Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
{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!
^
,
^^
x_
g(t)e -,^.r dt
_x
- x_
f'(}. )
1
2n
^ g(n^-;r.n
^
n^ -x
cin de covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
[ ;(t + rn ), ^(t ))
^(t + m)^(t)
1.
I N TROD UCC 1 ON
l.l.
y^
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,
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)
93
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)
(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
2.
CONCEPTCJS PREVIS
2.1.
l,a
DEFINICIONES
E^trapolacin.
Interpolacin.
Filtruje.
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.
2.3.
y4
1.
[il
2.
E E(t) = 0
(a constante)
[2l
;(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)
^)
= 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.
1.
En el caso de procesos
{^(t), ^ (t), t E T}
[^l
ESTAUlST1CA ESPAt)!_A
2.
^(t) = a^l(t)
y 1os procesos ^(t ) y^^ (t ) estn ligados por
E ^(t) = 0
C9l
--E[(^(t) - an(t))]rl(t) - 0
3.
^ (t ) _
4.
(4)
^ ^ ^B^n^
B,,^, (0)
= g (p _ ^ B^^ () ^ 2
^^
Z.S.
[ 12)
B^n(o )
[ l3]
B^,^ (m )
^
En consecuencia
"
^(t + m) =
B^n (m ^
B
^ ^1(t)
nn( )
Bnn(o)
[14J
3.
97
El error es
= B^^(4^ _
2.6.
( 8^^(m)I^
[ 1 ]
Bn^ (0)
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.
^
^Ct ) = an (t ^ ) + b^l (t2)
3.
[ 17)
[]gJ
{! = 1, 2}
[ 19]
[ 20]
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 ]
ESTADISTIC: A ESNA^lOLA
3.
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.
x K^ ( t-- k}
^x.x E C
[4j
[5)
[6J
` A. M. Yaglom: ThPVry vf stationary random fonctions, pgs. 9^ y ss. Prentice Hall, 1962.
99
B(k+m)-
x,,B(k-h)^0
^.
h
[7]
(k - l, 2, ..., n)
recordando la frmula [4] del apndice.
^^ cr - ^ ^II =
^ (r + m ) -- ^ xk^(t -- k ). ^(t + ,n )
k=1
n
[^ ]
^ ^,. ^ = B(o) _
aLk^(h B(h
- k ) =
k=1 h=
2
= B(o^ b.
_^
a k ^, -r'J^k
fc^ ^^
[x]
Q^ = eXP
1
^
^
-^
18 {2n.f(^) } d^.
[^,,,]
1^i10
ESTADI5TICA ESI'AOLA
In,f^)d1^ - --x
^
3.2.
REPRESENTACIN ESPECTRAL
1.
e ^k ^, i^m
[9]
-^
(k - l, 2, 3, ..., n)
0
"
[9' ]
-^
siendo
i . ^ r, e -^^,ti
ti
^ m,,^ (^ ) =
[ 10]
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.
am^^ -
f.
= B{4) -
Ieimll
- (U,^.nl'y)I2 ^(^)d}.,
-^
I ^m,"(^ ) ^ ^.f(^ )^
[12]
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.
^Ul
e ih.m
-^
x
^ ^ hE, -i7^h
f{^, )/t
= ^
[13]
ti=^
(k = l, 2, 3...)
o sus equivalentes
[ 13^]
Ik = 1, 2, 3...)
siendo
^rn(^.} -
^ hE, -il^h
[ 14l
_,^
^(^}e^^t^( ^ )
^^,^{t -- h)
[1S]
h=
La [ 12], [ 13') y[ 15] nos indican las condiciones que necesariamente tiene que
cumplir la [14].
5.
nos permite encantrar los coe^cientes ^cti que, sustituidos en la [ l5], obtendremos la
mejor frmula de extrapolacin lineal.
6.
" 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
t.,a funcicn
`}, ^ (^ )
^^^
_ cp ^ (^^ ) ].^ti )
[171
^ 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.
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
^ z I -^ ^o
^
i = e'^ e s
^pm(e^^} ^ ^^,(^^)
2.
[24]
[211
[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.
3.
IO^
La funcin:
[23]
radio unidad. Slo puede tener singularidades dentro del crculo unidad.
2.a
^U(x} = 0.
4.
4.1.
A)
_^ ^ r^ ^ n
[1]
I -1
e;^,
_ a ^ i
h
h=1
4.2.
SOLUCIN
1.
fX(^ } ^
[2^
ESTADISTICA ESF'AtV(}LA
jU4
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
[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
! Z,
Z2 .. . Z"-1 Yrn(Z )
1 a C12
^
^ .. Cl^-^ ^ Un+m
^
- 0
IUS
"'
................
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
Q^+^n
Q"-... Cl I
I
1 1 Cl"-2
1
..............................
a,"+l11
"
u"_
t Gi"-z
. ..
"
"
a"
[9]
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
ESTAL)IS"TICA ESNANOLA
Cc^.^ca nrrterrr 1
t^(^- ) -
l.
^.
I E^ i^.
< 1
'a
^l ! ,.
^
^(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^
^u ^ ^ 1
lU^
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
^ (t - 1)
^ (t - 2 )
. . . ^ (t - n + 1) ^ (t - n )
a"+^n
a"--1
a"-2
...
(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
[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)=
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
1, 2, ..., n) para la
SECCION CUARTA
S.
f[^a = ^^k=Irl
siendo bk real,
! hkl2
- ^.
(bk^
_ -^- ^,^^ .
[1]
^ 1
^, :: ..^, ,. . ,,
,^ ..
* ^ ^^
1^
5.1.
PLANTEAMIENTO
Pasando [1) a variable compleja segn [21], [22] y [23] de la seccin segunda
C
[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
n-^
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
[4 ]
1 ^u
ESTADISTICA ESPAQLA
c{,^ - b ) ( i -- bz )
[4' ]
La [3 b] se convierte:
z^`(z - ) -- Ao - zm+! - z^ - Ao
a)
[]
Luego:
-b
^o (z) --
z - b
[7]
Sr^caso: rn>_
[8]
y
[9]
^(t + m) = 0
(rn > 1)
[lU]
Para m = 0 ^
^ - b^bz
A^ _ -(b^ + b2)
[1?J
1I 1
(z - b^)(z - b2)
z- b,
z- b^
(, -
, 2)
(z ! e ^^ )
[ 14]
b2
'
b^ - b^
A=
6)
B=
_62
^
bz -- b,
[ 1 S]
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
[ 20]
ESTADISTICA ESPAOLA
5.3.
OBSERVACIONES tMPORTANTES
^(t + rrr )= 0
[21 ]
m>_ rr
IB(e^a^)^2
'a ^ < 1
I A(e ,^ I z
1
^ 6^
^
[l]
.^`(^ ) = ^
+ e,^ _ 6 I ^
(,^,^ _ Q^ 2
[2]
[3]
= [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.
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
am(a - b)
a^, C^. ) _ ,
e'^ - b
[ 8]
[9^
Observacin importante
Para predecir, precisamos^ el conocimiento de toda la historia pasada de los valores
^(t - h). ( h - 1, 2...).
7.1.
^
^(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.
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.
11S
Qrn
_ B(o) _
fJ
B(u -- v)h(u)h(v)dudv =
x^
x^
- x^
-- B(0) -
4.
e -'^h(u)
[4`]
[4^^
^%)d^
1.
I;
e1^.[el^,fi - ^U m(^)1J^(^,)d^. = 0
dr > Q
- x,
2.
[S]
m >^Q
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
ESTADISTICA ESPA^VOLA
1 16
2.a
[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
a = B^o) S.a
_^
(^,^c^)I^fc^)^
[ 14]
^(t + m) =
^
_ ^
k=0
_,^,
^^,(1 +m )
-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.
7.3.
VARIABLE COMPLE.IA
1.
2.
1 ^7
Condiciones:
[ 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]
A)
Del tipo
c
^(^) _
^ (^.2 -f- A^ )
k=1
1.
[1]
^ ^ ' akl )^
k=1
-^ OLkI )
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]
lIR
ESTADISTICA ESPA^I..A
[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 }
(^.)2
... (i^.)"- ^
_._.^ ^^
...
(-^^)h-1 e-a^r^
-a2 J(2
...
(-0^2)"' ^ p `a2n+
...........................
1
^p^(^) _
6.
1 ^19
0
^, - a ^ ^re
.................................
^
...
^(t + m ) =
^-^^)w- 1
e -aN^n
[ g]
Casa n = 1
.f(^)
[^^
_ ^.2 + x2
^(t) 0
e --ocm
- ^-^^^^(t)
[ 10]
(^ 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
^(^ ) _
ESTADISTICA ESPAOLA
120
P -aan^
-- ^ E, -a,rn
^I I e-a=rn
- E,_a^,h.
^(t) +
^^{t)
[ 12]
a 1 -- a2
a, - ^^
^-
^ 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
0
-m ,^a
^ +;
_,^ ^_
z
^
^(t + m) _
[1S]
12l
anr
^
^ (t + m ) =e
am
am ^m ^
cos
+ sen --- ^(t) +
^/ ^ ^/ L
^ f
e
^
am ,
^ (t)
sen
^l L
[ l6]
Del tipo
^(^. ) _
I^I (^2
+ Jf,k^ Vk
[ 17]
^
JLk%)Vk(^.
^^
+ JCkI)vk
k=1
k=i
siendo
^
C ' ]
^ vk = n
k=1
lnea; la cuarta lnea, que seria la derivada de la tercera lnea y, as, sucesivamente.
b)
3.
f (^)
[18]
(^z + ^cZ )^
^,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
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.
11(^^ -}- a^ )
r <n
.f ^(^ ) -- C ^^ ^
n
[1]
R>^^
T ^I ^^2 + ^k^
k=1
1.
que se cumpla la [4"] de la seccin sexta, y sin races comunes, y asi siempre,
necesariamente supondremos que B'{0) < ^ .
2.
denominador de [ Ij
r
1 1 (^ - Rj^> (^ + R1^ )
^ m (^, ^ ^. ^^ [e ^m - -
j=1
C 2]
^ rn (^^ )]
n
^...I (^
- ^kl ) ^ + ^kl )
k=I
3.
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
[5]
- t^^(^.) I-_I c a^
- a^i) = ^
C6]
j^l
- ^ -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
[9]
^I^ 1
j= ^
(;^^ )^-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
j=1
[11]
12S
M, ^^(^} + M, 0_
U
M2 O
M2 n
[ 10' ]
^^(^) _ (_ 1)n+
[ 12]
1
r
^ (^^. + a^^
;_ ^
--a,
( !^ )" ^.'
...
;^I^1(^^
I -f- ^;)
r
( --1)"+ ^
(-a,)"-I
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
@^^t(l^t)k^(^
[15]
r
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
^ (!^. )
+ 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
127
^(n-r-1)
Bw-r-1^.,
^t)
[ 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 + a.r) r^
(^) = ja I
A
^ (^,2 + ock)
k=I
^(^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
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
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.
10.
1Z9
{t E Z}
[1^
ESTADtSTiCA ESPA()LA
13O
2.
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.
(2]
t EZ
EE,=O
EEi =a2
EE,a=0
t
tltEZ
tlt,sEZ
( 3]
$s
[4]
Este proceso, aunque sea evolutivo en media, es estacionario en funcin de covarianza porque
[S]
131
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.
`
ti'(DkE^) ^
2
2k
k o^
e2^tt), ^3^(t),
...,
r 2k 1
C 1 I . 1 2 J . ( 3^ , . . . , ( k ) . . . . ,
t k'
/ \
/
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.
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.
(Vase mi tesis, pg. 125, que rectifico el de este autor por no cumplir las condiciones
prec isas. )
1^3
Ed;(^) = 0
E^d;(^,)^2 = d F(h) = f(^,)d^
__._._..
k ^ h'
Ed^ (^ }d^ (k) = U
[2l
{;(^), a^ E n }
[3l
l^.2.
[4]
diferencia de tiempos. Si el proceso fuere real, ^(t) _^(t). Para mayor generalidad
expositiva supondremos el proceso sea de tipo complejo.
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
^
_^ B (r) r < ^c
[6 a]
^ ^ ac^^^ < ^
[6 b]
11.3.
^ l^m
^
ti-o
f=.
^
^ e1^`^r+h)
_^
h
- er^^ d ^,
^( )
r^P ^^^d^ (^ )
11.$.
(l^,)ne,^^d^ (^)
_x
REPRESENTACIbN ESPECTRAL DE
^o
e l^uu"^ (t - u)du
0
^>:0
[8]
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)
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.
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.
^(h) d^,
ESTADISTICA ESPATriUI_A
I 36
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.
{^7
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