Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Principios de Procesos Estocasticos
Principios de Procesos Estocasticos
(^) =jaI
A
sin perder generalidad supondremos que la [ 18) fuera:
^ l , =(^ 2+^ 2^ r r <n
^( )
n
^ (!^, 2 +ak )
k=I
^ (^,2 +ock)
k=I
[ 17]
[ 18^)
En este caso la caracterstica espectral [ 13] habr que modificarla de acuerdo con la
[ 18] y se sustituirn los trminos de la [ 13] por sus modificados
r
^
j=1
(t^t,
+Rj) --^ (^2 +^2)r [ 19 a]
r
^^ ^^.i ` ah) ^ (^ - h)r
j=I
[ 19 b)
(h=1,2,... ,
128
ESTADISTICA ESNAQL,A
La caracterstica espectral desarrollada [ lb] se convierte
A k_ i(i^ l,t- i
^_,
^(^) _ [20]
(P +i^).
Segn [ 18'] el numerador de [20] ser de grado superior al del denominador. Divi-
dienda y descomponiendo el resto en fracciones simples, podremos escribir la [20] as
r
^(^l, ^ =B+B(1^ 1. ) -^- . . . +B 1 ^ t ,
)w-r - ^ + Cj
0 1 ^-r-1 ( ^ [20']
j,^^ ([i + i^,)J
Las constantes Bh, C f no dependen de (i^) y se determinan las primeras par simple
divisin y las segundas por cualquiera de los rn^todos usuales de descomposicin en
fracciones simples.
En consecuencia, multiplicando la [2(1'] por e^^^d^(^,) e integrando en R, tenemos que
la mejor frmula de extrapolacin lineal para procesos estacionarios con f. de d.
espectral [ 18'] recordando las [8] y[ 10] del apndice
^
^(t + m) - Bp^^t) -
^ - B^ ^ '(t ) -^ ... + B1 e- r- 1 ^ , ^ ^ - r^ ^ (t )
+
r
^
; _ ^
e "^uj- ^^ (t - u )du [21 ]
Esta frmula utiliza los valores del proceso y de sus (n - r- 1) derivadas en el
momento t; y r integrales sirnples (parecidas a las integrales gamma) sobre toda la
'hi'storia pasada 23.
3.a Finalmente, es innecesario advertir que para aplicar probabilidades y conocer el
grado de precisin de la prediccin completaremos ias frmulas con la varianza residual
que sabemos es
Q^ ^ B(0) - ^^U(^)^^f(^)d^
[22]
_^
La dificultad del clculo de la [22] se simplifica por las propiedades de las variables
complejas, utilizando el teorerna de residuos de Cauchy.
^o
23`Obsrvese que si r= 4 desaparecen las integrales y nos queda una expresin semejante a la
[8] desarrollada de la seccin anterior.
TEORIA DE LA P'REDICCION DE lAS PROCESOS EST^CASTICOS ESTACINARIOS 1Z9
10. EXTRAPOLACION LINEAL DE LOS PROCESOS NO ESTACIONARIOS
10.1. Expondremos algunas ideas para la prediccin de los procesos evolutivos, ya
que nuestro trabajo se ha ceido exclusivamente a los procesos estocsticos de tip^a
estacionario.
En estos procesos estacionarios las funciones de covarianza definidas por las frmu-
las [S a] y[S b] del apndice son funciones exclusivamente de a difcrencia de tiempos;
y si se conoce su forma y puede determinarse la transforrnada de Fourier se conoce r la
funcn de densidad espectral asociada al proceso. Si 1a funcin de densidad espectral
coincidiese con alguno de los tipos de funciones de densidad espectral estudiada.s,
obtendremos los predictores lineales ptimos.
10.2. Un caso particularmente interesante y en los procesos estocsticos de par-
metro t continuo es cuando la funcin de covarianza es una funcin analitica. En este
caso el proceso estocstico continuo cuadrtico es predecible exactamente y por medio
de un desarrollo de Taylor del proceso en el tiempo t, para determinar en el t+m
(m >; 0); es decir: se precisa el conocimiento de todas las derivadas m.c . del proceso
en el punto t y evidentemente, aunque tericamente pudiera calcularse, pr^esenta
dific ultades prcticas.
10.3. En los procesos evolutivos, caracterizados por modif car la esperanza rnate-
mtica o la ley de probabilidad con el tiernpo, puede plantearse a veces problemas de
descomponerse el proceso en una componente sistemtica g(t) que depende del tiempo
y en un proceso estocstico [^ (t), t E z] dbilmente estacionario, cuya esperanza
matemtica es constante (transformndose en esperanza nula) y la ley de probabilidad
es independiente con una traslacin del tiempa.
Es natural que esta descomposicin del proceso evolutivo pueda escribirse
^(t) = g(t) + ^(t)
{t E Z}
[1^
No es tan sencillo descomponer los procesos en la componente funcional sistemtica
g(t) y el prooeso ^(t). Del proceso r^ (t ) tenemos una realizacin que es una serie
cronolgica muestral y por un tratamiento especial de ciertas operaciones efectuadas,
denominado ^filtrado, obtenemos otra serie que goza de propiedades, pero que se ha
eliminado la componente sistemtica y nos permite estudiar el espectro de esta nueva
serie filtrada o la de la serie residual.
Si conocisemos g(t) (o lo estirnramos por arjuste), lo eliminaramos del proceso
r^ {t) y obtendriar^nos estimaciones de los errores residuales ^(t}; estimaremos las fun-
ciones de covarianza y tambin estimaremos el espectro, y si ste perteneciese a uno de
13O ESTADtSTiCA ESPA()LA
los tipos indicadas la prediccin del proceso en el tiempo t+mpodra descamponerse
en dos:
1.
La componente sistemtica funcional conocida o estimada de los datos en el
tiempo t +m, es decir, R(t +rn^; y
A
2. La extrapolacin del proceso residual estacionario ^(t +m).
10.4. El anlisis de los espectros de las series original y residual nos informa sobre
las componentes frecuenciales de mayor importancia en ambas series y puede inferirse
que en la serie original exista una gran tendencia, variaciones estacionales o cclicas,
etctera, y tambin si el espectro de la componente residual ste fuere originado por un
praceso purame nte al eatorio, de med ias mviles, autorregresivo, etc ., en cuyo caso
tendremos un mtodo analtico para conocer mejor la forma de prediccin del proceso
evolutivo.
E1 conocimiento del espectro en puntos aislados, por ejemplo: ^ . = U si la f. de d.
espectral fuese muy grande, nos informa de la tendencia; y si fuese en otros puntos
podra indicarnos existencia de componentes estacionales o ciclicas y que nos informan
sobre la naturaleza intnseca y de las componentes frecuenciales ms importantes y
que influyen en las varianzas; en consecuencia: considerar los armnicos precisos
y ajustar sus cceficientes.
10.5.
En los casos sencillos puede plantearse la hiptesis que el proceso evolutivo
sea de la forma
^(t) = x(t) +E^ t E Z (2]
siendo Er un proceso puramente aleatorio y con las caractersticas conocidas en Econo-
metra
EE,=O EEi =a2 tltEZ
( 3 ]
EE,a=0 tlt, sEZ
t $ s
y g(t) un polinomio de grado desconocido.
De las hiptesis deducimos
E^(t ) = S (t) +
EE^ = g (t) [4]
Este proceso, aunque sea evolutivo en media, es estacionario en funcin de cova-
rianza porque
B(t - s) = E(^(t) - g(t)[^(s) - S(s)])
= EE, E, = o t# o [ S ]
t - s
TEORIA DE LA PREDICCION DE LOS PRQCESUS EST(lCASTICOS ESTACIONAR105 131
es decir, la f. de covarianza depende de la diferencia de tiempos. Este hecho nos
permite tomar diferencias finitas en !a [ 2] :
dk^(t) -^ L^kg(t) +L^^ kEr =L^^ kE,
por cuantog(t ) es un polinomo de gradok- 1, segn hiptesis, aunque el grado sea
desconocido.
E n consec uencia:
Eek^(t) -- Et1kE, - 0
La media muestral de la diferencia k de la serie cronaltgica ser aproximadamente
cero. `
La varianza de la diferencia del proceso es
^[d^`^(t)^ -- ti'(DkE^)
^
2 k 2
k o^
Las varianzas muesirales de las diferencias sucesivas
^^(t ), e2^tt), ^3^(t),
...,
^k^(t), ..., Ok'^(t)
las dividiremos por los coeficientes
C 1 I . 1 2J. ( 3^ , . . . ,
( k) . . . . ,
/ \ /
r 2 k 1
t k ' J
Si la estimacin de la varianza a^ en las rnuestras de estas diferencias sucesivas
aproxirnadamente es constante a partir de la diferencia k, entonces puede afirrnarse que
el grado del polinomio es del orden k-- 1. Examinados los espectros de las diferencias
finitas sucesivas formadas si Ilegamos .a uno, el de la diferencia k-- 1 que sea prcti-
camente constante el espectro, entonces el proceso puede ser de la forma [2].
En este caso, ajustaremos un polinurnio de grado k- 1 a la serie cronolgica
observada correspondiente al proceso [2] y determinados los coeficientes del ajuste, la
prediccin ptima ser
^
^ (t +m) ^ -^; (t +m)
no influyendo para nada los vaiares de Er po^ r su incorrelacin con el pasado.
10.6. Las diferencias finitas san ^filtros y el m^toda de otros flltros se emplea
para reducir las series a procesos de tipo estacionario, que han sido los ms estudiados.
Un flltrolineal es un conjunto de operaciones realizadas en una serie para obtener
otra que rena ciertas condicianes: carezca de tendencia, de estacionaldad, etc.
1 ^? ESTADISTfCA ^SPAOLA
Existen numerosos ^Itros. Indicaremos el de Parzen 24, Granger ^s, Fischman 26, etc.
Parzen utiliza un filtro de tipo de proceso autorregresivo cuyos parmetros los ajusta
y suprime aqueltos trminos cuyos coeficientes no son significativos.
De la serie original elimina ia serie a,^ ustada y obtiene una serie residual y estudia los
espectros de la original y de la serie residual. Su idea es continuar el m^todo hasta
w
encontrar una serie residual ^(t), cuyo espectro prcticamente es constante y corr^es-
ponda al proceso de perturbacin aleatoria. Entonces se ha encontrado et proceso
ajustado y para la prediccin utiliza una serie de tipo autorregresivo con los parmetros
estimados y que son significativos y no han sido eliminados.
^
1~inalrnente sugerimos el empleo para vatores residuales ^{t) de la prueba de
Durbin-Watson, que nos permite conocer si la serie residual est incorrelacionada o no y
en el prirner caso el espectro de esta serie residual ser aproximadamente constante.
APENDICE
Il. REPRESENTACIONES ESPECTRALES
l 1.1. REPRESENTACIbN ESPECTRAL DE UN PROCESOESTACIONARIO
E1 fundamento del anlisis espectral se basa en el hecho de que todo proceso
estocstico estacionario {^(t), t E T} (siendo ^(t } una variable aleatoria para un valor
fijo de t) puede descomponerse en oscilaciones sinusoidales aleatorias de frecuencias
diferentes y cuyas amplitudes estocsticas elementales son mutuamente ortogonales.
Concretando, la representacin converge en media cuadrtica
z
^(t) =
e^^.r^(^} ^1 ^
A
EI conjunto {^, E^. } puede ser (--n,+n ) si t E
Z, siendo Z el conj unto de los
24 E.
Parcen: The Rule of Spectral Analysis in Time Series Analyssis^ . Review of the
Internationol Statistical Institute, vol. 3S, 2, 12S a 141, 1%7.
2s
Granger and Hatanaka: Spectral Analysis of Economic Time Series. Princetown University
Press, 1964.
(Vase mi tesis, pg. 125, que rectifico el de este autor por no cumplir las condiciones
prec isas. )
2^ Fischman, G. S,: Spectra! Methods in Econometries. Hardvard, University Press, 19b9.
TE4RIA DE LA PREDICCIUN DE LUS PRUCESOS EST4CASTICOS ESTACIONARIOS 1^3
nmeros enteros; y si t E
R{^. E R} . Las amplitudes aleatorias del parmetro ^,
(denominado frecuencia) son d; (^.) y goza de las propiedades
Ed;(^) = 0
E^d;(^,)^2 =dF(h) =f(^,)d^
__._._..
Ed^ (^ }d^ (k) = U k^ h'
donde el operador E representa la esperanza materntica.
AI proceso
[ 2 l
{;(^), a^ E n }
[3l
con las condiciones sealadas en (2] se le denomina proceso de incrementos ortogo-
nales.
La funcin F(^.) asociada al proceso [3] se la denomina funcin de distribucin
espectral y goza de las propiedades de ser montona, no decreciente y acotada cuando
la varianza del proceso [ l] sea finita. A la derivada, si exisie, de la funcin F(^ >-que
representamos por f(^.}- se denomina funcin de densidad espectral.
l^.2. REPRESENTACIN ESPECTRAL DE LA FUNCIN DE COVARIANZA
Es importante sealar que todo proceso estocstico estacionario [ 1] la funcin de
covarianza es una esperanza matemtica
E^(t +h)^(t) = B(h) [4]
donde ^(t) es el proceso conjugado y la funcin de covarianza B(h) depende de la
____
diferencia de tiempos. Si el proceso fuere real, ^(t) _^(t). Para mayor generalidad
expositiva supondremos el proceso sea de tipo complejo.
Por el teorema de Khinchine, la representacin espectral de la funcin de covarianza
de un proceso estacionario {^(t), t^ T} es semejante a la del proceso
x ,^
B(t) =
elr^d F(^^)
.- ^
e,^ rf^ ^ .)d^ . t E R [S a)
B(t) ' e^^rdF(^,) = e;^ rf(h,)d^ ,
t E Z [S b]
_ , ^ _ n
^ ^ ^ ESTAOISTICA ESPAOLA
La funcin de dens^dad espectral es la transformada de Fourier de la funcin de
covarianza y existir si y solamente si
^
_^ B
( r)
r < ^c
^ ^ a c ^ ^ ^ < ^
[ 6 a ]
[ 6 b ]
que garantiza la existencia de la derivada de la funcin de distribucin espectral F(^).
Las representaciones espectrales [S] son ms generales las frmulas cuando aparece
d F(^ ), pero
los casos prcticos que estudiaremos son cuando F(^. ) tenga funcin de
densidad espectral f(ti ).
11.3. REPRESENTACIN ESPECTRAL m. c. DE LAS DERIVADAS DE UN PROCESO
ESTOC^STICO [ 1]
E1 operador derivada D, aplicado sabre el proceso [ l^ si es estacionario, tiene por
representacin espectral
D (r) -- lm ^(t
+ h) - ^(^)
^ l^m
^ e1^`^r+h)
- er^^ d ^,
^ ^ ^ ( )
h- o h t i - o _^ h
^
f = .
r^P ^^^d^ ( ^ )
En consecuencia, aplicando el operador n veces sobre ^(t) tenemos:
. ^
^" (t) = D"^(t ) ?
( l^,)ne,^^d^ ( ^)
[8]
_x
11.$. REPRESENTACIbN ESPECTRAL DE
^ o
e l^uu"^ ( t - u)du ^ > : 0
0
dande ^(t) es un proceso estocstico estacionario.
TEORIA DE LA PREDICC IC1N DE LOS PROCESOS ESTOCASTICOS ESTACIONARIOS
13S
Primeramente deterrninaremos la representacin espectra! cuando n= 0. As, susti-
tuyendo ^(t) por su representacicn espectral [ lj cuando: A= R tenemos:
^
er^(l-k^d ; (^.) du -
_ ,^
^ ^
E, i^r ^, -- (^+i7^)^du
_x o
^p ^^.rt d^(?^)
_xR+i^,
x
^^;^rd^(t.
e-^y;(t -- u)du -
_ + t ^^
o ^a
Derivando con respecto a! parmetro a, n veces, tenemos:
^ e^^rd^ C^)
e ^^u^^(t - u)du = ^n
- ( +
^ h)"
[ 9)
[ 10]
No damos ms que unas breves nociones para cornprender nuestro arU`c ulo, prescin-
diendo de un rigor matemtico excesivo.
11.5. UTRAS REPRESENTACIONES ESPECTRALES
Representaciones espectrales de
r i_
e-^^^^(k t-- ^u^i ^^d u^
^ =I .la^
x
er^t(t' ^,}kd ; (^)
d;(^) =
^
I^ I (a^ +i ^ >
a;>:o
; > : o
frmula deducida en nuestra tesis, pg. 169.
11.6. FUNCIN DEDENSIDADESPECTRAL
Esta funcin de densidad f(^.) representa la contribucin a la varianza del proceso en
el intervalo infinitesirnal ^., ^. +d^. y en el campo de la frecuencia A, la varianza
infinitesimal en el _punto ^. es
.)
^
(h) d^,
I 36 ESTADISTICA ESPATriUI_A
Luego, en todo el campo de ^.(--^, +sc) si el proceso es de tipo discreto ( t E Z) o en
el eje real ^ E R s el proceso es de tipo continuo.
La funcin de densidad espectral es la transformada de 1~ourier de la funcin de
covarianta y es igual a:
1
2n ,J_ x,
P-;^r g(t)dt
^ E R
[ 12 a]
1
g(n )e - ; ^ ,M ti E(- n,-^- n)
[ 1 2 b)
x
M=-^J
debiendo cumplirse las condiciones indicadas en el nrnero 2 de este apnd ice (frmulas
6 a y 6 b) que garantizan la existencia de funcin de densidad espectral.
Si se trata de ia [ 11 aJ t E R y nos encontramos ante la pr+esencia de la funcin de
densidad espectral c^ue corresponde a un proceso esto^ cstico de parmetro t y^. E R.
En el caso [ 1 l b] se trata de un proceso de tipo discreto y n E Z.
BIBLIOGRAFIA
BLACMAN, R. B., y RUKEY, J. B.: The Measuren^ent of Power Spectra. Dover Publications. New
York, 1958.
Box, G. E. P., y JENKtNS, G. E. P.: Time Series Analysis for Casting and Control. Holden Day,
1970.
CRAMER, H.: Stationary and Related Stochastic Processes. John Wiley and Sons, 1%8.
Dooe, J. L.: Stochastic Processes, John Wiley and Sons, 6.a ed., 1967.
r
FERN^NDEZ TRONCON^z, A.: Probabilidades, Estadstica, Procesos Aleatorios. Estudios Grafos,
1975 .
GARCA V[LLALN, J.: Anlisis Espectral de Series Temporales en Economia^^ . Anales I. Actua-
rios, 1967.
HANNAN, E. J.: 111ultiple Time Series. John Wiley and Sons, 1970.
KOLMO(30ROV, A. N.: Sucesiones Estacionarias en los Espacios de Hilbert^^ . Traajos de Estads-
tica, 1959 (dos nmeros).
PARCEM, E.: The Rule of Spectral Analysis in Time Series Analysis^. Review of the International
Statistics Institute, vol. 3S, pgs. 125-143, 1967.
RuzANOv, Y.: Proeesos Aleatorios. Edit. Mir, Mosc, 1973.
TEORIA UE L.A F>REDICCIUN UE LOS NR(K'Etit)s EST(X ASTICOs ESTACIONARIOS {^7
SLULZKY, E.; The Summations of RandomCauses as the Source of the Ciclic Prc^cesses^.
Ecvnometrika, vol. S de 1937.
U RBELZ IB^RROLw, F. J.: Aplicac iones del espac iu de Hitbert a la estadstica . I N E, vol. 9i .
Junio, 1981.
w,EN>^R, NORBERT: Extrapc^lativn, Interplation and Smoothink r^f Static^nary Tirn^ S^ries. The
MIT Pres, Massachusett Institute of Tecnology, 3.^ ed. Cambridge, 1970.
WoLO, HERMANN, O. A.: Series Cronolgicas Esiacionarias^. 7'rabajos de Estadstica y Mono-
grafa , 19S 1.
YAGLOM, A. M.: An lntroduction to the Theory of Srationary. Random Fvnctions (traduccin
el ruso). Prentice-Hall, NewJersey, 1962.
SUMMARY
The theory of prediction may be studied either in the domain uf time by
constructing mathematical model or by spectral analysis in ihe frequency
domain.
Mathematical madeis are either deterrninistic or stochastic. Both have
been extensively studied but the stochastic moclel invulve difficult mathe-
matical techniques.
The election of a rnodel is very subjetive in the domain of time and it
is enough complicated but in domain af frequency when density spectral
function is known, then it is very easy encounter the linear formof the
prediction.
The subject is treated with a rigour and is divided into two parts when
the process stochastic is a discret parameter or a continous one.
The author studies the theory prediction of stochastics stationary pro-
cesses in the frequency dornain when the spectral density function of
type rational is known. He has developed xhe general and important form
of the spectral characteristics of extrapolation and their properties are
described in formof determinants.
A large number of exemples have been derived on a riguruus mather^na-
tical basis.
The econometrics models as moving adverage, autorregresive processes,
or Markov type, have the spectral density function anci if we knowfrmof
the spectral density the prediction of the future may be based upon the
knowledge of the past and the prediction wll be optimal.
ESTA[)ISTIC A ESNAOl..A
lt is very difficult the prediction of the future when the processes
st^chastics are of parameter continous. In these cases the formulas are
very difficult, ihe best linear prediction are derives or combinated with
integrals af the process, which is studied.
Key w^ords: Spectral analysis, stochastic processes, extrapolation or fore-
casting, Hilbert space.
AMS, 1970. Sub^ect classification: 62M20.