t−2 +ε t −1 )( u t−3 ) ) =ρ1 E ( ut−2 ut−3 ) =ρ1 E ( ( ρ1 ut−3 + ε t−2 ) ut−3 )

E ( ut −1 ut −3 )=ρ21 σ 2u

Evaluando

ρ1 E ( ut −1 ut −3 ) + E ( ε t ut −3 ) 2
ρ1 ρ1 σ u +0
2 3
ρ1 σ u
2
r3 = 2
= 2
= 2
= ρ31
σ u σ u σ u
AR2

ut =ρ1 ut−1 + ρ 2 ut −2 + ε t

Primer paso, propiedades

E(u t )=ρ1 E(ut −1)+ ρ2 E(ut −2)+ E(ε t )

Si se cumplen que el valor esperado de la perturbación es igual a cero, y el épsilon es ruido
blanco. Entonces,

E(u t )=0
Segundo paso, varianza

var ( u t ) =E ( ut ) ( u t )= E ( u2t ) =E ( ρ1 u t−1+ ρ2 u t−2 +ε t )

2

var ( u t ) =ρ21 E ( u2t−1 ) +2 ρ1 ρ2 E ( u t−1 u t−2 ) + ρ22 E ( u2t −2) +2 ρ1 E ( ut −1 ε t ) +2 ρ2 ( ut−2 ε t ) + E( ε 2t )

var ( u t ) =σ 2u =ρ21 σ 2u +2 ρ1 ρ2 E ( ut−1 ut −2 ) + ρ22 σ 2u+ σ 2e

(1−ρ21−ρ22 ) σ 2u=2 ρ1 ρ2 E ( ut −1 ut −2 ) +σ 2e
1
( 2 ρ1 ρ2 E ( ut−1 ut −2 ) + σ e )
2 2
σ u=
( 1−ρ 2
1 −ρ
2
2 )
Las covarianzas serán

cov ( ut u t−s ) =E(ut u t−s )=ρ1 E(u t−1 u t−s )+ ρ2 E (ut −2 ut −s)+ E (ε t u t−s )

El coeficiente de la función de autocorrelación simple

cov (ut u t−s ) cov (ut ut −s )

r s= =
√ var (ut ) √ var (u t−s ) σ 2u

Si s=0

cov (ut ut ) cov (u t ut )

r0 = = =1
√ var (ut ) √ var (ut ) σu
2

Si s=1

cov (ut ut −1 ) cov (ut ut −1) ρ1 E (ut −1 ut −1 )+ ρ2 E (ut −2 ut −1)+ E(ε t ut −1 )

r 1= = =
√ var (ut ) √ var (ut −1) σ
2
u
2
σu
2
ρ1 σ u + ρ2 E ( ut −2 ut −1)
r 1=
σ 2u
Donde

E ( ut −2 ut −1 )=cov ( ut −1 ut −2 )

Entonces

cov ( ut −1 ut −2 )
r 1=
σ 2u

Queda
2
cov ( ut −1 ut −2 )=E ( ut −2 u t−1 )=σ u r 1

Evaluando
2
ρ1 σ u + ρ2 E ( ut −2 ut −1) 2 2
ρ1 σ u + ρ2 σ u r 1
r 1= 2
= 2
σu σu

r 1= ρ 1 + ρ 2 r 1

ρ1
r 1=
1− ρ2
Si s=2

cov (ut ut −2) cov (ut ut −2) ρ1 E (ut −1 ut −2)+ ρ2 E(ut −2 ut −2)+ E(ε t ut −2)
r 2= = =
√ var (ut ) √ var (ut −2) σ 2
u σ 2u

2 2
ρ1 σ u r 1 + ρ2 σ u +0
r 2= 2
σu

ρ1
r 2= ρ1 r 1 + ρ2 =ρ1 +ρ
1−ρ2 2

Si s=3

cov (ut ut −3) cov (ut u t−3 ) ρ1 E(ut −1 ut −3)+ ρ2 E(u t−2 u t−3 )+ E (ε t u t−3 )
r3 = = =
√ var (ut ) √ var (ut −3) σ
2
u σu
2

( ) ( )
2 2
ρ1 σ u r 2 + ρ2 σ u r 1 ρ1 ρ1
r3 = =ρ1 r 2+ ρ2 r 1= ρ1 ρ1 + ρ2 + ρ 2
σ
2
u
1−ρ2 1−ρ2

T= r0 1
T=1 r1 ρ1
1−ρ2
T=2 r2 ρ1
ρ1 +ρ
1−ρ2 2
 ( ) ( )
T=3 r3 ρ1 ρ1
ρ 1 ρ1 + ρ2 + ρ2
1−ρ2 1−ρ2

AR 3

ut =ρ1 ut−1 + ρ2 ut −2 + ρ3 ut −3+ ε t

Primer paso, propiedades

E(u t )=ρ1 E(ut −1)+ ρ2 E(ut −2)+ ρ3 E(ut −3)+ E (ε t )

Si se cumplen que el valor esperado de la perturbación es igual a cero, y el épsilon es ruido
blanco. Entonces,

E(u t )=0
Segundo paso, varianza

var ( u t ) =E ( ut ) ( u t )= E ( u2t ) =E ( ρ1 u t−1+ ρ 2 u t−2 + ρ3 u t−3 +ε t )

2

Disgregando

( A+ B )2= A 2+2 AB+ B 2=( ρ1 u t−1 + ρ2 ut−2 )2 +2 ( ρ1 u t−1 + ρ2 ut−2 ) ( ρ3 ut−3 + ε t ) + ( ρ3 ut −3 +ε t )2

Reemplazando en la varianza
2 2
var ( u t ) =E( ( ρ1 ut −1+ ρ 2 ut −2) +2 ( ρ1 ut −1 + ρ2 ut −2) ( ρ3 ut −3+ ε t )+ ( ρ3 ut−3 + ε t ) )
2 2 2 2 2 2
var ( u t ) =E(ρ1 ut −1 +2 ρ1 u t−1 ρ2 ut −2+ ρ2 ut −2+ 2 ρ1 ut −1 ρ3 ut−3 +2 ρ1 u t−1 ε t +2 ρ2 ut−2 ρ3 u t−3 +2 ρ2 u t−2 ε t + ρ3 ut −3+

Si la varianza de la perturbación es constante y el valor esperado de la perturbación es cero,

entonces
2 2 2 2 2 2 2
var ( u t ) =ρ 1 σ u +2 ρ1 ρ2 E ( ut −1 ut −2 ) + ρ2 σ u+ 2 ρ1 ρ3 E ( ut−1 ut−3 ) +2 ρ2 ρ3 E ( u t−2 u t−3 ) + ρ3 σ u + σ e

Las covarianzas:

cov ( ut u t−s ) =E ( ut ut −s )= E(ρ 1 ut−1 + ρ2 ut−2 + ρ3 ut −3 + ε t )(ut −s)

cov ( ut u t−s ) =ρ1 E ( u t−1 u t−s ) + ρ2 E ( u t−2 u t−s ) + ρ3 E ( ut −3 u t−s ) + E (ε t u t−s )

Primero, la función de autocorrelación simple

 cov (ut u t−s ) cov (ut ut −s )
r s= =
√ var (ut ) √ var (u t−s ) σ 2u

Si s=0

cov (ut u t ) σ 2u
r s=0= = =1
√ var (ut ) √ var (u t ) σ 2u

Si s=1

cov (ut ut −1 ) cov (ut ut −1)

r 1= =
√ var (ut ) √ var (ut −1) σu
2

( ρ1 E ( ut −1 ut −1 ) + ρ2 E ( u t−2 u t−1 ) + ρ3 E(ut −3 u t−1)+ E (ε t u t−s ))

r 1= 2
σu

E ( ut −3 ut −1 )=E ¿

E ( ut −3 ut −1 )=ρ1 E ( ut −3 ut −2 ) + ρ2 E ( u2t−3 ) + ρ3 E ( u t−3 u t−4 )+ E(ut −3 ε t−1 )

2 2 2
E ( ut −3 ut −1 )=ρ1 r 1 σ u + ρ2 σ u + ρ3 r 1 σ u

Volviendo
2 2 2 2 2 2
ρ1 σ u + ρ2 σ u r 1 + ρ 3 ρ 1 r 1 σ u + ρ3 ρ2 σ u + ρ3 r 1 σ u
r 1= 2
σu

(1−ρ2−ρ3 ρ1− ρ23) r 1=ρ1 + ρ3 ρ2

ρ1 + ρ3 ρ2
r 1=
(1−ρ2−ρ3 ρ1− ρ23)

Si s=2

cov (ut ut −1 ) cov (ut ut −1)

r 1= =
√ var (ut ) √ var (ut −1) σu
2

( ρ1 E ( ut −1 ut −2 ) + ρ2 E ( u t−2 ut−2 ) + ρ3 E(u t−3 u t−2 )+ E (εt u t−2 ))

r 2= 2
σu
2 2 2
ρ1 σ u r 1 + ρ2 σ u + ρ3 σ u r 1
r 2= 2
σu

r 2= ρ 1
( ρ 1+ ρ 2
( 1−ρ1−ρ3 ) )
+ ρ2 + ρ3
ρ1 + ρ2
( 1−ρ1 −ρ3 ) ( )
ARMA (1,1)
 ut =ρ0 + ρ 1 ut −1 + ε t +θ ε t−1

Su valor esperado

E ( ut )=ρ 0+ ρ1 E ( ut −1 ) + E ( ε t ) +θE ( ε t −1 )

Si se cumple el supuesto

E ( ut )=0

ρ 0 + ρ1 E ( ut −1) + E ( ε t )+ θE ( ε t −1 ) =0

ρ0 =0

Su varianza

var ( u t ) =E (u2t ) =E ( ρ1 u t−1 +ε t +θ ε t −1)

2

var ( u t ) =ρ21 E ( u2t−1 ) + E ( ε 2t ) +θ 2 E ( ε 2t−1 ) + 2 ρ1 E ( ut −1 ε t ) +2 ρ1 θ E ( ut −1 ε t−1 ) +2 θ E(ε t ε t −1)

Comprobando:

E ( ut −1 ε t ) =E ( ρ1 u t−2 +ε t −1+θ ε t −2 ) ε t=0

E ( ut −1 ε t−1 )=E ( ρ1 ut −2+ ε t −1+θ ε t−2 ) ε t −1=ρ 1 E ( ut−2 ε t −1) + E ( ε 2t −1 ) +θE( ε t−2 ε t −1)

E ( ut −1 ε t−1 )=E ( ε 2t −1) =σ 2e

var ( u t ) =σ 2u =ρ21 σ 2u +σ 2e +θ2 σ 2e +2 ρ1 θ σ 2e

(1−ρ21 ) σ 2u =σ 2e (1+θ2 +2 ρ1 θ)
σ e ( 1+θ +2 ρ1 θ )
2 2
2
σ =
u
(1−ρ21 )

FUNCIÓN DE AUTOCORRELACIÓN SIMPLE

cov ( ut u t−s ) =r s σ 2u

Como el valor esperado de la perturbación es cero

E ( ut u t−s ) =r s σ 2u

E ( ( ρ1 ut −1+ ε t +θ ε t−1 ) ut −s )=r s σ 2u

ρ1 E ( ut−1 ut −s ) + E ( ε t u t−s ) +θE ( ε t−1 ut −s )=r s σ 2u

S=1
2
ρ1 E ( ut−1 ut −1 ) + E ( ε t ut −1) + θE ( ε t −1 ut −1 ) =r 1 σ u

ρ1 σ u +θE ( ε t−1 ( ρ1 u t−2 +ε t −1+θ ε t −2 ) ) =r 1 σ u

2 2
 2 2 2
ρ 1 σ u +θ σ e =r 1 σ u

σ e ( 1+ θ + 2 ρ1 θ ) σ e ( 1+θ +2 ρ1 θ )
2 2 2 2

ρ1 +θ σ 2e =r 1
(1−ρ21 ) (1− ρ21)
ρ1 ( 1+ θ2+ 2 ρ1 θ ) r 1 ( 1+θ 2+ 2 ρ1 θ )
+θ=
(1−ρ21 ) (1−ρ21 )
ρ1 ( 1+ θ + 2 ρ1 θ ) +θ ( 1−ρ1 ) r 1 ( 1+θ +2 ρ1 θ )
2 2 2

=
( 1−ρ12) (1−ρ 21)
ρ1 ( 1+θ +2 ρ1 θ ) +θ ( 1−ρ1 )=r 1 ( 1+θ +2 ρ 1 θ )
2 2 2

ρ1 ( 1+θ2 +2 ρ1 θ ) +θ ( 1−ρ21 ) 2 2
ρ1+ ρ 1 θ +2 ρ1 θ+θ−θ ρ1
2

r 1= =
( 1+θ2 +2 ρ1 θ ) ( 1+ θ2 +2 ρ1 θ )
ρ1 + ρ1 θ2 + ρ21 θ+ θ
r 1=
( 1+ θ2 +2 ρ1 θ )
Si

ρ1 E ( ut−1 ut −s ) + E ( ε t u t−s ) +θE ( ε t−1 ut −s )=r s σ 2u

S=2
2
ρ1 E ( ut−1 ut −2 ) + E ( ε t ut −2) + θ E ( ε t −1 ut −2) =r 2 σ u
2 2
ρ1 r 1 σ u=r 2 σ u
ρ1 r 1=r 2

S=3

ρ1 E ( ut−1 ut −3 ) + E ( ε t ut −3 ) +θ E ( ε t −1 ut −3 )=r 3 σ 2u

ρ 1 r 2 σ 2u=r 3 σ 2u
ρ1 r 2=r 3

S=4

ρ1 r 3=r 4

S=5

ρ1 r 4 =r 5
ARMA (1,1)

ut =ρ1 ut−1 +ε t +θ ε t −1

Su valor esperado

E ( ut )=ρ1 E ( ut −1) + E ( ε t ) +θE ( ε t −1)

Si se cumple el supuesto

E ( ut )=0

Su varianza

var ( u t ) =E (u2t ) =E ( ρ1 u t−1 +ε t +θ ε t −1)

2

var ( u t ) =ρ21 E ( u2t−1 ) + E ( ε 2t ) +θ 2 E ( ε 2t−1 ) + 2 ρ1 E ( ut −1 ε t ) +2 ρ1 θ E ( ut −1 ε t−1 ) +2 θ E(ε t ε t −1)

Comprobando:

E ( ut −1 ε t ) =E ( ρ1 u t−2 +ε t −1+θ ε t −2 ) ε t=0

E ( ut −1 ε t−1 )=E ( ρ1 ut −2+ ε t −1+θ ε t−2 ) ε t −1=ρ 1 E ( ut−2 ε t −1) + E ( ε 2t −1 ) +θE( ε t−2 ε t −1)

E ( ut −1 ε t−1 )=E ( ε 2t −1) =σ 2e

var ( u t ) =σ 2u =ρ21 σ 2u +σ 2e +θ2 σ 2e +2 ρ1 θ σ 2e

(1−ρ21 ) σ 2u =σ 2e (1+θ2 +2 ρ1 θ)
σ e ( 1+θ +2 ρ1 θ )
2 2
2
σ =u
(1−ρ21 )

FUNCIÓN DE AUTOCORRELACIÓN SIMPLE

cov ( ut u t−s ) =r s σ 2u

Como el valor esperado de la perturbación es cero

2
E ( ut u t−s ) =r s σ u

E ( ( ρ1 ut −1+ ε t +θ ε t−1 ) ut −s )=r s σ 2u

ρ1 E ( ut−1 ut −s ) + E ( ε t u t−s ) +θE ( ε t−1 ut −s )=r s σ 2u

S=1

ρ1 E ( ut−1 ut −1 ) + E ( ε t ut −1) + θE ( ε t −1 ut −1 ) =r 1 σ 2u

ρ1 σ 2u +θE ( ε t−1 ( ρ1 u t−2 +ε t −1+θ ε t −2 ) ) =r 1 σ 2u

2 2 2
ρ1 σ u +θ σ e =r 1 σ u
 σ 2e ( 1+ θ2+ 2 ρ1 θ ) 2
σ 2e ( 1+θ 2+2 ρ1 θ )
ρ1 +θ σ =r 1e
(1−ρ21 ) (1− ρ21)
ρ1 ( 1+ θ2+ 2 ρ1 θ ) r 1 ( 1+θ 2+ 2 ρ1 θ )
+θ=
(1−ρ21 ) (1−ρ21 )
ρ1 ( 1+ θ + 2 ρ1 θ ) +θ ( 1−ρ1 ) r 1 ( 1+θ +2 ρ1 θ )
2 2 2

=
( 1−ρ12) (1−ρ 21)
ρ1 ( 1+θ2 +2 ρ1 θ ) +θ ( 1−ρ21 )=r 1 ( 1+θ 2+2 ρ 1 θ )

ρ1 ( 1+θ +2 ρ1 θ ) +θ ( 1−ρ1 )
2 2
ρ1+ ρ 1 θ2 +2 ρ21 θ+θ−θ ρ21
r 1= =
( 1+θ2 +2 ρ1 θ ) ( 1+ θ2 +2 ρ1 θ )
2 2
ρ1 + ρ1 θ + ρ1 θ+ θ
r 1=
( 1+ θ2 +2 ρ1 θ )
Si

ρ1 E ( ut−1 ut −s ) + E ( ε t u t−s ) +θE ( ε t−1 ut −s )=r s σ 2u

S=2
2
ρ1 E ( ut−1 ut −2 ) + E ( ε t ut −2) + θ E ( ε t −1 ut −2) =r 2 σ u

ρ1 r 1 σ 2u=r 2 σ 2u
ρ1 r 1=r 2

S=3

ρ1 E ( ut−1 ut −3 ) + E ( ε t ut −3 ) +θ E ( ε t −1 ut −3 )=r 3 σ 2u

ρ 1 r 2 σ 2u=r 3 σ 2u
ρ1 r 2=r 3

Proceso estacional

ut =ρ1 ut− 4+ ε t

Comprobando

E ( ut )=ρ1 E ( ut −4 ) + E( ε t )

Dado que se cumple el supuesto de valor esperado de la perturbación

 E ( ut )=0

La varianza será

var ( u t ) =E ( ρ1 u t−4 + ε t ) =ρ21 E ( u2t− 4 ) + E( ε 2t )

2

2 2 2 2
σ u=ρ 1 σ u +σ e
2
2 σe
σ = u 2
1−ρ1

Comparando procesos iterativos entre un ar1 y un ar(4) estacional

ut =ρ ut −1 + ε t

Iterar, rezago un periodo e incorporo al planteamiento del ar1

ut −1=ρ ut−2 + ε t−1

Lo incorporo

ut =ρ ( ρ ut −2 ) + ρ ε t−1 +ε t

Iterando

ut −2=ρ ut −3 + ε t−2

evaluó
3 2
ut =ρ ut −3 + ρ ε t−2 + ρ ε t −1 + ε t

Generalizando
n
ut =ρ j ut − j + ∑ ρi ε t−i
i=0

Cuando un proceso estacional, se tiene el siguiente proceso iterativo

ut =ρ ut −4 +ε t

Iteras, pero cada cuatro periodos,

ut −4= ρu t−8 +ε t −4

Evaluando

ut =ρ2 ut−8 + ρ ε t−4 + ε t

Iteran, otros cuatro periodos

ut −8=ρ ut −12+ε t−8

Evaluando
2
ut =ρ ( ρ ut−12 +ε t −8 ) + ρ ε t −4 + ε t
3 2
ut =ρ ut −12 + ρ ε t −8+ ρ ε t− 4 +ε t
De manera general
n
ut =ρ j ut −4 j+ ∑ ρi ε t −4 i
i=0

Los procesos iterativos son

Ar(1) Ar(4) estacional

n n
La forma general
ut =ρ j ut − j + ∑ ρi ε t−i ut =ρ j ut −4 j+ ∑ ρi ε t −4 i
i=0 i=0

n n
Si me piden la matriz omega
ut =∑ ρi ε t −i ut =∑ ρi ε t −4 i
i=0 i=0

La matriz de varianzas y covarianzas de un proceso autoregresivo de orden uno, donde rho en

valor absoluto es menor a uno, será igual a

2 σ 2e
var ( u t ) =σ = u
1− ρ2
Y la varianza de un proceso estacional
2
2 σe
σ =u 2
1−ρ
Debemos recordar que ambos tienen el mismo valor esperado, y tienen la misma forma en la
varianza.

Analizando las covarianzas : objetivo es construir la matriz de varianzas y covarianzas de la

perturbación en presencia de ar1

 c ov ( ut ut −1 ) =E ( ut ut −1 )=E ( ( ρu t−1 +ε t ) ut−1 ) =ρ E ( u2t −1 ) =ρ σ 2u

c ov ( ut ut −2) =E ( ut ut −2 )=E ( ( ρu t−1 +ε t ) ut−2 ) =ρ E ( ut−1 ut −2 ) =ρ σ u
2 2


cov ( ut u t−3 )=E ( u t ut −3 ) =E ( ( ρ ut −1+ ε t ) ut −3 )= ρ E ( u t−1 u t−3 )

E ( ut −1 ut −3 )=E ( ( ρu t−2 +ε t −1 ) u t−3 ) =ρ E ( ut−2 ut−3 ) =ρρ σ 2u=ρ2 σ 2u

3 2
 c ov ( ut ut −3 ) =ρ σ u
 Forma generalizada c ov ( ut ut −s )= ρs σ 2u

La matriz de varianzas y covarianzas de la perturbación en presencia de estacionalidad

 c ov ( ut ut −1 ) =E ( ut ut −1 )=E ( ( ρu t−4 + ε t ) ut −1 )= ρE ( u t−4 ut −1) =0

 c ov ( ut ut −2) =E ( ut ut −2 )=E ( ( ρu t−4 + ε t ) ut −2 )= ρE ( u t−4 ut −2 )=0
 c ov ( ut ut −3 ) =E ( ut u t−3 )=E ( ( ρ ut− 4+ ε t ) u t−3 ) =ρE ( ut− 4 u t−3 )=0
c ov ( ut ut −4 )=E ( ut ut −4 )=E ( ( ρ ut−4 + ε t ) u t−4 ) =ρE ( ut −4 ut −4 )= ρσ u
2

 c ov ( ut ut −5 ) =0
  c ov ( ut ut −6 )=0
 c ov ( ut ut −7 )=0
 c ov ( ut ut −8 )=E ( ut u t−8 ) =E ( ( ρ ut −4 +ε t ) ut−8 ) =ρE ( ut −4 ut−8 ) =0
E ( ut −4 ut −8 ) =E ( ( ρut −8 +ε t −4 ) ut −8 )= ρ E ( u 2t−8 ) =ρ σ 2u
 c ov ( ut ut −8 )=ρE ( ut −4 ut −8 ) =ρ ρ σ 2u= ρ2 σ 2u

La FAS del proceso estacional

cov ( ut u t−s ) =E ( ρ1 u t−4 + ε t ) ( u t−s ) =ρ1 E ( u t−4 ut −s ) + E (ε t ut −s )

Si s=1

cov ( ut u t−1 )=E ( ρ1 ut −4 +ε t ) ( ut −1) =ρ1 E ( ut−4 ut −1 ) + E(ε t ut −1 )

cov ( ut u t−1 )=ρ 1 E ( ut −4 ut−1 ) =0

r 1=0

Si s=2

cov ( ut u t−2 )=E ( ρ 1 ut −4 +ε t ) ( ut −2) =ρ1 E ( ut− 4 u t−2 ) + E(ε t ut −2)

cov ( ut u t−2 )= ρ1 E ( ut −4 ut−2 ) =0

r 2=0

Si s=3

cov ( ut u t−3 )=E ( ρ1 ut −4 + ε t ) ( ut −3 )=ρ1 E ( ut −4 u t−3 ) + E( ε t ut −3)

cov ( ut u t−2 )= ρ1 E ( ut −4 ut−3 ) =0

r 3 =0

Si s=4

cov ( ut u t−4 ) =E ( ρ1 ut−4 + ε t )( u t−4 )=ρ1 E ( ut −4 u t−4 )+ E ( ε t ut −3 )= ρ1 σ 2u

r 4=ρ1

Si s=5

cov ( ut u t−5 )=E ( ρ1 ut −4 + ε t ) ( ut −5 )=ρ1 E ( ut −4 u t−5 ) + E( ε t ut −5)

cov ( ut u t−2 )= ρ1 E ( ut −4 ut−5 ) =0

r 5 =0

Si s=8

cov ( ut u t−8 )=E ( ρ1 ut −4 + ε t ) ( ut −8 )= ρ 1 E ( ut −4 ut−8 ) + E (ε t u t−8 )

E ( ut −4 ut −8 ) =E ( ( ρ1 ut −8+ ε t −4 ) ut −8) =ρ1 σ u
2

2 2
cov ( ut u t−8 )= ρ1 σ u

r 5 =ρ21