ESTADISTICA ESPAOLA

Nm. 98, 1983, pgs. 89 a 138

Teora de la prediccin de procesos estocsticos

estacionarios
por FRANCISCO JAVIER URBEL^ IBARROLA
Catedrtico de Estadfstica. Actuario
Universidad de Santander

RESU MEN
La teoria de la prediccin puede ser estudiada bien en el dominio dei
tiempo construyendo modelos maternticos, o bien por anlisis espectral en
el dominio de la frecuencia.
Los modelos matemt icos son determi nistas o estocsticos . Am bos han
sido extensarnente estudiados, pero el modelo estocstica entraa dificultades maternticas tcnicas.
La eleccin de un modelo es muy subjetiva en el dominio del tiempo y
es bastante complicado, pero en el dominio de la frecuencia, cuando la
funcin de densidad espectral es conocida, entonces es muy fcil encontrar
la forma lineal de la prediccin.
E1 trabajo es tratado con rigor y se divide en dos pdrtes cuando el proceso es de parmetro discreto o de parmetra continuo.
E1 autor estudia la prediccin terica de los procesos estocsticos estacionarios en el dominio de la frecuencia, cuandv se conoce la funcin de
densidad espectral de tipo racivnal. El ha desarrollado la forma general e
importante de las caracteristicas especirales de extrapolacin y sus propiedades se describen en forma de determinantes.

EST,aDlS^TIC,A k;SF'ANOt.A

Se han derivado un gran nmero de ejemplos sobre una base rigu^-atiamente matemtica.
Los modelos economtricos, como los procesos de promedios mviles,
autorregresivos, a de Markov, tienen funci^ de densidad espectral y si
canocemus la furma de est^a funcin de densidad, la prediccin del futuro
puede basarse sobre el conocimiento del pasado y la prediccin ser cptima.
Es muy difcl la prediccin del futuro cuando ios procesos estacsticos
san de parmetro continuo. En estos casos, las frmulas son complicadas,
y para la mejor prediccin lineal son derivadas a cornbinadas con integrales
del proceso que se estudia.
Palahrus rluve: Anlisis espectral, procesos estocsticos, extrapolacin o
prediccin, espacio de Hilbert.
NnTAC'iON ES U T[ L[ZADAS MAS 1 M PQRTAN TES

Conjunto paramtricotiempo . . . . . . . . . . . . . . . . . . . . . .
ldem de tiempo discreto ........ . ... .. ............
Idem de tiempo continuo . . . . . . . . . . . . . . . . . . . . . . . . . .
Proceso estocstico estacionario . . . . . . . . . . . . . .. . .. .
Proceso estocstico estacionario conjugado . . . . . . . . .
Covarianza estacionaria o tambin autocovarianza . ..
Covarianza mutua estacionaria de dos procesos {^(t),
i1(t), tE T} . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Varianza del proceso estrxstco estacionario representada por B(0} . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Simt^olos

S ign ific ado

{t}
{t}
{t}
"^
^(t )
B(h )

r E "T
tF Z
t ER
E`(t) = U
F.^,(t)=0
^(t + hl ^(t)

B^n(h)

^( t + hl ^1(t )

EI^(r)^^

l ^{t)l!
^

,
^^

Funcin de densidad espectral ('r, E R) . . .... . ... .. .

x_

g(t)e -,^.r dt

_x
- x_

Funcin de densidad espectral a. E ( --n , +n ) . . . . . . . .

f'(}. )

1
2n

^ g(n^-;r.n
^
n^ -x

Producto escalar o producto nterno del proceso

^(t + m) y del prceso ^(t), que cuincide con la fun-

cin de covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

[ ;(t + rn ), ^(t ))

^(t + m)^(t)

Observacin importante: E1 smbolo E es el utilizado en Estadstica para designar la

esperanza matemtica de una variable aleatc^ria.

1.

I N TROD UCC 1 ON
l.l.

EI presente trabajo est dedicado a conocer algunas de las aplicacianes del

Anlisis Espectral de las series temporales estacionarias.

"1'EORIA hE t_A NREDICCION DE L.C)S I'R(X'^:SUS EST^(K`AS^TICOs NsTA('IONAltlO^

y^

Brevemente, de manera simple y a la vez rigurosa, exponem^s la Teura de la

Extrapolacin (prediccin) ^uru ^^rc^c^svs ^stc^csticc^s c^stuc^ic^nuric^s.
Los fundamentos bsicos del desarrollo de esta teora se encuentran en la.s obr'as de
Wiener, Kolmogorov, Doob, Yaglom, Ruzanov, etc. , y exclusivamente ded ico el captulo Vlll de mi tesis doctoral ' al tema lnterpolacin, Extrapolacin y Filtra^je, deduciendo frmulas generales ptimas para extrapolar (o predecir) cuando se conoce el tipo
de funcin de densidad espectral segn sea el proceso estocstico de parmetro (tiempo)
discreto o continuo. Casos particulares de nuestras frmulas concuerdan con ejemplos
deducidos directamente por Wiener y Yaglorn.
1.2. En un pequeo apndice se exponen las representaciones espectrales de los
procesos estocsticos y las funciones de covarianza,
as como las frmula.s de las funcio,
nes de densidad espectral y que el lector interesado puede completar estos conocimientos
con la bibliografa expuesta al tinal de este artculo.
1.3.

Para comprender mejor los conceptos he credo conveniente la previa introd uc-

cin de unas breves ideas sobre extrapolacin, interpulacin y filtraje, completada.s con
ejemplos aclaratorios de tipo lineal estudiados en el dominio del tiempo. Estimo los
parmetros y deterrnino las varianzas residuales de los errores de los casos propuestos.
Estas consideraciones son el fundamento intuitivo para aplicar el Espacio estocstico
de Hilbert 2 con carcter general a la Teora de la Extrapolacin Lineal de los
procesos estocsticos de tipo estacionario y establecer las ecuaciunes espectrales lineales
que debe cumplir el predictor lineal ptimo.
La extrapolacin lineal est relacionada ntimamente con la caracteristica espectral de
la extrapolacin lineal y sta con la funcin de densidad del proceso estocstico.
1.4. Nuestro trabajo se centra en las predicciones de tipo lineal por las razones
siguientes: La primera, la sencillez de clculo. La segunda, ms cientfica, es que todo
proceso estocstico se considera como familia de variables aleatorias; y si la ley del
pruceso fuese normal, la esperanza de la componente a predecir en el tiempo t + m(m> ^0)
est condicionada por los valores del proceso en distintos momentos del tiempo
precedentes y la esperanza rnatemtica condicionada a estos valores que minimiza la
varianza residual es de tipo lineal y, adems, sigue la ley normal.
El pdrmetro t(tiempo) o{t ET} conjunto ndice asociado a un proceso estocstico {^(t), t E T} determina una clasificacin del proceso en discreto o continuu. Estos dos
1.5,

' Arrlisis esp^ctrul d^ t^rvc^sc^s ^stc^ccstic^c^s E^stucionuric^s. Tesis presentada en la Facultad de

Ciencias Econmicas y Empresariales de Bilbao en 1y77.
`' Ver mi trab^jo Aplicuciones d^! espucio de Hilbert u la ^stadsticu. iN E, 3.`'^ trimestre, 1981.

ESTADISTICA E.SF>AULA

92

casos son los que estudamos: generalmente, las observaciones experimentales se recogen
en datos equidistantes del tiempo o de manera continua.
A los procesos estocsticos de tipo discreto suelen denominarse suCesiones estacionarias 3, pero nosotros los denominaremos pracesos de parmetro discreto.
La distincin de los procesos estocsticos estacionarios de tipo discreto o continuo es
necesaria porque la metodologa y fas frmulas de extrapolacin difieren sustancialmente.
l.b. En el caso de tiempo discreto, para obtener la mejar frmula de exirapolacin
lineal aplico la geametra de Hilbert y sigo en gran parte a Yaglom, trasladando al campo
complejo las ecuaciones espectrales que debe cumplir la caracierstica espectral de la
extrapolacin. He deducido frmulas muy generales para la obtencin de esta caracterstica espectral de la extrapolacin y, en consecuencia, tambin para el predictor lineal
ptimo si las funciones de densidades espectrales son de alguno de los tpos e5tudiados.
1.7. Si se conociese la funcin de densidad espectral de un proceso estocstico
estacionario del tipo discreto {t E Z}, la prediccin [ineal p:ima puede ser:
a^ Uiilizar solamente n valores de la historia pasada no mejorando la estimacin de
la prediccin aunque se poseyera ms informacin ( procesos Markovianos).
b)

Utilizar toda la historia o parte de ella para predecir el valor en el tiempo t+ m

(m >^ 0) dependiendo de m y de la funcin de densidad espectral cuancio se precise

toda o parte de la informacin pasada.
c)

Utilizar siempre toda la historia pasada.

La funcin de densidad espectral se la supone racional en ^^^ porque los modelos

autorregresivos, de medias mviles y mixtos, tan utilizados en Econometria, sus densidades espectrales son racionales en e^^ .
Esto nos permite dedicar una atencin preferente a las funciories de densidad racionales en P'^ porque, en definitiva, si conocemos su forma, el proceso pertenecer a uno de
los modelos indicados.
1.8.

En el caso de parmetro t continuo, la mejor frrnula de prediccin lineal de

procesos estocsticos estacionarios se basa en la resolucin de la ecuacin integral de

Wiener-Hopf que, en el dominio de la frecuencia, traslada al campo complejo, nos da la.s
condiciones que deben reunir las funciones caracteristicas espectrales. Hemos deducido
frmulas muy interesantes generalizadas para referida funcin y, en consecuencia, para
3 Kolmogorov, A. N.: Sucesiones estacio ^rarias en los espacios de Hilbert. Tr'<abajos de Estadstica, 1959, dos nmeros.

TEORIA DE LA F'REDICCION DE LOS PROCESUS ESTOCASTICOS ESTACIONARIOS

93

expresiones analticas de extrapolaciones lineales^ cuando se conocen las funciones de

densidad espectrales de tipo racional.

Conviene sealar nuestra especial expresin de la caracteristica espectral en forma de

determinante y, en consecuencia, ta prediccin en el tiempo t+ m del proceso ^(t + m)
est relacionada con los parmetros de las funciones de densidad espectrales.
Estudiamos subcasos de procesos estocsticos estacionarios de parmetro continuo,
segn el tipo de funcin de densidad racional y nos dan frmulas de extrapolacin
lineales ptimas:
u)

Utiliza para predecir ^(t + m) (m >: 0) los valores que toma el proceso en el

punto t, n-1 procesos formados por los procesos de derivadas sucesivas que toman en el
punt^ t. ( Procesos c1e Markov generalizados.)
b)

Utiliza los valores que toma el proceso en el punto t y derivadas en el mismo

(igual que en el caso anterior) y, adems, con integrales del proceso combinadas exponenc ialmente.
Los mencionados predictores lineales son ptirnos y excusa decir la diferencia esencial existente en las frmulas de extrapolacin para procesos estocsticos estacionarios
de parmetro t discreto o cuando t sea continuo, porque en este caso, las frmulas son
muv compleias.
1.9. Para una mejor comprensin de la lectura de este artculo, aparte de la.s representaciones espectrales de procesos y de las funciones de covarianza, se precisa de los
conocimientos de los desarrollos en serie de Laurentz y el teorema de residuos de las
integrales de las funciones de variable compleja.
Las representaciones espectrales del proceso y de la funcin de covarianza, como
hemos indicado, se exponen sin demostracin en el apndice unido a este trabajo y se
exponen otras representaciones tiles 4 para la mejor comprensin del trabajo.
1.10. La funcin de densidad espectral f(^.) o su funcin de distribucin permite
conocer la estructura del proceso y F(^.) nos indica la contribucin a la varianza total del
,^
^
proceso hasta la frecuencia ^..
Si existiesen perodos puros, ct F(f^ ) tendra saltos en los puntos de discontinuidad del
espectro y que proporcionara un proceso de ciclos perfectamente conocidos. En las
series econmicas no sucede en general este caso por no existir perodos puros sino
pseudocilos y f(a. ) es de ti po conti nuo.
La aplicacin a la teora de la prediccin es tan importante en Econometria cuando se
conoce la funcin de densidad espectral que nos informa sobre el tipo de pred ic tor 1 ineal
Urbelz lbarrola, F. J., ^^p. c^it., pgs. 332 y siguientes.

94

ESTADISTICA ESPAI"VOLA

ptimo conociendo el espectro y pasando del campo de la frecuencia al campo del

tiempo nos permite determinar el predictor ptimo del proceso estacionario si conocemos su f. de d. e s pec tral .
1.11.

Recordemos finalmente que el estudio de las series temporales puede hacerse

en el dominio del tiempo a en el de las frecuencias.

En el dominio del tiempo tiene el grave inconveniente de la irregularid,ad , yue desaparece si se estudia la serie en el dominio de la frecuencia.
Sir Arthur Schuster fue el primero que introdujo su clebre periodograma para el
estudio de las ^periodicidades ocultas^. Este periodograma est relacionado con el espectro, y aunque asintticamente fuese centrado (previa correccin multiplicnciolo por una
constante) tenia el grave inconveniente de ser inconsistente, por lo que desgraciadamente
era poco fiable,
Este artculo no est destinado a la estimacin del espectro y dejamos este p^roblema
para otra ocasin.

SECC ION PRIMERA

2.

CONCEPTCJS PREVIS

2.1.

l,a

DEFINICIONES

E^trapolacin.

Se denomina extrapolacin o prediccin a la estimacin del

valor futuro a partir de los datos disponibles del pasado.

2.a

Interpolacin.

Se denomina interpolacin a estimar un valor comprendido

entre los datos.

3.a

Filtruje.

Se denomina frltraje a la estimacin de los datos de un proceso

cuando existe error en la informacin que deseamos eliminar.

2.2.

PRINCIPtO DE ORTOGONALIDAD

Las estimaciones lineales se deducen de las conciicianes de ortogonalidad del espacio de f^ilbert y que proporcionan errores menores en sentido lineal.

TEORIA DE LA NREDICCION DE LOS PR(xESOS ESTO['ASTIC'OS ESTACIUNARIOS

2.3.

y4

PREDICCI(SN LINEAL SIMPLE

1.

Para aclarar los conceptos expuestos supongamos que de un proceso

{^(t ), t E T}

[il

-ciiscreto o continuo- deseamos predecir su valor en el tiempo t+ m cuando se

conoce el valor en el tiempo t.

2.

E1 planteamiento lineal ms simple es

^(t + m) = a;(t) + E(t)

E E(t) = 0
(a constante)

[2l

siendo E(t) un proceso incorrelacionado con ^(t). La estimacin es

A

;(t + r) = a^(t )
Por el principio de ortogonalidad indicado tendremos
E {C^(t + m) - a^(t )^ ^(t)} = E {E(t )^(t )} = 0 ^
(Nota: La barra encima de una v. a. es su conjugado.^

B(m) = B(U)
3.

4.

B(rn )

^ =

B(0)

[4l

La frmula de prediccin es

B(^n )

;(t + m) =

B U ^(t)
^)

EI error cuadrtico es:

^rn - E {;(t + m) - ;(t)} ^(t + m) - B(U) -- B(-rn) _

= B^o) 5.

^ s^,r, ^^z
B(0)

[b1

Todo procesa cuyo error [6j sea nulo, se denomina determinista. Esto significa

que ;(t + mj puede predecirse exactamente por los elementos {;(t - h)} .
2.4.

FILTRAJE LINEAL SIMPLE

1.

En el caso de procesos

{^(t), ^ (t), t E T}

[^l

ESTAUlST1CA ESPAt)!_A

discretos o continuos, y mutuamente estacionarios, deseamos deterrninar ;(t) en funcn

del valor conocido Y^ (t} que contiene una informacin perturbadora que habremos de
considerar.

2.

La ecuacin lineal ms simple es

A

^(t) = a^l(t)
y 1os procesos ^(t ) y^^ (t ) estn ligados por

E ^(t) = 0

^ft) = u^^ (t) + E(t)

C9l

E I e rrar E( t) debe ser ^rtogonat cr n( t).

--E[(^(t) - an(t))]rl(t) - 0
3.

E1 filtr^je del proceso ^(t) es

^n{ ) n (t )
B,^n(o)

^ (t ) _
4.

(4)
^ ^ ^B^n^
B,,^, (0)

La varianza residual puede escribirse:

cs 2 - E {t^(t) -- Qn(r)j^(t)} _ ^^^(^) _ gn^(p) _

= g (p _ ^ B^^ () ^ 2
^^
Z.S.

[ 12)

B^n(o )

pREDICCI ^^N LINEAL SIMPLE CON FILTRAJE

l. De forma anloga, supuestos los procesos [7) si deseamos predecir en el tiempo

t+ m, el procesa ^(t + m) conociendo una informacn del proceso n(t) en t, conteniendo informacin perturbadora, la estimacn lineal puede plantearse:
^
^(t + m} = un (t)

[ l3]

y por el principio de ortogonalidad

^^^it + rn ) -- an (ti^ ^1(t ) = 0
2,

B^,^ (m )
^

En consecuencia
"
^(t + m) =

B^n (m ^
B
^ ^1(t)
nn( )

es la prediccin ptima simple con filtraje.

Bnn(o)

[14J

TEORIA DE LA F'REDICCION DE I.AS NRUCESUS ESTUCASTICOS ESTACIUNARIOS

3.

97

El error es

am = E { ^^(t + m) -- ;(t + m)^^ } _

- E^^(t + m) - ^1(m) - B^^(0) - a B,^^(-m) -

= B^^(4^ _
2.6.

( 8^^(m)I^

[ 1 ]

Bn^ (0)

NTERPOLACIN CON FILTRAJE

1. Sean los procesos [7] teniendo los valores en dos puntos: t, y t2. La interpolacin se presenta cuando desearnos conocer el valor de ^(t ), siendo t, ^ t^ t,.
^ Si t > tz
ser^a extrapolacin.
2.

EI planteamiento para estimar ^(t) de forma lineal puede ser

^
^Ct ) = an (t ^ ) + b^l (t2)
3.

[ 17)

Si fuera interpolacin sin tiltraje, la estimacin sera

A

[]gJ

^(t) -- a5(t^) + b^(t2)

por lo que es un caso particular del precedente.
4.

Las condiciones de ortogonalidad nos darn las ecuaciones

A

{! = 1, 2}

E {[^(t) - ^(t)l ^l (t;)} - 0

[ 19]

B^,^ ( t -- t, ) = a Bn^ (0) + bB,^n (t2 - t , )

[ 20]

B^n(t - t2) = aBnn(t2 - t,) + bB,,,^(0)

S.

Determinadas las constantes y sustituidas en [ 17j, nos da la mejor frmula de

interpolacin lineal de dos puntos. ^ tambin: para que [20) sea compatible con [ 18], el
determinante siguiente ha de ser nulo
^
^(t)

il (t, )

^l (t^)

B^^ (t - t, )

Bn^ (^^ )

Bnn (t2 - t ^ )

B^n (t - t 2)

B^n (t 2- t^)

Bnn (o)

^- Q

[ 21 ]

EI estudio y conceptos anteriores los hemos hecho en el dominio del tiempo. Es

inmediata la extensin de extrapolacin, interpolacin y filtraje cuando se conozcan n
puntos.
^
En las secciones siguientes nos dedicaremos a la extrapolacin de procesos estacionarios de parmetro discreto y continuo cuando las f. de d. espectral son de tipo
conocido.

ESTADISTIC: A ESNA^lOLA

SECC ION SEGI,TI'^iUA

3.

EXTRAPOLACtC)N LINEAL DE PROCESOS ESTACIONARtOS DE

PARAMETRO DtSCRETO: PLANTEAMIENTO Y SOLUCIONES

3.1.

1 NTRODUCCI(5N

1.

Sean
^(^ - 1), ^ (r -- 2), ..., ^(t - n)

t1j

vectores pertenecientes a un subespacio de Hilbert H(^). Una estimacin puede t^acerse eligiendo convenienternente ^{,)
^{t + m) = k[^(t - 1), ..., ^(t -- n)j
2.

[2l

La varianza de ;, (t + m) ser
^
^^.^ = E {^^(t + m) - ^(t + m)j2}

[3j

Yaglvm s justifica la eleccin de la funcin R(.) sea del tipo lineal por simplicidad de
clculo y por las propiedacies de las variables normales -n-- dimensionales.
3.

La envolvente lineal de los vectores [ 1 j es un proceso

Lm. ^(t )-= ^..,

x=i

x K^ ( t-- k}

^x.x E C

[4j

que perienece tambin el espacio H(^ ), donde C es e! campo de nmeros complejos.

4.

La distancia de ;(t + m) E H(^) a[4] ser mnima cuando la diferencia

;(t + m) - L^,.,^(t>

[5)

sea ortogonal a cada uno de los vectores [^ j. Luego el producto escalar es

[^(t + m ) -- L^,,,(t). y(t -- k )) = 0
(k = 1,2,3....,n)

[6J

` A. M. Yaglom: ThPVry vf stationary random fonctions, pgs. 9^ y ss. Prentice Hall, 1962.

TFORIA DE l.A F'RFDICCIl7N DF. LOS PR(^FSOS EST'(K'ASTICOti ^STACIC)^fARIO!^

99

B(k+m)-

x,,B(k-h)^0

^.
h

[7]

(k - l, 2, ..., n)
recordando la frmula [4] del apndice.

El sistema anterior de n ecuaciones con n incgnitas nos permite calcular 1a.5

constantes ack que, sustituidas en [4j, nos dard una esti^nacin en el tiempo t+ rn y
existir una perpendicular cuya di^;tancia [5] ser mnima cuando los vectores [ 1] sean
linealrnente independientes, parque hemos tomado como base c^el espacio H(;) los
vectores [ 1]. La solucin es vl ida tambin ^iempre que el deterrninante [ 7j no sea nulo.
5.

La varianza de la prediccin es la distancia al cuadrado c^e [5 ] c uando los

valores de xk son los de [7]:

^^ cr - ^ ^II =

Q;,^.^ - Il^tt + ,^) A

^ (r + m ) -- ^ xk^(t -- k ). ^(t + ,n )
k=1
n

= B(^) --` ^ . xk B(m + k )

[^ ]

Pero de [7], tomando compleaos y sustituyendo en [8] y recordando la representacin

espectral de la funcin de covarianza (frmula [^] del apndice}

^ ^,. ^ = B(o) _

aLk^(h B(h

- k ) =

k=1 h=
2

= B(o^ b.

_^

a k ^, -r'J^k

fc^ ^^

[x]

Kolmogorov ha demostrado que el erro^^ de la prediccin es

Q^ = eXP

1
^

^
-^

18 {2n.f(^) } d^.

[^,,,]

1^i10

ESTADI5TICA ESI'AOLA

y ^uando el proceso es determinista, el error de la predccn es cero, cumplindose si b

^

In,f^)d1^ - --x
^
3.2.

REPRESENTACIN ESPECTRAL

1.

Las funciones de covarianza [7] sustituidas por sus representaciones espectrales,

nos dan las condiciones

^
xke -^^h fC^. )d^, = 0

e ^k ^, i^m

[9]

-^

(k - l, 2, 3, ..., n)
0
"

e `^I` [^ a"" - cA,,,,"(^ ) ^f(^ )^^ = ^

[9' ]

-^
siendo
i . ^ r, e -^^,ti
ti

^ m,,^ (^ ) =

[ 10]

la funcin que se denomina caracterstca espectral de la extrapolacin.

2.

EI problema de encontrar los coel^cientes xh queda reducido a encontrar una

funcin <p,,,,('r^) que sea cornbinacin lineal de las potencias e-'^, e -Z^, ..., e-^" que
satisfaga la [9']. Si encontramos esta funcin, los cceficientes xh sern los mismos que
los de [7] y, en consecuencia, la combinacin lineal [4] con estos coeficientes es la
rnejor estimacin lineal de ;(t + m).
3.

EI error puede expresarse espectralmente

^

am^^ -

f.

= B{4) -

Ieimll

- (U,^.nl'y)I2 ^(^)d}.,

-^

I ^m,"(^ ) ^ ^.f(^ )^

[12]

segn lo indicado en [8"] y de acuerdo con [ 10].

6 Edward James Hannan: A^lultiple times series, pgs. 137 y ss., Wiley, 197U, y Dr. Cox and H.
D. Miller: The theorv o,^^ stochastrc processes, pg. 326. Cha^man and Hall. London, 1972.

TEORIA DE LA F'REDICCION DE LUS PROCESOS ESTOCASTICC:IS ESTACIONARIOS

^Ul

4. Si en lugar de ser n dimensiones n-^ x, las representaciones espectrales [9] y

[9' ] son
n
^, 7^Ac

e ih.m

-^

x
^ ^ hE, -i7^h

f{^, )/t

= ^

[13]

ti=^

(k = l, 2, 3...)
o sus equivalentes

e ,^.k [e ^^ _ c^ m (^ ) ].^iCti )'ti = o

[ 13^]

Ik = 1, 2, 3...)
siendo
^rn(^.} -

^ hE, -il^h

[ 14l

la caracterstica espectral de extrapolacin. Si la multiplicamos por e'^f^l^('^ ) e integramos entre ( - n + n ) tendrernos

^
^(t + m) -

_,^
^(^}e^^t^( ^ )

^^,^{t -- h)

[1S]

h=

La [ 12], [ 13') y[ 15] nos indican las condiciones que necesariamente tiene que
cumplir la [14].
5.

Obtenida la funcin ^,(^^), su desarrollo

^^ m (^ } : ^(

^e -i^ .^. ^ ^, - t7^ 2 .} ^ ^, -7^ 3 ..^

nos permite encantrar los coe^cientes ^cti que, sustituidos en la [ l5], obtendremos la
mejor frmula de extrapolacin lineal.
6.

Yaglom', siguiendo las ideas de Kolmogorov ^` y Wiener ^, sintetiza las condi-

ciones que se deducen de [ 13'), [ 14] y[ 16]:

' A. M. Yaglom, op. cit. , pgs. 108 y ss.

" A. A. Kolmogorov: Sucesiones estacionarias en espacias de Hilbert. Trabajos de estac^stica (2 nmeros), 1953.
9 Norbert Wiener: Extrapolarion, interpolation and smvothing of stativnary rime series, pgs.
106 y ss. Cambridge, 1970.

102

F.STADISTIC A ESNAWOL_A

c, )^p^,(^.> es un desarrollo de potencias de ^^^^ enteras.

h)

t.,a funcicn
`}, ^ (^ )

^^^

_ cp ^ (^^ ) ].^ti )

[171

coniend r potenc ias de e'^ , e s dec ir

^ m (^ ^ ,^ ^ ^. k P ik^

[ 17' 1

k^o

pues al sustituir (17' ) y[ 13' ], las integrales para k= 1, 2..., son nulas, cumplindose la.s
condiciones precisas. Finalmente:
c )
3.3.

La serie [ 1 b) de 1a caracterstica espectral es convergente .

TRASLACI(^N A VARIABLE COMPLEJA

l.

Las condiciones precedentes son estudiadas por Yaglom, intrvduciendo la variable compleja 10
^ - ea

[lH^

caso de estar situada sobre el crculo unidad coincide con las [ 13'], [ 14] y[ 17].
Para que [ 1 b] sea convergente, la func in
a
^^(z) = ^ ^

[19]

k=1 Z

es analtica fuera y sobre el crculo unidad y se veri>ica

c^ ^, ( ^ ) = 0
En todo punto del crculo unidad ^z^ = 1

^ z I -^ ^o
^

i = e'^ e s

^pm(e^^} ^ ^^,(^^)
2.

[24]

[211

De forma semejante haremos

fx^P,^ } _ f^^^ ^ _ fx(z )

[22]

siendo fx(z} funcin compleja y que en el crculo unidad coincidir con f(a. ).
1p La v. c. toma ms precisamente valores pe^^ , pero la sustitucin [ 18] es para relac ionar entre
los dos tipos de funciones coincidentes en el crculo unidad.

TEORIA DE LA NREDICCION DE ^.OS PROCESOS EST(X'ASTICOS ES'i'ACIONARIOS

3.

IO^

La funcin:

`I` m (z ) = [,z ^^^ - ci^ ;, (4 ) ^f 'x(^ )

[23]

es analtica dentro del crculo unidad y sobre la circunferencia, pudiendo desarrollarse

en serie de potencias de z y la.s singularidades sern fuera del crculo unidad.
Sintetizamos las condiciones:
l.a

<pm(z) es una funcin analtica fuera del crculo y sobre la circunferencia de

radio unidad. Slo puede tener singularidades dentro del crculo unidad.

2.a

^U(x} = 0.

3.a `^m(z) es una funcin analtica dentro y sobre el contorno de la circunferencia.

Slo puede tener singularidades fuera del crculo unidad.
Examinaremos en la seccin siguiente algunas frmulas que hemos deducido partiendo de estas condiciones y para los procesos con f. de d. de tipos concretos bastante
generalizados.

SECC ION TE RCERA

4.

EXTRAPOLACION LINEAL DE PROCESOS ESTACIONARIOS DE TIPO

D[SCRETO DE FUNCION DE DENSIDAD ESPECTRAL RACIONAL
(CONSTANTE EL N UMERADOR}

4.1.

A)

Procesos cvn f'uncin de ulensidac^ espectra! rucrvnul ^e! tipo

c

_^ ^ r^ ^ n

[1]

I -1

e;^,

_ a ^ i
h

h=1

siendo uh reales ^ah^ ^ 1.

4.2.

SOLUCIN

1.

Traslademos f`(h } a variable compleja segn [ l 8] y[ 22]

^Z n

fX(^ } ^

(^ - a,)(^ - az^...(z - uMl(1 r cj,^,}...(l - un<)

[2^

ESTADISTICA ESF'AtV(}LA

jU4

Por la prirnera condicin ^GX{z) es uniformemente convergente fuera del crculo y

sobre la circunferencia, pudiendo tener singulardades dentro del mismo. Recordando [2j
y ei desarrollo [ t4j expresado en [ t9] de la seccin anterior, para que cumpla las
condiciones impuestas puede expresarse as

Y,^(z )
U^^ m{z } =

[3j
Zn

y tendrd !as singularidades dentro del crculo unidad si Y,(z), es [4] una funcin entera
y cumplir la condicin segunda si ^D,( x)= 0, por lo que el grado de y"(z ) es inferior a
n. Recordando la condicin tercera y como fx(z) tiene singularidades dentro del crculo
unidad, stas se eliminan si se anula el otro factor de [23] de la seccin anterior para los
puntos en donde f x(; ) es analtica dentro del crculo

[^'^ - ^x(z )J -- U

z =ah

(!1 - 1, 2.

[4j

y as carece ^,(z ) de 1as singularidades en mencionados puntos, siendo analtica dentro

de1 crculo unidad.
La funcin Y ,^(z ) es l forma

'^ ,n ( ^ ) = A o ^- A, ^ z -F A 2 Z 2 - F- . . . -^- A n _ 1 ^ "-1

[51

Por las expresiones [3j, [4] y[S], haciendo z= a^,, tendremos las condiciones
a ^ +ne ^ p^ + A^ah + A2a ^ + ... + An-la ^ -1

(h = l, 2, ..., n)

[bj

La ecuacin [6j unida a[5j forma un sistema de n+ 1, ecuacione$ ^on n incgnitas.

Para que sea compatible, segn el teorema de Rouche-Frobenius, el determinante
formado por los caeficientes de las incgnitas y los trminos independientes debe ser
cera

! Z,

Z2 .. . Z"-1 Yrn(Z )

1 a C12
^
^ .. Cl^-^ ^ Un+m
^

^ a2 aZ ... a2-1 a2^+

....................
.. lIM-1 an+m
1 a n a^
n
n
n

- 0

TEORIA UE L.A PREDICCION DE LOS PRC^ESCJS ESTOC'ASTICOS ESTACIONARIUS

IUS

Por ciculo senciilo tenemos

O Z"-t ... : 1
art+m a"- t
Q1
I

"'

................

a"" +m a"^...Q
"
R 1

Y^(Z) -

[gl

a^"-t ... a,
a"^ t ... u 1

Dividiendo [K) por ^", segn la [3], y siendo ^ = el^, de acuerdo con [ I4] y[ 19J de la
seccin anterior, la caracterstica espectral de la extrapolacin lineal es
0

e -^^ e -' ^ . . . P -; ^^ - t y^ ^, -;^a

Q^+^n
Q"-... Cl I
I
1 1 Cl"-2
1

..............................
a,"+l11
"

u"_
t Gi"-z
. ..
"
"

a"

[9]

a representa el denominador de [8].

Multiplicando [9] por e'^'cl;O^) e integrando entre (--n, n) y recordando la [ 15] de la
seccin anterior, tenemos el valor ptimo extrapolado linealmente cuancio la f. de d.
espectral sea del tipo [ 1]

^(t - 1) ^(t -- 2) ... ^(t -- n + 1) ^(t -- n )

Qti+rn a n- t

p"-2

Q^n+^n u""-1

n-2
Q" ^

...

1
C1 ^
i
i
i
.................. .............................

^(t + m ) =

4.3.

... tl"

[ 10]

OBSERVACth( IMPORTANTE

Para la prediccin, cuando la f. de d. espectral sea del tipo [ 1], no necesitamos ms

que n valores pasados, y aunque dispongamos de toda la historia pasada no mejoraremos
la prediccin.
Desarrollando pc^r la primera lnea, tenemos una expresin del tipo de Markov de
orden n.
Examinaremos dos casos de [ 10], segn los diversos tipos particulares de la f. de d.
espectral [ 1 ] :

ESTAL)IS"TICA ESNANOLA

Cc^.^ca nrrterrr 1

t^(^- ) -

l.

^.

I E^ i^.

< 1

'a

^l ! ,.

Entonces, la [ 10) se reduce

^
^(t

^(t -- 1)

C! ^ +m

_ um+i^(t - 1)

+ rr1) _

[ 12l

Cc^so rrmero ^2
c

.^(f^ )^

2
2
^^,^ - u, I le^^
_^J^ f

^ a; ^^

La [ 10] es ahora
0
^(t -- 1) ^(t -- 2)
Q ^2+m u ^
1
.
^{j + m) i

^ 2+m d^
z
^

u ^ -^ u 3
{um+2 _ um+2)^{^

^ ! ) - {am+2U^ _ um+2^

[ 14]
^)^{t ' 2)

u ^ _` u z

Las frmulas [ 12] y[ 14] cie !as extrapolaciones ptimas cuando la f. de ci. espectrales son la forma [ 11] y[ 13] han sicio deduci^ias p^r Yaglom " directamente, coincidiendo con las nuestras.

4.4.

B)

Prc^c^sns cc^n ^j: d^ cl. c^s^PCtrul d^l tipcr rucivnul ccan rucPS m l ti^^l es

.1^('r^) --

c
le^^ - ul^

'` A. M. Yaglom, op. cit., pgs. 1 10 y 111.

^u ^ ^ 1

lU^

TEORU DE LA PREDICCION DE LOS PROCESOS ESTOCASTICOS ESTACIONARIOS

1. Este es un caso particular de [ 1], pues las raices del denorninador son iguales. Y
estudiaremos este caso aunque el problema es general: Si a, se repitiese a^ veces; a^, a^
veces, etc., entances la f. de d. seria
C^) =

ja;^ < 1

[ 16]

^ le,^ _ a ,I 2^,
^
^=t

2. Examinando [ 10^ numerador y denominador, las columnas de los determinantes

son iguales, siendo indeterminado.
Aplicando L'Hpital 12 reiteradas veces, tendremos para la extrapolacin lineal ptima con f. de d. espectral [1S]:
0

^ (t - 1)

^ (t - 2 )

. . . ^ (t - n + 1) ^ (t - n )

a"+^n

a"--1

a"-2

...

(n - 1)a"-2 (n - )a"-3 ...

(n + mki"+m--1
(n + m)t2a"+^-2 (n - 1)c2a"-3 (n - 2)^2a"-,...

A
^(t + m) =

.............................................................
0
0
0
(n + m)^"-^am+t ^ n_ ^
... 0
a"_^

a"-i

... a2 a l

(n - lki"-^ (n - 2^a"-^ .. . 2a 1 0
(n --- 1)^2a!+-3 (n -- 2)^2a"-4 ... ^0 0

...................................
0 00
0
n- 1
Caso nmero 3

^(^ ) _

(e^ _ a

^a^ < 1

[18J

La [ 17] es:
^(t - 1) ^(t - 2)

- (m

a 2+m

(2 ..}_ m^ l+m

2^rnt1^(t ..._ 1) - (m -}- 1)qm+2^(t - 2)

'^ En el sentido de que a^ -^ a, y con la notacin de las vari^,.:iones ordinarias n^^.

[19]

I U^i

EST'ADISTICA ESPAOLA

Cas^ nmero 4
f(r^)

,^ i

= e^^ _ a ` ea - a

[ 20]

^^

La (20] es del tipo [ lb] y en la [ lU] existira una indeterminacin por la duplicidad de
ia raZ a,.
Aplicando L' Hr^pital u na vez en [ lU] , derivando la segunda fila respecto a a, el
numerador y la primerra al denominador tenemos:
p
a,+3
^
(rn + 3}a;"+2

;(t+m)=

^(t -- 1) ^(t -- 2) ;(t - 3)

a2^
a^
1
2a,
1
0

u 2rn+3

Q2

Q22

^
Q^

a^

2a , 1 0
a2 a2 1
Desarrollando por la primera lnea obtendremos la mejor frmula de extrapolacin
lineal cuando la f. de d. espectral sea la [20].
4.5.

OBSERVACIN IMPORTANTE

EI valor de 2n es el nmera de races del denominador, aunque sean iguales. Es

decir, de la [I6j obtendremos:

y ser el mximo de valores que precisamos {^(t -- h)} (h =

extrapolacin ptirna.

1, 2, ..., n) para la

SECCION CUARTA
S.

EXTRAPOLACION LINEAL DE PROCESOS ESTACIONARIOS {;(t), t E Z}

CON F. DE D. ESPECTRAL
Entera del tipv

f[^a = ^^k=Irl
siendo bk real,

! hkl2

- ^.

(bk^

_ -^- ^,^^ .

[1]

^ 1

^, :: ..^, ,. . ,,

,^ ..

* ^ ^^

1^

TEORIA DE LA NREDICCION DE LCiS PROCESOS ESTOCASTICOS ESTACIONARIUS

5.1.

PLANTEAMIENTO

Pasando [1) a variable compleja segn [21], [22] y [23] de la seccin segunda
C

.fX(z) _ ,,,^ ^I (z - bk)(1 - bk^)

^ k=1

[2)

lo que indica que ^UX{^ ) solamente puede tener las singularidades en z- b,^ (k = 1, 2,
..,, n ) y puede escribirse
Y, (^ )

^ ;(^) _

[3]

^^_I(^-bk)
k^l

pues [3] debe ser analtica fuera y sobre el crculo unidad.

Para que [3] cumpla las [ 14] y ia primera condicin de la seccin segunda, ym (z ) ha
de ser una funcin entera y adems de grado n- 1, ya que, segn la condicin
segunda ^U ^, ( x ) = 0 f
Pero por [23) de seccin segunda `^^,(^) tiene que ser analtica dentro del crculo
unidad y como segn [2] fx{z) tiene un polo en el origen de urden n:
n
[Zm - ^.n(Z)]

n-^

^ `'^ ^1 (' -,^jk) - ^ AkZk

k=11

ks0

[ 3 dl
[3 b]

deber (3 bJ ser divisible por ;.n, segn [2J, pur lo que los coet^icientes del pulinomio [3
b] de grado interior deberan ser nulos.

5.2.

SOLUC[N

Desarrollando [3 b] en potencias de z, los coeficientes de `k (k = 0, l,..., n- 1)

sern iguales -a -ee^e. '^sti^. ^s^ -p^rmit'^" ^dterminar los coe^cientes Ak 13 y, en consecuencia, tendremos la func^n caracterstica de la extrapolacin lineal ptima para los
procesos estocsticos estacionarios {t E Z} y con f. de d. espectral del tipo [1].
Casv nmerv 1
f^(^ )_^. I e,a. _ h I 2

13 Estos coeficientes vendrn dados en funcin de los bk .

[4 ]

1 ^u

ESTADISTICA ESPAQLA

Pasando a variable c om plej a:

.f x(z 1 -

c{,^ - b ) ( i -- bz )

[4' ]

La [3 b] se convierte:
z^`(z - ) -- Ao - zm+! - z^ - Ao

a)

Subcaso: m = U. Para que [S] sea divisible por z ha de ser

h + Ao = 0 ^ Au = -h

[]

Luego:
-b
^o (z) --

z - b

^ ^o(ti ) _ -be '^a. _ 6 ^e -^ - . . .

[7]

La frmula de extrapolacin es:

^(^) _ --b^(t - l) - 2^(t - 2) - b3^(t - 3) ...
b)

Sr^caso: rn>_

[8]

1. Para que [5] sea divisible por z es preciso que

Ao = 0 ^ ^U,^ {h ) = 0

y
[9]

^(t + m) = 0

(rn > 1)

EI conocimiento de toda la secuencia pasada es innecesaria porque no mejoramos la

pred iccin .
Cas^^ nmero 2
f{^.) = c^P^^ - b^^2^c^^ _ 62^2

[lU]

La traslacin de [ 10] a variable compleja es

^'{z -- b^)(z - b2)(1 -- b,z}(1 --h^)
Z2

Y la [3 b] es, en nuestro caso

zm+2 _ {h ^ + b2)z^+t ^.. h^b2,^rn _ {q^^ .^. A,z
debe ser divisible por ^2.
a)

Para m = 0 ^
^ - b^bz

A^ _ -(b^ + b2)

[1?J

TEORIA DE LA PREDICCION DE LUS PROCESOS ESTOCASTICOS ESTACIONARIOS

1I 1

Luego por las [3j, [3'] y[12], tenernos

^-r(z)
= b^bz - (b^ + b2)z 0

(z - b^)(z - b2)

z- b,

z- b^

si se descompone en fracciones simples.

En consecuencia, desarrollando [ 13] por potencias
b^
^..

(, -

, 2)

(z ! e ^^ )

tendremos, de acuerdo con la [ 15] de la seccin segunda

^
^ (1) ^ ^ C ^ ;` + Bb ^ ] ^ (t - k -- 1)
^=o

[ 14]

Las constantes A y B se determinan por los mtodos sencillos conocidos ^

b2
'
b^ - b^

A=
6)

B=

_62
^
bz -- b,

[ 1 S]

Para m= 1. La [ 11] se canvierte:

z3 -(b, + b2)z 2+ b,b2z - Ao - A^z

y para que sea divisible por z2 debe ser:

A, = b,b2

Aa = 0
b,b2z

b,b2

(z - b,)(z - nz)

h^

b, - 62 z- b,

b^
z-- h2

Recordando las [ 15], [ 19] y[21] de la seccin segunda, tenemos que la frmula de
extrapolacin lineal es
^
^(t + 1) =

c)

h,b2
b, - bz

(b; ` - 62 ) ^ ( t - k )

[ 19]

m = 2. La [ 11] ser divisible par z2 siempre que

q,^ = A, = p ^
^
^(t +m)=0

m>_ 2

[ 20]

ESTADISTICA ESPAOLA

5.3.

OBSERVACIONES tMPORTANTES

Cuando tenemas un proceso estacionario de parmetro discreto con funcin de

densidad espectral [ lOj y tenemos la secuencia ^(t - t), ^(t - 2)... ias extrapolaciones
ptimas en sentido lineal para estimar ^(t) o^(t + 1) precisamos toda 1a historia; pero
1.8

para la prediccin ^(t + rrc )= 0 (m >_ 2) no precisamas ningn conocimiento de 1a

historia pasada 4
2.a La misma observacin es cuando la f. de d. espectral sea del tipo [ 1]. En este
caso para que la [3 b] sea divisible por z^, para m>_ n habrn de ser todos los
Ah = 0 ^
3.a

^(t + rrr )= 0

[21 ]

m>_ rr

Si U< m< n precisaramos toda la historia de ^(t - h) (h = 1, 2...).

SECC ION QU INTA,

6.

EXTRAFOLACION L1NEAi. DE PROCESOS ESTACIONARIOS {^(r), t E Z}

DE F. DE D. ESPECTRAL RACIONAL DEL TIPO
(^) _

IB(e^a^)^2
'a ^ < 1

I A(e ,^ I z

1
^ 6^
^

[l]

Remitimas al lector a la obra citada de Yaglom.

Estudiaremos el caso ms sencillo de:

.^`(^ ) = ^

+ e,^ _ 6 I ^
(,^,^ _ Q^ 2

[2]

trasladando a variable compleja, tenemos

c(z - b)(1 - 6z)
^x(z) -- (z -- a)(1 - az)

[3]

Sustituyendo en [23] de la seccin segunda, tenemos

- b ) (1 -- h Z )
`^ m (Z )

= [Z m

-- c^ x (Z )^ e (Z

(z - a)(1 - az)

[ 4]

14 A. M. Yagiom, op. crt., pg. 118 comenta este hecho explicando 1a ncorr^elacin: B(m) = 0,
m>_ 2 de este caso concreto.

TEORIA DE LA PREDICCION DE LOS PROCESOS ESTOCASTICOS ESTACIONARIOS

113

Las nicas singularidades que ^;(z) puede tener es dentro del cnculo unidad porque
ha de ser analtica sobre la circunferencia y exterior al crculo, lo que nos permite
escribir

^,^()=^
Y^(z}
z

Z - b
Para que cumpla ^m(x^ )= 0 debe ser Yrn (z ) constante ^

^;,(^) = z-b
A

6
[l

Por otra parte, `i'm;Z) como debe ser analtica dentro del crculo unidad y como la [3J
tiene un polo para z= a, se anular la [4] si:

A
_ ^ ^

Zrn -

A= a^^(a -- b)

z - b Z ^a

y as `N(Z) ser analtica dentro del crculo unidad.

La caracterstica espectral de extrapolacin es

am(a - b)

a^, C^. ) _ ,

e'^ - b

[ 8]

Desarrollando [8] en potencias de e-^^ y recordando [ 15] y[ lb] de la seccin

segunda, tendremos:

^(t + m) _ (a - b)a"^[^(t - 1) + b^(^` - 2) + b2^(r - 3) + ...]

[9^

Examinando la f. de d. espectral [2) puede interpretarse corno un proceso mixto de

medias mviles y autorregresivo (m = n= 1}.

Observacin importante
Para predecir, precisamos^ el conocimiento de toda la historia pasada de los valores
^(t - h). ( h - 1, 2...).

ESTADtSTICA ESP,^^ OLA

SECC I4N SE X3'A

7.

EXTRAPOLACION DE PROCESOS ESTOCASTICOS ESTACI(JNARIOS DE

PARAMETRO CONTIN UO

7.1.

TEORIA GENERAL. ECUAC1dN 1NTEGRAL DE WIENER-HOPF 's

La prediccin del praceso

{^(r}, t E T}

en el momento t+ m se puede expresar por la expresin lineal

^,

^
^(t + rrr) =

^(t - u)h(u)du

u>^0

0
2. Supondremos un subespacio de Hiibert H(^), donde {^(u), u< t} son los
vectores componentes. La distancia de ^(t + m) a la estimacin [2j, para que sea
mnima, deber anufarse el producto interno.

.
C^(t + m) - ^(t + m), ^(^)l = 0 ^

[3I

Y,

B(t + m - ^^ ) =

B(t -- c^ - ^^ }h (u )du

dv <_ t

[3'^

0
Si hacemos t- ^^ = r> 0, la [3'] la escribiremos
^
B(m + r) ^

r >_ 0

B(r - u )h (u )du

[ 3'^

0
La ecuacin integral [3"} se denomina de Wiener-Hopf 16.
3.

La varianza de la prediccin para que sea mnima cumpliendo [3'^ ser

a^, = [;(t + m ) -- ^(t + m }, ^(t + m)) _

^

B(m + u)h(u)dr.^

B(--m - u)h(u}du = a2 -

= B(0) 0

[4]

's Titchcmarsh: Theory of Fourier Inte^ral, op. cit. , pg. 339. The Meihod of Hopf and
W iener^ .
'b N. Wiener: op. cit., pgs. S6 y ss.; piantea y resueive e! problema apticando la teoria de
m^nimos cuadrados combinando con el clculo de variaciones.

"TEORIA UE L.A NREDICCION DE LOS PROCESOS ESTOCASTIC()S ESTACI()NAR1(^S

11S

y recordando la [3'^, tomando cornplejos, haciendo u = ^^ y r= u, y sustituyendo en j4]

tendremos

Qrn

_ B(o) _

fJ

B(u -- v)h(u)h(v)dudv =

x^

x^

- x^

-- B(0) -

4.

e -'^h(u)

[4`]

[4^^

^%)d^

E1 problerna es encontrar la funcin h(u) que cumpla la [3'^. Esta ecuacin

integral no es sencilla de resolver y depende de la f. de d. espectral del proceso y de rn.

%.2.

REPRESENTACI(SN ESPECTRAL DE L.A EXTRAP^OLACIN DE PROCESOS DE PARMETRO

CONTINUO

1.

La represeniacin espectral de la [3'^, considerando que el proceso [ 1) tiene f. de

d. espectral, f(^) es semejante a la estudiada en el pargrafo 2 de la seccin segunda

para los procesos discretos

I;

e1^.[el^,fi - ^U m(^)1J^(^,)d^. = 0

dr > Q

- x,

2.

[S]

m >^Q

La caracterstica espectral de extrapolacin del proceso es

x

h(u)e-^^.udu

^m^} =

[6]

3.

Multiplicando [6] por e1^rd^(^.) e integrando en todo el eje real, recordando [2],

te ne ma s

^ (t + rn ) _

J -^.

cpm(^)e^^r^()',,) _

^ {t - h )h {u )du

Joo

Encontrar ^,(^.) no es tan sencillo como en las sucesiones, pues en su desarrollo

veremos que contiene trminos de derivadas y de integrales.
Concretando, las condiciones de Yaglom " son:
t.$

La caracter^stica de extrapolacin ^,(^.) debe cumplir la [5] para r>_ 0.

" A. M. Yaglorn, op. cit., pgs. 145 y ss.

ESTADISTICA ESPA^VOLA

1 16

2.a

^,^(^ ) debe ser de cuadrado integrable respecto de f(^ ), por la limitacin de la

[4'7 :

J=

_^

im

^^ ) ^ 2f( ^. )d ^ < x

[ 8]

3.a ^D,^(^,) debe ser lrnite en m. c. de una sucesin de combinaciones lineales e -,a.u
(u > : 0), o sea
x
lm
^^ ^^(^) - ^D^,^(^)^2.f(^.)d^,
[9]
n -^ x
_ ^,
4.a

La frmula del error se obtiene recordando [4'^ y[b]:

^

a = B^o) S.a

_^

(^,^c^)I^fc^)^

[ 14]

La solucin ms simple de la [S] se pr^esenta cuando la f. de covarianza es

analtica y que la [b] sea

^ ^ (^, ) _ e ^a.^^
al sustituir [ 11] en [7] recordando las representaciones espectrales
^
"

^(t + m) =

^
_ ^
k=0

_,^,

^^,(1 +m )

e ^a.r (i}^, )t`d^ (^ )

-x

^(^) _ ^(t

mk
, --

-}-

m) _

mk

^"(t>^

[ 12]

segn la [8] del Apndice, y que precisamente predice exactamente el valor del proceso
por el desarrollo de Taylor, para los procesos estocsticos derivables m. c.

EXTRAPOLACI6N LINEAL DE PROCESOS DE PARAMETRO t CONTINUO: TRASLACICSN A

7.3.

VARIABLE COMPLE.IA

1.

La demostracin de las condiciones que indicaremos puede verse en Yaglom '^.

Nos limitaremos a enunciarlas, sin demostracin, en la hiptesis de la continuidad de

f(A), y que esta funcin sea una funcin racianal de ^,.
'a A. M. Yaglom, op. cit., pgs. 1S0 y ss.

TEORIA DE LA PREDICCI4N DE LOS PROCESOS ESTUCASTICOS ESTACIONARIOS

2.

1 ^7

Condiciones:

l.a La funcin [6], en el campo complejo, debe ser anlitica en el semiplano

inferior. Las nicas singutaridades que puede tener son en el semiplano superior, y
cuando ^h ^-- ^o , en el semiplano inferior <D^,()t), no supere a alguna potencia de ^^. ^.
2,a

La funcin que aparece en [S]

^ ^ C^, ) = [e ^^ - 4^M (^ )].f C^, }

[ 13]

debe ser analitica en el semiplano superior, y si ^^. ^-- x en el semiplano superior ^r,^(^.)
y decrece, con ^^, I - I-E ^,(E >; o}.
3.$

La integral acotada
^
_^

Im,^a>IZrc^^^

< ^o

[ 14]

es de cuadrado integrable respecto de f(?^ )d^. .

En el caso que f(a. ) sea rac ional de ^., una funcin d^ m(^ ) que cumpla e stas tres
cond ic iones nos permitir obtener la e xtrapolac in 1 ineal pti rna ' 9.
SECCION SEPTIMA
S.

EXTRAPOLACION DE PROCESOS CUANDO LA F. DE D. ESPECTRAL ES

A)

Del tipo
c

^(^) _

^ (^.2 -f- A^ )
k=1

1.

[1]

^ ^ ' akl )^
k=1

-^ OLkI )

Forrnemos la funcin [ 13] de la seccin anterior

^m{1,) = C n
1 !
k=1

e'^ - ^^, (^ )

[ 2]

(^ `" a kl ) ^^ ^- tX ki )

Para que [2] sea analtica en el semiplano superior, el numerador deber anularse
para
a.

--- OL k ^

^m(OLk1) = e-41c^^

(k = 1, 2,

n)

[3]

19 Otros autores trasladan a v. c. en el semiplano a la izquierda y derecha, descomponiendo

f(_a.} en races pares simtricas.
20 aki no es necesariamente imaginario puro. Es preciso pertenezca al semiplano superior.

lIR

ESTADISTICA ESPA^I..A

y as se cumple parcialmente la condicin segunda, porque se anula en [2] numerador y

denominador en los puntos ^. = a,^^ .
2.

Pero relacionando con la condicin primera ^m(^ } ser de la forma

^", (^. ) = A^ + A ^^. + A^. 2 + . . . ^+- A" - ^^." - ^

porque [4j es analtica en el semiplano inferor y, adems,

,^,mC^} ^ ^-^-E
en el semiplano superior cuando ^^. ^-- x.
3.

La [4] cumplir las condiciones [3]. Sustituyendo ^. = ak

e-^k^ = A^, + A,a,^ + A2(a,^)2 + ... + A"-^(a,^i)"-^

[Sl

(k = 1, 2, 3, . . . , n )
4. La compatibilidad de [5] y [4] exige que ei determinante de los coeficientes de
las incgnitas y trminos independientes sea nulo:
^

^l.

^. 2

...

^t " ^ ^

t^ rn ( ^ti }

1 a ^t (a ^t)2 ... (^. ^t)" ` ^ e-a^rn

1 a2 (aa)2 ... (a2i)"` ^ e`a=^
...........................
l a"! (a,^l )^ . . . (a,"i )" ^ ^ e -a" ^
5. La caractestica espectral del proceso puede ponerse en forma explcta multiplicando ias columnas k+ 1 por ik (k = t, 2, ..., n- 1) y tras simples operaciones,
despejando ^m(^.) tendremos:
1 i^

(^.)2

... (i^.)"- ^

_._.^ ^^

...

(-^^)h-1 e-a^r^

-a2 J(2

...

(-0^2)"' ^ p `a2n+

...........................
1

^p^(^) _

-- a" a ^ . . . ( -- a,^ )" - ^ e -a" ^^^

1 -a^ a; ,.. {-a,)"-^

.....................
^ -a" 4(.^ ... (-arn)"-t I

6.

La frmula de extrapolacin lineal se obtiene rnultiplicando la [7] por

e;^r^ t^ )

e integrando a lo largo del eje real.

TEORIA DE LA PREDiCCION I}E LUS PROCESOS ESTOCASTICOS ESTACIONARIOS

1 ^19

Recordando la representacin de la derivada K(ver frmula [8] apndice), y como

para multiplicar un determinante, basta multiplicar cualquier fila (y lo mismo integrar, lo
haremos donde se encuentran las variables) la mejor frmula de extrapola^cin lineal
para los procesos que tengan f. de d. espectral del tipo [ 1] ser:

^(r) ^'(t) ^"(t) ... ^^"^"(r)

l
-ae, ac,
... ( -x ^),^- ^

0
^, - a ^ ^re

.................................
^

...

^(t + m ) =

^-^^)w- 1

e -aN^n
[ g]

Hemos indicado D el denominador de [7^ .

La [8] es la mejc^r frmula de extrapolacin y se abserva que se precisa el conocimiento de ^(t) y de las derivadas hasta la n-- 1 inclusive, en el punto t del proceso.
7.

Examinemos casos particulares simples;

Casa n = 1

.f(^)

[^^

_ ^.2 + x2

que corresponde a B(r) = c'e -a^^l, es decir, semejante a la distribucin [ 1^ de Cauchy.

La prediccin lineal ptima es:

^(t) 0

^(t -+- rn) _ {--1)2

e --ocm

- ^-^^^^(t)

[ 10]

no precisando ms que un trmino. La [ 10] coincide con la que directarnente deduce

Yaglorn 21.
Caso n = 2
f (^ ) _

(^ 2 + x; ) (^ + ^c 2 )

s` A. M. Yaglom, op. cit., pgs. lS3 y 154. Wiener, op. cit., pg. 65, estudia la f. de d.:
1
^(^ ) _

expresado 1^^ en ciclos

siendo la preciiccin: e-^^(t).

ESTADISTICA ESPAOLA

120

For ser del tipo [ 1] y n= 2 sustituiremos en [8] y desarrollando, tenemos para la

frm u la de e xtrapolac in 1 ineal
5(t + m) i

P -aan^

-- ^ E, -a,rn

^I I e-a=rn

- E,_a^,h.

^(t) +

^^{t)

[ 12]

a 1 -- a2

a, - ^^

Caso n= 2, pero de races complejas (no necesariamente imaginarias puras)

Yaglom (op. cit., pg. 1SS) resuelve un ejemplo de extrapolacin cuando la f. de
^d. espectral es del tipo 22.
c

^^(^ > ^l. 4

^-

^ 4

[ 13]
a. + 1 + ^ x ^. - ^x ^ + 1 ^ a ^. -- 1 ^ ^
^^
^
^^
v^
Las races del denominador son los complejos y las pertenecientes al semiplano
superior: (a , i, a Zi complejos no necesariamente imaginarios puros)

x,i

x zi -

1 + i

1 - i

1 - i

1 + i

x2 -

x
[ 14]
x

^L

La frmula de extrapolacin la tendremos sustituyendo estos valores en la [8] para

n - 2

0
-m ,^a

^ +;
_,^ ^_
z
^
^(t + m) _

[1S]

22 Wiencr lo estudia cuando:

1
f(^) - .
op. cir. , pg. 6S.

12l

TEORIA DE L..A F'REDICCiON DE LOS PROCESOS ESTOCASTICOS ESTACIONARIOS

anr

^
^ (t + m ) =e

am

am ^m ^
cos
+ sen --- ^(t) +
^/ ^ ^/ L

^ f
e
^

am ,
^ (t)
sen
^l L

[ l6]

La sotucin de nuestra frmula [ 16] coincide con la deducida directamente por

Yaglom (op. cit., pgs. 1SS-b) y con la de Wiener.
B)

Del tipo

^(^. ) _

I^I (^2

+ Jf,k^ Vk

[ 17]

^
JLk%)Vk(^.

^^

+ JCkI)vk

k=1

k=i

siendo
^

C ' ]

^ vk = n
k=1

y aki es un nrnero complejo perteneciente al semiplano superior no necesariamente

imaginario puro.

1. La f. de d. [ 17] es un caso particular de la [ 1] porque se repiten los factores del

denominador.
2. La caracterstica espectral de la [ 17] tendr numerador y denominador de [7]
para a,, v, filas iguales; para a2, v2, etc., por tanto, ser indeterminado y aplicaremos
L'Hpital para resolver la indeterminacin. Si ^c, se repite en [ l7) v, veces, derivaremos
como lo hicimos en la seccin tercera B). Si todas fuesen iguales derivariamos:
a)

E1 numerador a partir de la tercera lnea, que sera la derivada de 1 a segunda

lnea; la cuarta lnea, que seria la derivada de la tercera lnea y, as, sucesivamente.
b)

EI denominador a partir de la segunda lnea. Despus sustituiramos todas las

lneas por el valor de ia raz.

3.

Sin perder generalidad, supongamos:

c

f (^)

[18]

(^z + ^cZ )^

Todas las races son iguales y n= 3, y a^= a 2= x; = x. La [7] se canvierte:

^,n (^. ^ =

(^i)z

1 ^i
-- OL

Ot ^

e- a m

- p --.1

2^c

-- mP -am

m 2e -o^ ^^

- ot

-1

ot 2
2^x
2

[ 19]

122

l^STADISTICA ESPAOLA

lgualmente 1a [8] y tras sencillas clculas, despus de simplificar, tenemos para la

me^or frmula de extrapolacin lineal del proceso con f. de d. espectral [ 18]:
^(^ + m) - ^ e-an^[ 1 + {1 + ^cm )z]^^t) + e-a,nm(^m .^. ll^^ (t) .^.
2

+ -m^P -anr^ ^ ,(t^

4.

OBSERti'AC[ON iMPORTANTE
En todas las frmulas de extrapolacin de procesas que tengan f. de d. espectral [ 1]

[ 1^Tj precisan no solamente el valor de ;(t ), sino las derivadas sucesi vas en mencionado punto como mximo n- 1, derivadas, siendo n la mitad dei grada a. del
denominador o determinado por [ 17' ].

SECCION OCTA^A

9.

EXTRAPOLACION GENERAL DE PROCESOS ESTACIONARIOS CON 1~'. DE

D. ESPECTRAL DEL TIPO

11(^^ -}- a^ )

r <n

.f ^(^ ) -- C ^^ ^
n

[1]

R>^^

T ^I ^^2 + ^k^
k=1

1.

El numeradar de [ l] siempre ha de ser de grado inferiar al denominador para

que se cumpla la [4"] de la seccin sexta, y sin races comunes, y asi siempre,
necesariamente supondremos que B'{0) < ^ .
2.

Formemos la funcin [ 13J de 7.3, descomponiendo en factores el numerador y

denominador de [ Ij
r

1 1 (^ - Rj^> (^ + R1^ )
^ m (^, ^ ^. ^^ [e ^m - -

j=1

C 2]

^ rn (^^ )]
n
^...I (^

- ^kl ) ^ + ^kl )

k=I

3.

aki, aji son nmeros complejos pertenecientes dl semiplano superior.

TEORIA DE LA PREDICCION DE LOS F'ROCESOS ESTOCASTICOS ESTACIONARIOS

23

4. Para que [2] sea analtica en el semiplano superior, como [ 1] tiene polos en los
puntos ^= a,^i pertenecientes a referido semiplano, debe cumplir la funcin ^m(a. ) las
cond ic ione s

^e;^^ - ^m(^.)^ _ o ^
!t

- rJ( kl

(k = 1, 2, 3, . , n )

^, (a^i ) = e -^k

[3]

S. Por otra parte <UM(^.) debe ser analtica en el plano inferior, y las nicas
singularidades las tendr en el serniplano superior; es decir, en los puntos ^i;i (j = 1, 2,
... , r), pudiendo escribirse de la forma:
Ym(ti )

^rn(^) _

[4]

^^ (^.

- R^i)

j^1

porque ^i^i pertenecen al semiplano superior y no son necesariamente imaginarios puros.

6. La forma [4] no madi^ca las condiciones de la [2] porque `i' m(^. ) sigue siendo
analtica en el semiplano superior si Y,"(^.) es una funcin entera. Pero ^,(^.), cuando
^^ ^-^ x, , no tiene que superar a alguna potencia entera de ^^ y de forma que {2]
dec rezca con ^ ^. ( - ^ ^ .
7.

La funcin entera y,(^. ) cumplir las condiciones si es de la forma

Y m(^^ ) = Aa + A,^, ^^ A^. ^ + . . . + A_ ^^,"- I

[5]

De la [4] y [S] obtenemos

.

A^, + A^^, + A^.^ +... + A"_^^."-I

- t^^(^.) I-_I c a^

- a^i) = ^

C6]

j^l

Y las ecuaciones [3] pueden escribirse sustituyendo en la [6]

^q,o + A ^aki + A,(a ki )Z + . . . + A - I(^k ^ }"-1 r

- ^ -akm 1 ^ (^ k'
j^l

- Rri ) ^ ^

(k - 1, 2, . . . , n )

El sistema [7] , para que sea compatible con [6] el determinante formado por los
coeficientes de las incgnitas (Ah, h= 0, ..., n -1) y los trminos independientes,
deber ser cero.

124

ESTADISTICA ^SPAIVOLA

Por lo que
r

h" -1

c^,^(^,

[^ j (^ - a,i >
j=1
r

,;

(,i)2

. ..

(x,l"-^

e'a^

^i

(^)1

. ..

(^c2^)^- i

e ^`,^rr^

...

......

Mt

(R; )1

........

^ (,^ - aj+)
j =1
r
^.1 ^ 2^ - ^jl )
j^l

=4

[ 8J

..............
r

...

E' -aNm

(rr; )"-1

^ ^ (^ ^' - ^^' >

j=1

8. La funcin caracterstica la deduciremos de forma parecida a como dedujimos la

[ 17] , a partir de la [ l] de la seccin sexta. Multiplicaremos la columna k+ 1 por ; k
,

(k = l, 2, ..., n - 1) y la ltima columna por ;r. (introduciendo i dentro de! factor

rr^ultipticativo), y como
r

jr^ (^. - ^iji) _ ^ (i1^ + ^ij)

[9]

^I^ 1

j= ^

despus de efectuadas estas operaciones dividiendo la primera fila de [ 8] por la [9]

tendremos
^
1

(;^^ )^-1

(; a,, )

^,n(^ ^
r

^ ( t ^. -^- ^ j ^

^ (1 ^t

j=1

j=1

i-

aj^

^^ ( l ^,. + ^^j ^
j^l

-- a ,

(_^,)n-1

...

e -ac,m

^1^j - x,^

j=1

= 0 [ 10]

(^Ji2)^-1

...

e`"a2^^

^ (^j -

OL2)

j=I
...........................

.................................
r

--^tn

' -'an)rr--1

. ..

e -anm C^ (F'j - n)

j=1

por ser
r

;r ^ (k; - ^jt) _
!=t

^ (12k + ^jj) _ rI (Rj -- ^k)

j=1

j=1

[11]

TEORIA DE l.A PREDICCION DE LOS PROCESOS ESTOCASTICOS ESTACIONARIOS

12S

Haciendo una particin de la matriz del deterrninante en la primera fila con 1 x n=

= M, y la ltima columna en dos, el determinante [ l0] puede escribirse:
M, ^Am(^) + 0
M^
O+ r^

M, ^^(^} + M, 0_
U
M2 O
M2 n

[ 10' ]

siendo M, la matriz 1 x n de la primera fila; M2 la matriz cuadrada de ias n x n

siguientes filas formadas por etementos (-ati)k-1; fl la matriz de la ltima colurnna de
los productos en que aparece este smbolo. Y O la rnatriz columna formada por
elementos nulos.
De la [ 10'], despejando ^^,(^.), tenemos:

^^(^) _ (_ 1)n+

[ 12]

La caracterstica espectral de extrapolacin [ 12J, recordando la descomposicin

hecha, puede escribirse ^nalmente:
(^. )

1
r

[^1(^^ -^- a;)

^^ I

^ (^^. + a^^
;_ ^

--a,

( !^ )" ^.'

...

;^I^1(^^
I -f- ^;)
r

( --1)"+ ^

(-a,)"-I

E, --a ,rn r^ ^f^ j ,

x,)

j31
r

(-^2n^l

-a 2

e -a ^ ^1 (^j -

a2)

.................................................................
r

1
(^,^e ^ ^l. )

-^cn

(--OCn)^-^

e-ac^rn

^^ (Rf - ah)
j=1

[13]
siendo

IM=I =

--x,

...

(--0^,)n-I

--a2

.,.

(--a2)^-1

...
_a A

...

(_a R^^-^

ESTAUISTICA ^SPAlVOLA

9. La frmula de extrapolacin la obtendremos muitiplicando la [ 13] por e'^rd^(^> e

integrando respecto de ^ en todo eje real, recordando (7] y como la variable se
encuentra en la primera lnea, multiplicaremos e integraremos los elementos de esta
linea. E1 elemento cofactor a^,,^+ ^ estar formado por integrales del tipo.

@^^t(l^t)k^(^

[15]
r

x ^ 1 ^^ a^ -}- a> >

ja^

recordando las frmulas (1 lj del apndice materntico, y que son complejas.

4bservaciones impnrtantes

1.a

La caractestica espectral para la extrapolacin lineal (13] de procesos estacionarios de f. de d. espectral [ 1] presenta las dificultades indicadas en [9].
Fara eliminar las integrales [ 15] que apareceran en la extrapolacin, puede desarrollarse la [ 13] por los elementos de 1a primera fila, escribiendo de nuevo.
A

^ Ak- ^(^)k^ ^
k^t
^ ^ (!^. )

[ 1 b]
r

^^(R;+^^^
^ =l

Ak _ ^ son los coeficientes relacionados con los adjuntos de los elementos {i^,)k- ^ del
determinante [ 13j , pero recordando el signo y el denominador [ 14] .
Segn [ 1] por ser n>:r, el grado del numerador de ia [l] ser mayor o igual que el
denominador. Efectuando la divisin el cociente ser un polinomio de (i^.) y de grado
n-- r- 1. E1 resto se descompondr en fracciones simples, lo que permite escribir la
[ 16] as

r
^ (!^. )

= BO -^- B ^ ( t ^t. ) -^-

+ Bn_r_1(1%)n^r^l -^-

CJ

^
a^ + ^^
;^^

Los coeficientes Bh se deterrninan pvr simple divisin y tvs C por la.s conc^cidas
frmulas de descomposicin en fracciones simples y que tanto se utilizan en clculo
integral. Multiplicando la [16'] por e^^^d^(h) e integrando, tendremos que la mejor

TEORIA DE LA PREDICCION DE LOS PRC)CESOS ESTOCASTICOS ESTACIONARIOS

127

frmuta de extrapolacin lineal para procesos estocsticos con f. de d. espectra] [ 1) es

de la forma
.
^{t -F- m) = Eo^(t) + B^^(t) -+`

^(n-r-1)
Bw-r-1^.,
^t)

e'^^^j ;(t - u^ )du^

[ 17]

0
recordando las [8] y[9) del apndice matemtico.
La [ 17] carece de integrales [ 15] y resuelve la dificultad expuesta en [9) utilizando el
vaior del proceso y el de sus derivadas (hasta el orden n- r- 1) en el momento t y
tantas integrales simples del proceso (combinadas exponencialrnente de toda la historia
pasada) como valores diferentes reales y positivos Rj posea el numerador de [ 1].

2.$ Si el numerador de ia [ 1] tuviese races mltiples, la f. de d. espectral sera de

la forma:
^

^^ (^ 2 + a.r) r^
(^) = ja I
A

^ (^,2 + ock)
k=I

sin perder generalidad supondremos que la [ 18) fuera:

^(^l,)

= (^ 2 + ^ 2 ^ r

< n

[ 18^)

n
^ (!^, 2 + a k )
k=I

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,

(^2 + ^2)r

[ 19 a]

^ (^ - h )r

[ 19 b)

+ Rj) --^

r
^^ ^^.i ` a h )
j= I

(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. Dividienda y descomponiendo el resto en fracciones simples, podremos escribir la [20] as
r
^(^l, ^

= B0 + B (1
1 ^1. )

-^-

...

+ B ^-r-1 ( 1 ^t,

)w -r - ^ +

j,^^

Cj

[20']

([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) -^ ... + B1e-r-1^,^^-r^^(t)
r

^o

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.
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

10.

1Z9

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 frmulas [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 parmetro 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 rnatemtica 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 funciones de covarianza y tambin estimaremos el espectro, y si ste perteneciese a uno de

ESTADtSTiCA ESPA()LA

13O

los tipos indicadas la prediccin del proceso en el tiempo t+ m podra 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^

(2]

t EZ

siendo Er un proceso puramente aleatorio y con las caractersticas conocidas en Econometra

EE,=O

EEi =a2

EE,a=0
t

tltEZ
tlt,sEZ

( 3]

$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 covarianza porque

B(t - s) = E(^(t) - g(t)[^(s) - S(s)])

= EE, E, = o
t# o
t - s

[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 cuanto g(t ) es un polinomo de grado k- 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
2k
k o^

Las varianzas muesirales de las diferencias sucesivas

^^(t ),

e2^tt), ^3^(t),

...,

^k^(t), ..., Ok'^(t)

las dividiremos por los coeficientes

r 2k 1
C 1 I . 1 2 J . ( 3^ , . . . , ( k ) . . . . ,
t k'
/ \
/

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 prcticamente 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 flltro lineal 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^esponda 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 PROCESO ESTACIONARIO

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^

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 = d F(h) = f(^,)d^
__._._..
k ^ h'
Ed^ (^ }d^ (k) = U

[2l

donde el operador E representa la esperanza materntica.

AI proceso

{;(^), a^ E n }

[3l

con las condiciones sealadas en (2] se le denomina proceso de incrementos ortogonales.

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

[4]

E^(t + h)^(t) = B(h)

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(h,)d^,

e^^rdF(^,) =

B(t) '
_,^

e,^rf^^.)d^.

_n

t E R

t EZ

[S a)

[S b]

^ ^^

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

[6 a]

^ ^ ac^^^ < ^

[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) - ^(^)

h-o
h

^ l^m
^
ti-o

f=.
^

^ e1^`^r+h)
_^
h

- er^^ d ^,
^( )

r^P ^^^d^ (^ )

En consecuencia, aplicando el operador n veces sobre ^(t) tenemos:

.^
^" (t) = D"^(t ) ?

11.$.

(l^,)ne,^^d^ (^)
_x

REPRESENTACIbN ESPECTRAL DE
^o

e l^uu"^ (t - u)du
0

dande ^(t) es un proceso estocstico estacionario.

^>:0

[8]

TEORIA DE LA PREDICC IC1N DE LOS PROCESOS ESTOCASTICOS ESTACIONARIOS

13S

Primeramente deterrninaremos la representacin espectra! cuando n= 0. As, sustituyendo ^(t) por su representacicn espectral [ lj cuando: A= R tenemos:
^
er^(l

-k^d ; (^.) du -

_ ,^
^

^ p ^^.rt d^ (?^)
^, -- (^+i7^)^du

E, i^r
_x

d;(^) =
_x R + i^,

^^;^rd^(t..)
e-^y;(t -- u)du -

_ ^a + t ^^

[ 9)

Derivando con respecto a! parmetro a, n veces, tenemos:

^
e ^^u^^(t - u)du = ^n

e^^rd^ C^)
-

[ 10]

+ ^ h)"

No damos ms que unas breves nociones para cornprender nuestro arU`c ulo, prescindiendo de un rigor matemtico excesivo.
11.5.

UTRAS REPRESENTACIONES ESPECTRALES

Representaciones espectrales de
r

e-^^^^ (k

i_

t-- ^ u^i ^^ d u^
^ =I
.la^

e r^t(t'^,}kd ; (^)
^

I^ I (a^ + i ^ >
a;>:o
; > : o
frmula deducida en nuestra tesis, pg. 169.
11.6.

FUNCIN DE DENSIDAD ESPECTRAL

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^,

ESTADISTICA ESPATriUI_A

I 36

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

P-;^r g(t)dt

^ER

[ 12 a]

ti E(- n,-^- n)

[ 12 b)

2n ,J_ x,

x
g(n )e -;^,M
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. Actuarios, 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 Estadstica, 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.

{^7

TEORIA UE L.A F>REDICCIUN UE LOS NR(K'Etit)s EST(X ASTICOs ESTACIONARIOS

SLULZKY, E.; The Summations of Random Causes as the Source of the

Ecvnometrika, vol. S de 1937.

Ciclic Prc^cesses^.

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.
MIT Pres, Massachusett Institute of Tecnology, 3.^ ed. Cambridge, 1970.

The

WoLO, HERMANN, O. A.: Series Cronolgicas Esiacionarias^. 7'rabajos de Estadstica y Monografa , 19S 1.
YAGLOM, A. M.: An lntroduction to the Theory of Srationary. Random Fvnctions (traduccin
el ruso). Prentice-Hall, New Jersey, 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 mathematical 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 form of 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 processes 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 form of determinants.
A large number of exemples have been derived on a riguruus mather^natical basis.
The econometrics models as moving adverage, autorregresive processes,
or Markov type, have the spectral density function anci if we know frm of
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 forecasting, Hilbert space.
AMS, 1970. Sub^ect classification: 62M20.